ae ‘AN = Freund, John E, Estatistica aplicads: economia, administraglo ¢ contabilidade / John E, Freund ;tradugio Claus Ivo Doering. 11. ed. ~ Porto Alegre : Bookman, 2006. 536 p. 25em, ISBN 978-85-363-0667-4 1 Bstatistica Aplicada, 2. Estatstica ~ Economia, 3. Estatstica - inistragio. 4. Estatstica ~ Contabilidade. 1. Titulo, Ad cpusi92 ‘Catalogagiio na publicagio: Jia Angst Coelho ~ CRB 10/1712John E. Freund Arizona State University Economia, Administragao e Contabilidade Estatistica Aplicada 11 edigdo Tradugio: Claus Ivo Doering Professor Titular do Instituto de Matemitica da UFRGS Reimpresszo 2007 OQ 2006‘Tradugdo autorizadla a partir do original em Kingua inglesa. intitulado MODERN ELEMENTARY STATISTICS, 11" Edigio de autoria de FREUND, JOHN E., publicado por Pearson Education, Inc. sob 0 selo Prentice Hall Copyright © 2004. Todos os dinvitos reservados. ISBN 0-13-046717-0 LLeitura final: Cristina Forest Piccoli c ustavo Demarchi ‘Supervisdo editorial: Denise Weber Nowaczyk Exditoragao elet nica: Laser House Reservados todos os direitos de publicagio, em lingua portueuesa, & ARTMED" EDITORA S.A. (BOOKMAN” COMPANHIA EDITORA ¢ uma divisio da ARTMED" EDITORA S. A.) Aw. JerSnimo de Omelas, 670~ Santana 9040-340 Porto Alegre RS Fone (51) 3027-7000 Fax (51) 3027-7070 E proibida a duplicagto ou repro deste volume, no todo ou em parte ‘sob quaisquer formas ou por quaisquer meios (cletronico, meciinico, gravagao, fotocsipia, distritwigio na Web e outros), sem permissio expressa da Editora. ‘SAO PAULO. ‘Av. Angélica, 1.091 - Higien6polis, (01227-100 Sao Paulo SP one (11) 3665-1100 Fax (11) 3667-1 SAC 0800 703-3444 IMPRESSO NO BRASIL PRINTED IN BRAZILSOBRE O AUTOR JOHN B. FREUND Professor Emérito de Matemitica Arizona State University © Dr. Freund obteve sua formagio na University of Lon- don, U.C.L.A., na Columbia University e na University of Pittsburgh, ¢ seu interesse pela Matemiética, Légica € Filosofia da Ciéncia o levou a uma carreia em Estatistica. Fundamentados em sua abordagem a Estatistica como ‘uma maneira de pensar €, como tal, um refinamento do raciocinio do dia a dia, seus livros didaticos de Estatistica em Varios niveis e em varios campos de aplicagio tém si- do besiseller's por cingdienta anos.PREFACIO Esta edigdo de Estatistica Elememar Moderna, como todas as anteriores, é findamemada na cafirmagdo de que “em geral, os métodos estetisticas sito nada mais do que wan refinamento do racioctnio do dia a dia’. Essas palavras sao adaptadas da afirmagdo proferida pelo eminente ‘ciemista Albert Einstein de que “a ciéncia como wm todo é nada mais do que um refinamento do raciovinio do dia a dia”. ‘Tem sido promulgadas muitas mudangas para os cursos introdutGrios de Estatistica em anos re- ccentes, que adlvogam uma maior Enfase na anlise de dsdos utilizando casos reais ¢ uma diminui ‘$20 do rigor matemético, particularmente na érea de Probabilidade.. Nosso ponto de vista perma- rece basicamente inalterado € apresentamos esta nova edigio com a certeza de que ela é uma in- trodugio apropriads & Estatistica que deveria ser ensinada como uma parte vital dos conhecimen- tos gerais das pessoas. & dificil negar a importincia de enfatizar a andlise de dados utilizando ca- ‘sos reais, mas é mais importante recomendar que os dados sejam de casos reais interessantes. Um cexemplo clissico de dados utilizando casos reais, muito usado no passado, consiste no niimero de mortes resultantes de coices de cavalo por ano por esquadrao do exército prussiano! Tais dados satisfazem as condigdes dos assim chamados dados de Poisson (ver Sedo 8.5). EXERCICIOS Muites cos mais de: 1200 exereicios so novos ou atualizados de edigdes anteriores. E claro que niio se espera que 0 leitor resolva cada um deles, mas hii uma variedade adequada para oferecer material de exerefcio para praticamente qualquer Ieitor, independentemente de sua rea primor- dial de interesse. Hi essencialmente dois tipos de exercicios novos nesta ediga0. O primeiro € o tipo concei tual .que nos faz pensar, em vez de dedicar nosso tempo a cAlculos cansativos. Esses exercicios ‘sho fiiceis de encontrar, pois esto marcados com 0 icone $ wseado na famosa estitua O Pen- sador de Rodin. O segundo € o tipo de exercicio que serve para conferir se uma colegio de dados satisfaz as condigées exigidas por um procedimento estatstico particular. MATERIAL COMPUTACIONAL © objetivo do material produzido por computador e das reprodugdes de calculadloras grificas € apresentar ao leitor algumas das mais populares e mais atuais tecnologias disponiveis para traba- Ihar em Estatistica. Todo o material produzido por computador da décima edigSo foi trocedo por material novo gerado por MINITAB. As reproduces de janelas de calculadoras grificas TI-83 foram transfers para um computador utilizando um TI-GRAPH LINK e, em seguida, impres- ‘sas pelo computador. ‘Com uma excegao, ndo sio requerides nem computador, nem calculadora gréfica para poder usar este livro, De fato, 6 livro pode ser utlizado efetivamente por leitores que nao pessuam nem {enham acesso ficil a compotadores € a softwares estatisticos ou a calculadoras grificas. A tinica excegio € o teste de normalidade da Seco 9.3.wvili_PrerAcio Alguns dos exereicios estéio marcados com o (cone especial Ig} , sugerindo 0 uso de um com- putador,efou com o fcone (,, sugerindo o uso de uma caleuladora gréfica, mas isso ¢ opcional. SUPLEMENTO PARA ENSINO E APRENDIZADO Projetado para complementar € expandir 0 texto.o site wwwrenhall comifieund, da Prentice Hill, oferece uma variedade de ferramentas interativas para ensino e aprendizado (em inglés), in- clusive com enderegos de outros sites, testes on-line, modelos de contetidos programaticos, bem ‘como informagées sobre material adicional relacionado com este livro. AGRADECIMENTOS ‘Meu apreco a colegas e estudantes por sugestdes proveitosas € tetexto. Agradeco isdes de todas as edigdes des- ‘Michael B. Dollinger, Pacific Lutheran University Kathleen Ebert, Alfred State College Lynn R. Eisenberg, Durham Technical Community College J.S. Huang. Columbia College Bob Jensen, Pacific Lutheran University nel Mordecai, Southwestern Community College Em especial. quero agradecer ao Dr. Benjamin M. Perles, da Suffolk University, pela sua revistio cuidadosa do manuscrito ¢ a Douglas B. Freund pela ajuda com a revisio de provas.. ‘material da Tabela Il; dos curadores de Biometrika para reproduzir 0 material das Tabelas Ul e 1V; {da American Cyanamid Company para reproduzir o material da Tabela VI; da Addison-Wesley Publishing Company para reproduzir o material da Tabela VI; do editor dos Annals of Mathema- tical Statistics para reproducir 0 material da Tabela VII; € do Aerospace Research Laboratories. a US. Air Force para reproduzir o material da Tabela IX. ‘Agradego também a Laurel Tech pela verificagao da precisdo do livro e. finalmente, minha ‘gratido para a equipe da Prentice Hall: Sally Yagan, Joanne Wendelken, Krista Bettino, Linda Behrens, Tom Benfatti, Maureen Eide, Michael Bell, Dina Curro e Bayani Deleon. JouN E. Feu Paradise Valley, ArizonaSUMARIO* mm CAPITULO INTRODUCAO 15 O Crescimento da Estatistica Moderna 16 OEstudo da Estatistica 17 Eslatistica Descritiva e Inferéncia Estatistica 18 ANatureza dos Dados Eslatisticos 21 lista de TermosChove 23 Referéncias 23 mm CAPITULO 2 RESUMINDO DADOS: LISTANDO EAGRUPANDO 25, listondo Dados Numéricos 26 Diograma de Ramos e Folhos 28 Distibuicéo de Freqiéncia 33 Apresentacées Grélicas 42 Resumindo Dados a Duos Voriéveis 48. listo de TermosChave 54 Referéncias 55 mm CAPITULO 3 RESUMINDO DADOS: MEDIDAS DE TENDENCIA 56 3.1 3.2 33 34 35 3.6 437 3.8 3.9 3.10 Populacées e Amostras 57 AMédia 58 A Média Ponderoda 61 AMediona 66 Outros Quantis 69 AModa 72 Descrigdo de Dados Agrupados 76 Nota Técnica (Somatérios) 82 listo de TermosChave 84 Referéncias 84 tm CAPITULO 4 RESUMINDO DADOS: MEDIDAS DE DISPERSAO 85. 41 42 43 44 45 AAmplitude 86 ODesvicPadrGo ea Voriancia 86 Aplicagdes do DesvioPadréo 89 Descricéo de Dados Agrupados 96 Algumos Descricdes Adicionois 98 “Todas segaes mareadas com asterisco slo opcionais, podendo ser omitidas sem perda de continuidade10 Suman 46 lista de TermosChave 103 47 Referéncias 103 Exercicios de Revisio para 0s Copitulos 1,2,3e4 103 lm CAPITULO 5 POSSIBILIDADES EPROBABILIDADES 110 5.1 Contagem 111 5.2 Arranjos.e Permutagdes 114 5.3 Combinasdes 117 5.4 Probobilidade 124 5.5 lista de TermosChave 132 5.6 Referéncias 133 mm CAPITULO 6 ALGUMAS REGRAS DE PROBABILIDADE 134 6.1 Espacos Amostrais e Eventos 135 62 OsPostulodos de Probabilidade 142 63 Probobilidades e Chonces 144 64 Regios de Adio 149 65 Probobilidade Condicional, 154 66 — Regras de Muliplicagdo 156 *67 OTeoremade Boyes 161 68 lista de TermosChave 166 69 Referéncias 166 mm CAPITULO 7 ESPERANCASE DECISOES 167 7.1 Esperonga Matemético 168 *7.2 Tomada de Deciséo 172 *7.3Problemos de Decisdic Estatisiica 176 TA lista de TermosChove 179 7.5 Referéncios 179 Exercicios de Reviséo para os Capitulos 5,67 180 mm CAPITULO 8 DISTRIBUICOES DE PROBABILIDADE 186 8.1 Voriéveis Aleatérics 187 8.2 _Distribuigées de Probobilidade 188 8.3 ADistribuigdio Binomicl 190 8.4 ADistibuicdo Hipergeométrica 197 8.5 ADistribuigdo de Poisson 201 *8.6 ADistribuicGo Multinomial 205 8.7 AMdia de uma Distribuigtio de Probabilidade 206 8.8 —O Desvio Padréo de uma Distribuicéo de Probabilidade 208 8.9 lista de Termos-Chave 213 8.10 Referéncias 213 mm CAPITULO9 A DISTRIBUICAO NORMAL 214 9.1 Distribuigées Continuas 215 9.2 ADistribuigéo Normol 217SuMAno 11 +93 Verificacéio da Normalidade 226 9.4 Aplicagées do Distribuigéio Normal 228 9.5 A Aproximagdo Normal da Distribuicdo Binomial 231 9.6 lista de TermosChave 236 97 Referéncias 237 tm CAPITULO 10 AMOSTRAGEM E DISTRIBUICOES AMOSTRAIS 238 10.1 Amostrogem Aleatéria 239 *10.2Plonejamento de Amostras 245 *10.3Amostragem Sistemética 245 "10.4 Amosiragem Estralificada 245 *10.5 —Amostragem por Conglomercdo 248 10.6 Distribuigées Amostrais 250 107 OEnoPadido do Média 253 10.8 —OTeorema do Limite Central 255 10.9 Algumas ConsideragSes Adicioncis 257 *10.10 Nota Técnica (Simulogéo) 260 10.11 lista de TermosChave 262 10.12 Referéncias 262 Exercicios de Revistio para os Capitulos 8,9 e 10 264 mm CAPITULO 11 PROBLEMAS DE ESTIMATIVA 270 11.1. Estimotiva de Médias 271 11.2 Estimotiva de Médias (a Desconhecido) 275 11.3 Eslimotiva de DesviosPadréo 281 11.4 Estimoativa de Proporgdes 286 11.5 lista de TermosChave 292 11.6 Referéncias 292 fm CAPITULO 12 TESTES DE HIPOTESES: MEDIAS 294 121 12.2 12.3 Testes Relatives a Médios 306 12.4 Testes Relativos a Médias ( Desconhecide) 309 12.5 Diferengas Entre Médias 313 12.6 Diferencas Entre Médias (7 Desconhecido)_ 316 127 _Diferencas Entre Médias [Dados emparelhados) 318 12.8 lista de TermosChave 321 129 Releréncios 322 mm CAPITULO 13 TESTES DE HIPOTESES: DESVIOS-PADRAO 323 13.1 Testes Relativos © DesviosPodréo 323 13.2 Tesles Relativos 0 Dois DesviosPadréio 327 133 listo de TermosChave 330 134 Referéncias 33112 Sumino mm CAPITULO 14 TESTES DE HIPOTESES BASEADOS EM DADOS CONTADOS 332 Testes Relativos « Proporcées 333 Testes Relativos a Proporgdes (Grandes Amosiras) 334 Diferencas Enire Proporcées 335 Andlise de uma Tabelo rx 339 Aderéncia 350 lista de Termos-Chave 355 Referencias 355 Exercicios de Reviséio para os Copitulos 11, 12,13 14 356 mm CAPITULO 15 ANALISEDEVARIANCIA 362 Diferengas Entre k Médias: Um Exemplo 363 Planejamento de Experimentos: Aleatorizacéio 366 Andlise de Varidncia de Um Critério 368 Comparagées Miltiplas 374 Planejamento de Experimentos: Bloqueamento 379 Andlise de Voriancia de Dois Critérios 380 ‘Andlise de Vari€ncia de Dois Criérios sem Interagéo 381 Plonejamento de Experimentos: Replicacéo 384 Anélise de Variancia de Dois Critérios com Interagdo 385 Planejamento de Experimentos: Consideracées Adicionais 389 listo de TermosChave 396 Referéncias 396 mm CAPITULO 16 REGRESSAO 398 Ajuste de Curves 399 © Método dos Minimos Quadrades 400 Andlise de Regresséo 410 Regressio Miiltipla 418 Regressdo Naolinear 422 listo de TermosChove 429 Referéncias 430 fm CAPITULO 17 CORRELACAO 431 7.1 172 17.3 174 17.5 176 O Coeficiente de Correlagdo 432 Alnterpretogéo de r 437 Anélise de Correlagdo 442 Correlagées Miltipla e Porciol 445 lista de TermosChave 448 Referéncias 449 mm CAPITULO 18 TESTES NAO-PARAMETRICOS 450 18.1 18.2 7183 O Teste de Sinais O Teste de Si Oeste de Sinais com Posto 45618.4 18.5 18.6 18.7 18.8 18.9 18.10 18.11 18.12 18.13 18.14 18.15 SumAno 13 O Teste de Sinais com Posto (Grandes Amostras) 460 OTeesieU 463 Oeste U (Grandes Amostras) 466 OlesileH 468 Testes de Aleatoriedade: Repeticbes 472 Testes de Aleatoriedade: Repeticées [Grandes Amosiras) 473 Testes de Aleatoriedade: Repeticées Acima e Abaixo do Mediana 474 Correlacao por Posto 476 Algumas Consideracées Adicionais 479 Resumo 480 listo de TermosChove 480 Releréncias 481 Exercicios de Revisio para os Capitulos 15,16, 17e 18 482 TABELAS ESTATISTICAS 491 RESPOSTAS DOS EXERCICIOS IMPARES 517 INDICE 533INTRODUGAO © Crescimento da Estatistica Moderna 16 O€studo da Estatistica 17 Estatistica Descrtiva e Inferéncic Estatistica 18 A\Natureza dos Dados Estatisticos 21 lista de Termos-Chave 23 Referéncias 23 Jo de dados pertence ao dominio da Estatistica, assim como o planejamento detalhado ‘que precede todas essas atividades. De fato, a Estatistica inclui tarefas tio diversifica- ddas como calcular a média de acertos em arremessos de jogadores de basquete, coletar € re- gistrar dados sobre nascimentos, czsamentos ¢ mortes, avaliar a eficiéncia de produtos co- merciais e prever 0 tempo. Mesmo uma das mais avangadas dreas da Fisica nuclear é iden- tificada pelo nome Estatistica Quéntica. ‘A prépria palavra “estatistica” € utilizada de varias maneiras. Pode ser usada. por exemplo, para denotar a simples tabulagdo de dados numéricos, como em relatérios de transagdes na bol- sade valores € em publicagdes como 0 Anudrio Estatistico do IBGE ¢ no Almanaque Mundial. ‘Também pode ser usada para denotar a totalidade dos métodos que stio empregados na coleta, no processamento € na analise de dados, numéricos ou nao, € nesse sentido que a palavra “es- tatistica” € utitizada no titulo deste Tivro. Apalavra “estatistico” € também utilizada de vérias maneiras. Pode ser aplicada aqueles que simplesmente coletam informagio, bem como aos que preparam andlises ow interpretagdes, € ai a é aplicada a estudiosos que desenvolvem a teoria materntica na qual se fundamer se assunto, Finalmente, a palavra “estatstica” ¢ utilizada para denotar uma medida ou frmula es- peeffica, tal como uma édia, um intervalo de valores, wmta taxa de crescimento como, por exer- plo, um indicador econdmico, ou ainda uma medida da correlagao (ov relago) entre variveis, ‘Nas Segies 1.1 € 1.2, discutimos o crescimento recente da Estatistica com seu campo de apli- cages cada vez mais amplo e a necessidade de sen estudo como parte de nosso treinamento ¢s- peciallizado (profissional), bem como de nossa educagio geral. Na Seco 1.3, explicamos a dis- T= ue tratar, por pouco que seja, de coleta, provessamento, interpretagdo e apresenta- ¢Estaristica APUCADA tingio entre os dois ramos principais da Estatéstica, a estaistica descritiva € a inferéncia estat tica,e na Segao 1.4 abordamos a natureza de varios tipos de dados ¢, com isso, advertimos o lei- tor contra a aplicagao indiscriminada de alguns métodos utitizados na andlise de dados. [BMY © CRESCIMENTO DA ESTATISTICA MODERNA Hi vrias razdes pelas quais a abrangéncia da Estatistica e a necessidade de estudar a Estatistica tém crescido enormemente nos tiltimos, mais ou menos, cingilenta anos. Uma razio € a aborda- ‘gem crescentemente quantitativa utilizada em todas as ciéncias, bem como na Administ fem muitas outras atividades que afetam diretamente nossas vidas. Isso inclui o uso de técnicas matemidticus na avaliago de controles de poluigio, no planejamento de inventérios, na andlise de padres do transito de veiculos, no estudo dos efeitos de varios tipos de medicamentos, na ava- Tiago de técnicas de ensino, na andlise do comportamento competitive de administradores € g0- vernos, no estudo da dita € da longevidade, ¢ assim por diante. Também a disponibitidade de ‘compotadores aumentou enormemente nossa capacidade de lidar com informagio numérica, a tal Ponto que um trabalho estatistico sofisticado pode ser realizado mesmo por pequenas empresas € por alunos de escola e de faculdade, ‘A outa raziio é que a quantidade de dacios coletados, processadlos ¢ fornecidos ao piiblico. por uma razio ou outra, aumentou quase akém da capacidade de compreensio, sendo que o que consti- tui boa estaistica € 0 que constitui mi estatstica acaba ficando pouco claro. Para exercer vigilin- cia, torna-se necessério um nGmero cada vez maior de pessoas com conhecimento estatstico que participem da coleta dos dados, da sua andlise €, 0 que € igualmente importante, de todo o planeja- ‘mento preliminar. Sem este éltimo, é assustador imaginarmos todos os erros que podem ocorrer na ‘compilagio de dados estatfsticos. Os resultados de pesuisas caras podem ser initeis se as pergun- tas formuladas forem ambfguas ou externadas de maneira incorreta, se Forem perguntadas is pes- soas erradas. no lugar errado, ou na hora errada. Grande parte dlisso no passa de bom senso, como podemos ver nos exemplos seguintes. Para determinar a reagdo do piblico 2 continuago de certo programa governamental, ppesquisador pergunta: “Vocé acha que esse programa esbanjador deve ser continuado?” Explique Por que essa pergunta provavelmente nao seri respondida honestamente, ov objetivamente. (0 pesquisador esti pedindo a resposta ao sugerir, de fato, que 0 programa € esbanjador. IN! Para estudar a reagdio do consumidor a um novo tipo de alimento congelado, faz-se uma pesquisa de casa em casa durante as manhas dos dias dteis, sem previsio de retornar no caso de ninguém. ‘tender. Explique por que essa abordagem pode conduzir a uma informagdo enganadora Essa pesquisa ndo conseguiré atingir os que mais provavelmente itdo usar 0 produto: pessoas sol {eiras ou casais em que ambos os cOnjuges trabalham fora. Embora boa parte do crescimento da estatistica men antes da “revolugiio dos computadores”, a ampla disponibilidade ¢ utilizagio destes acelerou muito o processo. Em particular, os computadores possibilitam 0 manuseio, a andlise € a inter- pretagdo de grandes volumes de dados, bem como a realizaco de célculos que antiganiente te- riam sido demasiadamente trabalhiosos para serem efetuados. No entanto, queremos enfatizar que 0 acesso a um computador nio é essencial para o estudo da Estatistica, pelo menos enquan-Carinno 1 InmooucAo 17 t0 0 nosso objetivo for aleangar um entendimento do assunto, Alguns usos dle computador sito ilustrados neste livro, mas sua finalidade é somente apresentar ao leitor a tecnologia dispont- vel para trabathar com Estatistica. Assim, os computadores néo si necessérios para utilizar este livro, mas alguns exercicios, marcados com wm icone apropriado, sao dirigidas équeles que «esto familiarizados com software estatistico. Sem ser por esses, nenhum dos exercicios requer ‘mais do que wna simples calculadora manual. HMM oEsTUDO Da EstaTISTICA ‘Oassunto da Estatistica pode ser apresentado em varios niveis de dificuldade matemitica e pode ser ofientado para aplicagdes em varios campos do conhecimento, Conseyientemente, tém sido escritos muitos textos de Estatistica orientados para a Administracao, para a Educagdio, para a ‘Medicina, a Psicologia e até mesmo para os historiadores. Embora os problemas que surgem nes- sas diversas dreas por vezes exijam técnicas estatisticas especiais, nenhum dos métodos basicos apresentados neste livro esti restrito a qualquer Srea especifica de aplicago. Da mesma forma ‘que 2 +2=4, quer estejamos somando reais, cavalos ou drvores, os métodos que vamos apresen- tar fornecem modelos estatisticos que se aplicam independentemente de os dads se refetirem a QIs, 2 pagamento de impostos, a tempos de reacio, a leituras de umidiade, a escores de testes, € assim por diante. Para ilustrar melhor, considere o problema seguinte (reproduzido do Exemplo 14.1 & pagina 333). Tem-se aftrmado que mais de 70% dos estudantes de wna grande universidade particular sto ccontrérios a um plano de aumentar ax taxas de alunos para permitir a construcéo de novos cestacionamentos. Se 15 de 18 alunos selecionadas ao aceso naquela universidade se opdem ao plano, teste a afirmagio co nivel 0,05 de significéicia. Exceto pela meng ao “nivel de significiincia”, que é um termo téenico, a questo pergun- tada deveria estar clara e também ser aparente que a resposta seria de interesse principalmente dos estudantes dessa universidade e seus administradores. Contudo, se quiséssemos dar um ‘exemplo de interesse especial para fruticultores, engenheiros, médicos ou ecologistas, poderfa- ‘mos reformular 0 Exemplo 14.1 como segue: Tem-se afirmado que mais de 70% das taranjeiras num municipio pautista foram severamente danificadas por uma geada recente. Se 15 de 18 laranjciras selecionadas ao acaso naquele ‘munictpio foram severamente danificadas por aquela geudla, teste a afirmacdo ao nivel 0,05 de significdncia. Tem-se afirmado que mais de 70% de certos avides apresentam fissuras em seus lemes de diregao devidas @ fudigu do metal, Se 15 de 18 desses avides selecionados ao acaso apresentan Jissuras em sews lemes de direcdo devidas @ fadiga do metal, teste a afirmado co nével 0,05 de significancia. Tense afirmado que mais de 70% de todos médicos associados a planos de satide estto insatisfeitos com seus honordrios. Se 15 de 18 médicos escothides ao acaso dentre os ‘associados a planos de saide estdo insarisfeitos com seus honordrios, reste @ afurmagdo ao nivel 0.05 de significdncia. Tem-se afirmaclo que mais de 70% de todos automéveis de um certo modelo e ano de fabricagao ‘emitem uma quantidade excessiva de poluentes. Se 15 de 18 desses automOveis excothidos ao ‘acaso emitem uma quamtidade excessiva de poluentes, teste a afirmagéo uo nivel 0,05 de significancia.Estarisnica APUCADA [No que toca ao trabalho desenvolvido neste livro, 0 tratamento estatistico de todas essas ver ses do Exemplo 14.1 6 0 mesmo e, com um pouco de imaginago, 0 leitor deveria ser capaz de reformuli-lo para praticamente qualquer campo de especializagio. Como fazem alguns autores, ppoderiamos apresentar, ¢ destacar, problemas especiais para leitores com interesses especiais, ‘mas isso prejudicaria nosso objetivo de incutir no leitor a importincia da Estatistica em todas as ‘reas da ciéncia, da administragao e da vida cotidiana. Para atingir esse objetivo, incluimos no texto exercicios que abrangem uma ampla gama de interesses. Para evitar a possibilidade de desorientar alguém com as diversas versiies do Exemplo 14.1 apresentadas anteriormente, esclaregamos que nem todos os problemas estatisticos podem ser en- caixadios num mesmo molde. Embora os métodos que estudaremos neste livro tenham todos ampla aplicago, € sempre importante ter certeza de que estamos utilizando 0 modelo estatistico correto. HBB Estatistica DESCRITIVA E INFERENCIA ESTATISTICA Arigem da Estatistica moderna remonta 1 duas dreas de interesse que, na aparéncia, pouco tém ‘em comum: governo (ciéncia politica) e jogos de azar. Os governos vém, de longa data, utiizando recenseamentos para contar individuos e proprie- ddades,¢€ 0 problema de descrever, resumir e analisar dudos de censos levou ao desenvolvimento de métodos que, até recentemente, constitufam quase tudo o que havia na area de Estatistica. Es- es métodos que, no infcio, consistiam principalmente na apresentagao de dados em forma de ta- belas e grificos, constituem 0 que hoje denominarnos estatistica descritiva. Esta inclui tudo re- lacionado com dados que seja projetado para resumir ou descrever dados, mas sem ir alm, OU s ja, Sem procurar inferir qualquer coisa que va além dos préprios dados. Por exemplo, se os testes feitos com seis carros pequenos importados em 1999 mostraram que eles sio capazes de acelerar {de 0 2.60 milhas por hora (mph) em 12.9; 16,5; 11.3; 15,2; 18.2; 17,7 segundos, ¢ se afitmamos, ‘que metade deles acelera de 0-a 60 mph em menos de 16,0 segundos, entéio nosso trabalho per- tence ao dominio da estatistica descrtiva. Esse também seria 0 caso se afirméssemos que esses Carros em média aceleram de 0 a 60 mph em 12,94 165 + 11,3 +15,2 + 18.2417, 6 =153 ‘segundos, mas nd se concluissemos que metade de todos os carros importados naquele ano so capaes de acelerar de 0 a 60 mph em menos de 16.0 segundos. Embora a estatistica descritiva seja um ramo importante da Estatistica e continue sendo am- plamente utilizada, as informagdes estatisticas quase sempre so obtidas de amostras (de obser- vagGes feitas apenas em parte de um conjunto grande de itens). € isso significa que sua andlise cexige generalizagbes que vio alm dos dados. Conseqienitemente, a caracteristica mais impor- tante do recente crescimento da Estatistica é uma mudanga de énfase de métodos que meramen- te descrevem para métodos que servem para fazer generalizagbes, ou seja, uma mudanga de én- fase da estatistica descritiva para os métodos da inferéneia estatistica. Tais métodos siio necessérios, por exemplo, para prever a duragio de uma calculadora ma ‘nual (com base no desempenho de muitas dessas calculadoras); para estimar 0 valor de avaliagao ‘em 2008 de todas as propriedades particulares de Grumari, na cidade do Rio de Janeiro (com ba- se na tendéncia dos negécios, nas projegdes de populagio,¢ assim por diante); para comparar a cficiéncia de duas dietas para reduzir peso (com base nas perdas de peso de pessoas que se sub- meteram as dietas); para determinar a dosagem mais eficaz de um novo medicamento (com base em testes feitos em pacientes voluntérios de hospitais selecionados); ou para prever o fluxo de {riifego numa rodovia que ainda nao foi construida (com base no tréfego no passado observado, ‘em rodovias alternativas).Carinno 1 IntmoDUcAo 19 Em cada uma das situagbes apresentadas no pardgrafo precedente, existem incertezas, por- que dispomos apenas de informagdes parciais, incompletas ou indiretas: por isso, sfo necessirios ‘0s métodos da inferéncia estatistica para julgar os méritos de nossos resultados, para escolher a previsio “mais promissora”, ou para selecionar 0 curso de aco “mais razodvel” (ou, talvez, “po- tencialmente mais lucrative”). Em face de incertezas, tratamos problemas como esses com métodos estatisticos que tm sua ‘rigem nos jogos de azar. Embora o estudo matemiético desses jogos remonte ao século XVII, no foi sendio no inicio do século XIX que a teoria elaborada para “cara ou coroa”, por exemplo, ou para “vermelho ot preto”, ou “par ou impar” passou a ser aplicada a situagées da vida real, em {que os resultados eram “menino ou menina”, “vida ou morte”, “passar ou rodar”, ¢ assim por tante para a andlise de qualquer situagao (na ciéneia. na administragao ou na vida didria) que, de ‘alguma forma, envolva um elemento de incerteza, ou chance. Em particular, Teoria de Probabi- lidade fornece a base para os métodos que utilizamos quando fazemos generalizagoes a partir de dados observados, a saber, quando usamos os métodos da inferéncia estatistica. Em anos recentes, tense sugerido que a énfase se desviow demasiadamente da estatistica 1 oui 2< 4. nao podlemos escrever 2— 1 14+3=4,00 4-422. Isso ilustra a importincia de sempre conferir se o tratamento matematico de dados es- tatisticos é realmente legitimo, ‘Consideremos agora alguns exemplos em que os dadios compartitham algumas, mas no neces- sariamente todas, proptiedades dos ntimeros que encontramos na aritmética usual. Por exemplo, na Mineralogia, costuma-se determinar a dureza de s6lidos observando “o que risca o que”. Se um mi- ‘eral pode riscar outro, recebe um néimero maior de durezai, sendo que ao talco, ao gesso, i calcita, 2 fluorita. 8 apatita, a0 feldspato, a0 quartz0, 0 topirio. safira € a0 diamante so atribuidos os né- rmeros 1 a 10, respectivamente, na escala de dureza relativa de Mohs. Com esses néimeros, podemos escrever 6>3, por exemplo, ou 7 <9, pois o feldspato é mais duro do que a caleita € 0 quartzo é me- ‘nos duro do que a safira. Por outro lado, ndo podemos escrever 10-9 = 2-1, por exemplo, ponque adiferenga de dureza entre o diamante ¢ a safira, na verdade, € muito maior do que entre 0 gesso e ‘otaleo. Também no faria sentido dizer que o topaio € duas vezes mais duro do que a fluorita ape- ‘has porque seus respectivos niimeros de dureza na escala de Mohs si0 8 ¢ 4. ‘Se nao pudermos estabelecer nada além de desigualdades, como no exemplo precedente, re- ferimo-nos aos dados como dados ordinais. Em se tratando de dados ordinais. “>” nao significa necessariamente “maior do que”. Pode ser ustdo para representar, por exemplo, “mais feliz do que”, “preferivel a”, “mais dificil do que”, “mais saboroso do que”, € assim por diante. ‘Se pudermos também formar diferengas entre dados, mas nao multiplicé-los ou dividi-los, dizemos que os dados sio intervalares. A titulo de exemplo, suponhamos, dadas as seguintes temperaturas em graus Fahrenheit: 63° ¢ 68°, 91°, 107°, 126° ¢ 131°. Aqui podemos escrever22 _ Estarisnca APUCADA 107°> 68" ou 91° < 131°, 0 que significa simplesmente que 107°é mais quente do que 68° e que ‘91° € mais frio do que 131°. Também podemos escrever 68° — 63° = 131° — 126°, pois duas dife- rengas de temperatura sio iguais no sentido de que € necessi ra elevar a temperatura de um objeto tanto de 63° para 68°, como de 126° para 131°, Por outro lado, ndo faria muito sentido dizermos que 126” é duas vezes mais quente do que 63°, muito em- bora 126 + 63 =2. Para ver por que, basta mudar para a escala Celsius, na qual a primeira tern- peratura se torna $(126 ~ 32) = 52,2°,a segunda se torna $(63 ~ 32) = 17,2° o primeiro ntime- ro agora é mais do que trés vezes 0 segundo. Essa dificuldade decorre do Fato de as escalas Fah- renheit e Celsius terem origens (zeros) artificiais. Em outras palavras,em nenhuma das duas ¢s- calas 0 ntimero 0 indica a auséncia de alguma quantidade (nesse caso, de temperatura) que este- Jamos tentando medir. Se pudermos também formar quocientes, os dados se dizem dados de razio,e nfo € dificil de obté-los. Dados de razio incluem todas as medidas (ou determinagdes) usuais de comprimento, altura, quantias de dinheiro, peso, volume, drea. pressdo, tempo decorrido (embora nao o tempo. do calendério), intensidade de som, densidade, brilho, velocidade, ¢ assim por diante. ‘Addistingo que fizemos entre dados nominais, ordinais, intervalares e de razdo 6 importante pois,como veremas, a natureza de um Conjunto de dados pode suger a utilizacao de técnicas es- {atisticas paniculares. Para enfatizar 0 fato de que o que podemnos eo que no podemios Fazer ait- meticamente com um conjunto de dados depende da natureza destes, consideremos os seguintes scores obtides por quatro estudantes nas tr partes de um exame global de hist Historia ‘Hiséria ——‘Histdria ‘americana __européia__ medieval Leila 89 st 40. Tiago 6 56 34 Henrique 40 0 35 Rosa B n R 05s totais dos quatro estudantes so 180, 171, 165 ¢ 162.e, portanto, Leila obteve 0 escore mais alto, seguida por Tiago, Henrique e Rosa. ‘Suponha agora que alguém proponha que, em ver de somar os escores obtidos nas ts par tes do exame, comparemes 0 desempenho global dos quatro estudantes, ordenando seus escores do mais alto para o mais baixo em cada parte do exame € entdo tomando # média das suas posi ‘qdes (ou seja, somando e dividindo por 3). O que obtemos assim aparece na tabela abaixo: Fistdria Historia Histiria —Posigao americana __europtia__medievel___média 1 4 4 3 2 3 3 2 3 2 2 2g 4 1 1 2 Assim, atentando para as posigdes médias, vemos que Rosa se sai melhor, seguida por Hen- rique. Tiago € Leila, de modo que a ordem foi invertida em relacao & anterior. Como € possivel isto? A verdade € que podem ocorrer coisas estranhas quando tomamos médias de posigdes. Por exemplo, em se tratando de posigSes, o fato de Leila superar Tiago por 28 pontos em Histéria, “americana vale tanto quanto 0 fato de Tiago superar Leila por 5 pontos em Hist6ria européia, eo fato de Tiago superar Henrique por 21 pontos em Hist6ria americana vale tanto quanto 0 fato de. Henrique superar Tiago por um tinico ponto em Histéria medieval. Concluimos, assim, que tal-