Você está na página 1de 75

MATERIAL DE ESTATSTICA II PROF.

MRIO ROBERTO
ESTATSTICA II - Mrio

1



VARIVEIS ALEATRIAS
O que se entende por varivel aleatria?
At agora nossos estudos estavam praticamente voltados mais para definirmos nosso
Espao Amostral U, sem associarmos suas respectivas probabilidades aos experimentos
aleatrios.
Existem, contudo, experimentos cujos resultados podem ser expressos por
quantidades numricas. Ou ainda, por vezes, desejamos atribuir um valor especfico a cada
resultado do experimento aleatrio.
Quando realizamos a observao dos resultados de um experimento que pode ser
resultado repetidamente sob condies essencialmente inalteradas (experimento aleatrio),
no poderemos, de antemo, dizer qual particular resultado ir ocorrer na prxima tentativa,
muito embora sejamos capazes de descrever o conjunto de todos os possveis resultados do
experimento. Assim, por exemplo, antes de lanar um dado poderemos descrever que os
possveis resultados so: l, 2, 3, 4, 5, 6, mas qual desses, em particular, ir ocorrer, no
prximo lanamento impossvel predizer com absoluta certeza. Varivel aleatria , pois
o resultado da observao de experimentos no determinsticos.
Entretanto o resultado de um experimento no necessariamente, um nmero. De
fato na observao das peas que saem de uma mquina poderemos, simplesmente, anotar
as categorias "defeituosas" ou "no defeituosas". Contudo, em muitas situaes
experimentais, estamos interessados na mensurao de alguma coisa e no seu registro como
um nmero. Mesmo no exemplo acima, poderemos atribuir um nmero a cada resultado
(no numrico) do experimento.
U: observao das peas (telhas) que saem de uma mquina
X nmero de peas defeituosas
X = 0, 1, 2, 3, .....................,n
Portanto, chama-se varivel aleatria a uma varivel cujo valor um nmero
determinado pelo resultado de um experimento ou atravs da observao, e aos quais
podemos associar probabilidade.
As variveis aleatrias podem ser classificadas em:
1- VARIVEIS ALEATRIAS DISCRETA
Seja X uma varivel aleatria que assume os valores x
1
, x
2
, x
3
, ...........x
n.
Diremos que
X uma varivel aleatria discreta. Se o nmero de valores tomados por X finito ou
infinito numervel.
Exemplo: U: Lanamento de quatro moedas
Seja,
X: o nmero de caras observadas.
X = 0, 1, 2, 3, 4
De modo geral podemos dizer que as variveis aleatrias discretas so as que resultem de
contagens.

2- VARIVEIS ALEATRIAS CONTNUAS
Seja X uma varivel aleatria que pode assumir qualquer valor num intervalo,
diremos que X uma varivel aleatria contnua.
Exemplos:
a) Nmero de horas de durao de uma lmpada
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

2

b)
b) A altura de um indivduo que pode ser: 1,65m, l,652m, 1,6524m, conforme
a preciso de medida.
De modo geral podemos afirmar que as variveis aleatrias contnuas so aquelas
que resultem de "medio", em especial, de tempo, temperatura, comprimento, peso,
volume, etc.
Um aspecto interessante o que o mesmo experimento pode dar margem
observaes de vrias variveis, e a escolha da que vai ser observada fica a critrio do
observador. Como exemplo vejamos o experimento "jogar 4 moedas simultaneamente".
Como varivel aleatria poderemos escolher "o nmero de caras obtidas ou a distncia
mnima entre 2 moedas". A primeira seria uma varivel aleatria discreta e a Segunda seria
uma varivel aleatria contnua.


1- VARIVEL ALEATRIA DISCRETA

1.1- FUNO DE PROBABILIDADE
A probabilidade de que a varivel aleatria assuma o valor X, a funo de
probabilidade de X que representamos por P(X = x
i
) ou simplesmente por P(X).

f(x) = P(X = x
i
) f(x) = 0 se X = x
i

n
E f(x
i
) = 1

i = 1

Portanto a funo que associa probabilidade aos possveis valores de uma varivel
aleatria, denomina-se funo de probabilidade.
A funo P(X) pode ser expressa por uma tabela ou grfico
Exemplo
Seja E: o espao amostral no lanamento de 2 moedas e X: o nmero de caras C obtidas.
Isto :
E = (K,K); (K,C); (C,K); (C,C)`
X = 0, 1, 2 `

TABELA: X 0 1 2

P(X) 1/4 1/2 1/4

GRFICO:
P(X)
1/2

1/4


0 1 2 X
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

3


1.2- FUNO REPARTIO
Define-se funo repartio da varivel aleatria X, no ponto x, como sendo a
probabilidade de que x assuma um valor menor ou igual a X, isto :
F(X) = P(X s x). No exemplo acima teremos:

F(X) = 1/4 se x s 0
F(X) = 1/2 se 1 s x < 2
F(X) = 1/4 se x > 2

2- VARIVEL ALEATRIA CONTNUA

2.1- FUNO DENSIDADE DE PROBABILIDADE
Seja X uma varivel aleatria contnua. A funo densidade de probabilidade f(x)
uma funo que satisfaz as seguintes condies.

f(x) > 0

f(x).d(x) = 1
b
Assim P( a < x < b) = f(x).d(x)
a

2.2- FUNO REPARTIO +oo
F(X) = P(X s x) = P( -oo < x < +oo) = f(x).dx = 1
-oo

Seja X uma varivel aleatria contnua com a seguinte funo densidade de
probabilidade.
f(x) = 2x para 0 s x < 1
0 para (qualquer) outro valor
para x < 0 F(x) = 0
f(x) = para 0 s x < 1 F(x) = 2x.dx = 2x
2
x = x
2

0 2 0
para x > 1 F(x) = 1

Representao grfica

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

4


F(x)
1


1 x
Exemplo/Exerccio Seja f(x) = 3/2 (1 - x
2
), 0 < x < 1
0, caso contrrio
Ache a funo repartio e esboce o grfico.



3- DISTRIBUIO DISCRETAS DE PROBABILIDADES
3.1- DISTRIBUIO DE PROBABILIDADE
No contexto das distribuies de probabilidades, os valores individuais de
probabilidades podem ser designados pelo smbolo f(x), que enfatiza a existncia de uma
funo matemtica (variveis contnuas). Por P(X = x), que enfatiza que a varivel
aleatria pode assumir diversos valores, ou simplesmente por P(X).
Para uma varivel aleatria discreta todos os possveis valores da varivel aleatria
podem ser listados numa tabela com as probabilidades correspondentes: distribuio de
probabilidade Binomial, Hipergeomtrica e de Poisson. Para uma varivel aleatria
contnua no podem ser listados todos os possveis valores fracionrios da varivel, e desta
forma as probabilidades so determinadas por uma funo matemtica, so retratadas,
tipicamente, por uma funo densidade ou por uma curva de probabilidade.
3.2 VALOR ESPERADO E VARINCIA DE VARIVEIS ALEATRIAS
DISCRETAS.
n

Mdia, Valor Esperado ou Esperana Matemtica: = E(X) = x
i
.P(x
i
)

i = 1


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

5

3.3 PROPRIEDADES DA ESPERANA MATEMTICA:
3.3.1- A mdia de uma constante a prpria constante
E(X) = k.P(x
i
) = k. P(x
i
) = k
3.3.2- A mdia de uma varivel multiplicada por uma constante igual constante
multiplicada pela mdia da varivel.
E(k.X) = k.x
i
.P(x
i
) = k. x
i
.P(x
i
) = k.E(x
i
)
3.3.3- A mdia da soma ou da diferena a soma ou diferena das mdias.
E( X + Y) = E( X ) + E( Y ) ou E(X - Y) = E(X) - E(Y)
3.3.4- Somando ou subtraindo uma constante a uma varivel aleatria, a sua mdia fica
somada ou subtrada da mesma constante.
E(X + k) = E(X) + E(k) = E(X) + k ou E(X- k) = E(X) - k
3.3.5- A mdia do produto de duas variveis aleatrias independentes o produto das
mdias.
E(X.Y) = x
i
.y
j
.P(x
i
y
j
) = x
i
.y
i
.P(x
i
).P(y
j
) = x
i
.P(x
i
). y
j
.P(y
j
) = E(X).E(Y)
3.4- VARINCIA
A forma geral de desvios para a frmula da varincia de uma distribuio discreta de
probabilidade :
V(X) = o
2
(X) = | x
i
- E(X)|
2
.p(xi)

ou
V(X) = o
2
(X) = E(X
2
) - |E(X)|
2
( Frmula Computacional)
3.5- PROPRIEDADE DA VARINCIA
3.5.1- A varincia de uma constante zero
o
2
(X) = V(k) = E| k - E(k)|
2
= E(k - k)
2
= 0
3.5.2- Multiplicando-se uma varivel aleatria por uma constante, sua varincia fica
multiplicada pelo quadrado da constante.
V(k.X) = o
2
(k.X) = |kX - E(k.X)|
2
= |k.X - k.E(X)|
2
= |k(X - E(X)|
2

= k
2
.|X - E(X)|
2
= k
2
.V(X)
3.5.3- Somando-se ou subtraindo-se uma constante varivel aleatria, sua varincia no se
altera.
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

6


o
2
(X + k) = o
2
(X) + o
2
(k) = o
2
(X) + 0 = o
2
(X)
3.5.4- A varincia da soma ou da diferena de duas variveis aleatrias independentes a
soma das respectivas varincias.
o
2
(X +Y) = o
2
(X) + o
2
(Y) e
o
2
(X - Y) = o
2
(X) + o
2
(-Y) = o
2
(X) + (-1)
2
.o
2
(X) = o
2
(X) + o
2
(Y)
EXEMPLO:
A tabela abaixo est registrado o nmero de caminhonetes solicitadas em uma agncia
de aluguel de carros durante um perodo de 50 dias.
Demanda
possvel X
N de dias Probabilidade
P(X)
Valor Ponde-
rado X:P(X)
Demanda ao
quadrado X
2

Quad. Ponde-
rado X
2
.P(X)
3 3 0,06 = 3/50 0,18 9 0,54
4 7 0,14 = 7/50 0,56 16 2,24
5 12 0,24 1,20 25 6,00
6 14 0,28 1,68 36 10,08
7 10 0,20 1,40 49 9,80
8 4 0,08 0,64 64 5,12
TOTAL 50 1,00 E(X) = 5,66 E(X
2
) = 33,78
OBS. A probabilidade de serem solicitadas exatamente sete (7) caminhonetes em um
determinado dia aleatoriamente escolhido no perodo de 0,20 e de cinco (5) de 0,24.
Determine:
a) A esperana matemtica
b) A varincia, clculo computacional.
a) E(X) = 5,66
Isto , o valor esperado para dados discretos pode ser fracionrio porque ele
representa um valor mdio de longo prazo e no o valor especfico para qualquer
observao dada.
c) V(X) = o
2
(X) = E(X
2
) - |E(X)|
2
= 33,78 - (5,66)
2
= 33,78 - 32,04 = 1,74
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

7

Isto a variao do nmero de caminhonetes em torno da mdia ao quadrado de 1,74.
Exerccios
1- Um dentista tem 5 cadeiras disponveis para pacientes em sua sala de espera. A
probabilidade do nmero de cadeiras ocupadas X dada por:
X P(X)
0 0,304
1 0,228
2 0,171
3 0,128
4 0,096
5 0,073
a) Ache a mdia E(X) = da varivel aleatria X. E(x) = 1,7
b) Calcule a varincia e o desvio padro, da varivel aleatria X. V(X) = 2,53
c) Calcule P( 2 s X s 5). 0.468
d) Desenvolva no formato tabular a cdf ( Funo de Distribuio Acumulada) dessa
distribuio.
e) Desenvolva a funo repartio dessa distribuio.
2- Considere uma moeda perfeita lanada 3 vezes. Seja X o nmero de caras obtida.
Calcule
a) a distribuio de X
b) mdia de X E(x) = 1,5
c) a varincia o = 0,75
3- Considere uma urna contendo trs bolas vermelhas e cinco pretas. Retire trs bolas sem
reposio, e defina a V.A X igual a nmero de bolas pretas.
a) Obtenha a distribuio de X
b) Obtenha a mdia e a varincia da V.A X E(X) =1,875 o = 0,502
4- Uma moeda lanada 4 vezes. Seja Y o nmero de caras obtidas. Calcule
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

8

a) a distribuio de Y
b) a mdia e varincia de Y = 2 , o = 1
5- Considere uma mesa contendo 10 frutas das quais 4 esto estragadas. Retire trs dessas
frutas ao acaso, sem reposio e defina a V.A. X igual a nmero de frutas estragadas.
a) Obtenha a distribuio de X
b) Obtenha a mdia e a varincia da V.A. = 1,2 , o = 0,560



4-DISTRIBUIO BINOMIAL
4.1- INTRODUO: DISTRIBUIO DE BERNOULLI
Seja um experimento que consiste na realizao de uma prova, cujos resultados s
podem ser "sucesso" ou "fracasso". Observando ainda que na realizao desta prova os
eventos so independentes, vamos chamar de X uma varivel aleatria que de acordo com
a pressuposio citada, somente assumir valores 0 e 1, sendo 0 a ocorrncia do evento
"fracasso" e 1 a ocorrncia do evento "sucesso" com probabilidades
P(X = 0) = q X 0 1
P(X = 1) = p P(X) q p p + q = 1 q = 1 - p
Obs.
q = l- p complementar de p, pois p + q = 1.
2- E(X) = E xi.p(xi) = 0.q + 1.p = p E(X) = p
3- V(X) = E(X
2
) - |E(X)|
2
= 0
2
.q + 1
2
.p - p
2
= p - p
2
= p(1 - p) = p.q
V(X) = p.q
Consideremos que:
a) n provas independentes e do mesmo tipo so realizadas.
b) Cada prova uma prova de Bernoulli ou seja, admite dois resultados: sucesso ou
fracasso que so mutuamente exclusivos.
c) A probabilidade de sucesso ou fracasso a mesma em cada prova, isto , constantes.
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

9

d) p a probabilidade de sucesso em cada prova e q = 1 - p a ocorrncia do fracasso.

4.2- DISTRIBUIO BINOMIAL
Se p a probabilidade de um evento acontecer em uma tentativa nica (sucesso), e q
= 1 - p a probabilidade de que o evento no ocorra (insucesso), ento a probabilidade do
evento ocorrer exatamente x vezes em n tentativas, isto , de que haja X sucessos e n - x
insucesso, dado por:

P(X = x) = n p
x
. q
n - x

x

PARMETROS DA DISTRIBUIO BINOMIAL
Baseados na propriedades da E(X) e V(X) e como a varivel binomial X uma soma
de variveis independentes do tipo Bernoulli, teremos que:
E(X) = E( x
1
+ x
2
+ x
3
+ ........+ x
n
) = E(x
1
) + E(x
2
) + E(x
3
) +........+ E(x
n
) = np


V(X) = V(x
1
+ x
2
+ x
3
+ ........+ x
n
) = V(x
1
) + V(x
2
) + V(x
3
) + ......+ V(x
n
) = p.q + p.q +
p.q + .........+ p.q = n.pq. = n.p.(1 - p)


FRMULAS GERAIS:
E(X) = Exi.p(xi)
P(X = xi) = n . p
xi
.(1 - p)
n - xi

xi
E(X) = E xi. n .p
xi
. (1 - p)
n - xi

xi
V(X) = E(x
i
E(X)).p(x
i
)
E(x) = = n.p
V(x) = o = n.p.q
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

10



TRINGULO DE PASCAL UMA FERRAMENTA IMPORTANTE









P = 0 P = 1 P = 2 P = 3 P = 4 P = 5 P = 6

n = 0 0
0


n = 1 1 1
0 1


n = 2 2 2 2
0 1 2


n = 3 3 3 3 3
0 1 2 3


n = 4 4 4 4 4 4
0 1 2 3 4


n = 5 5 5 5 5 5 5
0 1 2 3 4 5


n = 6 6 6 6 6 6 6 6
0 1 2 3 4 5 6


n n n n n n n n ... n
0 1 2 3 4 5 6 n
Substituindo-se cada nmero combinatrio pelo respectivo valor, o tringulo de
Pascal fica assim:

Nmeros Combinatrios n n!
Ou binomiais p = Cn,p =
p!.(n-p)!
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

11


P = 0 P = 1 P = 2 P = 3 P = 4 P = 5 P = 6

n = 0 1

n = 1 1 1

n = 2 1 2 1

n = 3 1 3 3 1

n = 4 1 4 6 4 1

n = 5 1 5 10 10 5 1

n = 6 1 6 15 20 15 6 1
.
.
.

Observe que o tringulo de Pascal continua infinitamente, medida que vai
aumentando o valor de n.


APLICAES
1- Em uma fbrica de parafusos um tero da produo defeituosa. Em uma amostra de 6
parafusos, pergunta-se
a) Qual a probabilidade de que no tenham nenhum defeituoso?
b) Qual a probabilidade de que o nmero de parafusos defeituosos seja no mximo 2?
c) Qual o nmero esperado de parafusos defeituosos?
d) Qual a disperso em torno do nmero esperado de parafusos defeituosos?
Soluo
X = 0, 1, 2, 3, 4, 5, 6 : defeituosos
a) P(X = 0) = 6 . (1/3)
0
.(2/3)
6-0
= (2/3)
6
= 64/729
0
b) P(X s 2) = P(X = 0) + P(X = 1) + P(X = 2) = 64 / 729 + 192 / 729 + 240 / 729 =
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

12

= 496 / 729 = 68%
c) E(X) = E xi.P(xi) = 0.64 / 729 + 1.192 / 729 + 2.240 / 729 + 3.160 / 729 + 4.60 / 729
5.12 / 729 + 6.1 / 729 E(X) = 2 defeituosos
ou E(X) = n.p = 6.1/3 = 2 defeituosos
d) V(X) = o
2
(X) = E(X
2
) - |E(X)|
2

V(X) = 0
2
.64/729 + 1
2
.192/729 + 2
2
.240/729 + 3
2
.160/729 + 4
2
.60/729 + 5
2
.12/729 +
6
2
.1/729 = 5,33
V(X) = 5,33 - 2
2
= 1,33 ou V(X) = n.p.q = 6.1/3.2/3 = 1,33 o = \1,33 =
1,15
2- Num hospital 5 pacientes devem submeter-se a um tipo de operao da qual 80%
sobrevivem. Qual a probabilidade de que:
a) Todos sobrevivem R 32,775
b) Pelos menos dois sobrevivem R 99,33%
c) No mximo 3 no consigam sobreviver. R 99,33%
d) Qual o nmero esperado de sobreviventes? R 4 sobreviventes
3- Se 2/3 da populao de certo municpio no assistem regularmente a programas de
televiso e, colocando 250 pesquisadores cada um entrevistando 8 pessoas, estimar
quantos desse pesquisadores informaro que at 2 das pessoas consultadas so
telespectadores habituais.
Soluo
X . Assistem regularmente televiso p = 1/3
q = 2/3
X = 0, 1, 2
P(X=0) = 8 .(1/3)
0
.(2/3)
8
= 256/6561
0
P(X=1) = 8 .(1/3)
1
.(2/3)
7
= 1024/6561 P(X s 2) = 256 + 1024 + 1792
1 6561
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

13

P(X=2) = 8 .(1/3)
2
.(2/3)
6
= 1792/6561 P(X) = 3072 = 46,82%
2 6561

Logo E(X) = n.p 250.(3072/6561) = 117,055 117 pesquisadores.





4- DISTRIBUIO HIPERGEOMTRICA
Quando a amostragem se faz sem reposio de cada item amostrado de uma
populao finita, no se pode aplicar o processo de Bernoulli, uma vez que exite uma
mudana sistemtica na probabilidade de sucesso medida que os itens so retirados da
populao. A distribuio Hipergeomtrica uma distribuio discreta de probabilidade
apropriada quando existe amostragem sem reposio em uma situao que, se no fosse por
isso, seria um processo de Bernoulli.
Suponha-se que tenhamos um lote de N peas e M das quais so defeituosas.
Suponha-se que escolhemos, ao acaso n peas desse lote ( n s N); sem reposio. Seja X o
nmero de peas defeituosas encontradas. Desde que X = x se, e somente se, obtivermos
exatamente k peas defeituosas ( dentre as M defeituosas do lote) e exatamente ( n - x) no
defeituosas ( dentre as N - M no defeituosas do lote, teremos:

M N - M
P(X = x) = x . n - x
N
n

PARMETROS DA DISTRIBUIO HIPERGEOMTRICA

E(X) = n.p

V(X) = o
2
(X) = n.p.q. N - n

N - 1


E(x) = E xi.p(xi) = E xi. M N - M
x n - x (*)
N
n

APLICAES

1- Em uma sala h 6 homens e 5 mulheres. Uma comisso de 4 pessoas formada ao acaso.
Qual a probabilidade de que:
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

14

a) apaream 3 homens na comisso,
b) no aparea nenhum homem,
c) Qual o nmero esperado de homens na comisso e o nmero de mulheres?

Soluo
a)
N = 11 (total de pessoas)
n = 4 ( nmero de pessoas na comisso)
M = 6 ( quantidade de homens)
N - M = 5 ( quantidade de mulheres)
x = 3 (quantidade de homens na comisso)
6 5
P(X = 3) = 3 1 = 20.5/330 = 10 / 33

11
4

6 5
b) P(X = 0) = 0 4 = 1.5 / 330 = 1 / 66

11
4
c) E(X) = E(x) = 4.6/11 = 24/11 = 2,l8 2 homens

E(X) = E( N - x) = 4.5/11 = 20/11 2 mulheres
Poderia calcular E(X) usando a frmula (*).

2- Uma caixa contm 12 lmpadas das quais 5 esto queimadas. So escolhidas 6
lmpadas ao acaso para iluminao de uma sala. Qual a probabilidade de que:
a) exatamente duas estejam queimadas?
b) Pelo menos uma seja boa?
c) Pelo menos duas estejam queimadas?
d) Encontre o nmero esperado de lmpadas queimadas e a disperso em torno da mdia.

Soluo
X: lmpadas queimadas
M: total de lmpadas queimadas = 5
k: lmpadas queimadas (ao acaso)
n: nmero de lmpadas (ao acaso) = 6
N: total de lmpadas = 12.

5 7
a) P(X=2) = 2 4 = 10.35/924 = 350/924

12
6
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

15

b) X = 0, 1, 2, 3, 4, 5
P(X s 5) = P(0) + P(1) + P(2) + P(3) + P(4) + P(5)
= 5 7 5 7 5 7 5 7 5 7 5 7
0 6 + 1 5 + 2 4 + 3 3 + 4 2 + 5 1

12 12 12 12 12 12
6 6 6 6 6 6
= 7/924 + 105/924 + 350/924 + 350/924 + 105/924 + 7/924
= 924/924 = 1 = 100%
c) P(X > 2) = p(X = 2) + P(X = 3) + P(X = 4) + P(X = 5)
= 350 + 350 + 105 + 7 = 812 / 924 = 87,88%
924
d) E(X) = n.p = 6.5/12 = 2,5 2 lmpadas queimadas
o
2
(X) = V(X) = n.p.q. N - n = 6. 5/12. 7/12. 12 - 6 = 0,795
N - 1 12 - 1
o
2
(X) = 0,795 = 0,89 1 lmpada



5-DISTRIBUIO DE POISSON
A distribuio de Poisson pode ser usada par determinar a probabilidade de um dado
nmero de sucessos quando os eventos ocorrem em um continuum de tempo ou espao.
Tal processo, chamado de processo de Poisson similar ao processo de Bernoulli, exceto
que os eventos ocorrem em um continuum ao invs de ocorrerem em tentativas ou
observaes fixadas. Um exemplo de tal processo a chegada de chamadas em uma
central telefnica. Tal como no caso do processo de Bernoulli, supe-se que os eventos so
independentes e que o processo estacionrio (a mdia no altera dentro da especificao).
Somente um valor necessrio para determinar a probabilidade de um dado nmero
de sucessos em um processo de Poisson: o nmero mdio de sucessos para a especfica
dimenso de tempo ou espao de interesse. Este nmero mdio geralmente representado
por ou . A frmula para determinar a probabilidade de um dado nmero X de sucessos
em uma distribuio de Poisson :
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

16

P(X / ) =
X
.e
-
e = 2,71828........
X!
PARMETRO DA DISTRIBUIO DE POISSON
E(X) = e V(X) = o
2
=
EXEMPLOS
1- Em um cruzamento de 2 ruas o nmero mdio de acidentes igual a 2 semanais.
Determinar
a) a probabilidade de que uma determinada semana ocorram 3 acidentes.
b) A probabilidade de que no ocorra nenhum acidente
c) A probabilidade de que ocorra acidente.
Soluo
X = 0, 1, 2, 3, ......., n
a) P(X = 3) = 2
3
.e
-2
= 8/6.2,7183
-2
= 4/3.0,13534 = 0,18 = 18%
3!
b) P(X = 0) = 2
0
.e
-2
= 0,13534 = 13,53%
0!
d) P(X > 1) = 1 - P(X = 0) = 1 - 0,13534 = 0,86466 = 86,47%
2- Um departamento de conserto de mquinas recebe uma mdia de cinco chamadas por
hora. A probabilidade de que menos do que trs chamadas sejam recebidas durante
uma hora aleatoriamente escolhida :
P(X < 3) / = 5) = P(X s 2) = P(X = 0) + P(X = 1) + P(X = 2) = 5
0
.e
-5
+ 5
1
.e
-5

0! 1!

+ 5
2
.e
-5
= 0,0067 + 0,0337 + 0,0842 = 0,1248 = 12,5%
2!

EXERCCIOS
DISTRIBUIES DISCRETAS DE PROBABILIDADES

1- Descobriu-se que a chegada de clientes a um Banco, durante intervalos
aleatoriamente escolhidos de 10minutos, segue a distribuio de probabilidade da
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

17

tabela, abaixo. Calcular o nmero esperado de chegadas por intervalo de 10
minutos bem como calcular a varincia das chegadas. E(X) = 2, V(X) = 1,9

N de
chegadas X
0 1 2 3 4 5
Probabilida
-de P(X)
0,15 0,25 0,25 0,20 0,10 0,05

2- Em um levantamento recente, a probabilidade de que um acidente de carro
causado por um motorista embriagado cerca de 0,229. Nos prximos trs
acidentes, qual a probabilidade de que:
a) exatamente um acidente seja causado por um motorista embriagado? 40,8%
b) No mnimo um acidente seja causado por um motorista embriagado? 57,6%
c) Se voc tem os seguintes resultados de probabilidade de acidentes causados por
motoristas embriagados nos 10 prximos acidentes:
Pdf (*) Cdf (**)
0 0,0742 0,0742
1 0,2205 0,2947
2 0,2947 0,5893
3 0,2334 0,8227
4 0,1213 0,9440
5 0,0432 0,9873
6 0,0107 0,9980
7 0,0018 0,9998
8 0,0002 1,0000
9 0,0000 1,0000
10 0,0000 1,0000

(*) pdf - Probability Distribution Function (Funo de Distribuio de Probabilidade)
(**) Cdf - Cumulative Distribution Function ( Funo de Distribuio Cumulativa)
1- ache P(x=3) 23,34%
2- ache P(5 < x s 9) 1,27%
3- qual a mdia e a varincia da distribuio tabulada acima? =2,29, o =1,77


3- Existem 90% de probabilidade de que um certo tipo de componente se comporte de
forma adequada sob condies de elevadas temperatura. Se o dispositivo em questo tem
quatro de tais componentes, determinar, por meio da frmula de probabilidades binomiais a
probabilidade de cada um dos eventos.
a) Todos os componentes se comportam de forma adequada, por conseguinte, o
dispositivo funciona. 65,61%
b) O dispositivo no funciona por falhar um dos quatro componentes. 29,16%
c) O dispositivo no funciona por que falham um ou mais dos componentes. 34,39%

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

18

4-Suponha que 40% dos empregados horistas de uma grande empresa estejam a favor da
representao sindical e que se pea uma resposta annima a uma amostra aleatria de 10
empregados. Qual a probabilidade de estarem a favor da representao sindical:
a) a maior parte dos que responderam? 16,08%
b) Menos da metade dos que responderam? 63,92%

5- De 20 estudantes em uma classe, 15 no esto satisfeitos com o texto utilizado. Se uma
amostra aleatria de quatro alunos se perguntar sobre o texto, determinar a probabilidade de
que estivessem descontentes com o texto:
a) exatamente trs estudantes. 46,96%
b) No mnimo trs estudantes. 75,13%
6- Somente um de cada mil geradores montados em uma fbrica apresenta defeitos, sendo
que os geradores defeituosos se distribuem aleatoriamente ao longo da produo.
a) Qual a probabilidade de que um carregamento de 500 geradores no inclua gerador
defeituoso algum? 60,65%
b) Qual a probabilidade de um carregamento de 100 geradores contenha no mnimo
um gerador defeituosos? 9,52%

7- Suponha que a probabilidade de que um item produzido por uma mquina seja
defeituoso de 0,2. Se dez itens produzidos por essa mquina so selecionados ao
acaso, qual a probabilidade de que no mais do que um defeituoso seja encontrado?
Use a binomial e a distribuio de Poisson e compare os resultados. Pb = 37,58% e Pp =
40,6%
8- Num certo tipo de fabricao de fita magntica, ocorrem corte a uma taxa de um por
2000 ps. Qual a probabilidade de que um rolo com 2000 ps a fita magntica tenha:
a) nenhum corte? 36,79%
b) No mximo 2 cortes? 91,97%
c) Pelo menos dois cortes? 26,42%

9- Numa central telefnica, o nmero de chamadas chega segundo uma distribuio de
Poisson, com a mdia de 8 chamadas por minuto. Determinar a probabilidade de que
num minuto aleatoriamente escolhido se tenha.
a) trs ou mais chamadas 98,62%
b) menos do que 5 chamadas 9,96%
c) entre 7 (inclusive) e nove (exclusive) chamadas. 27,92%

10- Uma mquina, fabrica placas de papelo que podem apresentar nenhum defeito, um,
dois, trs ou quatro defeitos, com probabilidade 90%, 5%, 3%, 1% e 1%,
respectivamente. O preo de venda de uma placa perfeita 10 u.m. e medida que
apresente defeito, o preo cai 50% para cada defeito apresentado. Qual o preo mdio
de venda destas placas? E(x) = 9,34 u.m

11- Uma empresa distribuidora costuma falhar em suas entregas de mercadorias 15% das
vezes, por atraso na entrega, mercadoria fora de especificao danos, etc. causando
reclamaes por parte dos clientes. Calcule a probabilidade de:
a) no ocorrer reclamaes nas 10 entregas de hoje. R 19,69%
b) Acontecer pelo menos uma reclamao nas 4 primeiras entregas. R 47,80%
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

19

c) Acontecer no mximo uma reclamao nas 10 entregas. R 54,43%

12- Em um pedgio de determinada rodovia chegam em mdia 600 carros por hora.
Determine a probabilidade de :
a) chegarem exatamente 10 carros em um minuto R: 12,51%
b) chegarem menos que 5 caros em um minuto R:2,92%







II-DISTRIBUIES CONTNUAS DE PROBABILIDADE :
EXPONENCIAL E NORMAL

1 DISTRIBUIO DE PROBABILIDADE EXPONENCIAL

uma distribuio de Poisson, uma vez que o tempo ou espao so um
continuum(distribuio contnua).
Uma vez que o processo de Poisson estacionrio, a distribuio exponencial aplica-se
quer estejamos interessados com o tempo entre dois eventos sucessivos, ou quer no
tempo decorrido at acontecer o primeiro evento aps um ponto aleatoriamente
selecionado A probabilidade exponencial de que o primeiro evento ocorrer dentro do
intervalo especificado de tempo ou espao :

P(T s t) = 1 e
-


A probabilidade exponencial de que o primeiro evento no ocorrer dentro do intervalo
especificado de tempo ou espao :

P(T > t) = e
-

PARMETROS DA DISTRIBUIO EXPONENCIAL
E(t) = 1/

V(T) = 1/

EXEMPLOS

1- Um departamento de conserto de mquinas recebe em mdia, 5 chamadas por hora.
Iniciando em um ponto do tempo aleatoriamente escolhido, qual a probabilidade de que
a primeira chamada chegue dentro de meia hora?
Soluo
/hora = 5 = 2,5
Logo P((T s ) = 1 e
-
= 1 e
-2,5
+ 1 0,0821 = 0,9179 = 91,79%
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

20


2- Em mdia, um navio atraca um certo porto a cada 2 dias. Qual a probabilidade de
que, a partir da partida de um navio, se passem 4 dias antes da chegada do prximo
navio?
Soluo
Mdia a cada 2 dias = 1
= mdia p perodo de 4 dias = 1.2 = 2
Logo P(T > 4 ) = e
-
= e
-2
= 0,1353 = 13,53%



EXERCCIO

Em mdia seis pessoas por hora se utilizam de um caixa-automtico de um banco em uma
grande loja de departamentos.
a) Qual a probabilidade de que se passem pelo menos 10 minutos entre a chegada de
dois clientes? R. 0,3678
b) Qual a probabilidade de que, depois da sada de um cliente, no se apresente outro
em pelo menos 20 minutos R.0,1353
c) Qual a probabilidade de que chegue um segundo cliente dentro de 1 minuto aps a
chegado do primeiro R0,0952






2-DISTRIBUIO NORMAL

A distribuio normal de probabilidade uma distribuio de probabilidade
contnua que simtrica ( X = Me = Mo) e mesocrtica K = Q
3
- Q
1
= 0,263
2(P
90
- P
10
)

A curva que representa a distribuio normal de probabilidade freqentemente
descrita como tendo uma forma de sino, como segue o exemplo.

F(X)







X = Me = Mo X

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

21

A distribuio de probabilidade normal importante na inferncia estatstica por trs razes
distintas.
1- As medidas produzidas em diversos processos aleatrios seguem esta distribuio
2- Probabilidades normais podem ser usadas freqentemente como aproximaes de
outras distribuies de probabilidades, tais como as distribuies Binomiais e de
Poisson.
3- As distribuies de estatsticas da amostra tais como a Mdia e a Proporo
freqentemente seguem a distribuio normal independentemente da distribuio da
populao.
Como para qualquer distribuio contnua de probabilidade, o valor da probabilidade
pode somente ser determinado para um intervalo de valores da varivel. A altura da funo
densidade, ou curva de probabilidade, para uma varivel normalmente distribuida dada
por:
-1/2( x - )
2

f(x) = l .e o

\2t . o

onde: t = 3,14159...
e = 2,7183.....
: a mdia da distribuio
o: o desvio padro da distribuio

Em particular, a distribuio normal de probabilidade com = 0 e o = 1
conhecida como distribuio normal padronizada(reduzida), na qual as tabelas de
probabilidades da normal so construdas.
Qualquer conjunto de valores de X normalmente distribudos pode ser convertido
em valores normais padronizados Z pelo uso da frmula.

Z = x -
o
Logo

-1/2.z
2
-z
2
/2
f(x) = 1 .e = 1 . e (-oo, + oo)
\2t .o \2t .o










MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

22


f(z)









-3 -2 -1 0 1 2 3 z

o
Parmetros da distribuio N(, o)

E(x) = = 0
V(x) = o
2
= 1 N ( 0 , 1)

Exemplos

1- As alturas dos alunos de uma determinada escola so normalmente distribudas com
mdia de 1,60 m e desvio padro 0,30 m. Encontre a probabilidade de um aluno aleatrio
medir:
a) entre 1,50m e 1,80m









b) mais de 1,75 m






c) menos de 1, 48m




MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

23






d) qual deve ser a medida mnima para escolher 10% dos mais altos?






e) abaixo de qual estatura esto os 20% mais baixos?







2- Sabe-se que a vida til de um componente eltrico segue uma distribuio normal
com mdia = 2000 horas e desvio padro o = 200 horas, determine.
a) a probabilidade de que um componente aleatoriamente selecionado dure entre 2000
e 2400 horas 47,72%
b) a probabilidade de que um componente aleatoriamente selecionado dure mais do
que 2200 horas. 15,87%
c) a probabilidade de que um componente aleatoriamente selecionado dure entre 1500
e 2100 horas. 68,53%
d) A probabilidade de que um componente aleatoriamente selecionado dure entre 2100
e 2500 horas. 30,23%







2- APROXIMAO PELA NORMAL DAS PROBABILIDADES BINOMIAIS

Quando o nmero de observaes ou tentativas forem relativamente grande, a
distribuio de probabilidade normal pode ser utilizada para a aproximaes das
probabilidades binomiais.

Regra aceitvel n > 30
"regra de bolso" n.p > 5
n.(1 - p) > 5
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

24


Para uso da distribuio normal de probabilidade como uma aproximao da
distribuio de probabilidade binomial, a mdia e o desvio padro se baseiam no valor
esperado e na varincia do nmero de sucessos de uma distribuio binomial, ou seja:

E(x) = = n.p

o = n.p.(1 - p)

Aplicaes

1- Para um grande nmero de clientes potenciais, sabe-se que 20% dos contactados
pessoalmente por agentes de vendas realizaro uma compra. Se um representante de
vendas visita 30 clientes potenciais, podemos determinar a probabilidade de que 10 ou
mais faro uma compra.
a) utilizando as probabilidades binomiais.
b) Utilizando a aproximao normal do valor de probabilidade binomial.

Soluo
a) P(x > 10) = ..... 6,11%












b) = n.p = 30.2/10 = 6

o = n,p.(1-p) = 30.0,2.0,8 = 2,19

P
binomial
(x > 10) = P
bin
.( x > 9,5 / = 6, o = 2,19) = . = 5,48%






Obs. Supe-se que a classe de eventos "10 ou mais comea em 9,5 quando se utiliza
a aproximao normal. Esta subtrao de meia unidade chamada correo de
continuidade e necessria porque embora no existem eventos possveis no intervalo
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

25

entre 9 e 10 sucessos, a rea sob a curva normal deve ser distribuda entre duas classes
adjacentes. Se no exemplo, fosse pedida a probabilidade de "mais de 10" sucessos, a
correo apropriada de continuidade implicaria adicionar 0,5 a 10 e determinar a rea do
intervalo comeando em 10,5.
A correo de continuidade tem um efeito muito pequeno e pode, portanto, ser
omitida quando existir um grande nmero de valores da vivel X.

Portanto P
bin
(x > 10) = P(x > 9,5) = ....

2- Uma moeda lanada 12 vezes. Determinar a probabilidade de que o nmero de coroas
ocorra entre 4 e 7 inclusive o 4 e o 7.
a) pela distribuio binomial
b) pela distribuio normal





3- APROXIMAO PELA NORMAL DAS PROBABILIDADES DE POISSON

Quando a mdia de uma distribuio de Poisson for relativamente grande a
distribuio normal de probabilidade pode ser usada como uma aproximao das
probabilidades de Poisson. Uma regra conveniente que tal aproximao aceitvel
quando > 10.
A mdia e o desvio padro da distribuio normal de probabilidade, n o caso,
baseiam-se no valor esperado e na varincia do nmero de sucessos em uma processo de
Poisson, ou seja:

=
o = \

Aplicao

Um departamento de conserto de mquinas recebe em mdia, 10 chamadas em cada
perodo de 8 horas. Podemos determinar a probabilidade de que mais de 15 chamadas
sero recebidas em um perodo de 8 horas aleatoriamente escolhido.
a) pela distribuio de Poisson
b) pela distribuio normal








MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

26

4- Mtodos de Amostragem e Distribuies Amostrais

OBJETIVOS DO CAPTULO:

- Explicar porque em muitas situaes uma amostra a nica forma plausvel de
aprender alguma coisa sobre uma populao.
- Explicar os mtodos de selecionar uma amostra
- Distinguir entre amostragem probabilstica e amostragem no probabilstica
- Definir e construir uma distribuio amostral de mdias amostrais
- Explicar o Teorema do Limite Central e sua importncia para a Inferncia Estatstica
- Calcular Intervalos de Confiana para Mdias e Propores
- Determinar que tamanho uma amostra deve ter para estimar mdias e propores

Porque amostrar uma populao

- Natureza destrutiva de certos testes
- A impossibilidade fsica de checar todos os itens na populao
- O custo de estudar todos os itens em uma populao freqentemente proibitivo
- Muitas vezes as estimativas baseadas em uma amostra so mais precisas do que os
resultados obtidos atravs de um levantamento censitrio
- Tempo muito elevado para a apurao de resultados em censos

6.1 Amostragem Probabilstica

- O que uma amostragem probabilstica ?
- uma amostra selecionada de tal forma que cada item ou pessoa na populao estudada
tm uma probabilidade (no nula) conhecida de ser includa na amostra.

Mtodos de Amostragem Probabilstica:

- Amostragem Aleatria Simples (AAS)
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

27

Uma amostra escolhida de tal forma que cada item ou pessoa na populao tem a mesma
probabilidade de ser includa.
Se a populao tem um tamanho N, cada pessoa desta populao tem a mesma
probabilidade igual a 1/N de entrar na amostra. Utilizamos uma tabela de nmeros
aleatrios para sortear (com mesma probabilidade) os elementos da amostra. Tambm pode
ser utilizada uma funo randmica: No Excel, por exemplo, temos a funo ALEATRIO
ENTER.
- Amostragem Aleatria Sistemtica
Os itens ou indivduos da populao so ordenados de alguma forma alfabeticamente ou
atravs de algum outro mtodo. Um ponto de partida aleatrio sorteado, e ento cada k-
simo membro da populao selecionado para a amostra.

- Amostragem Aleatria Estratificada
A populao inicialmente dividida em subgrupos (estratos) e uma subamostra
selecionada a partir de cada estrato da populao.

- Amostragem aleatria Estratificada com Repartio Proporcional
Suponhamos que a populao subdividida em k estratos. Sejam:

N = o nmero de indivduos na populao
n = o nmero de indivduos na amostra
N
i
= o nmero de indivduos contidos no i-simo estrato da populao
n
i
= o nmero de indivduos contidos no i-simo estrato na amostra

k 1,2,...., i = =
N
N
n n
i
i

os estratos devem ser o mais homogneos possveis com relao s caractersticas
relevantes da pesquisa (variveis que se correlacionam fortemente com a varivel estudada)
para um mesmo tamanho amostral, a amostragem aleatria estratificada com repartio
proporcional mais precisa (menor varincia do estimador) do que a amostragem aleatria
simples (AAS).

- Amostragem Aleatria Estratificada com Repartio de Neyman (ou repartio
tima)

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

28

Se conhecermos a varincia de cada estrato populacional referente a varivel que estamos
desejando estimar o seu parmetro, um mtodo mais adequado o da repartio de
Neyman.


= =
= =
k
i
i i
i i
k
i
i i
i i
N
N
n
W
w
n n
i
1 1
o
o
o
o

para um mesmo tamanho amostral a preciso maior para amostra aleatria estratificada
com repartio de Neyman (repartio tima) do que para a amostra aleatria estratificada
com repartio proporcional que por sua vez maior do que a amostra aleatria simples


- Amostragem por Conglomerados

A populao inicialmente subdividida inicialmente em subgrupos (estratos) e uma
amostra de estratos selecionada (por exemplo, com probabilidade proporcional ao
tamanho de cada estrato). A seguir, amostras so selecionadas dos estratos selecionados
previamente.
A principal vantagem da amostra por conglomerados a de possibilitar considervel
reduo de custos (em relao por exemplo a uma amostragem aleatria estratificada) para
um mesmo tamanho amostral.
O mtodo costuma ser empregado quando no dispomos de um cadastro da populao
(como no caso da amostragem sistemtica) e os custos de ser elaborado um cadastro para
toda a populao muito elevado.

- Erro amostral: A diferena entre a estatstica amostral e seu correspondente parmetro.

- Uma distribuio de probabilidade consiste de uma lista de todos os possveis valores
das mdias amostrais de um dado tamanho amostral constante selecionado da
populao e a probabilidade de ocorrncia associada a cada mdia amostral.

- Exemplo 1 Uma empresa tem 5 scios. Semanalmente, os scios relatam o nmero
de horas de atendimento a clientes
Scio Horas
1 22
2 26
3 30
4 26
5 22


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

29

- Dois scios so selecionados aleatoriamente. Quantas amostras distintas so possveis?
- O nmero de amostras distintas de dois elementos tomados em 5 objetos corresponde a:

10
) ! 3 )( ! 2 (
! 5
2 5
= = C


Scios Total Mdia
1,2 48 24
1,3 52 26
1,4 48 24
1,5 44 22
2,3 56 28
2,4 52 26
2,5 48 24
3,4 56 28
3,5 52 26
4,5 48 24

- Organize as mdias amostrais em uma distribuio de freqncias.

Mdia
Amostral
freqncia Freqncia Relativa
(Probabilidade)
22 1 1/10
24 4 4/10
26 3 3/10
28 2 2/10

- Calcule a mdia das mdias amostrais e compare-a com a mdia da populao.

- A mdia da populao :
2 , 25
5
22 26 30 26 22
=
+ + + +
=

- A mdia das mdias amostrais :

2 , 25
10
) 2 )( 28 ( ) 3 )( 26 ( ) 4 )( 24 ( ) 1 )( 22 (
=
+ + +


- Observe que a mdia das mdias amostrais igual a mdia populacional




MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

30

6.2 Teorema do Limite Central

- Para uma populao com mdia e uma varincia
2
o , a distribuio amostral das
mdias de todas as possveis amostras de tamanho n, geradas a partir da populao, ser
aproximadamente normalmente distribuda com a mdia da distribuio amostral
igual e varincia igual n /
2
o - assumindo que o tamanho amostral
suficientemente grande, ou seja, 30 > n .

- Em outras palavras, se a populao tem qualquer distribuio (no precisa ser
necessariamente normal) com mdia igual a e varincia igual a
2
o , ento a
distribuio amostral dos valores mdios amostrais normalmente distribuda com a
mdia das mdias ( X

) igual a mdia da populao (


X

) e o erro
padro das mdias amostrais igual a
n
o
, desde que n 30 > .

- Note que o erro padro das mdias amostrais mostra quo prximo da mdia da
populao a mdia amostral tende a ser.

- O erro padro das mdias amostrais calculado por:

n
X
X
o
o =

X
o o smbolo para o erro padro das mdias amostrais
X
o o desvio padro da populao
n o tamanho da amostra

Se o no conhecido e n > 30 (considerada uma amostra grande), o desvio padro da
amostra, designado por s, usado para aproximar o desvio padro da populao, o . A
frmula para o erro padro torna-se:

n
s
s
X
=
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

31

onde
1
) (
1
2

=

=
n
X X
s
n
i
i


6.3 Estimativa de Ponto

- Estimativa de ponto um valor (chamado um ponto) que usado para estimar um
parmetro populacional
- Exemplos de estimativas de ponto so a mdia amostral, o desvio padro amostral, a
varincia amostral, a proporo populacional, etc.

Exemplo: O nmero de itens defeituosos produzidos por uma mquina foi registrado em
cinco horas selecionadas aleatoriamente durante uma semana de trabalho de 40 horas. O
nmero observado de defeituosos foi 12,4,7,14 e 10. Portanto, a mdia amostral 9,4.
Assim a estimativa de ponto para a mdia semanal do nmero de defeituosos 9,4.

6.4 Estimativa de Intervalo

- Uma Estimativa de Intervalo estabelece uma faixa de valores dentro da qual um
parmetro populacional provavelmente cai.
- O intervalo dentro do qual um parmetro populacional esperado ocorrer chamado de
intervalo de confiana.
- Os intervalos de confiana que so extensivamente usados so os de 95 % e 99 %.
- Um intervalo de confiana de 95 % significa que cerca de 95 % dos intervalos
construdos similarmente contero o parmetro que est sendo estimado.
- Outra interpretao do intervalo de confiana de 95 % que 95 % das mdias amostrais
para um tamanho de amostra especificado cairo a uma distncia mxima de 1,96
desvios padres da mdia populacional.
- Para o intervalo de confiana de 99 %, 99 % das mdias amostrais para um tamanho
amostral especificado cairo a uma distncia mxima de 2,58 desvios padres da mdia
populacional.

Os intervalos de confiana para 95 % e 99 % so construdos como segue, para n > 30:
- O IC de 95 % para a mdia populacional dado por:

n
s
X 96 , 1

- O IC de 99 % para a mdia populacional dado por:

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

32

n
s
X 58 , 2
- Em geral, um intervalo de confiana para a mdia, calculado por:
n
s
Z X
onde Z obtido da tabela de distribuio normal padro.

Exemplo 2

Uma universidade quer estimar o nmero mdio de horas trabalhadas por semana por seus
estudantes. Uma amostra de 49 estudantes mostrou uma mdia de 24 horas com um desvio
padro de 4 horas.

A estimativa de ponto do nmero mdio de horas trabalhadas por semana 24 horas (mdia
amostral).

Qual o intervalo de confiana de 95 % para o nmero mdio de horas trabalhadas por
semana ?
Usando a frmula anterior (
n
s
X 96 , 1 ) temos
49
4
96 , 1 24 ou 22,88 a
25,12. O limite de confiana inferior 22,88. O limite superior de confiana 25,12. O
grau de confiana (nvel de confiana) utilizado 0,95.

Interprete os resultados

- Se ns tivssemos tempo para selecionar aleatoriamente 100 amostras de tamanho 49 da
populao de alunos do campus e calcular as mdias amostrais e os intervalos de
confiana para cada uma destas 100 amostras, a mdia populacional (parmetro) do
nmero de horas trabalhadas estaria contida em cerca de 95 dos 100 intervalos de
confiana. Cerca de 5 dos 100 intervalos de confiana no conteriam a mdia
populacional.



6.5 Intervalo de Confiana para Uma Proporo Populacional

Um intervalo de confiana para uma proporo populacional dado por:

p
Z o p

onde:
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

33


p a proporo amostral
p
o o erro padro da proporo amostral e dado por:

n
p p
p
) 1 (
= o

O intervalo de confiana construdo por:
n
p p
p
) 1 (
Z


onde:

p a proporo amostral
Z o valor da varivel normal padro para o grau de confiana adotado.
n o tamanho amostral

Exemplo 3

Um planejador financeiro est estudando os planos de mudana de jovens executivos. Uma
amostra de 500 jovens executivos que possuem suas prprias casas revelou que 175
planejam vend-las e retirarem-se para o interior do Pas. Construa um intervalo de
confiana de 98 % para o parmetro proporo populacional de executivos que planejam
mudar para o interior.

- Aqui n = 500, 35 , 0
500
175
= = p
e Z = 2,33 (para adotado confiana de nvel 98 , 0 = o )

- O CI de 98 % 0,0497 0,35 ou
500
) 65 , 0 ( ) 35 , 0 (
33 , 2 35 , 0



Interprete a resposta

6.6 Fator de Correo de Populao Finita

- Uma populao que tem um limite superior definido chamada de finita. Em
estatstica, considera-se como populao finita quando 05 , 0 >
N
n
(ou seja, quando a
frao amostral maior do que 5 %).
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

34

- Para uma populao finita, onde o nmero total de objetos N e o tamanho da amostra
n, o seguinte ajuste feito para os erros padres da mdia amostral e da proporo
amostral.

- Erro padro da mdia amostral:
1

=
N
n N
n
X
o
o
- Erro padro da proporo amostral:
1
) 1 (


=
N
n N
n
p p
p
o


- Este ajuste chamado de Fator de Correo de Populao Finita (FCPF)

Nota: se 05 , 0 s
N
n
, o fator de correo de populao finita ignorado.

Exemplo 4

A universidade do exemplo 2 quer estimar o nmero mdio de horas trabalhadas por
semana pelos estudantes. Uma amostra de 49 estudantes mostrou uma mdia de 24 horas e
um desvio padro de 4 horas. Construa um intervalo de confiana para o nmero mdio de
horas trabalhadas se h somente 500 estudantes no campus.

- Agora 05 , 0 098 , 0
500
49
> = =
N
n
. Portanto, temos que usar o FCPF
- | | 25,11 ; 93 , 22
1 500
49 500
49
4
96 , 1 24 =



6.7 Selecionando uma Amostra

- H 3 fatores que determinam o tamanho de uma amostra, nenhum dos quais tendo uma
relao direta com o tamanho da populao. Eles so:
1. O grau de confiana adotado
2. O mximo erro permissvel
3. A variabilidade da populao

Uma frmula de clculo conveniente para determinar o tamanho amostral n :

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

35

2
|
.
|

\
|
=
E
Zs
n

onde:

E o erro permissvel

Z o valor da varivel normal padro associado ao grau de confiana adotado

s o desvio padro da amostra piloto

Exemplo 5

Um grupo de consumidores deseja estimar a mdia de gasto mensal em eletricidade para
um domiclio familiar simples em Julho. Baseado em estudos similares o desvio padro
estimado como sendo R$ 20,00. Deseja-se construir um intervalo de confiana de 99 %
com um erro mximo admissvel de 00 , 5 $ R . Qual deve ser o tamanho da amostra?

( ) ( )
107 50 , 106
5
20 58 , 2
2
~ =
|
.
|

\
|

= n




6.8 Tamanho Amostral para Estimativa de Propores

A frmula para determinar o tamanho amostral no caso de estimativa de propores :

2
) 1 (
|
.
|

\
|
=
E
Z
p p n onde

p a proporo estimada, baseada na experincia passada ou em uma amostra piloto

Z o valor da varivel normal padro associado ao grau de confiana adotado.

E o mximo erro permissvel que o pesquisador tolera.

Exemplo 6

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

36

- Um clube deseja estimar a proporo de crianas que tem um cachorro. Se o clube
deseja que a estimativa esteja no mximo afastada 3 % da proporo populacional,
quantas crianas devem conter a amostra? Assuma um intervalo de confiana de 95 %
e que o clube estimou, com base em experincia anterior, que aproximadamente 30 %
das crianas tm um cachorro.

( )( ) 893 4 , 893
03 , 0
96 , 1
70 , 0 30 , 0
2
~ =
|
.
|

\
|
= n




7. Teste de Hipteses Amostras Grandes


OBJETIVOS:

- Definir hipteses e Testes de Hipteses
- Descrever os 5 passos do procedimento de Teste de Hipteses
- Distinguir entre Teste de Hipteses Unicaudal e Bicaudal
- Realizar um teste para a mdia populacional
- Realizar um teste para a diferena entre duas mdias ou propores populacionais
- Descrever os erros estatsticos associados aos testes de hipteses

Nota:

- Se nada conhecido acerca da populao, a estimao usada para fornecer uma
estimativa de ponto e de intervalo acerca da populao.
- Se alguma informao acerca da populao proposta ou suspeitada, o Teste de
Hipteses usado para determinar a plausibilidade desta informao.


O que uma hiptese ?

- Hiptese: uma sentena sobre o valor de um parmetro populacional desenvolvida para
o propsito de teste.
- Exemplos de hipteses, ou sentenas, feitas acerca de um parmetro populacional so:
- A renda mdia mensal proveniente de todas as fontes para os analistas de sistemas de
US 3625
- Vinte por cento de todos os transgressores juvenis so presos e sentenciados a priso.

O que um Teste de Hipteses ?

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

37

- Teste de Hipteses: um procedimento, baseado na evidncia amostral e na teoria da
probabilidade, usado para determinar se a hiptese uma afirmao razovel e no seria
rejeitada, ou no razovel e seria rejeitada.
- A seguir so propostos 5 passos para um teste de hipteses:


Passo 1: Estabelea a Hiptese Nula e a Hiptese Alternativa

Passo 2: Selecione um nvel de significncia

Passo 3: Identifique a Estatstica de teste

Passo 4: Formule uma regra de deciso

Passo 5: Tome uma amostra e obtenha uma deciso: No rejeitar H
0
ou rejeitar H
0
e
aceitar H
1



- Hiptese Nula H
0
: Uma afirmao (sentena) sobre o valor de um parmetro
populacional

- Hiptese Alternativa H
1
: Uma afirmao (sentena) que aceita se os dados amostrais
fornecem evidncia de que a hiptese nula falsa.

- Nvel de Significncia: A probabilidade de rejeitar a hiptese nula quando ela
efetivamente verdadeira, ou seja, valor de o (alfa)


- Erro Tipo I: Rejeitar a Hiptese Nula, H
0
, quando ela efetivamente verdadeira. A
probabilidade do erro tipo I igual ao nvel de significncia, o (alfa).


- Erro Tipo II: Aceitar a Hiptese Nula, H
0
, quando efetivamente falsa. A
probabilidade do erro tipo II igual a | (beta)




Tipos de Erros


Aceita H
0
Rejeita H
0

H
0
verdadeira Deciso Correta Erro Tipo I
H
0
falsa Erro Tipo II Deciso Correta

Alfa = erro tipo I Beta = erro tipo II
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

38



Estatstica de Teste (ou z efetivo ou valor de t): Um valor, determinado a partir da
informao amostral, usado para determinar se devemos ou no rejeitar a hiptese nula.

- Valor Crtico (ou z crtico ou valor de t): O ponto divisor entre a regio onde a hiptese
nula rejeitada e a regio onde ela no rejeitada. Este valor obtido a partir da
tabela de z (normal padro) ou da tabela de t (t de Student).

7.1 Testes de Significncia Unicaudais

- Um teste unicaudal quando a hiptese alternativa, H
1
, estabelece uma direo tal
como:

- H
0
: A renda mdia das mulheres menor que ou igual a renda mdia dos homens.

- H
1
: A renda mdia das mulheres maior que a renda mdia dos homens.

- A regio de rejeio neste caso a cauda direita (superior) da curva.

Figura com distribuio normal mostrando a regio de rejeio para um teste unicaudal


7.2 Testes de Significncia Bicaudais

- Um teste bicaudal quando no existe uma direo especificada para a hiptese
alternativa H
1
, tal com:

- H
0
: A renda mdia das mulheres igual a renda mdia dos homens.

- H
1
: A renda mdia das mulheres no igual a renda mdia dos homens.

- A regio de rejeio neste caso dividida igualmente em duas caudas da curva.

Figura com distribuio normal mostrando a regio de rejeio para um teste bicaudal

(distribuio amostral para a estatstica z para um teste bicaudal, 0.05 de nvel de
significncia.
Testando a Mdia Populacional: Amostra Grande, Desvio Padro da Populao
conhecido.

- Neste caso a estatstica de teste (z efetivo) dado por:


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

39

n
X
z
o

=




Exemplo 1

- Os processadores de uma indstria indicam o ponto (marca) que a garrafa contem 16
onas (medida inglesa de peso) do produto. O Departamento de Controle de Qualidade
responsvel pelo controle da quantidade includa na garrafa. Uma amostra de 36
garrafas selecionada por hora e o seu contedo pesado. Na ltima hora uma amostra
de 36 garrafas apresentou um peso mdio de 16,12 onas com um desvio padro de 0,5
onas.

- Ao nvel de significncia de 0,05 podemos concluir que o processo est fora de
controle?


Passo 1: Estabelecer a Hiptese Nula e a Hiptese Alternativa:

16 : H 16 :
1 0
= = H


Passo 2: Estabelecer a regra de deciso:

H
0
rejeitado se o z (efetivo calculado com base nos valores amostrais) < -1,96 ou z >
1,96.

Passo 3: calcule o valor da estatstica de teste ( z efetivo)



44 , 1
]
36
5 , 0
[
] 16 12 , 16 [
=

= z


Passo 4: Qual a deciso sobre H
0
?

H
0
no rejeitada, porque 1,44 menor que o valor crtico de 1,96.


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

40

7.3 P-value de um Teste de Hiptese

- P-value: Esta a probabilidade (considerando que a hiptese nula verdadeira) de ter
um valor para a estatstica de teste no mnimo to extremo como o valor calculado
(efetivo) para o teste.

- Se o p-value menor que o nvel de significncia (alfa), H
0
rejeitada.

- Se o p-value maior que o nvel de siginificncia (alfa), H
0
no rejeitada.



7.4 Clculo do P-value

- Teste Unicaudal (para a direita ou cauda superior):

p-value = P{z > valor da estatstica de teste calculada}

- Teste Unicaudal (para a esquerda ou cauda inferior):

p-value = P{z s valor da estatstica de teste calculada}


- Teste Estatstico Bicaudal

p-value = 2P{z > valor absoluto do valor da estatstica de teste calculado}

Para o exemplo anterior, z = 1,44, e desde que era um teste bicaudal, ento o

p-value = 1498 , 0 ) 4251 , 0 5 , 0 ( 2 } 44 , 1 { 2 = = > z P . Desde que 0,1498 > 0,05, no
rejeitada H
0
.


Testando para a Mdia Populacional: Grandes Amostras, Desvio Padro Populacional
desconhecido

- Aqui o desconhecido, portanto o estimamos com o desvio padro amostral s.

- Quanto maior for o tamanho amostral for n > 30, o z efetivo pode ser aproximado com
n
s
X
z

=


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

41


Exemplo 2


- A cadeia de Lojas Arjo emite o seu prprio carto de crdito. O administrador de
crdito quer verificar se o saldo no pago mensal maior do que US$ 400. O nvel de
significncia fixado em 0,05. Uma amostra aleatria de 172 saldos no pagos revelou
uma mdia amostral de US$ 407 e o desvio padro amostral de US$ 38. O admistrador
de crdito pode concluir que a mdia populacional maior que US$ 400, ou razovel
assumir que a diferena de US$ 7 (US$ 407 US$ 400 devido a chance (variao
aleatria)?

- Etapa 1: Estabelea a Hiptese Nula e a Hiptese Alternativa.

0 1
: 400 H : 400 H s >

- Etapa 2: Estabelea a regra de deciso.

H
0
rejeitada se o z (efetivo) > 1,645.

- Etapa 3: Calcule o valor da estatstica de teste.

42 , 2
172
38
400 407
=

= z

- Etapa 4: Qual a deciso sobre H
0
?

H
0
rejeitada. O administrador conclui que a mdia dos saldos no pagos maior do que
US$ 400.


Figura ilustrando a regio de rejeio do exemplo



7.5 Teste de Hipteses: Duas Mdias Populacionais

- Assuma que os parmetros para duas populaes so:
2 1 2 1
e , , o o
.


- Caso I: Quando
2 1
,o o
so conhecidos, a estatstica de teste (Z efetivo) :


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

42

2
2
2
1
2
1
2 1
n n
X X
z
o o
+

=


- Caso II: Quando
2 1
,o o
no so conhecidos mas os tamanhos amostrais n
1
e n
2
so
maiores ou iguais a 30, a estatstica de teste (Z efetivo) :


2
2
2
1
2
1
2 1
n
s
n
s
X X
z
+

=



Exemplo 3

- Na indstria X foi realizado um estudo para comparar o nmero mdio de anos de
servio para aqueles que se aposentaram em 1975 com aqueles que se aposentaram no
ltimo ano. Os seguintes dados amostrais foram obtidos. A um nvel de significncia de
0,01 podemos concluir que os trabalhadores que se aposentaram no ltimo ano tiveram
mais anos de servio?

Caracterstica 1975 ltimo ano
Mdia Amostral 25,6 30,4
Desvio Padro Amostral 2,9 3,6
Tamanho amostral 40 4,5



- Estabelea a Hiptese Nula e a Hiptese Alternativa

Considere que a populao 2 aquela dos que se aposentaram no ltimo ano.
1 2 1 1 2 0
: H : > s H


- Estabelea a regra de deciso

Rejeitar H
0
se o z (efetivo) > 2,33.

- Calcule o valor da estatstica de teste (valor de z efetivo):
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

43


80 , 6
40
9 . 2
45
6 , 3
6 , 25 4 , 30
2 2
=
+

= z


- Nota: Desde que neste problema estamos testando para:

- H
0
:

1 2
s


Precisamos trocar as posies das variveis na equao do z efetivo (a seguinte equao).


2
2
2
1
2
1
2 1
n
s
n
s
X X
z
+

=



Z efetivo


- Qual a deciso sobre a hiptese nula ? Interprete os resultados?

Desde que o Z efetivo = 6,80 > Z crtico = 2,33, H
0
rejeitada. Aqueles que se aposentaram
no ltimo ano tiveram mais anos de servio.









LISTA DE EXERCCIOS- ESTATSTICA II:
ASSUNTO: INTERVALO DE CONFIANA E TESTE DE HIPTES.

1-Uma amostra aleatria simples de 40 itens resultou em uma mdia amostral de 25. O
desvio-padro da populao o = 5
a) Qual o erro-padro da mdia, o
x ?
R. 0,79

b- Qual a margem de erro para uma probabilidade de 95%? R. 23,45 a 26,55

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

44

2-Uma amostra aleatria simples de 50 itens resultou em uma mdia amostral de 32 e um
desvio-padro da amostra de 6.
a)Fornea um intervalo de confiana de 90% para a mdia da populao. R.30,60 a 33,40
b)Fornea um intervalo de confiana de 95% para a mdia da populao. R.30,34 a 33,66
c)Fornea um intervalo de confiana de 99% para a mdia da populao. R.29,81, a 34,19

3-Os ganhos mdios semanais dos indivduos que trabalham em vrios setores foram
apresentados no The New York Times 1998 Amanac. Os ganhos mdios semanais para os
indivduos do setor de servios foram US$369. Considere que esse resultado foi baseado
em uma amostra de servio de 250 indivduos e que o desvio-padro da amostra foi de
US$50. Calcule um intervalo de confiana de 95% para os ganhos mdios semanais da
populao para os indivduos que trabalham no setor de servios. R. 362,80 a 375,20

4 Em um estudo de subsdios de emprstimos para estudantes, o Departamento de
Educao relatou que aqueles que tomam emprstimos da Stanford Oan com quatro anos de
prazo, tero uma dvida mdia de US$12.168 (USA Today, 5 abril de 1995). Considere que
essa quantia mdia de endividamento est baseada em uma amostra de 480 emprstimos de
estudantes, e que na graduao o desvio-padro da populao para a quantia emprestada
seja de US$2.200.
a) desenvolva uma estimativa por intervalo de confiana de 90% da quantia mdia devida
pela populao R.12.003 a 12.333
b) Desenvolva uma estimativa por intervalo de confiana de 95%. da quantia mdia devida
pela populao R.11.971 a 12.365
c) Desenvolva uma estimativa por intervalo de confiana de 99% da quantia mdia devida
pela populao- R.11.909 a 12.427
d) Discuta o que acontece com a amplitude do intervalo de confiana quando o nvel de
confiana aumentado. Isso parece ser razovel? Explique

5 - O departamento de Habitao e de Desenvolvimento Urbano dos Estados Unidos
publica dados sobre o aluguel mensal de mercado para moradia de uma quarto na rea
metropolitana(The Federal Register, 30 de abril de 1997). O desvio-padro para o aluguel
mensal de aproximadamente US$80. Considere que uma amostra das reas
metropolitanas ser selecionada de modo a se estimar o aluguel mdio mensal da populao
para a moradia de um quarto. Use uma confiana de 95%
a) Qual o tamanho da amostra se a margem de erro desejada US$25? R. 40
b) Qual o tamanho da amostra se a margem de erro desejada US$15? R.110

6 - Os dados de perfil de audincia coletadas no Web site da ESPN Sportszone mostraram
que 26% dos usurios eram mulheres (USA Today, 21 de janeiro de 1998). Considere que
essa porcentagem foi baseada numa amostra de 400 usurios.
a) Usando uma confiana de 95%, qual a margem de erro associada com a proporo
estimada de usurios que so mulheres? R. 0,0430
b) Qual o intervalo de confiana de 95% para a proporo da populao dos usurios do
web site da ESPN Sportszone que so mulheres? R. 0,2170 a 0,3030

7- Um levantamento de mulheres executivas realizado por Louis Harris & Associates
mostrou que 33% das pessoas pesquisadas avaliaram suas prprias empresas como um
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

45

exelente lugar para as executivas trabalharem (Wolrking Woman; novembro de 1994),
Suponha que a Wolking Woman queria realizar um levantamento anual para monitorar essa
proporo, quantas executivas devero ser amostradas para cada uma das seguintes
margens de erro? Assuma que todas as estimativas por intervalo so realizadas em um nvel
de confiana de 95%.
a) 10% R. 85
b) 5% R. 340
c) 2% R. 2124
d) 1% R 8494
e) Em geral, o que acontece ao tamanho da amostra quando a margem de erro diminui?

8- De acordo com a National Automobile Dealers Association, o preo mdio de carros
usados nos Estados Unidos US$10.192 (USA Today, 12 de abril de 1995). Um gerente de
uma distribuidora de carros usados de Kansas City reviu uma amostra de 100 recentes
vendas de carros usados na distribuidora. O preo mdio da amostra foi de US$9.300 e o
desvio-padro da amostra foi de US$4.500. Se denota o preo mdio da populao para
carros usados na distribuidora de Kansas City, faa um teste de hiptese Ho: > 10.192 e
Ha: <10.192 com uma significncia de 0,05
a) Qual a concluso do teste de hipteses? R.Ho rejeitado para Z<1,65 (Z=1,98,
portanto Ho rejeitado).
b) Qual o valor do p-value? R. P= 0,0239
c) Que informao do teste de hipteses fornece para o gerente da distribuidora de Kansas
City?

9 - O departamento da Anlise Econmicas no Departamento de Comrcio dos Estados
Unidos relatou que a renda mdia anual de um residente da Corolina do Norte de
US$18.688 (USA Today, 24 de agosto de 1995). Um pesquisador do estado da Carolina do
Sul quer testar Ho: = 18.688 e Ha: = 18.688, onde a mdia anual de um residente da
Carolina do Norte.
a) Qual a concluso apropriada se uma amostra de 400 residentes da Carolina do Sul
apresenta uma renda mdia anual de US$16.860 e um desvio-padro da amostra de
US$14.624 ao nvel de significncia de 5% (0,05)?
b) Qual o valor do p-value para este teste?

10_ Uma empresa paga atualmente a seus operrios um salrio mdio de R$15,00 a hora. A
empresa est planejando construir uma nova fbrica e est considerando diversos locais. A
disponibilidade de mo de obra a uma taxa menor que R$15,00 por hora um grande fator
de deciso do local. Para uma locao, uma amostra de 40 trabalhadores mostrou um
salrio mdio atual de R$14,00 por hora e um desvio padro S = R$2,40.
a) Com um nvel de significncia de 0,01, os dados da amostra indicam que o local tem
uma taxa de salrio significativamente abaixo da taxa de R$15,00 por hora R. rejeita Ho
c) Qual o p value R. 0,4%

11) Um levantamento da Nilsen forneceu a estimativa de que o nmero mdio de horas
gastas diante da televiso por famlia de 7,25 horas por dia. (New York Daily News, 2 de
novembro de 1997) considere que o levantamento da Nilsen envolveu 200 famlias e queo
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

46

desvio padro da amostra foi de 2,5 horas por dia. H dez anos a nmero mdio de horas
gastos diante da TV por famlia da populao foi relatado como sendo 6,70 horas por dia.
a) Elabore um teste de hiptese para a situao
b) Com um nvel de significncia de 0,01, qual a concluso sobre qualquer mudana no
tempo gasto diante da TV. Ho rejeitado

12-Um novo programa de dieta afirma que os participantes perdero em mdia pelo menos
8 quilos durante a primeira semana do programa. Uma amostra aleatria de 40 pessoas
participando do programa mostrou uma perda de peso mdio de 7 quilos. O desvio-padro
da amostra foi de 3,2 quilos.
a) Qual a regra de rejeio com um nvel de significncia o = 0,05? Ho: > 8, Ha: < 8
b) Qual sua concluso sobre a afirmao feita pelo programa da dieta? R- Rejeita Ho
c) Qual o valor p-value? R. 0,0239



EXERCCIOS COMPLEMENTARES
INTERVALO DE CONFIANA
TESTE DE HIPTESES

1_ Uma populao composta por 80 elementos apresenta desvio padro de 3,2 unidades.
Uma amostra de 20 elementos selecionados ao acaso, sem reposio, apresentou uma mdia
de 40 unidades. Determine um intervalo de confiana de 85% para a media da populao
R. 39,10 < mdia < 40,90
2_ Em uma cidade h 30 supermercados que comercializam determinado produto, cujo
preo de venda admite distribuio normal de probabilidades.
Uma amostra aleatria de preos deste produto levantados em seis supermercados revelou
os valores de u.m. por kg. 6,4 ; 7,3; 5,8; 6,5; 7,0.;6,0.
Sabe-se que o desvio padro para os preos deste produto em outra cidade consultado de
0,5 u.m por kg. Construa um intervalo de confiana de 90% para o preo mdio deste
produto nestes supermercados. R. 6,2 a 6,8

3_ Procurando dimensionar a ajuda de custo para seus 50 vendedores, uma empresa
acompanhou os gastos de 15 vendedores e verificou uma despesa mdia de 20 u.m.
Se a empresa acredita que o desvio padro para o gasto 2 u.m., determine um intervalo de
confiana de 98% para o gasto mdio dos vendedores desta empresa.
R. 18,98 a 21,02
4_A prefeitura de uma cidade mantm 50 creches e pretende contratar dentista para
implementar um programa de ao preventiva de crie dentria. Um levantamento em 5
creches revelou que o nmero mdio de crianas com cries dentria 20.
Publicaes especializadas no assunto afirmam que o desvio padro para o nmero de
crianas com cries dentrias de 10% do nmero mdio de crianas com cries.
Construa um intervalo de confiana de 95% para o nmero mdio de crianas com cries
nas creches desta cidade. R. 18,32 a 21,68

5_Para estimar o tempo necessrio para o conserto de 40 mquinas, o encarregado da
manuteno de uma empresa escolheu ao acaso 5 motores e verificou que o tempo mdio
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

47

de conserto de 4 horas. Por experincia anterior, o encarregado sabe que o desvio padro
do tempo de conserto corresponde a 15% do tempo mdio de conserto.
a) Qual a previso mnima e a mxima para o tempo de conserto de um motor, ao nvel
de confiana de 98%
b) Qual a estimativa pontual para tempo mdio de conserto das 40 mquinas.
R a) 3,41 a 4,59 b) 160 horas
6_ Com a finalidade de estabelecer o custo de um novo produto, o encarregado de custos
levantou os possveis fornecedores de um dos componentes deste produto. Dos 60
fornecedores cadastrados foram sorteados e consultados 6 deles. Os preos fornecidos
apresentam uma mdia de 4,83 u.m. A experincia do encarregado indica que o desvio
padro para o preo de 10% deste preo(da mdia).
Qual deve ser o intervalo de confiana de 93% para o preo mdio deste componente
R. 4,49 a 5,17

7_ Qual preciso da estimao feita no exerccio 6.

8_De uma populao normal deve ser retirada uma amostra aleatria que avalie a mdia
populacional com erro padro de estimativa de duas unidades. Se o desvio padro
populacional conhecido e vale 10, qual deve ser o tamanho da amostra, a um nvel de
confiana de 90% R. n = 68


9- Uma amostra aleatria de 20 elementos selecionados de uma populao normal com
varincia 3 apresentou mdia 50. Teste ao nvel de significncia de 10% a hiptese Ho: =
53. R. Ho rejeitado ao nvel de 10%.

10-Uma amostra aleatria de 40 elementos selecionados de uma populao normal com
varincia 4 apresentou mdia 29,5. Um analista afirma que a mdia populacional 30.
Teste ao nvel de significncia de 5% a afirmao do analista.
R.Aceita Ho ao nvel de 5%.

11- Uma populao normalmente distribuda apresenta mdia histrica de 6 unidades e
desvio padro de 0,5 unidades. Uma amostra de 15 elementos selecionados ao acaso
forneceu mdia 4 e desvio padro 1.
Teste ao nvel de 5% o valor da mdia histrica, contra a alternativa em que a mdia
diminuiu. R. Rejeita-se Ho ao nvel de 5%.

12- De uma populao normal com mdia histria de 18 unidades, 12 elementos foram
selecionados ao acaso, fornecendo mdia de 17 unidades e desvio padro de 3 unidades.
Teste ao nvel de significncia 10% a hiptese nula Ho: > 18.
R. Aceita-se Ho ao nvel de 10%

13- Uma populao normalmente distribuda forneceu a seguinte amostra aleatria 12; 16;
15; 14; 17; 10; 9; 15; 13; 16.Um estatstico afirma que a mdia populacional 15. Teste ao
nvel de significncia de 5% a afirmao do estatstico. R. Aceita-se Ho ao nvel de 5%.

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

48

14- Com os dados do problema anterior teste ao nvel de significncia de 5% a afirmao
do estatstico, considerando a hiptese alternativa Ha: < 15 R. Aceita-se Ho ao nvel
de 5%.

15- Uma populao normal apresenta historicamente o valor mdio de 60 unidades. Um
analista , duvidando que este valor persista na atualidade, levantou uma amostra aleatria
de 20 elementos, obtendo o valor mdio de 55 unidades com desvio padro de 2 unidades.
Teste ao nvel de significncia de 5% a hiptese de que a mdia histrica verdadeira
R. Rejeita-se Ho ao nvel de 5%.






































MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

49


NMEROS-NDICE

1- INTRODUO

Os nmeros-ndice so medidas estatsticas freqentemente usados para comparar
grupos de variveis relacionadas entre si e para obter um quadro simples e resumido das
mudanas significativas ocorridas ao longo do tempo ou em diferentes lugares.
Podem ser usados para muitos propsitos: ndice de preos para o atacado, varejo
(materiais de construo, produtos agrcolas, alimentos, servios em geral etc, ndice de
volume fsico, ndices de custo de vida etc. So particularmente teis para o
acompanhamento da inflao, onde so usados para deflacionar sries de valores admitindo
uma certa poca-base.
Os nmeros-ndice so expressos em termos porcentuais. Os mais usados medem, em
geral, variaes de preos e de quantidade ao longo do tempo e so exatamente estes
ndices que sero objetos de nosso estudo.


2- RELATIVOS: PREO, QUANTIDADE E VALOR

Trata-se do nmero-ndice mais simples, relacionando o preo ou a quantidade ou
ainda o valor de um produto numa poca atual (t) com uma poca-base (0). Assim, para um
produto:

p
o
= preo na poca-base
p
t
= preo na poca atual
q
o
= quantidade na poca-base
q
t
= quantidade na poca atual
v
o
= valor na poca-base
v
t
= valor na poca atual


teremos:


Relativo de Preo :




Relativo de Quantidade :



Relativo de Valor:

Exemplo:
0,
t
t
o
p
P
p
=
0,
t
t
o
q
q
q
=
0,
.
.
t t
t
o o
p q
v
p q
=
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

50


Em 2004 um empresa vendeu 500 unidades de um produto ao preo unitrio de
R$50,00. Em 2006, vendeu 800 unidade do mesmo produto ao preo unitrio de R$70,00.
Determinar os relativos de preo, quantidade e valor para o produto, tomando como base
2004.

Soluo:

Relativo de Preo:
04,06
70
1, 4 140%
50
p = = =

Relativo de Quantidade:
04,06
800
1, 6 160%
500
q = = =

Relativo de Valor:
,
70.800
2, 24 224%
50.500
o t
v = = =

Os resultados indicam que em 2006 houve um aumento de 40% no preo, que a
quantidade aumentou em 60% e que o valor das vendas foi 124% superior ao de 2004.


3 - BASE FIXA E BASE MVEL

Os relativos acima definidos podem ser avaliados usando uma base fixa para estudos
que no exigem comparao ano a ano, mas comparaes entre um determinado ano
considerado significativo (ano inicial de uma mudana ou de alguma meta) e os anos
subseqentes.
Para estudos em que se deseja interpretar crescimentos anuais, usa-se o nmero-ndice
de base mvel ou ndices em cadeia. Assim,
Base fixa:
0,1 0,2 0,3
; ; ;... p p p
Base mvel:
0,1 1,2 2,3
; ; ;... p p p

Note que tal procedimento extensivo aos outros relativos.

4- NMEROS-NDICE SINTTICOS

Na prtica, surgem problemas bem mais complexos que a comparao entre termos de
uma srie atravs dos relativos. Esses problemas ocorrem quando o fenmeno em estudo
resultante da combinao de vrias sries. A variao do custo da alimentao um
exemplo, pois h diversos itens a considerar: po, leite, carne, ovos, frutas, verduras etc.
Torna-se necessrio determinar para cada perodo um nico nmero-ndice que
representa o conjunto dos preos (ou quantidades) dos itens nesse perodo, alm de
relaciona-lo com o conjunto de preos (ou quantidades) do perodo-base. Precisamos
nestes casos construir os nmeros-ndice globais ou sintticos. Para elaborao de um
ndice sinttico deveremos preocupar-nos com:

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

51

4.1 Seleo dos itens

Normalmente no trabalhamos com a totalidade dos itens componentes do fenmeno
a ser estudado. A composio de base ou regime (conjunto de bens e/ou servios includos
nos ndices) deve ser orientada por uma tcnica de amostragem, e todo cuidado deve ser
tomado para que os itens de maior relevncia no sejam excludos.

4.2 Determinao das ponderaes

Ao analisarmos os itens componentes da base, notamos que cada um participa de
maneira diferente na composio do fenmeno. Torna-se ento necessria a ponderao
dos diversos itens. Esta ponderao geralmente um valor representativo de uma
caracterstica. Assim, quantidades consumidas so tomadas como pesos de preos de
consumo; volumes de produo como pesos de ndices de preos por atacado etc.
A atualizao do pesos bem como revises de caractersticas usadas para a
ponderao devem ser feitas periodicamente.

4.3 Escolha do perodo-base

Como o nmero-ndice visa estabelecer comparaes entre pocas, a escolha de
perodo-base ou poca-base constitui um passo importante. Na realidade, no h normas
fixas para a escolha. Como orientao geral, fundamental a escolha de uma poca-base
que influa o menos possvel na variao do ndice. Para tanto, deve-se observar:

a) a poca-base deve ser um perodo normal, isto , um perodo em que a
caracterstica que se estuda e a caracterstica que serve de ponderao no sofram
variaes excepcionais.
b) A abrangncia de vrias pocas, pois o valor (mdia dos valores) correspondente a
essas pocas diminui a influncia de fatores acidentais.

4.4 Escolha da frmula

A frmula a ser escolhida depende intrinsecamente da lgica do sistema de pesos
escolhido no 2 passo, ou de representatividade o valor mdio ou central do conjunto,
quando no so utilizados pesos.
A seguir apresentaremos as principais frmulas de ndice sintticos no-ponderados e
ponderados.

3- PRINCIPAIS NDICES

Sejam






MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

52

Bens 1 2 3 4 5 .... n

Preo poca-base: po po po po
4
po
5
.... po
n

Preo poca atual: pt pt pt pt
4
pt
5
.... pt
n

Quantidade poca-base: qo qo qo qo
4
qo
5
..... qo
n

Quantidade poca atual qt qt qt qt
4
qt5 .... qt
n

Relativos de preos: po,t po,t po,t po
4
,t po
5
,t .... po
n
,t
Relativos de quantidade: qo,t qo,t qo,t qo
4
,t qo
5
,t .... qo
n
,t

Onde

po
i
= preo na poca-base do i-simo bem
qo
i
= quantidade na poca-base do i-simo bem
pt
i
= preo na poca atual do i-simo bem
qt
i
= quantidade na poca atual do i-simo bem
po
i
,t = relativo de preo do i-simo bem
qo
i
,t = relativo de quantidade do i-simo bem.

ndice agregativo simples


De preos:







De quantidades:





Trata-se de um ndice de fcil aplicao, que apresenta as seguintes limitaes:

a) No se leva em considerao a importncia relativa dos itens. Assim, por exemplo,
no caso do clculo do ndice do custo de alimentao, seria atribuda ao feijo e ao
caviar a mesma importncia.
b) No h homogeneidade entre as unidades dos diversos bens. Assim, por exemplo, o
feijo pode vir expresso em quilos e o azeite em litros.

Exemplo:

A tabela a seguir apresenta os preos mdios para o varejo e as quantidades vendidas
dos produtos: carne bovina, suna e ovina durante os anos de 2003, 2004 e 2005 (dados
fictcios).
i
p
i
pt
I
po
=


i
t
q
i
o
q
I
q
=


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

53


2003 2004 2005

Produtos
Preo quant. Preo quant. Preo quant.

Carne bovina 37 120 45 150 43 170
Carne suna 35 80 33 100 38 90
Carne ovina 28 90 30 100 35 150

a) Calcular o ndice agregativo simples de preos de 2005, tomando com base 2003

Soluo:

05
03
43 38 35
1,16 116%
37 35 28
i
p
i
p
I
p
+ +
= = = =
+ +


Portanto, segundo esse ndice, houve um aumento de 16% no preo dos produtos de
2005 em relao a 2003.

b) Calcular, segundo o ndice agregativo simples de quantidade para 2005, tomando
como base 2004.

Soluo:

05
04
170 90 150
1,17 117%
150 100 100
i
q
i
q
I
q
+ +
= = = =
+ +


Portanto, houve um acrscimo de 17% na vendas de 1005 em relao a 2004.



5.2 ndices mdios dos relativos

Para o clculo dos ndices mdios dos relativos, poderemos utilizar a mdia
aritmtica, harmnica e geomtrica.

MDIA ARITMTICA

Dos Preos:




0
0
,
,
i
p t
P t
n
=


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

54


Das quantidades:




MDIA GEOMTRICA


Dos preos:



Das quantidades:



MDIA HARMNICA


Dos preos:





Das quantidades:



Exemplo:
A tabela a seguir apresenta os preos mdios para o varejo e as quantidades vendidas
dos produtos: carne bovina, suna e ovina durante os anos de 2003, 2004 e 2005 (dados
fictcios).

2003 2004 2005

Produtos
Preo quant. Preo quant. Preo quant.

Carne bovina 37 120 45 150 43 170
Carne suna 35 80 33 100 38 90
Carne ovina 28 90 30 100 35 150

a) Calcular o ndice mdio aritmtico dos preos para 2005, tomando como base 2003

Soluo:
0
0
,
,
i
q t
Q t
n
=


0,
,0
0,
1
H
t
i
t i
t
n n
Q
q
q
= =


0,
,0
0,
1
H
t
i
t i
t
n n
P
p
p
= =


, ,
1
n
G
i
n
o t o t
i
Q q t
=
=
,
,
1
n
G
i
n
o t
o t
i
P p t
=
=

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

55


03,05
03,05
43 38 35
37 35 28
1,17 117%
3
i
p
P
n
+ +
= = = =



Logo, segundo esse ndice, houve um acrscimo de 17% dos preos em 2005 em relao
a 2003.

b) Determinar ndice mdio aritmtico da quantidades para 2004, tomando como base
2003;

03,04
03,04
150 100 100
120 80 90
1, 20 120%
3
i
q
Q
n
+ +
= = = =



Logo, segundo esse ndice, houve um acrscimo de 20% das quantidades em 2004 em
relao a 2003.

c) Determinar o ndice mdio geomtrico dos preos de 2004 em relao a 2003.

Soluo
3
04
3
3
03,04
1 03
45 33 30
. . .100 1, 071 107,1%
37 35 28
i
G
i
i
p
P
p
=
= = = =
[


d) Qual seria a mdia geomtrica da quantidades de 2004 em relao a 2003?

Soluo:

3
04
3
3
03,04
1 03
150 100 100
. . .100 1, 2019 120.19%
120 80 90
i
G
i
i
q
Q
q
=
= = = =
[


e) Determinar o ndice mdio harmnico dos preos de 2005 em relao a 2003.

Soluo:

03,05
3
03
1 05
3 3
.100 1,1621 116, 21%
37 35 28
43 38 35
H
i
i
i
P
p
p
=
= = = =
+ +



f) Qual seria a mdia harmnica da quantidades de 2005, sendo 2003 = 100?

Soluo:
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

56

03,05
3
03
1 05
3 3
.100 1, 3669 136, 69%
120 80 90
170 90 150
H
i
i
i
Q
q
q
=
= = = =
+ +









5.3 ndices ponderados

Devido s desvantagens dos ndices simples, especialmente pelo fato da no-
existncia de diferentes pesos para cada um dos componentes, examinaremos os principais
ndices ponderados,

5.3.1 NDICE DE LASPEYRES

Este ndice uma mdia aritmtica ponderada dos relativos, sendo que a ponderao
feita utilizando-se os preos ou as quantidades da poca-base. Dessa forma, o ndice de
preos de Laspeyres dado por:







Quanto ao ndice de quantidades de Laspeyres, dado por:








5.3.2 NDICE DE PAASCHE

Este ndice uma mdia aritmtica ponderada dos relativos, sendo que a ponderao
feita utilizando-se os preos ou quantidades da poca atual. Assim, o ndice de preos de
Paasche dado Por:




0
0
0 0
.
,
.
i i
t
i i
p q
L t
p q
=


0
'
0 0
.
,
.
i i
t
o
i i
q p
L t
q p
=


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

57







Quanto ao ndice de quantidade de Paasche, expresso por:







5.3.3 INDICE DE FISHER (FRMULA IDEAL)

Este ndice obtido pela raiz quadrada do produto dos respectivos ndices de
Laspeyres e Paasche. Assim:

ndice e preos:





ndice de quantidades:







EXEMPLO DE APLICAO

A tabela a seguir apresenta os preos mdios para o varejo e as quantidades vendidas
dos produtos: carne bovina, suna e ovina durante os anos de 2003, 2004 e 2005 (dados
fictcios).
2003 2004 2005

Produtos
Preo quant. Preo quant. Preo quant.

Carne bovina 37 120 45 150 43 170
Carne suna 35 80 33 100 38 90
Carne ovina 28 90 30 100 35 150

'
0
.
,
.
i i
t t
o
i i
t
q p
P t
q p
=


0
0
.
,
.
i i
t t
i i
t
p q
P t
p q
=


' ' '
. .
, , . , .
. .
i i i i
t o t t
o o t o t
i i i i
o o o t
q p q p
I t L P
q p q p
E E
= =
E E

0
. .
, , . , .
. .
i i i i
t o t t
i i i i
o o o t
p q p q
I t Lo t Po t
p q p q
E E
= =
E E

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

58



a) Calcular o ndice de preos de Laspeyres para 2005, admitindo como perodo base
2003.

Soluo:

05 03
03,05
03 03
.
(43).120 (38).80 (35).90
1,16 116%
(37).120 (35).80 (28).90
.
i i
i i
p q
L
p q
+ +
= = = =
+ +


Assim, houve um acrscimo de 16% no preos de 2005 com relao a 2003.

b) Calcular o ndice de quantidade de Laspeyres para 2005, admitindo a base para
2003.

Soluo:
05 03
'
03,05
03 03
.
(170).37 (90).35 (150).28
1, 4 140%
(120).37 (80).35 (90).28
.
i i
i i
q p
L
q p
+ +
= = = =
+ +



Segundo esse ndice, houve um aumento de 40% das quantidades em 2005, tomando
2003 como base.

c) Determinar o ndice de Paasche para o preo em 2005, tomando como base 2004.

Soluo:


05 05
04,05
04 05
.
43.(170) 38.(90) 35.(150)
1, 06 106%
45.(170) 33.(90) 30.(150)
.
i i
i i
p q
P
p q
+ +
= = = =
+ +



d) Qual o ndice de quantidades de Paasche para 2005, sendo 2003 a ano base?

Soluo:

05 05
'
03,05
03 05
.
(170).43 (90).38 (150).35
1, 41 141%
(120).43 (80).38 (90).35
.
i i
i i
q p
P
q p
+ +
= = = =
+ +


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

59


e) Determinar o ndice de preos de Fisher para 2005, tomando como 2003 como ano
base.
Soluo:

05 03
05 05
03,05 03,05 03,05
03 03 03 05
03,05
03,05
.
.
. .
. .
43.(120) 38.(80) 35.(90) 43.(170) 38.(90) 35.(150)
.
37.(120) 35.(80) 28.(90) 37.(170) 35.(90) 28.(150)
1,17 117%
i i
i i
i i i i
p q
p q
I L P
p q p q
I
I
= =
+ + + +
=
+ + + +
= =





Portanto, segundo a frmula ideal de Fisher, houve um aumento de 17% nos preos
de 2005, tomando como base 2003.


7-Mudana de base na prtica

Na prtica, a mudana de base de uma srie de nmeros-ndice feita dividindo-se
cada ndice da srie original pelo nmero-ndice correspondente nova poca bsica. Tal
procedimento no correto em termos matemticos; todavia, seu uso tem sido freqente,
com bons resultados.
Exemplo:
A tabela abaixo apresenta o ndice de produo industrial de 1997 a 2005, sendo o ano-base
1997. Obter uma nova srie de ndices, adotando 2001 como base.


Anos 1997 1998 1999 2000 2001 2002 2003 2004 2005
ndice de
Produo
Industrial
(1997=100)

100

104

97

112


120

124

134


125

141

Soluo:
O novo ndice ser obtido dividindo-se cada um dos valores da srie por 120, que o
ndice correspondente ao novo ano-base. Assim:

Anos 1997 1998 1999 2000 2001 2002 2003 2004 2005
ndice de
Produo
Industrial
(2001=100)

83

87

81


93

100


103

112

104

118

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

60


8-DEFLACIONAMENTO OU INFLACIONAMENTO DE DADOS

Para inflacionar ou deflacionar sries de valores, podemos usar qualquer um dos
seguintes deflatores, normalmente encontrados nas revistas especializadas:

IGP ndice Geral de Preos
ICV ndice de Custo de Vida
IPA ndice de Preos ao Atacado
IPC ndice de Preos ao Consumidor
IPCA ndice de Preos de Consumo Amplo

Para estudar a evoluo real dos salrios devemos usar o ndice de custo de vida ou
ndice de preos ao consumidor. No caso de dados sobre as empresas, podemos utilizar o
ndice geral de preos ou ndice de preos do atacado.

Exemplo:

Uma empresa possui os dados relativos a seu faturamento ao perodo de 2000 a 2005,
apresentados na tabela abaixo. Dado o ndice geral de preos (IGP) desse perodo,
determinar:

a) o faturamento real em termos de 2000;
b) o faturamento real em termos de 2005;
c) a variao porcentual do faturamento real ano a ano;
d) a taxa mdia real do faturamento no perodo considerado.


Ano 2000 2001 2002 2003 2004 2005
Faturamento
(R$milhes)
50.000 80.000 130.000 180.000 220.000 270.000
IGP 00 =100 100 137 208 362 691 1.085

Soluo:
a) para deflacionarmos ou inflacionarmos os dados deveremos tomar o inverso dos
ndices com relao ao ano-base e multiplicar pelos valores que queremos atualizar.

No nosso caso, como queremos o faturamento real em termos de 2000, vamos deflacionar
os dados:








MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

61


Inverso dos Taxa de desvalo- Valores Valores
Ano ndices rizao da moeda x correntes deflacionados

2000 (1/100).100 1 x 50.000 = 50.000

2001 (1/137).100 0,729927 x 80.000 = 58.394
2002 (1/208).100 0,480769 x 130.000 = 62.500

2003 (1/362.100 0,276243 x 180.000 = 49.724

2004 (1/691).100 0,144718 x 220.000 = 31.838

2005 (1/1.085).100 0,092166 x 270.000 = 24.885



Observao: poderamos obter os valores deflacionados dividindo diretamente o valor
corrente pelo ndice (80.000/137).100 ~ 58.394), porm perderamos o valor da taxa de
desvalorizao da moeda.
Assim, temos todos os valores a preos constantes de 2000 e, portanto, podem ser
comparados, o que no ocorria anteriormente, quando os valores estavam mascarados pela
inflao. Verifica-se que o faturamento realmente cresceu at o ano de 2002, a partir do
qual passou a decrescer continuamente.



b) Para colocarmos os dados em termos do faturamento de 2005, deveremos
inflacionar os dados anteriores. Assim, inicialmente deveremos fazer uma mudana
de base no IGP que foi dado com 2000 = 100 transformando-o em IGP 2005 = 100.


Anos 2000 2001 2002 2003 2004 2005

IGP 00 = 100 100 137 208 362 691 1.085

IGP 05 = 100 9,217 12,627 19,171 33,364 63,687 100


Em seguida, procede-se da maneira idntica ao caso anterior:






MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

62


Inverso dos Taxa de valoriza- Valores Valores
Ano ndices co da moeda x correntes Inflacionados

2000 (1/9,217).100 = 10,850 x 50.000 = 542.500

2001 (1/12,627).100 = 7,920 x 80.000 = 633.600

2002 (1/19,171).100 = 5,216 x 130.000 = 678.080

2003 (1/33,364).100 = 2,997 x 180.000 = 539.460

2004 (1/63,687).100 = 1,570 x 220.000 = 345.400

2005 (1/100).100 = 1,00 x 270.000 = 270.000



Observao: Poderamos obter os valores inflacionados dividindo diretamente os valores
correntes pelo ndice (50.000/9,217.100 ~ 542.500), porm desconheceramos a taxa de
valorizao da moeda.

Verifica-se ento que o faturamento real a preos constantes de 2005, que nos conduz
mesma interpretao anterior, ou seja, o faturamento cresceu at o ano de 2002, a partir
do qual passou a diminuir.

c) A variao real do faturamento deve ser feita sobre o faturamento a preos
constantes, podendo ter aqui usado tanto o encontrado no item a (2000 = 100) ou no
item b (2005 = 100). Usando os resultados do item b, teremos:


Anos Comparao Mvel Variao Mvel


2001 633.600/542.500 = 1,1679 ou 116,79% + 16,79%

2002 678.080/633.600 = 1,0702 ou 107,02% + 7,02%

2003 539.460/678.080 = 0,7956 ou 79,56% - 20,44%

2004 345.400/539.460 = 0,6403 ou 64,03% - 35,97%

2005 270.000/345.400 = 0,7817 ou 78,17% - 21,83%


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

63

d) Para calcularmos a taxa mdia real do faturamento usamos a mdia geomtrica dos
ndices da comparao mvel.

5
1,1679.1, 0702.0, 7956.0, 6403.0, 7817 G =
5
0, 4977 0,8698 G = =
G = 0,8698

Logo 0,8698 1 = - 0,1302 diminuio de 13,02% ao ano.

Podemos obter tambm dividindo o ltimo valor pelo primeiros e extraindo a mdia
geomtrica do resultado, Assim:

270.000/542.500 = 0,4977

5
0, 4977 0,8698 G = =
Logo 0,8698 1 = -0,1302 diminuio de 13,02% ao ano.




LISTA DE EXERCCIOS
1 Dada a tabela abaixo:


Anos 2001 2002 2003 2004 2005 2006

P Q P Q P Q P Q P Q P Q
Artigos

A 3 10 3,5 15 4,2 18 5,0 25 5,1 23 5,5 28
B 10 20 11 25 13 30 15 35 15 40 17 45
C 5 5 5,5 8 6 18 7,5 10 8 30 9 20


a) Determinar os relativos de preos para o artigo A, tomando 2001 = 100.
b) Determinar os relativos de quantidades para o artigo B, tomando 2002 = 100.
c) Determinar os relativos de valor para o artigo C, sendo 2001 a base.
d) Usando base mvel, estudar as variaes de preos para o artigo A.
e) Constate a igualdade q
01,02
.
q02,03
.
q03,01
= 1 para o artigo B.
f) Constate a igualdade p
03,04
.p
04,03
= 1 para o artigo C
g) Qual o valor do ndice agregativo simples de preos para 2006, sendo 2001 =
base?
h) Qual a porcentagem de acrscimo ocorrida em 2006, em relao a 2001, das
quantidades? Utilize o ndice agragativo simples de quantidades.
i) Considerando 2003 como base, calcular a mdia aritmtica dos relativos de preos
para 2005.
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

64

j) Calcule o ndice de preo de Laspeyres, sendo 2001 = 100 e 2006 a poca atual.
k) Calcule L
02,06
.
l) Avalie P
03,06
.
m) Calcule P
04,06
.
n) Calcule o ndice de preos de Fisher para 2006, considerando 2001 como base.
o) Determine I
02,04


2- Sendo:

JAN. 06 FEV. 06 MAR. 06 ABR. 06
Produtos
P Q P Q P Q P Q

X 100 10 120 20 135 20 135 25

Y 200 5 220 6 230 10 250 15

Z 60 3 65 3 65 2 65 2


a) Determinar o ndice de preo Laspeyres para ABRIL, sendo JAN. 06 a base.
b) Constatar que: P
Jan/06;Fev/06
= L
Jan/06;Fev/06

c) Construir o ndice de quantidades usando a frmula de Fisher, sendo FEV.06 = 100,
para ABRIL de 06

3- O preo de um artigo em 2002 era 32% maior que o de 2000, porm correspondia a 80%
do preo de 2005. Determinar quanto o preo de 2000 era inferior ao de 2005.

4- Se o ICV (ndice de custo de vida) apresentar um acrscimo de 20%, qual ser a perda
do poder aquisitivo dos assalariados?

5- Uma empresa apresentou os seguintes dados relativos ao seu faturamento no perodo de
2000 a 2004.

Ano 2000 2001 2002 2003 2004
Faturamento
(Milhes R$)


50.000

60.000

140.000

200.000

250.000

O ndice Geral de Preos para o mesmo perodo indicou:

Ano 2000 2001 2002 2003 2004
IGP(03
=100)
407 559 848 1.473 2.811

Calcular:
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

65


a) o faturamento real da empresa a preos de 2000;
b) a taxa anual de variao do faturamento;
c) a taxa mdia anual de variao do faturamento. -7,76%



REGRESSO LINEAR E CORRELAO

1- Introduo

Um dos maiores problemas para o investigador de fenmenos humanos ou fsicos o
estabelecimento de um modelo matemtico que descreva e explique o fenmeno ocorrido
na vida real, com boa aproximao. A busca de uma relao funcional entre as variveis
observadas que descrevem o fato uma tarefa de muitos cientistas em qualquer rea de
estudos. Assim, o pediatra tem interesse em estabelecer uma relao funcional entre o peso
e a altura dos bebs; o economista busca o estabelecimento de uma funo que explique o
comportamento das vendas, em unidades de um produto, em funo do preo; o
administrador precisa de uma funo que descreva os custos de um produto, quando as
quantidades variam; o engenheiro quer saber a relao funcional entre a resistncia do
concreto e a razo gua/cimento; o mdico tem interesse em relacionar atravs de uma
funo o volume do plasma sangneo e a superfcie dos corpos dos pacientes; o psiclogo
deseja a funo que explique o QI (quociente de inteligncia) etc.
Seja Y uma varivel que nos interessa estudar e cujo comportamento futuro
desejamos prever. fcil identificarmos uma srie de variveis Xi (x1, X2, X3, ...., Xn)
que influenciam o comportamento de Y, a varivel dependente do modelo. A Estatstica
oferece meios de chegarmos relao funo entre a varivel dependente (Y) e as variveis
independentes ou explicativas (X1, X2, X3, ... , Xn) atravs da anlise de regresso.
Quanto maior o nmero de variveis explicativas, mais completo ser o modelo. Todavia,
sua soluo ser tambm mais difcil e complexa. Em razo disso, limitaremos nossa
exposies ao caso em que apenas duas variveis intervm no modelo; a varivel
dependente Y e a varivel independente X. Apresentaremos a penas o estudo da funo
linear (ajustamento de uma reta), isto , estudaremos o modelo:




Onde a e b so os parmetros da funo.

Uma maneira bastante prtica para auxlio na determinao da funo entre as
variveis dependente e independente a construo do grfico denominado diagrama de
disperso. Para desenharmos o diagrama de disperso devemos coletar uma amostra de

valores X e Y: (x1, y1), (x2, y2), (x3, y3), ..., (xn, yn), marcando esses pontos num
sistema de coordenadas cartesianas. Assim:


Y = b + aX
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

66


y

yn


y2
y3
y1

x1 x2 x3 ... xn x

Diagrama de disperso.

Pela anlise de nuvem de pontos assinalados, teremos melhores condies de
especificar a funo que relaciona as variveis. No caso do ajustamento de uma linha reta,
o diagrama de disperso apresentar uma nuvem de pontos que nos ir sugerir uma relao
linear entre X e Y. tambm provvel que a nuvem de pontos nos indique outros tipos de
funes ( exponencial, parbola etc.). Tais ajustamentos fogem aos objetivos desse curso.

2- Ajustamento da reta

Estabelecido o modelo Y = b + aX, precisamos dos valores de a e b de forma que
nossa reta passe to prximo quanto possvel dos pontos assinalado no diagrama de
disperso. Isto , queremos minimizar a discrepncia total entre os pontos marcados e a
reta que iremos determinar. O melhor mtodo para a determinao dos parmetros a e b
que minimize as discrepncias o mtodo dos Mnimos Quadrados. Segundo esse mtodo,
poderemos avaliar as parmetros a e b pela aplicao da seguintes frmulas:


1
2
2
1
. . .
.
n
i i
i
n
i
i
x y n X Y
a
x n X
=
=



b = y ax

onde n = tamanho da amostra
1
n
i
i
x
X
n
=
=



1
n
i
i
y
Y
n
=
=


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

67


3- Exemplo de aplicao
Suponhamos que num determinado perodo tenham sido registradas as seguintes
observaes relativas a preos e respectivas quantidades demandadas de certo bem, no
mercado.

P 1 2 3 4
D 8 5 4 1

a) Esboce os pontos num sistema cartesiano e trace uma linha que melhor ajuste este
pontos.
b) Faa a regresso linear para determinar a reta y = Ax + B, onde


n
E x
i
.y
i
- n. X. Y
a =
i=1
b = Y - AX

n
E ( x
i
) - n.(X)

i=1


Soluo

a)

D

8


5
4


1

0 1 2 3 4 P










MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

68

b)
x = P y = D x = P x.y = P.D
1 8 1 8
2 5 4 10
3 4 9 12
4 1 16 4
10 18 30 34

a = 34 4.2,5.4,5 = -11 b = 4,5 (-11).2,5 = 10
30 4.2,5 5 5

Portanto: D = -(11/5).P + 10, a reta que melhor ajusta a distribuio (P, D) dada.


Exerccios

1- Determinar a equao de uma reta que melhor ajuste cada uma das demandas dadas
pelas tabelas abaixo:


a) Pi 2 3 4 5 6 b) Pi 6 8 9 10 11

Di 12 8 7 6 3 Di 18 13 12 6 3

D = -2P + 15,2 D = -3P + 36,8

2- Aproximar, pela reta de regresso linear, a distribuio de pontos a tabela abaixo que
representa as quantidades oferecidas e os preos de um bem num determinado perodo.

P 6 7 8 9 10

S 1 2 4 8 15 S = 3,4P 21,2

Outro exemplo

Sendo:

Ano 2000 2001 2002 2003 2004

Produo de ferro (t) 17,5 19 23,3 28,7 35
( em toneladas)
a) Ajustar uma reta aos dados.
b) Estimar a produo para 2005.
Soluo:
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

69

Observamos que a varivel dependente a produo de ferro (y) e que a varivel
independente o tempo (t). O uso dos valores 2000, 2001, ... no conveniente, pois
acarretaria um nmero de clculos muito grande. Assim, para sries temporais ou
cronolgicas (a varivel observada no tempo), comum a mudana da varivel t para x.
Assim, no exemplo, xi = ti 2002 uma interessante transformao. A mudana para o
caso de n (nmero de observaes) mpar dada por xi = ti to, onde to o elemento
central da srie. No exemplo to = 2002. Para n par, to ser a mdia entre os
elementos centrais de ordem n/2 e n/2 + 1. Isto se n = 4, ento n/2 = 2 elemento e n/2
+ 1 = 3 elemento, logo to = ( 2 elemento + 3 elemento) / 2.
Para obtermos os valores de xi inteiros, convm neste caso multiplicarmos (ti to)
por 2 e prosseguir naturalmente.

Voltando ao exemplo, teremos:

ti xi = (ti 2002) Y X.Y X
2000 -2 17,5 -35 4
2001 -1 19,0 -19 1
2002 0 23,3 0 0
2003 1 28,7 28,7 1
2004 2 35,0 70 4
E
0 123,5 44,7 10

a)
Ajuste da reta

1
2
2
1
. . .
.
n
i i
i
n
i
i
x y n X Y
a
x n X
=
=

= (44,7 5.0.24,7)/(10 5.0) = 4,47


b = y ax = 24,7 4,47.0 = 24,7
Logo y = 24,7 + 4,47x a reta pedida.

b) Para determinao da produo para 2005 teremos: quando ti = 2005, xi = (2005
2002) = 3, logo,

y = 24,7 + 4,47.(3) = 24,7 + 13,41 = 38,11 toneladas a quantidade prevista para 2005.

EXERCCIOS
1- Os lucros de uma companhia no perodo de 2002 a 2006 so dados abaixo:

Ano 2002 2003 2004 2005 2006

Lucro(milhes) 2,3 3,5 5,8 6,5 7,0


MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

70


a) Mudar a varivel e determinar a equao da reta que melhor ajusta a tabela.
b) Estimar os lucros para 2007.

2- As importaes de determinada matria-prima no perodo de 2001 a 2006 encontram-se
na tabela abaixo:

Ano 2001 2002 2003 2004 2005 2006

Quantidade (t) em ton. 50 47 35 30 24 10

a) Mudar a varivel t para x.
b) Determinar a reta que melhor ajuste os pontos
c) Fazer uma estimativa da importao para 2007.


4- CORRELAO LINEAR

No tpico anterior aprendemos a determinao de uma funo linear que relacionava
as variveis derivadas de uma experimentao da vida real. Aqui, nosso interesse medir o
grau de relao existente entre duas variveis aleatrias. Assim, por exemplo, poderamos
querer o grau de relacionamento entre o peso e a altura de um grupo de pessoas; entre o
cigarro e a doena do corao; entre sensibilidade para a msica e vocao para a cincia;
entre inteligncia e beleza etc.

Para avaliar o grau de correlao linear entre duas variveis, ou seja, medir o grau de
ajustamento dos valores em torno de uma reta, usaremos o coeficiente de correlao de
Pearson, que dado por:

1 1 1
2 2
1 1 1 1
. . ( ).( )
[ . ( )].[ . ( )]
n n n
i i i i
i i i
n n n n
i i i i
i i i i
n x y x y
r
n x x n y y
= = =
= = = =

=





onde n o nmero de observaes.

Pode-se demonstrar que o valor do coeficiente de correlao r sempre dever estar
entre 1 e +1. Geralmente multiplicamos o valor encontrado r por 100, dando a resposta
em porcentagem. Observem abaixo a configurao do diagrama de disperso para diversos
valores de r.

- r = 1 (correlao linear perfeita positiva)
- r = -1 (correlao linear perfeita negativa).
- r > 0 (forte correlao positiva) pontos prximos da reta no sentido positivo.
- r < 0 (forte correlao negativa) pontos prximos da reta no sentido negativo
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

71

- r > 0 (fraca correlao positiva) pontos mais afastados da reta no sentido positivo.
- r < 0 (fraca correlao negativa) pontos mais afastados da reta no sentido negativo
- r = 0 (ausncia de correlao linear)

Exemplo de aplicao:

Dez alunos foram submetidos a um teste de Estatstica e de Matemtica, obtendo as
seguintes notas:

Aluno A B C D E F G H I J
Matemtica
(x)
7 6 9 10 3 4 8 7 6 2
Estatstica
(y)
6 5 10 9 2 3 9 5 6 3

Determinar o coeficiente de correlao entre as notas.

Soluo

conveniente a construo da tabela:

X Y X.Y X Y
7 6 42 49 36
6 5 30 36 25
9 10 90 81 100
10 9 90 100 81
3 2 6 9 4
4 3 12 16 9
8 9 72 64 81
7 5 35 49 25
6 6 36 36 36
2 3 6 4 9
62 58 419 444 406

1 1 1
2 2
1 1 1 1
. . ( ).( )
[ . ( )].[ . ( )]
n n n
i i i i
i i i
n n n n
i i i i
i i i i
n x y x y
r
n x x n y y
= = =
= = = =

=





10.419 62.58
[10.444 62].[10.406 58]
r

=

= 0,9....

r = 94%. Este resultado indica uma forte correlao entre as notas de Matemtica e
Estatstica para esse grupo de 10 alunos.
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

72



EXERCCIOS

1- Sendo


X 0 1 2 3 4 5
Y 10 20 30 40 50 60

Calcular o coeficiente de correlao.

2- Calcular o coeficiente de correlao para:

X 10 20 30 40 50
Y 6 8 7 8 6

3- A tabela abaixo apresenta uma amostra com os pesos de 10 pais e de seus filhos mais
velhos.
Peso dos pais (X) 60 65 70 68 63 69 71 64 66 64
Peso dos
filhos(Y)
63 64 71 69 63 68 73 63 64 62

Calcular o coeficiente da correlao entre os pesos dos pais e dos filhos, utilizando as
seguintes transformaes da variveis.

Z = (X 66) e W = (Y 67).

A mudana de varivel conveniente pois abrevia o nmero de clculos.

















MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

73

CONTEDO PROGRAMTICO:

1- DISTRIBUIO DE PROBABILIDADE
1.1 Variveis Aleatrias
1.2 Variveis Aleatrias Discretas
1.3 Variveis Aleatrias Contnuas
1.4 Distribuies Discreta de Probabilidades
1.5 Valor Esperado
1.6 Varincia


2.DISTRIBUIO CONTNUA DE PROBABILIDADE

2.1 Distribuio Uniforme de Probabilidade
2.2 rea como uma medida de Probabilidade
2.3 Distribuio Normal de Probabilidade
2.4 Curva Normal
2.5 Distribuio Normal-Padro de Probabilidade
2.6 Calculando Probabilidade de qualquer Distribuio Normal de Probabilidade
2.7 Aproximao da Normal das Probabilidades Binomiais.


3 -DISTRIBUIES AMOSTRAIS

3.1 Amostragem Aleatria Simples
3.2 Amostragem de Populao Finita
3.3 Amostragem de Populao Infinita
3.4 Estimativa por Ponto
3.5 Introduo s Distribuies Amostrais
3.6 Distribuio Amostral da Mdia
3.7 Valor Esperado da Mdia
3.8 Desvio-Padro da Mdia
3.9 Teorema do Limite Central.

4- INTERVALOS DE CONFIANA

4.1 Estimativa de Intervalo de confiana das mdias amostrais
4.2 Estimativa de Intervalo de Confiana de uma proporo populacional
4.3 Clculo do tamanho amostral para estimativa das mdias amostrais
4.4 Clculo do tamanho amostral para estimativa de propores.


5- TESTE DE HIPTESES

5.1 Desenvolver as Hipteses Nula e Alternativa
5.2 Teste das Hipteses de Pesquisa
MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

74

5.3 Erros do Tipo I e do tipo II
5.4 Testes Unicaudais e Bicaudais da Mdia e da Proporo de uma Populao
5.5 Etapas do Teste de Hiptese.

6- REGRESSO LINEAR E CORRELAO

6.1 Ajustamento de uma reta que relaciona duas variveis
6.2 Avaliar o grau de correlao linear entre duas variveis
6.3 Medir o grau de ajustamento dos valores em torno de uma reta.

7- NMEROS NDICES

7.1 Clculo dos relativos: preo, quantidade e valor
7.2 Base fixa e base mvel
7.3 Nmeros-ndice simtricos
7.4 Principais ndices
7.4.1 ndice agregativo simples
7.4.2 ndices mdio dos relativos
7.4.3 ndices ponderados
7.4.3.1 ndice de Laspeyres
7.4.3.2 ndice de Paache
7.4.3.3 ndice de Fisher (frmula ideal)
7.5 Mudana de base
7.6 Deflacionamento ou inflacionamento de dados.


REFERNCIAS BIBLIOGRFICAS:
BSICA:

SPIEGEL, Murraay R. Estatstica. 3 ed. Pearson, So Paulo, 2006.

STEVENSON, William J. Estatstica aplicada a administrao. 1 ed. Harbra, So Paulo,
2001.

ANDERSON, David R. Estatstica aplicada administrao e economia. 2 ed. Thomson,
So Paulo, 2005.

VIEIRA, Sonia Vieira. Elementos de estatstica. 4 ed., So Paulo: Atlas, 2003.

COMPLEMENTAR:
KAZMIER, Leonard J. Estatstica aplicada administrao e economia. Rio de Janeiro,
McGraw Hill, 1982.

NAZARETH, F. E. M. de. Curso bsico de estatstica. So Paulo: tica, 1987.

MATERIAL DE ESTATSTICA II PROF. MRIO ROBERTO
ESTATSTICA II - Mrio

75

ESTATSTICA II
Estudo de caso.

1- OBJETIVO:
Aplicar e interpretar os conceitos bsicos de estatstica
indutiva (inferencial) em situaes prticas do cotidiano.

2-PROCEDIMENTOS

2.1- Elege-se uma populao alvo para o estudo.

2.2- Elaborar um resumo sobre a parte terica de varivel aleatria contnua
normal (padronizada), intervalos de confiana e teste de hiptese.

2.3- Destacar uma amostra da populao com seus parmetros (mdia e desvio
padro), em seguida fazer a estatstica populacional referente os parmetros
(mdia de o desvio padro) com o IC de 95%, 99%.

2.4 Destaque uma amostra da populao e elabore o teste de hiptese quanto
aos parmetros: mdia e desvio- padro. Por ex. Se h desconfiana em
relao ao peso dos pacotes de arroz de uma determinada marca, pegue uma
amostra e faz o teste de hiptese.
OBS. Nem sempre uma determinada varivel vivel fazer uma estatstica por
IC e ao mesmo tempo um teste de hiptese. Pense nisso....

2.5- Interpretar os resultados da estatstica sobre a populao.