FACULDADE DE TECNOLOGIA DE SOROCABA

APOSTILA DE ESTATÍSTICA CURSO: PROCESSAMENTO DE DADOS

Ao escrever esta Apostila não pretendi outra coisa, senão proporcionar aos alunos da disciplina ESTATÍSTICA, a facilidade de dispor de notas de aulas dos temas do Programa da Disciplina. O acompanhamento das aulas e a pesquisa em Bibliografia sobre o assunto, tornam-se necessárias para o adequado aproveitamento do curso.

PROF. OSNI PAULA LEITE

ÍNDICE
1.0 DEFINIÇÕES DE ESTATÍSTICA ......................................................................... 1 1.1 POR QUE ESTUDAR ESTATÍSTICA? ......................................................... 1 1.2 A NATUREZA DOS DADOS ........................................................................ 1 1.3 TIPOS DE DADOS ....................................................................................... 2 1.4 TIPOS DE LEVANTAMENTOS .................................................................... 3 1.5 PLANEJAMENTO DE EXPERIMENTOS ..................................................... 4 EXERCÍCIOS: E-1...................................................................................................... 5 2.0 AMOSTRAGEM ................................................................................................... 6 2.1 DEFINIÇÕES................................................................................................ 6 2.2 AMOSTRAGEM ALEATÓRIA BASEADA EM NÚMEROS ALEATÓRIOS (RANDÔMICOS) ................................................................................................ 8 2.3 OUTROS PLANOS DE AMOSTRAGEM ...................................................... 9 2.4 AMOSTRAGEM POR JULGAMENTO (NÃO PROBABILÍSTICA) ................ 9 2.5 AMOSTRAGEM PROBABILÍSTICA ........................................................... 10 2.5.1 AMOSTRAGEM SISTEMÁTICA............................................................... 10 2.5.2 AMOSTRAGEM ESTRATIFICADA ......................................................... 11 2.5.3 AMOSTRAGEM POR CONGLOMERADO............................................. 11 RESUMO.......................................................................................................... 11 EXERCICIOS: E-2.................................................................................................... 13 3.0 ANÁLISE EXPLORATÓRIA DE DADOS........................................................... 14 4.0 DISTRIBUIÇÃO DE FREQÜÊNCIA ................................................................... 15 5.0 REPRESENTAÇÃO GRÁFICA DAS VARIÁVEIS QUANTITATIVAS ............... 19

6.0 APRESENTAÇÃO GRÁFICA ............................................................................ 20 6.1 DIAGRAMA DE ORDENADAS................................................................... 20 6.2 DIAGRAMA DE BARRAS........................................................................... 21 6.3 DIAGRAMA DE CÍRCULOS ....................................................................... 22 6.4 DIAGRAMA DE SETORES CIRCULARES ................................................ 23 6.5 DIAGRAMA LINEAR .................................................................................. 25

6.6 O PICTOGRAMA ................................................................................................ 26 7.0 MONTAGEM DE UMA DISTRIBUIÇÃO DE FREQÜÊNCIAS ........................... 27 7.1 HISTOGRAMA E POLIGONO DAS FREQÜÊNCIAS ................................. 31 7.2 HISTOGRAMA E POLIGONO DAS FREQÜÊNCIAS RELATIVAS ............ 32 7.3 POLIGONO DE FREQÜÊNCIA ACUMULADA OU OGIVA ........................ 33 7.4 POLIGONO DA FREQÜÊNCIA ACUMULADA RELATIVA ........................ 34 8.0 TIPOS DE DISTRIBUIÇÃO ................................................................................ 35 8.1 DISTRIBUIÇÃO SIMÉTRICA OU EM FORMA DE SINO ........................... 35 8.2 DISTRIBUIÇÃO ASSIMÉTRICA................................................................. 36 8.3 DISTRIBUIÇÃO MODAL, AMODAL, BIMODAL E MULTIMODAL ............. 37 8.4 APRESENTAÇÃO TIPO RAMO-E-FOLHAS .............................................. 38 9.0 MEDIDAS DE POSIÇÃO OU DE TENDÊNCIA CENTRAL ............................... 40 9.1 MÉDIA ARITMÉTICA SIMPLES ................................................................. 40 9.2 MÉDIA ARITMÉTICA PONDERADA .......................................................... 41 9.3 MEDIANA (x̃) .............................................................................................. 41 9.4 MODA (

ˆ x ) ............................................................................................... 43

10.0 MEDIDAS DE VARIABILIDADE (DISPERSÃO).............................................. 44 10.1 AMPLITUDE TOTAL (R.T.) ...................................................................... 44 10.2 DESVIO PADRÃO .................................................................................... 45 10.2.1 DESVIO PADRÃO AMOSTRAL (S) ....................................................... 45 10.2.2 DESVIO PADRÃO DA POPULAÇÃO (σ) ............................................... 46 10.2.3 REPRESENTAÇÃO GRÁFICA DO DESVIO PADRÃO.......................... 46 10.2.4 SISTEMATIZAÇÃO PARA O CÁLCULO ................................................ 47 10.3 VARIÂNCIA .............................................................................................. 48 11.0 DISTRIBUIÇÃO NORMAL .............................................................................. 49 EXERCÍCIOS: E-3.................................................................................................... 55 12.0 PROBABILIDADE............................................................................................ 56 12.1 ESPAÇO AMOSTRAL E EVENTOS......................................................... 57 12.2 TRÊS ORIGENS DA PROBABILIDADE................................................... 58

12.3 A MATEMÁTICA DA PROBABILIDADE ................................................... 59 EXERCÍCIOS: E-4.................................................................................................... 62 13.0 TECNICAS DE CONTAGEM ........................................................................... 63 13.1 O PRINCIPIO DA MULTIPLICAÇÃO........................................................ 64 13.2 PERMUTAÇÃO, ARRANJO E COMBINAÇÃO. ....................................... 65 13.3 REGRAS DE CONTAGEM....................................................................... 68 EXERCÍCIOS: E-5.................................................................................................... 69 14.0 DISTRIBUIÇÃO DE PROBABILIDADES......................................................... 70 14.1 DISTRIBUIÇÃO BINOMIAL ...................................................................... 72 EXERCICIOS: E-6.................................................................................................... 76 14.2 DISTRIBUIÇÃO DE POISSON......................................................................... 77 EXERCICIOS: E-7.................................................................................................... 79 15.0 CORRELAÇÃO ................................................................................................ 80 15.1 INTRODUÇÃO ......................................................................................... 80 15.2 RELAÇÃO FUNCIONAL E RELAÇÃO ESTATÍSTICA ............................. 80 15.3 DIAGRAMA DE DISPERSÃO................................................................... 81 15.4 CORRELAÇÃO LINEAR.......................................................................... 82 15.5 COEFICIENTE DE CORRELAÇÃO LINEAR........................................... 85 15.6 CUDADOS COM OS ERROS COM A INTERPLETAÇÃO DE CORRELAÇÃO ................................................................................................ 87 EXERCICIOS: E-8.................................................................................................... 88 16.0 REGRESSÃO LINEAR .................................................................................... 91 16.1 AJUSTAMENTO DE CURVAS ................................................................. 91 16.2 MÉTODO DOS MÍNIMOS QUADRADOS ................................................ 92 16.3 ANÁLISE DE REGRESSÃO..................................................................... 95 EXERCÍCIOS E-9 ......................................................................................................98

ESTATÍSTICA
1.0 DEFINIÇÕES DE ESTATÍSTICA
Etimologicamente a palavra estatística vem de “status” expressão latina que significa, ”sensu lato”, o estudo do estado. Os primeiros a empregarem esse termo foram os Alemães seguidos pela Itália, França, Inglaterra e ainda por outros paises. Para Levasseur a estatística é : “O estudo numérico dos fatos sociais”.

Yule define estatística como: “Dados quantitativos afetados marcadamente por uma multiplicidade de causas”. Uma definição mais usual nos dias de hoje seria: “Um método cientifico que permite a análise, em bases probabilística, de dados coligados e condensados”

Ou ainda podemos dizer que é: “A coleta, o processamento, a interpretação e a apresentação de dados numéricos que pertencem ao domínio da estatística” 1.1 POR QUE ESTUDAR ESTATÍSTICA?

Por hora podemos dizer que o raciocínio estatístico é largamente utilizado no governo e na administração; assim, é possível que, no futuro, um empregador venha a contratar ou promover um profissional por causa do seu conhecimento de estatística.

1.2 A NATUREZA DOS DADOS

O dados estatísticos constituem a matéria prima das pesquisas estatísticas, eles surgem quando se fazem mensurações ou se restringem observações. Estatística descritiva: Trata-se da descrição e resumo dos dados.

1

Probabilidade: É um estudo que envolve o acaso.

Interferência: É a analise e interpretação de dados amostrais (Amostragem).

Modelo: São versões simplificadas (Abstrações) de algum problema ou situação real. 1.3 TIPOS DE DADOS

Quantitativos Contínuos Discretos Qualitativos Nominais Por postos As variáveis contínuas podem assumir qualquer valor num intervalo contínuo. Os dados referentes a tais variáveis dizem-se dados contínuos. Ex. Peso, comprimento, espessura onde usa-se a mensuração. As variáveis discretas assumem valores inteiros de dados discretos são os resultados da contagem de números de itens. Ex. alunos da sala de aula, número de defeitos num carro novo, acidentes de uma fábrica. Os dados nominais surgem quando se definem categorias e se conta o número de observações pertencentes a cada categoria. Ex.: atuam dentro das variáveis “Qualitativas” as quais devemos associar a valores numéricos para que possamos processar estatisticamente. Ex.: cor dos olhos (azuis, verdes, castanhos), sexo (masculino e feminino), desempenho (excelente, bom, sofrível, mau) etc. Os dados por postos consistem de valores relativos atribuídos para denotar ordem: primeiro, segundo, terceiro, quarto, etc. Ex.: concurso de beleza se classificam em 1ª,2ª,3ª colocadas.

2

Exemplos os registros civis dos fatos vitais (nascimento. De classes Homens/Mulheres 3º grau 1. periódicos e ocasionais: CONTÍNUO: Quando os eventos vão sendo registrados à medida que ocorrem. óbitos e casamentos). arquivados.TABELA: 1 A mesma população pode originar diferentes tipos de dados. Exemplo é o rescenceamento. isto é. 3 . DADOS SECUNDÁRIOS: Quando o investigador para verificar as sua hipóteses de trabalho utiliza.se de dados já existentes. OCASIONAIS: São aqueles realizados sem a preocupação de continuidade ou periodicidade preestabelecidas.4 TIPOS DE LEVANTAMENTOS Os levantamentos podem ser classificados em contínuos. registrados ou publicados. os dados são levantados diretamente na população no momento da investigação. PERIÓDICOS: Acontecem ciclicamente. parte para a realização de um inquérito. exemplos a maioria dos trabalhos de investigação cientifica. feito no Brasil a cada dez anos. TIPOS DE DADOS POPULAÇÕES CONTÍNUOS DISCRETOS NOMINAIS POR POSTO Alunos de administração idade/peso N. DADOS PRIMÁRIOS: Quando o investigador não encontra dados publicados adequados ao seu estudo. Podem ser até mesmo dados gerados pelo Departamento de Estatísticas de Populações da Fundação Instituto Brasileiro de Geografia e Estatística (IBGE).

Analisar e interpretar os dados 5. Formular plano para coleta de dados adequados 3. Relatar as conclusões 4 . Definição do problema: Um Estudo ou Uma Análise 2.5 PLANEJAMENTO DE EXPERIMENTOS 1. Coligir os dados 4.1.

25 segundos d.Responder a pergunta: Por que estudar estatística? c.EXERCÍCIOS: E-1 1. b. 2 errados c.17 gramas b.O mais lento i.O mais aprazível h.Identifique os seguintes exemplos em termos de tipos de dados: a.25 alunos na classe e.tamanho de camisa f.3 certos.5 acidentes no mês de maio 2.Km/litro g.Dar exemplos de como um administrador pode se beneficiar do conhecimento de Estatística? 5 .Responder as perguntas: a.Defina o termo Estatística.

AMOSTRA: é qualquer sub-conjunto da população extraída para se realizar estudos estatísticos .2.0 AMOSTRAGEM AMOSTRAGEM VERSUS SENSO: Uma amostra usualmente envolve o estudo de uma parcela dos ítens de uma população. POPULAÇÃO AMOSTRA 6 . Restrições ao Censo: Custo Populações infinitas Dificuldade nos critérios (Precisão) Produtos de testes Destrutivos (fósforos. munições) Tempo despendido (atualização) Tipos de informações mais restritivas Casos de excessão: Populações pequenas Amostras grandes em relação a população Se exige precisão completa Se já são disponíveis informações completas 2.1 DEFINIÇÕES POPULAÇÃO: é o conjunto de indivíduos (ou objetos). que tem pelo menos uma variável comum observável. enquanto que o censo requer o estudo de todos os ítens.

.Amostragem é o ato de retirar amostra. com base em resultados verificados em amostras retiradas dessa população. é que a amostra seja “Representativa” da população. Na indústria onde amostras são freqüentemente retiradas para efeito de Controle da Qualidade dos produtos e materiais. isto é. . em suma. Entretanto não basta que saibamos descrever convenientemente os dados da amostra para que possamos executar. dele. um trabalho estatístico completo. e que dão a sua representatividade em termos: . A probabilidade e a amostragem estão estreitamente correlacionadas e juntas formam o fundamento da teoria de interferência. 7 .O que é necessário garantir.Interferência estatística envolve a formulação de certos julgamentos sobre um todo após examinar apenas uma parte. quando for o caso.Qualitativos: Amostras que representem todas as sub-populações. . em pesquisas sociais. econômicas ou de opinião. Dois aspectos nas amostras são fundamentais. Antes de tudo é preciso garantir que a amostra ou amostras que serão utilizadas sejam obtidas por processos adequados.Quantitativos: Que possua quantidade de dados suficientes para representar a População. com êxito. a complexibilidade dos problemas de amostragem são normalmente bastante grandes. ou a amostra. Por outro lado. a ação.A estatística indutiva é a ciência que busca tirar conclusões probabilísticas sobre a população. em geral os problemas de amostragem são mais simples de resolver. .

2. dizer “quão próxima” está à amostra da população. temos constituído por números finitos.4.Amostra é a quantidade de dados especificado para representar a população. uma amostra aleatória é aquela em que a probabilidade de incluir na amostra qualquer intervalo de valores é igual à percentagem da população que está naquele intervalo.. a amostragem aleatória exige que cada elemento tenha a mesma oportunidade de ser incluído na amostra. produzidos no Brasil e a serem produzidos (universo volkswagem). Ex. Nas Populações contínuas. pelo menos hipoteticamente. Esses números podem ser lidos isoladamente ou em grupos.: Peso bruto de 3000 latas de tinta de um certo lote de produção. isto é. Ex. Produção de carros V.2 AMOSTRAGEM ALEATÓRIA BASEADA EM NÚMEROS ALEATÓRIOS (RANDÔMICOS) As tabelas de números aleatórios contém os dez algarismos 0. processo probabilístico.3... Populações infinitas: são aquelas que contém.. Populações finitas: é quando.. Há vários métodos para extrair uma amostra talvez o mais importante seja a amostragem aleatória de modo geral. Amostragem aleatória permite estimar o valor do erro possível. em termos de representatividade. ou fixos de elementos. podem ser lidos em qualquer ordem. medidas ou observações.W.. Amostragem não aleatória não apresenta esta característica.9. A probabilidade de qualquer algarismo aparecer em qualquer ponto é 1/10. 8 .2. um número infinito de elementos.. Nas Populações discretas uma amostra aleatória é aquela em que cada item da população tem a mesma chance de ser incluído na amostra. Portanto todas as combinações são igualmente prováveis.1..

sempre que possível. A titulo de ilustração poderíamos querer selecionar aleatoriamente 15 clientes de uma lista de 830 de um grande magazine. anotando os valores obtidos. não é possível nenhuma estimativa do erro amostral. pode-se determinar a quantidade de variável amostral numa amostra aleatória e uma estimativa do erro amostral. com reposição. de uns 5 itens. A amostragem não probabilística é a amostragem subjetiva. onde a variabilidade amostral não pode ser estabelecida com precisão. deve-se usar a amostragem probabilística. a finalidade poderia ser : Estimar a freqüência de compras. 9 . A verdade é que. ou por julgamento. digamos. colocando-as numa urna. a amostragem aleatória pode dar resultados totalmente não representativos.3 OUTROS PLANOS DE AMOSTRAGEM Amostragem probabilística versus Amostragem não probabilística Os planos de amostragem probabilística são delineados de tal modo que se conhece a probabilidade de todas as combinações amostrais possíveis. Determinar o valor médio de cada compra. ao passo que uma pessoa familiarizada com a população pode especificar quais os itens mais representativos da população.Conceitualmente. conseqüentemente. Em razão disso. 2. 2. A amostragem aleatória é um exemplo da amostragem probabilística. misturando bem e extraindo uma de cada vez.4 AMOSTRAGEM POR JULGAMENTO (NÃO PROBABILÍSTICA) Se o tamanho da amostra é bem pequeno. poderíamos construir uma tabela de números aleatórios numerando dez bolinhas com os algarismos de 0 a 9 . Registrar as queixas contra o sistema.

onde K obtem-se dividindo o tamanho da população pelo tamanho da amostra. Para iniciar pode-se usar uma tabela de números aleatórios de 0 a 9 para iniciar os grupos. etc. 2. N= 200 e n=10 então K=200/10 = 20 Significa que será escolhido um item a cada seqüência de 20 de uma lista. 29º. bem como outro tipo de pesquisa. 10 .5 AMOSTRAGEM PROBABILÍSTICA SISTEMÁTICA ESTRATIFICADA CONGLOMERADO 2.Exemplo: Uma equipe médica deve trabalhar com pacientes que se apresentem com voluntários para testar um novo medicamento. escolhemos o 9º. Por exemplo se der o 9. escolhendo-se cada K-ésima amostra.1 AMOSTRAGEM SISTEMÁTICA É muito parecida com a amostragem aleatória simples. Podemos ter uma amostragem realmente aleatória. Os perigos inerentes à pesquisa médica .5. K= N n onde: N= Tamanho da População n= Tamanho da Amostra EX. Nenhum desses grupos podem ser considerados como uma amostra aleatória do público em geral. Todavia. após um período de tempo notou-se o aumento das chances de adquirirem câncer de mama. os resultados poderiam proporcionar uma base para a elaboração de um plano de amostragem aleatório para validar os resultados básicos. freqüentemente obrigam a limitar a pesquisa inicial a um pequeno grupo de voluntários. 39º . Exemplo: A aplicação de hormônios em mulheres na menopausa.49º . e seria perigoso tentar tirar conclusões gerais com base em tal estudo. doenças cardíacas etc.

3 AMOSTRAGEM POR CONGLOMERADO Pressupõe a disposição dos itens de uma população em sub-grupos heterogêneos (sub-populações) representativos da população global. 2. Ex. significa que a probabilidade de incluir qualquer valor de um dado intervalo de valores é igual à proporção com valores naquele intervalo.B. Naturalmente espera-se que a amostra seja representativa da população da qual foi extraída. Fatores com custo.etc). procedendo então a amostragem de cada sub-grupo. Para populações discretas o termo “Aleatório” significa que cada item da população tem a mesma chance de participar na amostra. Pareto.2 AMOSTRAGEM ESTRATIFICADA Pressupõe a divisão da população em sub-grupos Homogêneos (Estratos). Neste caso cada RESUMO A finalidade da amostra é permitir fazer interferência sobre a população após inspeção de apenas parte dela. poder aquisitivo. tornam a amostragem preferível a um estudo completo (Censo) da população. ensaios destrutivos e populações infinitas.5. 11 . Potencialmente. é comum termos 10% dos itens representarem cerca de 60% do valor total em quanto que os 90% restantes representam só 40% do valor total (Curva A.C. regra 80/20). No caso de populações contínuas. Ex.5. região da habitação.2. este objetivo é atingido quando a amostragem é aleatória. faixa etária.: Estudo pré-eleitoral para medir a preferência dos eleitores. educação. conglomerado pode ser encarado como uma minipopulação. (Sub-grupos: sexo.: Para se fazer o inventário do estoque.

estratificada (sub-grupos Homogêneos). 12 .Pela utilização de um processo mecânico (Misturadores).As amostras aleatórias podem ser obtidas: .Utilizando-se uma tabela de números aleatórios para proceder à seleção de uma lista. Em certas condições. tais como amostragem sistemática (periódica). ou amostragem por aglomerados (sub-grupos convenientes e heterogêneos). com o embaralhamento de cartas. . podem ser mais eficientes variantes da amostragem aleatória simples. A principal vantagem da amostragem aleatória é que se pode determinar o grau de variabilidade amostral.Através de um processo de mistura. . o que é essencial na interferência estatística. À amostragem não probabilística falta esta característica.

b.Descreva os vários métodos de obtenção de uma amostra aleatória. c.Defina “Amostra Aleatória”.EXERCICIOS: E-2 QUESTÕES PARA RECAPITULAÇÃO 1. Como escolher o método a ser usado em determinada situação? 5. da amostragem por conglomerado.Em que circunstância é a amostragem preferível a um censo completo? 2. da amostragem sistemática.Que é amostragem probabilística e quando deve ser usada? 9.Que è amostragem por julgamento e em que circunstância deve ser usada? 8. 4. Discreta 13 . contínua b. 7.Quando se deve preferir um censo a uma amostragem? 3.Explique rapidamente as características: a. da amostragem estratificada.Explique o significado de “Amostra Aleatória” quando a população è: a.

redução.3. podemos dizer que a essência da ciência é a observação e que seu objetivo básico é a interferência. relevantes ao seu particular objeto de estudos. finalmente.0 ANÁLISE EXPLORATÓRIA DE DADOS Em alguma fase de seu trabalho. De modo geral. Esta é à parte da metodologia da ciência que tem por objetivos a coleta. faz-se a interferência para uma população. a partir do que. da qual os dados (amostras) foram obtidos. análise e modelagem dos dados. o pesquisador se vê às voltas com o problema de analisar e entender uma massa de dados. 14 .

Exemplo 1: Dados relativos a uma amostra de 36 funcionários de uma população de 2000 funcionários da empresa Milsa. 15 . Ver resultados anotados na tabela abaixo. podemos adaptá-las para outros.0 DISTRIBUIÇÃO DE FREQÜÊNCIA Para cada tipo de variável existem técnicas mais apropriadas para resumir as informações. Porem podemos usar algumas técnicas empregadas num caso.4. Quando se estuda uma variável. o maior interesse do pesquisador é conhecer a distribuição dessa variável através das possíveis realizações (valores) da mesma.

56 5.44 8.59 12.73 6.99 16.71 15.69 14.39 7.TABELA 1 Nº ESTADO CIVIL 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 solteiro casado casado solteiro solteiro casado solteiro solteiro casado solteiro casado solteiro solteiro casado casado solteiro casado casado solteiro solteiro casado solteiro solteiro casado casado casado solteiro casado casado casado solteiro casado casado solteiro casado casado 1º grau 2º grau 2º grau 2º grau superior 2º grau superior superior 2º grau superior 1º grau superior 2º grau 2º grau 1º grau superior 2º grau 2º grau 2º grau 1º grau 2º grau 2º grau 2º grau 1º grau 2º grau 1º grau 1º grau 1º grau 1º grau 2º grau 2º grau 2º grau GRAU DE Nº DE SALÁRIO IDADE REGIÃO DE INSTRUÇÃO FILHOS (X SAL.85 14.53 10.06 11.66 6.26 6. MIN) ANOS MESES PROCEDÊNCIA 1º grau 1º grau 1º grau 2º grau --1 2 ----0 ----1 --2 ----3 0 --1 2 ----1 ----0 2 2 --0 5 2 --1 3 --2 3 4 4.25 5.76 11.46 8.8 10.6 13.3O 26 32 36 20 40 28 41 43 34 23 33 27 37 44 30 38 31 39 25 37 30 34 41 26 32 35 46 29 40 35 31 36 43 33 48 42 03 10 05 10 07 00 00 04 10 06 06 11 05 02 05 08 07 07 08 04 09 02 00 01 05 00 07 08 06 10 05 04 07 07 11 02 interior capital capital outro outro interior interior capital capital outro interior capital outro outro interior outro capital outro interior interior outro capital outro outro interior outro outro interior interior capital outro interior capital capital capital interior 16 .77 9.12 8.75 19.86 7.23 13.61 17.22 16.95 9.79 13.59 7.OO 12.35 9.74 8.4O 23.26 18.13 9.

00 50.Exemplo 2: Freqüência e percentagem da amostra de 36 empregados da empresa Milsa segundo o grau de instrução.50 33.67 36 100 Exemplo 3: Freqüência e percentagem dos 2000 empregados (População) da empresa Milsa (Censo x Probabilidade) TABELA 3 GRAU DE INSTRUÇÃO FRQÜÊNCIA F FREQ.67 2000 100 100 Exemplo 4: Freqüência e percentagens dos 36 empregados (Amostra) da empresa Milsa.OO superior I I I I I I TOTAL 6 16.OO superior TOTAL 330 15.50 16. RELATIVA F FR % 1º grau IIIIIIIIIIII 12 33.33 2º grau IIIIIIIIIIIIIIIIII 18 50.33 2º grau 1020 51. RELATIVA FR % Censo FREQ. 17 . RELATIVA FR % Provável 1º grau 650 32. TABELA 2 GRAU DE INSTRUÇÃO TABULAÇÃO FRQÚÊNCIA FREQ.

16 8 22.8 10 27. 18 .78 TOTAL 36 100 Exemplo 5: Freqüências e percentagem dos empregados da empresa Milsa. TABELA 5 NÚMERO DE FILHOS Xi FREQÜÊNCIA FREQ.TABELA 4 CLASSE DE SALÁRIOS FRQÜÊNCIA FREQ.78 8 I------.24 1 2.20 5 13.22 16 I------.12 12 33. segundo Nº de filhos.33 12 I------.Representar a distribuicao de frequencia para Idade e a Regiao de procedencia dos funcionarios da Empresa Milsa.89 20 I------. RELATIVA F FR % 4 I------. RELATIVA F FR % 0 4 20 1 5 25 2 7 35 3 3 15 5 1 5 TOTAL 20 100 EXERCÍCIO .

o corpo. cela ou célula é o cruzamento de uma linha com uma coluna. onde se tem a freqüência com que a categoria (ou categorias) aparecem. informar sobre a variabilidade da mesma. A razão da presença da fonte não é somente honestidade cientifica. indicando a natureza dos fatos estudados (o que). sendo comum o asterisco. podendo-se também usar símbolos gráficos.5. Notas.0 REPRESENTAÇÃO GRÁFICA DAS VARIÁVEIS QUANTITATIVAS A representação gráfica da distribuição de freqüências de uma variável tem a vantagem de. E são numeradas. NOTAS são colocadas no rodapé da tabela para esclarecimentos de ordem geral. é colocado na parte superior da mesma. devemos especificar os elementos essenciais para a sua interpretação. Deve ser preciso. as colunas indicadoras. mas também permitir ao leitor a possibilidade de consultar o trabalho original de onde procedem as informações. precedendo a tabela. TÍTULO é a indicação que. as modalidades da variável) do conteúdo de cada linha. FONTE é o indicativo. as modalidades da variável) do conteúdo de cada coluna. 19 . e a época (quando) em que o mesmo foi observado. o cabeçario. Casa. Os elementos complementares de uma tabela são: Fontes. no rodapé da tabela. Podemos optar por vários tipos de gráficos. claro e conciso. COLUNA INDICADORA é à parte da tabela em que é designada a natureza (as categorias. as séries Horizontais e verticais de informações. que são: o título. da entidade responsável pela sua organização ou fornecedora dos dados primários. rápida e concisamente. CABEÇARIO é à parte da tabela em que é designada a natureza (as categorias. CORPO da tabela é o conjunto de linhas e colunas que contem respectivamente. porem qualquer que seja ele.

1 DIAGRAMA DE ORDENADAS Para sua construção é traçada uma reta horizontal (ou vertical) de sustentação. de preferência sem comentários inseridos. freqüências 12 10 8 6 4 2 0 4 I-------8 8 I-------12 12 I-------16 16 I-------20 20 I-------24 Salários 20 . 6.6. a partir de pontos eqüidistantes na reta. Gráficos devem ser auto-explicativos e de fácil compreensão. em geral gráficos ou diagramas.Devem ser simples. traça-se perpendiculares cujos comprimentos sejam proporcionais às freqüências.0 APRESENTAÇÃO GRÁFICA A apresentação gráfica dos dados e respectivos resultados de sua análise pode também ser feita sob forma de figuras. atrair a atenção do leitor e inspirar confiança.

já que a vista repousa melhor sobre uma superfície do que sobre uma linha.6.20 20 I-------24 Salários 21 . freqüências 12 10 8 6 4 2 0 4 I-------8 8 I-------12 12 I-------16 16 I------.2 DIAGRAMA DE BARRAS A mesma distribuição acima poderia ser representada por meio de diagrama que levasse em conta a magnitude da área da figura geométrica.

3 = 15.r ² . α`= 4. isto é.6. Lembrando que a área do círculo é o produto do número irracional π = (3. 3 = 11. C = α. α`= 3.77 .78 .7 % 13. os raios dos círculos devem ser proporcionais a raiz quadrada das freqüências das modalidades da variável.8 mm r2 = √ 33. com um α` adotado de 3 mm. os raios do círculo deverão ser: r1 = √ 27.78 .√ f portanto. α`→ 5.72.f π Se chamar √ α π de α`.89 . f = π.3 DIAGRAMA DE CÍRCULOS Alem do retângulo. 2.71.72. r = √ α .89 % 22. f onde α é o fator de proporcionalidade. outra figura geométrica utilizada é o círculo ou conjunto de círculos.77. α`→ 3.66. α`= 5.27. α`→ 4. segue-se que: α .1 mm r4 = √13.33 % 22 .3 mm r3 = √ 22.22 % 27. ou seja.00 mm A figura abaixo representa esta distribuição. α` = 1. C= π. r ² . tem-se : r = α`. e desde que as áreas dos diversos círculos devem ser proporcionais às magnitudes das freqüências. α`→ 5. α`= 5.1 mm r5 = √ 2.4.66 α`→ 1. Assim se quisermos representar graficamente a distribuição da tabela 1.78 % 33.1416) pelo quadrado do raio (r). 3 = 5.33 . 3 = 17.22.27 .71. isto é. 3 = 14.

22 = 80° 100 a2 = 360° x 33. então: α . S = r.33 = 120° 100 a4 = 360° x 13.4 DIAGRAMA DE SETORES CIRCULARES Outra opção seria através de setores circulares.f . f F F Assim. onde α é o fator de proporcionalidade.a.f r Se chamarmos α r de α`. e sendo F a freqüência total. tem-se 360° = α`. os arcos e os respectivos ângulos centrais de um círculo é igual a 360°.89 = 50° 100 S5 = 360° x 2. tem-se S = α`. na qual se divide a área total de um círculo em subáreas (setores) proporcionais as freqüências.78 = 100° 100 a3 = 360° x 22. a distribuição de freqüência da tabela 4 representando faixas de salários fica: a1 = 360° x 27. e com S deve ser proporcional a freqüência f. isto é.f = r.6. isto é. tem-se S= α.78 = 10° 100 23 . f . Lembrando que o círculo compreende setores cujas áreas (S) são produto do raio (r) pelo tamanho do arco (a). F ou seja: α`= 360° Portanto a = 360°. a a = α.

Diagrama de Setores Circular 120° 50° 10° 100° . 80° Diagrama de Setores Circular feito automaticamente pelo excel 33% 22% 28% 14% 3% 24 .

5 DIAGRAMA LINEAR No diagrama linear deve-se plotar os pontos nos eixos como foi feito no diagrama de barras e em seguida unir esses pontos por semi-retas contituindo-se desta forma o diagrama linear. freqüências 12 x 10 x x 8 6 x 4 2 x 0 4 I-------8 8 I-------12 2 12 I-------16 16 I-------20 20 I-------24 salários 25 .6.

1920 1930 1940 1950 1960 1970 1980 1990 Cada símbolo = 10 milhões de pessoas Pictograma da população dos Estados Unidos 26 . no caso abaixo representa a população dos Estados Unidos. revistas e relatórios de vários tipos).6.6 O PICTOGRAMA A figura abaixo mostra um exemplo de apresentação pictográfica de dados temporais (comumente encontrada em jornais.

0 MONTAGEM DE UMA DISTRIBUIÇÃO DE FREQÜÊNCIAS A análise estatística de dados relativos a uma amostra de uma população. A especificação de fabricação é 215 ±15 gramas (200 a 230 gramas) TABELA 6 AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 207 213 210 215 201 210 212 204 209 212 215 216 221 219 222 225 215 218 213 216 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 220 204 213 211 214 217 224 211 220 209 214 208 217 214 209 212 208 215 211 216 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 210 214 219 215 217 213 218 214 215 212 221 211 218 205 220 203 216 222 206 221 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 210 220 213 217 214 219 214 215 223 217 213 218 207 210 208 214 211 205 215 207 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 217 211 213 218 213 216 218 216 206 212 207 213 215 212 223 210 226 224 214 215 O agrupamento destes dados em sub-grupos é feito com base nos seguintes conceitos: 27 . requer uma aglutinação organizada de informações. Consideremos uma relação de pesos de pacotes de manteiga. conforme regras cuja prática demonstrou serem eficientes.7. de uma amostra de 100 pacotes extraídos parcialmente de um processo automático de empacotamento. em gramas.

I .): é a diferença entre a medida máxima e a medida mínima.10 intervalo fechado & aberto. para que não haja duvida na localização dos valores das variáveis. 0 I---. No caso da amostra de pacotes de manteiga acima.T.I .): é a diferença entre os valores máximos e mínimos de cada classe. = R.I. para significar que o intervalo compreende os valores da variável maiores do que 0 (excluído) e até 10 (inclusive).10 Intervalo aberto & aberto. Amplitude do intervalo de classe (R. temos: R. Classe: é o intervalo de variação das medidas. para significar que compreende valores maiores do que 0 e menores do que 10. para significar que compreende os valores da variável a partir de 0 (inclusive) e até 10 (exclusive). podemos dai utilizar as seguintes simbologias para os intervalos: 0 ----I 10 intervalo aberto & fechado. Normalmente pode-se usar d =̃ √ n onde n= número de itens na amostra para o exercício temos d =̃ √ 100 → 10 classes. 28 . = 25 = 2.T.T Número de Classes No caso do exercício temos: Amplitude intervalo de cada classe R. porem deve-se utilizar sempre que possível número impar de classes no caso 9 classes.Amplitude total (R. 3 7 RI adotado = 3 RT adotado = 27 diferenca 2 comeca uma antes do menor e termina um antes do maior valor. 0 ----. = 226 – 201 = 25 gramas Número de classes (d) : é o número de divisões que estipulamos para a Amplitude Total. Amplitude intervalo de cada classe R.7 aprox. As classes devem ser mutuamente exclusivas.

teremos a seguinte tabela de freqüências: TABELA 7 VALOR COMPRIMENTO CLASSE CLASSE FREQ. para significar que compreende os valores da variável a partir de 0 (inclusive) e até 10 (inclusive). Para os pacotes em pauta. de forma de Tabela de Freqüências. ACUM. TABELA de DISTRIBUIÇÃO das FREQÜÊNCIAS Para a facilidade e metodização do processo de análise estatística.0 I----I 10 intervalo fechado & fechado.% 1 2 200 ---I 203 I I 203 ---I 206 I I I I I I 2 6 2 6 2 8 2 8 3 4 5 206 ---I 209 I I I I I I I I I I 209 ---I 212 I I I I I I I I I I I I I I I I I I 212 ---I 215 I I I I I I I I I I I I I I I I I I I I I I I I I I I I 10 18 28 10 18 28 18 36 64 18 36 64 6 7 8 9 215 ---I 218 I I I I I I I I I I I I I I I I I I 218 ---I 221 I I I I I I I I I I 221 ---I 224 I I I I I I 224 ---I 227 I I 18 10 6 2 18 10 6 2 82 92 98 100 82 92 98 100 ∑ 100 100% 29 . FREQUENCIA FREQUENCIA FREQUENCIA TABULAÇÃO F RELATIVA % ACUM. monta-se um tabela que agrupe as informações obtidas. REL.

Freqüência acumulada relativa (FAR) = é a soma das freqüências relativas até o intervalo considerado Far3 = Fr1 + Fr2 + Fr3 → 2 + 6 + 10 = 18 30 . Fa5 = F1+ F2 + F3 + F3 + F5 → 2+ 6+ 10+ 18+ 28 = 64 a soma das freqüências até o intervalo de classe Ex.Onde: Freqüência (F) = é o numero de vezes que as medidas ocorrem no intervalo de classes Freqüência relativa (FR) = é a percentagem da freqüência de cada classe em relação ao total de elementos. FR = F d x 100 N Freqüência acumulada (FA) = é considerado.

7.1 HISTOGRAMA E POLIGONO DAS FREQÜÊNCIAS freqüências 28 POLIGONO DE FREQÜÊNCIAS 21 14 7 1 2 3 4 5 6 7 8 9 CLASSES 31 .

7.2 HISTOGRAMA E POLIGONO DAS FREQÜÊNCIAS RELATIVAS % 28% POLIGONO DE FREQÜÊNCIA RELATIVA 21% 14% 7% 0 1 2 3 4 5 6 7 8 9 CLASSES 32 .

3 POLIGONO DE FREQÜÊNCIA ACUMULADA OU OGIVA F. 100 POLIGONO DE FREQÜÊNCIAS ACUMULADA 80 60 40 20 01 2 3 4 5 6 7 8 9 CLASSES 33 .7.AC.

AC REL. 80 % POLIGONO DE FREQÜÊNCIAS ACUMULADA RELATIVA 60 % 40 % 20 % 0 %1 2 3 4 5 6 7 8 9 CLASSES 34 .7.4 POLIGONO DA FREQÜÊNCIA ACUMULADA RELATIVA % 100 % F.

8.0 TIPOS DE DISTRIBUIÇÃO As distribuições de freqüência podem se apresentar de diversas formas conforme as figuras a seguir: 8.1 DISTRIBUIÇÃO SIMÉTRICA OU EM FORMA DE SINO A distribuição é simétrica quando os valores se distribuem igualmente em torno da média (X) A) Normal B) Alongada 35 .

se distribuem de forma desigual em torno da média.C) Achatada 8. A) Assimétrica Positiva 36 .2 DISTRIBUIÇÃO ASSIMÉTRICA É aquela em que as freqüências dos valores medidos.

mo B) DISTRIBUIÇÃO AMODAL – Quando a distribuição não tem moda 37 . AMODAL. ao valor da medida ou classe que corresponde à freqüência máxima.3 DISTRIBUIÇÃO MODAL.B) Assimétrica Negativa 8. BIMODAL E MULTIMODAL Chamamos de moda numa distribuição. Sob o critério da moda as distribuições classificam-se em: A) DISTRIBUIÇÃO MODAL – Quando a distribuição tem freqüência máxima ela è denominada modal.

Podermos estudar a partir de um exemplo prático: Observamos os seguintes números de passageiros em 50 viagens de um avião que faz ponte aérea Rio .C) DISTRIBUIÇÃO BIMODAL – Quando a distribuição tem duas modas.4 APRESENTAÇÃO TIPO RAMO-E-FOLHAS Uma alternativa para o uso da tabela de distribuição de freqüências é usar o gráfico do tipo ramo-e-folhas.São Paulo: 38 . mo mo D) DISTRIBUIÇÃO MULTIMODAL – Quando a distribuição tem mais de duas modas mo mo mo 8.

2 3 5 7 2 4 0 1 3 5 9 5 7 5 0 0 1 2 3 3 4 6 7 8 8 9 12 19 6 0 1 2 2 4 4 4 4 6 7 8 11 30 7 0 1 1 3 5 5 7 8 9 9 39 8 0 0 2 4 6 9 6 45 9 1 2 5 7 4 49 10 3 1 50 A MEDIANA NESTE CASO SERÁ X̃ = 64 39 .A.61 52 64 84 35 57 58 95 82 64 50 53 103 40 62 77 78 66 60 41 58 92 51 64 71 75 89 37 54 67 59 79 80 73 49 71 97 62 68 53 43 80 75 70 45 91 50 64 56 86 SOLUÇÃO: F F.

porem. chama-se de média aritmética desta destituição. e representa-se por variáveis “n”. Esta determinação. = 8 + 3 + 5 + 12 + 10 = 38 = 7.  MEDIANA. 3. 12.9. não é bem definida daí parece razoável chamarmos de “tendência central”.0 MEDIDAS DE POSIÇÃO OU DE TENDÊNCIA CENTRAL Como o próprio nome indica. a soma de todos os valores da variável. dividida pelo número de = Σx n n Sendo: Σx i= 1 Exemplo: Calcular a média aritmética simples de 8.1 MÉDIA ARITMÉTICA SIMPLES Dada uma distribuição de freqüências. 10.6 5 5 40 .  MODA. São medidas de tendência central:  MÉDIA ARITMÉTICA SIMPLES/PONDERADA. 9. 5. a medida de tendência central visa a determinar o centro da distribuição.

O símbolo que usamos para representar a mediana é x̃ lê-se “x til”.2 MÉDIA ARITMÉTICA PONDERADA K Σ xi . 2. então a mediana será o valor do meio.7 10 9. respectivamente os quais ocorrem com as Números Freqüências x = 5. No caso de calculo da mediana quando estamos trabalhando com distribuição de freqüência determinamos o valor mais provável dessa distribuição a partir de: x̃ = Freqüência acumulada total = 2 FA 2 (para números pares) 41 . 4 e 1. 4.3 MEDIANA (x̃) Se ordenarmos uma seqüência de números do menor para o maior e se a quantidade desses números for impar. 8. ou a média dos dois valores do meio caso a quantidade de números seja par. 6. 6. 2 f = 3. 2 freqüências 3.fi i= 1 = K Σx i= 1 fi onde: f = freqüência dos números x = números Exemplo: Calcular a média ponderada dos números 5. 2. 8.9. 1 = 3x5 + 4x8 + 2x6 + 1x2 3+4+2+1 = 57 = 5.

e a mediana é o valor do 50° elemento 50° valor FA 0 2 203 8 206 18 209 36 212 64 215 82 218 92 221 98 224 100 227 X 200 50° 36 212 64 215 (64 – 36) (64 – 50) (215 – 212) Δ 42 . 2 c) n 2 = No caso do exercício da distribuição dos 100 valores de peso de pacotes de manteiga temos: X = n 2 = 100 2 = 50. 2 2 88 = 44 e a mediana é o valor correspondente ao valor do 44°elemento. e a mediana é o valor do 8° elemento. Exemplo: Determine a posição da mediana para a) n=15 b) n=45 c)n=88 a) n+1 = 15+1 = 8. e a mediana é o valor do 23° elemento.Ou ainda A posição DA MEDIANA é definida por é { n+1 } 2 -ésimo elemento quando ”n” é í̃mpar temos um número inteiro e dá a posiçã́o da mediana. 2 2 b) n+1 = 45+1 = 23.

8. portanto moda = 212 + 215 = 213. 9. 10 moda=8 2) 1. 9. 4. 8. 8. 7. 5. 2. 4. 5.5 portanto a mediana será 212 + Δ 9.Δ= 14 x 3 = 1. 8. 4. 7. Classe modal é a 5° classe. 7. 4. 2. localiza-se a classe modal como sendo a classe com maior freqüência e em seguida determina-se seu ponto médio. 10 moda = Ф (não existe moda) 3) 2. 6.5 28 logo. 8. o valor mais comum. 2.4 MODA ( ˆ x) Em um conjunto de números a moda é o valor que ocorre com maior freqüência. X = 212 + 1. 8. isto é. 3. 6.5 = 213. 8. Exemplos: 1) 2. 3.5 2 43 . 9 moda = 4 e 8 Para o exemplo do exercício das distribuições de freqüências dos pacotes de manteiga temos que a moda é o ponto médio da classe modal.

ou separados. xx x x x x xxx xxx xx x x a) pequena dispersão xx x x xxx x x x x x x x x xx x x xxx x x x xx x x x x xx b) grande dispersão 10. R. 44 .T. Em geral o valor da amplitude cresce quando cresce o tamanho da amostra.1 AMPLITUDE TOTAL (R. = Xmax – Xmin Embora exista simplicidade de cálculo. É a diferença entre o maior e o menor valor das observações.Depende do número de observações na amostra. existem duas restrições ao seu generalizado: 1.10. 2. Em todos os casos. O seu valor não se modifica mesmo que os valores das observações variem.Utiliza apenas uma parcela das informações contidas nas observações.0 MEDIDAS DE VARIABILIDADE (DISPERSÃO) As medidas de dispersão indicam se os valores estão relativamente próximos uns dos outros.T.) É a medida mais simples de dispersão. o valor zero indica ausência de dispersão. a dispersão aumenta à proporção que aumenta o valor da medida (amplitude. Podemos dizer que dispersão é o grau com o qual os valores numéricos de uma distribuição tendem a se distanciar em torno de um valor médio. variância). desde que conservem os seus valores Máximo e mínimo.desvio-padrao.

I R.X min. = pequeno I x max.2... 10.T. X min.1 DESVIO PADRÃO AMOSTRAL (S) O desvio padrão da amostra representa a dispersão da amostra e é dada pela equação: S= (X1- )² + (X2- )² + (X3n )² + .. = Grande I X max. I R. +(Xn- )² 45 .. 10.T. e representa a distância do ponto de inflexão da curva até a linha da média.2 DESVIO PADRÃO É à medida que determina a variação dos valores observados em torno da média da distribuição.

e é dado pela expressão: σ= (X1- )² + (X2- )² + (X3n-1 )² + ... também representa a distância do ponto de inflexão.2.2.2 DESVIO PADRÃO DA POPULAÇÃO (σ) O desvio padrão da população representa a o grau de dispersão da população em torno da média é representado por σ.3 REPRESENTAÇÃO GRÁFICA DO DESVIO PADRÃO σ +σ 46 .Onde: Xi = Medidas individuais S= Σ ( Xi n )² n = Número de elementos ou valores 10... +(Xn- )² σ= Σ ( Xi n-1 )² 10.

. Xn Xn - . . .4 SISTEMATIZAÇÃO PARA O CÁLCULO Para sistematizar o cálculo do desvio padrão de uma amostra é utilizado o seguinte procedimento: 1. 2.2. n . . . . .10. .Montar a tabela abaixo observações medidas Xi Xi - (Xi - )² 1 2 3 X1 X2 X3 X1 X2 X3 - (X1 (X2 (X3 - )² )² )² .Calcular o valor da média. ( Xn - . )² Σ (Xi- )² 3-Aplicam-se as fórmulas: S= Σ ( Xi n )² σ= Σ ( Xi n-1 )² 47 .

Indica-se a Variância da População por σ² . divide-se por n – 1. Fórmula da variância da Amostra n Σ ( Xi S²= i=1 n )² Fórmula da variância da População n Σ ( Xi σ²= i=1 - )² onde n – 1 = número de graus de liberdade n-1 Como medida de dispersão.10. O desvio padrão por sua vez. a Variância fica em metros quadrados. 48 .3 VARIÂNCIA Variância da população é a soma dos quadrados dos desvios de cada observação em relação à média de “x”. fica com valor na mesma da unidade da variável. a Variância tem a desvantagem de apresentar unidade de medida igual ao quadrado da unidade de medida dos dados. Se os dados estão em metros. Podemos fazer a mesma analogia com a Variância da Amostra dada por S².

0 DISTRIBUIÇÃO NORMAL (ou de GAUSS. A distribuição normal é o resultado da atuação conjunta de causas aleatórias. dos ERROS DAS OBSERVAÇÕES) É uma distribuição contínua e simétrica. cujo gráfico tem a forma de um sino. F (x) σ x. ou de LAPLACE.2σ x.1σ x +1σ x+ 2σ x+ 3σ Parâmetros da Distribuição Normal µ → Média da População Determinam o formato da curva σ → Desvio padrão da população Equação da Função de Probabilidade – A equação da função de probabilidade é dada pela expressão: .3σ x.( x . ou ainda.11.∞< x < +∞ 49 .a variável x pode assumir qualquer valor real no intervalo .µ )² 2 σ² f(x) = 1 σ√ 2π e Do estudo de estatística concluímos que: .

50 . CARACTERISTICAS DA CURVA DE DISTRIBUIÇÃO NORMAL A curva normal obedece necessariamente às seguintes características: a. entre os valores - ∞ e xo” .( x .718 são constantes numéricas. se a probabilidade de que um valor x seja menor ou igual a outro xo for: .µ )² x0 P( x < x0 ) = f(x0) = 1 σ√ 2π -∞ 2 σ² e dx .1416 e e ( número neperiano) = 2.A média µ é o valor da variável x para o qual a f(x) é máxima.a variável x obedecerá a uma Distribuição Normal. σ -∞ X0 + ∞ Portanto: “ A probabilidade de ocorrência de um valor menor ou igual à área abaixo da curva. Os valores π = 3..a integral da expressão representa a área compreendida entre F (x) -∞ e xo.

teremos transformado a expressão da função das probabilidades na distribuição normal reduzida: . pela própria equação da probabilidade. em função de Z. dz Portanto a função da probabilidade.b. será dada pela expressão: 51 . d.Em virtude da simetria as áreas à direita e à esquerda do valor µ são iguais DISTRIBUIÇÃO NORMAL PADRONIZADA Se tomarmos a equação auxiliar: Z= X .A área total sob a curva normal é igual a 1.µ σ o que significa adotar como origem dos z o ponto em que x = µ e como unidade de escalados z e o desvio padrão σ.z² 2 f(z)= 1 σ√ 2π e Considerando.O desvio Padrão σ. a partir da equação auxiliar: dz = dx dx 1 σ = σ. c. é a distância entre a média e o ponto de inflexão da curva.

Apresentamos na tabela abaixo alguns dos mais importantes intervalos de distribuição normal para aplicações em exercícios de probabilidade na curva normal.0) = 0. dentro do intervalo ± 1 σ temos 68.z² z f(z)= 1 σ√ 2π 2 e -∞ dz As áreas sob a curva permanecem as mesmas. mas agora podem ser tabuladas em função dos valores de Z (Ver figura abaixo.78%.95 σ) Iz1 = 0. até Z= 1. σ é o desvio padrão da população.95 onde é a media.95 σ < Z < µ + 0.µ σ podemos transformar valores de x em valores de z e em seguida construir uma tabela com resultados das integrais. que corresponde à área sob a curva xo intervalo de 0 a Z0 identificada por Iz0.3413 ou 34. eixo dos Z). na tábua 1.0 é I(1.3289 It= 0.13% da área total da curva.. TÁBUAS DE ÁREAS DA CURVA NORMAL A partir da equação auxiliar Z= X . conseqüentemente. Se procurarmos a probabilidade de encontrarmos um valor de “x” dentro do intervalo µ ± 0. teremos: P(.6578 ou 65. 52 . a área desde Z=0.26% da área total da curva. Basta construir a tábua das áreas para os valores I(z).Z0 < Z < Z0) = P (µ – 0. Por exemplo.

2σ .2σ x.µ σ µ .3σ x.µ σ µ -σ.µ σ 0 1 2 3 -1 -2 -3 53 .1σ µ .3σ .µ σ µ .µ σ µ + 2σ.F (x) σ x.1σ x +1σ x+ 2σ x+ 3σ -3 -2 -1 0 1 2 3 Z Transformação de X em Z Xo Z= X .µ Zo σ µ µ + 1σ µ + 2σ µ + 3σ µ .2σ µ .µ σ µ + 3σ.3σ µ-µ σ µ + 1σ.

70 0.4115 1.4946 3.4394 2.55 0.50 0.35 0.0987 0.4970 3.4994 0.4798 2.3289 1.3749 1.4599 2.2881 1.55 0.90 0.4772 2.00 0.30 0.4974 3.0000 0.0199 0.45 0.1179 0.90 0.2088 1.0793 0.4989 0.90 0.4965 3.10 0.35 0.4992 0.4999 0.3413 1.25 0.10 0.85 0.I Zo 0 Zo AREAS I ZO = P (0 ≤ z ≤ Z0) para Z0= (x .00 0.55 0.70 0.3051 1.2580 1.25 0.4938 3.4998 0.10 0.50 0.30 0.30 0.4678 2.1736 1.4984 3.4893 2.4821 2.5000 54 .95 0.4452 2.4554 2.3531 1.4279 2.4978 3.4995 0.4996 0.65 0.20 0.4906 2.4032 1.40 0.10 0.4641 2.4744 2.3849 1.45 0.4990 0.0398 0.40 0.25 0.45 0.20 0.60 0.4993 0.4861 2.50 0.4332 2.95 0.15 0.30 0.1554 1.2422 1.80 0.15 0.60 0.40 0.4878 2.85 0.15 0.00 0.75 0.05 0.25 0.05 0.95 0.80 0.3944 1.35 0.4953 3.05 0.3643 1.4987 0.4929 3.65 0.1915 1.4997 0.4842 2.4713 2.4192 2.1369 0.4981 3.80 0.50 0.20 0.70 0.2734 1.15 0.65 0.4505 2.75 0.4918 3.3159 1.2257 1.70 0.0596 0.75 0.40 0.35 0.60 0.90 0.20 0.00 0.4960 3.05 0.µ)/ σ I Z0 I Z0 I Z0 I Z0 I Z0 I Z0 Z0 Z0 Z0 Z0 Z0 Z0 0.85 0.

0 b.área entre z=1.5 d.0 e z= 2.P ( 55 ≤ d.P ( 35 ≤ x ≤ 45) 4.00.área à esquerda de µ para Iz = 0.área entre z= -2.Uma distribuição normal tem media 50 e desvio padrão 5.área da esquerda de z= 1.área à direita de z=1.4861 3. a.P ( 35 ≤ x ≤ 62) c.000.000.área à esquerda Iz= 0.4505 e área da direita Iz = 0.área entre z= 2. Que percentagem da população estaria provavelmente dentro dos intervalos: a.00 e desvio padrão de R$ 2.P ( x ≤ 60) b.Suponha uma renda média de uma grande comunidade possa ser razoavelmente aproximada por uma distribuição normal com media anual de R$ 10.Que percentagem da população terá renda superior a R$ 15.5 e z=3.0 f.0 c.0 g.área entre z=0 e z= .P ( x > x ≤ 65) 55) e.Numa amostra de 50 assalariados.0 e z= 2.Trace uma curva normal e sombreie a área desejada a partir das informações: a.Ache os valores de z correspondentes as seguintes áreas: a.2.EXERCÍCIOS: E-3 1.0 2.00 de renda? 55 .área à esquerda de µ para Iz = 0.00? b.9 e.000.0505 b.000.área entre z=0 e z=1.0228 c. quantos podemos esperar que tenham menos de R$ 8.

56 . é de 1/P. e quanto mais próxima de Zero. é um número de 0 a 1. frações e percentagem como: 20%. Laplace definiu probabilidade como: “O quociente do número de casos favoráveis sobre o número de casos igualmente possíveis”. que indica a chance de ocorrência do evento A. de modo geral não podemos afirmar se vai dar cara ou coroa. A P (K) = ½ ou 50%. ao acaso. denotada por P (A). Porém existem apenas dois eventos possíveis: sair “cara” ou “coroa” Nesse exemplo existe um caso favorável a esse evento em dois casos possíveis. Chama-se probabilidade de um acontecimento a razão entre o número de casos favoráveis ao mesmo e o número total de acontecimentos possíveis. temos as razões: P= ½ Sendo Então e Q=½ P+Q = 1 P= (1 . maior é a chance de ocorrência do evento A. 2 em 10. menor é a chance de ocorrência do evento A.00 é P(A). a probabilidade de cada um ser escolhido.0 PROBABILIDADE O problema fundamental da estatística consiste em lidar com o acaso e a incerteza. inclusive por valores decimais. Um evento impossível atribui-se a probabilidade Zero.2. Quanto mais próxima de 1. 0. ou ainda 1/5.P) A probabilidade de um evento A.Q) e Q = (1 . Por exemplo. se jogarmos uma moeda “não viciada” para o ar.12. As probabilidades podem ser expressas. Considerando-se “cara” como sucesso e “coroa” como fracasso e representando-se o acontecimento favorável como “P” e o não favorável como “Q”. Assim quando se considera uma população limitada de P indivíduos. Um evento certo tem probabilidade de 1.

ouro. Há 52 eventos elementares no espaço amostral. usa-se ainda a probabilidade mediante determinada combinação de julgamento. o cálculo dos custos de produção.Além do uso na interpretação de jogos de azar. Quanto aos eventos podemos classificá-los em: ESPAÇO AMOSTRAL COMPLEMENTO A Cartas vermelhas e cartas pretas Não se interceptam cartas de MUTUAMENTE EXCLUDENTE A B copas e cartas de paus NAO SÃO MUTUAMENTE EXCLUDENTE Cartas de copas e figuras.1 ESPAÇO AMOSTRAL E EVENTOS Consideremos o experimento que consiste em “extrair uma carta de um baralho de 52 cartas”. a contratação de um novo empregado. Há numerosos exemplos de tais situações no campo dos Negócios e do Governo. o preparo do orçamento. a avaliação do impacto de uma redução de impostos sobre a inflação – tudo isso contém algum elemento de Acaso. para predizer Quao Provável é a ocorrência de determinado evento futuro. copas e COLETIVAMENTE EXAUSTIVO A B C D espadas 57 . Cartas de paus. experiência ou dados históricos. A previsão da aceitação de um novo produto. tem A B elementos em comum. 12.

92%. que utiliza estimativas pessoais baseadas num certo grau de crença. De forma geral vale também a expressão: 58 . No caso de um dado temos a probabilidade de dar qualquer número: 1. jogo de dados.5. Nestes casos temos: P(cada resultado) = 1 Número de resultados possíveis Se cada carta de um baralho de 52 tem a mesma chance de ser escolhida.2. OBJETIVO SUBJETIVO CLÁSSICO (resultados igualmente prováveis) O Método Clássico EMPÍRICO (dados históricos) Opinião Pessoal Os jogos de azar (lançamento de moedas.66%.12. ou seja ½ ou 50%. O mesmo ocorre com uma coroa. Da mesma forma a probabilidade de termos uma cara no lançamento de uma moeda é ½ ou 50%.4.2 TRÊS ORIGENS DA PROBABILIDADE Há três maneiras diferentes de calcular ou estimar probabilidades. que se baseia na freqüência relativa de ocorrência de um evento num grande número de provas repetidas.6 é de 1/6 ou de 16. quando o espaço amostral tem resultados igualmente prováveis. então a probabilidade de extrair cada uma delas é de 1/52 : P (A) = 1/52 1. O método Clássico. O método Empírico. e o método Subjetivo. extração de cartas) usualmente apresentam resultados igualmente prováveis.3.

então a probabilidade da ocorrência de ambos é igual ao produto de suas probabilidades individuais: P(A e B) = P(A) . P(B) Exemplo Jogam-se duas moedas equilibradas. Pode ser necessário determinar P(A e B). a probabilidade de ocorrência de ambos os eventos. Logo p(cara e cara) será: 59 . Em outras situações. de acordo com esta definição.P(A) = Número de resultados associados ao evento A Número total de resultados possíveis Por exemplo. a probabilidade de extração de uma dama. a probabilidade de obter número ímpar no lance de um dado é P(ímpar) = 3 faces 6 faces possíveis = 3 6 ou 50% 12. no espaço amostral.69% 13 Analogamente.Qual a probabilidade da ocorrência de ambas darem cara? É razoável admitir que os resultados das duas moedas sejam independentes um do outro. para moedas equilibradas. isto é. P(cara)= ½ . Há duas categorias de eventos de interesse. A e B. é P (dama) = 4 damas = 4 52 cartas 52 = 1 = 7. Além disso. podemos querer a probabilidade de ocorrência de A ou B P(A ou B).3 A MATEMÁTICA DA PROBABILIDADE Muitas aplicações de estatística exigem a determinação da probabilidade de combinações de eventos. Cálculo da Probabilidade da ocorrência de dois eventos “independentes” P(A e B) Se dois eventos são independentes.

33% 6 6 6 Cálculo da Probabilidade da ocorrência de dois eventos “não mutuamente excludente” P(A ou B ou ambos ocorrerão) Suponhamos a probabilidade de extração de uma carta de paus ou um dez de um baralho de 52 cartas .ou ambos) = P(paus) + P(dez) .1° moeda ½ x 2°moeda ½ =¼ ou 25% Cálculo da Probabilidade da ocorrência de dois eventos “mutuamente excludente” P(A ou B ocorrerá) Se dois eventos mutuamente excludentes. Assim devemos excluir a probabilidade de interseção. Para dois eventos A e B temos: P(A ou B) = P(A) + P(B) Exemplo.1 52 = 16 52 60 . P( dez de paus) = 1 52 52 . os eventos não são mutuamente excludentes. Como é possível que uma carta seja simultaneamente de “paus” e um “dez”. qual é a probabilidade de aparecer cinco ou seis numa jogada de um dado equilibrado? P(cinco) ou P(seis) = P (5) + P(6) = 1 + 1 = 2 = 33.P(dez de paus) = 13 + 52 4 52 . Então temos: P(paus) = 13 . P(paus ou dez. 52 P(dez)= 4 . a probabilidade de ocorrência de qualquer um deles é a soma de suas probabilidades individuais.

Regra de probabilidade P (A e B).NAIPE PAUS PRETA OUROS VERMELHA K Q J 10 9 8 7 6 5 4 3 2 A COPAS VERMELHA ESPADA PRETA ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ K Q J 10 9 8 7 6 5 4 3 2 A ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ K Q J 10 9 8 7 6 5 4 3 2 A ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ K Q J 10 9 8 7 6 5 4 3 2 A a carta é um dez Carta de paus Os eventos “paus” e “dez” se interceptam.P(A intercepta B) 61 . para eventos independentes (Multiplicação) P(A) x P(B) P (A ou B). para eventos não mutuamente excludentes P(A) + P(B) . para eventos mutuamente excludentes (Soma) P(A) + P(B) P (A ou B ou ambos ocorrerão).

c. 3.Sejam P(A) = 0.15.um número par d. P(A) = 0.Doze fichas são numeradas de 0 a 12 e colocadas numa urna.Joga-se uma vez um dado equilibrado. 7.Relacione os resultados possíveis do lance de um só dado.Determine P (A e B) 8.80 e P(A e B) = 0.o número 3 b.o número dez 5.Qual a probabilidade de ambas as faces serem dois? c.Qual a probabilidade de ambas as faces serem pares? 6.um seis b.um número menor que quatro d.Uma figura c. Qual a probabilidade de aparecer coroa três vezes? Qual a probabilidade de não aparecer coroa nas três vezes? 62 . b. Determine a probabilidade de obter: a.A e b são coletivamente exaustivos? Explique.Um dez de paus f.um número menor que quatro 4.um número impar c.Joga-se um par de dados equilibrados: a. P(B) = 0.Sejam A e B mutuamente excludentes.EXERCÍCIOS: E-4 1. b.Joga-se uma moeda três vezes. Ache a probabilidade e adicione-as.Determine P(A ou B).Determine P(A ou B).A e B são mutuamente excludentes? Explique.30.cinco.Uma carta de ouros e. a. Escolhida uma aleatoriamente.Um nove vermelho ou um oito preto 2.31 e P(B) = 0.Extrai-se uma só carta de um baralho de 52.Qual a probabilidade de ambas as faces serem seis? b.Um valete b. seis ou sete c. a.Uma carta vermelha d.29. determine a probabilidade de obter: a. determine a probabilidade de sair: a.

é necessário então recorrer a formulas matemáticas para determinar o numero total de resultados possíveis. não tenha estudado nada. a listagem se tornara praticamente impossível. 63 . FFF Conclue-se: Numero de questões : 1 2 3 4 2 4 8 16 Numero de resultados : Nota-se que se. Qual a probabilidade de ele responder corretamente todo o teste? A primeira coisa a fazer é determinar o numero total de resultados possíveis. VF.0 TECNICAS DE CONTAGEM Para utilizar o método clássico (A Priori) da probabilidade. FFV. esteja dando todas as respostas na base do palpite. mas quando o numero de resultados é grande. FVV. Suponhamos ainda que ele. o numero de itens for grande. VFV. essa lista se torna muito trabalhosa. FV. Em seguida podemos ver um diagrama de àrvore para determinar todos os arranjos possíveis. Em segundo lugar devemos explorar suas diversas versões. VVF. Suponhamos que um estudante esteja fazendo um teste de 20 questões do tipo “verdadeiro-ou-falso”. Imaginemos que o teste consista de apenas: Uma questão temos V ou F Duas questões temos VV. FVF. FF Três questões temos VVV.13. Uma das possibilidades é o uso das árvores de decisão. VFF. é preciso conhecer o número total de resultados possíveis de um experimento.

13. F Alem disso.(com duas alternativas V ou F) temos: NUMERO DE QUESTOES 1 2 3 4 TOTAL DE RESULTADOS 2=2 2 x 2 =4 2x2x2=8 2 x 2 x 2 x 2 = 16 Se fossem quatro escolha para cada questão: NÚMERO DE QUESTÕES 1 2 3 Para solucionar o exercício do teste. nada se tem a ganhar identificando cada resultado.QUESTÃO N°1 N°2 V V F N°3 RESULTADOS V F V F V V F F V F VVV VVF VFV VFF FVV FVF FFV FFF . teremos: TOTAL DE RESULTADOS 4=4 4 x 4 = 16 4 x 4 x 4 = 64 64 .1 O PRINCIPIO DA MULTIPLICAÇÃO O diagrama mostra que cada questão dobra o numero total de resultados possíveis. o que realmente é necessario é determinar o numero total de resultados.

13.001..2x2x2x2x2x.576 ou 1 1. ...2 PERMUTAÇÃO.... ... De um modo geral.x 1 = 479. Outros exemplos: 5! = 5 x 4 x 3 x 2 x 1 = 120 12! = 12 x 11 x 10 x 9 x 8 x 7 x . .. o numero total de resultados é m n. Quando a ordem não interessa. ARRANJO E COMBINAÇÃO... se ha “n” decisões seqüenciais. . Exemplos: 65 . o numero total de resultados possíveis é designado como Combinação. quase nunca é necessário utilizar-se completamente os fatoriais. permitindo cancelamentos: 5! = 7! 5x4x3x2x1 7x6x5x4x3x2x1 = 5! 7 x 6 x 5! 1 7x6 = 1 42 4! = 2! 4 x 3 x 2 x 1 = 4 x 3 x 2! = 4 x 3 = 12 2x1 2! 5! 2! 3! = 5 x 4 x 3! 2 x 1 x 3! = 5 x 4 = 20 = 10 2x1 2 Às vezes os fatoriais podem envolver soma e subtração. 20 = 220 = 1.576 ... ..x2 1 2 3 4 5 .. . . Felizmente. Para o uso na analise combinatória usaremos o numero fatorial representado pelo símbolo ! como por exemplo 4! le-se “Quatro Fatorial” e significa 4 x 3 x 2 x 1 = 24. Quando a ordem em que os elementos se dispõem é importante.600 Os fatoriais crescem de modo extremamente rápido... pois eles aparecem em grupos.. .048.. à medida que aumenta o numerobase. cada uma com “m” escolhas. .048. o numero total de resultados possíveis é conhecido como Arranjo ou Permutação.

6 e 8 podem ser feitos os seguintes arranjos A 3. quantos arranjos ha considerando 1°. CB. 7 elementos tomados 3 a 3 A 7. BA.2° e 3° lugares? A n.2 (3 elementos dois a dois) A 3. BC. ARRANJOS São agrupamentos que podem variar pela ordem ou natureza dos elementos.2 = 26.3! ) 8 x 7 x 6 x 5! = 8 x 7 x 6 3 x 2 x 5! 3x2 = 56 O fatorial de zero é igual a um O fatorial de 1 é igual a um 0! = 1.x = n! ( n – x )! Ou seja. 1! = 1. E com os números: 2. CA. 68. B e C são A 3. 82. 86. Quando se consideram n elementos distintos tomados x a x chamamos arranjo ou agrupamentos “eneários” que se podem formar com esses n elementos. AC. 28. Outro exemplo: Se ha sete cavalos num páreo.( 5 . Assim. 62.3 )! = 2! ( 9 .2 )! = 7! ( 3 + 1)! 8! 3 ( 8 – 3 )! = 4! = 8! 3! . os arranjos possíveis com as letras A. 5! = e não ( 5! .2 A 3. dispomos de todas as formas possíveis de modo que dois arranjos quaisquer difiram ao menos pela ordem dos elementos.3 = 7! ( 7 – 3 )! = 7! 4! 7 x 6 x 5 x 4! = 7 x 6 x 5 = 210 4! PERMUTAÇÃO 66 .2 = AB.

é: n1.. para agrupamentos de tamanho x extraídos de uma lista de n itens. Neste caso cada objeto entra só uma vez em todos os grupos. dos quais n1 são indistinguíveis de um tipo. etc. A escolha de batata e cenoura é a mesma que cenoura e batata... n2.(nk!) Exemplo: Quantas permutações distintas de 3 letras podemos formar com as letras: RRRR UUU N 4 3 1 Solução Ha 8 letras : 4Rs 3Us 1N dai: 4.. 3.. Em geral o numero de permutações distintas com n itens. 1 P8 = 8! (4!) (3!) (1!) = 280 COMBINAÇÃO Chama-se combinação quando não interessa a ordem para denotar o numero de agrupamentos distintos possíveis. ..x )! n x 67 . De um modo geral. o numero de combinações possíveis é: C n.x = n! x! (n . n2 de outro tipo.nK Pn = n! (n1!) (n2!) (n3!) .Denomina-se permutação aos arranjos de objetos tomados n a n.. Exemplo: é a escolha de 2 tipos de vegetal de um cardápio com 5 tipos..

3 = 10! 7! 3! = 10 x 9 x 8 x 7! = 120 3 x 2 x 7! De quantas maneiras podemos formar um comitê de 1 mulher e 2 homens. Mulheres ( C 4. n1. de um total de 4 mulheres e 6 homens.nK Pn = n! (n1!) (n2!) (n3!) .. n2. . de 3 pessoas cada um...1 ) Homens ( 6.(nk!) COMBINAÇÕES: a ordem não importa.3 REGRAS DE CONTAGEM REGRA DA MULTIPLICAÇÃO: o produto do numero de escolhas para uma seqüência de decisões m n onde m = numero de escolhas n = decisões seqüenciais ARRANJOS: numero de agrupamentos em que interfere a ordem A n. podemos formar com um grupo de 10 pessoas? C10. e a ordem é importante... C n..2 ) = 4! 3! 1! 6! 4! 2! = 4 x 15 = 60 13.x = n! ( n – x )! PERMUTAÇÃO COM REPETIÇÕES (OU DISTINGUIVEIS): alguns itens são idênticos.x = n! x! (n .x )! n x 68 ..Quantos comitês distintos..

A 5. de quantas maneiras podem ser conquistados os três primeiros lugares? 8. Quantas placas diferentes podemos formar admitindo-se o uso de todas as (26 letras) e os (10 algarismos)? 6.Em um determinado Estado.Um vendedor de automóveis deseja impressionar os possíveis compradores com o maior numero de combinações diferentes possíveis.A 3. cogumelos. as placas de licença constam de três letras e quatro algarismos.Calcule: a.EXERCÍCIOS: E-5 1.Determine o numero de arranjos: a.A 9.Quantas permutações distintas podem ser feitas com as letras da palavra BLUEBEARD ? 7.2 b.A 4. dois tipos de transmissão.6 e. De quantas maneiras podemos escolher dois tipos diferente de pizza? 69 .A 1. enchovas e muzzarella.Calcule: a3 2 b4 4 c5 1 d9 6 3.De quantas maneiras diferentes podemos escolher um comitê de cinco pessoas dentre oito? 9.0 4.A Pizzaria do Joe oferece as seguintes escolhas de pizza: presunto.10! d. Quantas são a escolhas possíveis? 5.3! c.Se um torneio de basquetebol consiste de 36 times.2! b. cinco cores externas e duas internas.1! e.4 c.1 d. Um modelo pode ser dotado de três tipos de motor. pimentão.0! 2.

25 NUMERO DE CARAS P(X) . 2 1 = 4 70 .a. 0 CK 1 KC 1 KK 2 Se a moeda é equilibrada.: (K = cara e C = coroa) Resultados CC Valor da v.25 .50 1 1 0.25 .25 1 0 0. P(K) = P(C) = ½. pode-se passar às chamadas Distribuições de Probabilidades. Consideremos a variável aleatória “Numero de caras em duas jogadas de uma moeda” eis a lista dos pontos do espaço amostral e os valores correspondentes a v. que mostra a proporção das vezes em que a variável aleatória tende a assumir cada um dos diversos valores.14. 2 1 = 4 1 2 0. 2 1 = 4 0.0 DISTRIBUIÇÃO DE PROBABILIDADES Introduzidas às noções fundamentais sobre a teoria das probabilidades.As probabilidades dos diversos resultados são: RESULTADOS PROBABILIDADE DO RESULTADO 1 CC 2 1 CK 2 1 KC 2 1 KK 2 2 . para os resultados de uma variável aleatória). Uma distribuição de probabilidades é uma distribuição de freqüência relativa para os resultados de um espaço amostral (isto é.a. 1 = 4 1 1 0.

pois.00 71 .25 1 0.25 1 0.75 2 1. pois os resultados apresentados são mutuamente excludentes e coletivamente exaustivos.50 2 0.Assim. como é de esperar. A mesma distribuição pode ser apresentada em forma acumulada.00 Note-se que a soma de todas as probabilidades é 1. NUMERO DE CARAS P(X ou menos) 0 0.25 1.00. a distribuição de probabilidades para o numero de caras em duas jogadas de uma moeda são: NUMERO DE CARAS P(X) 0 0.

25 E 0.00 O B A B I 0. as distribuições de probabilidade e acumulada se apresentam: P R 1.75 0. A tabela abaixo mostra todas as possibilidades de combinações cara/coroa.25 0 0 1 2 NUMERO DE CARAS 0 1 2 NUMERO DE CARAS 14.Graficamente.25 0.5 E A C U 0.5 0.5 L I D A D 0. 72 .00 1. os eventos que estas combinações originam e os valores correspondentes da variável aleatória X : Numero de vezes que sai “Cara”.75 L I D A D 0.OO P R 0.25 M U L A D 0 A 1.1 DISTRIBUIÇÃO BINOMIAL Suponhamos agora o experimento E4= “Lançamento de 4 moedas”.75 O B A B I 0.25 0.

2.b.POSSIBILIDADE N° 1 2a 2b 2c 2d 3a 3b 3c 3d 3e 3f 4a 4b 4c 4d 5 MOEDA N° 1. a probabilidade final será: 0.5x0. o que é o mesmo de se efetuar o produto 4x 0.0625 +0. 4 CCCC CCCK CCKC CKCC KCCC CCKK CKKC KKCC CKCK KCKC KCCK KKKC KKCK KCKK CKKK KKKK EVENTO VALOR DE X ( N° DE VEZ QUE SAI CARA) 0K e 4C 1K e 3C 0 1 2K e 2C 2 3K e 1C 3 4K e 0C 4 Utilizando as regras do produto para eventos independentes (e) e da adição para eventos mutuamente exclusivos (ou) é possível calcular as probabilidades associadas aos valores de X.5x0. A probabilidade de X=0 é obtida pelo conhecimento de termos 4 coroas.c.5 = 0.0625.d. 3.5x0.0625 +0.0625 ou. sabe-se que a probabilidade de sair coroa é ½ .0625 = 0.25. que são mutuamente exclusiva.0625 +0. a regra da soma manda efetuar a adição 0. Desta forma analogamente temos: 73 . -63Para o calculo da probabilidade X=1 deve-se trabalhar com o evento “1K e 3C” como temos as opções a.

5 2 2 = 4p 2 q 2 O.5 1 3 = 1p 1 q 3 O.5 X 0.5 1.5 X 0.5 X 0.5 X 0. x n-x P(x) = n! x! (n – x)! p .5 4 0 = 1p 4 q 0 O.0625 = 1 X 0.3750 = 6 X 0.0625 = 1 X 0.00 Podemos usar a formula: n! x! (n – x)! = n x = combinações de n individuais tomados x a x.2500 = 4 X 0.5 X 0.5 = 1p q TOTAL n = numero de moedas p = probabilidade de K = P(K) = 0. q 74 .5 3 1 = 6p 3 q 1 O. Generalizando temos.5 q = 1 – p = probabilidade de C = P(C) = 0.X 0 1 2 3 4 EVENTO 0K e 4C 1K e 3C 2K e 2C 3K e 1C 4K e 0C P(X = x) 0 4 0 4 O.0625 = 4 X 0.

043940 7 p(7) = 120 1/1024 = 0.000976 TOTAL = 2 = 1024 75 .205070 3 p(3) = 120 1/1024 = 0.Distribuição binomial de x (numero de coroas) para n = 10 X Numero de “Coroas” em 10 jogadas n! x ! (n – x) ! Distribuição Amostral P(X) probabilidade % de encontrar a Amostra 10 p(10) = 10! 10! (10 – 10)! 10! 9! (10 – 9) ! 10! 8! (10 – 8) ! 10! 7! (10 – 7) ! 10! 6! (10 – 6) ! 10! 5! (10 – 5) ! 10! 4! (10 – 4) ! 10! 3! (10 – 3) ! 10! 2! (10 – 2) ! 10! 1! (10 – 1) ! 10! 0! (10 – 0) ! 1 1/1024 = 0.009760 8 p(8) = 45 1/1024 = 0.117180 2 p(2) = 45 1/1024 = 0.009760 0 p(0) = 1 10 1/1024 = 0.246090 4 p(4) = 210 1/1024 = 0.000976 9 p(9) = 10 1/1024 = 0.043940 1 p(1) = 10 1/1024 = 0.205070 5 p(5) = 252 1/1024 = 0.117180 6 p(6) = 210 1/1024 = 0.

4.Doze por cento dos que reservam lugar num vôo sistematicamente faltam ao embarque. De 11 carros vendidos num período de 5 dias. qual é a probabilidade de que: a.Se houve 16 pedidos de reserva.Só um não volte 5. determine a probabilidade de que.Não haja nenhuma defeituosa 2. Se sete pessoas pedem cachorrão. 41% FUMAM CIGARROS. a.Todos queiram mostarda b.Qual a probabilidade de ao menos a metade dos seis serem fumantes. 76 . b.Determine a probabilidade de nenhuma das seis ser fumante. nos primeiros 25 dias apos a venda. numa amostra de nove mesas: a.EXERCICIOS: E-6 Use a formula binomial para responder às questões abaixo: 1.Haja ao menos uma defeituosa b. Se tal suspeita é correta. Escolhem-se seis ao acaso para darem sua opinião sobre o fumo.Dos estudantes de um colégio.Um revendedor de automóveis novos constatou que 80% dos carros vendidos são devolvidos ao departamento mecânico para corrigir defeitos de fabricação. determine a probabilidade de uma pessoa ficar de fora.Um fabricante de mesas de bilhar suspeita que 2% de seu produto apresenta algum defeito.Suponha que 8% dos cachorros-quentes vendidos num estádio de futebol sejam pedidos sem mostarda. b. c.Apenas um não a queira. O avião comporta 15 passageiros. 3.Todos voltem dentro de 25 dias para reparo.Determine a probabilidade de todos os seis ser fumante. determine a probabilidade de que: a.determine a probabilidade de que todos os 15 que reservaram lugar compareçam ao embarque b. a.

p) .000335 p = 2% = 0.2 DISTRIBUIÇÃO DE POISSON A chamada Distribuição de Poisson ou de Eventos Raros podem ser considerada um caso limite da distribuição binomial. e x! .p = 150 ..n. Utilize a aproximação de Poisson da distribuição Binomial para achar a probabilidade de que 5 entre 400 livros encadernados nessa livraria apresentam algum defeito de encadernação. .05 Temos a distribuição de Poisson com: n.02 = 8 77 . 3.718 Exemplo: Sabe-se que 2% dos livros encadernados em uma certa livraria apresentam defeitos de encadernação. Como regra geral podemos usar: n > 100 e n. ou seja. o que significa quando “n” é grande e “p” pequeno. É difícil dar condições precisas para que se possa usar a aproximação de Poisson. e= 2.p < 10 n = Elementos da População p = Probabilidade Exemplo: n = 150 p = 0.14.p para x = 1... (0...5 A formula a ser usada é: x f (x) = (n. Quando “n” é grande e “p” é pequeno podemos usar a aproximação de Poisson para a distribuição Binomial. Temos: n = 400 -8 e = 0. 0. 2.02 x=5 n..p = 400 .05) = 7.

temos então: x f (x) = (n.p) . e x! - n.p =

5

-8

8 . e 5!

= (32768). (0,000335) = 10,977 = 0,0915 120 -67120

Outro Exemplo: Supúnhamos que os defeitos em fios para tear possam ser aproximados por um processo de Poisson com media de 0,2 defeitos por metro (p = 0,2) .Inspecionando-se pedaços de fio de 6 metros de comprimento, determine a probabilidade de menos de 2 (isto é 0 ,1) defeitos. Temos : n = 6 p = 0,2 n . p = 6 . 0,2 = 1,2 x =1 e X=2

0

-1,2

f(0) =

1,2 0!
1

e

= 1 . 0,301 = 0,301 1

-1,2

f(1) =

1,2 1!

e

= 1,2 . 0,301 = 0,3612 1

P(x< 1) = P(0) + P(1)

(0,301 + 0,3612) = 0,6622

78

EXERCICIOS: E-7

1- Verifique, em cada caso, se os valores de “n” e “p” satisfazem as regras empíricas para a utilização de Poisson como aproximação da Binomial: abcn = 500 e n = 100 n = 60 e e p = 0,001 p = 0,12 p = 0,002

2- Se 0,6% dos detonadores fornecidos a um arsenal são defeituosos, utilize a aproximação de Poisson para a distribuição Binomial para determinar a probabilidade de que, em uma amostra aleatória de 500 detonadores, quatro sejam defeituosos. 3- Em uma certa cidade 3,2% dos habitantes se envolve em, ao menos, um acidente de carro em um ano. Com o auxilio da aproximação de Poisson para a distribuição Binomial, determine a probabilidade de que, dentre 200 motoristas escolhidos aleatoriamente nessa cidade. a- Exatamente seis se envolvam em ao menos um acidente em um ano; b- No Maximo oito se envolvam em ao menos um acidente em um ano; c- Cinco ou mais se envolvam em ao menos um acidente em um ano;

4- Suponha que, em media 2% das pessoas sejam canhotas. Encontre a probabilidade de 3 ou mais canhotos em 100 pessoas

79

15.0 CORRELAÇÃO
15.1 INTRODUÇÃO
Até agora nossa preocupação era descrever a distribuição de valores de uma única variável. Com esse objetivo, aprendemos a calcular medidas de tendência central e variabilidade. Quando porem, consideramos observações de duas ou mais variáveis, surge um novo problema: as relações que podem existir entre duas ou mais variáveis estudadas.

Assim, quando consideramos variáveis como peso e altura de um grupo de pessoas, uso do cigarro e incidência do câncer, a potencia gasta e a temperatura da água no chuveiro, Procuramos verificar se existe alguma relação entre as variáveis de cada um dos pares e qual o grau dessa relação.

Para isso, é necessário o conhecimento de novas medidas.

Sendo a relação entre as variáveis de natureza quantitativa, a correlação é o instrumento adequado para descobrir e medir essa relação.

Uma vez caracterizada a relação, procuramos descreve-la através de uma função matemática. A regressão é o instrumento adequado par a determinação dos parâmetros dessa função.

15.2 RELAÇÃO FUNCIONAL E RELAÇÃO ESTATÍSTICA
Como sabemos, o perímetro e o lado de um quadrado estão relacionados. A relação que liga é perfeitamente definida e pode ser expressa por meio de uma sentença matemática: P=4L P= PERIMETRO L= LADO DO QUADRADO 80

0 10.Atribuindo-se.0 9.0 8. dizemos que existe uma correlação entre elas.0 8. quanto maior a estatura. em média.0 8.0 9. é possível determinar exatamente o valor do perímetro.0 81 . um valor qualquer de L. formada por 98 alunos de uma classe da Uniso e pelas notas obtidas por eles em Matemática e Estatística: NOTAS Nº MATEMATICA (xi) ESTATISTICA (yi) 01 08 24 38 44 58 59 72 80 92 5.0 2. pode acontecer que a estaturas diferentes correspondam a pesos iguais ou que estaturas iguais correspondam a pesos diferentes. como relações estatísticas. Assim.0 7.0 4. Quando duas variáveis estão ligadas por uma Relação Estatística.0 7. ela é bem menos precisa.0 7.0 5. agora a relação que existe entre o peso e a estatura de um grupo de pessoas.0 6.0 2. É evidente que essa relação não é do mesmo tipo da anterior. Porem. maior o peso. As relações do tipo perimetro-lado são conhecidas como relações funcionais.3 DIAGRAMA DE DISPERSÃO Consideremos uma amostra aleatória. Considerando.0 10. então. 15.0 3.0 6.0 8.0 6. As relações do tipo peso-estatura.

. . . 10 xi 15. . por isso denominada de Correlação Linear. quanto mais fina for a elipse mais ela se aproximará de uma reta. vistos em conjunto formam uma elipse em diagonal. 8 . sendo. da correlação existente: yi 10 . Esse diagrama nos fornece uma idéia grosseira. 2 . . 82 . 6 . o o 8 . 6 . porem útil. o o o o o o 4 . .4 CORRELAÇÃO LINEAR Os pontos obtidos. então. . Podemos imaginar que. que a correlação de forma elíptica tem como “imagem” uma reta.Representando. yi). . 4 . Dizemos. obtemos uma nuvem de pontos que denominamos DIAGRAMA DE DISPERSAO. os parâmetros (xi . em um sistema de coordenadas cartesiano ortogonal. . . . 2 o o .

2 . . Por esse motivo. 10 xi Como a correlação em estudo tem como “imagem” uma reta ascendente. o o o o o o 4 . . 83 . as relações funcionais são chamadas Relações Perfeitas. ela é chamada de Correlação Linear Positiva. o RETA IMAGEM o 8 . . . yi 10 . . . 6 . Se os pontos apresentam-se dispersos. . 4 . c. b. 6 . não oferecendo uma “imagem” definida. 8 .É possível verificar que cada correlação esta associada como “imagem“ uma relação funcional.Nao-linear se os pontos tem como “imagem” uma curva.Linear negativa se os pontos tem como ”imagem” uma reta descendentes. .Linear Positiva se os pontos do diagrama tem com “imagem” uma reta ascendente. . 2 o o . . concluímos que não há relação alguma entre as variáveis em estudo. Assim uma correlação é: a. .

Temos: Y o oo ooo oo ooooo ooo ooooo oo o oo correlação linear positiva X Y o oo ooo oo ooooo ooo ooooo oo o oo correlação linear negativa Y X o o oo oo oooo ooo oo oo ooo ooooo o correlação não-linear ooo oooo ooooo ooo oo oo o oooo oo ooo Y oo o o o o o o o oooo ooo o ooo oo ooo oooo oooo oooo o o oo ooo ooooo o o ooo oo o ooooo X não há correlação X 84 .

15. Uma maneira pratica de verificarmos a linearidade da relação é a inspeção do Diagrama de Dispersão: se a elipse apresenta saliências ou reentrâncias muito acentuadas. Se 0.3 85 . então r = +1. ainda.Se a correlação entre duas variáveis é perfeita e positiva. - Para podermos tirar algumas conclusões significativas sobre o comportamento simultâneo das variáveis analisadas. provavelmente trata-se de uma relação curvilínea. Faremos uso do coeficiente de correlação de Person.6. Assim: A. B. é necessário que: 0. o valor de r pertence ao intervalo [ -1 e +1].5 COEFICIENTE DE CORRELAÇÃO LINEAR O instrumento empregado para a medida de Correlação Linear é o Coeficiente de Correlação.Se não há correlação entre as variáveis ou a relação é por ventura não-linear. então r = -1 C. isto é. NOTAS - Para que uma relação possa ser descrita por meio do Coeficiente de Correlação de Person é imprescindível que ela se aproxime de uma função Linear. há uma correlação relativamente fraca entre as variáveis. Esse coeficiente deve indicar o grau de intensidade da correlação entre duas variáveis e. que é dado por : r= n Σ xi yi – (Σxi ) (Σyi) √ Onde: [ n Σ x²i – (Σxi)²] [ n Σ y²i – (Σyi)²] n = número de observações Os valores limites de r são -1 e +1.Se a correlação é perfeita e negativa. então r = 0. o sentido dessa correlação (positivo ou negativo).6 ≤ | r | ≤ 1 ≤ | r | < 0.

3.0 10.225) √ 585 x 525 Dai: r = 0. -81Em seguida vamos calcular o coeficiente de correlação relativos ao exercício anterior.225) (4.0 5.18 = 0.0 Σ=65 xi yi 30 72 56 100 30 49 72 12 48 04 Σ=473 x²i 25 64 49 100 36 49 81 09 64 04 Σ=481 y²i 36 81 64 100 25 49 64 16 36 04 Σ=475 Logo: r= 10 x 473 – 65 x 65 = 505 = 550 4.0 7. Assim: MATEMATICA (xi) 5.0 8.0 6.0 3. 86 . x²i e y²i. O modo mais pratico para obtermos r é abrir.750 – 4.0 6.0 10.0 9. praticamente. colunas correspondentes aos valores de xi yi.0 2. nada podemos concluir sobre a relação entre as variáveis em estudo.Se 0 < | r | < 0.810 – 4.0 2.0 8.0 9.0 8.0 7.911 √ (4.0 Σ=65 ESTATISTICA (yi) 6.91 Resultado que indica uma correlação linear positiva altamente significativa entre as duas variáveis.554. na tabela.0 8. a correlação é muito fraca e.0 4.0 7.

2.Surge outra fonte de erro potencial quando os dados se baseiam em taxas ou médias.15. Porem essas duas variáveis são afetadas pelas condições econômicas que envolvem não só o professor de Estatística. 3.6 CUDADOS COM OS ERROS COM A INTERPLETAÇÃO DE CORRELAÇÃO Identificamos a seguir três dos erros mais comuns cometidos na interpretação de resultados que envolvem correlação. aparece neste caso uma terceira variável oculta. 87 . Um estudo mostrou uma correlação entre salários de professores de Estatística e o consumo individual de cerveja. e isto pode levar a um coeficiente de correlação inflacionado. 1. suprimimos a variação entre os indivíduos ou elementos.Um terceiro erro diz respeito à propriedade de linearidade. A conclusão de que não há correlação linear significativa não quer dizer que x e y não estejam relacionados de alguma forma provavelmente possa haver uma correlação não linear. Quando utilizamos taxas ou médias para os dados.Devemos evitar a conclusão de que a correlação implica em casualidade.

– ....) (......0 …….......... – ....... ONDE: r = 88 ... = ......0 ……. √ (. x ...... ....EXERCICIOS: E-8 1........ 12.. ..Complete o esquema de cálculo do coeficiente de correlação para os valores das variáveis xi e yi : xi yi 4 12 6 10 8 8 10 12 12 14 Temos: (xi) (yi) xi yi x²i y²i 4. …….. = . …… …… 14..) √ .... x ...... = ...0 Σ= Σ= 12.0 Σ= Σ= Σ= Logo: r= .... – .......…. x .

0 Σ= 46 46 52 50 48 40 42 44 Σ= Σ= Σ= Σ= 89 .4 4.Padronize cada conjunto de escores e calcule o coeficiente de correlação.0 2.6 6.8 3.1 3.2.9 4.2 4. A- (xi) 34 30 40 34 39 35 42 45 43 Σ= BΣ= (yi) 21 22 25 28 15 24 24 22 17 xi yi x²i y²i Σ= Σ= Σ= (xi) (yi) xi yi x²i y²i 3.

1 5.3.7 3.2 2.4 2.0 2.1 temperatura média (°F) 87 50 75 90 55 54 68 85 82 80 45 58 66 90 .0 2.Determine o coeficiente de correlação para os dois conjuntos de valores abaixo: 1ª AVALIAÇÃO 2ª AVALIAÇÃO estudante 1 2 3 4 5 6 7 8 9 10 11 (xi) 82 84 86 83 88 87 85 83 86 85 87 Σ= (yi) 92 91 90 92 87 86 89 90 92 90 91 Σ= xi yi x²i y²i Σ= Σ= Σ= 4. Crimes Violentos/ 1000 residentes 5.6 4.0 3.8 3.2 4.1 4.9 4. monte o gráfico para os dados e calcule o coeficiente de correlação. sobre crimes violentos e a temperatura média entre 21 e 2 horas das noites de sábado numa grande comunidade.Com os dados abaixo.

por exemplo.0 4.0 8. ou seja. Podemos dizer que a analise de regressão tem por objetivo descrever.0 10.0 8. embora não perfeita.0 6.0 7.0 5. Assim. vamos obter uma função definida por: Y = ax + b onde a e b são parâmetros.0 91 .0 10. como.0 8. vamos procurar determinar o ajustamento de uma reta a relação entre essa variáveis.0 3.1 AJUSTAMENTO DE CURVAS A variável sobre a qual desejamos fazer uma estimativa recebe o nome de variável dependente e a outra recebe o nome de variável independente.0 2. as do exercício já apresentado: MATEMATICA (xi) 5.0 REGRESSÃO LINEAR Sempre que desejamos estudar determinada variável em função de outra fazemos sempre uma análise de regressão. entre as quais exista uma correlação acentuada. a relação entre duas variáveis. 16.0 8. através de um modelo matemático.0 9.0 7.0 ESTATISTICA (yi) 6.0 6. supondo X a variável independente e Y a dependente.0 7.0 9.16. Sejam duas variáveis X e Y.0 2. partindo de n observações das mesmas.

6 . que se trata de uma correlação retilínea. 2 . 8 .Cujo Diagrama de Dispersão é dado por: yi 10 .Σxi . . . 4 . . . Σyi n ΣXi² .2 MÉTODO DOS MÍNIMOS QUADRADOS Vamos então. . o RETA IMAGEM o 8 . . 6 . pela forma do diagrama. de modo a permitir o ajustamento de uma reta. . 10 xi Podemos concluir. calcular os valores dos parâmetros a e b com a ajuda das fórmulas: a = n Σ Xi Yi . . o o o o o o 4 . .(Σxi)² e b = Y . imagem da função definida por: Y = ax+ b 16. .a X 92 . 2 o o . .

0 9.0 3.0 6.4225 = 505 = 0.0 4.0 2. escrevemos: Y^ = a X + b Onde Y^ é o Y estimado A tabela de valores: MATEMÁTICA (xi) ESTATÍSTICA (yi) xi yi x²i 5.0 Σ=65 Temos assim 6.8632 10 x 481 – (65)² 4810 .0 10.4225 585 93 . Sendo assim.0 9.0 10.0 7. o resultado.0 8.0 7.0 8. é uma estimativa da verdadeira equação de regressão.0 8. na realidade.Onde : n é o número de observações X é média dos valores de Xi (X = Σ Xi ) n Y é média dos valores de Yi (Y = Σ Yi ) n Nota: Como estamos fazendo uso de uma amostra para obtermos os valores dos parâmetros.0 Σ=65 30 72 56 100 30 49 72 12 48 04 Σ=473 25 64 49 100 36 49 81 09 64 04 Σ=481 a = 10 x 473 – 65 x 65 = 4730 .0 7.0 5.0 6.0 8.0 2.

5 10 e Y = 56 = 6. 4 . 10 xi 94 . 5. 6 . . Donde: a = 0. .89 Para traçarmos a reta no gráfico. 2 .Como: X = 65 = 6.19 Assim temos: yi 10 . . 8 . 0. 4 . .86 X + 0. 8 . . .89 = 5.5.5 . basta determinar dois de seus pontos: X=0 X=5 Y^ = 0.89 Logo: ˆ Y = 0.19 . .5 = 6.8632 x 6.86 x 5 + 0. . 6 .86 X + 0. o o o o o o o o o o Y^ = 0.5 – 0.6108 = 0.8892.89 .89 Y^ = 0.89 .86 e b = 0. 2 .5 10 Vem: b = 6.

variâncias e desvio padrão.3 ANÁLISE DE REGRESSÃO Quando recorremos a uma reta de mínimos quadrados. O cálculo desses intervalos segue os mesmos raciocínios visto anteriormente para as médias . precisamos saber qual é a precisão dos valores obtidos para a e b na equação de mínimos quadrados? Qual a precisão da estimativa Y^? Os valores calculados são apenas estimativas baseadas em dados amostrais e. proporções. e b . 95 .16. e analisaremos a seguir. como também Para prever essas diferenças é possível estabelecermos um intervalo para o qual possamos afirmar. com certo grau de confiança valores de Y^. se fundamentarmos nosso trabalho em outra amostra de mesmo tamanho n o método de mínimo quadrado poderia gerar valores diferentes de para a poderia gerar valores para Y^ diferentes.

Σy = 107. Denotando por x o número de horas de treinamento e por y o número de erros cometidos. em determinado dia: Número de semanas Trabalhadas Número de carros inspecionados 2 7 9 1 5 12 13 21 23 14 15 21 Para esses dados temos: Σx = 36. b.EXERCICIOS: E-9 1. Σy² = 2001 e 3040 Σx.½ x b. qual das duas retas se ajusta melhor aos três pontos. estime quantos carros uma pessoa que venha trabalhando no posto de inspeção ha 8 semanas poderá inspecionar? 96 .Após 6 horas de treinamento.A tabela a seguir mostra quantas semanas seis pessoas trabalharam em um posto de inspeção de automóveis e quantos carros foram inspecionados entre 12 e 14 horas.Com o auxilio da parte a. Σx² = 304. no sentido de mínimos quadrados? a. outro cachorro após 12 horas cometeu 6 erros.y = 8 1/3 x 2. um cachorro cometeu 5 erros em uma exposição canina. apos 18 horas. e finalmente um outro cachorro.y =721 a.y = 10 .Estabeleça a equação da reta de mínimos quadrados que permite predizermos y em termos de x. cometeu apenas 1 erro.

Os dados abaixo se referem ao resíduo de cloro em uma piscina em vários momentos.9 Para esses dados temos: Σx = 42. Σy = 10.M.y =48.Ajuste uma reta de mínimos quadrados que nos permita predizer o resíduo de cloro em termos do número de horas após a piscina ter sido tratada com produtos químicos.5 1.3.1 da tabela.P. a. Por que razão o resultado diverge do valor 1.Com a equação da reta de mínimos quadrados.1 1.) 0 2 4 6 8 10 12 2. após ter sido tratada com produtos químicos: X Número de Horas Y Resíduo de cloro (P. c.8 1. 97 . Σx² = 364.1 0.2 1. b. estime o resíduo de cloro na piscina 8 horas após ter sido tratada. estime o resíduo de cloro na piscina 5 horas após ter sido tratada. Σy² = 15.6 A leitura de zero horas foi feita imediatamente após completado o tratamento químico.52 e Σx .Com a equação da reta de mínimos quadrados.4 1.

Wilton O e MORETTIN. Giuseppe e ANGELINI.B. São Paulo: Saraiva. CEP para Processos Contínuos e em Bateladas. 2000. Hitoshi. RAMOS A. 1993. Estatística aplicada –economia. 1999.. São Paulo: McGraw-Hill. administração e contabilidade. Porto Alegre: Bookman. 1995. TRIOLA. São Paulo:E.5 S734e) 98 .Blucher. Gary A. 1982. Flávio. 2000. BIBLIOGRAFIA COMPLEMENTAR KUME. 2000. Estatística aplicada à Economia e à Administração. MILONE. Estatística aplicada.1993. Estatística básica. DOWNING Douglas e CLARK Jeffrey. Estatística aplicada. São Paulo: Saraiva. Rio de Janeiro: LTC. L. John E. São Paulo: Atlas.BIBLIOGRAFIA BIBLIOGRAFIA BÁSICA FREUND. e SIMON. Introdução à estatística. Mário F. SPIEGEL. KAZMIER. (519. Murray R. Pedro A. São Paulo: Makron Books. São Paulo:Gente.2002. BUSSAB.W. Métodos Estatísticos para a Melhoria da Qualidade. Estatística.

Sign up to vote on this title
UsefulNot useful