Escolar Documentos
Profissional Documentos
Cultura Documentos
Conteúdo Programático
1. Conceitos básicos de estatística:
Amostragem;
Estimação de parâmetros;
2. Estatística Descritiva (Distribuição de Freqüência)
Análise de uma distribuição de freqüência;
Histograma;
3. Medidas de tendência central e de dispersão:
Média, Moda, Mediana;
Desvio padrão. Variância e Coeficiente de Variação
4. Calculo de Probabilidade.
5. Distribuições probabilísticas
Binomial, Poisson e Normal
6. Estimativas intervalares.
7. Correlação e Regressão.
2
Referências
BIBLIOGRAFIA
3
Introdução
4
Introdução
Nem sempre é possível compreender o significado
dos dados disponíveis por simples inspeção de seus
valores numéricos. Entretanto, o sucesso da decisão
dependerá da habilidade em compreender as
informações contidas nesses dados. Portanto,
necessitamos de métodos que permitem extrair dos
dados as informações necessárias para
compreender o que representam.
5
Conceito de Estatística
Parte da matemática em que se investigam:
Os processos de obtenção, organização,
análise dos dados e divulgação sobre uma
população qualquer (Descritiva).
Métodos de tirar conclusões ou predições
com base nesses dados (Indutiva).
6
Amostragem
É a escolha de alguns elementos de um conjunto maior
chamado população (uma técnica).
O elemento fundamental da estatística é a estimativa para
fazer previsões. Por exemplo:
O candidato X deve ganhar a eleição com margem de 3% a 4%;
De 1000 a 2000 peças sairão da fábrica fora da especificação;
A inflação do mês que vem deve chegar a 0,9%.
A estimativa está associada a uma pesquisa ou a uma
verificação de características, realizada não sobre todos os
elementos da população, mas sobre uma parte dela, chamada
amostra.
7
O Processo de Estimação
Escolhe-se a amostra
Organiza-se uma característica que se quer
estudar (Ex.: altura de pessoas, os gastos com
medicamentos etc).
A partir dos resultados obtidos na amostra, o
pesquisador pode estendê-los para toda a
população, estabelecendo margens de erro e
acerto para as previsões.
8
Tipos de Amostragem
10
Tipos de Amostragem
Vamos obter uma amostra representativa para a
pesquisa da estatura de noventa funcionários de uma
empresa:
Numeramos os funcionários de 01 a 90
Escreveremos os números, de 01 a 90, em pedaços
iguais de um mesmo papel, colocando-os dentro de uma
caixa.
Agitamos a caixa para misturar bem os pedaços de
papel e retiramos, um a um, nove números que
formarão a amostra. Neste caso 10% da população.
11
Tipos de Amostragem
Quando o número de elementos da amostra é grande, esse tipo de
sorteio torna-se muito trabalhoso.
A fim de facilita-lo foi elaborado uma tabela de números aleatórios,
construída de modo que os dez algarismos (0 a 9) são distribuídos ao
acaso nas linhas e colunas (ver anexo).
12
Tipos de Amostragem
Amostragem por Conglomerados
A população é dividida em diferentes conglomerados
(conjuntos, aglomerados).
Extrai-se uma amostra apenas dos conglomerados
selecionados e não de toda a população. O ideal é que cada
conglomerado represente tanto quanto possível o total da
população. Seleção geográfica.
São escolhidas aleatoriamente algumas regiões e em seguida
algumas sub-regiões e finalmente alguns lares por exemplo.
Este processo assegura que as pessoas da amostra vivam em
conglomerados, possibilitando ao pesquisador entrevistar
apenas poucas pessoas.
13
Tipos de Amostragem
Amostragem Estratificada
Se a população pode ser dividida em subgrupos que consistem
todos eles em indivíduos todos semelhantes entre si, pode-se
obter uma amostra representativa entrevistando-se uma
amostra aleatória de pessoas em cada grupo. Este processo
pode gerar amostras bastante precisas, mas só é viável
quando a população pode ser dividida em grupos homogêneos.
14
Tipos de Amostragem
Amostragem por Conveniência
Não geram amostras puramente aleatórias, muitas vezes
aplica-se incorretamente a análise estatística a estas
amostras como se fossem amostras puramente aleatórias.
Exemplo:
Se colocarmos uma mesa na entrada de um shopping center e
pedirmos a cada passante que se detenha um momento e
preencha um formulário de pesquisa, é pouco provável que
consigamos uma amostra realmente aleatória da população, é
impossível fazer inferências estatísticas válidas sobre a
população como um todo, a partir das pesquisas.
15
Métodos de Amostragem
Validade: os métodos de amostragem só são válidos se a
amostra for puramente aleatória.
Exemplo:
1. Pesquisa eleitoral amostragem: nomes em uma lista
telefônica resultados errados pois só são pesquisados
eleitores que possuem linha telefônica.
Atenção
Se a amostra não é extraída aleatoriamente não há maneira de se
prever o quanto se afastará da realidade.
O melhor é utilizar uma amostra puramente aleatória.
Há razões práticas que muitas vezes impossibilitam...
16
Exemplo
Considere uma pesquisa de opinião pública em
todo o país
Não se pode selecionar amostras colocando o
nome de todas as pessoas do país em um saco e
sorteando.
1º Não existe tal lista de nomes.
2º Mesmo se houvesse seria dispendioso
entrevistar 3000 pessoas (p.ex.:) selecionadas
aleatoriamente e dispersas por todo o país.
17
Estrutura de Pesquisa
Estabelecido o critério de amostragem, o trabalho passa a ser
responder às seguintes perguntas:
Quais são os dados importantes a serem levantados? (nome,
profissão, faixa etária, time de futebol, o que mais?)
Como recolher os dados necessários? (pesquisa de campo, por
correspondência, por telefone)
Onde registrar os dados obtidos? (em questionário, em fita)
O que fazer com a tabulação obtida? (como analisar, com o que
comparar os resultados obtidos?)
Vendas : 40, 56, 38, 38, 63, 59, 52, 49, 46.
19
Distribuição de Frequência
Suponhamos termos feitos uma coleta de dados relativos às
estaturas de quarenta funcionários da coelba, resultando a
seguinte tabela de dados de valores:
150 154 155 157 160 161 162 164 166 169
151 155 156 158 160 161 162 164 167 170
Rol
152 155 156 158 160 161 163 164 168 172
153 155 156 160 160 161 163 165 168 173
20
Distribuição de Frequência
21
Distribuição de Freqüência
Construção da tabela de distribuição de Freqüência
22
Distribuição de Frequência
Distribuição Completa
E
STATU
RAS
i f
i x
i f
ri F
i F
ri
(
cm)
1 1
50|154 4 1
52 0
,
100 4 0
,
100
2 1
54|158 9 1
56 0
,
225 1
3 0
,
325
3 1
58|162 1
1 1
60 0
,
275 2
4 0
,
600
4 1
62|166 8 1
64 0
,
200 3
2 0
,
800
5 1
66|170 5 1
68 0
,
125 3
7 0
,
925
6 1
70|174 3 1
72 0
,
075 4
0 1
,
000
=40
=1,
000
Responda as questões:
24
Medidas de Tendência Central
Média aritmética
Dados brutos : 40, 56, 38, 38, 63, 59, 52, 49, 46.
A média de todos esses elementos é calculada somando
todos os números e dividindo pela quantidade de números.
números
40 56 38 38 63 59 52 49 46 441
49
9 9
Portanto em média foram vendidas 49 pizzas de calabresa
por dia.
Generalizando a média pode ser calculada por: xi
x
n
25
Medidas de Tendência Central
Mediana
A mediana é o ponto ou elemento ao meio do caminho
dos dados,
dados isto é, metade dos números está acima dela e
metade está abaixo. A lista de números deve estar ordenada.
Lista de valores de venda de pizzas de calabresa em
ordem crescente: 38, 38, 40, 46, 49, 52, 56, 59, 63.
A mediana é 49, quatro valores são maiores que 49 e
quatro são menores.
Para um número ímpar procura-se o valor entre os dois do centro.
26
Medidas de Tendência Central
Mediana (cont.)
Suponha que a lista abaixo representa a venda
diária de pizzas de cogumelo:
41, 41, 46, 47, 48, 49, 52, 53.
A mediana é o valor que está exatamente entre
os dois números mais próximos do meio.
A média e a mediana são chamadas medidas de
tendência central da distribuição.
27
Medidas de Tendência Central
Média x Mediana
Suponha que os valores abaixo representem vendas de pizzas tipo
bacon/abacaxi por um período de 9 dias:
36, 35, 37, 29, 39, 36, 340, 35, 36.
Observe que, um certo dia, uma caravana de pessoas amantes de pizza
bacon/abacaxi chegou ao estabelecimento e as vendas foram muito maiores.
Calculando a média tem-se: 623/9 = 69,22 pizzas.
Mas nenhum dos valores está próximo de 69,22.
A lista ordenada (rol) fica: 29, 35, 35, 36, 36, 36, 37, 39, 340
Verificamos que a mediana é 36. O valor da mediana representa
muito melhor o provável número de vendas em determinado dia.
Se existem valores extremos a mediana é mais representativa
28
Medidas de Tendência Central
29
Medidas de Tendência Central
Moda
A moda é o valor que ocorre com maior frequência.
frequência Se há mais de um valor nessas condições,
todos eles são chamados modas.
Vendas de pizzas de calabresa:
63, 59, 56, 52, 49, 46, 40, 38, 38.
O valor da moda é 38, por que o número 38 ocorre duas vezes.
Vendas de pizza tipo bacon/abacaxi:
29, 35, 35, 36, 36, 36, 37, 39, 340
A moda é 36, que ocorre três vezes.
Vendas de pizzas de cogumelo:
53, 52, 49, 48, 47, 46, 44, 41.
Não há moda. amodal
30
Média - Mediana - Moda
CURVAS
31
Média μx
É o centro de gravidade da distribuição,
distribuição é um
parâmetro de localização.
fdp(x)
μ1 μ2 μ3 μ4 X
32
Resumo
33
Medidas de Tendência Central
Como calcular as medidas de tendência central média,
mediana e moda, considerando uma distribuição por
classe de valores?
D1
Mo lmo xh
xi . f i D1 D2
x
fi Mo
lL
(da classe de maior frequencia)
2
fi D ff
Fant 1 ant
Md lmd 2 xh D ff
f md 2 post
34
Medidas de Dispersão
O termo dispersão indica o grau de afastamento de
um conjunto de números em relação à sua média.
média
35
Medidas de Dispersão
Amplitude
É a forma mais simples de se medir a dispersão, é a diferença
entre o maior e o menor valor.
valor
Vendas de pizzas de calabresa:
63, 59, 56, 52, 49, 46, 40, 38, 38.
Amplitude = 63-38 = 25.
A amplitude nem sempre é uma boa medida para a dispersão de
toda a distribuição.
Lista a: 500 250 250 250 250 0
Lista b: 500 490 480 20 10 0
As amplitudes são 500, mas a dispersão geral em relação à lista b
é muito maior que a dispersão geral em relação à lista a.
36
Medidas de Dispersão
Desvio médio absoluto (Dm)
O desvio médio absoluto leva em conta todos os números da
relação, observando a distância de cada número à média
aritmética do conjunto.
conjunto
Vendas de pizzas tipo calabresa Distância da média
40 | 40 - 49 | = 9
56 | 56 - 49 | = 7
xi x
38
38
| 38 - 49 | = 11
| 38 - 49 | = 11
Dm
63 | 63 - 49 | = 14 n
59 | 59 - 49 | = 10
52 | 52 - 49 | = 3
49 | 49 - 49 | = 0
46 | 46 - 49 | = 3
9 7 11 11 14 10 3 0 3 68
Dm 7,556
9 9
37
Medidas de Dispersão
Variância (Var = S² = σ²)
A função módulo usada no desvio médio absoluto em certos casos é
inconveniente.
Para muitos propósitos, é interessante elevar ao quadrado cada
desvio e tomar a média de todos esses quadrados, essa grandeza
é chamada variância. Acompanhe a tabela abaixo.
Vendas de pizzas tipo calabresa Distância da média 2
40 ( 40 - 49 ) ² = 81 n 2
56
38
( 56 - 49 ) ² = 49
( 38 - 49 ) ² = 121
x x
i
38 ( 38 - 49 ) ² = 121 Var ( x) 2 i 1
63 ( 63 - 49 ) ² = 196 n
59 ( 59 - 49 ) ² = 100
52 ( 52 - 49 ) ² = 9
686
49 ( 49 - 49 ) ² = 0 Var ( x) 76,222
46 ( 46 - 49 ) ² = 9 9
TOTAL 686
38
Medidas de Dispersão
Desvio Padrão (S = σ)
O desvio padrão é a raiz quadrada da variância.
variância
Desvantagem da variância: o seu valor numérico é difícil de
interpretar, a variância tem como unidade o quadrado da
unidade de medida de x, no caso 76,222 pizzas².
n 2
x x
i
S i 1
n
39
Teorema de Tchebichev
Considere a lista de vendas de pizza
38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63
38
k 17,4 x 49 k 17,4
k 2 k 2
(desvio padrão)
CV Medida de Dispersão Relativa
(média ) x
CV baixo <15%
CV Médio entre 15 e 30%
8,731
CV 0,178 17,8% CV alto > 30%
x 49
41
Variância σx2 e Desvio padrão σx
fdp(x)
σ1 σ2 σ3 σ4 X
42
Resumo
Medidas de dispersão populacionais e amostrais.
n 2
2
x x
i
n 2
Variância populacional σ i 1
n x x
i
Variância amostral S2 i 1
n 1
n 2
x x i
Desvio padrão populacional σ i 1
n n 2
x x
i
Desvio padrão amostral S i 1
n 1
43
Resumo
2 2
f i .xi f i .xi
s
n n
44
H iHistograma
s to g ra m a
U m h is t o g r a m a é u m g r á f ic o d e c o lu n a s j u s t a p o s t a s , c u j a s b a s e s
s e lo c a liz a m s o b r e o e ix o h o r iz o n t a l d e m o d o q u e o s p o n t o s m é d io
c o in c id a m c o m o s p o n t o s m é d io s d o s in t e r v a lo s d e c la s s e .
f
12
0
150 158 166 174 C la s s e s
E staturas
45
Experimento e Espaço Amostral
46
População - Amostra - Evento
População - todo o conjunto de seres em estudo.
Amostra - parte da população a ser analisada.
Evento - subconjunto do espaço amostral tal que todos
os elementos a este pertencente satisfaçam a uma
regra comum.
Especificação de um evento - pela regra que os
elementos satisfazem ou pela enumeração de todos os
seus elementos.
Exemplo (com base no dado)
Espaço amostral: S={1, 2, 3, 4, 5, 6}
Evento: A={Número mostrado menor que quatro} ou A={1, 2, 3}
47
Exemplos
Experimento - Espaço Amostral - Eventos
Lançar um dado e ver o número mostrado
S={1,2,3,4,5,6}
A={nº menor que 4}=
4}={1,2,3}
Lançar duas moedas e observar as faces
S={CaCa,CaCo,CoCa,CoCo}
B={no
B={n o
mínimo
mínimo uma
uma cara}=
cara}={CaCa,CaCo,CoCa}
Lançar duas moedas e contar o número de caras
S={0, 1, 2}
C={nenhuma}={0}
C={nenhuma}=
48
Tipos de Eventos
49
Probabilidade
Probabilidade de um evento P(A) – número entre 0
e 1 que indica a chance de ocorrência de um evento
quando o experimento a este associado é executado.
P(A) = 0 → Evento que não pode ocorrer.
P(A) = 1 → Evento certo de ocorrer
P({moeda mostra cara})=0,5
P({dado mostra “5”})= 1/6
50
Definições de Probabilidade
1 - Se um experimento pode ocorrer de N maneiras e se
o evento “A” pode ocorrer em “n” destes testes
então a probabilidade de “A” ocorrer é: P(A) = n / N.
Probabilidade calculada pelo método de análise de
experimento (dado, moeda...).
2 - Se um evento com atributo “A” ocorre n vezes em N
experimentos, então para valores grandes de N, P(A) se
aproxima de n / N. Probabilidade calculada pelo método
de frequência relativa (confiabilidade e CQ)
P(A)= lim N → ∞ (n / N)
51
Variáveis Aleatórias
Variável aleatória - É uma variável que assume um
valor aleatório. O próximo valor não pode ser previsível
com certeza.
Exemplos:
a) Núm. mostrado por um dado arremessado.
b) Núm. de coroas (H) quando uma moeda é arremessada 3 vezes.
c) O peso de um recém nascido num hospital.
d) A altura de um adulto.
e) Núm de arremessos necessários para uma moeda dar 3 caras
(T) consecutivas.
52
Tipos de Variáveis Aleatórias
53
Distribuições de Probabilidade
Distribuições são modelos matemáticos para
descrever o comportamento de variáveis aleatórias.
Tais modelos são usados em controle de qualidade e
confiabilidade. Serão vistas as seguintes
distribuições:
1 - Binomial (discreta)
2 - Poisson (discreta)
3 - Normal (contínua)
54
Distribuições Binomial
Diz-se que a variável X tem distribuição binomial com
parâmetros n e p se a função massa de probabilidade é :
n x
px . p 1 p , x 0,1,..., n
n x
x
Parâmetros
n n! “n” e “p”
Onde :
x x!n x !
X ~ B(n,p)
55
Medidas Características
Para a variável aleatória X ~ B( n , p) tem-se:
Média μx = n.p
(número de tentativas x probabilidade de sucesso)
56
Exemplos de Variáveis Aleatórias Binomiais
57
Exercícios
58
Distribuição de Poisson
Diz-se que a variável aleatória X segue a
distribuição de Poisson se a sua fmp é :
e x Parâmetro :
p( x) , x 0,1,2...
x! " "
x! x.( x 1)( x 2)..1 X ~ Po( )
59
Distribuição de Poisson
Aplicações
Esta distribuição é um bom modelo para descrever o
comportamento das variáveis aleatórias nos seguintes exemplos:
60
Requisitos de um Processo Poisson
1. Os números de eventos durante intervalos são sobre
postos de tempo ou área (ou outra grandeza) constituem
variáveis aleatórias independentes;
2. A distribuição do número de eventos durante um intervalo
(tempo ou espaço) depende apenas do comprimento do
intervalo e não de seus pontos extremos;
3. Para pequenos intervalos, a probabilidade de ocorrência de
um evento é diretamente proporcional ao comprimento do
intervalo;
4. A probabilidade de ocorrência de dois ou mais eventos
para intervalos infinitesimais é desprezível;
5. A condição inicial do processo é que o evento não ocorreu.
No instante zero de tempo o evento ainda não ocorreu.
61
Exercício
62
Distribuição Normal
Das distribuições de variável aleatória
contínua, uma das mais empregadas é a
distribuição normal.
Propriedades:
x
1ª) A variável aleatória pode assumir todo e qualquer valor real.
2ª) O gráfico é uma curva em forma de sino, simétrica em torno da média (curva de Gauss).
3ª) A área total limitada pela curva é igual a 1.
4ª) A curva é assintótica em relação ao eixo das abscissas.
5ª) Como a curva é simétrica em torno da média: p ( X x ) P ( X x ) 0,5
63
Distribuição Normal
OBS: Quando temos em mãos uma variável aleatória com
distribuição normal, nosso principal interesse é obter a
probabilidade de essa variável aleatória assumir um valor em
um determinado intervalo.
Ex.: Seja X a variável aleatória que representa os diâmetros
dos parafusos produzidos por uma certa máquina. Vamos
supor que essa variável tenha distribuição normal com média
2cm e desvio padrão de 0,04cm.
Qual a probabilidade de um parafuso ter diâmetro entre 2 e
2,05cm?
Ou p (2 X 2,05)
64
Distribuição Normal
Para se trabalhar com a distribuição normal,
podemos facilitar os cálculos transformando os
valores reais em valores reduzidos.
xx
z
s
Obs.: As tabelas para uso da distribuição normal reduzida são construídas
considerando a média igual a zero e o desvio padrão igual a 1
66
Estimativa Intervalar
Estimação consiste na utilização de informações
amostrais para estimar parâmetros populacionais.
Estimadore s Parâmetros
x , s 2 , s, p̂ , 2 , , p
67
Estimativa Intervalar
Intervalo de Confiança
É o intervalo centrado numa estimativa pontual que
deverá conter o valor do parâmetro com determinada
probabilidade.
69
Estimativa Intervalar
Solução:
N 1000
3
n 100
90%
x 50 2 2
1 90% - Z Z
z / 2 1,64 (tabelado)
Utilizando a fórmula e o fator de correção,
Observar que foi utilizada a podemos ter 90% de confiança que o consumo
distribuição normal por temos o valor médio está entre R$ 49,53 e R$ 50,47 com
do desvio populacional e o tamanho da
amostra ser acima de 30. um erro máximo de R$ 0,47
Caso contrário deveríamos utilizar a
distribuição de Student. p (49,53 50,47) 0,90
70
Estimativa Intervalar
Uma pesquisa efetuada com 300 habitantes de uma cidade
revelou que 128 consideravam a energia elétrica o principal
problema da cidade.
Determine um intervalo de confiança de 95% para a proporção
dos habitantes que consideram a energia elétrica o principal
problema.
n 300 pˆ qˆ
pˆ Z / 2
n
128
pˆ 0,4267 Podemos ter 95% de confiança que a
300 proporção de habitantes que considera
a energia elétrica o principal problema
1 0,95 está entre 37,07% e 48,27%
71
Correlação
Freqüentemente procura-se verificar a relação entre duas
ou mais variáveis aleatórias. Ex.: relação entre vendas de
empresas e gastos promocionais, relação entre a demanda
de determinado produto e o seu preço ou mesmo relação
entre tempo de uso de um pneu e sua propensão em falhar.
A correlação pode ser forte, fraca ou nula. Os limites
destas faixas não são claramente definidos e podem variar
dependendo do fenômeno estudado.
Correlação linear simples - mede a relação entre as
variáveis X e Y por meio da disposição de pontos (X,Y) em
torno de uma reta.
72
Correlação
X Y
X .Y n
rXY
1 rXY 1
X
2
X 2
. Y
2
Y 2
n n
73
Correlação
Y 0 rXY 1 Y rXY 1
X X Y rXY 0
Correlação linear Correlação linear
positiva perfeita positiva
Y 1 rXY 0 Y rXY 1
X
Correlação linear
positiva
X X
Correlação linear Correlação linear
negativa perfeita negativa
74
Exercício
Calcule o coeficiente de correlação linear entre as variáveis X e Y.
i X Y
1 2 10
2 4 8
3 6 6
X Y
4 8 10 X .Y n
5 10 12 rXY
X
2
X 2
. Y
2
Y 2
n n
75
Resposta
Cálculo do coeficiente de correlação linear entre as variáveis X e Y.
i X Y X.Y X2 Y2
1 2 10 20 4 100
2 4 8 32 16 64
3 6 6 36 36 36
4 8 10 80 64 100
5 10 12 120 100 144
X Y 30 46
X .Y n
288
5
rXY 0,048
X
X 2
2
Y
. Y 2
2
220
220
. 444
444
n n 5 5
76
No Excel
Calcule o coeficiente de correlação linear entre as variáveis X e Y.
i X Y
1 2 10
2 4 8
3 6 6
X Y
4 8 10 X .Y n
5 10 12 rXY
X
2
X 2
. Y
2
Y 2
n n
77
Análise de Regressão Linear Simples
Yˆ a bX
X 79
Método dos Mínimos Quadrados
Y
Yˆ a bX
X
a
n. xy x. y
b
Y b X
n. x 2 ( x) 2 n n
Yˆ aX b
81
Coeficiente de Determinação R²
R2 - indica a qualidade
X .Y
X Y 2
do ajustamento. Quanto
n mais próximo de 1,
R 2 rXY
2
X
2
X 2
. Y
2
Y 2
melhor a qualidade.
n
n
0 R 2
1
R2 1
R2 1
Ajustamento linear perfeito
82
Exemplos de R²
R 2 0,99 R 2 0,90 R 2 0,75
R 2 0,50 R 2 0,25 R2 0
83
Exemplo de Regressão Linear
Ajuste a função aos pares XY e calcule R².
i X Y
Yˆ a bX 1 1 4
X 2 2 6
3 7 12
4 8 15
84
Exemplo de Regressão Linear
Solução:
i X Y X.Y X2 Y2
1 1 4 4 1 16
2 2 6 12 4 36
3 7 12 84 49 144
4 8 15 120 64 225
Y
Σ 220 118 421
a 0,982325
b 1,445946
Yˆ a bX
R2 0,982325
X
85
Cuidados Sobre Predição de Valores de Y
86
Cuidados Sobre Predição de Valores de Y
87
Cuidados Sobre Predição de Valores de Y
88
SENAI DENDEZEIROS