Escolar Documentos
Profissional Documentos
Cultura Documentos
Arturo A. Z. Zavala
Contedo
CAPTULO 1: INTRODUO..................................................................................... 5
1.1. Conceito de Estatstica..........................................................................5
1.2. Conceitos Bsicos na Estatstica.........................................................5
1.3. Exemplo....................................................................................................... 8
1.4. Exerccios..................................................................................................... 9
CAPTULO 2: Estatstica Descritiva.......................................................................10
2.1. Organizao e Representao de Dados....................................................10
2.1.1. Organizao de Dados qualitativos......................................................10
2.1.2. Organizao de Dados quantitativos...................................................12
2.2. Medidas Estatsticas................................................................................... 19
2.2.1. Medidas de Tendncia Central.............................................................19
2.2.2. Medidas de Variabilidade.....................................................................28
2.3. Exerccios................................................................................................... 33
CAPTULO 3: Probabilidades................................................................................. 37
3.1. Definio de Probabilidade.........................................................................38
3.1.1 Definio Clssica ou a priori................................................................38
3.1.2 Definio Frequntista ou a posteriori...................................................39
3.1.2 Definio Axiomtica............................................................................ 40
3.2. Probabilidade Condicional..........................................................................41
3.3. Teorema do Produto................................................................................... 42
3.4. Independncia de Eventos.........................................................................43
3.5. Teorema de Bayes...................................................................................... 44
3.6. Exerccios................................................................................................... 45
CAPTULO 4: Variveis Aleatrias.........................................................................48
4.1. Definio de Varivel Aleatria..................................................................48
4.2. Funo de Probabilidade............................................................................ 48
4.3. Esperana e Varincia de uma Varivel Aleatria......................................51
4.4. Principais Distribuies Discretas...............................................................53
4.5. Principais Distribuies Contnuas..............................................................56
4.6 Exerccios.................................................................................................... 63
5. Inferncia Estatstica........................................................................................ 66
5.1. Tamanho da Amostra................................................................................. 66
5.1.1. O tamanho populacional no conhecido...........................................66
5.1.2. O tamanho populacional conhecido..................................................68
5.2. Intervalo de Confiana............................................................................... 69
5.2.1. Intervalos de Confiana para uma mdia.............................................69
5.2.2. Intervalos de Confiana para uma proporo......................................71
5.2.2. Intervalos de Confiana para uma varincia populacional...................72
5.3. Teste de Hipteses..................................................................................... 74
5.3.1. Componentes de um teste estatstico:.................................................74
5.3.2. Exemplo:.............................................................................................. 77
5.4. Exerccios................................................................................................... 85
6. Analise de Regresso Linear Simples e Correlao Linear................................91
6.1. Introduo.................................................................................................. 91
6.2. Introduo Anlise de Regresso Simples...............................................91
6.2.1. Determinando a Equao da Linha de Regresso Linear.....................92
6.2.2 Teste de Hipteses sobre o Coeficiente Angular....................................96
6.2.3 Intervalo de Confiana para a Previso.................................................99
6.3. Coeficiente de Determinao (R2)..............................................................99
6.3.1. Medidas de Associao........................................................................99
6.4. Exerccios................................................................................................. 100
Bibliografia......................................................................................................... 102
CAPTULO 1: INTRODUO
5
Os fundamentos da estatstica atual e dos mtodos inferencial so devidos
s obras de Ronald Aylmer Fisher (1890 1962), foi estatstico, bilogo e
genetista ingls.
6
correspondem a problemas onde os sentidos e qualidades so considerados e
no possvel fazer medies a priori sobre eles, por exemplo, o grau de
satisfao dos consumidores sobre o atendimento pela venda de um
determinado produto, neste caso um possvel resultado seria totalmente
satisfeito, mas que valor se pode atribuir a este sentido relativo, porque para
outra pessoa que foi igualmente atendido que o cliente anterior, ele pode estar
nem um pouco satisfeito pela ateno, sendo assim os resultados obtidos so
dependentes da apreciao particular de quem a avalia, no existe um valor
especifico de discriminao.
B) Amostra
7
Este tipo de amostragem se caracteriza porque a coleta extrada ao
acaso, a extrao definida pelas leis da probabilidade, no havendo
interveno por parte do pesquisador, neste caso se diz que todos os elementos
da populao devem ter a mesma possibilidade de ser escolhida. Neste caso as
concluses podem ser estendidas para toda a populao.
C) Unidade Elemental
8
D) Varivel
9
Este tipo de varivel pode se subdividir em dois tipos:
E) Observao
10
o valor particular que tomam as variveis em estudo. Por exemplo:
Maria, dispe para gastar R$ 800,00 reais, a cor preferida o vermelho, ela
economista de graduao, deseja comprar 5 produtos, estes valores sero
diferentes ao que pode observar-se por exemplo em Joo.
F) Parmetros
G) Estimador
1.4. Exemplo
A empresa Economica Ltda dedicado a venda de lmpadas, esta
interessado em identificar o grau de aceitao do produto, para isto, se
considerou um grupo de 50 clientes da empresa, para fazer as seguintes
perguntas: Idade, Bairro, Estado Civil, numero de lmpadas compradas no ms
anterior, satisfao do produto, numero de lmpadas queimadas no ms, gasto
em luz no ms. Extraindo a informao de Joo observou-se que ele tem 34 anos,
mora no bairro So Joo, casado, comprou 5 lmpadas, esta contento com o
produto, no teve lmpadas queimadas, gasto em luz R$ 60,00. Observou-se que
em mdia se vende 3000 lmpadas por semana.
11
Tabela 1.1.- Identificao das Variveis, tipos de Variveis e Observao
1.5. Exerccios
Nas seguintes pargrafos defina e identifique se tiver: populao, amostra,
unidade elementar, observao, variveis e os tipos de variveis. (Caso no tiver
proponha um exemplo)
3.- Depois da deciso de baixar as taxas de juros dos Bancos o governo desejo
avaliar o impacto da medida, para isto coletou uma amostra de 50.000
pessoas com idade acima de 30 anos e fiz a pergunta de se estava de acordo
com a medida adotada, dos quais observaram que 10% que pertencem ao
estrato social mdio no sabiam desta medida.
12
5.- O governo pretende fazer auditoria fiscal a 30 empresas importadoras de
maquinaria agroindustrial no Estado de Mato Grosso, para isto resolve coletar
a informao patrimonial, as vendas ocorridas desde seu inicio at hoje,
numero de funcionrios contratados y nmero de funcionrios demitidos no
perodo, lugares donde foi importado os equipamentos.
7.- Um pesquisador avalio as plantas de Soja numa regio de Mato Grosso, para
isto considerou uma amostra de 30 fazendas da regio obtendo os seguintes
resultados globais: Cor da Flor : Branca, Reao a peroxidase: Positiva,
Madurao relativa: 8,3; Peso mdio de 1000 sementes: 111,5 grs.; Reao a
doenas: Muito Resistente.
13
CAPTULO 2: Estatstica Descritiva
A estatstica descritiva pretende representar de uma forma mais
compreensvel a informao coletada da populao ou da amostra, conseguindo
resumir a informao e permitindo destacar elementos relevantes do estudo.
Para as aes prticas ser considerado o software R.
timo Bom timo timo Bom Bom timo Pssimo Bom Bom
Bom Bom timo Regular timo timo Ruim Bom timo timo
timo timo Pssimo Regular timo Regular Bom timo timo Regular
Bom Bom timo Ruim timo Regular Bom Bom timo Regular
Bom Bom timo Pssimo Ruim Ruim timo Bom timo Ruim
x<-
c("timo","Bom","timo","Bom","Bom","Bom","Bom","timo","Bom","Bom","ti
mo","timo","Pssimo","timo","timo","timo","Regular","Regular","Regular","P
ssimo","Bom","timo","timo","timo","Ruim","Bom","timo","Regular","Regula
r","Ruim","timo","Ruim","Bom","Bom","timo","Pssimo","Bom","timo","Bom",
"Bom","Bom","timo","timo","timo","timo","Bom","timo","Regular","Regula
r","Ruim")
Z<-read.table(c:/dados R/dados.txt)
14
Observemos neste conjunto de dados que a varivel qualidade da lmpada
pode apresentar alguns valores que se repetem a estes valores podem se
chamar classe da varivel, para nosso exemplo a primeira classe pode ser
timo, a segunda Bom, a terceira Regular a quarta Ruim e a quinta
Pssimo desta forma a classe pode estar formada por i=1,2,3,4,5. Antes de
fazer a tabela de freqncias devemos ter claro algumas definies:
y<-table(x)
b) Freqncia Relativa (
fr i )
aquela que surge pela relao entre o valor observado numa classe e o
total das observaes, a este total conhecido como o tamanho da amostra
representado pela letra n. O clculo obtido a partir de:
fi
fr i=
n
a) dim.dados<-dim(x)
b) n<-dim.dados[1]
c) frel<-y/n
c) Freqncias Porcentuais (
pi )
pi=fri 100
15
Uma forma organizada em Excel pode ser apresentada do modo seguinte:
fi fr i pi
Opinio
timo 20 0,40 40
Bom 16 0,32 32
Regular 7 0,14 14
Ruim 4 0,08 8
Pssimo 3 0,06 6
Total geral 50 1,00 100
Uma representao grfica no software R da tabela pode ser apresentada por,
aps aplicado a seguinte sentencia:
>Barplot(y)
> pie(y)
16
Uma caracterstica observada nesta empresa Economica Ltda, que a maioria
dos clientes encontra-se satisfeitos com a qualidade da lmpada.
2 5 4 3 4 3 3 2
3 5 4 5 5 5 1 0
1 5 1 1 3 2 2 1
3 1 2 2 4 2 1 1
4 1 5 3 3 0 3 4
x<-c(2,3,1,3,4,5,5,5,1,1,4,4,1,2,5,3,5,1,2,3,4,5,3,4,3,3,5,2,2,0,3,1,2,1,3,2,0,1,1,4)
y<-table(x)
Ao fazer y obtemos:
a) n<- length(x)
b) freq<-y/n
Obtendo:
fi fr i pi
No. Filhos
0 2 0,04 4,0
1 9 0,18 18,0
2 7 0,14 14,0
17
3 9 0,18 18,0
4 6 0,12 12,0
5 7 0,14 14,0
Total geral 40 1,000 100,0
B) QUANTITATIVO CONTINUO
Exemplo 2.3: A empresa Economica Ltda, deseja avaliar o tempo de vida (em
horas) das lmpadas produzidas, para isto, considera uma amostra de 100
lmpadas de um lote, num dia ao acaso, os dados so apresentados a
continuao:
2.820,84 2.734,79 2.890,76 2.521,58 2.890,00 2.712,96 2.753,80 2.908,62 2.754,47 2.846,64
2.665,34 2.648,79 2.545,45 2.696,43 2.601,28 2.938,58 2.923,52 2.982,19 2.536,40 2.562,68
2.798,68 2.772,32 2.851,98 2.656,77 2.772,82 2.637,89 2.692,25 2.918,62 2.951,52 2.707,29
2.633,13 2.522,53 2.955,31 2.838,02 2.592,68 2.832,37 2.699,40 2.822,26 2.805,41 2.672,67
2.928,67 2.596,10 2.557,00 2.604,59 2.939,51 2.684,02 2.834,74 2.742,90 2.947,93 2.802,19
2.799,72 2.806,06 2.706,54 2.976,93 2.690,82 2.831,99 2.990,27 2.869,01 2.933,00 2.728,75
2.871,65 2.666,15 2.860,56 2.888,87 2.779,31 2.824,12 2.983,21 2.974,12 2.640,64 2.500,00
3.000,00 2.924,20 2.516,32 2.575,88 2.597,23 2.949,58 2.861,13 2.757,52 2.843,17 2.964,51
2.623,35 2.719,75 2.636,69 2.955,97 2.728,04 2.691,83 2.945,11 2.760,82 2.852,12 2.582,29
18
2.687,15 2.684,32 2.945,49 2.754,42 2.806,79 2.957,72 2.598,63 2.965,06 2.807,86 2.546,00
A= X max X min
onde
X max o valor da observao de maior magnitude e
X min a
observao de menor magnitude.
A=3000,002500,00=500,00
2500 3000
1 2 3 4 5 6 7 8 9 10
A 500
TIC= = =50
k 10
19
Algumas definies devem ser inseridas:
Fi =f 1 + f 2+ + f i
ou
Fi =F i1 +f i
ou
Fri =Fri1 + fri
Fi
ou Fri =
n
'
c) Marca de Classe ( X i )
20
lim 2 2550+2600
= =2575
2 2
lim Inf 2+
X '2 =
Para calcular as outras marcas de classe basta somar a marca de classe o valor
do TIC, como se apresenta a continuao:
' '
X i +1=X i +TIC
X 'i fi fr i Fi Fri
i Intervalo
1 2500 |- 2550 2525 7 7% 7 7%
2 2550 |- 2600 2575 8 8% 15 15%
3 2600 |- 2650 2625 8 8% 23 23%
4 2650 |- 2700 2675 12 12% 35 35%
5 2700 |- 2750 2725 8 8% 43 43%
6 2750 |- 2800 2775 10 10% 53 53%
7 2800 |- 2850 2825 14 14% 67 67%
8 2850 |- 2900 2875 9 9% 76 76%
9 2900 |- 2950 2925 12 12% 88 88%
10 2950 |- 3000 2975 12 12% 100 100%
Total 100 100%
Fr5 =43 : representa que na amostra se observou 43% lmpadas cujo tempo
21
F6 F 4=18 : representa que na amostra se observou 18 lmpadas cujo tempo
1) Histograma de Freqncias
2) Polgono de Freqncias
22
Distribuio de Freqncia do tempo de vida de uma lmpada
120
100
80
60
Frequencia Observada
40
20
c) INTERPOLAO
23
D
E
Como estamos desejando tempo de vida inferior a 2790 horas, ento o intervalo
para interpolao a 6, isto , todas as lmpadas que tem um tempo de vida
que varia entre
X 2750 a 2800 horas.
43% 120
53%
100
2750 2800
80
2790
60
Frequencia Acumulada Absoluta
40
20
24
Triangulo Pequeno ABC 40 = X43
Triangulo Maior ADE 50 10
Abscissas Ordenada
Desta forma
40
X 43 =10
50
X =51
Isto quer dizer que a proporo de lmpadas que tem um tempo de vida inferior
a 2790 de 51% deles.
a) Mdia
n i=1
25
Exemplo 2.4: Consideremos o exemplo 2.3 que diz: a empresa XXX, deseja
avaliar o tempo de vida (em horas) das lmpadas produzidas, para
isto, considera uma amostra de 100 lmpadas de um lote, num dia ao
acaso, os resultados foram apresentados na tabela 2.3, a tabela a
seguir constitui uma readequao.
X 'i
'
fi Xi f i
I Intervalo
1 2500 |- 2550 2525 7 15925
2 2550 |- 2600 2575 8 20600
3 2600 |- 2650 2625 8 21000
4 2650 |- 2700 2675 12 32100
5 2700 |- 2750 2725 8 21800
6 2750 |- 2800 2775 10 27750
7 2800 |- 2850 2825 14 39550
8 2850 |- 2900 2875 9 25875
9 2900 |- 2950 2925 12 35100
10 2950 |- 3000 2975 12 35700
Total 100 277150
k
1 1
X = X 'i f i = (277150)=2771,5
n i=1 100
Como o estudo era o tempo de vida em horas das lmpadas, ento podemos
dizer que o tempo de vida das lmpadas mais comum de ocorrer de 2771,5
horas.
26
interessados em saber a aceitao de arroz XXX tipo 1 de 5 quilos,
durante uma semana foi observado a compra desse tipo de arroz,
obtendo os seguintes resultados: 10, 14, 13, 15, 16, 18 e 12,
encontrar a compra media do tipo de arroz XXX tipo 1 de 5 quilos.
Isto quer dizer que os clientes estriam dispostos a comprar diariamente 14 sacos
de arroz XXX tipo 1 de 5 quilos.
( X i X )=0
i=1
Demonstrao:
X =n X
i=1
n n
( X i X )= X in X
i=1 i=1
Como
n n
1
X = X i ento X i=n X
n i=1 i=1
27
2 Propriedade: Seja
Xi uma varivel qualquer que tem uma mdia
seguinte:
Y i=X i a
Ento a mdia de
Y i dado por:
Y = X
a
Demonstrao
X
n n n
1 1 1 1
( i a)= X i a= X i na
n i=1 n i=1 n i=1 n
n n
1 1
Y = Y i =
n i=1 n i=1
Xi
Y i=X i a ou Y i=
a
A mdia de
Y i dado por:
X
Y = X
a
ou Y =
a
28
n
1 1 189
X = X i = ( 10+14+13+15+ 16+18+103 )= =27
n i=1 7 7
Isto quer dizer que os clientes estriam dispostos a comprar diariamente 27 sacos
de arroz XXX tipo 1 de 5 quilos. Como vemos por um evento isolado nossas
concluses podem de alguma forma estar indicando coisas que na regularidade
no esta acontecendo.
b) Mediana
[ ]
n
F (me1)
2
Me=lim Inf (me) + TIC
f (me)
F(me1)
anterior a mediana; representa a freqncia acumulada observada
f (me)
anterior a classe da mediana; representa a freqncia observada na
Exemplo 2.6: Consideremos o exemplo 2.3 que diz: a empresa XXX, deseja
avaliar o tempo de vida (em horas) das lmpadas produzidas, para
isto, considera uma amostra de 100 lmpadas de um lote, num dia ao
acaso, os resultados foram apresentados na tabela 2.3.
29
Tabela 2.5.- Distribuio do tempo de vida (em horas) das lmpadas
fi Fi
i Intervalo
1 2500 |- 2550 7 7
2 2550 |- 2600 8 15
3 2600 |- 2650 8 23
4 2650 |- 2700 12 35
5 2700 |- 2750 8 43 Classe anterior a Mediana (me-1)
6 2750 |- 2800 10 53
Classe da Mediana (me)
7 2800 |- 2850 14 67
8 2850 |- 2900 9 76
9 2900 |- 2950 12 88
10 2950 |- 3000 12 100
Total 100
[ ]
n
F (me1)
Me=lim Inf (me) +
2
f (me)
TIC=2750+
5043
10 [
50=2.785 ]
Observa-se na amostra que 50% das lmpadas apresentam um tempo de vida
til inferior a 2785 horas.
* Quando n par
X n +X n
(2 ) ( +1)
2
Me=
2
30
Ordenando os valores, temos:
Ento
X n +X n
(2 ) ( +1)
2 X(3) + X(4 ) 14 +15
Me= = = =14,5
2 2 2
Isto indica que o 50% dos clientes adquirem menos de 14,5 sacos de arroz XXX
de tipo 1 de 5 quilos.
* Quando n impar
Me=X n+1
( )
2
Ento
O que quer dizer que o 50% dos clientes adquirem menos de 14 sacos de arroz
XXX tipo 1 de 5 quilos
c) Moda
aquele valor que ocorre com maior freqncia num conjunto de dados.
Onde
31
d 1=f (mo) f (mo1) e d 2=f (mo )f (mo+ 1)
(mo+1) f (mo)
moda; representa a classe posterior a moda; representa a
f (mo1)
freqncia observada na classe da moda; representa a freqncia
f (mo+1)
observada na classe anterior a moda; representa a freqncia
Exemplo 2.9: Consideremos o exemplo 2.3 que diz: a empresa XXX, deseja
avaliar o tempo de vida (em horas) das lmpadas produzidas, para
isto, considera uma amostra de 100 lmpadas de um lote, num dia ao
acaso, os resultados foram apresentados na tabela 2.3.
fi
i Intervalo
1 2500 |- 2550 7
2 2550 |- 2600 8
3 2600 |- 2650 8
4 2650 |- 2700 12
5 2700 |- 2750 8
6 2750 |- 2800 10 Classe anterior a Moda (mo-1)
7 2800 |- 2850 14 Classe da Moda (mo)
8 2850 |- 2900 9 Classe posterior a Moda (mo+1)
9 2900 |- 2950 12
10 2950 |- 3000 12
Total 100
32
De esta forma
Desta forma:
Isto indica que um maior nmero de lmpadas teve um tempo de vida ao redor
de 2822,22 horas.
33
As expresses seguintes correspondem a distribuies assimtricas, o
grfico (a) corresponde a uma relao X < Md < Mo , enquanto a que o
F( p1)
anterior a percentil; representa a freqncia acumulada observada
34
f ( p)
anterior a classe da percentil; representa a freqncia observada na classe
lim Inf ( p)
da percentil; representa ao Limite Inferior na classe da percentil;
Exemplo 2.11: Consideremos o exemplo 2.3 que diz: a empresa XXX, deseja
avaliar o tempo de vida (em horas) das lmpadas produzidas, para
isto, considera uma amostra de 100 lmpadas de um lote, num dia
ao acaso, os resultados foram apresentados na tabela 2.3. Encontrar
o menor tempo de vida til dos 20% das lmpadas com maior tempo
de vida til.
fi Fi
i Intervalo
1 2500 |- 2550 7 7
2 2550 |- 2600 8 15
3 2600 |- 2650 8 23
4 2650 |- 2700 12 35
5 2700 |- 2750 8 43
6 2750 |- 2800 10 53
7 2800 |- 2850 14 67
8 2850 |- 2900 9 76 Classe anterior ao Percentil (p-1)
9 2900 |- 2950 12 88 Classe do Percentil (p)
10 2950 |- 3000 12 100
Total 100
35
Ento
Entendendo-se que o 20% das lmpadas com maior vida til ter um valor
mnimo de 2.916,66 horas.
Os dados ordenados so
Desta forma o percentil encontra-se na posio 6,4; como este valor no existe,
podemos encontrar um valor que se aproxime a essa posio, isto , o valor
X (6)=16
achado encontra-se na posio 6, , mais alguma coisa adicional, como
a diferencia entre a posio 6 e a posio 7 de 2 pontos, ento existir
0,4x2=0,8 valores alm da posio 6, ento o percentil 80, estaria dado por:
36
tendncia (homogeneidade) ou se elas se encontram distante do valor da
tendncia (heterogeneidade)
uma medida de disperso que avalia quo longe esta os dados com relao ao
valor de tendncia central. Ele no tem interpretao prtica, j que suas
unidades no so compatveis com as unidades dos dados originais. Seu calculo
dependera de:
k k
2
S=
1
n1 ( f i ( X 'i X )
i=1
2
)
=
1
n1 ( X 'i 2 f in X 2
i=1
)
Onde, X 'i , representa a marca de classe; f i , representa a freqncia
Exemplo 2.13: Consideremos o exemplo 2.3 que diz: a empresa XXX, deseja
avaliar o tempo de vida (em horas) das lmpadas produzidas, para
isto, considera uma amostra de 100 lmpadas de um lote, num dia
ao acaso, os resultados foram apresentados na tabela 2.3. Encontrar
a varincia do conjunto de dados.
X 'i fi X 'i 2 f i
I Intervalo
1 2500 |- 2550 2525 7 44629375
2 2550 |- 2600 2575 8 53045000
3 2600 |- 2650 2625 8 55125000
4 2650 |- 2700 2675 12 85867500
5 2700 |- 2750 2725 8 59405000
6 2750 |- 2800 2775 10 77006250
7 2800 |- 2850 2825 14 111728750
8 2850 |- 2900 2875 9 74390625
37
9 2900 |- 2950 2925 12 102667500
10 2950 |- 3000 2975 12 106207500
77007250
Total 100 0
k
S 2=
1
n1 ( i=1
X 'i 2 f in X )
2= 1 (
99
770072500100 2771,52 ) =19709,85
n n
S 2=
1
n1 ( 1
)
( X i X )2 = n1
i=1
(
X 2i n X 2
i=1
)
Exemplo 2.14: Consideremos o exemplo 2.5, e encontremos a varincia para
uma semana de compra, os dados so: 10, 14, 13, 15, 16, 18 e 12.
n
S 2=
1
n1 ( i=1
) 1
X 2i n X 2 = ( 14147 142 ) =7
6
Propriedades da Varincia
1 Propriedade: Seja
Xi uma varivel qualquer que tem uma mdia
Y i=X i a
Ento a varincia de
Y i dado por:
S 2y =S2x
Demonstrao
38
n n n
1 2 1 2 1 2
2
S y=
n1 i=1
( Y i Y ) =
n1 i=1
( X i a X a ) =
n1 i=1
( X i X )
Xi
Y i=X i a ou Y i=
a
A varincia de
Y i dado por:
1 2
2 2
S y =a S x
2
ou
S 2y = Sx
a2
b) Desvio Padro
S= Varincia
Exemplo 2.15: Consideremos o exemplo 2.3 que diz: a empresa XXX, deseja
avaliar o tempo de vida (em horas) das lmpadas produzidas, para
isto, considera uma amostra de 100 lmpadas de um lote, num dia
ao acaso. Encontre a Varincia.
S= Varincia=19709,85=140,39
Podemos afirmar que o tempo de vida til das lmpadas da empresa XXX, uma
boa parte variam acima e abaixo da mdia em 140,39 horas.
c) Coeficiente de Variabilidade
39
procurar uma medida de variabilidade relativa que permita fazer essa
comparao. O calculo definido por:
S
CV = 100
X
CV 25 Os dados so homogeneos
Exemplo 2.16: Consideremos o exemplo 2.3 que diz: a empresa XXX, deseja
avaliar o tempo de vida (em horas) das lmpadas produzidas, para
isto, considera uma amostra de 100 lmpadas de um lote, num dia
ao acaso. Encontre o CV.
S 140,39
CV = 100 = 100 =5,1
X 2771,5
d) Medida de Assimetria
X Mo
Ass= 3 Ass 3
S
3( XMe)
Ass= 3 Ass 3
S
Este critrio usado quando no for possvel empregar o desvio padro com o
medida de disperso.
Q1 +Q32 Me
Ass= 1 Ass 1
Q3 Q1
40
Q3 o terceiro quartil ou percentil 75%
D9 + D12 Me
Ass= 1 Ass 1
D 9D 1
Em todos os casos:
Exemplo 2.17: Considerando o exemplo 2.3 o caso das lmpadas, temos que:
Q3=2894,44 D9 =2958,33
X Mo 2521,52822,22
Ass= = =0,361291
S 140,39
3( XMe ) 3 (2521,502785)
Ass= = =0,288478
S 140,39
41
e) Coeficiente de Curtose (k)
Exemplo 2.18: Considerando o exemplo 2.3 o caso das lmpadas, temos que:
42
Q3=2894,44 D9 =2958,33
2958,332568,750
2
Q3Q1 2894,442668,33
k= =
2( D 9D1)
A partir dos dados pode-se concluir que temos uma distribuio platicrtica, o
que indica que os dados esto muito dispersos.
2.3. Exerccios
1.- Uma tabela de freqncias foi construda com a seguinte informao: o menor
valor foi 50, o limite superior da 4 classe foi 90, considerou-se 8 classes e
uma amostra de 80 observaes, sendo que as classes 1, 4, 6 e 7 tiveram 1,
15, 20 e 7 observaes respectivamente, observou-se tambm que o total
acumulado at a 3 classe foi de 10 observaes e alem disso, sabe-se que
at a 7 classe se acumulou 96,25% das observaes, na segunda classe se
teve o 5% das observaes. Com as informaes descritas acima construa a
tabela original.
fi 1 5 11 8 3 2
43
Segundo o enunciado, identifique e interprete o seguinte: f 2, fr4, F3, Fr5, F5 F3.
Qual a proporo de embalagens de plstica de mel que tem pesos entre
32,5 a 34,5?.
120 140 138 127 139 137 125 132 123 132 126 138 124 139 127
137 122 122 139 133 144 126 140 125 142 135 145 130 135 138
123 143 130 145 121 129 139 133 125 135 145 143 129 125 128
44
7. Uma empresa dedicada ao engorde de gado coletou informao dos aumentos
de pesos aps duas semanas de aplicao de certa rao, os pesos so
registrados em Quilogramas, os dados so apresentados a continuao:
146 125 139 132 121 135 114 114 130 169 114 130 169 125 103
9. Uma estatstica feita nas quarenta lojas de uma cidade, tendo em vista um
estudo sobre o nmero de funcionrios no comercio, mostrou o salrio liquido
dos funcionrios existentes em cada loja (em centos de reais)
7 10 12 4 8 7 3 8 5
12 11 3 8 4 1 1 13 10
4 5 5 8 7 7 3 2 3
8 13 1 7 17 3 4 5 5
3 1 18 10 4 7 7 11 8
0 12
1 13
2 22
3 50
45
4 31
5 22
6 10
160
46
CAPTULO 3: Nmeros Indices
3.1 Definio
Um ndice uma medida estatstica que tem a propriedade de informar as
mudanas de valor que experimenta uma varivel ou magnitude em duas
situaes, uma das quais se prope como referencial. A comparao usualmente
atravs da diviso desses valores.
Notao:
X (i, 0)
Para elaborar um nmero ndice temos duas situaes: a situao inicial
ao ser chamado de perodo base e a situao que desejamos comparar
X (i, t )
, a qual ser chamada de perodo em avaliao ou perodo atual.
Exemplo 3.1:
Neste caso a varivel nica estar definida pelos preos do arroz o perodo base
2000 e o perodo atual 2006.
X (i, 0)
Se X uma magnitude simple, ento pode ser chamado de magnitude do
X (i, t )
perodo base e pode ser chamado de magnitude do perodo atual,
ento o ndice simples definido:
X(i ,t )
I (i)
(0,t )=
X (i , 0)
a) Indices de Preos
(i)
P(i ,t )
P(0,t )=
P(i , 0)
b) Indices de Quantidade
47
(i)
Q(i ,t )
Q(0,t )=
Q (i , 0)
c) Indices de Valor
V (i , t) P(i , t) Q(i ,t )
V (i)
(0,t )= =
V (i , 0) P(i ,0) Q(i ,0)
Exemplo 3.2
Obter os ndices de preos dos trs produtos considerando 1975 como perodo
base.
Sol:
Produto 1
P(1,1974) 12
P(1)
(1975,1974) = = =0,8=80
P(1,1975) 15
(1)
P(1,1976) 18
P(1975,1976) = = =1,2=120
P(1,1975) 15
P(1,1977) 24
P(1)
(1975,1977) = = =1,6=160
P(1,1975) 15
48
Ano Produto 1 Produto 2 Produto 3
1974 80% 50% 80%
1975 100% 100% 100%
1976 120% 200% 140%
1977 160% 300% 180%
3.2.2 Propriedades
a) Existencia
O ndice deve se referir a um valor real e fi-nito, isto :
I (0,t ) 0
b) Identidade
Se coincidir o perodo base e de avaliao, ento:
I (t , t)=I (0,0)=1
c) Reverso ou Inverso
O produto de dois ndices invertidos de dois perodos, cumple-se que:
I (0,t ) I (t ,0 )=1
0 t
Xt X 0
I (0,t ) I (t ,0 )= =1
X0 Xt
1
I (0,t )=
I (t ,0 )
49
d) Circular
A propriedade circular uma extenso da propriedade da reversibilidade
ou inverso, neste caso o tempo (ponto intermdio) disponibilizado como
link entre um tempo e outro.
t
0 t+1
X t X t+1 X t +1
I (0,t +1)=I (0,t ) I (t , t+ 1)= =
X0 Xt X0
e) Proporcionalidade
Se a magnitude varia em proporo (1+k), o ndice varia na mesma
proporo:
'
X 't =X t +k X t ento I (0,t )=I (0,t ) +k I (0,t )
g) Homogeneidade
Mudanas nas unidades no altera o ndice
Tipos:
50
b) Mdia Geomtrica
n
n
I G =n I 1 I 2 I n= Ii
i=1
c) Mdia Harmonica
n 1
I H= =
1 1 1 n
+ ++
I1 I2 In 1I
i=1 i
Exemplo 3.3
Com base nos dados do exemplo 3.2, obter os ndices de mdia Aritmtica,
mdia Geomtrica, mdia Harmonica e mdia Agregativa dos trs produtos no
perodo 1974 a 1977, considerando como base o ano 1975.
Soluo:
M 80 +50 +80
I (1975,1974)= =70
3
Os preos dos trs produtos tiveram uma queda de 30% em 1974 em relao aos
preos de 1975.
G 3
I (1975,1974)= 80 50 80 =68
Os preos dos trs produtos tiveram uma queda de 32% em 1974 em relao aos
preos de 1975.
H 3
I (1975,1974)= =67
1 1 1
+ +
0,8 0,5 0,8
51
Os preos dos trs produtos tiveram uma queda de 33% em 1974 em relao aos
preos de 1975.
A 12+5+20
I (1975,1974)= =74
15+10+25
Os preos dos trs produtos tiveram uma queda de 26% em 1974 em relao aos
preos de 1975.
Tabela 3.1: Comparao dos ndices no ponderados dos trs produtos no perodo
1974-1977 (1975=100%)
coeficiente de ponderao,
W i , gerando:
I 1 W 1 + I 2 W 2 ++ I n W n
Ii Wi
i=1
I ( ponderado)= = n
W 1+W 2+ + W n
Wi
i=1
52
Dentro desta definio, temos os seguintes ndices: Laspeyres, Paasche, Fisher,
Marshall-Edgeworth, Divisia.
a) ndice de Laspeyres
W i= pi , 0 qi , 0
pi ,0 qi ,0 pi ,0 q i ,0 p i ,0 q i ,0
i=1 i=1 i=1
pi ,0 q i ,0 pi ,0 qi ,0 pi ,0 qi ,0
i=1 i=1 i=1
b) ndice de Paasche
W i= pi , 0 qi , t
pi ,0 qi ,t pi , 0 qi , t pi , 0 qi , t
i=1 i=1 i=1
53
W i= pi , t q i ,0
p i ,t qi ,0 pi ,t qi , 0 pi ,t qi , 0
i=1 i=1 i=1
c) ndice de Fisher
I F = I L I P
d) ndice de Marshall-Edgeworth
q i ,0 +q i ,t
W i=
2
n n
q i, 0 +qi , t
I (ME i=1
( 2 )
pi , t ( qi ,0 + qi ,t ) pi ,t
= i=1
preo)= n n
q i ,0 +q i ,t
( 2 )
pi , 0 ( qi , 0+ qi , t ) pi ,0
i=1
i=1
pi ,0 + pi , t
W i=
2
n n
p i ,0 + pi ,t
I ME
= i=1
( 2 ) qi , t ( p i ,0 + pi ,t ) qi , t
= i=1
(quantidade ) n n
pi ,0 + pi ,t
( 2 ) q i ,0 ( p i ,0 + pi ,t ) q i ,0
i=1
i=1
e) ndice de Divisia
54
Esse ndice definido como uma mdia geomtrica ponderada dos relativos, com
sistema de pesos fixo na poca base.
p i ,0 qi , 0
W i= n
pi , 0 qi ,0
i=1
Exemplo 3.4
Soluo:
Indices de Preos
L 12 4 +5 9+20 4
I (75,74)= =69,2
15 4 +10 9+ 25 4
P 12 3+5 7+ 20 3
I (75,74)= =68,9
15 3+10 7+ 25 3
F
I (75,74)= 69,2 68,9 =69,1
55
0,38709677 0,22580645 0,38709677
12 5 20
D
I (75,74)= ( )
15
( )
10
( )
25
=71,9
Indice de Preos
Ano
Laspeyres Paasche Fisher Marshall Divisia
1974 69,2% 68,9% 69,1% 69,1% 71,9%
1975 100,0% 100,0% 100,0% 100,0% 100,0%
1976 156,8% 151,8% 154,3% 154,2% 148,5%
1977 218,4% 203,4% 210,8% 210,3% 199,1%
Indices de Quantidades
L 15 3+10 7+ 25 3
I (75,74)= =76,0
15 4 +10 9+ 25 4
P 12 3+5 7+20 3
I (75,74)= =75,7
12 4 +5 9+20 4
F
I (75,74)= 76,0 75,7 =75,9
Indice de Quantidades
Ano
Laspeyres Paasche Fisher Marshall Divisia
1974 76,0% 75,7% 75,9% 75,9% 75,6%
1975 100,0% 100,0% 100,0% 100,0% 100,0%
1976 112,0% 108,4% 110,2% 109,8% 112,3%
56
1977 118,0% 109,9% 113,9% 112,4% 116,9%
Xt
I ( t1 ), t=
X t 1
Onde
Xt pode ser preo, quantidade ou valor.
Vendas Indices
Ano (Milhes) Relativos
1970 14.980 -
1971 16.433 109,7%
1972 20.194 122,9%
1973 23.015 114,0%
1974 23.621 102,6%
1975 24.009 101,6%
57
3.4.2 Indice de valor obtido com base nos ndices relativos
Quando dispomos somente de relativos em cadeia e precisamos dos ndices em
um perodo base particular (ndice de Valor) pode-se calcular da maneira
seguinte:
1
I 0,(t1) =
I (t 1) ,0 propriedade reversiva
Exemplo:
1 1
I 72,71= = =81,4
I 71,72 122,9
Para71
o ano 1970, temos:
70 72
Desta forma:
I 72,71 81,4
I 72,70 =I 72,71 I 71,70 = = =74,2
I 70,71 109,7
Indices Indice
Ano Relativos (1972=100%)
58
1970 - 72,20%
1971 109,7% 81,40%
1972 122,9% 100,00%
1973 114,0% 114,00%
1974 102,6% 117,00%
1975 101,6% 118,90%
I a ,t
I b ,t =
I a, b
Exemplo:
Indice
Ano (1972=100%) Indice (1974=100%)
72,2%/117% =
1970 72,20% 61,71%
81,4%/117% =
1971 81,40% 69,57%
100,0%/117% =
1972 100,00% 85,47%
114,0%/117% =
1973 114,00% 97,43%
117,0%/117% =
1974 117,00% 100,00%
118,9%/117% =
1975 118,90% 101,62%
a) Deflator
59
Permite eliminar as variaes de preos para estabelecer qualquer comparao
entre valores monetrios de modo a uniformizar a moeda.
Para deflacionar os valores de uma srie basta dividi-los pelo nmero ndice
correspondente s pocas em que eles ocorreram, tendo como referncia uma
determinada poca da seguinte maneira:
Valor Nominal
Valor Real=
Indice
Taxa de Crescimento:
a) Taxa de Crescimento Nominal
Xt
= 1=I 0,t 1
X0
Exemplo:
Calcular a taxa de crescimento nominal e real da economia para os perodos de
1987 e 1988. PIB 87 foi de 22.950 e PIB 88 foi de 38.990. Sendo que o ndice de
inflao foi de 143,3551%. Calcular a Taxa de crescimento Nominal e Real.
Soluo
Ento
38.990
I 87,88= =169,89
22.950
38.990
VR 88= =27.198,2
143,3551
Xt
= 1=I 0,t 1=169,89 100 =69,89
X0
VR t 27.198,2
= 1= 1=118,5 100 =18,5
X0 22.950
b) Poder Aquisitivo
60
O Poder aquisitivo a capacidade que uma pessoa ou populao tem de adquirir
bens. Tm maior poder aquisitivo aqueles que podem adquirir (mas no
necessariamente adquirem) um valor maior em bens no mesmo lapso de tempo.
A relao com os rendimentos monetrios da pessoa/populao bvia, mas a
pessoa que adquire determinado valor em bens por meios no-monetrios (por
exemplo, trocando estes bens por um servio especializado, como o de um
encanador) tem tanto poder aquisitivo quanto outra que os adquiriu com dinheiro
1
PA=
I 0,t
Exemplo:
Consideremos o exemplo em 1999 um quilo de carne custava 8,00 reais e em
2000, 10 reais. Se nos 2 anos dispusssemos da mesma quantia de 250 reais
para comprar essa carne. Qual seria nosso poder aquisitivo em 2000 em relao
a 1999
Soluo
O que significaria que nosso poder de compra caiu em 20%. Agora considerando
a formula
X 00 10
I 99,00= = =1,25
X 99 8
1
PA= =0,8
1,25
O que indica que nosso poder de compra caiu 20% em 2000 em relao a 1999.
3.5 Exercicios
1. Os preos ao varejo do zinc (em ctvs/libra) nos EE.UU. Durante 1978 1984 os quais
se apresentam na seguinte tabela:
61
Ano 1978 1979 1980 1981 1982 1983 1984
Preo medio do zinc ao varejo 31 37.3 37.4 44.6 38.5 41.4 48.6
a) Com 1978 como base, calcular as relaes de preos correspondentes aos anos
1982 y 1984.
b) Com 1980 como base, calcular as relaes de preos correspondentes aos anos
dados.
Determinar:
3. Com referncia a tabela, e usando 1998 como ano base, calcular os relativos simples de preo, quantidade e
valor para: o papel tamanho carta b) os blocos de taquigrafia c) os marcadores d) os clipes
4. A companhia Beyer quer conhecer o valor econmico que tem as incapacidades por doenas que outorga a sus
funcionrios cada trimestre. Os registros da companhia tm o nmero de dias de incapacidade tomados cada
62
trimestre junto com a estimao do custo de tales dias para a companhia. Este valor muda de um trimestre a
outro. Formule um ndice de valor para Beyer com base nos dados do ltimo trimestre. Os dados so:
1 198 125
2 258 112
3 178 132
4 205 122
5. A companhia Bee Wye quer um ndice de valor para as geladeiras que envia a seus clientes. apresentada a
continuao o nmero de geladeiras que enviou junto com o preo pagado por seus clientes, para cada ms.
Calcular um ndice de valor para a companhia utilizando janeiro de 2003 como perodo base.
Fevereiro 89 342
63
1998 0.96 1.25 2.93
9. Uma empresa de pesquisa de mercados fez um estudo sobre una amostra de 200
lojas dedicadas a venda de fornos microondas obtendo-se os seguintes resultados:
Vendas Mensais (centos de Reais) N de Lojas N de Fornos Microondas
100-140 24 16
140-180 50 34
180-220 72 58
220-260 30 146
260-300 16 104
300-340 8 42
Pesquise e
10. Dada as estatsticas de preos do quilo de quatro frutas, obter os ndices simples
considerando o ano base os preos de 1992.
Ano Laranja Banana Quiui Manga
11. Considerando os seguintes preos (p) e quantidades (q) dos produtos A e B para os
anos 1991 y 1992
PRODUTO A PRODUTO B
p q p q
64
1991 5 6 4 3
1992 6 7 6 4
12. A tabela 1 seguinte coleta os preos (p) e quantidades (q) dos artculos A, B y C
TABELA 1
Anos A B C
p q P Q p q
1984 1 2 1 3 2 2
1985 2 3 3 3 4 5
1986 4 4 4 5 5 6
Esta tabela 1 supe a base para a obteno do ndice necessrio para deflactar a serie da
tabela 2 que representa o consumo de uma determinada comunidade. Obter a serie da
tabela 2 em reais constantes de 1984.
TABELA 2
Anos Milhes de reais
1984 46500
1985 50000
1986 55000
13. A tabela seguinte apresenta as rendas recebidas anualmente por um obreiro em reais
correntes para o perodo 1984-1986, assim como o I.P.C. (ndice do Preo ao
Consumidor), tambm durante esse perodo.
Ano Rendas I.P.C.
1984 80.000,00 100
1985 90.000,00 105
1986 100.000,00 130
Calcular una serie de rendas que permita comparar a evoluo do poder aquisitivo do
obreiro, em reais constantes de 1986.
14. As rendas salariais de uma famlia e os correspondentes valores dos ndices de preos
foram:
65
1987 1400000 130
66
CAPTULO 4: Medidas de Concentrao
Economica
Objetivo: Em este capitulo, se apresenta em forma resumida a quantificao dos
principais medidas de concentrao econmica.
Alguns exemplos:
a) Distribuio de horas extraordinrias entre os funcionrios de uma empresa.
b) Distribuio do total investido em fundos de investimento entre as distintas
gestoras de patrimnio.
c) Grau de concentrao das ausncias ao trabalho.
d) No mbito financeiro: concentrao do volume de negociao diria entre os
distintos valores que conformam a bolsa de valores.
e) O nvel de desigualdade na distribuio das penses entre os pensionistas de
um pais.
f) O reparto do capital social de uma empresa.
Medida de Concentrao
67
Uma medida de Concentrao mede o grau de igualdade ou desigualdade na
distribuio total de valores de uma varivel. Indica o grau de equidistribuio da
varivel.
68
CAPTULO 5: Probabilidades
Objetivo: Em este capitulo, se apresenta em forma resumida a quantificao dos
processos aleatrios e a necessidade de identificar os comportamentos clssicos.
69
A2 = {(10,10), (14,6), (18,2), (20,0)}
A3 = {t1=90 min., t2=120 min., t3=80 min., t4=100 min., t5=110 min.}
n( A)
P ( A )=
n (S)
Exemplo 3.1: uma avaliao sobre o gosto de uma bolacha da empresa XXX, foi
conduzida, as possveis pontuaes para avaliar o gosto da bolacha foram 1, 2, 3,
4 e 5, se pegamos a duas pessoa aleatoriamente e solicitamos avaliar a bolacha,
qual ser a probabilidade de que eles avaliaram com uma nota mdia de:
a) 3,5 b) 4,5
Soluo:
Agora temos que identificar qual o espao amostral, notemos que cada um dos
avaliadores s podem avaliar com os valores 1, 2, 3, 4 e 5, ento o espao
amostral estar formado por:
[ ]
(1,1) (1,2) (1,3) (1,4) (1,5)
(2,1) (2,2) ( 2,3) (2,4) (2,5)
S= (3,1) (3,2) ( 3,3) (3,4) (3,5)
( 4,1) (4,2) ( 4,3) (4,4) (4,5)
(5,1) (5,2) (5,3) (5,4) (5,5)
70
Definimos o evento A = {(2,5), (3,4), (4,3), (5,2)}, notemos que em todos os
casos a mdia desses dois nmeros sempre 3,5, neste caso observamos 4
casos possveis, ento a probabilidade dada por:
n( A) 4
P ( A )= = =0,16=16
n (S) 25
Isto quer dizer que se extramos duas pessoas ao acaso para avaliar a bolacha
em estudo, espera-se que o 16% dos casos tenha uma avaliao mdia de 3,5.
n( A) 2
P ( A )= = =0,08=8
n (S) 25
Isto quer dizer que se extramos duas pessoas ao acaso para avaliar a bolacha
em estudo, espera-se que o 8% dos casos tenha uma avaliao mdia de 4,5.
Definimos o evento A = {(2,1), (3,1), (3,2), (4,1), (4,2), (4,3), (5,1), (5,2), (5,3),
(5,4)}, notemos que em todos os casos a nota do primeiro avaliador sempre
superior a nota do segundo avaliador, neste caso observamos 10 casos possveis,
ento a probabilidade dada por:
n( A) 10
P ( A )= = =0,40=40
n (S) 25
Isto quer dizer que se extramos duas pessoas ao acaso para avaliar a bolacha
em estudo, espera-se que o 40% dos casos a nota do primeiro avaliador ser
maior a nota do segundo avaliador.
71
Suponha que seja realizado um experimento n vezes (n grande, n maior a 50) e o
evento A ocorra exatamente r n vezes. Ento, a freqncia relativa de vezes
r
que ocorreu o evento A,
fr A =
n , a estimao da probabilidade que ocorra o
evento A, ou seja,
r
P ( A )=
n
r
Essa estimao da probabilidade por freqncia relativa de um evento A, n ,
r
P ( A )=lim fr A =lim
n n n
fi fr i Fi Fri
i Intervalo
1 2500 |- 2550 7 7% 7 7%
2 2550 |- 2600 8 8% 15 15%
3 2600 |- 2650 8 8% 23 23%
4 2650 |- 2700 12 12% 35 35%
5 2700 |- 2750 8 8% 43 43%
6 2750 |- 2800 10 10% 53 53%
7 2800 |- 2850 14 14% 67 67%
8 2850 |- 2900 9 9% 76 76%
9 2900 |- 2950 12 12% 88 88%
10 2950 |- 3000 12 12% 100 100%
Total 100 100%
72
3.1.2 Definio Axiomtica
As definies anteriores so puramente empricas ou experimentais, no entanto,
aps estabelecer uma forma de se determinar a probabilidade
experimentalmente, pode-se deduzir leis ou propriedades da probabilidade em
forma lgica ou computacional sob certas suposies chamadas de axiomas da
probabilidade.
Axioma 1. 0 P(A) 1
Axioma 2. P(S) = 1
Axioma 3. Se A1, A2, ... , An, foram eventos mutuamente exclusivos, isto ,
(AiAj = para todo ij), ento
P(AB)=P(A) + P(B)
Teoremas:
73
Como neste caso todas as possveis ocorrncias dependero do total de
entrevistados, ento o espao amostral de 800, e o evento estar a favor do
governo depois das eleies de 182, ento:
182
P ( estar a favor do governo depois das eleies )= =0,2275=22,75
800
P ( A B)
P ( A|B )= , sendo P ( B ) >0
P(B)
1. P(|B) = 0
2. Se A S, ento
74
Para encontrar a soluo podemos apresentar dois mtodos:
Como A = {(2,5), (3,4), (4,3), (5,2)} ento temos 4 valores, o espao amostral
4
para este problema tem 25 valores, ento
P ( A )=
25 , como B= {(2,1), (3,1),
10
(3,2), (4,1), (4,2), (4,3), (5,1), (5,2), (5,3), (5,4)}, ento
P (B)=
25 , observamos
2
que AB={(4,3),(5,2)}, ento
P ( A B)=
25 .
Desta forma:
2
P ( A B) 25 2
P ( A|B )= = = =20
P(B) 10 10
25
Mtodo 2: Analtico
n( A) 2
P ( A|B )= = =20
n(S=B) 10
Como
P (A B)
P ( A|B )=
P( B)
Ento
P ( A B ) =P ( A|B ) P ( B )=P(B A) P( A)
8 7
P ( Bom 1 Bom2 ) =P ( Bom1 ) P ( Bom2|Bom1 )= =42,42
12 11
Isto quer dizer que existe um 42,42% de possibilidade de extrair dois peas boas
num lote de 12 peas com 4 peas defeituosas, quando extrado sem
reposio.
P ( A )=P( AB)
P ( B ) =P (B A)
P ( A B ) =P ( A ) P (B)
Bom
4 Def
Bom
8 Bom
4 Def
8 Bom
Notemos que extrair uma pea boa num primeiro momento no afeta o resultado
no segundo momento, isto :
76
8 8
P(
Bom 1 Bom2 =P ( Bom1 ) P ( Bom2 )= =44,44
12 12
Isto quer dizer que existe um 44,44% de possibilidade de extrair dois peas boas
num lote de 12 peas com 4 peas defeituosas, quando extrado com reposio
P( A i) P( BA i)
P ( A i|B )= n
P( Ai ) P(B Ai )
i=1
Para este estudo se escolhe uma sala e um aluno ao acaso, verificando-se que o
aluno de raa Branca. Qual a probabilidade de que o aluno extrado seja da
sala 2?
Soluo:
9
P ( S 1 )=P ( S 2 )=P( S 3)=
27
77
1 3 3
P ( Branca|S 1) = , P ( Branca|S 2 )= , P ( Branca|S 3 )= ,
9 9 9
P(S 2) P(BrancaS2 )
P ( S 2|Branca ) =
P ( S1 ) P ( Branca|S1 ) + P ( S 2 ) P ( Branca|S 2 ) + P(S 3 ) P (BrancaS 3)
9 3
27 9
P ( S 2|Branca ) = =0,4285
9 1 9 3 9 3
+ +
27 9 27 9 27 9
Preto
3/9
1/9 Branca
S1 5/9
Pardo
9/27
4/9 Preto
3/9 Preto
S3 3/9
Branca
3/9 Pardo
3
27 3
P ( S 2|Branca ) = = =0,4285
7 7
27
3.6. Exerccios
1. Uma urna contem 5 bolas brancas, 4 vermelhas e 3 negras. Outra contem
5 brancas, 6 vermelhas e 7 negras. Extrai-se uma bola de cada urna. Qual a
probabilidade que todas sejam da mesma cor?
78
2. Um armrio contm dez pares de sapatos. Quatro sapatos so
selecionados ao acaso. Determine a probabilidade de que exista pelo menos
um par dentre os quatro sapatos selecionados.
79
10. Trs empacotadoras foram utilizadas em uma loja de brinquedos no
perodo de Natal. Maria, que empacota o 40% de todos os brinquedos,
esquece de tirar a etiqueta do preo do brinquedo em 1 de 50 possveis;
Joana, que empacota o 30% de todos os brinquedos, esquece de tirar a
etiqueta do preo do brinquedo uma de 10 possveis, e Helena, que empacota
o restante dos brinquedos, esquece tirar o preo em 1 vez de 20 possveis.
Dado que um cliente reclamou da etiqueta do preo no presente de Natal.
Qual a probabilidade que Maria cometesse o erro?.
16. Todas as noites, o Senhor Perez chega tarde a casa. A Senhora Perez como
uma tima mulher deixa acessa a luz de entrada a casa. A probabilidade que
o Senhor Perez chegue a sua casa bbado de 0,6. Se chega bbado, existe
uma probabilidade de 0,90 que ele esquea desligar a luz da entrada de casa,
80
enquanto se ele chega no bbado a probabilidade de esquecer abaixa a
0,05.
b) Dado que o Senhor Perez desligo a luz numa certa noite. Qual a
probabilidade que ele chegue bbado?
81
CAPTULO 4: Variveis Aleatrias
Objetivos: Se apresenta neste capitulo as formas funcionais das probabilidades,
criando no aluno os conceitos de esperana matemtica.
X(s)
s
Soluo:
Ento podemos gerar a varivel aleatria X que pode tomar os valores seguintes:
82
Seja X uma varivel aleatria discreta. A probabilidade de que a varivel
aleatria X assuma um valor particular x, a funo de probabilidade de X que
se representa por P(X=x) ou simplesmente P(X), onde a propriedade principal :
P( X i)=1
Soluo:
Seja o espao amostral S={(Coroa, Coroa), (Cara, Coroa), (Coroa, Cara), (Cara,
Cara)}
Para que X=0 deve acontecer (Coroa, Coroa), desta forma a probabilidade dado
por:
1 1 1
P ( X=0 )=P ( Coroa1 ,Coroa 2 )=P ( Coroa1 ) P ( Coroa 2) = =
2 2 4
Da mesma forma
P ( X=1 )=P ( (Cara1 ,Coroa 2)(Coroa1 , Cara2) ) =P ( Cara 1) P ( Coroa 2 )+ P ( Coroa 1 ) P ( Cara2)
Ento
1 1 1 1 2
P ( X=1 )= + =
2 2 2 2 4
1 1 1
P ( X=2 ) =P ( Cara1 , Cara2 )=P ( Cara1 ) P ( Cara2 )= =
2 2 4
X 0 1 2
P(X=x) 1 2 1
4 4 4
83
representa o resultado obtido no primeiro dado e X 2 representa o
resultado obtido no segundo dado.
Soluo:
{ }
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
S= (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
( 4,1) (4,2) (4,3) (4,4 ) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Z 1 2 3 4 5 6
P(Z=z 1 3 5 7 9 11
) 36 36 36 36 36 36
f ( x ) dx=1
R
b
P ( a< X <b )= f ( x ) dx
a
Exemplo 4.4: Seja uma varivel aleatria contnua. Com a seguinte funo de
densidade de probabilidade:
{
f ( x )= 2 x para 0< x <1
0 outros valores
84
b) Qual o resultado de P(0,25< X< 0,75)
Soluo
1 1 2 2 2
P ( 0< x< 1 )= 2 xdx =2 x dx=2
0 0
x 1
2 0 | (
1 0 1
=2 =2 =1
2 2 2 )
Porem f (x) uma funo de densidade.
0,75 0,75
x 2 0,75 0,752 0,252 1
P ( 0,25< X <0,75 )= 2 x dx=2 x dx=2
0,25 0,25 2 0,25
=2 |2
2
=
2 ( )
E [ X ] == xi P(x i)
i
Soluo
85
Z 1 2 3 4 5 6
P(Z=z 1 3 5 7 9 11
) 36 36 36 36 36 36
Ento a mdia definida por:
1 3 5 7 9 11 161
E [ X ] ==1 +2 + 3 + 4 +5 +6 = =4,4722
36 36 36 36 36 36 36
Soluo
1 1 3 3 3
E [ X ] = x f ( x )dx= 2 x 2 dx=2
0 0
x 1
3 0| (1 0 1 2
=2 =2 = =0,6666
3 3 3 3 )
Propriedades da Mdia
b) Varincia
Var [ X ] = 2=E ( X )2
86
Var [ X ] = 2=E [ X 2 ] 2
Z 1 2 3 4 5 6
P(Z=z 1 3 5 7 9 11
) 36 36 36 36 36 36
Encontrar a varincia de X.
Soluo
2 2 1 2 3 2 5 2 7 2 9 2 11 791
E [ X ] =1 + 2 +3 + 4 +5 +6 = =21,9722
36 36 36 36 36 36 36
Soluo
1 1 4 3 3
E [ X ] = x f (x )dx = 2 x dx=2
2
0
2
0
x 13
4 0
=2
1 0
| (
1 2
=2 = =0,5
4 4 4 4 )
Como E [ X ] ==0,6666 , ento a varincia definida por:
Propriedades da Varincia
87
3. Somando-se ou subtraindo-se uma constante a uma varivel aleatria, sua
varincia no se altera.
Var ( X K )=Var ( X )
4. A varincia da soma ou diferencia de duas variveis aleatrias
independentes a soma das respectivas varincias.
Var ( X Y )=Var ( X )+Var (Y )
a) Distribuio de Bernoulli
P X=x =
( ) {
p x (1p)1 x x=0,1
0 de outro modo
E ( X )= p
Var ( X )= p(1p)
88
b) Distribuio Binomial
{( )
x
n p (1 p)nx x=0,1, , n
P ( X=x )= x
0 de outro modo
n!
Onde (nx)= x ! ( nx )! , sendo a mdia e a varincia definida como:
E ( X )=np
Var ( X )=np (1 p)
Soluo:
89
{( )
x
10 0,5 (10,5)10x x =0,1, , 10
P ( X=x )= x
0 de outro modo
c) Distribuio Hipergeomtrica
Suponha uma populao finita com N elementos, divididos em duas classes. Uma
classe com M (M<N) elementos (sucesso) e a outra com N-M elementos
(fracasso). Por exemplo, no caso particular de N peas produzidas, podem ser
consideradas as classes: M artigos defeituosos e (N-M) artigos no defeituosos.
P ( X=x )=
{
( Mx )( NM
nx )
N
(n)
x=0,1, , min { n , M }
0 de outro modo
M
E ( X )=n
N
M M
Var ( X )=n
N
1(N )( NN n
1 )
90
acaso 5 pedidos sem reposio obter a probabilidade de devolver
mais de 3 pedidos de crdito.
Soluo
{
( 4x )(5x6
) x=0,1, , min {5,4 }
P ( X=x )=
(105 )
0 de outro modo
4 6
P ( X >3 )=P ( X =4 )=
( 4 )( 1 )
=0,0238
10
(5)
x N ( , 2)
91
O problema deste tipo de distribuio que a funo de probabilidade depende
da mdia e desvio padro em cada analise que voc tenha a fazer, uma forma de
eliminar esse problema e determinar valores de probabilidade que no dependa
de componentes, ento uma soluo a padronizao, esta se faz do modo
seguinte:
x
Z=
Propriedade da Simetria:
92
Uso das Tabelas da Distribuio Normal Padro
93
Soluo
P ( 0,180,2024
0,0363
<
X 0,250,2024
<
0,0363 )=P (0,62< Z <1,31 )
Graficamente temos
94
Notemos que mediante a propriedade da simetria temos que P(Z<-
0,62)=P(Z>0,62). Agora P(Z<0,62) se pode-se encontrar na tabela no anexo I,
seu valor P(Z<0,62)=0,7324, se queremos calcular P(Z>0,62), temos que fazer:
Ento
b) Distribuio t-student
Definida por:
x
t=
S
n
x t (n1)
95
Os valores de t dependem do nvel de significao e dos graus de liberdade. A
tabela t de student que se encontra no anexo II traz o valor da rea de cauda que
fica a direita de t. A distribuio t de student tambm simtrica em torno da
mdia zero, de modo que s precisamos um lado da curva.
Soluo
96
Ento o valor de T para uma probabilidade de 90% t=1,397.
( n1 ) S2
2=
2
x 2(n1)
97
2 2
cauda que fica a direita de . Como se pode observar a distribuio no
uma distribuio simtrica.
d) Distribuio F de Snedecor ( F )
Usamos a distribuio F para comparar varincias que tem origem numa mesma
populao. Esta comparao feita por meio da razo entre as varincias a qual
gera um valor de F e este ser comparado com o valor de F tabelado
considerando os respectivos graus de liberdade
S21 22
F= 2 2
S2 1
98
x F(n 1 ;n 1)
1 2
99
n11 ; n21
1
()
n21 ; n11
()
F
4.6 Exerccios
1. Para participar num jogo o jogador deve pagar R$ 2,00. O jogo consiste
arremessar dois dados e se a soma pelo menos 8, o jogador poder lanar
um dado e se pagar R$ 1,00 por cada ponto que ele faa com o dado
(Exemplo: se obtm o numero 4 receber R$ 4,00). Que quantidade de
dinheiro o jogador espera ganhar em este jogo?
4 0,5
5 0,4
6 0,1
100
R$ 0,10 por unidade. Quantas unidades devem ordenar o comerciante para
maximizar sua utilidade esperada?
d2
{
k d=1,2,3,4,5
P ( d )= 16
0 de outro modo
a) Obter o valor de k
{
1
x0 x
2
f ( x )=
1
5 x 2 x 1
2
Calcular
a) E(x) e
b) E( x4)2
{
x
0 x 6
f ( x )= 18
0 de outro modo
101
9. Calcular P( - 2 < X < + 2), onde X uma varivel aleatria com funo
de densidade:
f ( x )= {
6 x (1x) 0 x 1
0 de outro modo
b) Vale a pena ento gastar R$ 1,00 em um envelope para enviar uma etiqueta
ao programa de TV?
102
5. Inferncia Estatstica
Objetivo: Apresentar as ferramentas estatsticas que permitam ao aluno
identificar o tamanho da amostra, fazer analise sobre um problema dado.
X
Z=
n
103
2
Observao: No caso que no seja conhecida, podemos considerar uma
amostra piloto com a finalidade de ter uma idia da variabilidade do
experimento.
Soluo
Z 2 2,33 2 2
n= ( )
d
2=
0,5 ( )
4 =347,4496
^p P
Z=
p (1 p)
n
experimento, ento:
2
Z
n= ()d
p(1p)
104
Lembremos que p a proporo de ocorrer um evento em particular, quando
Soluo
Como temos uma confiana de 95%, ento P(Z<z)=0,975, ento na tabela temos
que esse valor Z=1,96, ento
Z 2 1,96 2
n= ( )d
p ( 1 p )=
0,02 ( )
0,2 0,8=1.536,64
N n
N1
X
Z=
2 N n
(
n N 1 )
Ento o tamanho da amostra definido por:
Z2 2 N
n=
d 2 ( N1 ) + Z 2 2
105
Soluo
Z2 2 N 2,332 42 500
n= = =205,2394
d 2 ( N1 ) + Z 2 2 0,52 499+ 2,332 4 2
^pP
Z=
p (1 p) Nn
n (N 1 )
Novamente podemos considerar ( ^p P ) =d , como o grau de preciso do
experimento, ento:
Z 2 Np(1 p)
n=
d 2 ( N1 ) + Z 2 p(1 p)
Soluo
106
afirmarmos que, por exemplo 95% das vezes o intervalo ^ 1 << ^ 2 contem ,
a) Quando 2 conhecido
X
Z=
n
IC ( ) = X Z
(1 )
2 n
Desta forma,
LIC ( ) = XZ
(1 )
2 n
+Z
LSC ( )= X
(1 )
2 n
107
a 2,0 forneceu uma mdia amostral de 35,6. Construir um intervalo
de confiana de 95% para a mdia dessa populao.
Soluo
Z =Z( 0,975)=1,96
Como a confiana de 95%, ento (10,052 ) , desta forma
2
IC ( ) =35,6 1,96
100
Ento
2
LIC ( ) =35,61,96 =35,208
100
2
LSC ( )=35,6+ 1,96 =35,992
100
Isto indica que se o experimento fosse feito 100 vezes 95 deles a mdia
populacional encontra-se no intervalo de 35,208 a 35,992.
2
b) Quando desconhecido
x
t=
S
n
S
IC ( ) = X t (n1)
n
Desta forma,
(n 1 ) S
LIC ( ) = Xt
n
+t (n1) S
LSC ( )= X
n
108
Exemplo 5.6: Considerando-se que uma amostra de 4 elementos extrada de
uma populao aproximadamente normal, forneceu uma mdia
amostral de 8,2 e um desvio padro de 0,40. Construir um intervalo
de confiana de 99% para a mdia dessa populao.
Soluo
t (3 ;0,005)=5,841
Considerando a tabela II, temos que , desta forma
0,4
IC ( ) =8,2 5,841
4
Desta forma,
0,4
LIC ( ) =8,25,841 =7,0318
4
0,4
LSC ( )=8,2+5,841 =9,3682
4
Isto indica que se o experimento fosse feito 100 vezes 99 deles a mdia
populacional encontra-se no intervalo de 7,0318 a 9,3682.
p( 1 p)
varincia dada por , sendo n ^p 5 e n(1 ^p ) 5 , pode-se em
n
109
^p P
Z=
p (1 p)
n
IC ( )= ^p Z
(1 )
2 ^p (1 ^p )
n
Onde
LIC ( )= ^p Z
(1 )
2 ^p (1 ^p )
n
LSC ( )=^p + Z
(1 )
2 ^p (1 ^p )
n
Soluo
35
n=1.000 , ^p= =0,035 Z (0,975)=1,96
Dados 1000 e , ento
IC ( )=0,035 1,96
0,035 0,965
1000
Desta forma
LIC ( )=0,0351,96
0,035 0,965
1000
=0,023609
LSC ( )=0,035+1,96
0,035 0,965
1000
=0,046391
Isto indica que se o experimento fosse feito 100 vezes 95 deles a proporo
populacional encontra-se no intervalo de 0,023609 a 0,046391.
110
5.2.2. Intervalos de Confiana para uma varincia populacional
2
Como a varincia esta associada a distribuio Qui-quadrado (n1) , do modo
seguinte
( n1 ) S2
2=
2
Ento
( n1 ) S 2
IC ( 2 )=
2
( n1 ) S 2
LIC ( 2 )=
22
( n1 ) S 2
LSC ( 2)=
21
111
Encontre o intervalo de confiana para a varincia populacional considerando
95% de confiana.
Soluo
2 2
Ento 1=3,2470 e 2=20,4832 , desta forma o intervalo de confiana estar
dado por
10 8
LIC ( 2 )= =3,90564
20,4832
10 8
LSC ( 2 ) = =24,63813
3,2470
Isto indica que se o experimento fosse feito 100 vezes 95 deles a varincia
populacional encontra-se no intervalo de 3,90564 a 24,63813.
112
Ho: = 0 Ho: 0 Ho: 0
Ha: 0 Ha: < 0 Ha: > 0
Teste de duas
caudas ou
Bilateral
Onde corresponde ao parmetro populacional, podendo ser e 2. Neste caso o
Teste de uma
cauda ouvalor de 0 se assume como verdadeira e se mantm em toda a expresso.
Unilateral
b) Nvel de Significncia.
Esta definio esta associada ao tipo de erro que se este cometendo, sendo
os possveis os seguintes:
A nvel amostral
Aceitar Ho Rejeitar Ho
Ho Sem Erro Erro Tipo I
A nvel Verdade
Populacional 1-
Ho Falso Erro Tipo II Sem Erro
1-
O nvel de significncia significa cometer o erro tipo I, isto , Rejeitar Ho
quando na realidade Ho verdadeira, o controle deste tipo de erro de soma
importncia.
c) Teste Estatstico.
H 0 : a ; H 0 : < a ; ou H 0 : > a
A estatstica de teste
X
Z= N ( 0 ;1)
2
n
113
Para Hiptese
H 0 : =a ; H 0 : a ; ou H 0 : a
H 0 : a ; H 0 : < a ; ou H 0 : > a
A estatstica de teste
X
t= t (n1 )
2
S
n
H 0 : 2 a ; H 0 : 2 <a ; ou H 0 : 2 >a
A estatstica de teste
( n1 ) S2 2
2
= (n1)
2
2 2 2 2 2 2
H a : 1 2 ; H a : 1 < 2 ; ou H a : 1 > 2
A estatstica de teste
S21 22
F= F(n 1; n 1)
S22 21 1 2
114
Para uma Hiptese
H 0 : 1=2 ; H 0 : 1 2 ; ou H 0 : 1 2
H 0 : 1 2 ; H 0 : 1 < 2 ; ou H 0 : 1 > 2
A estatstica de teste
( X 1 X 2 )(12 )
t= t (n +n 2)
1 2
1 1
S 2p
( +
n1 n2 )
Sendo
2 ( n1 1 ) S 21+ ( n21 ) S 22
S =
p
n1+ n22
H 0 : 1 2 ; H 0 : 1 < 2 ; ou H 0 : 1 > 2
A estatstica de teste
( X 1 X 2 )(12 )
t= t
2 2
S S 1 2
+
n1 n2
Sendo
2 2
S1 S
t (n 1 )+ 2 t (n 1)
n1 1
n2 2
t =
S 21 S22
+
n 1 n2
d) Regra de deciso
115
d.1. Testes Bicaudais
/2 1- /2
Tab 1 Tab 2
Se considerarmos o grfico acima a regra de deciso estaria dado por
1-
Unilateral Direita
Tab 2
1-
Unilateral Esquerda
Tab 1
e) Concluses
5.3.2. Exemplo:
Num laboratrio so usados 2 voltmetros diferentes. Para analisar a calibrao
dos voltmetros consideraram-se medidas com a mesma fora de 100 volts para
cada voltmetro, obtendo-se os seguintes resultados:
Voltmetro
A B
117 115
116
120 110
114 116
119 115
115 114
118
123
a) Dados A = 2 Volts.
Ho: A = 119
H: A 119
= 0,05
X A A
Z Calculado
A
nA
/2 = 0,025 /2 = 0,025
117
-1,96 1,96
Se -1,96 ZCalculado 1,96 Se aceita Ho.
Passo 5: Calculo de Z.
118 119
Z Calculado 1,32288
2
7
Passo 6: Concluso.
Ho: B 115
H: B > 115
= 0,05
X B B
tCalculado ~ t( 4 )
SB
nB
118
Para saber qual deciso tomar se precisa do valor da distribuio t de student
t(4)
0,95
= 0,05
2,1318
Passo 5: Calculo de t.
114 115
tCalculado 0,95346
5,5
5
Passo 6: Concluso.
Ho: 2A 4
H: 2A > 4
= 0,01
n 1 S 2
2
Calculado ~ 2 (6)
2
119
Passo 4: Regra de Deciso
2(6)
0,99
= 0,01
16,8119
Se 2Calculado 16,8119 Se aceita Ho.
Passo 5: Calculo de 2.
6 (5,5)
2 Calculado 8,25
4
Passo 6: Concluso.
d1) Para este caso precisamos saber se existe similaridade nas varincias das
duas populaes, para isto fazemos:
Ho: 2A = 2B
Ha: 2A 2B
= 0,10
120
S 12 22
FCalculado ~ F( 6, 4)
S 22 12
/2 = 0,05 0,90
/2 = 0,05
1 4,53
0,1623
6,16
Se 0,1623 FCalculado 4,53 Se aceita Ho.
Passo 5: Calculo de F.
9,3333
FCalculado 1,69697
5,5
Passo 6: Concluso.
Ho: A = B
H: A B
= 0,10
121
t Calculado
X A
X B A B
~ t ( n A nB 2 ) t (10)
1 1
S P2
n A nB
onde
n A 1 S A2 n B 1 S B2
S P2
(n A n B 2)
t(10)
0,90
/2 = 0,05 /2 = 0,05
-1,8125 1,8125
Passo 5: Calculo de t.
(6)(9,3333) 4 (5,5)
S P2 7,8
(10)
(118 114) 0
t Calculado 2,4459
7,8 1 1
7 5
122
Passo 6: Concluso.
Ho: A = B
H: A B
= 0,10
t Calculado
X A
X B A B
~ t*
S A2 S B2
n n
A B
onde
S A2 S B2
t ( n 1) t ( n 1)
nA A nB B
t*
S A2 S B2
n A nB
0,90 0,90
/2 = 0,05 /2 = 0,05 /2 = 0,05 /2 = 0,05
123
Passo 5: Calculo de t.
(118 114) 0
t Calculado 2,5642
9,3333 5,5
7 5
Passo 6: Concluso.
5.4. Exerccios
1. Uma pesquisa amostral foi conduzida com o objeto de se estudar o ndice de
ausncia ao trabalho em um determinado tipo de indstria. Uma pesquisa
piloto foi conduzida, obtendo-se os seguintes resultados:
Faltas 0 1 2 3 4 5 6 7 8
Trabalhador 451 162 187 112 49 21 5 11 2
es
124
Baseado nestes dados estime o tamanho da amostra para o caso com ou sem
reposio, considere uma confiana de estimao de 95%, quando:
a) Que tamanho deve ter a amostra, para que o erro padro da media amostral
seja de 0,5. Considere uma confiana de 90%.
X 2 3 4 7 10 12 16 20 25 30 35 50 60 10
0
Fre 20 30 60 10 15 20 12 80 50 20 18 10 8 4
q 0 0 0 0
125
consiste em realizar 3 estratos segundo os critrios 2 X 7, 10 X 25 e
30 X 100. O mtodo II consiste em realizar 3 estratos segundo 2 X 10,
12 X 35 e 50 X 100.
Mquina 1 Mquina 2
Interval fi 87 145
o
85 3 94 98
95
95 11 82 135
105
115 21 123 85
125
125 24
135
135 13
145
145 8
155
155 5
165
126
c) A variabilidade apresentada na mquina 1.
d) A variabilidade apresentada na mquina 2.
e) A razo de varincias entre a mquina 1 e a mquina 2.
7.- Um professor de matemticas acha que dois turmas que ele ensina tem
medias de notas iguais a 7,5, para isto selecionou a 5 alunos da Turma 1 e 8
alunos da Turma 2, tomou uma prova de matemticas e obteve os seguintes
resultados:
X S2
8.- O peso dos pacotes de farinha de 1 Kgr. produzidos por uma fbrica uma
varivel normalmente distribuda com desvio padro de 0,01. Da produo de
determinado dia retirada uma amostra de 49 pacotes com peso mdio de
0,998 Kgrs. Pode-se afirmar ao 98% de confiana que o peso mdio dos
pacotes de farinha desse dia no est de acordo com o peso indicado?.
10.- De uma populao com varincia populacional 1,96 se extraio uma amostra,
sendo os valores os seguintes: 25,2; 26,0; 26,4; 27,1; 28,2; 28.4. Determinar
um intervalo de 90% de confiana para a mdia populacional.
127
11.- Uma amostra composta pelos seguintes elementos: 7, 7, 8, 9, 9, 9, 10, 11,
11, 11, 12, 13, 13, 14, 15, 15. Construir um intervalo de confiana do 95%.
12.- Qual o intervalo confidencial que conter com 90% a verdadeira varincia
X i X 2
i
de uma populao normal que resultou =700,8 e =23.436,80 de
uma amostra de 30 elementos?.
13.- Sabe-se que a variao das dimenses fornecidas por uma mquina
independem dos ajustes do valor mdio. Duas amostras de dimenses das
peas produzidas forneceram:
Podemos concluir que o tempo mdio necessrio para realizar essa operao
no deve exceder a 2 min, ao nvel de 5% de significao?.
128
16.- A distribuio de freqncias que segue representa uma amostra retirada de
uma populao aproximadamente normal. Ao nvel de 5% de significncia, h
evidencia de que o desvio-padro dessa populao seja diferente de 15?.
5,1 4,8 5,0 4,7 4,8 5,0 4,5 4,9 4,8 5,2
19.- Um produtor deseja obter peso especifico mdio de 0,8 Kg/dm 3 para certo
material necessrio sua linha de produo. Admitindo o produtor a
possibilidade de uma partida estar acima da especificao, quer saber se
poder, ao nvel de 5% de significncia, devolver a partida ao fornecedor. Para
tanto, colheu uma amostra de doze pores do material, a qual forneceu
mdia de 0,81 Kg/dm3 e desvio padro de 0,02 Kg/dm3. O fornecedor indica
como sendo de 0,01 Kg/dm 3 o desvio padro do peso especfico do produto.
Poderia concluir que se deve devolver a partida ao fornecedor?.
20.- Num estudo sobre o metabolismo de citrato no fgado foram tomadas foram
tomadas amostras da veia heptica de dez indivduos normais e amostras de
129
sangue arterial de outros dez indivduos normais, obtendo-se as seguintes
determinaes de citrato em cada amostra (em mg/ml):
Mdia Varincia
Mtodo I 53 6
Mtodo II 57 15
130
23.- Com o intuito de controlar a homogeneidade da produo de certas partes
no tempo, amostras semanais so retiradas da produo concorrente. Uma
primeira amostra de dez elementos forneceu uma mdia de 284,55 e desvio
padro de 0,320, ao passo que uma segunda amostra forneceu nas mesmas
unidades os seguintes valores:
Verifique se as resistncias mdias das duas marcas diferem entre si. Use
=0,05.
131
6. Analise de Regresso Linear Simples
e Correlao Linear
Objetivo: Estabelecer predies futuras de acontecimentos
passados com a finalidade de estabelecer decises.
6.1. Introduo
Em muitas pesquisas a chave para tomar decises depende do entendimento da
relao existente entre dois o mais variveis.
Nesta seo se estudar dos tipos de tcnicas:
1. Tcnicas de Regresso Que o processo de construir um modelo
matemtico que possa ser utilizado para predizer ou determinar uma
varivel por meio de outra.
2. Tcnicas de Correlao Correlao uma medida do grau da relao
linear entre duas variveis.
132
Exemplo: Suponha que se deseje desenvolver um modelo que nos permita
predizer o custo de voar um avio comercial. Primeiramente temos que
reconhecer que existem varias variveis que influem no custo de voar um avio
comercial. Por exemplo, o tipo de avio, a quantidade de passageiros, a
distancia, a quantidade de bagagem, as condies do tempo e a habilidade do
piloto entre outras.
Para simplificar o exemplo e reduzir o nmero de variveis X assumamos que s
se utilizaro avies Boeing 737, viajando 500 milhas em rotas comparveis e na
mesma temporada do ano.
Poderia se utilizar o nmero de passageiros para predizer o custo de voar um
avio comercial?
133
Y i= 0 + 1 X i+ ei
Onde:
Yi
= A varivel a ser modelada. Conhece-se como a varivel dependente ou
varivel resposta.
Xi
= a varivel regressora. Conhece-se tambm como a varivel
independente.
ei
= o componente do erro aleatrio.
0
= o ponto na qual a linha intercepta o eixo de (Y i).
1
= a quantidade pela que muda o componente determinstico de (Y i) por
Y^ i= ^ 0 + ^ 1 X i
Onde:
134
^ 0
o intercepto da amostra
^ 1
o coeficiente angular da amostra
^ 0 ^ 1
Para obter os valores de e temos que fazer a anlise dos quadrados
^ 0=Y ^1 X
X i Y in X Y
^ 1= i=1
n
X 21n X 2
i=1
135
No grfico se pode observar uma tendncia geral de (y) a ascender a medida que
(x) incrementa.
Y^ i= ^ 0 + ^ 1 X i
^ 0 ^ 1
Para o clculo de e consideramos as expresses apresentadas nas
136
n n
Y
i 1
i
10
X
i 1
i
15
Y 2 X 3
n 5 n 5
^ 0
Ento ser:
^ 0=2 ^ 1 3
^ 1
No caso de , precisamos obter os seguintes valores:
Y X
i 1
i i nY X 37 (5)( 2)(3) 37 30 7
X
2
i
2
n X 55 (5)(3) 2 55 45 10
i 1
^ 1
Ento obtido por:
X i Y in X Y 7
^ 1= i=1 = =0,7
n
10
X 21n X 2
i=1
Agora o valor de b0 :
Y^ i=0,1+0,7 X i
137
6.2.2 Teste de Hipteses sobre o Coeficiente Angular
^
Para saber se nossas estimativas respeito a 1 so adequadas devemos de
^ 1
estimativas respeito a .
ANOVA
Onde:
138
n 2
( Y i X in Y X ) n n
SQ Reg=
i=1
n
X 2i n X 2
= ^1 ( i =1
) (
Y i X i n Y X = ^ 21
i=1
X 2i n X 2 )
i=1
n
SQ Total = Y 2i n Y 2
i=1
=0,05
n 2
SQ Reg=
( Y i X in Y X
i=1
) =
(375 2 3)2 7 2
= =4,9
n
555 3 2 10
X 2i n X 2
i=1
n
SQ Total = Y 2i n Y 2=265 22=6
i=1
ANOVA
139
Como Fcalculado > Ftabular se rejeita Ho, com o que se concluiria que efetivamente
existe a pendente (1) em estudo.
^ 1 1
t= t (n2)
S ^1
Onde
QM Erro
S ^ = n
1
X 2i n X 2
i =1
Ho: 1 = 0
Ha: 1 0
-3,182 3,182
A amostra coletada dos passados cinco meses. O coeficiente angular da
^
amostra calculada ( 1 ) foi 0,70. A estatstica de teste ento:
QM Erro 0,37
S ^ = n
=
1
10
X 2i n X 2
i =1
0,700
t= =3,68
0,37
10
E (Y X ) Y t ( / 2, n 2 ) QM Erro
1
X 0 X 2
n n
X
2
i
2
nX
i 1
141
maior ser a relao linear entre ambas variveis e ao invs. Um valor de 1
representa uma relao linear perfeita e um valor de 0 representa uma falta de
relao linear entre ambas variveis.
R2 calculada por:
SQRe g
r2
SQTotal
4,9
r2 0,82
6,0
Este resultado indica que o 82% da variabilidade que experimenta (Y) pode ser
explicada por (X). O restante 18% atribuvel a outras variveis no inclusas na
anlise ou as variaes aleatrias.
r calculada por:
Y X
i 1
i i nY X
r
n
2
n
X
2
Yi 2 nY i
2
nX
i 1 i 1
142
r r2
Seu valor varia entre 1 e -1. Um valor igual a 1 o -1 implica uma relao linear
perfeita. Um valor igual a 0 implica que no h relao linear alguma.
6.4. Exerccios
1. Elabore um grfico com os seguintes dados:
143
5. A velocidade mxima de automveis Formula 1 com motores de mesma
potencia funo, entre outras variveis, do peso do veculo, no intervalo
entre 700 e 800 Kgs. Assim, verificou-se qual a velocidade mxima atingida
em uma reta de 1.200 m. Os resultados foram:
144
Bibliografia
[2] Botter, D.A. , Paula, G.A., Liete, J.G. e Cordani, L.k. (1996). Noes de
Estatstica. So Paulo:IME/USP.
145
ANEXO
TABELAS ESTATISTICAS
146
Anexo I: Distribuio Normal Padro
147
Anexo II: Distribuio T-Student
148
Anexo III: Distribuio Qui-Quadrado
149
2(gl)
151
Anexo VI: Distribuio F-Snedecor (p=0,025)
152
Anexo VII: Distribuio F-Snedecor (p=0,01)
153
Anexo VIII: Distribuio F-Snedecor (p=0,005)
154