Você está na página 1de 44

Estatística

Organização Industrial
Estatística

1. Estatística descritiva

A estatística divide o estudo e a análise dos dados em três fases:

1. obtenção dos dados

2. descrição, classificação e apresentação dos dados

3. conclusões a tirar

A segunda fase é normalmente conhecida por Estatística Descritiva e a terceira por

Inferência Estatística.

Chama-se colecção de dados a um conjunto de observações de certo atributo.

Os atributos observados podem ser registados nas seguintes escalas:

 Escala nominal- A diferenciação dos dados é feita meramente através de uma

designação; mas não se podem hierarquizar.

Exemplos: sexo, raça, religião.

Estas variáveis constituem o nível mais baixo de medida.

 Escala ordinal- a ordem das modalidades tem significado.

Exemplos: os escalões de rendimentos, as classes etárias.

Esta escala é de nível superior à nominal.

 Escala de intervalo-o uso de números para classificar os elementos é feito de

forma que, a igual diferença entre os números corresponda a igual diferença nas

quantidades do atributo medido.

O zero é um valor arbitrário e não representa ausência da característica medida.

Exemplos: temperatura medida em graus Celsius, os resultados de um teste de

inteligência.

 Escala de rácio- difere de uma escala de intervalo porque o zero tem existência

real, denotando ausência da característica medida.

Exemplos: peso, altura, tempo

2
Organização Industrial
Estatística

Nos dois primeiros casos, os atributos observados são qualitativos, revestem várias

modalidades; nos dois últimos são quantitativos, apresentam-se com diferentes

intensidades ou valores. Qualquer que seja o atributo considerado, existe sempre a

possibilidade de o representar numericamente. Assim: no caso de um atributo quantitativo,

os valores numéricos são as respectivas intensidades; quando se trata de um atributo

qualitativo, este também pode ser representado numericamente, bastando para tal

estabelecer uma correspondência entre as várias modalidades e os números inteiros.

Qualquer que seja o atributo considerado, o seu valor numérico pode variar de elemento

para elemento. Para assinalar este facto, representam-se estes valores por uma variável.

As variáveis podem ser discretas ou contínuas.

1.1. Quadro de distribuição de frequências e representação gráfica

Depois de efectuada a recolha de dados, estes ainda não se encontram organizados. É

costume chamá-los de dados brutos.

Para condensar a informação contida nos dados recolhidos, é usual construir um quadro de

distribuição de frequências. Este quadro distribui os valores da variável estatística em

frequências simples e acumuladas que tanto podem ser absolutas como relativas.

As frequências absolutas, designadas por Fi indicam o nº de vezes que cada elemento da

variável se repete.

As frequências relativas, designadas por fi, exprimem o nº de vezes que cada elemento se

repete face ao total de observações, isto é,

Fi
fi=
n
Estas duas frequências Fi e fi são as frequências simples. As frequências relativas são

interpretadas em termos percentuais.

As frequências acumuladas absolutas, designadas por Cum Fi , e as frequências acumuladas

relativas , designadas por Cum fi , dão para cada valor ou categoria da variável,

respectivamente o número ou a frequência de observações existentes até esse valor ou até

essa categoria.

3
Organização Industrial
Estatística

1.2. Exemplo de uma variável estatística discreta

Uma variável discreta pode assumir um n.º finito ou uma infinidade numerável de valores.

Um exemplo pode ser encontrado num estudo feito sobre 5000 apólices de seguro

do ramo automóvel em que se observam o número de sinistros ocorridos nos três

primeiros anos de seguro, em que os resultados obtidos foram os seguintes:

N.º de sinistros N.º de apólices

0 2913

1 1532

2 381

3 102

4 72

Obtém-se o seguinte quadro de distribuição de frequências:

X – v. a. representativa do n.º de sinistros nos primeiros 3 anos de seguro.

Uma representação gráfica das frequências simples de variáveis qualitativas ou

quantitativas discretas é o gráfico de barras ( bar chart) onde se indica no eixo vertical as

respectivas frequências e no eixo horizontal as modalidades ou valores da variável. Cada

valor ou cada modalidade é representada por um traço vertical de altura igual à respectiva

frequência.

4
Organização Industrial
Estatística
4000

n.º de apólices
3000

2000

1000

0
0 1 2 3 4

Acidentes

Outro tipo de representação serve-se do conceito de frequências acumuladas e tem uma

representação gráfica em escada.

1.3. Exemplo de uma variável contínua

Uma variável contínua pode assumir qualquer valor dentro de um intervalo real. No caso das

variáveis contínuas o processo de construção de quadros de frequência é um pouco

mais elaborado e compreende dois passos:

1. Determinar o número de classes para a tabela de frequências. O número de

classes deve ficar entre 5 e 20. A regra de Sturges indica-nos o n.º de classes que

é conveniente considerar: k  1  3,3 log10 n .

2. Determinar a amplitude de cada classe dividindo a amplitude pelo número de

classes em que a amplitude é a diferença entre o maior e o menor valor. Arredondar

o resultado por excesso até um número conveniente. Este arredondamento por

excesso garante que todos os valores sejam incluídos na tabela de frequências.

amplitude
amplitude de classe 
n.º de classes

3. Escolher para limite inferior da primeira classe o menor valor observado ou um

valor ligeiramente inferior a este. Esse valor serve como ponto de partida.

4. Some a amplitude de classe ao ponto de partida, obtendo o limite inferior da

segunda classe. Repita o processo para obter os limites inferiores das classes

seguintes.

5
Organização Industrial
Estatística

5. Coloque os limites inferiores ao longo de uma coluna e os limites superiores

numa coluna paralela, sabendo que cada limite superior é obtido adicionando a

amplitude de classe ao seu limite inferior correspondente.

6. Represente cada observação por um pequeno traço na classe apropriada e, com

o auxílio desses traços, determine a frequência total de cada classe.

Consideremos o seguinte exemplo: a Tabaqueira SA fez um apertado controlo da qualidade

dos cigarros que produz; o peso é uma das características rigorosamente acompanhadas.

Com os pesos de uma amostra de 500 cigarros SG Filtro construiu-se a distribuição de

frequências do quadro seguinte:

Peso (mg) Frequências


Classes absolutas

]760,780] 4

]780,800] 43

]800,820] 118

]820,840] 168

]840,860] 117

]860,880] 39

]880,900] 11

Total 500

6
Organização Industrial
Estatística

Quadro de distribuição de frequências

Classes Ci Fi CumFi fi Cumfi

]760,780] 770 4 4 0,008 0,008

]780,800] 790 43 47 0,086 0,094

]800,820] 810 118 165 0,236 0,330

]820,840] 830 168 333 0,336 0,666

]840,860] 850 117 450 0,234 0,900

]860,880] 870 39 489 0,078 0,978

]880,900] 890 11 500 0,022 1

Ci – marca de classe – são os pontos médios das classes. Cada marca de classe é obtida

somando-se o limite inferior ao limite superior correspondente e dividindo-se o resultado

por dois.

 Representação gráfica

Uma representação gráfica das frequências simples de variáveis quantitativas contínuas é o

histograma, onde se indica no eixo vertical as respectivas frequências por unidade de

classe e no eixo horizontal os valores da variável.

O histograma é um gráfico de barras adjacentes, representando a área de cada barra a

frequência absoluta ou relativa da classe a que respeita. A área de cada barra é igual à

respectiva frequência e a área total do histograma é igual à totalidade das classificações, n

ou 1, consoante a frequência for absoluta ou relativa.

Outra forma de representação gráfica é conhecida por polígonos de frequências e resulta

de unir sucessivamente, por segmentos de recta, os pontos médios dos lados superiores dos

rectângulos. À imagem geométrica cumulativa chama-se polígono integral. No processo de

passagem ao limite (n aumenta indefinidamente quando a amplitude quando a amplitude das

classes tende para zero) o polígono integral tenderá para uma curva contínua, imagem da

denominada função distribuição.

7
Organização Industrial
Estatística

1.4. Medidas de localização de tendência central

1.4.1. Média

A medida de localização mais correntemente usada é a média aritmética que se representa

simbolicamente por x .

 Para dados não tabelados


n
 xi
i 1
x x i - valor da observação i ; n - nº total de observações
n

 Para dados tabelados


k

x F i i
x  i 1

n
n - nº total de observações

k – nº de valores possíveis da variável

Fi – frequência absoluta do valor xi

xi = ci– marca de classe

O facto da média ser um valor calculado a partir de todas as observações, apresenta o

inconveniente de a tornar muito sensível a valores aberrantes.

1.4.2. Moda

No caso discreto, a moda é o valor a que corresponde a

maior frequência. Para uma distribuição de frequências

de uma variável contínua, a classe modal é a classe com

maior frequência e existem algumas fórmulas empíricas

para a localização da moda. Vamos utilizar a fórmula de

King:

M0

8
Organização Industrial
Estatística
FP
M0  l0  a0 aP
FP Fa

aP aa

onde

FP
- frequência por unidade de classe, da classe posterior à modal
aP
l0 – limite inferior da classe modal

a0 – amplitude da classe modal

Se as classe tiverem igual amplitude é desnecessário utilizar as frequências por unidade de

FP
classe, calculando apenas M0  l 0  a0  .
FP  Fa
FP – frequência da classe posterior à modal.

Fa - frequência da classe anterior à modal.

 Moda em termos de frequência relativa

fP
M0  l0  a0 aP
fP fa

aP aa
fP
- frequência relativa por unidade de classe, da classe posterior à modal
aP
l0 – limite inferior da classe modal

a0 – amplitude da classe modal

Quando um conjunto de valores não tem moda, diz-se amodal. Se possui duas modas,

chama-se bimodal; com três modas ou mais diz-se plurimodal.

1.4.3. Mediana

A mediana (Me) é o valor que divide um conjunto ordenado em duas partes iguais, isto é,

50% dos seus elementos são iguais ou menores do que ele e 50% dos elementos são maiores

ou iguais do que ele.

9
Organização Industrial
Estatística
 dados não classificados

- se n for ímpar, n=2k+1 e a mediana é o valor xk+1;

x k  x k 1
- se n for par, n=2k e a mediana é o valor
2
Este método é facilmente aplicado ao caso em que os dados se referem a uma variável

estática discreta. Se a variável é contínua, a mediana será o valor da variável cuja imagem é

o elemento mediano. Utilizando as frequências acumuladas, vemos em que classe é

acumulada metade das observações. A essa classe chama-se classe mediana.

0,5  Cumfe-1
M e  l e  ae 
fe
Cumfe-1 – frequência relativa acumulada da classe anterior à classe mediana

fe – frequência relativa da classe mediana

ae – amplitude da classe mediana

le – limite inferior da classe mediana

0,5n  CumFe 1
Em termos de frequência absoluta, Me  le  ae 
Fe
 Comparação da média, mediana e moda

o Nas distribuições simétricas, x  Me  M0 .

o Nas distribuições assimétricas positivas (enviezadas à esquerda)

M0  Me  x .

o Nas distribuições assimétricas negativas (enviezadas à direita)

x  Me  M0 .

10
Organização Industrial
Estatística

Comparação entre média, mediana e moda


Leva em
Afectada
Quão conta Vantagens e
Medida Definição Existência pelos valores
frequente todos os desvantagens
extremos?
valores?
n funciona bem com

Média
 xi média mais existe
sim sim muitos métodos
x i 1
“familiar” sempre
n estatísticos
costuma ser uma

usada existe boa escolha se há


Mediana valor do meio não não
comummente sempre alguns valores

extremos
apropriada para
valor mais pode não
Moda pouco usada não não dados na escala
frequente existir
nominal

1.5. Medidas de localização de tendência não central

Há uma série de medidas de localização, semelhantes na sua concepção à mediana, embora

não sejam medidas de tendência central. A mediana divide a distribuição em duas partes

iguais. Os quartis permitem dividir a distribuição em 4 partes iguais, os decis, em 10 partes

iguais e os centis em 100 partes iguais.

1.6. Medidas de dispersão

As medidas de tendência central são importantes mas não fornecem a informação completa

sobre o conjunto de valores. Falta indicação sobre a variabilidade desses valores.

11
Organização Industrial
Estatística
1.6.1. Amplitude total

A amplitude do intervalo de variação ou amplitude total é dada pela diferença entre os

valores extremos da variável, isto é, entre o valor máximo e o valor mínimo.

o Amplitude inter-quartil

A amplitude inter-quartil (aQ=Q3-Q1) apresenta o inconveniente de duas distribuições

puderem ter o mesmo valor aQ embora possuam uma dispersão muito desigual.

A amplitude inter-quartil informa que, das n observações, a dispersão dos 0,5n valores

centrais é de aQ.

1.6.2. Variância e desvio-padrão

A variância é uma medida de dispersão que avalia a variabilidade dos dados considerando os

desvios das observações em relação ao valor médio dos dados, x .

o Para dados não tabelados

 xi  x 
n 2

s2  i 1
n
o Para dados tabelados

 x    xi  x 
n 2 n 2
i  x  Fi  Fi
2 i 1 2 i 1
s  s' 
n n 1
Se desenvolvermos o numerador, vem

1k
2
1 k 
s   x i2 Fi    x i Fi 
2

n i  1 n  i 1  
 
Quando a variância representa uma descrição da amostra e não da população, o

denominador das expressões acima será igual a n-1. A razão reside no facto de que,

utilizando o divisor n-1, obtém-se uma estimativa melhor do parâmetro de população,

designado-se a nova variância por variância corrigida. De notar que quando n>30, não há

grande diferença entre uma e outra fórmula.

12
Organização Industrial
Estatística
  k  
2
   x i Fi  
1  k   
 i 1 
  x i Fi 
2 2
s'  
n  1  i 1 n 
 
 

À raiz quadrada positiva da variância damos o nome de desvio padrão, s. O desvio padrão é

expresso nas mesmas unidades em que foram medidas as observações.

s  s2

1.6.3. Coeficiente de variação

Como medida relativa que é, permite quantificar o desvio-tipo das observações em relação à

média da variável.

s
CV 
x
Esta medida tem uma grande utilidade quando se pretende comparar a dispersão entre

distribuições de variáveis que se expressam em unidades diferentes ou de variáveis

expressas nas mesmas unidades mas que têm médias diferentes. A dispersão será mais

acentuada na distribuição que apresentar maior coeficiente de variação.

1.6.4. Assimetria

A medida de assimetria utilizada pelo Excel é

Este valor caracteriza o grau de assimetria de uma distribuição em redor do seu ponto

médio. Um valor positivo indica uma distribuição com uma ponta assimétrica que se estende

em direcção a valores mais positivos. Um valor negativo indica uma distribuição com uma

ponta assimétrica que se estende em direcção a valores mais negativos.

1.6.5. Curtose

A medida de curtose utilizada pelo Excel é:

13
Organização Industrial
Estatística
A curtose caracteriza uma distribuição como: mais achatada ou menos achatada se

comparada à distribuição normal. A curtose positiva indica uma distribuição menos

achatada. A curtose negativa indica uma distribuição mais achatada.

1.7. Estatística Descritiva no Excel

Para se poder fazer uma análise a um conjunto de dados utilizando as medidas estudadas

anteriormente com recurso ao Excel, há que primeiro instalar aquela que é por ele

designada por ferramenta de análise de dados. Para tal, no menu Ferramentas, deverá

escolher a opção Suplementos que faz surgir uma janela com várias opções, de entre as

quais deve escolher as referentes à análise de dados:

Após premir o botão OK, surgirá agora no menu Ferramentas a opção Análise de dados...

14
Organização Industrial
Estatística

Ao escolher esta opção, surge uma janela em que poderá escolher que tipo de análise

pretende efectuar. Poderá então escolher Estatística Descritiva.

Na janela que depois surge há alguns campos a preencher:

 o Intervalo de entrada que corresponde ao bloco de células onde estão os dados (e

que pode ser facilmente seleccionado colocando o cursor na primeira célula e

premindo em seguida as teclas

[Ctrl][ ][End])

 marcar Rótulos na primeira linha se a(s) primeira(s) célula(s)

da(s) coluna(s) com os dados contiverem a sua designação,

como no exemplo à direita.

 escolher Nova folha de cálculo - que poderá ficar em branco

ou preenchido com o nome da nova folha do livro actual –

15
Organização Industrial
Estatística
como a localização da tabela com os cálculos efectuados. Ainda tem a possibilidade

de indicar um Intervalo de saída que é o bloco de células onde a tabela surgirá ou a

de ela ser criada num Novo livro.

 finalmente, deverá indicar que tipo de cálculos pretende efectuar. A primeira

opção, Estatísticas de sumário corresponde a cálculos como a média, moda, etc.

A imagem seguinte representa uma tabela que ilustra todos os cálculos efectuados, neste

caso para uma amostra de dados intitulada Acidente.

16
Organização Industrial
Estatística

2. Regressão linear simples e correlação

As ferramentas da análise da regressão e da correlação foram desenvolvidas para estudar


e medir a relação estatística que existe entre duas ou mais variáveis, é portanto desejável
que tal relação seja expressa sob a forma matemática, estabelecendo-se uma equação
entre as variáveis. Só iremos considerar o caso de duas variáveis e daí o termo regressão e
correlação simples.
Na análise da regressão estima-se uma equação para descrever o tipo ou a natureza
funcional da relação que existe entre as duas variáveis. Esta equação chamada equação de
regressão permite-nos estimar os valores de uma variável – variável dependente, Y – em
função dos valores dados da outra – variável independente, X

2.1. Ajustamento de curvas

1º Passo: Recolha de dados


Da população em estudo retiramos uma amostra de tamanho n. Cada elemento da amostra é
o par (xi , yi ) com i = 1,2,3,...,n.

2º Passo: Gráfico dos pares num sistema de eixos coordenados, obtendo-se o Diagrama de
Dispersão. O diagrama de dispersão elucida-nos sobre o tipo de relação.

As figuras (a) e (c) sugerem-nos uma recta do tipo y = a + b x – recta de regressão de y


sobre x.
Na figura 1 (b) há uma relação positiva perfeita, r = 1.
Na figura 1 (d) há uma relação negativa perfeita, r = -1.
Na fig. 1(f) já nos sugere uma curva quadrática, diz-se que há uma relação não linear entre
as variáveis. Notar que o r = 0 ( porque cada produto xy, positivo é anulado por um xy
negativo do quadrante oposto ) indica-nos que não há relação linear mas há outro tipo de
relação
Na fig. 1(e) não sugere nenhum tipo de relação entre as variáveis

17
Organização Industrial
Estatística

Fig. 1

2.2. Regressão linear simples

Método dos mínimos quadrados


De um modo geral pode-se ajustar mais de uma recta a um conjunto de dados. A fim de
evitar critérios individuais na escolha de rectas é necessário chegar-se a um acordo quanto
ao que se entende por melhor recta
O critério usualmente seguido como uma boa medida de aderência da recta ajustada aos
dados do problema é a minimização da soma dos quadrados das diferenças entre o valor y
observado e o valor de y ajustado, tal diferença chama-se desvio, erro ou resíduo, o seu
valor pode ser positivo ou negativo.

18
Organização Industrial
Estatística

Equação da recta y = a + b x.

a e b - coeficientes da recta de regressão, podem ser calculados na máquina


a - ordenada na origem
b - declive da recta
S xy
b=
Sxx

a= y b x x - média dos valores da variável X


y - média dos valores da variável Y

n n
Sxx    x i  x    x i2  n x
2 2

i 1 i 1
n n
Syy    y i  y    y i2  n y
2 2

i 1 i 1
n n
Sxy    x i  x  y i  y    x i y i  n x y
i 1 i 1

Coeficiente de correlação amostral, r

A correlação é uma medida do grau de linearidade entre duas variáveis. O grau de


associação é medido por uma constante conhecida por coeficiente de correlação. Os
coeficientes de correlação variam de uma maneira contínua entre os limites de -1 e +1. São
positivos quando ao aumento de uma variável corresponde o aumento da outra e negativos
no caso contrário.
O coeficiente de correlação linear é representado por r e é dado por
Sxy
r= também calculado na máquina
Sxx S yy

r=0 não há correlação entre as variáveis


0< r <0,15 correlação desprezível
0,15< r <0,30 correlação baixa
0,30< r <0,50 correlação apreciável
r >0,50 correlação acentuada
r =1 correlação linear perfeita

19
Organização Industrial
Estatística
3. Conceitos básicos de probabilidades

“A Humanidade precisou de centenas de anos para se acostumar com um mundo onde alguns

eventos não tinham causa...ou eram determinados por causas tão remotas que somente

podiam ser razoavelmente representadas por modelos não casuais.”

M. G. Kendall

3.1. Experiências aleatórias. Espaço amostral. Acontecimentos

Numa primeira análise a teoria das Probabilidades tem por objectivo modelizar os

fenómenos nos quais interfere o acaso, ou seja, fenómenos aleatórios.

Uma experiência aleatória apresenta as seguintes características fundamentais:

- o conjunto dos resultados possíveis é conhecido antecipadamente;

- de cada vez que se repete a experiência, obtém-se um resultado individual que não

pode ser previsto.

Exemplos de experiências aleatórias:

E1. Lançamento de uma moeda e observação do lado que fica para cima.

E2. Lançamento de um dado e registo do número de pontos obtido.

E3. Registo do número de peças defeituosas produzidas por dia.

E4. Observação do tempo de vida de um determinado tipo de componente

E5. Observação do sexo do nasciturno num hospital até duas raparigas nascerem

consecutivamente.

E6. Observação do partido vencedor das próximas eleições legislativas.

Associado à experiência aleatória, consideremos o espaço de resultados ou espaço amostral

que é constituído por todos os resultados possíveis de uma experiência aleatória e que

representamos por S.

Relativamente às experiências anteriores

S1={F,C}

S2={1,2,3,4,5,6}

S3={0,1,2,...,N} (onde N é o número máximo que pode ser produzido por dia)

S4= 0,

20
Organização Industrial
Estatística

S5={FF,MFF,MMFF,FMFF,MMMFF,MFMFF,FMMFF,MMMMFF,MMFMFF,MFMMFF,

FMMFF,FMFMFF,...}

S6={todos os partidos que vão concorrer às eleições}

Um acontecimento é um subconjunto do espaço amostral. Se o subconjunto é constituído

por um só elemento, o acontecimento designa-se por elementar. Como os acontecimentos

são subconjuntos do espaço amostral, a álgebra dos acontecimentos construi-se por

analogia com a álgebra de conjuntos.

Operação Notação Significado

A realização de A implica a
Implicação AB
realização de B

Possuem os mesmos
Identidade A=B
elementos

Realização de pelo menos um


União AB
dos acontecimentos

Realização simultânea de dois


Intersecção AB
acontecimentos

Realização apenas do
Diferença A � B ou A-B acontecimento A

Não realização do
Complementar A acontecimento A

 A e B são acontecimentos incompatíveis sse A � B=�.

 O acontecimento � é normalmente designado por acontecimento impossível e o


acontecimento S por acontecimento certo.

A Teoria das Probabilidades nasceu das tentativas de quantificação dos riscos dos seguros

e de avaliar as chances de se ganhar em jogos de azar.

21
Organização Industrial
Estatística

3.2. Interpretação do conceito de probabilidade

3.2.1. Interpretação clássica

Em 1812, Laplace publicou o tratado “Théorie Analytique dos Probabilités” que foi o maior

marco da etapa clássica da teoria das probabilidades. Laplace adoptou o esquema dos

resultados “igualmente possíveis ou prováveis”, comum às aplicações até então esboçadas,

para definir probabilidade de um acontecimento.

Se S finito e os acontecimentos elementares são igualmente possíveis, então

# A nº de casos favoráveis
P( A)  
#S nº de casos possíveis

3.2.2. Interpretação frequencista

Uma das primeiras abordagens de interpretação frequencista deve-se a Venn (1886) ao

formalizar a ideia de exprimir probabilidade em termos de limite de frequências relativas

em longas sequências de situações independentes capazes de repetição em condições

idênticas.

Embora os resultados individuais das experiências aleatórias se mostrem irregulares, nota-

se que após a repetição de uma experiência um grande número de vezes nas mesmas

condições, ou em condições semelhantes, os resultados obtidos apresentam grande

regularidade estatística quando tomadas em conjunto.

Definido um conjunto A em S e calculada a frequência relativa da sua realização em n

provas obtemos

Fn ( A)
fn ( A) 
n
É de verificação empírica que, quando n aumenta, há uma tendência para a estabilização do

valor da frequência relativa em torno de um número que os frequencistas tomam como valor

aproximado da probabilidade, P  A .

22
Organização Industrial
Estatística
3.2.3. Interpretação subjectiva

A probabilidade subjectiva, ou pessoal, é uma tentativa para lidarmos com eventos

históricos únicos, que não podem ser repetidos, carecendo assim de interpretação

frequencista. Consideremos, por exemplo, acontecimentos tais como a duplicação do valor

médio do índice PSI 20 da Bolsa de Valores da próxima década ou o derrube de

determinado governo no próximo mês. Um indivíduo com determinada informação e certas

características pessoais poderá exprimir o grau de credibilidade associado a cada uma

destas conjecturas, atribuindo-lhe determinada probabilidade.

A probabilidade subjectiva constitui, assim, uma aproximação quantitativa à credibilidade

que se atribui a um determinado acontecimento.

3.3. Propriedades formais das probabilidades

Seja A um acontecimento. Então:

P1) P(A)0

P2) P(S)=1

P3) Se A e B forem acontecimentos incompatíveis, A  B =  então P ( A  B ) = P ( A )

+P(B)

Donde resultam:

 
P4) P A  1  P ( A)

P5) P()=0

P6) P( A  B)  P( A)  P(B)  P( A  B)

P7) P(A)1

De P1) e P7) temos que

0  P(A)  1

Dois acontecimentos A e B dizem-se independentes sse P ( A  B ) = P ( A )  P ( B ) .

23
Organização Industrial
Estatística

4. Distribuições discretas

4.1. Distribuição binomial

É uma das distribuições que mais se utiliza em Estatística Aplicada. É o modelo

probabilístico adequado para descrever os processos em que se realizam repetidas

experiências de Bernoulli. Tais experiências possuem as seguintes características:

 a cada experiência corresponde apenas um de dois resultados possíveis:

“sucesso” ou “insucesso”;

 a probabilidade de ocorrência de cada resultado mantém-se inalterada de

experiência para experiência: P(sucesso)=p e P(insucesso)=1-p=q;

 os resultados associados a cada experiência são independentes.

A distribuição Binomial aparece, assim, associada à seguinte questão genérica: “Pretende-se

saber qual a probabilidade de, em n provas de Bernoulli, serem obtidos x sucessos e,

consequentemente, n-x insucessos.”


n
Existem C x maneiras diferentes de se obterem os x sucessos, mas a todas elas

corresponde a mesma probabilidade

p x 1  p 
n x

Se a v.a. X representa o “número de sucessos em n experiências”, então a sua função de

probabilidade tem a forma

P( X  x)  f ( x)  C xn p x q n  x x  0,1,2,...,n 0p1

A variável aleatória X, com a função de probabilidade anterior, diz-se que tem distribuição

binomial e escreve-se simbolicamente X Bi(n,p). As probabilidades de observar X igual a

0,1,2,...,n são

P ( X  0)  q n
P ( X  1)  n  p  q n 1
P ( X  2)  C 2n  p 2  q n 2
...
P ( X  n )  C nn  p n  q 0

isto é, são os termos sucessivos do desenvolvimento do binómio  q  p  1 , donde


n

24
Organização Industrial
Estatística
n

C
x 0
n
x pxqn x  1

Logo f(x) representa uma função de probabilidade.

A utilização da Binomial pode tornar-se trabalhosa, pelo que existem tabelas que

simplificam esta tarefa. As tabelas disponíveis permitem obter para cada n (n  20) e para

cada p (desde 0,05 a 0,5 em passos de 0,05) as probabilidades associadas a x sucessos ou a

probabilidade de ocorrerem pelo menos x sucessos.

A figura seguinte representa a função de probabilidade da distribuição binomial Bi(10,0.1) e

Bi(10,0.5)

0,4 Prob. sucesso, Nº tentativas


0,1,10
0,5,10
0,3

0,2

0,1

0
0 2 4 6 8 10

Se X é uma v.a. binomial, então prova-se que


E( X )  n  p
V (X )  n  p  q

25
Organização Industrial
Estatística

Exemplos de variáveis binomiais:

Experiência Sucesso Insucesso P n X

Jogada de uma Número de


Cara Coroa ½ n jogadas
moeda não viciada “caras”

Número de
Nascimento de uma Praticamente Tamanho
Menina Menino meninas na
criança ½ da família
família

Número de
Jogada de 2 dados 7 pontos Não-7 6/36 n jogadas
setes

Escolha de um Proporção de Nº de
Tamanho
eleitor numa Esquerda Direita esquerdistas esquerdistas
da amostra
pesquisa na população na amostra

História de um
Muito
átomo que pode
grande, o Nº de
decair Nenhuma
Decadência Muito pequena nº de decaídas
radiactivamente num variação
átomos na radioactivas
dado período de
amostra
tempo

26
Organização Industrial
Estatística

Exemplo

Extracções com reposição

Numa urna encontram-se 10 bolas pretas e 20 brancas. Extraem-se 4 bolas com reposição.

Consideremos a v. a. X “n.º de bolas pretas extraídas”.

Modelo de urna com reposição:

X Acontecimentos elementares n.º Probabilidade P(X=x)


0 4
1  2 16 16
x=0 1      P( X  0) 
3 3 81 81

1 3
1 2 8 32
x=1 4      P( X  1) 
3 3 81 81

2 2
1 2 4 24
x=2 6      P( X  2) 
3 3 81 81

3 1
1 2 2 8
x=3 4      P( X  3) 
3 3
    81 81

4 0
1 2 1 1
x=4 1      P( X  4) 
3 3
    81 81

27
Organização Industrial
Estatística

4.2. Cálculo das probabilidades da distribuição binomial no Excel

Função DISTRBINOM

Sintaxe

DISTRBINOM(número_s;tentativas;probabilidade_s;cumulativo)

Número_s é o número de sucessos.

Tentativas é o número de tentativas independentes.

Probabilidade_s é a probabilidade de sucesso de cada tentativa.

Cumulativo é um valor lógico que determina a forma como a função é executada. Se

cumulativo for VERDADEIRO, DISTRBINOM dá-nos a probabilidade de existirem, no

máximo, número_s sucessos; se for FALSO, dá-nos a probabilidade de existirem número_s

sucessos.

Observações

 Número_s e tentativas são truncados, se não forem números inteiros.

 Se número_s, tentativas ou probabilidade_s não forem numéricos, DISTRBINOM

devolve o valor de erro #VALOR!.

 Se número_s < 0 ou número_s > tentativas, DISTRBINOM devolve o valor de erro

#NÚM!.

Se probabilidade_s < 0 ou probabilidade_s > 1, DISTRBINOM devolve o valor de erro

#NÚM!.

Exemplo

O lançamento de uma moeda só pode resultar em caras ou coroas. A probabilidade de, no

primeiro lançamento, sair coroa é 0,5 e a probabilidade de 6 dos 10 lançamentos serem

coroas é:

DISTRBINOM(6; 10; 0.5; FALSO) igual a 0,205078

28
Organização Industrial
Estatística

4.3. Distribuição de Poisson

A distribuição de Poisson permite descrever uma série de situações em que os

acontecimentos se repetem no tempo ou no espaço, como por exemplo, as entradas de

clientes num supermercado, a chegada de carros a um posto de gasolina, os defeitos numa

placa de vidro, etc.

A v.a. X “número de ocorrências por unidade de tempo (ou espaço)” seguirá uma distribuição

de Poisson se:

 o número de ocorrências do acontecimento em intervalos não sobrepostos são

variáveis aleatórias independentes;

 a probabilidade de um certo número de ocorrências se verificar depende

apenas da amplitude do intervalo e não da sua posição:

 a probabilidade de se verificarem duas ou mais ocorrências num período de

tempo muito pequeno pode ser desprezada quando comparada com a

probabilidade de se verificar apenas uma ocorrência.

A sua função de probabilidade é

e μμx
f ( x)  P( X  x)  x  0,1,2,...
x!
e diz-se que X segue distribuição de Poisson de parâmetro  e escreve-se XP().

Uma das particularidades interessantes da distribuição é a do valor esperado e a variância

serem iguais. Se XP0() então

E( X )  μ
V (X )  μ
σ  μ

As figuras seguintes apresentam as funções de probabilidade da distribuição de Poisson

para diferentes valores de μ .

29
Organização Industrial
Estatística

Distribuição de Poisson
0,3 Média
2,5
0,25

0,2
Probabilidade

0,15

0,1

0,05

0
0 2 4 6 8 10 12

0,18 Média
5
0,15

0,12
Probabilidade

0,09

0,06

0,03

0
0 3 6 9 12 15 18

0,15 Média
10
0,12
Probabilidade

0,09

0,06

0,03

0
0 5 10 15 20 25 30

Existem tabelas para a distribuição de Poisson.

30
Organização Industrial
Estatística

Exemplo

Seja X uma v.a. com distribuição de Poisson de parâmetro 5. Utilize as tabelas para calcular

as seguintes probabilidades:

a) P( X  5) =0,1755

b) P( X  1) =1- P ( X  0) =1-0,0067

c) P(4  X  8)  P( X  7)  P ( X  4) =0,8666-0,4405

Exemplo

O número de vezes em que uma aula de 2 horas é subitamente assaltada pelo irritante

toque de um telemóvel pode considerar-se uma variável aleatória com distribuição de

Poisson de parâmetro 1.

a) Qual a probabilidade de, numa dada aula, não se ouvirem tais sons ‘melodiosos’?

X “nº de toques de telemóvel em 2 horas” XPo(1)

P(X  0)  0,3679

b) E se a duração de uma aula for de 1 hora?

X “nº de toques de telemóvel em 2 horas” XPo(0,5)


P(X  0)  0,6065

4.4. Cálculo das probabilidades da distribuição de Poisson no Excel

Função Poisson

Sintaxe

POISSON(x; média; cumulativo)

x é o número de ocorrências.

Média é o valor numérico esperado.

Cumulativo é um valor lógico que determina a forma da distribuição de probabilidade

fornecida. Se cumulativo for VERDADEIRO, POISSON fornecerá a probabilidade o

31
Organização Industrial
Estatística

número de ocorrências ser, no máximo, x; se FALSO, fornecerá a probabilidade do número

de ocorrências ser igual a x.

Observações

 Se x não for um inteiro, será truncado.

 Se x ou média não for numérico, POISSON devolverá o valor de erro #VALOR!.

 Se x ≤ 0, POISSON devolverá o valor de erro #NÚM!.

 Se média ≤ 0, POISSON devolverá o valor de erro #NÚM!.

Exemplos

POISSON(2;5;FALSO) é igual a 0,084224

POISSON(2;5;VERDADEIRO) é igual a 0,124652

32
Organização Industrial
Estatística

5. Distribuições continuas

5.1. Distribuição normal

É a mais importante distribuição de probabilidade não apenas na inferência estatística

como também nas suas aplicações a problemas industriais. A distribuição normal representa

o resultado da actuação conjunta de causas aleatórias e por isso ela é fundamental no

controlo estatístico de qualidade, particularmente na teoria dos gráficos de controlo de

fabrico.

Uma v.a. X com f.d.p.

1 x- 
2
   x  
  
1 2 σ 
f (x)  e    μ  
σ 2
0  σ  

diz-se que segue distribuição normal com parâmetros  e 2 e escreve-se XN(,2).

O gráfico de f tem a forma a seguir representada:

Normal

As principais características da curva de Gauss são:

- tem forma de sino

- é simétrica em relação à recta x=

- lim f (x)  lim f (x)  0


x   x  

 1 
- f(x) tem o valor máximo em  μ, 
 σ 2 

- f(x) tem dois pontos de inflexão cujas abcissas são - e +

33
Organização Industrial
Estatística

- concavidade voltada para baixo em μ - σ, μ  σ 

- concavidade voltada para cima em   , μ  σ   μ  σ,

A sua localização e forma ficam completamente determinadas pelos valores de  e de . O

valor de  centra a curva, enquanto que o valor de  determina a extensão do espalhamento.

Aumentando , a dispersão aumenta e a curva é mais achatada; se  diminui, os valores da

variável encontram-se mais centrados em torno do valor médio  e a curva será mais

alongada segundo o eixo vertical.

Tem-se que

E(x )   xf (x)dx μ


V ( x )  E( X 2 )  μ2  σ 2

o que nos permite concluir que os parâmetros da distribuição normal coincidem com a média

e a variância.

Dado que  e  podem tomar uma infinidade de valores, então existe também uma

infinidade não numerável de diferentes distribuições normais. Assim, para o cálculo de

probabilidades, qualquer distribuição normal é transformada na “normal reduzida”. Esta

transformação consiste numa mudança de origem (subtracção por ) e mudança de escala

(divisão por ).

34
Organização Industrial
Estatística

x μ
Se XN(,2) então a variável Z  tem valor médio
σ

 X  μ 1 1 1
E (Z )  E    E( X  μ)   E( X )  E(μ)   E( X )  μ  0
 σ  σ σ σ

e variância

 X  μ 1 1 V (X )
V (Z )  V    2 V ( X  μ)  2 V ( X )  V μ   1
 σ  σ σ σ2

Isto é, ZN(0,1) e designa-se por normal reduzida ou estandardizada. A sua f.d.p. é dada

por
z2
1 
f (z)  e 2 ;z R
2

e a sua função distribuição


z z u2
1 
(z)  P(Z  z)   f(u)du   2
e 2 du

- 

A função  encontra-se tabelada.

Se XN(,2)

35
Organização Industrial
Estatística
 a  μ  a  μ
P  X  a  P  Z     
 σ   σ 
 b  μ
P  X  b   1  P  X  b  1   
 σ 
a μ b  μ  b  μ  a  μ
P  a  X  b  P  Z        
 σ σ   σ   σ 

Utilizando as tabelas da distribuição normal, tem-se que

P μ - σ  X  μ  σ   (1) - (-1)  0,6826


P μ - 2σ  X  μ  2σ   (2) - (-2)  0,9544
P μ - 3σ  X  μ  3σ   (3) - (-3)  0,9973

isto é:

 cerca de 68% de todos os valores estão a menos de um desvio-padrão da média;

 cerca de 95% de todos os valores estão a menos de 2 desvios-padrão da média;

 cerca de 99,7% de todos os valores estão a menos de 3 desvios-padrão da média.

Um resultado importante sobre a distribuição normal estabelece que a soma de variáveis

aleatórias independentes com distribuição normal tem ainda distribuição normal com média

igual à soma das médias e variância igual à soma das variâncias.

36
Organização Industrial
Estatística

Exercícios

37
Organização Industrial
Estatística
1) Para as trinta pessoas inquiridas sobre o número de acidentes de automóvel que
tiveram, obteve-se uma média de 2,5 acidentes, estando o número de acidentes
distribuídos de acordo com a tabela abaixo:

Nº de acidentes Fi
0 3
1 4
2 7
3 9
4 ?
5 ?

a) Determine os valores que faltam na tabela


b) Esboce um gráfico de barras do número de acidentes.
c) Determine uma medida de tendência central e uma de dispersão à sua escolha.

2) Suponha que determinada empresa pretende fazer um estudo sobre os seus clientes
sob o ponto de vista do volume de negócios anual. Os valores observados encontram-se
sintetizados no seguinte quadro:

Volume de negócios anual


Nº de clientes
(em milhares de Euros)
 0, 2.5 20

 2.5,5 30

 5,10 56

10, 25 34

 25,50 40

 50,100 20

a) Calcule a mediana e a moda e indique o seu significado.


b) Esboce o histograma e o polígono de frequências absolutas acumuladas. Verifique
graficamente os valores da mediana e da moda.
c) Pronuncie-se sobre a assimetria da distribuição, utilizando para esse efeito as três
medidas de tendência central que conhece.
d) Calcule o intervalo interquartílico e interprete o resultado.

3) Pretende-se estudar o tempo que cada aluno demora a realizar a inscrição nas aulas
práticas da disciplina de Estatística. Os resultados obtidos para 60 alunos foram os
seguintes:

tempo de inscrição (min) 0 - 1,5 1,5 - 3 3 – 4,5 4,5 - 6 >6


n.º de alunos 30 16 8 5 1
a) Construa um histograma.
b) Calcule a média, a variância e o desvio padrão referentes ao tempo de inscrição.
c) Determine a mediana, analítica e geometricamente.

38
Organização Industrial
Estatística
d) Determine o intervalo interquartis e indique o seu significado.
e) Indique a classe modal.

4) Numa faculdade obtiveram-se os dados referentes à idade dos carros de estudantes


e de professores.

Idade (em anos) Estudantes Professores


0-2 23 30
2-4 33 47
4-6 63 36
6-8 68 30
8-10 19 8
10-12 10 1
12-14 1 1
14-16 0 1

a) Para as idades dos carros dos estudantes calcule:


i) a média e o desvio padrão e determine a percentagem de observações no
intervalo (x-s, x+s)
ii) a mediana analítica e geometricamente.
b) Para as idades dos carros dos professores :
i) determine a classe modal.
ii) desenhe o histograma .

5) Pretende-se realizar uma análise rápida da concentração de uma substância numa


solução mediante as leituras dadas num colorímetro. Para isso, determinaram-se
cuidadosamente seis concentrações (mg/cm3) de substância em outras tantas soluções,
anotando-se as leituras x correspondentes ao colorímetro:

leituras no
colorímetro 90 170 275 330 390 410
(x)
concentração
de
42 48 61 69 80 89
substância
(y)

a) Ajustar a recta de regressão de y sobre x.


b) Estimar a concentração de substância quando a leitura do colorímetro é de 270.
c) Calcule o coeficiente de correlação r.

6) Para uma dada espécie de pardais, procurou-se estudar a relação entre a idade -x- (em
dias) e o comprimento das asas- y- (em cm), tendo-se obtido os seguintes dados em 13
animais:

x 3.0 4.0 5.0 6.0 8.0 9.0 10.0 11.0 12.0 14.0 15.0 16.0 17.0
y 1.4 1.5 2.2 2.4 3.1 3.2 3.2 3.9 4.1 4.5 4.7 5.0 5.2

39
Organização Industrial
Estatística
a) Ajuste a recta de regressão de y sobre x.
b) Determine o valor previsto para o comprimento das asas de um pardal com 13 dias
de idade.
c) Calcule o coeficiente de correlação r.

7) Num inquérito realizado em determinada cidade 25% das pessoas inquiridas declararam
ir ter dificuldades de adaptação ao Euro Calcular a probabilidade de num grupo de 8
pessoas da referida cidade seleccionadas aleatoriamente:
a) Nenhuma ter dificuldades de adaptação
b) Pelo menos três terem dificuldades de adaptação
c) No máximo três terem dificuldades de adaptação
d) Mais de duas e no máximo cinco terem dificuldades de adaptação

8) Um jovem casal deseja ter 4 filhos. Considere que a probabilidade de ser rapaz ou
rapariga é igual. Qual a probabilidade de:
a) serem todos rapazes;
b) serem mais de 2 raparigas;
c) serem, no máximo, 2 raparigas;
d) nascerem entre 1 e 3 raparigas (inclusivé).

9) Da produção diária de uma máquina, retiram-se, para efeitos de controlo, 10 peças. Dos
testes sobre elas realizados, conclui-se que 10% delas são “más”. Calcule a
probabilidade de, nas 10 peças
a) não haver “más”;
b) haver menos de 2 “más”;
c) haver pelo menos 3 “más”;
d) haver entre 2 e 4 “más”.

10) Um teste de estatística consiste em 10 questões do tipo verdadeiro-falso. Para um


aluno que responde por palpite a todas as questões, determine a probabilidade de
passar, sabendo que a positiva é obtida com 5 ou mais respostas correcta.

11) Um avião dispõe de mais de 14 assentos, mas a TAP vendeu 15 bilhetes. Sabendo que
15% dos passageiros que reservam lugar não comparecem ao embarque, determine a
probabilidade de não haver lugares suficientes.

12) O número de pequenos acidentes durante uma semana de trabalho numa fábrica é uma
variável aleatória de Poisson de média 1,5. Qual a probabilidade de, num mês de
trabalho, ocorrerem:
a) 0 acidentes;
b) 1 acidente;
c) menos de 2 acidentes;
d) 2 ou mais acidentes.

13) O número de pequenos acidentes durante uma partida de futebol é uma variável
aleatória de Poisson com média igual a 4,5. Qual a probabilidade de ocorrerem em 2
partidas:
a) 4 acidentes;
b) menos de 5 acidentes;

40
Organização Industrial
Estatística
14) Numa empresa têxtil existem numerosos teares de certo tipo. A experiência mostra
que o número de teares que se avaria em cada mês é uma variável aleatória X que segue
distribuição de Poisson com média 3. Calcule:
a) a probabilidade de, durante um mês, se avariarem 7 ou mais teares;
b) a capacidade mínima que deve ter a oficina de reparação de modo a que a
probabilidade de não haver teares a aguardar reparação seja, pelo menos, de 90%.

15) O número de navios petroleiros que chegam a determinado porto, por dia, tem
distribuição de Poisson de parâmetro 2. As actuais instalações do porto podem atender
até 3 petroleiros por dia, devendo os excedentes seguir para outro porto.
a) Num dia, qual a probabilidade de haver necessidade de enviar petroleiros para
outro porto?
b) De quanto deverão ser aumentadas as actuais instalações para permitir aceitar
todos os petroleiros em aproximadamente 90% dos dias?

16) Um internauta recebe em média 4 e-mails por dia. Admite-se a distribuição de Poisson.
a) Calcule a probabilidade de, num dia, o internauta receber:
i) 2 e-mails
ii) mais de 4 e-mails
iii) no máximo 3 e-mails
b) Determine a probabilidade de em 3 dias receber entre 3 e 9 e-mails ( inclusive)

17) Verifica-se que o número de vezes que é recebida uma chamada de pedido de ajuda a
um certo serviço de apoio informático por telefone segue uma distribuição de Poisson,
com média 2. Registam-se as chamadas ao longo de três dias. Qual é a probabilidade de
que o número total de chamadas registadas não atinja 7?

18) Seja X uma v. a. normalmente distribuída de média 200 e desvio padrão 10.

a) Determine:
i. P(X < 180)
ii. P(X > 195)
iii. P (175 <X <210)
b) Determine x tal que
i. P (X <x) = 0,50
ii. P (X> x)  0,10

19) A duração de determinado tipo de componente electrónico segue distribuição normal


de valor médio 2000 horas e sabe-se que 16% dos componentes duram mais de 2200
horas. Os componentes têm uma garantia de 1900 horas. Qual a probabilidade de
que um componente cumpra a garantia?

20) Verificou-se que o desvio-padrão do peso de sacos de açúcar para adoçar café é de 0,6
gramas, tendo metade dos sacos mais de 8 gramas. Consideram-se "mal cheios" os sacos
com menos de 6,7 gramas. Admite-se aplicável a distribuição normal. Qual é a
proporção de sacos mal cheios?

21) A montagem de determinada peça implica duas operações independentes, com o tempo
de execução para cada normalmente distribuído. A operação A requer um tempo médio

41
Organização Industrial
Estatística

de 15 min. com desvio-padrão de 4 min. Para a operação B sabe-se que o desvio-padrão é de


3 min e que 50% das operações levam mais de 15min.

a) Calcule a percentagem de peças cujo tempo de montagem se situa entre 34 e 38


min.
b) Considere 5 das referidas peças. Calcule a probabilidade do tempo total de
execução ser superior a 140 min.

42
Organização Industrial
Estatística

Índice
1. Estatística descritiva...............................................................Erro! Marcador não definido.

1.1. Quadro de distribuição de frequências e representação gráficaErro! Marcador não


definido.
1.2. Exemplo de uma variável estatística discreta...............Erro! Marcador não definido.
1.3. Exemplo de uma variável contínua.....................................Erro! Marcador não definido.
1.4. Medidas de localização de tendência central.................Erro! Marcador não definido.
1.4.1. Média..................................................................................Erro! Marcador não definido.
1.4.2. Moda....................................................................................Erro! Marcador não definido.
1.4.3. Mediana..............................................................................Erro! Marcador não definido.
1.4.4. Comparação da média, mediana e moda.......................Erro! Marcador não definido.
1.5. Medidas de localização de tendência não central.........Erro! Marcador não definido.
1.5.1. Medidas de dispersão.....................................................Erro! Marcador não definido.
1.6. Estatística Descritiva no Excel.........................................Erro! Marcador não definido.
2. Regressão linear simples e correlação..................................Erro! Marcador não definido.
2.1. Ajustamento de curvas........................................................Erro! Marcador não definido.
2.2. Regressão linear simples.....................................................Erro! Marcador não definido.
3. Conceitos básicos de probabilidades.....................................Erro! Marcador não definido.
3.1. Experiências aleatórias. Espaço amostral. Acontecimentos........Erro! Marcador não
definido.
3.2. Interpretação do conceito de probabilidade.................Erro! Marcador não definido.
3.2.1. Interpretação clássica....................................................Erro! Marcador não definido.
3.2.2. Interpretação frequencista..........................................Erro! Marcador não definido.
3.2.3. Interpretação subjectiva...............................................Erro! Marcador não definido.
3.3. Propriedades formais das probabilidades.......................Erro! Marcador não definido.
4. Distribuições discretas............................................................Erro! Marcador não definido.
4.1. Distribuição binomial............................................................Erro! Marcador não definido.
4.2. Cálculo das probabilidades da distribuição binomial no Excel.....Erro! Marcador não
definido.
4.3. Distribuição de Poisson........................................................Erro! Marcador não definido.
4.4. Cálculo das probabilidades da distribuição de Poisson no Excel.Erro! Marcador não
definido.
5. Distribuições continuas............................................................Erro! Marcador não definido.
5.1. Distribuição normal..............................................................Erro! Marcador não definido.
Exercícios................................................................................................................................................ 38

43
Organização Industrial
Estatística

Bibliografia

 Murteira, Bento (2002), Introdução à Estatística, McGraw Hill.

 Gama, Sílvio (2004), Introdução Computacional á Probabilidade e

Estatística, Porto Editora.

 Pestana, Dinis (2002), Introdução à Probabilidade e à Estatística, Fundação

Calouste Gulbenkian

44