Aula1 Impressao PDF

Introdução à Estatística
Júlio Cesar de C. Balieiro 1
Estatística
9 É a ciência que se preocupa com:
(i) Organização;
Estatística Descritiva
(ii) Descrição;
(iii) Análises;
Estatística Indutiva ou
(iv) Interpretações. Estatística Inferencial
Introdução à Estatística 1
Alguns Conceitos
9 População
• É o conjunto de elementos com pelo menos uma

característica em comum.
• Esta característica comum deve delimitar claramente
quais os elementos que pertencem à população e
quais os elementos que não pertencem.
9 Amostra
• É um subconjunto de uma população, onde todos os

seus elementos serão examinados para efeito da
realização do estudo estatístico desejado.
3
Alguns Conceitos
9 OBJETIVO DA ESTATÍSTICA: “tirar conclusões
sobre populações com base nos resultados
observados em amostras extraídas dessas
populações”.
9 Variável
• É a característica dos elementos da amostra que nos

interessa averiguar estatisticamente.
• Ex.: variável Idade - se houver “n” elementos

fisicamente considerados no estudo, esses elementos
fornecerão “n” valores da variável idade, os quais serão
tratados convenientemente pela Estatística Descritiva
e/ou pela Estatística Inferencial. 4
Tipos de Variáveis
As variáveis de interesse podem ser classificadas em:
(i) Qualitativas => quando resultar de uma classificação

por tipos ou atributos.
(ii) Quantitativas => quando seus valores forem

expressos em números. Podem ser
subdivididas:
(a) Discretas;
(b) Contínuas.
Tipos de Variáveis
(a) Variáveis Quantitativas Discretas
Assumem apenas valores pertencentes a um conjunto

enumerável. São obtidos mediante alguma forma de
contagem.
Exemplos de Discretas:
y População: Ovinos da raça Santa Inês da ASCCO;
Variável: número de cordeiros ao parto (1, 2 ou 3).
y População: Bovinos Nelore da Agro-pecuária CFM Ltda.
Variável: Escores de Musculosidade (1, 2, 3, 4 ou 5).
Variável: Prenhez aos 14 meses de idade (0 ou 1).
6
Tipos de Variáveis
(b) Variáveis Quantitativas Contínuas
São aquelas, teoricamente, que podem assumir qualquer
valor em um certo intervalo de variação. Resultam, em
geral, de uma medição, sendo freqüentemente expressos
em alguma unidade.
Exemplos de Contínuas:
Variável: PN (28,0; 28,5; 30,2; 32,58)
Variável: Peso aos 18 meses, em kg (250,0 até 415,0 kg)
Características Numéricas de
uma Distribuição de Dados
Introdução
9 As vezes é necessário resumir certas características das
distribuições de dados (ou mesmo de freqüências dados)
por meio de certas quantidades.
9 Tais quantidades são usualmente denominadas de
MEDIDAS, por quantificarem alguns aspectos de nosso
interesse.
9 Nosso objetivo é apresentar algumas das chamadas

MEDIDAS DE POSIÇÃO, bem como, algumas MEDIDAS
DE DISPERSÃO, consideradas mais importantes no campo
da aplicabilidade prática do nosso dia a dia.
9 Tais medidas servem para:

(a) Localizar uma distribuição;
9
(b) Caracterizar sua variabilidade.
Medidas de Posição (ou de

Tendência Central)
9 Servem para localizar a distribuição dos dados
brutos (ou das freqüências) sobre o eixo de
variação da variável em questão.
9 Veremos os três tipos principais de medidas de

posição:
(a) Média Aritmética;

(b) Mediana;
(c) Moda.
10
Tendência Central)
9 Média (Aritmética)
=> A notação internacional recomenda símbolos

específicos para a Média:
(a) AMOSTRA: n
Σ Xi
Conjunto de Dados => x = µˆ = m̂ =
i =1
n
k
Σ X i fi k
Tabelas de Freqüência => x = µˆ = m̂ = = Σ X i p 'i
i =1
n i =1
11

Tendência Central)
9 Média (Aritmética)
(b) POPULAÇÃO:
n
Σ Xi
Conjunto de Dados => µ = m =
i =1
n
k
Σ X i fi k
Tabela de Freqüência => µ = m = = Σ X i p 'i
i =1
n i =1
12
Tendência Central)
Exemplo 2: 50 determinações do tempo (em segundos)
gasto por um funcionário
684
k
Σ X i fi 2.725
x = µˆ = m̂ = i =1
= = 54,5 13
n 50

Tendência Central)
9 Propriedades da Média
(a) Multiplicando todos os valores de uma variável

por uma constante, a média do conjunto fica
multiplicada por essa constante.
(b) Somando-se ou subtraindo-se uma constante a

todos os valores da variável, a média do conjunto
fica acrescida ou subtraída dessa constante.
14
Tendência Central)
9 Mediana
=> A mediana é uma quantidade que, como a média,

também caracteriza o centro de uma distribuição
pertencente a um conjunto de dados.
(a) AMOSTRA: m̂d

(b) POPULAÇÃO: md
15

Tendência Central)
Conjunto de Dados: Para obtenção da estimativa de
mediana de um conjunto de dados
são necessários os seguintes passos:
1º Passo: Ordenar de forma crescente os “n” valores da

variável em questão;
2º Passo: (i) Sendo “n” ímpar, a mediana será igual ao valor

de ordem (n + 1) ;
2
(ii) Sendo “n” par, a mediana será o valor médio
entre os valores de ordem n e n + 1 .
2 2 16
Tendência Central)
9 Mediana
(n/ 2) − Fa
Tabelas de Freqüência => ˆ d = Li +
m hmd
fmd
Li = limite inferior da classe que contém a mediana;

n = números de elementos do conjunto da dados;
Fa = soma das freqüências das classes anteriores que
contém a mediana;
fmd = freqüência da classe que contém a mediana;
hmd= amplitude da classe que contém a mediana.
17

Tendência Central)
9 Mediana
(n / 2) − Fa
mˆ d = Li + hmd
684
f md
Li = 49,5; n = 50; Fa = 11; fmd = 16; hmd = 5. 18
Tendência Central)
9 Mediana

Li = 49,5; n = 50; Fa = 11; fmd = 16; hmd = 5.
( n / 2 ) − Fa
mˆ d = Li + hmd
f md
(50 / 2) − 11
mˆ d = 49,5 + .5 = 53,875
16 19

Tendência Central)
9 Moda
=> A moda (ou modas) de um conjunto de valores é

definida como o valor (ou valores) de máxima
freqüência.
=> É uma quantidade que, como a média, também

caracteriza o centro de uma distribuição, indicando a
região das máximas freqüências.
(a) AMOSTRA: m̂ O
(b) POPULAÇÃO: mO
20
Tendência Central)
9 Moda
d1
Tabelas de Freqüência => mˆ o = Li + h
d1 + d 2
Li = limite inferior da classe modal;

d1 = diferença entre a classe modal e a da classe
imediatamente anterior;
d2 = diferença entre a classe modal e a da classe
imediatamente seguinte;
h = amplitude das classes.
21

Tendência Central)
9 Moda
d1
mˆ o = Li + h
684 d1 + d 2
Li = 49,5; d1 = 16 – 8 = 8; d2 = 16 – 12 = 4; h = 5. 22
Tendência Central)
9 Moda

Li = 49,5; d1 = 16 – 8 = 8; d2 = 16 – 12 = 4; h = 5.
d1
mˆ o = Li + h
d1 + d 2
8
mˆ o = 49,5 + .5 = 52,833
8+ 4
23
Medidas de Dispersão (ou de

Variabilidade)
9 A informação fornecida pelas Medidas de Posição em geral
necessitam de ser complementas pelas Medidas de
Dispersão.
9 As Medidas de Dispersão servem para indicar o “quanto

os dados se apresentam dispersos em torno da região
central”.
9 Portanto caracterizam o grau de variação existente em um
conjunto de valores.
9 As Medidas de Dispersão que mais nos interessam são:
(a) Amplitude;
(b) Variância;
(c) Desvio Padrão;
24
(d) Coeficiente de Variação.
Variabilidade)
9 Amplitude
=> A amplitude, já mencionada, é definida como a diferença

entre o maior e o menor valores do conjunto de dados.
(a) AMOSTRA: Rˆ = X MAX − X MIN
(b) POPULAÇÃO: R = X MAX − X MIN
=> Vantagem e Desvantagem.
=> Salvo aplicações de Controle de Qualidade, a

amplitude não é muito utilizada como Medida de
Dispersão. 25

Variabilidade)
9 Variância
=> A variância é definida como a “média dos quadrados
das diferenças entre os valores em relação a sua
própria média”.
(a) AMOSTRA: S = S X = S ( X ) = σˆ = σˆ ( X ) = σˆ X
2 2 2 2 2 2
(b) POPULAÇÃO: σ 2 = σ 2 ( X ) = σ X2
=> Em se tratando de Amostra: n
Σ ( X i − X )2
Conjunto de Dados => S 2 ( X ) = S X2 = i =1
N −1
k
Σ ( X i − X )2 fi
Tabela de Freqüência => S ( X ) = S = i =1
2 2
26
N −1
X
Variabilidade)
9 Variância
=> Em se tratando de População: n

Σ ( X i − X )2
Conjunto de Dados => σ 2 = σ 2 ( X ) = σ X2 = i =1
k
N
Σ ( X i − X )2 fi
Tabela de Freqüência => σ 2 = σ 2 ( X ) = σ X2 = i =1
N
OBS:
(i) A variância calculada para dados agrupados deverá ser
superestimada em relação à variância exata dos “N”
dados originais.
27

Variabilidade)
9 Variância
Exemplo: Executar o cálculo da variância de um

conjunto pequeno de dados, formado pelos valores
seguinte: {15, 12, 10, 17, 16}
n
Σ Xi
É fácil ver que: x = µˆ = m̂ = i =1
= 14
N
n
Σ ( X i − X )2
Logo: S 2 ( X ) = S X2 = i =1
N −1
Poderemos montar a seguinte Tabela Auxiliar nos

cálculos: 28
Variabilidade)
9 Variância
Exemplo: Cálculo da variância de um conjunto pequeno de
dados: {15, 12, 10, 17, 16}
n
Σ ( X i − X )2
S (X ) = S =
2 2 i =1
N −1
X
34
S 2 ( X ) = S X2 = = 8,5
4
Nota-se que as expressões apresentadas não são as mais

apropriadas para o cálculo da variância, pois a média é
quase sempre um valor fracionário, o que viria a dificultar o
cálculo dos desvios ( X i − X ) .
2 29

Variabilidade)
9 Variância n
Σ ( X i − X )2
Note que o numerador pode ser trabalhado: S 2 ( X ) = S X2 = i =1
n −1
Σ( X i − X ) 2 = Σ( X i2 − 2 X i X + X 2 )
= ΣX i2 − 2 XΣX i + NX 2
ΣX i ⎛ ΣX ⎞
2
= ΣX − 2
i
2
ΣX i + N ⎜ i ⎟
N ⎝ 2N ⎠
( ΣX ) 2
( Σ X i)
= ΣX i2 − 2 i
+
N N
( ΣX i ) 2
Σ( X i − X ) 2 = ΣX i2 −
N 30
Variabilidade)
9 Variância
Assim, para um conjunto com “N” dados:

2
⎛n ⎞
⎜ iΣ=1 X i ⎟
n n
⎝ ⎠
Σ ( X i − X ) 2 iΣ=1 X i −
2
S ( X ) = S X = i =1
2 2
= N
N −1 N −1
Da mesma forma, para dados agrupados em Tabela de
freqüência, teremos:
2
⎛k ⎞
⎜ iΣ=1 X i f i ⎟
k k
⎝ ⎠
Σ ( X i − X ) 2 f i iΣ=1 X i f i −
2
S (X ) = SX =
2 2 i =1
= N
N −1 N −1 31

Variabilidade)
9 Variância
Exemplo: 50 determinações do tempo (em segundos)
684
2
⎛k ⎞
⎜ iΣ=1 X i f i ⎟
Σ X i2 f i − ⎝
k
⎠ 150.775 −
(2.725)2
i =1 N 50
S 2 ( X ) = S X2 = = 46,17 32
N −1 49
Variabilidade)
9 Propriedades da Variância
(a) Multiplicando-se todos os valores de uma variável por

uma constante, a variância do conjunto fica multiplicada
pelo quadrado dessa constante.
(b) Somando-se ou subtraindo-se uma constante a todos os

valores de uma variável, a variância não se altera.
OBS: (i) A variância é uma medida de dispersão importante na

teoria estatística;
(ii) Do ponto de vista prático, ela tem o inconveniente de se

expressar em unidade quadrática em relação a variável em
questão. 33

Variabilidade)
9 Desvio Padrão
=> Definimos desvio padrão como “a raiz quadrada positiva

da variância”.
=> O cálculo do desvio padrão é feito por meio da variância.
(a) AMOSTRA: S = S X = S ( X ) = σˆ = σˆ ( X ) = σˆ X
(b) POPULAÇÃO: σ = σ (X ) = σ X
=> Em se tratando de Amostra: S ( X ) = S X = + S X2
34
Variabilidade)
9 Desvio Padrão
OBS: (i) O desvio padrão se expressa na mesma unidade da
variável, sendo por isso, de maior interesse que a variância
nas aplicações práticas;
(ii) É mais realístico para efeito de comparação de dispersões.
Exemplo: 50 determinações do tempo (em segundos) gasto

por um funcionário
2
⎛k ⎞
⎜ Σ X f ⎟
Σ X i2 f i − ⎝
k i =1
i i
⎠ 150.775 −
(2.725)2
i =1 N 50
S 2 ( X ) = S X2 = = 46,17
N −1 49
S ( X ) = S X = 46,17 = 6,79 35

Variabilidade)
9 Coeficiente de Variação
=> O coeficiente de variação é definido como “o quociente

entre o desvio padrão e a média”, sendo
frequentemente expresso em porcentagem.
^ ( X ) = CV
(a) AMOSTRA: CV ^
X
(b) POPULAÇÃO: CV ( X ) = CV X
=> Em se tratando de Amostra:
^ = SX
^ ( X ) = CV
CV X
X 36
Variabilidade)
Exemplo: 50 determinações do tempo (em segundos)

^ = SX
^ ( X ) = CV
CV X
X
^ ^ S 6,79
CV ( X ) = CV X = X = = 0,125 = 12,46%
X 54,5
37

Variabilidade)
OBS: (i) A vantagem é caracterizar a dispersão dos dados em

termos relativos ao seu valor médio;
(ii) Pequena dispersão absoluta pode ser, na verdade

considerável, quando comparada com a ordem de
grandeza dos valores da variável. Quando consideramos o
CV, enganos de interpretações desse tipo não ocorrem;
(iii) Além disso, por ser adimensional, o CV fornece uma

maneira de se compararem as dispersões de variáveis
cujas medidas são irredutíveis.
38
Momentos de uma
Distribuição de Dados
Momentos de uma Distribuição

9 Alguns conceitos
Definimos o momento de ordem “t” de um conjunto de

dados como:
n
Σ X it
Mt = i =1
Definimos o momento de ordem “t” centrado em relação a

uma constante “a” como:
n
Σ ( X i − a)t
M ta = i =1
n
40
Momentos de uma Distribuição de
Freqüências
9 Alguns conceitos
Já vimos que temos interesse no caso de “momento centrado

em relação a média”, o qual designaremos simplesmente por
“momento centrado”, dado por:
n
Σ ( X i − X )t
mt = i =1
n
Também sabemos que, nos casos da média e da variância,
as expressões podem ser reescritas levando-se em
consideração Tabelas de freqüências dos diferentes valores
existentes.
41

Freqüências
9 Alguns conceitos
Assim, para dados agrupados em Tabela de Freqüência,

teremos:
k
Σ X it f i => Para momento de ordem “t”
M t = i =1
n
k
Σ ( X i − a)t fi => Para momento de ordem
Mta = i=1 “t” centrado em relação a
n uma constante “a”
n
Σ ( X i − X )t f i => Para momento de ordem “t”
mt = i =1 centrado em relação a uma
n constante “média” 42
Freqüências
9 Alguns conceitos
Nos interessa particularmente saber calcular os momentos

centrados de terceira e quarta ordem.
n
Σ ( X i − X )t
mt = i =1
n
n n n
Σ ( X i − X )3 Σ X i3 Σ X i2
m3 = i =1
= i =1
− 3X i =1
+ 2X 3
n n n
n n n n
Σ ( X i − X )4 Σ X i4 Σ X i3 Σ X i2
m4 = i =1
= i =1
− 4X i =1
+ 6X 2 i =1
− 3X 4
n n n n 43

Freqüências
9 Alguns conceitos
Havendo Tabelas de Freqüências com “k” classes a

considerar, as expressões equivalentes são:
k
Σ ( X i − X )t f i
mt = i =1
n
k k
Σ X i3 f i Σ X i2 f i
m3 = i =1
− 3X i =1
+ 2X 3
n n
n n n
Σ X i4 f i Σ X i3 f i Σ X i2 f i
m4 = i =1
− 4X i =1
+ 6X 2 i =1
− 3X 4
n n n 44
Medidas de Assimetria
Essas medidas procuram caracterizar como e quanto a
distribuição dos Dados(ou freqüências) se afasta da condição
de simetria.
Distribuições alongadas a direita são ditas Positivamente
Assimétricas.
Distribuições alongadas a esquerda são ditas
Negativamente Assimétricas.
45
O momento centrado de terceira ordem pode ser usado
como medida de assimetria.
Entretanto é mais conveniente a utilização de uma medida
adimensional, definida como Coeficiente de Assimetria, dado
por: m
a3 = 3
(S X )3
Assim basta criamos uma

3
nova coluna com X i f i .
E utilizarmos momento
684 centrado de 3ª ordem:
k k
Σ X i3 f i Σ X i2 f i
m3 = i =1 − 3X i =1
+ 2 X 346
n n
Desta forma, poderemos classificar o Coeficiente de
Assimetria (a3) da seguinte forma:
(i) Se a3 = 0 Î a distribuição é Simétrica;
(ii) Se a3 > 0 Î a distribuição é Assimétrica à direita

(Assimetria Positiva);
(iii) Se a3 < 0 Î a distribuição é Assimétrica à Esquerda

(Assimetria Negativa).
Fonte: Ferreira, D. F. Estatística Básica. Ed. UFLA, 2005.

664 p. 47
Outra medida de assimetria mais simples pode ser obtido pelo
Índice de Assimetria de Pearson:
X − mˆ 0
A=
SX
O Índice de Assimetria de Pearson também pode ser
facilmente classificado:
| A |< 0 ,15 => Distribuição praticamente Simétrica;
0 ,15 < | A |< 1, 0 => Distribuição moderadamente Assimétrica;
| A | > 1, 0 => Distribuição fortemente Assimétrica.

48
Exemplo: 50 determinações do tempo (em segundos) gasto por
um funcionário
k
Σ X i fi 2.725
x = µˆ = m̂ = i =1 = = 54,5
n 50
d1
mˆ o = Li + h
d1 + d 2
8 684
mˆ o = 49,5 + 5 = 52,833
8+ 4
2
⎛k ⎞
⎜ iΣ=1 X i f i ⎟
Σ X i fi − ⎝ ⎠
k
2
i =1 N
SX =
2
= 46,17
N −1
S X = 46,17 = 6,79 X − mˆ 0 54,5 − 52,833

A= = = 0,246
SX 6,79
49
um funcionário
X − mˆ 0 54,5 − 52,833
A= = = 0,246
SX 6,79
Pelo Índice de Assimetria de Pearson essa distribuição seria
classificada como “Moderadamente Assimétrica”, pois
0 ,15 < | A |< 1, 0 .
De fato isso ocorre, pois
quando utilizados uma
Técnica de Descrição
Gráfica para Variáveis
Quantitativas Contínuas,
detectamos a Assimetria
Moderada. 50
Medidas de Achatamento ou
Curtose
Essas medidas procuram caracterizar a forma da distribuição
quanto ao seu achatamento.
O termo médio de comparação é dado pela Distribuição
Normal, que é um modelo teórico de distribuição a ser
estudado no capítulo relacionado à Probabilidades.
Quanto ao achatamento, podemos ter as seguintes situações:
Platicúrticas, Mesocúrticas e Leptocúrticas.
51
Curtose
A caracterização do achatamento de uma distribuição só tem
sentido, em termos práticos, se a distribuição for
aproximadamente Simétrica.
Entre as possíveis medidas de achatamento, destacamos o

Coeficiente de Curtose.
O Coeficiente de Curtose é obtido pelo quociente do momento

centrado de 4ª ordem pelo quadrado da variância, ou seja:
m4 m4
a4 = =
( S X2 ) 2 S X4
52
Curtose
Trata-se de coeficiente adimensional, permitindo a sua
classificação:
a 4 < 3,0 => Distribuição Platicúrtica;
a 4 = 3,0 => Distribuição Mesocúrtica;
a 4 > 3,0 => Distribuição Leptocúrtica.
53
Curtose
um funcionário
Assim, basta criamos
duas novas colunas
com: X i3 f i e X i4 f i .
684
E utilizarmos momento centrado de 4ª ordem:

n n n
Σ X i4 f i Σ X i3 f i Σ X i2 f i
m4 = i =1
− 4X i =1
+ 6X 2 i =1
− 3X 4 54
n n n
Curtose
um funcionário
m4 m
a4 = 2 2
= 44 ≅ 2 , 21 => Distribuição ligeiramente
(S X ) SX Platicúrtica.
55
Curtose
Outra medida de achatamento mais simples pode ser obtido
pelo Grau de Curtose, dado pelo coeficiente:
Q3 − Q1
K=
2( P90 − P10 )
em que,
Q3 = é o 3º Quartil;
Q1 = é o 1º Quartil;
P90 = é o 90º Percentil;
P90 = é o 10º Percentil.
56
Curtose
Quartis => dividem um conjunto de dados em quatro partes
iguais.
0% 25% 50% 75% 100%
Q1 Q2 Q3
em que,
Q1 = o 1º Quartil deixa 25% dos elementos;

Q2 = o 2º Quartil deixa 50% dos elementos e coincide com a
Mediana;
Q3 = o 3º Quartil deixa 75% dos elementos. 57
Curtose
9 Fórmulas para cálculo de Q1 e Q3 para o caso de variáveis
quantitativas contínuas
(a) Determinação de Q1:
(i) Calcula-se: N;
4
(ii) Identifica-se a classe de Q1 pela Fi (freq. acumulada);
(iii) Aplica-se a fórmula:
(n / 4) − Fa
Q1 = LQ1 + h
f Q1
58
Curtose
9 Fórmulas para cálculo de Q1 e Q3 para o caso de variáveis
quantitativas contínuas (continuação)
(b) Determinação de Q3:
(i) Calcula-se: 3N
4
(ii) Identifica-se a classe de Q3 pela Fi (freq. acumulada);
(iii) Aplica-se a fórmula:
(3n / 4) − Fa
Q3 = LQ3 + h
f Q3
59
Curtose
Exemplo: Dada a distribuição, determinar os Quartis (Q1 e Q3)
e a mediana.
Classes fi Fi
7 – 17 6 6
17 – 27 15 21 Classe Q1
27 – 37 20 41 Classe m̂d
37 – 47 10 51 Classe Q3
47 – 57 5 56
(n / 4) − Fa (n / 2) − Fa (3n / 4) − Fa
Q1 = LQ1 + h mˆ d = Li + hmd Q3 = LQ3 + h
f Q1 f md fQ3
60
Curtose
e a mediana.
Classes fi Fi n = 56;
7 – 17 6 6
n 56
17 – 27 15 21 Q1 = = = 14 o elemento
4 4
27 - 37 20 41
3n 3.56
37 - 47 10 51 Q3 = = = 42o elemento
4 4
47 - 57 5 56
⎛ n ⎞ ⎛ n ⎞ ⎛ 56 ⎞ ⎛ 56 ⎞
⎜ ⎟ + ⎜ + 1⎟ ⎜ ⎟ + ⎜ + 1⎟
mˆ d = ⎝ ⎠ ⎝
2 2 ⎠ ⎝2⎠ ⎝2 ⎠
= = 28 o e 29 o elementos
2 2
61
Curtose
e a mediana.
Classes fi Fi ( n / 4) − Fa
Q1 = LQ1 + h
f Q1
7 – 17 6 6
17 – 27 15 21 (n / 2) − Fa
mˆ d = Li + hmd
27 - 37 20 41 f md
37 - 47 10 51 (3n / 4) − Fa
Q3 = LQ3 + h
47 - 57 5 56 f Q3
Para Q1 temos: Para m̂ d temos: Para Q3 temos:

LQ = 17 ; n = 56 ; Fa = 6 ; Li = 27 ; n = 56 ; a
F = 21; LQ = 37 ; n = 56 ; Fa = 41;
3
1
h = 10 ; f Q = 15 h = 10 ; f mˆ d = 20 h = 10
; f Q 3 = 10
1 62
Curtose
e a mediana.
⎛ 56 ⎞
⎜ − 6⎟
(n / 4) − Fa ⎝ 2 ⎠ .10 = 22,33
Q1 = LQ1 + h = 17 +
f Q1 15
⎛ 56 ⎞
⎜ − 21⎟
(n / 2) − Fa ⎝ 2 ⎠ .10 = 30,50
mˆ d = Li + hmd = 27 +
f md 15
⎛ 3.56 ⎞
⎜ − 41⎟
(3n / 4) − Fa
h = 37 + ⎝ ⎠ .10 = 38,00
4
Q3 = LQ3 +
fQ3 10
63
Curtose
e a mediana.
Q1 Q2 Q3
25% 25% 25% 25%
7 ,00 22 ,33 30 ,50 38 ,00 57 ,00
64
Curtose
Decis => são os valores que dividem um conjunto de dados em
10 partes iguais.
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
D1 D2 D3 D4 D5 D6 D7 D8 D9
em que,
D1 = o 1º Decil deixa 10% dos elementos;

D2 = o 2º Decil deixa 20% dos elementos;
... ...
D9 = o 9º Decil deixa 90% dos elementos.
65
Curtose
Determinação de um Decil Di:
i.N
(i) Calcula-se: em que i = 1, 2, ..., 9;
10
(ii) Identifica-se a classe de Di pela Fi (freq. acumulada);
(iii) Aplica-se a fórmula: (i.N / 10) − Fa

Di = Li + h
f Di
em que,
Li = limite inferior da classe Di ;

n = tamanho da amostra;
Fa = soma das freqüências das classes anteriores a que Di
;fDi= freqüência da classe Di;
66
h = amplitude da classe Di.
Curtose
Percentis => são os valores que dividem um conjunto de dados
em 100 partes iguais.
0% 1% 2% 3% ... 50% ... 97% 98% 99% 100%
P1 P2 P3 ... P50 ... P97 P98 P99

em que,
P1 = o 1º Percentil deixa 1% dos elementos;

P2 = o 2º Percentil deixa 2% dos elementos;
... ...
P99 = o 99º Percentil deixa 99% dos elementos.

67
Curtose
Determinação de um Percentil Pi:
i.N
(i) Calcula-se: em que i = 1, 2, ..., 98, 99;
100
(ii) Identifica-se a classe de Pi pela Fi (freq. acumulada);
(iii) Aplica-se a fórmula: (i.N / 100) − Fa

Pi = Li + h
f Pi
em que,
Li = limite inferior da classe Pi;

n = tamanho da amostra;
Fa = soma das freqüências das classes anteriores a que Pi;
fPi= freqüência da classe Pi;
68
h = amplitude da classe Di.
Curtose
Exemplo: Dada a distribuição, determinar o Grau de Curtose
(K).
Q3 − Q1
K=
Classes fi Fi 2( P90 − P10 )
7 – 17 6 6
Já tínhamos obtidos:
17 – 27 15 21
27 - 37 20 41 Q1 = 22,33 e Q3 = 38,00
37 - 47 10 51 (i.N / 100) − Fa
Pi = Li + h
47 - 57 5 56 f Pi
Para P10 temos: Para P90 temos:

LP10 = 7 ; n = 56 ; Fa = 0; LP90 = 37 ; n = 56 ; Fa = 41 ;
h = 10 ; f P10 = 6 h = 10 ; f P90 = 10
P10 = 16,33 P90 = 46,40 69
Curtose
Exemplo: Dada a distribuição, determinar o Grau de Curtose
(K).
Classes fi Fi Q3 − Q1
K=
7 – 17 6 6 2( P90 − P10 )
17 – 27 15 21
Agora temos tudo:
27 - 37 20 41
37 - 47 10 51 Q1 = 22,33 e Q3 = 38,00
47 - 57 5 56 P10 = 16,33 e P90 = 46,40
Q3 − Q1 38,00 − 22,33
K= = = 0,2606
2( P90 − P10 ) 2(46,40 − 16,33)
70
Curtose
Assim o Grau de Curtose, de ser classificado da seguinte
forma:
Q3 − Q1
K=
2( P90 − P10 )
K = 0 , 263 => Distribuição de freqüência Mesocúrtica;
K > 0 , 263 => Distribuição de freqüência Platicúrtica;
K < 0 , 263 => Distribuição de freqüência Leptocúrtica.
71

Aula1 Impressao PDF

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

Aula1 Impressao PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Introdução à Estatística

Júlio Cesar de C. Balieiro 1

• É o conjunto de elementos com pelo menos uma

• É um subconjunto de uma população, onde todos os

• É a característica dos elementos da amostra que nos

• Ex.: variável Idade - se houver “n” elementos

(i) Qualitativas => quando resultar de uma classificação

(ii) Quantitativas => quando seus valores forem

Assumem apenas valores pertencentes a um conjunto

Júlio Cesar de C. Balieiro 8

9 Nosso objetivo é apresentar algumas das chamadas

9 Tais medidas servem para:

Medidas de Posição (ou de

9 Veremos os três tipos principais de medidas de

(a) Média Aritmética;

=> A notação internacional recomenda símbolos

Medidas de Posição (ou de

Medidas de Posição (ou de

(a) Multiplicando todos os valores de uma variável

(b) Somando-se ou subtraindo-se uma constante a

=> A mediana é uma quantidade que, como a média,

(a) AMOSTRA: m̂d

Medidas de Posição (ou de

1º Passo: Ordenar de forma crescente os “n” valores da

2º Passo: (i) Sendo “n” ímpar, a mediana será igual ao valor

Li = limite inferior da classe que contém a mediana;

Medidas de Posição (ou de

Li = 49,5; n = 50; Fa = 11; fmd = 16; hmd = 5. 18

Exemplo 2: 50 determinações do tempo (em segundos)

Li = 49,5; n = 50; Fa = 11; fmd = 16; hmd = 5.

Medidas de Posição (ou de

=> A moda (ou modas) de um conjunto de valores é

=> É uma quantidade que, como a média, também

Li = limite inferior da classe modal;

Medidas de Posição (ou de

Exemplo 2: 50 determinações do tempo (em segundos)

Medidas de Dispersão (ou de

9 As Medidas de Dispersão servem para indicar o “quanto

=> A amplitude, já mencionada, é definida como a diferença

(a) AMOSTRA: Rˆ = X MAX − X MIN

(b) POPULAÇÃO: R = X MAX − X MIN

=> Vantagem e Desvantagem.

=> Salvo aplicações de Controle de Qualidade, a

Medidas de Dispersão (ou de

=> Em se tratando de População: n

Medidas de Dispersão (ou de

Exemplo: Executar o cálculo da variância de um

Poderemos montar a seguinte Tabela Auxiliar nos

Nota-se que as expressões apresentadas não são as mais

Medidas de Dispersão (ou de

Assim, para um conjunto com “N” dados:

Medidas de Dispersão (ou de

(a) Multiplicando-se todos os valores de uma variável por

(b) Somando-se ou subtraindo-se uma constante a todos os

OBS: (i) A variância é uma medida de dispersão importante na

(ii) Do ponto de vista prático, ela tem o inconveniente de se

Medidas de Dispersão (ou de

=> Definimos desvio padrão como “a raiz quadrada positiva

=> O cálculo do desvio padrão é feito por meio da variância.

(ii) É mais realístico para efeito de comparação de dispersões.

Exemplo: 50 determinações do tempo (em segundos) gasto

Medidas de Dispersão (ou de

=> O coeficiente de variação é definido como “o quociente