Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

Tabela 2.3 – Distribuição de frequências acumuladas

Variável Frequência Frequência Frequência Frequência Relativa

(Anos de Absoluta (fi) Absoluta Relativa % (fr) Acumulada % (Fr)
Serviço) Acumulada (Fi)
fi Fi
A frequência relativa é dada pela fórmula f r = (I) e a Acumulada Fr = (II)
n n
- Se n é tamanho da amostra, considera-se que a amostra é grande se n > 30 e
pequena se n ≤ 30 ;
- Se k for o número de classes que pretendemos, então k = 5 se n ≤ 30 e k = n
se n > 30 ;
- Se λ é amplitude total, será obtido através da diferença entre o maior e o menor
valores da amostra.
λ
- Se c é o intervalo de cada classe, será obtido pela fórmula c = ;
k
f é a frequência absoluta;
Média amostral Média populacional

n N

∑x i ∑x i
X= i =1
(V) µ= i =1
(VI)
n N
A fórmula (V), pode ser usada para dados da tabela 2.13 se considerarmos a venda por ano
como sendo Xi.
Dados agrupados

Média amostral Média populacional

n N

∑x i
fi ∑x f i i
X= i =1
(VII) µ= i =1
(VIII)
n N

Média aritmética ponderada: a média aritmética ponderada do conjunto

x1 w1 + x 2 w2 + ... + x k wk
x1, x2,...,xk, com pesos w1, w2,...,wk é calculada por X ap= .
w1 + w2 + ... + wk

a) Média geométrica: a média geométrica dos valores positivos x1, x2,...,xn, é

calculada por X g = n x1 × x 2 × ... × x n .

Média geométrica ponderada: a média geométrica ponderada do conjunto

Docente: Rodrigues Z. Fazenda rzfazenda@gmail.com rzfazenda@tdm.co.mz 826051185 1

 Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

x1, x2,...,xk, com pesos w1, w2,...,wk, é calculada por X gp = ∑ x1 1 .x 2 2 ...x k k .

wi w w w

b) Média Harmônica: a média harmônica dos valores x1, x2,...,xn é calculada por

É o inverso da média aritmética dos inversos.

1 n n
X h = = = .
1 1 1 1 1 1 1
+
x1 x 2
+ ... +
xn
+
x1 x 2
+ ... +
xn
∑x
i

2
.
Média harmônica ponderada: a média harmônica ponderada do conjunto

x1, x2, ..., xk, com pesos w1, w2, ...,wk, é calculada por X
∑w i
hp = .
w
∑x i

Media Harmônica Ponderada : (para dados agrupados em tabelas de frequências)

X hp =
∑f i

f
∑x i

.
c) Média quadrática: a média quadrática dos valores positivos x1, x2,...,xn, é

∑x
2 2 2 2
x + x 2 + ... + x n i
calculada por X q = 1 = . É a raiz quadrada da média aritmética
n n
dos quadrados

x12 + x 22 + ... + x n2
Média Quadrática Simples: (para dados não agrupados) X q =
n

2 Docente: Rodrigues Z. Fazenda rzfazenda@gmail.com rzfazenda@tdm.co.mz 826051185

 Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

Média Quadrática Ponderada: Quando os valores da variável estiverem dispostos

em uma tabela de frequências, a média quadrática será determinada pela seguinte

expressão: X qp =
∑x f
2
i i

∑f i

N
− ∑ f1
Mediana Me = l1 + 2 ×c
f med
Onde l1 - limite inferior da classe mediana
N
- ponto médio onde se localiza a respectiva frequência acumulada
2
∑ f1 - soma das frequências inferiores (anteriores) a classe mediana
λ
c - intervalo de classe dado por c =
k
f med - frequência da classe mediana

d1
Moda M o = l1 + ×c
d1 + d 2
Onde l1 - limite inferior da classe modal
λ
c - intervalo de classe dado por c =
k
d 1 - Diferença entre as frequências da classe modal e a imediatamente inferior
d 2 - Diferença entre as frequências da classe modal e a imediatamente superior

Observação: Um dos casos não tratados na moda é o referente a intervalos de classes

diferentes. Para este caso usa-se a fórmula de King, com a seguinte forma
f i +1
ci +1
m = li + × ci , com ci como intervalo da classe modal e fi freqüência absoluta da
f i +1 f i −1
+
ci +1 ci −1
fi
classe modal. A classe modal é aquela com maior peso. O peso é obtido pela fórmula .
ci
Medida Notação Definição, propriedades

_ É a soma dos produtos dos valores da variável e respectiva

Média X frequência, dividida pelo número de observações
É o valor que ocupa a posição central da série de observações
Mediana Me de uma variável, dividindo o conjunto em duas partes iguais.
50% dos dados tomam valores menores ou iguais ao valor da
mediana e os 50% restantes acima.

Docente: Rodrigues Z. Fazenda rzfazenda@gmail.com rzfazenda@tdm.co.mz 826051185 3

 Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

Moda Mo È definida como valor que ocorre com mais frequência, dos
valores observados

3. MEDIDAS DE POSIÇÃO

3.1 Quartís (Quantís)

Tabela 2.20 – Resumo de quartís para Box Plot

Estatísticas Altura dos

Alunos
Q1 1,675
Q3 1,78
Q3 – Q1 0,105
1,5 *(Q3 - Q1) 0,1575
3,0 *(Q3 - Q1) 0,315
Outliers inferiores
Xi ≤ Q1 -1,5 *(Q3 - Q1) ≤ 1,5175
Valores extremos
inferiores ≤ 1,36
Xi ≤ Q1 - 3,0 *(Q3 - Q1)
Outliers superiores
Xi ≥ Q3 + 1,5 *(Q3 - Q1) ≥ **
Valores extremos
superiores ≥ **
Xi ≥ Q3 + 3,0 *(Q3 - Q1)

n
1º) Calcular a posição: posição = (seja n ímpar ou par)
4

2º) Pela Fi identifica-se a classe que contém o Q1

n
− Fi
3º) Aplica-se a fórmula: Qi = LQ1 + 4 ×c
f Q1
sendo
* LQ1 = limite inferior da classe do Q1
* n = tamanho da amostra ou nº de elementos
* Fi = frequência acum. anterior à classe do Q1
* c = intervalo da classe do Q1
* f Q1 = frequência simples da classe do Q1

5. MEDIDAS DE DISPERSÃO

4 Docente: Rodrigues Z. Fazenda rzfazenda@gmail.com rzfazenda@tdm.co.mz 826051185

 Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

5.1 Amplitude total ( λ )

Desvio médio Variância Desvio padrão

∑ (X )
n n 2

∑ Xi −X
i =1
i −X
DM = S =
2 i =1
S = s2
n n

S
Cv = * 100
X

5.4 Amplitude Iinterquartil I Q = Q 3 - Q1

2. DEFINIÇÃO AXIOMÁTICA DE PROBABILIDADE

Se Ai for um evento qualquer e S for espaço de resultados (conjunto universal), então:

a) P ( Ai ) ≥ 0
b) P ( S ) = 1
n
c) ∑ P( A ) = P(∪ Ai),
i =1
i
i
∩ Ai =0/

1. A = A
2. ( A ∪ B ) C = A c ∩ B c
3. ( A ∩ B ) C = A c ∪ B c
n nº de resultados favoráveis
P ( A) = = .
N nº de resultados possíveis
n!= n × (n − 1) × (n − 2) × (n − 3) × ... × 3 × 2 × 1

Casos Especiais
0! = 1 1! = 1

Permutaçao P5 = 5!= 5 × 4 × 3 × 2 × 1 = 120

Permutações com elementos repetidos

n!
Pn( k ,t , s ,...) =
k !t! s!...

3.4 Arranjos simples

n! n!
Akn = . Lê-se: Arranjos de n, k a k. É fácil perceber que Ann = = n!= Pn
(n − K )! (n − n)!

Docente: Rodrigues Z. Fazenda rzfazenda@gmail.com rzfazenda@tdm.co.mz 826051185 5

 Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

3.5 Combinações simples

n!
C kn = , que se lê, combinação de n, k a k. A fórmula de combinações é mais
k!(n − k )!
n!
conhecida como sendo Número binomial e indicado por: ( nk ) = e que será usado nas
k!(n − k )!
Distribuições de Probabilidade teóricas discretas (Binomial e Hipergeométrica)

4. Algumas considerações sobre leis, axiomas e teoremas:

Se A e B, são dois eventos quaisquer de S, teremos:
1) P ( Ai ) ≥ 0
2) 0 ≤ P( A) ≤ 1
n
3) ∑ P( A ) = 1
i =1
i

4) P ( A ∪ B) = P( A) + P( B), se A ∩ B = 0/ , i.e, A e B são mutuamente exclusivos

5) P ( A ∪ B) = P( A) + P( B) − P( A ∩ B), se A ∩ B ≠ 0/ , i.e, A e B não são mutuamente exclusivos
6) P ( A ∩ B) = P( A) P( B) ⇔ A e B são independentes
7) P ( A ∩ B) = P( A) P ( B / A) ou P( A ∩ B) = P( B) P( A / B) ⇔ A e B são dependentes
P( A ∩ B)
8) P ( A / B ) = ⇔ A ocorre depois de B ter ocorrido , define Probabilidade condicional
P( B)
9) P ( S ) = 1
10) P (0/ ) = 0
11) P ( A ) = 1 − P ( A)

P ( A ∩ B ∩ C ) = P( A) × P( B) × P (C )

Regra Geral da Multiplicação numa Probabilidade Condicional

P ( A ∩ B) = P( A) × P( B / A)

7. PROBABILIDADE TOTAL
P(C ) = P( A1 ) P(C / A1 ) + P( A2 ) P(C / A2 ) + ... + P( An ) P(C / An ) .

8. TEOREMA DE BAYES
P( Ai ) P( B / Ai ) P ( Ai ) P( B / Ai )
P ( Ai / B) = = n
P ( A1 ) P( B / A1 ) + P( A2 ) P( B / A2 ) + ... + P( An ) P( B / An )
∑ P( Ai ) P( B / Ai )
i =1

6 Docente: Rodrigues Z. Fazenda rzfazenda@gmail.com rzfazenda@tdm.co.mz 826051185

 Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

VARIÁVEIS ALEATÓRIA, FUNÇÕES DE DISTRIBUIÇÃO

E DISTRIBUIÇÕES TEÓRICAS DE PROBABILIDADE

2 VARIÁVEL ALEATÓRIA DISCRETA (VAD)

µ = E ( X ) = ∑ [ X .P ( X )]

Se as variáveis aleatórias X e Y são independentes, então E[ X × Y ] = E[ X ] × E[Y ]

O inverso (recíproca) não é verdadeiro em geral: E[ X × Y ] = E[ X ] × E[Y ] não implica que X e
Y sejam independentes.
σ 2 = ∑[(X − µ) 2 P( X )] O desvio padrão é: σ = σ 2

3. DISTRIBUIÇÕES DE PROBABILIDADE TEÓRICAS DISCRETAS

3.1 A Distribuição Binomial

A Distribuição Binomial tem as seguintes características:
Consideremos um experimento que apresenta somente dois resultados possíveis que são
categorias mutuamente exclusivas: sucesso e fracasso (ocorre ou não ocorre). Referindo-se a
uma dicotomia

a) O experimento é repetido várias vezes.

b) A probabilidade de sucesso permanece constante para cada tentativa
(consequentemente, a probabilidade de falha também permanece constante).
c) As tentativas são independentes, significando que o resultado de uma tentativa não
afecta o resultado de qualquer outra tentativa. Se for o caso de tirar algo de uma
urna, a independência é garantida por retirada com reposição.

Para construir uma distribuição binomial, é assumir que:

n é o número de tentativas
r é o número de sucessos observados
p é a probabilidade de sucesso em cada tentativa
q é a probabilidade de (insucesso) falha em cada tentativa, em que q = 1 − p

A distribuição de probabilidade para uma distribuição discreta binomial é dada por

n−r n! n−r
P(X = r) = C r
n × p r
× q = × p r
× q
r !× ( n − r )!

A Média e Variância de uma Distribuição Binomial

A média é dada por: µ = np
A variância é dada por: σ 2 = np(1 − p )

Para o exemplo anterior:

Docente: Rodrigues Z. Fazenda rzfazenda@gmail.com rzfazenda@tdm.co.mz 826051185 7

 Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

p = 0,05 e n = 6

µ = np = 6 × 0,05 = 0,3
σ 2 = np (1 − p ) = 6 × 0,05 × 0,95 = 0,285

3.2. Distribuição HipergeométrIca

C Mk C Nn −−kM
A probabilidade procurada para X=k casos favoráveis será P ( X = k ) = , a sua
C Nn
kn
esperança matemática ou média populacional será µ = E ( X ) = , a variância é dada pela
N
 nk  1 − k  N − n 
fórmula seguinte σ 2 =    
 N  N  N − 1 

3.3 DistribuiÇÃo Multinomial ou Polinomial

n!
P ( X 1 = k1 , X 2 = k 2 , X 3 = k 3 ,..., X k = k k ) = × p1k1 × p 2k2 × p3k3 × ... × p kk k , onde
k1 × k 2 × k 3 × ... × k k
k1 + k 2 + k 3 + ... + k k = n E ( X i ) = npi Var ( X ) = n × pi × qi

3.4 Distribuição Geométrica

1 q
P ( X = k ) = q k −1 × p E( X ) = µ = Var ( X ) =
p p2

3.5 Distribuição de pascal

r rq
P ( X = k ) = C rk−−11 × p r × q k − r , onde k = r, r+1, ... E( X ) = Var ( X ) =
q p2

3.6. Distribuição de Poisson

e − λ × λk
P( X ) = , onde k = o, 1, 2, 3, ..., n, ..., diremos que X tem uma distribuição de
k!
Poisson com parâmetro λ f 0 , simbolicamente X ~ Po (λ ) E (X ) = λ Var (X ) = λ

K
E ( X ) = x1 p1 + x 2 p 2 + ... + x K p K = ∑x p
i =1
i i

8 Docente: Rodrigues Z. Fazenda rzfazenda@gmail.com rzfazenda@tdm.co.mz 826051185

 Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

+∞ +∞
E ( x) = µ ( x) = ∫ x f ( x)dx σ 2 = ∫ ( x − µ ) 2 f ( x)dx e desvio σ = σ 2
k

−∞ −∞
−( X −µ ) 2
+∞ +∞ −( X − µ ) 2
1 1
f (X ) =
2πσ 2
e 2σ 2
. E[ X ] = ∫ Xf ( X )dx = ∫ X
−∞ −∞ 2πσ 2
e 2σ 2
dx = µ

+∞ +∞ −( X − µ ) 2
1
e V[X ] = ∫ ( X − E[ X ]) f ( X )dx = ∫ (X − µ) dx = σ 2
2 2 2σ 2
e
−∞ −∞ 2πσ 2

X −µ σ s ∑(X i − X )2
σ2
Z= σ X
= X
sX = s= i =1
V (X ) =
σ n n n −1 n

A.2 Amostragem Sistemática

σ2
N σ2 V (X s )
[1 + ρ (n − 1)]
k= V (X ) = [1 + ρ (n − 1)] . = n = 1 + ρ (n − 1)
n n V (X ) σ2
n

A.3 Amostra Estratificada

n
ni = N i .
N

s s s s s s
P( x − z <µ<x+z ) = 1−α x−z <µ<x+z . ε =z A = 2z
n n n n n n
2
 zs 
n =  
X −µ

Interpretando os resultados

s s s s
P( x − t < µ < x +t ) = 1−α x − t < µ < x +t .
n −1 n −1 n −1 n −1

II Intervalo de confiança para uma proporção populacional

p(1 − p) p(1 − p)
P( p - Z < p< p+Z ) = 1−α
n n

Docente: Rodrigues Z. Fazenda rzfazenda@gmail.com rzfazenda@tdm.co.mz 826051185 9

 Manual de Estatística Descritiva, Probabilidade e Inferência Estatística

2
p (1 − p ) p (1 − p )  Zp (1 − p) 
ε =Z , a amplitude A = 2Z e o tamanho da amostra n =   .
n n  p − p 

1- Intervalo de confiança para uma variância se a média é conhecida

n n n n

∑ (X − µ) ∑ (X − µ) ∑ (X − µ) ∑ (X − µ)
2 2 2 2
i i i i
P ( i =1 <σ 2 < i =1
) = 1−α i =1
<σ 2 < i =1

χ2α χ α2 χ2α χ α2
1− 1−
2 2 2 2

(n − 1) s 2 (n − 1) s 2 (n − 1) s 2
(n − 1) s 2
P( <σ2 < ) = 1−α <σ 2 <
χ 2
α χα 2
χ 2
α χ α2
1− 1−
2 2 2 2

 1 1 (n − 1)S12 + (n2 − 1)S 22 1 1 (n − 1)S12 + (n2 − 1)S 22 

P X 1 − X 2 − t ( + ) 1 〈µ1 − µ 2 〈 X 1 − X 2 + t ( + ) 1  =1 −α
 n1 n2 n1 + n2 − 2 n1 n2 n1 + n2 − 2 
 

z=
X −µ
z=
p− p ( p* − pB* ) − ( pA − pB )
Z cal = A
s p(1 − p) p*Aq*A pB* qB*
+
n n nA nB

I. Teste de Independência

(observado − esperado) 2
χ 2
amostra =∑
esperado

O Teste exacto de Fisher

 A + C  B + D 
  
 A   B  = ( A + B)!*(C + D)!*( A + C )!*(B + D)! σ σ
p= P( x − Z <µ < x+Z ) = 1−α
N  N !*A!*B!*C!*D! n n
 
 A + B

Tcal =
(X 1 − X 2 ) − (µ1 − µ 2 )
 1 1  (n1 − 1)S12 + (n2 − 1)S22
 + 
 n1 n2  n1 + n2 − 2

10 Docente: Rodrigues Z. Fazenda rzfazenda@gmail.com rzfazenda@tdm.co.mz 826051185