ESTATÍSTICA

ESTATSTICA BASICA
Autor: Prof. Dr. Arturo Alejandro Zavala Zavala
Professor do quadro efetivo da Universidade Federal de Mato Grosso -

Faculdade de Economia.
Especialista em Estatstica Econmica, Modelos de Regresso, Series

Temporais, Pesquisa Operacional e Econometria.
Caros Alunos,
Um dos principais problemas no estudo e na pesquisa a interpretao dos

dados, quando levantamos informao o principal problema sua interpretao
prtica, mas essa interpretao no pode ser encontrada se o conhecimento
sobre os elementos de resumo e analise de dados no bem conhecida, o
presente trabalho pretende de forma muito simples responder a essa
necessidade, a Estatstica uma ferramenta bsica para qualquer cientfico, de
qualquer rea do conhecimento, entender que esta falando os dados de suma
importncia, s vezes alguns detalhes so deixado de lado simplesmente porque
no foi considerado num analise estatstico e logicamente esse descuido leva a
no apresentar a riqueza do trabalho que merece.
Este trabalho foi escrito com o intuito de apresentar ao aluno de Economia e em

geral a os alunos da rea social elementos da estatstica para serem aplicados
em seu dia a dia, assim como nas vastas pesquisas que vocs pretendem realizar
em sua rea de atuao.
A estatstica muitas vezes rejeitada pelos alunos pela suposta complexidade da

mesma, mas alem de ser uma ferramenta importante, se aplicado no dia a dia
pode ajudar muito ao individuo que o aplica, por exemplo, se cada dia que
fossemos a fazer compras anotssemos os gastos da compra e dos produtos,
aps um tempo digamos um ano, poderamos ter uma boa idia do
comportamento e dos costumes de nossas compras, muitas vezes podemos nos
surpreender pelos gastos que fazemos que as vezes (por no dizer a maioria dos
casos) so suprfluos, seja como seja, as estatsticas poderiam explorar qual
nosso perfil de gastos, como a gente poupa, quanto tempo dedicamos a estudar,
quanto tempo dedicamos a nossa famlia, quanto tempo nos dedicamos a nos
valorar e por a vai.
Convido a vocs a leitura deste trabalho e a aplicao podemos fazer em forma

conjunta.
Abraos e boa leitura.
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
1.1. Historia da Estatstica

Os origenes histricos da estatstica se encontram na coleta de dados,
censos e os registros sistemticos que as sociedades tinham para ajudar ao
governante, que precisava saber a riqueza e o numero de sbditos com fines de
tributao e politica.
Os primeiros registros encontram-se na populao Egipcia. Ramses II (1400

anos antes de Cristo) realizou o primeiro censo.
No sculo III antes de Cristo as civilizaes da China e Romana fizeram

censos e inventrios com a finalidade de obter dados demogrficos e
econmicos.
Na idade mdia Carlos Magno (742 814) ordenou a criao de um

registro de todos seus domnios e bens privados. No sculo XVII se produz
avanos consistentes na estatstica, John Graunt (1620 1674) chega a estimar a
taxa de mortalidade para a populao de Londres. Sir William Petty (1623 1687)
props a criao do departamento de Estatstica onde se rene informao de
carter demogrfico, de recaudao de impostos, educao e comercio. Desta
forma surge a necessidade da disponibilidade da Informao, isto , os dados se
constituem na matria prima da Estatstica.
Nos sculos XVII e XVIII os matemticos como Daniel Bernoulli (1700

1782), Francis Meseres (1731 1824), Joseph Louis Lagrange (1736 1813),
Pierre Simon Marquis de Laplace (1749 1827) desenvolveram as teorias de
probabilidades.
A palavra Estatstica foi proposta pelo professor da Universidade de

Gotinga (1976) Godofredo Achenwall, do italiano Statista (Estatsta). Jacques
Qutelect (1835) foi o primeiro que aplicou a estatstica as Cincias Sociais. No
perodo de 1800 a 1820 foram desenvolvidos dois conceitos matemticos
fundamentais para a teoria estatstica, a teoria dos erros da observao
apresentada por Laplace e Gauss e a teoria de Mnimos Quadrados desenvolvida
por Laplace, Gauss e Legendre.
Ao final do sculo XIX Sir Francis Glatn (1822-1911) formulou o mtodo

conhecido por Correlao, que tinha por objetivo medir a influencia relativa dos
fatores sobre as variveis, daqui surgiu o conceito de coeficiente de correlao
desenvolvida por Karl Pearson (1857 1936). Galton e Pearson so considerados
os pais da estatstica moderna, devido a que eles permitiram desenvolver a
estatstica dedutiva e a estatstica inductiva.
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.
Devido a apario da computadora, a estatstica toma outro rumbo

desplazando-se a tcnicas de computao intensivas aplicadas a grande masas
de dados.
As aplicaes economia conduzem a disciplinas com contedo prprio

como a Econometria. A Pesquisa Estatstica em problemas militares durante a
segunda guerra mundial e novos mtodos de programao matemtica, deram
lugar a Pesquisa Operativa.
1.2. Conceito de Estatstica

Uma pergunta que o aluno faz ao iniciar um curso de estatstica
justamente O que estatstica? e a resposta no to fcil para responder, a
continuao algumas respostas usualmente colocadas: A palavra estatstica esta
associado ao estado e que a idia de administrar, A estatstica tem a ver com
pesquisa de opinio, A estatstica tem o objetivo de analisar comportamentos
passados para predizer eventos futuros.
Bom, estas possveis respostas no esto muito longe de uma definio

formal, mas antes meditemos um pouco, para fazer uma pesquisa de opinio
precisamos de dados, ou seja, de informao base, com isto procedemos a
organizar-la ou resumir-la, depois analisamos os resultados com o objetivo de
tomar alguma deciso respeito da pesquisa em estudo.
Ento uma definio formal poderia ser:
A estatstica uma cincia que se fundamenta nas

teorias das probabilidades, sendo sua definio
tradicional a de coletar, organizar, resumir e
apresentar dados numricos, servindo no auxlio da
toma de decises ou de tirar concluses em situaes
de incertezas.
Ento a estatstica permite analisar situaes onde possvel medir,

medio objetiva, por exemplo, estatura de uma pessoa em cm, assim como
tambm em situaes onde a medio de carter subjetivo, por exemplo,
qualidade de uma pessoa.
Sendo assim, podemos entender que a estatstica se pode dividir em dois:

(a) As Paramtricas que correspondem a aqueles problemas onde as medies
so necessrias para seu analise, por exemplo, numero de clientes que adquirem
um produto, neste caso o parmetro podia se definir como o verdadeiro numero
de clientes que adquirem um determinado produto. (b) As No Paramtricas que
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.
Por seu nvel de avaliao a Estatstica se pode dividir em: a) A Estatstica

Descritiva, que se caracteriza por descrever os diferentes fenmenos ou estudos,
esta a primeira atividade que todo pesquisador deve fazer para conhecer o
comportamento do problema em questo, b) A Estatstica Inferencial, que se
dedica a analise de uma ou mais variveis, este tipo de analise aprofunda mais o
estudo da problemtica em questo.
1.3. Conceitos Bsicos na Estatstica

A) Populao
O Conceito da populao proveem do termo latino populatio. Seu uso

habitual faz referencia ao grupo formado pelas pessoas que vivem num
determinado lugar. Os bilogos identificam a populao como o conjunto de
indivduos pertenecentes a uma mesma espcie e que habitam numa mesma
localidade geogrfica. Para a demografia a populao o estudo das populaes
humanas. Para o economista a populao se refere ao conjunto de pessoas que
contribuem economicamente com a sociedade.
Em geral na Estatstica se pode entender que Populao um conjunto de

elementos com caractersticas comuns e que devido a sua importncia so
sujeitos a estudos.
Exemplo: Todos os alunos inscritos no curso de Economia do Campus de

Cuiab da Universidade Federal de Mato Grosso - UFMT.
Observemos aqui que com esta definio a populao restrita a um

grupo especifico de estudo, no podemos integrar como parte desta populao a
alunos de um curso de Economia, por exemplo, do Campus de Rondonopolis da
UFMT.
B) Amostra
Conhecida naturalmente como a parte extrada de um conjunto que

considerada como uma poro representativa do conjunto maior. Na estatstica
conhecida como aquele subconjunto da populao que se esta estudando.
Dependendo como coletada a informao a amostragem pode se dividir em:
B1) Amostragem Aleatria
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.
Exemplo: Se deseja estudar o salario dos funcionrios da empresa A

Economica S.A.; desta forma a populao estar definida por todos os salrios
que so funcionrios da empresa A Economica S.A., a amostra poderia ser 100
funcionrios da empresa.
B2) Amostragem Determinstica ou Conveniencia
Este tipo de amostragem se caracteriza porque a coleta direcionada pelo

pesquisador, em outras palavras, o pesquisador identifica que elementos da
populao interviessem na amostra. Sob este tipo de amostragem as concluses
no podem ser estendidas para a populao.
Exemplo: Imaginemos que desejamos estudar os aspectos socieconomicos

dos pescadores ribeirinhos de Pocon, devido a que sua profisso pescar nossa
amostra pode ser 100 pescadores ribeirinhos, mas que no estem em pesca para
poder entrevistar.
C) Unidade Elemental
Chamada tambm de Unidade Populacional se ela pertence a um elemento

da populao ou de Unidade Amostral se ela pertence a um elemento da
amostra, em ambos dos casos ser definida como aquela unidade de onde ser
extrada informao relevante para a pesquisa.
Exemplo: Um cliente assduo da empresa A Economica S.A..
Que perguntas se-pode fazer a este Cliente?
8
D) Varivel
Em estatstica o conceito de Varivel um pouco diferente que a proposta

pelas matemticas, sendo assim se pode definir como aquela caracterstica que
extrada da unidade elementar (amostral ou populacional). Usualmente so
questes que se deseja entender com o proposito de ter alguma vantagen em
relao a concorrncia.
Exemplos: No caso da empresa A econmica S.A., algumas perguntas

poderiam ser interessantes aopontar, como: Que quantidade de dinheiro poder
gastar o cliente? Desta forma a varivel pode-se definir como a quantidade de
dinheiro disponvel. Quantos produtos ser que o cliente precisa? Desta forma
a varivel poder definir-se como quantidade de produtos. Ser que o cliente
gosta da cor vermelho? Ento a varivel a ser considerada ser tipo de cor de
preferencia. Qual ser o grau de Instruo que tem o cliente? Ento a varivel a
ser definida ser Grau de Instruo da pessoa.
No exemplo ento temos 4 variveis definidas: Quantidade de dinheiro

disponvel, Quantidade de Produtos, Tipo de Cor de preferencia e Grau de
Instruo da pessoa.
A partir deste exemplo podemos identificar que existem dois tipos de

variveis:
D1) Variveis quantitativas
So aquelas caractersticas cuja representao feita a traves de

nmeros, por exemplo: Quantidade de dinheiro disponvel e Quantidade de
Produtos.
9
Este tipo de varivel pode se subdividir em dois tipos:
Variveis quantitativas discretas

nmeros inteiros, isto , eles apresentam um nmero finito ou infinito
numervel de possveis elementos, por exemplo: Quantidade de Produtos.
Em essncia podemos sinalizar que existem 1, 2, ... , n produtos, onde n
um valor finito, isto , pode tomar o valor de 100, mas nada impede que
possa tomar o valor de 1 bilho neste caso n sera infinito numervel.
Variveis quantitativas contnuas

nmeros que pertencem aos nmeros reais, isto , eles apresentam um
numero infinito no numervel de possveis elementos, por exemplo:
Quantidade de dinheiro disponvel pelo cliente. Neste caso podemos
indicar que disponibilizamos de R$ 800,00 para as compras, mas
poderamos disponibilizar R$ 801,01 para as compras, observemos que
entre R$ 800,00 a R$801,01 existem infinitos nmeros possveis, isto ,
podemos ter R$ 800,39 para as compras e qualquer outro possvel
nmero.
Notemos tambm que a varivel quantitativa contnua na maioria dos

casos apresenta unidade de magnitude, diferente das variveis quantitativas
discretas que tem uma representao absoluta.
D2) Variveis qualitativas
Este tipo de variveis se caracteriza por mostrar as qualidades presentes

na unidade elementar, isto , o valor que toma a varivel no representado em
forma numrica, por exemplo: Tipo de cor de preferencia e Grau de Instruo da
pessoa. Esta varivel pode ser dividida em duas:
Variveis qualitativas Hierrquicas ou Ordinais

So aquelas cujo valor apresenta uma estrutura de ordem, por exemplo:
Grau de Instruo da Pessoa, Tipo de Cor de preferencia. Indicamos que
existe uma estrutura de ordem porque no a mesma coisa uma pessoa
de segundo grau com aquele que estudo a universidade ou quem estudo
ps-graduao, no caso do Tipo de Cor de Preferencia quando o cliente
escolha a Cor ele ter uma ordem maior que qualquer outra cor, ento se
evidencia uma Hierarquia de preferencia.
Variveis qualitativas Nominais

So aquelas cujo valor no tem estrutura de ordem, por exemplo: Nome
do Cliente, se ele se chama Joo ou Jos, no poderamos dizer que o
nome Joo mais importante que Jos, o mesmo acontece no caso do
sexo, o sexo masculino no mais importante que o feminino.
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
So valores que caracterizam a uma populao. Por exemplo: Se a

empresa A Economica S.A. estimula a seus funcionrios para conseguir vendas
de R$ 100.000,00 por semana, ento esse valor sugerido ser o parmetro de
funcionamento da empresa, em outras palavras, ser o alvo a serem alcanzado
pela empresa.
G) Estimador
aquele valor que se pretende aproximar ao parmetro, isto , como

sabemos se estamos atingindo a meta de vendas de R$ 100.000,00 por semana,
ento bastar a partir de uma amostra aleatria observar se isto esta
acontecendo, ou algum outro mtodo de estimao oportuna. Por exemplo,
Poderiamos extrair as vendas das ultimas 3 semanas e observar como est a
situao da empresa por semana.
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.
Considerando a informao anterior identifique se possvel populao, amostra,

unidade Elemental, variveis, tipos de variveis, observao, parmetro e
estimador.
Populao: Todos os clientes da empresa Economica Ltda
Amostra: 50 clientes da empresa Economica Ltda
Unidade Elemental: 1 cliente da empresa Economica Ltda
11
Tabela 1.1.- Identificao das Variveis, tipos de Variveis e Observao
Parmetro: Vendas semanais das lmpadas (Desconhecido)
Estimador: 3000 lmpadas por semana.
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)
1.- Uma empresa dedicada construo de apartamentos deseja avaliar os

melhores lugares para construir novos prdios na cidade de Cuiab, para isto
considera 15 Bairros mais importantes da cidade e avalia o seguinte o nvel
social de cada lugar, a quantidade de famlias em torno ao lugar em estudo e
a distancia do lugar ao centro de Cuiab.
2.- Dois amigos com a finalidade de aprovar a matria de Probabilidade e

Estatstica I, foram Biblioteca da Universidade e com a finalidade de cobrir a
maior quantidade de temas s escolheram um grupo de 5 livros, eles queriam
observar se os livros tinham todos os tpicos que o professor apresentaria e o
nmero de paginas que eles tinham que estudar.
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.
4.- Num centro hospitalar de So Paulo se desejo avaliar o nmero de pacientes

com tuberculoses que solicitam ser atendidos no hospital, devido um nmero
grande de pacientes muitos deles so derivados para outros hospitais, de um
conjunto de 5.000 registro se coleto a idade do paciente o ingresso mensal
familiar, tempo de doena, nmero de filhos, lugar onde mora, grau de
instruo, estatura, peso, raa, religio.
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.
6.- Uma empresa dedicada a pesquisa de opinio, considerou uma amostra de

378 pessoas maiores de 16 anos numa cidade de Mato Grosso. O pesquisador
desejava extrair as seguintes informaes: Idade, Salrio Mdio Familiar,
Nmero de Filhos, Grau de Estudos, o candidato de preferncia.
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.
2.1. Organizao e Representao de Dados

2.1.1. Organizao de Dados qualitativos
Para elaborar uma tabela resumo para dados qualitativos s bastara
agrupar-los segundo a freqncia ou a proporo de cada categoria e
representados graficamente mediante barras horizontais ou verticais ou
diagramas circulares.
Exemplo 2.1: Da empresa Economica Ltda foram extrados 50 assduos

clientes, a os quais se perguntou sobre a qualidade da lmpada adquirida na loja,
os resultados se apresentam a continuao:
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
Para capturar estes dados utilizando o software R podemos fazer atravs

de dois comandos:
1. Incluso manoal dos dados
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")
Notemos que a sentencia x<-c("timo", ,"Pssimo") representa o

armazenamento dos dados qualitativos apresentados acima na varivel x.
2. Importao dos dados

Para isto devemos gravar no bloco de notas os dados acima numa pasta
que poderia ser dados R esta pasta poderia estar em C: com o nome
dados.txt, isto :
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:
a) Freqncia Absoluta ou Observada (

fi )
aquela que surge como o resultado da contagem das respostas obtidas

pela unidade Elementar, em nosso exemplo, pela opinio dos clientes sobre a
qualidade da lmpada produzida pela empresa Economica Ltda.
No Software R, para encontrar a frequncia absoluta de nossa base de

dados possvel mediante a seguinte instruo:
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
No software R, para encontrar a frequncia relativa bastar fazer as

seguintes instrues, no caso que se este importando os dados (ao considerar a
instruo read.table):
a) dim.dados<-dim(x)
b) n<-dim.dados[1]
c) frel<-y/n
c) Freqncias Porcentuais (
pi )
So aquelas que surgem ao converter a freqncia relativa em valores

porcentuais, seu calculo definido por:
pi=fri 100
15
Uma forma organizada em Excel pode ser apresentada do modo seguinte:
Tabela 2.1.- Distribuio das freqncias sobre a opinio dos clientes
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)
Figura 2.1: Distribuio da proporo da opinio sobre a qualidade das lmpadas
Uma outra representao grfica pode ser, considerando a sentencia no software

R:
> pie(y)
Figura 2.2: Distribuio da proporo da opinio sobre a qualidade das lmpadas
16
Uma caracterstica observada nesta empresa Economica Ltda, que a maioria
dos clientes encontra-se satisfeitos com a qualidade da lmpada.
2.1.2. Organizao de Dados quantitativos

A) QUANTITATIVO DISCRETOS
O processo para a elaborao de uma tabela com dados quantitativos discretos

similar ao de dados qualitativos a diferencia acontece s na definio da classe
na varivel discreta.
Exemplo 2.2: Na empresa Economica Ltda, se escolheram 40 funcionrios

perguntando o nmero de filhos, os resultados so os seguintes:
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
Novamente fazemos os mesmos procedimentos com o software R, sendo estes:
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:
Para encontrar a frequncia relativa quando os dados so includos pelo

teclado, bastar fazer as seguintes instrues no R:
a) n<- length(x)
b) freq<-y/n
Obtendo:
Desta forma os resultados podem ser organizados na tabela seguinte:
Tabela 2.2.- Distribuio de freqncias de nmero de filhos dos funcionrios
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
Um grfico apropriado para este tipo de dados poderia ser:
Figura 2.3: Distribuio da proporo de filhos de funcionrios.
B) QUANTITATIVO CONTINUO
Quando os dados em estudo so do tipo quantitativo contnuo, que assume

muitos valores distintos, conveniente agrup-los em intervalos de classe.
Mesmo correndo o risco de perder algum detalhe manifestado na ordenao de
valores individuais, h vantagem em resumir os dados originais em uma
distribuio de freqncia, onde os valores observados no mais aparecero
individualmente, mas agrupados em classe.
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
Quando se considera intervalos de classe de igual amplitude, o procedimento o

seguinte:
1. Deve-se estabelecer o nmero de intervalos de classe (k) que se vai utilizar.

Tal nmero recomendado que esteja entre 5 e 15. No existe uma regra fixar
para determinar o nmero timo de intervalos. O critrio do pesquisador tem
um papel importante na determinao do mesmo.
Para a construo da tabela de freqncias consideramos k=10 intervalos de

classe.
2. Determinar o comprimento ou amplitude (A) dos dados, isto ,
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
3. Determinar a Amplitude de Intervalo de Classe (TIC)
A 500
TIC= = =50
k 10
4. Elaborao dos intervalos em cada classe, para isto, devemos somar os

limites de cada classe o valor do TIC correspondente.
19
Algumas definies devem ser inseridas:
a) Freqncia Acumulativa Absoluta (

Fi )
Este tipo de freqncia permite identificar o comportamento de um grupo de

intervalos numa tabela de freqncias, seu calculo definido por:
Fi =f 1 + f 2+ + f i
ou
Fi =F i1 +f i
b) Freqncia Acumulada Relativa (

Fri )
Este tipo de freqncia relativa identifica o comportamento de um grupo de

intervalos numa tabela de freqncia, seu calculo definido por:
Fri =fr 1+fr 2+ +fr i
ou
Fri =Fri1 + fri
Fi
ou Fri =
n
'
c) Marca de Classe ( X i )
Representa o valor caracterstico de cada classe em estudo, seu calculo obtido

por:

limi
2
lim Inf i+
X 'i=
Por exemplo na classe 2, a marca de classe obtida por:
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
Desta forma a tabela de freqncia definida por:
Tabela 2.3.- Distribuio do tempo de vida (em horas) das lmpadas
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%
Para entender a tabela, temos que entender alguns de seus componentes:
f 6=10 : representa que na amostra se observou 10 lmpadas cujo tempo de
vida esta entre 2750 a 2800 horas.
F7 =67 : representa que na amostra se observou 67 lmpadas cujo tempo de
vida inferior a 2850 horas.
f 4=12 : representa que na amostra se observou 12% de lmpadas cujo tempo
de vida esta entre 2650 a 2700 horas.
Fr5 =43 : representa que na amostra se observou 43% lmpadas cujo tempo
de vida inferior a 2750 horas.
21
F6 F 4=18 : representa que na amostra se observou 18 lmpadas cujo tempo
de vida esta entre 2700 a 2800 horas.
Observao: Quando se tem uma tabela de freqncias e no os dados

originais, alguns valores impossvel obter a partir da tabela, nestes
casos necessrio fazer algum calculo que possa estimar o valor
desejado, a esta tcnica conhecida como INTERPOLAO.
Considerando a tabela 2.3, podemos apresentar alguns grficos importantes
1) Histograma de Freqncias
O grfico representa a distribuio de freqncia dos dados, e basicamente

descreve a relao entre os limites de cada classe ou as marcas de classe e as
freqncias, j seja absoluta ou relativa. Usualmente no eixo horizontal
(abscissas) se dispe os limites de cada classe e no eixo vertical (ordenadas) se
dispe as freqncias.
Figura 2.4: Histograma de Freqncias para o Tempo de vida das lmpadas
2) Polgono de Freqncias
Para construir o polgono de freqncias bastara unir no histograma de

freqncias os pontos mdios da marca de classe, obtendo o grfico seguinte:
22
Distribuio de Freqncia do tempo de vida de uma lmpada
120
100
80
60
Frequencia Observada
40
20
Limite Superior da C lasse
Figura 2.5: Polgono de Freqncias para o Tempo de vida das lmpadas
3) Polgono de Freqncias Acumuladas (Curva de Ogiva)
A construo de este polgono simples similar ao polgono anterior com a

nica diferena que no eixo das ordenadas considerada as Freqncias
Acumuladas, j seja absoluta ou relativa e no eixo das abscissas encontram-se os
limites de cada classe. Este polgono serve de referencia para a interpolao de
dados.

120
100
80
60
Frequencia Acumulada Absoluta 40
20
0
Limite Superior da Classe
Figura 2.6: Curva de Ogiva para o Tempo de vida das lmpadas
c) INTERPOLAO
um mtodo que permite construir um novo conjunto de dados a partir de dados

pontuais j conhecidos que servem de referencia. A interpolao pode ser linear
23
D
E
ou no, ser linear quando os incrementos entre os pontos se assumem

constantes, caso contrario se considera no linear.
C
B
Para conseguir a interpolao, deve-se considerar dois supostos importantes:
1) Os incrementos ao interior de uma classe constante, isto , supomos

X 43%
A linearidade em seus incrementos.
2) Uma interpolao possvel somente ao interior de uma classe, no valida

40 uma interpolao considerando como mais de uma classe.
50 10%
Para entender este conceito, ser considerada como exemplo a tabela 2.3, onde
se deseja encontrar a proporo de lmpadas com tempos de vida inferior a 2790
horas.
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
Limite Superior da C lasse
Figura 2.7: Identificao do Intervalo a Interpolar
Extraindo o triangulo temos:
Para a estimativa solicitada procedemos a utilizao da semelhana de

tringulos, da forma seguinte:
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.
2.2. Medidas Estatsticas

So valores que de alguma forma resumem o comportamento global dos dados.
Estas medidas estatsticas podem ter duas formas de serem analisadas, segundo
a posio dos dados e segundo a variabilidade ou perturbao dos mesmos.
Usualmente quando se tem um conjunto de dados podemos estar interessados
em visualizar a tendncia dos mesmos, assim como tambm como os dados se
situam ao redor dessa tendncia.
2.2.1. Medidas de Tendncia Central

So estatsticas que indicam a posio mais comum que o conjunto de dados
apresenta e que de alguma forma caracteriza a esse conjunto de dados.
As medidas de tendncia central mais conhecidas so: Mdia, Mediana e Moda.

Uma outra medida de tendncia, isto , de posio esto os percentis e dentro
deles esto os decil, quartis e inclusive a mediana.
a) Mdia
aquele valor que representa o comportamento do conjunto de dados em

estudo, e significa que se no houvesse mudanas nas informaes o valor mais
lgico de todos os dados seria aquele obtido pela media. Seu calculo depende se
os dados so agrupados ou no.
a1) Dados Agrupados (Quando os dados so apresentados em tabelas

de freqncias)
k
1
X = X i f i
'
n i=1
Onde, k,representa o nmero de classes; X i, representa a marca de classe; f i,

representa as freqncias observadas; n, tamanho da amostra
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.
a2) Dados no agrupados (aqueles que no esto agrupados em tabelas

de freqncias)
n
1
X = X i
n i=1
Exemplo 2.5: Numa determinada loja observou-se que os clientes estavam

comprando grande quantidade de arroz, os donos da loja estavam
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.
A mdia obtida por:

n
1 1 98
X = X i = ( 10+14+13+15+ 16+18+12 )= =14
n i=1 7 7
Isto quer dizer que os clientes estriam dispostos a comprar diariamente 14 sacos
de arroz XXX tipo 1 de 5 quilos.
Propriedades da Mdia Aritmtica
1 Propriedade: A soma de todas as comparaes entre a observao particular

e a mdia obtida igual a zero.
n
( X i X )=0
i=1
Demonstrao:
Antes de fazer o calculo devemos entender que a soma de valores constantes

no afeta a somatria, isto se entende da maneira seguinte:
7
a+ a+a+a+ a+a+ a=7 a= a
i=1
Da mesma forma corresponde para a mdia, j que esta s um valor constante

para o conjunto de dados, desta forma:
n
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
Desta forma fica demonstrado.
27
2 Propriedade: Seja
Xi uma varivel qualquer que tem uma mdia
conhecida X , podemos definir uma outra varivel Y i , relacionado da forma
seguinte:
Y i=X i a
Ento a mdia de
Y i dado por:
Y = X
a
Demonstrao
Da definio da mdia temos:
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
De esta forma fica demonstrado.
3 Propriedade: Se a relao acima apresentado fosse:
Xi
Y i=X i a ou Y i=
a
A mdia de
Y i dado por:
X
Y = X
a
ou Y =
a
Principal Desvantagem da Mdia
influenciada pelos valores extremos dos dados. Para entender utilizaremos os

dados do exemplo 2.5, trocando o ultimo valor por 103, ento
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
outra medida de tendncia central, que divide a um conjunto de dados em dois

partes iguais, basicamente usada com a finalidade de superar a desvantagem
presente na mdia e identificar o valor que melhor represente ao conjunto de
dados em estudo.
b1) Dados Agrupados
[ ]
n
F (me1)
2
Me=lim Inf (me) + TIC
f (me)
Onde, (me) ,representa a classe da mediana; (me1) representa a classe
F(me1)
anterior a mediana; representa a freqncia acumulada observada
f (me)
anterior a classe da mediana; representa a freqncia observada na
lim Inf (me)

classe da mediana; representa ao Limite Inferior na classe da
mediana; TIC representa ao Termo de Intervalo de Classe; n representa ao

Tamanho de amostra.
acaso, os resultados foram apresentados na tabela 2.3.
Para encontrar a mediana devemos na tabela procurar a classe onde a freqncia

acumulada supere a 50% da informao total, quando acontece isso, essa classe
definida como a classe mediana, como se observa na tabela seguinte:
29
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.
b2) Dados no agrupados
Para encontrar a mediana devemos em primeiro lugar ordenar os dados de

menor a maior ou de maior a menor, a mediana calculada considerando o
tamanho dos dados:
* Quando n par
X n +X n
(2 ) ( +1)
2
Me=
2
Exemplo 2.7: Consideremos o exemplo 2.5, e encontremos a mediana para uma

semana de 6 dias, isto de segunda a sbado os dados so: 10, 14,
13, 15, 16 e 18.
X 1=10 ; X 2=14 ; X 3 =13 ; X 4 =15; X 5=16 ; X 6=18
30
Ordenando os valores, temos:
X (1)=10 ; X (2 )=13 ; X (3 )=14 ; X (4 )=15 ; X (5 )=16 ; X (6)=18
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
Exemplo 2.8: Consideremos o exemplo 2.5, e encontremos a mediana para uma

semana, os dados so: 10, 14, 13, 15, 16, 18 e 12.
X 1=10 ; X 2=14 ; X 3 =13 ; X 4 =15; X 5=16 ; X 6=18 ; X 7=12
Ordenando os valores, temos:
X (1)=10 ; X (2 )=12 ; X (3) =13 ; X (4)=14 ; X (5) =15 ; X (6 )=16 ; X (7)=18
Ento
Me=X n+1 = X 8 =X ( 4 )=14

( ) ( )
2 2
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.
c1) Dados Agrupados
Mo=lim Inf (mo) +

[ ]d1
d 1 +d 2
TIC
Onde
31
d 1=f (mo) f (mo1) e d 2=f (mo )f (mo+ 1)
(mo) representa a classe da moda; (mo1) representa a classe anterior a
(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
lim Inf (mo)

observada na classe posterior a moda; representa ao Limite Inferior
na classe da moda; TIC representa ao Termo de Intervalo de Classe; n
representa ao Tamanho de amostra.
acaso, os resultados foram apresentados na tabela 2.3.
Para encontrar a moda devemos na tabela procurar a classe onde a freqncia

observada seja o maior possvel, como se observa na tabela seguinte:
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
d 1=f (mo) f (mo1)=1410=4 e d 2=f (mo )f (mo+1 )=149=5
Desta forma:
Mo=lim Inf (mo) +

[ ]d1
d 1 +d 2
TIC=2800+[ ]4
4 +5
50=2822,22
Isto indica que um maior nmero de lmpadas teve um tempo de vida ao redor
de 2822,22 horas.
c2) Dados no agrupados
O valor da moda o maior valor observado.
Exemplo 2.10: Consideremos o exemplo 2.5, e encontremos a mediana para

uma semana, os dados so: 10, 14, 13, 15, 16 e 18.
Neste exemplo os dados no apresentam moda.
Relao entre Media, Mediana e Moda
Eles se relacionam se seguem a seguinte representao.
Graficamente se pode dizer que um conjunto de dados simtrico se

X =Md=Mo
33
As expresses seguintes correspondem a distribuies assimtricas, o

grfico (a) corresponde a uma relao X < Md < Mo , enquanto a que o
grfico (b) corresponde a uma relao X > Md > Mo .
d) Medidas de Posio (Percentil)
O percentil, separa ao grupo de dados em dois grupos, uma com proporo p
e outra com uma proporo 1 p .
d1) Dados Agrupados
Per p=lim Inf ( p) +

[ n pF( p1)
f (p ) ]
TIC
Onde, ( p) representa a classe da percentil; ( p1) representa a classe
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;
TIC representa ao Termo de Intervalo de Classe; n representa ao Tamanho

de amostra.
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.
Para conseguir este objetivo o primeiro que temos que fazer :
O primeiro que devemos fazer : n p=100 80 =80 . Agora devemos procurar
na tabela a freqncia acumulada absoluta que consiga ultrapassar o valor 80,

nesse momento o intervalo que pertence a esse valor que ultrapassa a 80, ser a
classe do percentil.
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
Per p=lim Inf ( p) +

[ f (p )]
n pF( p1)
TIC=2900+ [
8076
12 ]
50=2.916,66
Entendendo-se que o 20% das lmpadas com maior vida til ter um valor
mnimo de 2.916,66 horas.
d2) Dados no agrupados
Para este caso consideramos a definio de Mendenhall and Sincich para o p-

simo percentil de n valores ordenados correspondente ao valor que ocupa a
posio
Per i=i ( n+1

100 )
i=1,2, , 99
Exemplo 2.12: Consideremos o exemplo 2.5, e encontremos o percentil 80%

para uma semana de compra, os dados so: 10, 14, 13, 15, 16, 18 e
12.
Os dados ordenados so
X (1)=10 ; X (2 )=12 ; X (3) =13 ; X (4)=14 ; X (5) =15 ; X (6 )=16 ; X (7)=18
Aplicando a definio de Mendenhall and Sincich, temos:
Per 80=i ( n+1001 )=80 ( 7+1

100 )
=6,4
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:
Valor do Percentil 80% = 16 + 0,8 = 16,8
2.2.2. Medidas de Variabilidade

Muitas vezes nosso interesse no somente identificar qual a tendncia central
do conjunto de dados e sem como elas se distribuem ao redor dessa tendncia,
com a finalidade de detectar se essas distribuies so bem prximas ao valor da
36
tendncia (homogeneidade) ou se elas se encontram distante do valor da
tendncia (heterogeneidade)
As medidas mais utilizadas so: varincia, desvio padro, e coeficiente de

variabilidade. As duas primeiras medidas so chamadas de medidas de
variabilidade absoluta e a ultima chamada de medida de variabilidade relativa.
Existem outras medidas de variao de dados como as medidas de assimetria e
as medidas de curtose.
a) Varincia Amostral (S2)
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:
a1) Dados Agrupados
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
observada; n , representa ao tamanho da amostra; X , representa a mdia
amostral; k , representa ao nmero de classes.
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
a2) Dados no agrupados
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
conhecida X , podemos definir uma outra varivel Yi ,
relacionado da forma seguinte:
Y i=X i a
Ento a varincia de
Y i dado por:
S 2y =S2x
Demonstrao
Da definio da varincia temos:

n
1 2
S 2y =
n1 i=1
( Y i Y )
Como pela propriedade 2 da mdia temos que Y = X

a
, substituindo na
expresso acima
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 )
De esta forma fica demonstrado.
2 Propriedade: Se a relao acima apresentado fosse:
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
uma medida de variabilidade que permite identificar a mxima distancia entre

as observaes e a mdia, em outras palavras, determinar a distancia que
indique que os dados so parecidos a media, quando essa distancia grande se
diz que os dados so heterogneos, enquanto se essas diferencias so pequenas
se diz que os dados so homogneos. Seu calculo definido por:
S= Varincia
J seja para dados agrupados como para dados no agrupados.
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
outra medida de variabilidade que usada para fazer comparaes entre

variveis de diferentes unidades, por exemplo, imaginemos que estamos numa
empresa que produz lcool e desejamos comparar a variabilidade da matria
prima (quantidade de cana de acar), assim como tambm do volume de lcool
produzido, como vemos se considerarmos a cana de acar que se mede em
toneladas de cana e volume de lcool que se mede em metros cbicos os valores
obtidos, no poderia ser comparados devido s unidades. Devido a isto, devemos
39
procurar uma medida de variabilidade relativa que permita fazer essa
comparao. O calculo definido por:
S
CV = 100
X
Em termos gerais o coeficiente de variabilidade pode tomar os seguintes valores
CV 25 Os dados so homogeneos
CV > 25 Os dados so heterogeneos
ao acaso. Encontre o CV.
S 140,39
CV = 100 = 100 =5,1
X 2771,5
O que indica que os dados so homogneos.
d) Medida de Assimetria
Mede o grau de afastamento de uma distribuio da unidade de simetria.

Existem varias formas, mas nesta parte considerarmos trs formas de calcular a
assimetria.
1 Forma: Coeficiente de Assimetria de Pearson
X Mo
Ass= 3 Ass 3
S
2 Forma: Coeficiente de Assimetria de Pearson Modificado

3( XMe)
Ass= 3 Ass 3
S
3 Forma: Coeficiente Quartil de Assimetria (Critrio de Bowlley)
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
Q1 o primeiro quartil ou percentil 25%
40
Q3 o terceiro quartil ou percentil 75%
4 Forma: Coeficiente Decil de Assimetria (Critrio de Kelley)
D9 + D12 Me
Ass= 1 Ass 1
D 9D 1
D1 o primeiro Decil ou percentil 10%
D3 o nono Decil ou percentil 90%
Em todos os casos:
Ass = 0 Distribuio Simtrica
Ass > 0 Assimetria Positiva ou Assimtrica a Direita
Ass < 0 Assimetria Negativa ou Assimtrica a Esquerda
Exemplo 2.17: Considerando o exemplo 2.3 o caso das lmpadas, temos que:
X =2521,50 Me=2785,00 Mo=2822,22 D1=2568,75 Q 1=2668,33
Q3=2894,44 D9 =2958,33
1 Forma: Coeficiente de Assimetria de Pearson
X Mo 2521,52822,22
Ass= = =0,361291
S 140,39
2 Forma: Coeficiente de Assimetria de Pearson Modificado

3( XMe ) 3 (2521,502785)
Ass= = =0,288478
S 140,39
3 Forma: Coeficiente Quartil de Assimetria (Critrio de Bowlley)
Q1 +Q32 Me 2668,33+ 2894,442 2785

Ass= = =0,072941
Q3 Q1 2894,442668,33
4 Forma: Coeficiente Decil de Assimetria (Critrio de Kelley)
D9 + D12 Me 2958,33+2568,752 2785

Ass= = =0,11016
D 9D 1 2959,332568,75
Em todos os casos podemos ver que os dados apresentam uma assimetria a

esquerda.
41
e) Coeficiente de Curtose (k)
A Curtose ou excesso indica at que ponto a curva de freqncias de uma

distribuio se apresenta mais afilada ou mais achatada do que uma curva
padro, denominada curva normal. De acordo com o grau de curtose, podemos
ter trs tipos de curvas de freqncia.
Curva ou Distribuio de Freqncias Mesocrtica
Quando a curva de freqncias apresenta um grau de achatamento

equivalente ou da curva normal.
Curva ou Distribuio de Freqncias Platicrtica
Quando uma curva de freqncias apresenta um alto grau de achatamento,

superior ao da normal.
Curva ou Distribuio de Freqncias Leptocrtica
Quando uma curva de freqncias apresenta um alto grau de afilamento,

superior ao da normal.
O calculo definido por:

Q3Q1
k=
2( D 9D1)
k = 0,263 Curva ou distribuio mesocrtica
k > 0,263 Curva ou distribuio platicrtica
k < 0,263 Curva ou distribuio leptocrtica
Exemplo 2.18: Considerando o exemplo 2.3 o caso das lmpadas, temos que:
X =2521,50 Me=2785,00 Mo=2822,22 D1=2568,75 Q 1=2668,33
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.
2.-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:
1,2 2,2 2,6 3 3,9

1,6 2,3 2,7 3,1 4,1
1,8 2,3 2,8 3,2 4,3
1,9 2,4 2,8 3,4 4,5
2,1 2,5 2,9 3,7 4,8
f3
Que significado tem em termos do enunciado os seguintes componentes: ,
F5 F4 F2 fr2 Fr3
, , e .
3.-Trinta embalagens plsticas de mel foram pesadas com muita preciso. Os

pesos, aps convenientemente agrupados, fornecem a seguinte distribuio
de freqncias (em grs):
X 'i 31,5 32,5 33,5 34,5 35,5 36,5
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?.
4.-Um aluno de Estatstica lembra houver construdo uma tabela com as

seguintes caractersticas: o menor valor observado foi 2 e o maior valor
observado foi 18, sendo que a tabela tinha 8 classes, tambm a marca de
classe da 4 classe foi igual a 9.
Ele lembra que a 2da e 4ta classe tinha 7 e 14 observaes respectivamente, e

que a soma das trs ultimas classes tinha 7 observaes, a sua vez, at a 3 ra
classe se acumulou 19 observaes e que at a 7 ma classe se acumulou 49
observaes, o 6% das observaes correspondia 1 ra classe, enquanto o
20% correspondia 5ta classe, sendo que at a 6 ta classe se acumulou o 94%
das observaes. Se em aquela oportunidade se trabalho com 50
observaes, qual a tabela de freqncias original.
5.-Os dados seguintes so referentes a uma amostra de dimetros de corao de

adultos normais, em mm (medidas em radiografias 36 x 43 cm):
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
Para os dados acima apresentados elabore uma tabela de freqncias com 10

classes. Aps identifique e interprete o seguinte: f 5, F3, fr6, Fr8, F7 F3.
Observando a tabela de freqncias e no os dados, encontre quantos
adultos apresentaram um dimetro de corao superior a 128,5 mm. e
inferior a 138,5 mm.
6.-A Superintendncia de uma grande empresa com sede em So Paulo, deseja

avaliar a situao econmica atual de seus funcionrios, com vistos de criar
uma poltica salarial, para isto, coleta a informao econmica de 50 de eles.
Para os dados acima apresentados elabore uma tabela de freqncias com 15

classes. Aps identifique e interprete o seguinte: f 8, F2, fr9, Fr12, F13 F7.
Observando a tabela de freqncias e no os dados, encontre quantos
funcionrios apresentaram uma situao econmica superior a 1200 e
inferior a 4400.
Observao: Para cada um dos problemas a seguir obter e interpretar segundo

enunciado a mdia, mediana, moda, Percentil 22%, Decil 8, Quartil 3, varincia,
desvio padro e coeficiente de variao, coeficiente de assimetria, coeficiente de
curtose.
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:
8. Os dados seguintes so referentes a uma amostra de dimetros de corao de adultos

normais, em mm (medidas em radiografias 36 x 43 cm):
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)
10. Os dados a seguir referem-se ao nmero de horas que 45 pacientes

hospitalizados dormiram durante a administrao de um certo anestsico:
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
11. As crianas vacinadas com a Sabin em certo ambulatrio foram registradas na

tabela abaixo de acordo com a idade.
IDADE (anos) No DE CRIANAS
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.
3.2 Indice Simple

Chama-se assim a aqueles ndices onde as comparaes se fazem frente a uma
nica magnitude.
Exemplo 3.1:
Desejamos comparar os preos do arroz do ano 2006 em relao ao ano 2000.
Neste caso a varivel nica estar definida pelos preos do arroz o perodo base
2000 e o perodo atual 2006.
3.2.1 Elaborao de um nmero ndice simple
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)
Os valores que midem a variao da magnitude X (na economia) entre os dois

perodos considerados podem ser:
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)
Usualmente estes valores so expresos em porcentagens
Exemplo 3.2
Sejam os preos e quantidades vendidas de trs produtos em certa regio, no

perodo 1974-1977
Produto 1 Produto 2 Produto 3

Ano Quantida
Preo de Preo Quantidade Preo Quantidade
1974 12 3 5 7 20 3
1975 15 4 10 9 25 4
1976 18 5 20 8 35 5
1977 24 5 30 7 45 6
Extrado de Hoffman (1998) pag. 311.
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
O preo em 1974 do produto 1 foi 20% inferior ao preo observado em 1975
(1)
P(1,1976) 18
P(1975,1976) = = =1,2=120
P(1,1975) 15
O preo em 1976 do produto 1 foi 20% superior ao preo observado em 1975
P(1,1977) 24
P(1)
(1975,1977) = = =1,6=160
P(1,1975) 15
O preo em 1977 do produto 1 foi 60% superior ao preo observado em 1975
A tabela abaixo apresenta os ndices de preos para cada produto, considerando

o ano de 1975 como o ano base do estudo.
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
Os nmeros ndices cumprem certas caractersticas que permitem ser utilizados

devido a relao que estes tem com o tempo, entre as propriedades mais
conhecidos so:
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
Esto se pode entender do modo seguinte:
0 t
Considerando o grfico acima se estamos entre dois momentos de tempo e

fazemos uma analise comparativa entre esses dois pontos tomando-se como
base um ou outro extremo, ento a multiplicao de ambos os ndices :
Xt X 0
I (0,t ) I (t ,0 )= =1
X0 Xt
Desta forma a relao de uma em relao a outra :
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 )
f) Descomposio das causas
O ndice de valor, pode ser descomposto por seus fatores, isto :
I valor =I preo I Quantidade
g) Homogeneidade
Mudanas nas unidades no altera o ndice
3.3 ndices Complexos

Estudam as variaes de um conjunto de k variveis temporais. So
indicadores que se elaboram a partir de varias sries de dados, com a finalidade
de estudar a variao conjunta.
Tipos:
3.3.1 ndices No Ponderados ou ndices Agregativos Simples

So os que resumem a informao ministrada por um conjunto de
nmerosndices simples em um nico nmero ndice chamado complexo. Entre
elas temos:
a) Mdia Aritmtica (ndice de Sauerbeck)

n
1
I M= I
n i=1 i
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
d) Mdia Agregativa (Bradstreet)

n
X(1,t )+ X (2, t )++ X (n ,t )

X (i, t )
I A= = i=1
X (1,0 ) + X ( 2,0) ++ X (n ,0) n
X (i ,0)
i=1
As trs primeiras so adequadas para a comparao de qualquer tipo de

unidades, a quarta o problema se encontra nas unidades, se estamos
trabalhando com preos, por exemplo, que estem expressados em dlares e
queremos comparar-las com aquelas que esto em reais ou em euros o ndice
difcil de ser interpretado.
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
preos de 1975.
H 3
I (1975,1974)= =67
1 1 1
+ +
0,8 0,5 0,8
51
preos de 1975.
A 12+5+20
I (1975,1974)= =74
15+10+25
preos de 1975.
Tabela 3.1: Comparao dos ndices no ponderados dos trs produtos no perodo
1974-1977 (1975=100%)
Propiedades dos ndices No Ponderados
a) A propriedade satisfeita por todos os ndices no ponderados
b) Os ndices de media aritmtica e media harmnica no satisfazem com a

propriedade de reversabilidade, enquanto que os ndices de media geomtrica
e agregativa, satisfazem a propriedade de reversibilidade.
c) Os ndices de media aritmtica e harmnica no satisfazem a propriedade

circular, enquanto que os ndices de media geomtrica e agregativa
satisfazem a propriedade circular.
d) Todos os ndices no ponderados no satisfazem a propriedade de critrio de

descomposio.
3.3.2 ndices Ponderados

Entende-se que um ndice ponderado apresenta dentro de seu conjunto um peso
que diferencia dos outros valores, este peso, pode ser conhecido como
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
Neste caso o coeficiente de peso ou ponderao dado por:
W i= pi , 0 qi , 0
Desta forma temos os ndices a seguir:
a1) ndices de Preos de Laspeyres

n n n
p
Ii pi , 0 qi , 0 p i ,t p i ,0 q i ,0 pi , t q i ,0
I (Lpreo)= i=1 n = i=1
n
i ,0
= i=1
n
pi ,0 qi ,0 pi ,0 q i ,0 p i ,0 q i ,0
i=1 i=1 i=1
a2) ndice de Quantidade de Laspeyres

n n n
q
I i pi ,0 qi ,0 q i ,t pi ,0 qi ,0 pi ,0 q i ,t
L i=1 i=1 i , 0
I =
(quantidade ) n
= n
= i=1
n
pi ,0 q i ,0 pi ,0 qi ,0 pi ,0 qi ,0
i=1 i=1 i=1
b) ndice de Paasche
b1) ndice de Preos de Paasche
Para o preo o coeficiente de ponderao dado por:
W i= pi , 0 qi , t
Desta forma o ndice dado por:

n n n
pi ,t
P
Ii pi , 0 qi , t
i=1 pi , 0
pi ,0 qi ,t pi , t qi , t
i=1
I =
( preo) n
= n
= i=1
n
pi ,0 qi ,t pi , 0 qi , t pi , 0 qi , t
i=1 i=1 i=1
b2) ndice de Quantidade de Paasche
Para a quantidade o coeficiente de ponderao dado por:
53
W i= pi , t q i ,0
Desta forma o ndice dado por:

n n n
p i ,t
P
I i pi ,t qi , 0
i=1 pi ,0
pi ,t qi ,0 pi ,t qi , t
i=1
I (quantidade )= n
= n
= i=1
n
p i ,t qi ,0 pi ,t qi , 0 pi ,t qi , 0
i=1 i=1 i=1
c) ndice de Fisher
Este ndice uma combinao dos ndices de Laspeyres e Paasche e calculado

por:
I F = I L I P
d) ndice de Marshall-Edgeworth
Este ndice compe um componente de ponderao que o valor mdio dos

tempos (base e de avaliao)
d1) ndice de Preo 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
d2) ndice de Quantidade de Marshall-Edgeworth
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
e1) ndice de Preo de Divisia

W1 W2 Wn n Wi
p 1,t p2,t pn , t pi , t
I (Dpreo)=
( ) ( )
p1,0

p2,0

( )
pn , 0
=
i=1
( ) pi , 0
e2) ndice de Quantidade de Divisia

W1 W2 Wn n Wi
q1,t q2,t q n ,t q i, t
D
I (quantidade )=
( ) ( )
q 1,0

q2,0

( )
qn , 0
=
i=1
( )
q i ,0
Exemplo 3.4
Considerando os dados do exemplo 3.2, calcular os ndices de preos e

quantidades de Laspeyres, Paasche, Fisher, Marshall-Edgeworth e Divisia.
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
4+3 9+7 4+3

M
I (75,74)
=
( 12
2 )+5 (
2 ) +20 (
2 )
=69,1
4+3 9+7 4+3
15 (
2 )
+ 10 (
2 )
+25 (
2 )
Para o ndice de Divisia devemos encontrar os pesos relativos, isto :
55
0,38709677 0,22580645 0,38709677
12 5 20
D
I (75,74)= ( )
15
( )
10
( )
25
=71,9
Em resumo apresentamos a tabela seguinte:
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
12+15 5+10 20+25

M
I (75,74)
=
(
3
2 )
+7 (
2 )
+3 (
2 )
=75,9
12+15 5+10 20+25
4 (
2 )
+ 9 (
2 )
+ 4 (
2 )
Se considerarmos os pesos para os ndices de divisia temos:

0,38709677 0,22580645 0,38709677
3 7 3
D
I (75,74)= ()
4
()
9
()
4
=75,6
Em resumo apresentamos a tabela seguinte:
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%
Propriedades dos Indices Ponderados:
a) Todos os ndices satisfazem o principio da identidade
b) Os ndices de Laspeyres e Paasche no satisfazem a propriedade de reverso,

enquanto que o ndice de Fisher, o ndice de Marshall e o ndice de Divisia
satisfazem a propriedade de reverso.
c) Os ndices de Laspeyres, Paasche, Fisher e Marshall no satisfazem o critrio

de circularidade, enquanto que o ndice de Divisia sim satisfaze a propriedade de
circularidade.
d) Os ndices de Laspeyres, Paasche, Marshall e Divisia no satisfazem o critrio

da descomposio das causas, enquanto que o ndice de Fisher satisfaze esta
condio.
3.4 Aplicaes dos Nmeros ndices
3.4.1 Indices Relativos em Cadeia

So ndices para os quais a base sempre o perodo precedente, cada nmero
ndice representa uma comparao porcentual com o perodo anterior.
Este tipo de ndices so utieis para evidenciar comparaes perodo a perodo.
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
I 0,(t +1)=I 0,t I t ,(t +1)

propriedade circular
Exemplo:
Considerando o exemplo anterior, calcular o ndice para aqueles 6 anos, usando a

1972 como ano base.
Para o ano 1971, temos:
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
Para o ano 1973, temos que o mesmo

I 72,73=114
Para o ano 1974, aplicamos a propriedade circular, da forma:
I 72,74 =I 72,73 I 73,74=114 102,6 =117
Para o ano 1975, temos que:
I 72,75=I 72,74 I 74,75=117 101,6 =118,9
A partir destes resultados temos a tabela seguinte:
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%
3.4.3 Mudana do Periodo Base

Muitas vezes necessrio mudar a base de um nmero ndice para um ano mais
recente, de forma que as comparaes correntes possam ser mais adequadas.
Seu calculo definido:
I a ,t
I b ,t =
I a, b
Onde a representa a base anterior e b representa a nova base
Exemplo:
Considerando o exemplo anterior desejamos mudar de base para 1974.
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%
3.4.4 Deflacionamento e Poder Aquisitivo
a) Deflator
Medir os valores em relao ao nvel geral de preos. necessrio fazer a

correo em termos de inflao sempre que comparamos preos atravs do
tempo.
Deflator qualquer ndice de preos utilizado para equiparar valores monetrios
de diversas pocas ao valor monetrio de uma determinada poca tomada como
base.
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
b) Taxa de Crescimento Real

VR 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
Desta forma a taxa de crescimento nominal esta dado por:
Xt
= 1=I 0,t 1=169,89 100 =69,89
X0
A taxa de crescimento real esta dado por:
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
Tecnicamente conhecida como o poder de um determinado volume de unidades

monetrias, com relao a uma certa poca base, o seu valor deflacionado com
referncia a essa poca base.
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
Analisando em 1999, podiasse comprar:

250
=31,25 Kg
8
Analisando em 2000, podiasse comprar:
250
=25,00 Kg
10
Comparando ambos raciocionios, temos:
31,25
=0,8
25,00
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.
2. Considere a seguinte tabela
Preo mdio, $ Consumo mensal per capita

Artculo Unidades
1985 (po) 1990 (pn ) 1985 (q0) 1990(qn)
Leite Litro 100 1500 5 6
Pan Pea 0.5 88 1300 3.8 3.7
Ovo Dzia 168 2500 1 1.2
Determinar:
a) Os ndices de preo simples para os trs artculos em 1990, utilizando 1985

como ano base.
b) Os ndices de quantidade simples para os trs produtos em 1990,

utilizando 1985 como ano base.
c) Os ndices de valor para os trs artculos em 1990, utilizando 1985 como

ano base.
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
Preo mdio Consumo mensal per

capita
Artigo Unidades
1998 1999 1998 1999
Papel tamanho carta Milhar 26400 29500 4.5 8
Blocos para Pea 3700 4500 10 16

taquigrafia
Marcadores Pea 2100 2300 8 6
Clipes Caixa 1100 1200 1 2
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:
Trimestre Nmero de das de $ Costo por da

incapacidad
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.
Mes Nmero de refrigeradores $ Precio

mandados promedio
Janeiro 123 358
Fevereiro 89 342
Maro 111 360
Abril 120 365
Maio 114 371
Junho 110 368
6. Em 1996 o preo de um automvel de segunda mo se acrescentou 8% sobre o

preo de 1995. Em 1997 (devido ao alto ndice de importaes de autos usados) o
preo foi 5% menor que o preo oferecido em 1996, pero 10% superior ao preo dado
em 1998
a) Calcular as quantidades relativas para os anos 1995-1998 com base em 1995
b) Se o preo mdio de um automvel para 1997 foi de $ 5 500.00 determine o preo
para 1996.
7. Considerando a tabela seguinte:

Ano Nmero ndice Base 1990 = ndice I(t,t-1) Custos Unitrios ($)
1.00
1993 0.88 1.00 0.84
1994 0.90 1.04 1.01
1995 0.89 0.98 0.99
1996 0.94 1.19 2.25
1997 0.92 1.21 2.87
63
1998 0.96 1.25 2.93
a) Calcular os nmeros ndices com base em 1993

b) Calcular a serie de nmeros ndices com base fixa em 1994
c) Calcular os custos unitrios mdios de produo a reais constantes em 1994
8. Com a seguinte informao sobre os ndices de preos para o perodo 1994-1998

Ano 1994 1995 1996 1997 1998
I(t,1993) 1.18 1.19 1.14
I(t,1996) 1.00 1.22 1.25
a) Obter a serie completa de ndices com bases em 1993

b) Calcule os ndices I(97,95), I(95,98)
c) Calcule e interprete o valor do poder aquisitivo dos ndices obtidos em (b)
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
a) Calcule o coeficiente de Gini.

b) Estabelea a Curva de Lorenz.
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
1992 100 200 500 400
1993 150 250 600 500
1994 200 300 700 600
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
Obter o valor dos ndices de quantidades e preos de Laspeyres e de Paasche para os

anos 1991 y 1992 com base 1991.
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:
Ano Rendas I.P.C.
1985 1000000 110
1986 1200000 115
65
1987 1400000 130
a) Transformar a serie em outra de preos constantes de 1985.

b) Em que perodo se obteve o maior incremento nominal salarial?. Em que perodo
se obteve o maior incremento real?.
15. Dada a seguinte estatstica:
Ano Salrios Correntes I.P.C. em base 1983
1987 125000 125
1988 129000 130
a) Calcular os salrios reais de 1987.

b) Qual deveria houver sido o salrio de 1988 para ter mantido o mesmo nvel de
vida que em 1987?
66
CAPTULO 4: Medidas de Concentrao
Economica
Objetivo: Em este capitulo, se apresenta em forma resumida a quantificao dos
principais medidas de concentrao econmica.
Na distribuio de salarios de uma empresa se pode estudar se a masa salarial,

se encontra concentrada em poucos trabalhadores ou se pelo contrario, est bem
repartida entre eles.
Em este exemplo se pode identificar que estes salarios encontram-se muito

desproporcionados, observa-se que se encontram concentrados em uma s
pessoa.
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.
Estas medidas de concentrao apresentam valores extremos, sendo estas:
Todos os trabalhadores apresentam o mesmo salario.

Dos n trabalhadores s um recebe o total do salario.
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.
A continuao apresentada um conjunto de conceitos bsicos da teoria de

probabilidade, que constitui a parte fundamental sobre a qual se assenta a
inferncia estatstica. Essa seria uma justificativa atribuda teoria de
probabilidade, mas, seu objetivo principal modelar fenmenos ou processos nos
quais interfere o acaso, pois faz dela um instrumento imprescindvel para uma
compresso dos fenmenos da natureza. Para estabelecer alguma definio de
Probabilidade, devemos entender os seguintes conceitos:
Experimento Aleatrio (E)
Experimentos ou fenmenos aleatrios so aqueles que, mesmo repetidos vrias

vezes sob condies semelhantes, apresentam resultados imprevisveis. Alguns
exemplos de Experimento Aleatrio so apresentados a continuao:
E1 = {Escolher um representante da disciplina entre os 20 alunos que

freqentam}
E2 = {Identificar o nmero de alunos aprovados ou reprovados na disciplina}
E3 = {Estabelecer o tempo que o aluno demora em concluir a prova da

disciplina}
Espao Amostral (S)
Seja um experimento aleatrio E, define-se um espao amostral S que representa

o conjunto de todos os possveis resultados desse experimento. Os exemplos que
correspondem ao espao amostral que definido pelo experimento aleatrio so:
S1 = {R1, R2, ... , R20}, onde Ri representa a qualquer possvel representante.
S2 = {(0,20), (1,19), (2,18), ... , (20,0)}, onde o primeiro elemento corresponde

ao nmero de alunos aprovados e o segundo
elemento corresponde ao nmero de alunos
reprovados.
S3 = {t 10 min.} onde t representa o tempo que um aluno demora em fazer

uma prova da disciplina.
Evento Aleatrio (A)
Um evento aleatrio ou evento simples um subconjunto qualquer do espao

amostral (S). Por exemplo:
A1 = {R2, R10, R16}, onde Ri representa os possveis representantes.
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.}
3.1. Definio de Probabilidade

3.1.1 Definio Clssica ou a priori
Dado um experimento aleatrio E e S o espao amostral, a probabilidade de um
evento A definido por:
n( A)
P ( A )=
n (S)
Onde, n(A) representa o nmero de elementos do evento A, e n(S) representa o

nmero de elementos do espao amostral, este tipo de definio conhecida
como a definio clssica da probabilidade ou a priori.
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
c) que o resultado do primeiro avaliador seja maior que do segundo
Soluo:
Para conseguir nosso objetivo primeiro devemos identificar o experimento

aleatrio, neste caso :
E = {Avaliao de uma bolacha por dois avaliadores}
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)
(a,b), sendo a a nota do primeiro avaliador e b a nota do segundo avaliador.

Desta forma observamos 25 casos possveis.
a) Para encontrar a probabilidade de que em mdia os dois avaliadores atribuam

uma nota de 3,5, devia de ocorrer o seguinte:
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.
b) Para encontrar a probabilidade de que em mdia os dois avaliadores atribuam

uma nota de 4,5, devia de ocorrer o seguinte:
Definimos o evento A = {(4,5), (5,4)}, notemos que em todos os casos a mdia

desses dois nmeros sempre 3,5, neste caso observamos 2 casos possveis,
ento a probabilidade dada por:
n( A) 2
P ( A )= = =0,08=8
n (S) 25
em estudo, espera-se que o 8% dos casos tenha uma avaliao mdia de 4,5.
c) Para encontrar a probabilidade de que a nota do primeiro avaliador seja maior

ao do segundo, devia de ocorrer o seguinte:
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
em estudo, espera-se que o 40% dos casos a nota do primeiro avaliador ser
maior a nota do segundo avaliador.
3.1.2 Definio Frequntista ou a posteriori

A definio clssica no pode ser utilizada no clculo da probabilidade de
acontecimentos associados realizao da maioria dos experimentos com
interesse prtico, aos quais a equiprobabilidade dos resultados no se aplica. Por
exemplo, se perguntamos qual a probabilidade de que um paciente seja curado
aps o tratamento mdico, ou qual probabilidade de que uma determinada
mquina produza artigos defeituosos. Uma forma de responder essas questes
obter alguns dados empricos com a inteno de estimar as probabilidades.
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 ,
prxima da verdadeira probabilidade de ocorrncia do evento A quando n tende

ao infinito, isto ,
r
P ( A )=lim fr A =lim
n n n
imediato verificar, de acordo com a definio frequntista apresentada, que as

probabilidades ainda satisfazem as propriedades apresentadas anteriormente.
Exemplo 3.2: Consideremos o exemplo 2.3, o caso das lmpadas, encontrar a

probabilidade que uma lmpada tenha um tempo de vida de til entre 2750 a
2800 horas.
Para isto consideremos a tabela de freqncias calculadas anteriormente
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%
Ento a probabilidade estar dados por:
P (2750 X 2800 )=fr6=10
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.
A probabilidade de um evento A definida como o nmero P(A), que satisfaz os

seguintes axiomas:
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)
Lembremos que o conjunto vazio (que no apresenta elementos)
Teoremas:
1. Se o conjunto vazio, ento P()=0.
2. Se Ac o conjunto complemento do evento A, ento P(A c) = 1-P(A)
3. Se A B, ento P(A) P(B)
4. Se A e B so dois eventos qualquer, ento:
P(AB)=P(A) + P(B) P(AB)
Exemplo 3.3: Antes das eleies, um consultor poltico encarregou-se de um

inqurito opinio pblica e colheu os seguintes dados: de 400
eleitores entrevistados, 200 tencionavam votar a favor do partido que
veio a ganhar as eleies, e os outros 200 estavam decididos a votar
no partido antagnico. Depois das eleies, o governo introduziu
legislao laboral e um teto salarial indireto que eventualmente
poderiam causar descontentamento entre o eleitorado. O mesmo
consultor poltico entrevistou de novo as mesmas 400 pessoas, e
desta vez 182 declararam que eram partidrias do governo, enquanto
218 declararam que, se houvesse eleies naquele momento,
votariam contra o governo. Encontrar a probabilidade de estar a favor
do governo depois das eleies.
Para encontrar a probabilidade necessrio construir a tabela a seguir:
Tabela 3.2.- Sondagem de Opinio
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
3.2. Probabilidade Condicional

Sejam A e B dois eventos em um mesmo espao amostral S. A probabilidade
condicional de A dado que ocorreu o evento B, denotado por P(A|B); e
definido como:
P ( A B)
P ( A|B )= , sendo P ( B ) >0
P(B)
Pode-se constatar que P(A|B), assim definida, satisfaz os axiomas da

probabilidade j mencionados. Isto :
Teorema: Se B um evento em , tal que, P(B) > 0 ento:
1. P(|B) = 0
2. Se A S, ento
P ( A c|B )=1P ( AB)
3. Se A e C so eventos que se encontrem em S, tal que, A C, ento
P ( A|B )< P (CB)
4. Se A e C so eventos que se encontrem em S, ento:
P ( A C|B )=P ( A|B ) + P ( C|B )P( A CB)
Exemplo 3.4: Considerando o exemplo 3.1, e definimos os eventos: A={a nota

mdia dos dois avaliadores de 3,5} e B ={a nota do primeiro
avaliador maior a nota do segundo avaliador}, encontrar a
probabilidade P(A|B).
74
Para encontrar a soluo podemos apresentar dois mtodos:
Mtodo 1: Aplicao da definio
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
Se considerarmos a B o novo espao amostral, ento n(S=B)=10, a pergunta

quantos elementos de A se encontram em B, n(A)=2, considerando a definio
de probabilidade temos:
n( A) 2
P ( A|B )= = =20
n(S=B) 10
3.3. 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.
Como
P (A B)
P ( A|B )=
P( B)
Ento
P ( A B ) =P ( A|B ) P ( B )=P(B A) P( A)
Exemplo 3.5: Num 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?
Bom Bom
4 Def 75 4 Def
8 Bom 7 Bom
Ento
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.
3.4. Independncia de Eventos

Um evento A considerado independente de um outro evento B, se a
probabilidade de A igual a probabilidade condicional de A dado B, isto :
P ( A )=P( AB)
Uma outra forma poderia ser avaliado como:
P ( B ) =P (B A)
A forma mais usual :
P ( A B ) =P ( A ) P (B)
Exemplo 3.6: Considerando o exemplo 3.5, e assumindo que possvel restituir

a bola extrada, encontrar a probabilidade de ter duas peas boas.
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 :
P ( Bom 2|Bom1 ) =P(Bom2 )
Desta forma, podemos dizer que os dois eventos so independentes e podemos

obter:
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
3.5. Teorema de Bayes

Sejam A1, A2, A3, ... , An, n eventos mutuamente exclusivos (A iAj= para todo ij),
o que indicam que os A i uma partio do espao amostral S, e que
A1A2...An=S. Alem disso, seja P(A i) a probabilidade correspondente de cada
partio, consideremos o evento B, um evento qualquer pertencente ao espao
amostral S, tal que conhecida as probabilidade condicionais P(B|A i). Ento para
cada valor de i, tem-se:
P( A i) P( BA i)
P ( A i|B )= n
P( Ai ) P(B Ai )
i=1
Exemplo 3.7: Num estudo onde se deseja avaliar a averso as matemticas,

considerou-se 3 salas onde se encontram estudantes com averso as
matemticas (S1, S2 e S3), os estudantes para este estudo pertencem
a trs raas (Branca, Preta e Parda), como se amostra na tabela a
seguir:
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:
Existem duas formas de encontrar a soluo:
1 Forma: Calculo Formal
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
2 Forma: Diagrama da Arvore
Preto
3/9
1/9 Branca
S1 5/9
Pardo
9/27
4/9 Preto
9/27 3/9 Branca

S2
2/9
9/27 Pardo
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.
3. Se A e B so eventos mutuamente excluintes, P(A)=0,5 e P(AUB)=0,6 .

Qual a probabilidade de B?.
4. Uma urna contem 5 bolas numeradas do 1 ao 5 dos quais as primeiras 3

bolas so de cor verde e as restantes so de cor amarelo. Uma amostra de
tamanho 2 extrada com reposio. Se B1 definido como a primeira bola
de cor verde e B2 definido como a segunda bola de cor amarelo.
a) Descreva o espao amostral e apresente por extenso o evento B1B2.
b) Qual a probabilidade de P(B1B2).
5. Uma urna A contem 4 bolas: 2 brancas, 2 pretas; uma urna B contem 5

bolas: 3 brancas e 2 pretas. Uma bola transferida de A para B. Uma bola
retirada de B e verificada ser branca. Qual a probabilidade de que a bola
transferida tenha sido branca?.
6. Uma urna contm 5 bolas vermelhas e 3 brancas. Uma bola selecionada

observada sua cor e separada da urna, duas bolas da outra cor so colocadas
na urna. Uma segunda bola selecionada da urna. Encontre a probabilidade
de que a segunda bola seja de cor vermelha.
7. Trs mquinas I, II e III manufaturam o 30%, 30% e 40% da produo total

de um certo produto. As mquinas produzem 4%, 3% e 2% de produtos
defeituosos, respectivamente. Escolhe-se ao acaso um produto, se testa e o
resultado que o produto defeituoso. Qual a probabilidade que seja
manufaturada pela mquina I?, mquina II? e mquina III?
8. Um fabricante recebe o 45% de seu material para um transistor da

companhia A, o 35% da companhia B e o restante da companhia C. Se
conhece por experincia que o 1% do material da companhia A defeituosa,
e que o 2% do material da companhia B tambm defeituosa, assim tambm
acontece na companhia C. Num lote que contem material das trs
companhias h 1.000 transistores. Qual a probabilidade que um transistor
esteja defeituoso?. Qual a probabilidade que se um transistor defeituoso
conta-se com o material da companhia B?
9. Uma companhia de petrleo deve decidir, se faz furo ou no num lugar
determinado. Por pesquisas geolgicas sabe-se que existe uma probabilidade
de 0,45 que uma formao tipo I esteja embaixo de onde se deseja fazer o
furo; 0,30 de probabilidade que exista uma formao do tipo II e de 0,25 de
tipo III. Estudos anteriores indicam que o petrleo se encontra com um 30%
de probabilidade se a formao de tipo I, um 40% se a formao de tipo II
e um 20% se a formao de tipo III. Se no se encontrou petrleo nessa
regio, qual a probabilidade que a formao seja do tipo I?.
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?.
11. De um conjunto de fotos uma pessoa A escolhe 3 fotos de home e 2 de

mulher. Uma outra pessoa B escolhe 2 fotos de home e uma de mulher. A
pessoa A extrai de seu grupo 2 fotos ser ver essas fotos, logo entrega essas
fotos escolhidas pessoa B, logo a pessoa B extrai uma foto de seu novo
conjunto de fotos. Qual a probabilidade que a foto extrada por a pessoa B
seja a de uma mulher?.
12. A Caixa A contem nove cartas numeradas de 1 a 9. A caixa B contem 5

cartas numeradas de 1 a 5. Se extrai uma caixa ao acaso e dela se extrai uma
carta. Se a carta extrada foi par. Qual a probabilidade de que a carta seja
da caixa A.
13. Joo presta vestibular em duas Universidades A e B. Ele estima que a

probabilidade de aprovar o vestibular na Universidade A de 0,8; a
probabilidade de aprovar o vestibular na Universidade B de 0,75; e a
probabilidade que aprove em pelo menos uma de elas de 0,95. Qual a
probabilidade de aprovar o vestibular nas duas Universidades?.
14. Um dado est viciado de forma que os nmeros pares tm a mesma

probabilidade de sair, assim como os nmeros impares, s que cada nmero
par tem o dobro de probabilidade de sair que um nmero impar. Calcular a
probabilidade de obter um nmero maior que 4.
15. Numa sociedade existem 15 membros, 5 mulheres e 10 homens. A uma

reunio assistiram 13 membros para eleger a um presidente. Qual a
probabilidade de que seja uma mulher a elegida?
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.
a) Qual a probabilidade que o Senhor Perez desligue a Luz em uma noite

qualquer?
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.
4.1. Definio de Varivel Aleatria

Seja E um experimento aleatrio e S um espao amostral associado ao
experimento. Uma funo X, que associe a cada elemento sS um nmero real
X(s) denominada varivel aleatria.
X(s)
s
Domnio Contra Domnio

Espao Amostral Os Reais
S
Exemplo 4.1: Consideremos o lanamento de duas moedas regulares, obter

todos os possveis valores da varivel aleatria nmero de caras obtidas a partir
das duas moedas.
Soluo:
E={lanamento de duas moedas regulares}
X={nmero de caras obtidas nas duas moedas}
Ento podemos gerar a varivel aleatria X que pode tomar os valores seguintes:
X=0 se no observamos nenhuma cara no experimento. Isto (Coroa, Coroa)
X=1 se observamos uma cara no experimento. Isto (Cara, Coroa) ou (Coroa,

Cara)
X=2 se observamos duas caras no experimento. Isto (Cara, Cara)
Desta forma X={0,1,2}
4.2. Funo de Probabilidade

a) Varivel Aleatria Discreta
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
Exemplo 4.2: Considerando o exemplo 4.1, encontrar a probabilidade de cada

varivel definida
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:
P ( X=0 )=P ( Coroa1 ,Coroa 2 )
Como os eventos so independentes, ento
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
Por ultimo temos
1 1 1
P ( X=2 ) =P ( Cara1 , Cara2 )=P ( Cara1 ) P ( Cara2 )= =
2 2 4
Resumindo numa tabela temos
X 0 1 2
P(X=x) 1 2 1
4 4 4
Exemplo 4.3: Consideremos o lanamento de dois dados, encontrar as

probabilidades da varivel aleatria Z=Max(X1, X2), onde X1
83
representa o resultado obtido no primeiro dado e X 2 representa o
resultado obtido no segundo dado.
Soluo:
Para obter a distribuio de probabilidades da varivel aleatria Z, conveniente

construir o espao amostral
{ }
(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)
Logo a distribuio da varivel aleatria Z dada por:
Z 1 2 3 4 5 6
P(Z=z 1 3 5 7 9 11
) 36 36 36 36 36 36
a) Varivel Aleatria Contnua
Seja X uma varivel contnua. A funo de densidade de probabilidade f ( x)

uma funo que satisfaz as seguintes condies:
f (x) 0 para todo xN

f ( x ) dx=1
R
Alem disso, define-se que para qualquer a<b em 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
a) f ( x) uma funo de densidade?
84
b) Qual o resultado de P(0,25< X< 0,75)
Soluo
Para saber se f (x) uma funo de densidade, deve satisfazer

1
P ( 0< x< 1 )= f ( x ) dx=1 , ento:
0
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.
Para calcular P(0,25< X< 0,75) o procedimento :
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 ( )
4.3. Esperana e Varincia de uma Varivel Aleatria

a) Mdia ou Esperana Matemtica
Define-se Esperana Matemtica de uma varivel aleatria discreta como:
E [ X ] == xi P(x i)
i
Para uma varivel aleatria continua tem-se:

E [ X ] == xf ( x ) dx

Exemplo 4.5: Considerando o exemplo 4.3, encontrar a mdia da varivel

aleatria
Soluo
Como a distribuio de Z dado por:
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
Exemplo 4.6: Considerando o exemplo 4.4, encontre a mdia da distribuio de

densidade de probabilidade.
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
1. A mdia de uma constante a prpria constante, seja K uma constante,

ento:
E [ K ] = K P ( X i )=K P(X i )=K
i i
2. O valor esperado da multiplicao de uma varivel com uma constante,

o valor esperado da varivel vezes a constante
E [ KX ] = K X i P( X i)=K X i P( X i)=K E[ X ]
i i
3. Somando ou subtraindo duas variveis aleatrias independentes, seu valor

esperado a soma ou diferencia das duas variveis aleatrias
E [ X Y ] =E [ X ] E [Y ]
4. Somando ou subtraindo uma varivel aleatria a uma constante, seu valor
esperado a soma ou diferencia da varivel aleatria com a constante
E [ X K ]=E [ X ] K
5. A esperana de uma varivel aleatria centrada sempre igual a zero
E [ X ] =E [ X ] =0
b) Varincia
Define-se varincia de uma varivel aleatria como sendo
Var [ X ] = 2=E ( X )2
Em forma geral se pode ter:
86
Var [ X ] = 2=E [ X 2 ] 2
Nesta segunda parte bastar identificar se a varivel discreta ou contnua na
expresso E [ X 2 ] , obtendo o calculo da varincia.
Exemplo 4.7: Considerando o exemplo 4.3, temos a seguinte distribuio de

probabilidades
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
Como E [ X ] ==4,4722 , ento a varincia definida por:
Var ( X )=E [ X 2 ] 2=21,9722(4,4722)2=1,9716
Exemplo 4.8: Considerando o exemplo 4.4, encontre a varincia da distribuio

de densidade de probabilidade.
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:
Var ( X )=E [ X 2 ] 2=0,5(0,6666)2=0,055644
Propriedades da Varincia
1. A varincia de uma constante zero. Var ( K )=0

2. Multiplicando-se uma varivel aleatria por uma constante, sua varincia
fica multiplicada pelo quadrado da constante
2
Var ( KX )=K Var (X )
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 )
4.4. Principais Distribuies Discretas

Algumas variveis discretas geradas mediante processos de contagem podem
ser associadas a funes de probabilidade que tenham um comportamento
particular conhecido. Assim, por exemplo, quando se estuda o nmero de artigos
defeituosos em um lote ou quando se estuda o nmero de pessoas que chegam a
um estabelecimento comercial num certo perodo de tempo, entre outros. Nesses
casos, possvel estudar o comportamento de tais variveis atravs de funes
de probabilidade particulares em cada caso. A continuao apresentamos
algumas dessas distribuies discretas
a) Distribuio de Bernoulli
H muitos experimentos que tem somente dois resultados possveis, chamado de

sucesso (Suc) e fracasso (Frac). Logo, o espao amostral para esse tipo de
experimento S={Suc, Frac}. Por exemplo, ao lanar uma moeda, obtm-se
somente dois resultados possveis, cara (C) ou coroa (K). Chama-se de sucesso
ao evento de interesse. No exemplo, caso o interesse seja "cara", obtm-se um
sucesso quando no ensaio ocorre cara. Caso contrrio, obtm-se um fracasso.
Um experimento com essa caracterstica chama-se de experimento ou ensaio de
Bernoulli. O sucesso pode ser considerada como X=1 e o fracasso pode ser
considerada como X=0, desta forma a funo de Distribuio definida por:
P X=x =
( ) {
p x (1p)1 x x=0,1
0 de outro modo
Sendo a mdia e a varincia definida como:
E ( X )= p
Var ( X )= p(1p)
Uma notao X ~ Bernoulli(p).
88
b) Distribuio Binomial
Existem muitos problemas, nos quais o experimento consiste em n ensaios (ou

experimentos) de Bernoulli 1, ... , n, uma seqncia de ensaios de Bernoulli
forma um processo de Bernoulli ou experimento
Binomial quando satisfazer as seguintes condies:
(i) Cada ensaio tem somente dois resultados possveis S ou F.
(ii) Os ensaios so independentes. Isto , o resultado (sucesso ou fracasso) de

qualquer ensaio independente do resultado de qualquer outro ensaio.
(iii) A probabilidade de sucesso, p; permanece constante de ensaio em ensaio.

Logo, a probabilidade de fracasso 1 - p tambm constante.
Ento podemos dizer que se consideramos a repetio de n ensaios de Bernoulli

independentes todos com a mesma probabilidade de sucesso p. A varivel
aleatria que conta o nmero total de sucessos nos n ensaios de Bernoulli,
denominada de varivel aleatria Binomial com parmetros n e p e sua funo de
probabilidade dado por:
{( )
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)
Uma notao X ~ Binomial(n,p).
Exemplo 4.9: Suponha que os nascimentos de menino e menina sejam

igualmente provveis e que o nascimento de qualquer criana no afeta a
probabilidade do sexo do prximo nascimento. Determine a probabilidade de ter
exatamente 4 meninos de 10 nascimentos.
Soluo:
Notemos que o evento sucesso ocorre quando nasce um menino e fracasso

quando nasce uma menina, sendo assim a probabilidade de sucesso de p=0,5
j que so igualmente provveis, como so 10 nascimentos, ento n=10, com
isto a funo de distribuio da binomial definida por:
89
{( )
x
10 0,5 (10,5)10x x =0,1, , 10
P ( X=x )= x
0 de outro modo
Como se deseja exatamente o nascimento de 4 meninos, ento:

4
P ( X=4 ) = 10 0,5 (10,5) =0,205078
4( ) 104
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.
Considere o seguinte experimento, uma amostra aleatria de tamanho n (n < N)

sem reposio sorteada da populao finita de N elementos. A varivel
aleatria definida da seguinte forma,
X={Nmero de elementos com a caracterstica de interesse (sucessos) na

amostra de tamanho n}.
A varivel aleatria assim definida chama-se varivel aleatria Hipergeomtrica e

sua funo de probabilidade :
P ( X=x )=
{
( Mx )( NM
nx )
N
(n)
x=0,1, , min { n , M }
0 de outro modo
Sendo a mdia e a varincia definida como:
M
E ( X )=n
N
M M
Var ( X )=n
N
1(N )( NN n
1 )
Uma notao X ~ Hipergeomtrica(N, M, n).
Exemplo 4.10: Suponha que o gerente de credito de um estabelecimento

recebe 10 pedidos de credito, dos quais 4 tm documentao
incompleta e devem ser devolvidas aos clientes. Escolhe-se, ao
90
acaso 5 pedidos sem reposio obter a probabilidade de devolver
mais de 3 pedidos de crdito.
Soluo
Para resolver o problema observemos se o experimento sem reposio, ento

podemos dizer que o problema tem a caracterstica da distribuio
hipergeomtrica com N=10, M=4, n=5, nos pedem P(X>3) = ?
Em forma geral a distribuio definida por:
{
( 4x )(5x6
) x=0,1, , min {5,4 }
P ( X=x )=
(105 )
0 de outro modo
Como desejamos P(X>3)=P(X=4)+P(X=5), mas como min{5,4}=4 ento
4 6
P ( X >3 )=P ( X =4 )=
( 4 )( 1 )
=0,0238
10
(5)
4.5. Principais Distribuies Contnuas

a) Distribuio Normal
A distribuio Normal a mais importante de todas as probabilidades

estatsticas. Muitos comportamentos populaes possuem distribuies que
podem ser ajustada a uma curva normal. Esta distribuio apresenta a seguinte
distribuio:
2
1 x
1 2( )

f ( x )= e < x <
2
Onde x a varivel aleatria, a mdia populacional, 2 o fator de

normalizao e o desvio padro populacional, uma notao apropriada para
este tipo de distribuio
x N ( , 2)
Graficamente esta distribuio
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=

Esta expresso mostra de quantos desvios padro a varivel x fica distante da

mdia. Esta uma operao de padronizao uma vez que todos os dados sero
tratados ou sero comparados em termos do nmero de desvios padro e no
pelo valor do desvio padro.
E a funo de distribuio dado por:

1 2
1 2
z
f ( z )= e < z<
2
Uma representao grfica dado por:
Propriedade da Simetria:
Uma distribuio simtrica se cumpre-se o seguinte:
P ( Z <z ) =P ( Z> z ) ou P ( Z >z )=P( Z< z )
Desta forma a distribuio normal uma distribuio simtrica.
92
Uso das Tabelas da Distribuio Normal Padro
Esta probabilidade pode ser calculada considerando tabelas (Anexo I).

Consideremos o seguinte exemplo: calcular P(Z<1,96).
Para isto, a tabela do anexo I apresenta valores probabilsticos de Z que vo de

0,00 a 3,99, estes valores se distribuem numa tabela de dupla entrada, onde o
valor de Z desdobrado em dois componentes nas filas temos o valor inteiro e
um decimal, nas colunas encontram-se o centesimal ou segunda casa decimal,
unindo as coordenadas correspondente a fila 1,9 e coluna 6, juntos conformam o
valor de Z=1,96, o valor da interseo apresenta a probabilidade
correspondente, como se apresenta na tabela abaixo:
Neste caso P(Z<1,96)=0,9750, graficamente temos
Observao: Este tipo de distribuio usualmente na Inferncia Estatstica

avalia a mdia populacional (). As vezes quando no se conhece o
desvio padro de uma populao () mas o tamanho da amostra
grande (n>30), possvel usar a distribuio normal padro.
Exemplo 4.11: Qual a probabilidade de um gro de feijo que est sendo

retirado de uma populao de 1 kg ser obtido com massa entre
0.1800 a 0,2500 gramas se a mdia do gro de 0,2024 g com
desvio padro de 0,0363?
93
Soluo
Se definimos a varivel X={quantidade de massa no gro de fejo}
A informao que temos =0,2024 e =0,0363
P ( 0,18< X <0,25 )=?
O primeiro passo padronizar os valores em questo, isto , achar o nmero de

desvios padro contido entre os valores e a mdia.
P ( 0,180,2024
0,0363
<
X 0,250,2024

<
0,0363 )=P (0,62< Z <1,31 )
Graficamente temos
Como desejamos encontrar P(-0,62<Z<1,31), podemos usar a seguinte relao:
P (0,62< Z< 1,31 )=P ( Z <1,31 )P( Z <0,62)
Notemos que a P(Z<1,31) possvel encontrar na tabela do anexo I, seu valor

P(Z<1,31)=0,9049, o problema esta em encontrar a probabilidade P(Z<-0,62), j
que este valor no se encontra na tabela do anexo I, mas para seu calculo basta
fazer uso da propriedade de simetria, da forma seguinte:
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:
P ( Z >0,62 )=1P ( Z< 0,62 )=10,7324=0,2676=P(Z <0,62)
Ento
P (0,62< Z< 1,31 )=P ( Z <1,31 )P ( Z <0,62 )=0,90490,2676=0,6373
b) Distribuio t-student
A distribuio t de student definida para amostras pequenas (n30), o intuito

analisar o que esta acontecendo com as caudas do conjunto de dados, isto ,
determinar quais so os pontos mais distantes da mdia ().
Definida por:
x
t=
S
n
Onde x a mdia amostral, a mdia populacional, S o desvio padro
amostral e n o tamanho da amostra. Uma notao apropriada para este tipo

de distribuio
x t (n1)
Onde (n-1) so os graus de liberdade da distribuio t de student.
Uso das Tabelas da Distribuio t-de student
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.
Neste caso as probabilidades encontram-se na parte superior e os valores

tabulares da distribuio t, encontra-se no interior da tabela, para encontrar o
valor tabular de uma distribuio t de student precisa-se conhecer os graus de
liberdade e a probabilidade.
Exemplo 4.12: Determine o valor de t para uma probabilidade de 90% com 8

graus de liberdade
Soluo
P(T(8) < t)=0,90, uma representao grfica apresentada a continuao:
Observando na tabela, temos
96
Ento o valor de T para uma probabilidade de 90% t=1,397.
Observao: Este tipo de distribuio usualmente na Inferncia Estatstica

avalia a mdia populacional (), basicamente usado quando no se
conhece o desvio padro de uma populao () e quando o tamanho
da amostra pequeno (n30).
2
c) Distribuio Qui-quadrado ( )
Esta distribuio usada para se fazer analise da varincia populacional (2).

uma distribuio de probabilidade contnua com um nico parmetro () , que
so os graus de liberdade. As funes de distribuio de probabilidade qui-
2
quadrado ( ) positiva, e cada uma possui inclinao positiva tendo uma
cauda superior longa. A medida que aumenta os graus de liberdade a distribuio
se desloca para a direita e se torna mais simtrica.
Graficamente a distribuio Qui-quadrado tem a seguinte forma:
Para processos de Inferncia estatstica a Distribuio Qui-quadrado tem a

seguinte estrutura:
( n1 ) S2
2=
2
Uma notao apropriada para este tipo de distribuio
x 2(n1)
Onde (n-1) so os graus de liberdade da distribuio 2 .
Uso das Tabelas da Distribuio 2
Os valores de 2 dependem dos valores probabilsticos e dos graus de
liberdade. A tabela 2 que se encontra no anexo III traz o valor da rea de
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
Graficamente a distribuio F de Snedecor tem a seguinte forma:
Para processos de Inferncia estatstica a Distribuio F de Snedecor tem a

seguinte estrutura:
S21 22
F= 2 2
S2 1
Uma notao apropriada para este tipo de distribuio
98
x F(n 1 ;n 1)
1 2
Onde (n1-1) so os graus de liberdade do numerador e (n 2-1) so os graus de

liberdade do denominador da distribuio F de Snedecor.
Uso das Tabelas da Distribuio F de Snedecor
As tabelas de F de Snedecor se encontram no anexo IV, V, VI, VII e VIII e esto

organizadas individualmente pelas probabilidades. Por exemplo, h uma tabela
de F de Snedecor para a probabilidade de 25%, outra para 5%, outra para 10% e
assim por diante. Quando escolhemos a probabilidade e conseqentemente
tambm a tabela precisamos achar o valor de F de Snedecor cujo nmero ser
determinado no ponto, da tabela, onde os graus de liberdade do numerador
(colunas) e denominador (filas) se cruzam.
Observao: Como os valores de F s consideram alguns valores de

probabilidades, isto , p=0,10; 0,05; 0,025; 0,01 e 0,005, valores de
probabilidades complementares a estes valores no podem ser
encontrados diretamente da tabela, mas de uma forma indireta,
utilizando a propriedade recproca, os valores podem ser obtidos
considerando:
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?
2. Um atirador faz trs disparos a um alvo. Em cada um dos disparos a

probabilidade de acertar de . Se ele acerta uma vez, recebe R$ 12,80; se
acerta dois disparos recebe R$ 32,00; se acerta trs disparos recebe R$ 64,00;
e se no acerta em nenhum dos trs tiros ele tem que pagar R$ 320,00. Qual
ser o lucro esperado?
3. Um jogador A paga R$ 1,00 a outro jogador B e lana 3 dados. O jogador A

recebe R$ 2,00 se aparece 1; R$ 4,00 se aparece 2 um e R$ 8,00 se aparece 3
um, nos outros casos ele no recebe nada.
a) equitativo o jogo? Justifique sua resposta.
b) Se no fosse equitativo, Quanto deveria receber A por fazer aparecer 3 um.
4. Um comerciante estima que as vendas dirias de certo tipo de po especial

tem a seguinte forma:
Venta diria Probabilidad

estimada e
4 0,5
5 0,4
6 0,1
O custo por unidade de po de R$ 0,25 e o preo de venda de R$ 0,50. O

po deve ser ordenado com um dia de antecipao e cada unidade no
vendida no dia seguinte se entrega a uma instituio beneficente ao preo de
100
R$ 0,10 por unidade. Quantas unidades devem ordenar o comerciante para
maximizar sua utilidade esperada?
5. A demanda para certo tipo de artculo particular est caracterizado pela

distribuio de probabilidade seguinte:
d2
{
k d=1,2,3,4,5
P ( d )= 16
0 de outro modo
a) Obter o valor de k
b) Calcular a mdia da demanda.
c) Calcular a varincia da demanda.
6. Seja X uma varivel aleatria com funo de densidade:
{
1
x0 x
2
f ( x )=
1
5 x 2 x 1
2
Calcular
a) E(x) e
b) E( x4)2
7. Seja X uma varivel aleatria com funo de densidade definida por:
{
x
0 x 6
f ( x )= 18
0 de outro modo
Se Y = 10 + 2X, obter a varincia e a media de Y
8. Uma empresa que lanar ao mercado um novo produto h considerado a

contratao de um seguro para cobrir possveis perdas em operao.
Consideram que se o lanamento um fracasso total, as perdas sero de R$
80.000,00; e se o lanamento do produto somente modestamente
satisfatrio as perdas sero de R$ 25.000,00. Os aturios da companhia
asseguradora, baseados em pesquisa de mercado determinaram que as
probabilidades de um fracasso total e de um modestamente satisfatrio so de
0,1 e 0,5 respectivamente. Se ignorado outras perdas associadas, Que
montante deve-se cobrar como prima para sair sem ganhar nem perder?
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
Sendo = E(x) e = Desvio Padro de X.
10. Como parte de um programa promocional, um fabricante de detergente

oferece um primeiro premio de R$ 90.000,00 e um segundo de R$ 30.000,00
para aquelas pessoas que aceitaram usar o novo produto (distribuio
gratuita) e enviaram seu nome na etiqueta. Os ganhadores sero escolhidos
ao acaso num programa de TV.
a) Qual ser a esperana matemtica de cada concorrente se enviaram

1.500.000 pessoas?
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.
o conjunto de tcnicas e procedimentos que permitem dar ao pesquisador um

grau de confiabilidade nas afirmaes que faz para a populao, baseadas nos
resultados das amostras. Seus objetivos principais so planejar o processo
amostral e experimental, obter inferncias sobre a populao, estabelecer nveis
de incertezas envolvidas nessas inferncias.
De este ponto de vista se estudar o tamanho da amostra para fazer uma

pesquisa, intervalos de confiana para uma mdia e uma varincia populacional
e o teste de hipteses.
5.1. Tamanho da Amostra

O problema da pesquisa usualmente cai sobre quantos elementos se deve
considerar na pesquisa, a resposta depende de vrios fatores, o primeiro se a
caracterstica em estudo discreta ou contnua, a segunda se conhecido a
populao ou no.
5.1.1. O tamanho populacional no conhecido.

Neste caso devemos pensar se estamos trabalhando com uma varivel discreta
ou contnua.
Caso 1: Varivel Contnua
Neste caso a estimativa do tamanho da amostra depender da estimativa da

mdia amostral, ento esta estimativa possvel considerando a distribuio
normal, caso que os dados no se ajustem a normal, a mdia destes valores se
ajusta a distribuio normal quando se considera a lei dos grandes nmeros,
obtendo:

X
Z=

n
Podemos entender que a diferencia ( X )=d o grau de preciso do

experimento, quanto menor essa diferencia mais preciso seremos na estimativa,
em compensao precisamos de mais informao (n grande), ento:
2
Z
n= ()d
2
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.
Exemplo 5.1: Qual o tamanho suficiente para estimar a media de uma

populao finita cujo desvio padro igual a 4, com 98% de
confiana e preciso de 0,5?
Soluo
Como temos uma confiana de 98%, ento P(Z<z)=0,99 como se apresenta na

figura abaixo, ento na tabela temos que esse valor Z=2,33, ento
Z 2 2,33 2 2
n= ( )
d
2=
0,5 ( )
4 =347,4496
Logo, necessitamos uma amostra de 348 elementos
Caso 2: Varivel Discreta
Neste caso os dados so contage
m, ento com a finalidade de utilizar a distribuio normal podemos considerar a

proporo como elemento de medida, em este caso os valores variam de 0 a 1
em forma contnua, de forma que a variabilidade pode-se definir como
2= p (1 p) , ento a distribuio definida por:
^p P
Z=
p (1 p)
n
Novamente podemos considerar ( ^p P ) =d , como o grau de preciso do
experimento, ento:
2
Z
n= ()d
p(1p)
104
Lembremos que p a proporo de ocorrer um evento em particular, quando
esta proporo no conhecida, deve considerar-se p=0,5 .
Exemplo 5.2: Qual o tamanho de amostra suficiente para estimarmos a

proporo de defeituosos fornecidos por uma mquina, com preciso
de 0,02 e 95% de confiana, sabendo que essa proporo
seguramente no superior a 0,20?
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
Logo, necessitamos uma amostra de 1.537 elementos
5.1.2. O tamanho populacional conhecido.

Neste caso como conhecida o tamanho da populao para o calculo do
tamanho da amostra, deve-se considerar o fator de ajuste da distribuio
hipergeomtrica, sendo esta:
N n
N1
Caso 1: Varivel Contnua
Considerando a distribuio Normal para a estimao da mdia populacional

temos:
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
Exemplo 5.3: Consideremos o exemplo 5.1, e supor que o tamanho populacional

de 500 indivduos, desejamos a amostra necessria para estimar a
mdia.
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
Logo, necessitamos uma amostra de 206 elementos
Caso 2: Varivel Discreta
Considerando a distribuio normal para a estimao da proporo populacional

temos:
^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)
Lembremos que p a proporo de ocorrer um evento em particular, quando
esta proporo no conhecida, deve considerar-se p=0,5 .
Exemplo 5.4: Consideremos o exemplo 5.2, e supor que o tamanho populacional

de 1000 indivduos, encontrar o tamanho da amostra.
Soluo
Z 2 Np(1 p) 1,962 1000 0,2 0,8

n= = =606,0166
d 2 ( N1 ) + Z 2 p(1 p) 0,022 999+1,962 0,2 0,8
Logo, necessitamos uma amostra de 607 elementos.
5.2. Intervalo de Confiana

uma forma de estimar parmetros populacionais. s vezes atua como teste de
hipteses. A idia construir um intervalo para o parmetro em estudo com uma
confiana de (1-) de que no intervalo se encontre o verdadeiro parmetro. O
valor de o nvel de significncia, isto , o erro que estaremos cometendo ao
106
afirmarmos que, por exemplo 95% das vezes o intervalo ^ 1 << ^ 2 contem ,
para este caso =0,05 e representa qualquer parmetro.
5.2.1. Intervalos de Confiana para uma mdia

Se assumirmos que uma determinada varivel se ajusta a uma distribuio
normal, teremos o grfico a seguir:
Podemos ter duas consideraes:
a) Quando 2 conhecido
Considerando a distribuio normal, temos:

X
Z=

n
Como desejamos determinar o valor de , ento temos:

IC ( ) = X Z
(1 )
2 n
Desta forma,

LIC ( ) = XZ
(1 )
2 n
+Z
LSC ( )= X
(1 )
2 n
Onde LIC() conhecido como o limite inferior de confiana e LSC() conhecido

como o limite superior de confiana.
Exemplo 5.5: Considerando-se que uma amostra de 100 elementos extrada de

uma populao aproximadamente normal, cujo desvio padro igual
107
a 2,0 forneceu uma mdia amostral de 35,6. Construir um intervalo
de confiana de 95% para a mdia dessa populao.
Soluo
No exemplo temos as seguintes informaes n=100 , X =35,6 e =2,0 .
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
Neste caso como 2 desconhecido a distribuio apropriada para analisar a

mdia seria a distribuio t de student.
x
t=
S
n
Como desejamos determinar o valor de , ento temos:
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
Como dados temos n=4 , X =8,2 e S=0,4
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
5.2.2. Intervalos de Confiana para uma proporo

Uma freqncia relativa Amostral ^p distribui-se segundo uma distribuio de
tipo binomial, cuja mdia o prprio parmetro proporcional p , e cuja
p( 1 p)
varincia dada por , sendo n ^p 5 e n(1 ^p ) 5 , pode-se em
n
geral aproximar essa distribuio pela distribuio normal, da forma seguinte
109
^p P
Z=
p (1 p)
n
A partir de isto podemos chegar a
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
Exemplo 5.7: Retirada uma amostra de 1.000 peas da produo de uma

mquina, verificou-se que 35 eram defeituosas. Apresentar um
intervalo de confiana ao nvel de 95% para a proporo de
defeituosos fornecida por essa mquina.
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
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
Devemos perceber que o que estamos apresentando um intervalo, ento temos

2
que definir o valor de , para o Limite Inferior de Confiana e o Limite
Superior de Confiana. Consideremos o grfico da distribuio qui-quadrado.
Desta forma os limites so
( n1 ) S 2
LIC ( 2 )=
22
( n1 ) S 2
LSC ( 2)=
21
Exemplo 5.8: O peso de componentes eletrnicos produzidos por determinada

empresa, uma varivel aleatria que se supe ter uma distribuio
normal. Pretendendo-se estudar a variabilidade dos pesos das
referidas componentes, recolheu-se uma amostra de 11 elementos,
cujos valores (em gramas) foram:
98 97 102 100 98 101 102 105 95 102 100
111
Encontre o intervalo de confiana para a varincia populacional considerando
95% de confiana.
Soluo
Como dados temos S 2=8 , a distribuio qui-quadrado definido como

2 2
(n1) = 10
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
5.3. Teste de Hipteses

uma tcnica estatstica que permite avaliar o comportamento dos parmetros
populacionais. Os parmetros populacionais a estudar so (mdia populacional)
e 2 (varincia populacional), para este estudo vamos a supor que o
comportamento dos dados aproximadamente normal.
5.3.1. Componentes de um teste estatstico:

a) As hipteses a considerar.
Para este caso consideramos que s existem duas hipteses, sendo a

primeira a Hiptese Nula (Ho), aquela que ter um valor pelo menos igual a
um valor sugerido e a outra a Hiptese Alternativa (Ha) ser o complementar
da Hiptese Nula.
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.
Esta fase depender de varias situaes:
c.1. Se nosso interesse identificar o comportamento da mdia populacional

().
* Se conhecemos 2 a distribuio a considerar a Distribuio Normal

Padro (Z).
Para uma 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
Z= N ( 0 ;1)
2
n
** Se no conhecemos 2 a distribuio a considerar Distribuio t-

Student (t(n-1)).
113
Para Hiptese
H 0 : =a ; H 0 : a ; ou H 0 : a
H 0 : a ; H 0 : < a ; ou H 0 : > a

X
t= t (n1 )

2
S
n
c.2. Se nosso interesse identificar o comportamento da varincia

populacional (2), a distribuio a considerar a Distribuio Qui-
Quadrado (2).
Para uma Hiptese H 0 : 2=a ; H 0 : 2 a ; ou H 0 : 2 a
H 0 : 2 a ; H 0 : 2 <a ; ou H 0 : 2 >a
( n1 ) S2 2
2
= (n1)
2
c.3. Se nosso interesse avaliar a diferencias das mdias populacionais (1-

2), primeiro deve-se pesquisar se entre as populaes existem
similaridade (Homogeneidade das varincias), para isto usamos a
distribuio de F para comparar as varincias populacionais.
2 2 2 2 2 2
Para uma Hiptese H 0 : 1= 2 ; H 0 : 1 2 ; ou H 0 : 1 2
2 2 2 2 2 2
H a : 1 2 ; H a : 1 < 2 ; ou H a : 1 > 2
S21 22
F= F(n 1; n 1)
S22 21 1 2
* Se as varincias populacionais so iguais, podemos fazer a comparao

das mdias atravs da Distribuio t-Student (t (n1+n2-2)) e com as
varincias amostrais ponderadas.
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
( 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
** Se as varincias populacionais no so iguais, podemos fazer a

comparao das mdias atravs da Distribuio t-Student ponderado.
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
( 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
Uma vez reconhecida o tipo de distribuio podemos procurar valores

tabulares para logo compar-lo com o valor amostral obtido, isto , o
resultado de trocar os valores da amostra na distribuio escolhida ao
resultado desta operao chamamos de Valor Calculado.
115
d.1. Testes Bicaudais
/2 1- /2
Tab 1 Tab 2
Se considerarmos o grfico acima a regra de deciso estaria dado por
Se Tab 1 Valor Calculado Tab 2 Se aceita Ho
Se Tab 1 > Valor Calculado

Se rejeita Ho.
Ou Tab 2 < Valor Calculado
d.2. Testes Unicaudais
1-
Unilateral Direita
Tab 2
Se Tab 2 Valor Calculado Se aceita Ho
Se Tab 2 < Valor Calculado Se rejeita Ho
1-
Unilateral Esquerda
Tab 1
Se Tab 1 Valor Calculado Se aceita Ho
Se Tab 1 > Valor Calculado Se rejeita Ho
e) Concluses
Logo de contrastar o valor terico com o valor prtico podemos concluir

respeito de nossa hipteses inicial.
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) Ao comprar o Voltmetro de Marca A uma das consideraes que ele

tinha um erro de calibrao que tinha uma variao de 2 volts, poderia
se afirmar que a calibrao mdia do voltmetro da Marca A de 119
volts?. Use = 0,05
b) Poderamos afirmar com a informao amostral que o Voltmetro de Marca
B, tem uma mdia populacional que supera os 115 Volts?. Use = 0,05
c) Podemos afirmar com a informao amostral que o erro de calibrao do
Voltmetro da Marca A maior a 2 volts?. Use = 0,01
d) Com a informao amostral disponvel poderamos afirmar que a mdia
populacional do Voltmetro da Marca A similar mdia populacional do
voltmetro da Marca B?. Use =0,10.
Soluo:
a) Dados A = 2 Volts.
Passo 1: Formulao da Hiptese
Ho: A = 119
H: A 119
Passo 2: Definio do nvel de significao
= 0,05
Passo 3: Identificao da Distribuio Estatstica a usar.
Como conhecida a varincia populacional (2), ento a distribuio :
X A A
Z Calculado
A
nA
Passo 4: Regra de Deciso
Para saber qual deciso tomar se precisa do valor da distribuio normal

padro 0,95
/2 = 0,025 /2 = 0,025
117
-1,96 1,96
Se -1,96 ZCalculado 1,96 Se aceita Ho.
Se ZCalculado < -1,96 ou ZCalculado > 1,96 se rejeita Ho.
Passo 5: Calculo de Z.
118 119
Z Calculado 1,32288
2
7
Passo 6: Concluso.
Como -1,96 ZCalculado 1,96 ento se aceita Ho.
Existe evidencias estatsticas para afirmar a um 5% de significao estatstica

que a media populacional do Voltmetro da Marca A tenha 119 volt.
b) Passo 1: Formulao da Hiptese
Ho: B 115
H: B > 115
= 0,05
Como no conhecida a varincia populacional (2), ento a distribuio :
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
Se tCalculado 2,1318 Se aceita Ho.
Se tCalculado > 2,1318 Se rejeita Ho.
Passo 5: Calculo de t.
114 115
tCalculado 0,95346
5,5
5
Passo 6: Concluso.
Como tCalculado < 2,1318 ento se aceita Ho.

que a media populacional do Voltmetro da Marca B tenha 115 volt.
c) Passo 1: Formulao da Hiptese
Ho: 2A 4
H: 2A > 4
= 0,01
Como desejamos conhecer a varincia populacional (2), ento a distribuio

:
n 1 S 2
2
Calculado ~ 2 (6)
2
119
Para saber qual deciso tomar se precisa do valor da distribuio qui-

quadrado
2(6)
0,99
= 0,01
16,8119
Se 2Calculado 16,8119 Se aceita Ho.
Se 2Calculado > 16,8119 Se rejeita Ho.
Passo 5: Calculo de 2.
6 (5,5)
2 Calculado 8,25
4
Passo 6: Concluso.
Como 2Calculado < 16,8 ento se aceita Ho.

que a varincia populacional do Voltmetro da Marca A tenha 4 volt 2.
d) Este tipo de Problemas tem dois estgios.
d1) Para este caso precisamos saber se existe similaridade nas varincias das
duas populaes, para isto fazemos:
Passo 1: Formulao da Hiptese
Ho: 2A = 2B
Ha: 2A 2B
= 0,10
Como desejamos comparar as varincias das duas populaes, ento a

distribuio a considerar:
120
S 12 22
FCalculado ~ F( 6, 4)
S 22 12
Para saber qual deciso tomar se precisa do valor da distribuio F de

Snedecor
F(6,4)
/2 = 0,05 0,90
/2 = 0,05
1 4,53
0,1623
6,16
Se 0,1623 FCalculado 4,53 Se aceita Ho.
Se FCalculado > 4,53 ou FCalculado < 0,1623 Se rejeita Ho.
Passo 5: Calculo de F.
9,3333
FCalculado 1,69697
5,5
Passo 6: Concluso.
Como 0,1623 FCalculado 4,53 ento se aceita Ho.
Existe evidencias estatsticas para afirmar a um 10% de significao

estatstica que ambas varincias populacionais tem variabilidade
semelhantes.
d2) Passo 1: Formulao da Hiptese
Ho: A = B
H: A B
= 0,10
Como do estagio anterior (d1) encontramos que as varincias de ambas

populaes so iguais, ento a distribuio a considerar:
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)
Para saber qual deciso tomar se precisa do valor da distribuio t de student
t(10)
0,90
/2 = 0,05 /2 = 0,05
-1,8125 1,8125
Se -1,8125 tCalculado 1,8125 Se aceita Ho.
Se tCalculado > 1,8125 ou tCalculado < -1,8125 Se rejeita Ho.
(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.
Como tCalculado > 1,8125 ento se rejeita Ho.

estatstica que as medias populacionais dos Voltmetros das Marca A e B
no so iguais.
Observao: Imaginemos que no estagio (d1) o resultado houve-se sido que

existe heterogeneidade entre as varincias das duas populaes, isto
, se houve-se rejeitado Ho.
Neste caso o estagio (d2) seria o seguinte:
d2*) Passo 1: Formulao da Hiptese
Ho: A = B
H: A B
= 0,10
Como estamos supondo que no estagio anterior (d1) encontramos que as

varincias de ambas populaes no so iguais, ento a distribuio a
considerar:
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
Para saber qual deciso t(4)

t(6) tomar se precisa do valor da distribuio t de student
0,90 0,90
/2 = 0,05 /2 = 0,05 /2 = 0,05 /2 = 0,05
123
-1,9432 1,9432 -2,1318 2,1318

9,3333 5,5
(1,9432) (2,1318)
t* 7 5 2,0284
9,3333 5,5

7 5
Se -2,0284 tCalculado 2,0284 Se aceita Ho.
Se tCalculado > 2,0284 ou tCalculado < -2,0284 Se rejeita Ho.
(118 114) 0
t Calculado 2,5642
9,3333 5,5

7 5
Passo 6: Concluso.
Como tCalculado > 2,0284 ento se rejeita Ho.

estatstica que as medias populacionais dos Voltmetros das Marca A e B
no so iguais.
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) Se deseja-se estimar o total de ausncias ao trabalho.

b) Se deseja-se estimar as ausncias medias ao trabalho.
c) Se deseja-se estimar a proporo de trabalhadores que faltam mais de 3
vezes.
2. Suspeita-se que a renda familiar media dos moradores de Pepira seja de

aproximadamente 10 Salrios Mnimos (SM) e o desvio padro de 5 SM.
Pretende-se usar a Amostragem Simples ao Acaso como plano amostral.
a) Que tamanho deve ter a amostra, para que o erro padro da media amostral
seja de 0,5. Considere uma confiana de 90%.
b) Como ficaria a resposta acima, se N=20.000?
3. Um levantamento amostral sobre a situao de sade de uma populao

bastante grande visa estimar a incidncia inicial de duas doenas. Suspeita-se
que a incidncias de uma delas de 50% e a outra, mais rara, da ordem de
1%. Qual deve ser o tamanho da amostra em cada caso para manter o mesmo
erro de 0,5%. Considere uma confiana de 95%.
4. A prefeitura de Pepira pretende estimar o nmero de domiclios com pelo

menos um morador com mais de 65 anos. Em uma amostra aleatria simples
de 60 casas, 11 tinham pelo menos um morador idoso. A cidade tem 621
domiclios, segundo registra a prefeitura. Se voc deseja que o erro de
estimao no seja superior a oito pontos porcentuais para mais ou para
menos, que tamanho de amostra com ou sem reposio deveria ser usado, se
considerarmos uma confiana de 90%?
5. Seja X a varivel salrio anual em milhes de unidades monetrias. Quando se

mede a varivel X sobre uma populao de 870 pessoas, obtm-se a seguinte
distribuio de freqncias:
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
Com o objeto de estabelecer pautas para futuras pesquisas de salrios se

estratifica a populao utilizando dois mtodos de estratificao. O mtodo I
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.
Supondo uma amostragem com reposio e para um tamanho de amostra

n=100, realizar as distribuies dos tamanhos de amostra segundo os critrios
de distribuio, para ambos dos mtodos compare.
6. Se considera uma amostra de 45 alunos, sem reposio, de uma sala de

estatstica de 221 alunos que obtiveram uma mdia de 70 pontos e um
desvio padro de 9 pontos nas qualificaes finais. Determinar o intervalo
de confiana de 98% para a mdia das 221 qualificaes. Uma fabrica de
chapas, coleto uma amostra fornecida por duas mquinas, os resultados
das espessuras (em mm) se apresentam nas seguintes tabelas:
Mquina 1 Mquina 2
Interval fi 87 145
o
85 3 94 98
95
95 11 82 135
105
105 15 115 101

115
115 21 123 85
125
125 24
135
135 13
145
145 8
155
155 5
165
A gerencia deseja saber em funo as duas Mquinas consideradas qual o

intervalo confidencial ao 95% de confiana de:
a) A espessura media da mquina 1.

b) A espessura media da mquina 2.
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
Turma 1 7,1 1,60
Turma 2 7,8 0,25
Poderia concluir ao 98% de confiana que a afirmao feita pelo professor

certa?, qualquer que seja sua concluso, voc poderia dizer que este
resultado devido homogeneidade existente entre as duas turmas, para
isto use um nvel de confiana de 95%.
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?.
9.- As vendas dirias de um armazm podem ser consideradas como uma

varivel que tem distribuio normal. Nos ltimos 2 anos o valor mdio das
vendas foi de R$ 8.000 e a direo decidiu efetuar uma campanha publicitria
com o objetivo de aumentar o valor das vendas. Para isto, considerou-se as
vendas dirias dos ltimos 3 meses seguintes ao lanamento da campanha,
registrando-se em 16 dias obtidos ao acaso desses 3 meses, que o valor
mdio das vendas foi de R$ 8.750 e o desvio padro de R$ 1.250.
Podemos afirmar a um 95% de confiana que o objetivo da campanha foi

atingido?.
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:
Amostra 1: 12,2 12,4 12,1 12,0 12,7 12,4
Amostra 2: 13,0 13,2 12,9 12,1 11,9
a) Obtenha um intervalo de confiana para a media de cada amostra de 95%

de confiana, compare os resultados obtidos pelas duas amostras.
b) Obtenha um intervalo de confiana para a varincia de cada amostra com
um 90% de confiana.
c) O resultado obtido em (a) tem sentido, obtenha alguma ferramenta que
permita ou no justificar o resultado obtido em (a).
14.- Os dados abaixo representam a resistncia de dez pedaos de um cabo de
ao, ensaiados por trao at a ruptura. Com base nos resultados obtidos,
pretende-se saber se esse cabo obedece especificao, a qual exige que sua
carga mdia de ruptura seja 1.500 Kg no mnimo. Qual sua concluso, ao nvel
de 2% de significncia?.
15.- A cronometragem de certa operao industrial forneceu os seguintes

valores para diversas determinaes, dados em segundos:
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?.
17.- Uma mquina foi regulada para fabricar placas de 5 mm de espessura, em

mdia, com coeficiente de variao de, no mximo, 3%. A distribuio das
espessuras normal. Iniciada a produo, foi colhida uma amostra de
tamanho 10, que forneceu as seguintes medidas de espessuras, em
milmetros:
5,1 4,8 5,0 4,7 4,8 5,0 4,5 4,9 4,8 5,2
Ao nvel do 1%, pode-se concluir que a hipteses de que a regulagem da

mquina satisfatria?.
18.- Em indivduos normais, o consumo renal mdio de oxignio tem distribuio

normal com mdia 12 cm 3/min e desvio-padro 1,3 cm 3/min. Um pesquisador
coleta uma amostra do consumo renal de oxignio de 10 indivduos, obtm
uma mdia amostral de 12,5 cm3/min e um desvio amostral de 1,8 cm 3/min, o
pesquisador poderia afirmar que o consumo renal mdio de oxignio
significativamente maior que 12 cm3/min. Use um nvel de 5% de
significncia.
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):
Realize um teste de hiptese a fim de verificar se existe uma diferencia

significativa no sentido de um maior contedo mdio de citrato no sangue
arterial em relao ao sangue da veia heptica. Use =0,01.
21.- Em uma experincia industrial, foi executado um trabalho por 10 operrios,

de acordo com o mtodo I, e por 20 operrios, de acordo com o mtodo II. Os
resultados que so o tempo necessrio para a execuo do trabalho (em
min)se apresentam a continuao:
Mdia Varincia
Mtodo I 53 6
Mtodo II 57 15
a) Teste se os dois mtodos devem ser considerados como tendo a mesma

variabilidade do tempo.
b) Diga se os dados permitem afirmar que o mtodo I fornece um tempo
mdio menor que o mtodo II. (Use =0,05).
22.- A qualidade de rebites tanto melhor quanto maiores sua resistncia mdia
e sua homogeneidade. Seis rebites de duas marcas foram ensaiados ao
cisalhamento, tendo-se obtido as seguintes cargas de ruptura:
Esses resultados ratificam a afirmao, do produtor da Marca B, de que seus

rebites so melhores quanto a pelo menos um aspecto?. Use =0,05.
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:
284, 283,9 234,8 285,2 284,3 283,7 284,0

6
Ao nvel de 5% de significncia, podemos concluir que a homogeneidade da

produo tenha variado no decorrer das duas semanas pesquisadas?.
24.- A fim de comparar duas marcas de cimento, A e B, fizemos experincia com

quatro corpos de prova da marca A e 5 corpos de prova da marca B, obtendo-
se as seguintes resistncias ruptura:
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.
6.2. Introduo Anlise de Regresso Simples

Existem pelo menos trs tipos de modelos:
1. Modelo Fsico Que uma rplica exata do objeto a serem modelados.
2. Modelo Anlogo Que similar ao objeto a ser modelado, pero tem
diferente tamanho e estrutura. conhecida tambm como modelo a
escala.
3. Modelo Matemtico Que uma expresso ou equao matemtica
utilizada para representar o comportamento do fenmeno estudado.
Observao: Os modelos de regresso apresentados nesta seo so
exclusivamente modelos matemticos.
O modelo de regresso mais elementar conhecido como regresso simples.
uma regresso linear que envolve somente duas variveis. Um das variveis
conhecido como a Varivel Dependente. Esta varivel o qual seu valor se
queira predizer representada pela letra (Y). A outra varivel conhecida como
a Varivel Independente. Esta varivel utiliza para predizer a varivel
dependente e se representa mediante a letra (X).
Em a anlise de regresso simples s se examina se entre as duas variveis
existe alguma relao linear.
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?
6.2.1. Determinando a Equao da Linha de Regresso Linear

Num exemplo como o anterior, podemos desenvolver um modelo matemtico
que nos sirva como ferramenta de predio. Este modelo matemtico se conhece
como a equao de regresso.
Existem dois tipos de modelos matemticos que poderiam ser utilizados:
Modelo Determinstico Que um modelo que pretende explicar a relao

exata que existem entre as variveis. Este modelo no permite erro de predio.
Exemplo:
Se a equao da linha de regresso fosse:
Y =1,68+2,40 X
o valor exato de (Y) quando (X) 5 ser:

Y =1,68+2,40 ( 5 ) =13,68
Uma dificuldade importante deste modelo que na realidade a predio no

exata, j que no estamos considerando a variao devido ao fenmeno de
aleatoriedade que muito provvel que a varivel (X) no possa explicar.
Modelo Probabilstico um modelo mais realista que reconhece a existncia

de variaes inexplicveis causadas por variveis importantes no inclusas no
modelo constituindo parte do fenmeno aleatrio. Este modelo incorpora o
componente determinstico e o componente aleatrio. A equao da linha de
regresso baixo este modelo :
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
cada unidade que (Xi) incremente. Como apresentado abaixo.
O componente determinstico da equao : Y^ i= ^ 0 + ^ 1 X i
Como para fazer a anlise utilizada a informao da amostra, os valores de
0 e 1 devem ser estimados mediante estatsticas de amostras.
A equao de regresso que utiliza informao amostral a seguinte:
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
mnimos. O que procura este anlise minimizar o total de erro contida na

amostra.
Para fins prticos no desenvolveremos a tcnica de mnimos quadrados, mas

sem apresentaremos os resultados a partir desta tcnica, sendo estes:
^ 0=Y ^1 X
X i Y in X Y
^ 1= i=1
n
X 21n X 2
i=1
Exemplo 6.1: Suponha que uma loja realiza um experimento recopilando

informao durante cinco meses para determinar o efeito da
publicidade nas vendas mensais. O resultado se apresenta na
seguinte tabela:
Usualmente o primeiro passo numa anlise de regresso simples construir um

grfico representando os valores de (X) no eixo horizontal e os de (Y) no eixo
vertical. Esta representao no da informao preliminar sobre a relao de
ambas variveis.
Naturalmente como o que queremos predizer so as vendas mensais esta ser a
varivel dependente (Y), enquanto os gastos de publicidade a varivel
independente (X).
135
No grfico se pode observar uma tendncia geral de (y) a ascender a medida que
(x) incrementa.
Como se pode observar no grfico os dados tem um comportamento quase linear

que pode ser modelada a partir da equao linear, para isto precisaramos a
seguinte equao:
Y^ i= ^ 0 + ^ 1 X i
^ 0 ^ 1
Para o clculo de e consideramos as expresses apresentadas nas
equaes acima, para isto em nosso exemplo devemos tratar informao da

seguinte forma:
Como Y representa as vendas mensais e X representa os gastos de publicidade,

ento a tabela ser apresentada do seguinte modo:
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 :
^ 0=23 ^1 =23 0,7=0,1
Daqui a linha estimada a partir dos quadrados mnimos (linha de regresso) :
Y^ i=0,1+0,7 X i
A predio de (Y), , para determinado valor de (X) obtida pela substituio

deste valor na frmula da linha dos quadrados mnimos. Por exemplo, se (X) 2
ento = -0,10 + 0,70*(2) = 1,30. Observe na Figura acima a linha de
regresso.
137
6.2.2 Teste de Hipteses sobre o Coeficiente Angular
^
Para saber se nossas estimativas respeito a 1 so adequadas devemos de
fazer uma anlise respeito as mesmas, existem duas formas de avaliar as
^ 1
estimativas respeito a .
1.- A primeira determina se existe coeficiente angular ou no.
Para isto se faz uso da Anlise de Varincia (ANOVA) que simplesmente a

decomposio da variabilidade total de (Y) em componentes determinstico e
aleatrio com a finalidade de comparar quem exerce mais influencia na
varivel Y.
O ANOVA tem a seguinte representao:
Fontes de Variao (F.V.) que expressa que componentes estaremos avaliando.
Graus de Liberdade (G.L.) que expressa o nmero de variveis independentes.
Somas de quadrados (S.Q.) que apresenta a soma das decomposies dos

fatores.
Quadrados Mdios (Q.M.) que a variabilidade dos fatores em estudo.
F calculado, que o elemento que permitira aceitar ou rejeitar a hiptese.
Isto apresentado na seguinte tabela:
ANOVA
F.V. G.L. S.Q. Q.M. Fcalculado

Regresso 1 SQReg QMReg=SQReg F=QMReg/QMErro
Erro n-2 SQErro QMErro=SQErro/(n-2)
Total n-1 SQTotal
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
SQ Erro=SQ Total SQ Reg
Em nosso exemplo podemos estar interessados em saber se existe a pendente,

isto :
Ho: 1 = 0 (No existe relao linear entre Y e X)
Ha: 1 0 (Existe relao linear entre Y e X)
=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
SQ Erro=SQ Total SQ Reg=64,9=1,1
ANOVA
F.V. G.L. S.Q. Q.M. Fcalculado Ftabular Significa

o
Regresso 1 4,9 4,90 13,36 10,13 **
Erro 5- 1,1 0,37
2=3
Total 5- 6,0
1=4
** o teste significativo a 1%
139
Como Fcalculado > Ftabular se rejeita Ho, com o que se concluiria que efetivamente
existe a pendente (1) em estudo.
2.- A segunda determina se o coeficiente angular tem um valor pr-

fixado (b).
Se podem estabelecer as seguintes hipteses para provar se 1 b ou no:
Ho: 1 = b Ho: 1 b Ho: 1 b
Ha: 1 b Ha: 1< b Ha: 1> b
A estatstica de Teste o t de student calculada como:
^ 1 1
t= t (n2)
S ^1
Onde

QM Erro
S ^ = n
1
X 2i n X 2
i =1
Em nosso exemplo podemos testar quando

1=0 com um nvel de significncia
de 0,05. A hiptese a formular da seguinte forma:
Ho: 1 = 0
Ha: 1 0
Com 5 2 = 3 graus de liberdade e dividindo a entre dois (0,025) teramos a

seguinte regra de deciso:
Rejeito a hiptese Ho se t(calculado) < - 3,182 ou se t(calculado) > 3,182, enquanto se o

valor de t esta entre [-3,182 ; 3,182] se aceita a hiptese Ho.
t(3)
0,95
/2 = 0,025 140 /2 = 0,025
-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
Desta forma o teste estatstico definido por:
0,700
t= =3,68
0,37
10
Como o valor calculado de t calculada=3.68 e maior que o valor t tabular=3.182,

rejeitamos a hiptese Ho e conclumos que existem evidencias estatsticas para
afirmar que a pendente diferente de 0.
6.2.3 Intervalo de Confiana para a Previso

Para um valor determinado de (X), (Y) pode assumir uma variedade de valores.
Pode-se construir um intervalo de confiana para estimar a mdia condicionada
de (Y) a quem identificaremos como E(Y X). O intervalo confidencial para um valor
fixo de X se obtm da seguinte forma:

E (Y X ) Y t ( / 2, n 2 ) QM Erro

1

X 0 X 2

n n
X
2
i
2
nX
i 1
6.3. Coeficiente de Determinao (R2)

Mede quanto contribui a varivel independente (X) no comportamento da
varivel dependente (Y). O valor de R 2 varia entre 0 e 1. Quanto mais perto de 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
Em nosso exemplo para calcular o coeficiente de determinao precisamos da

tabela de ANOVA.
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.
6.3.1. Medidas de Associao

Correlao - uma medida do grau da relao de dois o mais variveis.
Existem varias medidas de correlao. Uma de elas o:
Coeficiente de Correlao (r) Se conhece tambm como a "Coeficiente de

Pearson" e se representa por meio do smbolo (rho). Como utilizamos
informao amostral o coeficiente de correlao da amostra se conhece como (r).
definida como uma medida do grau de fortaleza da relao linear entre as

variveis (X) y (Y).
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
Otra forma de calcularlo es la siguiente:
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:
(1,1) (4,1) (5,3) (3,2)
(3,4) (4,2) (1,4) (3,3)
Qual a linha de regresso estimada, obtenha o coeficiente de correlao e de

determinao.
2. Para cinco volumes de uma soluo, foram medidos os tempos de

aquecimento em um mesmo bico de gs e as respectivas temperaturas de
ebulio:
Faa um grfico identifique a linha de regresso estimada, estabelea o teste

da existncia dos parmetros.
3. Oito alunos sorteados entre os da segunda serie de um curso de Engenharia

obtiveram as seguintes notas nos exames de Clculo e Fsica:
4. Ajuste uma reta de mnimos quadrados aos dados abaixo, adotando:
a) X como varivel independente;
b) Y como varivel independente.
Verifique se as duas equaes obtidas correspondem mesma funo

implcita.
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:
a) Identifique a varivel Independente (X) e a varivel dependente (Y).
b) Faz um grfico desta relao.
c) Qual o modelo para esta relao, o modelo bom porque?.
d) Qual a velocidade esperada para um veculo de 730 Kgs.?
e) Qual a velocidade esperada para um veculo de 730 Kgs.?
6. As vendas de duas firmas A e B esto relacionadas a seguir, em milhares de

unidades.
Ao nvel de 5% pode-se afirmar que em 1980 as vendas de A sero maiores

que as vendas de B?.
7. As vendas de duas firmas A e B esto relacionadas a seguir, em milhares de

unidades.
a) Identifique a varivel Independente (X) e a varivel dependente (Y).
b) Faz um grfico desta relao.
c) Qual o modelo para esta relao, o modelo bom porque?.
d) Quais sero as vendas das duas firmas no ano de 1976?.
144
Bibliografia
[1] Bussab, W. O. e Morettin, P.A. (1987). Estatstica Bsica, 4a Ed., So

Paulo.
[2] Botter, D.A. , Paula, G.A., Liete, J.G. e Cordani, L.k. (1996). Noes de
Estatstica. So Paulo:IME/USP.
[3] Montgomery, D.C. e Runger, G.C. (1996) Applied statistics and

probability for engineers John Wiley &Sons, Inc.
[4] Montgomery, D.C. e Peck, E.A. (1992) Introduction to linear regression

analysis John Wiley &Sons, Inc.
[5] Montgomery, D.C. (1991) Design and analysis of experiments John

Wiley &Sons, Inc.
[6] Moore David S. (1995).The Basic Practice of Statstics. Handcover.
[7] Fernadez, P.J. (1973). Introduo teoria de probabilidades. Rio de

Janeiro: Livro Tcnico.
[8] Meyer, Paul, L. (1977),Probabilidade: aplicaes estatstica Livros

tcnicos e cientficos editoras.a.
[9] Peres , C.A., Saldiva, C.D. (1982). Planejamento de Experimentos 5a

Sinape, So Paulo,
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)
Anexo V: Distribuio F-Snedecor (p=0,05)

P(2 > q)
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

ESTATÍSTICA

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

ESTATÍSTICA

Enviado por

Direitos autorais:

Formatos disponíveis

ESTATSTICA BASICA

Autor: Prof. Dr. Arturo Alejandro Zavala Zavala

Professor do quadro efetivo da Universidade Federal de Mato Grosso -

Especialista em Estatstica Econmica, Modelos de Regresso, Series

Um dos principais problemas no estudo e na pesquisa a interpretao dos

Este trabalho foi escrito com o intuito de apresentar ao aluno de Economia e em

A estatstica muitas vezes rejeitada pelos alunos pela suposta complexidade da

Convido a vocs a leitura deste trabalho e a aplicao podemos fazer em forma

Abraos e boa leitura.

1.1. Historia da Estatstica

Os primeiros registros encontram-se na populao Egipcia. Ramses II (1400

No sculo III antes de Cristo as civilizaes da China e Romana fizeram

Na idade mdia Carlos Magno (742 814) ordenou a criao de um

Nos sculos XVII e XVIII os matemticos como Daniel Bernoulli (1700

A palavra Estatstica foi proposta pelo professor da Universidade de

Ao final do sculo XIX Sir Francis Glatn (1822-1911) formulou o mtodo

Devido a apario da computadora, a estatstica toma outro rumbo

As aplicaes economia conduzem a disciplinas com contedo prprio

1.2. Conceito de Estatstica

Bom, estas possveis respostas no esto muito longe de uma definio

Ento uma definio formal poderia ser:

A estatstica uma cincia que se fundamenta nas

Ento a estatstica permite analisar situaes onde possvel medir,

Sendo assim, podemos entender que a estatstica se pode dividir em dois:

Por seu nvel de avaliao a Estatstica se pode dividir em: a) A Estatstica

1.3. Conceitos Bsicos na Estatstica

O Conceito da populao proveem do termo latino populatio. Seu uso

Em geral na Estatstica se pode entender que Populao um conjunto de

Exemplo: Todos os alunos inscritos no curso de Economia do Campus de

Observemos aqui que com esta definio a populao restrita a um

Conhecida naturalmente como a parte extrada de um conjunto que

B1) Amostragem Aleatria

Exemplo: Se deseja estudar o salario dos funcionrios da empresa A

B2) Amostragem Determinstica ou Conveniencia

Este tipo de amostragem se caracteriza porque a coleta direcionada pelo

Exemplo: Imaginemos que desejamos estudar os aspectos socieconomicos

Chamada tambm de Unidade Populacional se ela pertence a um elemento

Exemplo: Um cliente assduo da empresa A Economica S.A..

Que perguntas se-pode fazer a este Cliente?

Em estatstica o conceito de Varivel um pouco diferente que a proposta

Exemplos: No caso da empresa A econmica S.A., algumas perguntas

No exemplo ento temos 4 variveis definidas: Quantidade de dinheiro

A partir deste exemplo podemos identificar que existem dois tipos de

D1) Variveis quantitativas

So aquelas caractersticas cuja representao feita a traves de

Variveis quantitativas discretas

Variveis quantitativas contnuas

Notemos tambm que a varivel quantitativa contnua na maioria dos

D2) Variveis qualitativas

Este tipo de variveis se caracteriza por mostrar as qualidades presentes

Variveis qualitativas Hierrquicas ou Ordinais

Variveis qualitativas Nominais

So valores que caracterizam a uma populao. Por exemplo: Se a

aquele valor que se pretende aproximar ao parmetro, isto , como

Considerando a informao anterior identifique se possvel populao, amostra,

Populao: Todos os clientes da empresa Economica Ltda

Amostra: 50 clientes da empresa Economica Ltda

Unidade Elemental: 1 cliente da empresa Economica Ltda

Parmetro: Vendas semanais das lmpadas (Desconhecido)

Estimador: 3000 lmpadas por semana.

1.- Uma empresa dedicada construo de apartamentos deseja avaliar os

2.- Dois amigos com a finalidade de aprovar a matria de Probabilidade e

4.- Num centro hospitalar de So Paulo se desejo avaliar o nmero de pacientes