Apostila Estatistica

E
E
s
s
t
t
a
a
t
t
s
s
t
t
i
i
c
c
a
a

e
e

P
P
r
r
o
o
b
b
a
a
b
b
i
i
l
l
i
i
d
d
a
a
d
d
e
e

P Pr ro of fe es ss so or re es s: :
D Da an ni ie el la a C Ca ar ri in ne e R Ra am mi ir re es s d de e O Ol li iv ve ei ir ra a
M Ma ar rc co os s S Sa an nt to os s d de e O Ol li iv ve ei ir ra a

Prof. Daniela ____/____/____
ii

ndice

1. Introduo Estatstica 1

1.1. O que Estatstica? 1
1.2. Estatstica na Prtica 1
1.3. Um pouco da histria da Estatstica 2
1.4. Exerccios 2

2. Variveis 3

2.1. Definio de Varivel 3
2.2. Classificao das Variveis 3
2.3. Exerccios 5

3. Amostragem 6

3.1. Por que fazer Amostragem? 6
3.2. Quando o uso de amostragem no interessante? 6
3.3. Tipos de Amostragem 6
3.3.1. Amostragem Aleatria Simples (AAS) 6
3.3.2. Amostragem Sistemtica (AS) 7
3.3.3. Amostragem Estratificada (AE) 8
3.3.4. Amostragem por Conglomerado (AC) 9
3.4. Exerccios 10

4. Tabulao de Variveis 11

4.1. Variveis Qualitativas Unidimensionais 11
4.2. Variveis Quantitativas Unidimensionais 12
4.3. Variveis Qualitativas e Quantitativas Bidimensionais 13
4.4. Exerccios 14

5. Medidas de Posio 15

5.1. Mnimo e Mximo 15
5.2. Moda 15
5.3. Mdia 15
5.4. Mediana 16
5.5. Exerccios 18
Prof. Daniela ____/____/____
iii

6. Medidas de Disperso 19

6.1. Motivao 19
6.2. Amplitude 19
6.3. Varincia e Desvio Padro 19
6.4. Intervalo Interquartil 21
6.5. Exerccios 21

7. Estatstica Grfica 22

7.1. Grficos para as Variveis Qualitativas 22
7.1.1. Grfico em Barras 22
7.1.2. Grfico de Composio em Setores (Pizza) 23
7.1.3. Grfico de Pareto 23
7.2. Grficos para as Variveis Quantitativas 25
7.2.1. Grfico em Barras 25
7.2.2. Grfico de Pontos 26
7.2.3. Histograma 26
7.2.4. Grfico em Linhas (ou Grfico Temporal) 27
7.2.5. Ramo-e-Folhas 28
7.2.6. Desenho Esquemtico ou Diagrama de Caixas (Box-Plot) 29
7.3 Exerccios 31

8. Correlao e Regresso 32

8.1. Estudo da relao entre variveis 32
8.2. Diagrama de Disperso 32
8.3. Coeficiente de Correlao 35
8.4. Regresso Linear Simples 37
8.5. Coeficiente de Determinao 39
8.6. Exerccios 40

Lista de Exerccios 1 41

9. Probabilidade 44

9.1. Processo ou Experimento Aleatrio 44
9.2. Espao Amostral (O) 44
9.3. Evento 45
9.4. Exerccios 46
9.5. Introduo Probabilidade 47
Prof. Daniela ____/____/____
iv
9.6. Definio Clssica 48
9.7. Definio Freqentista 49
9.8. Definio Subjetiva 51
9.9. Definio Moderna 51
9.10. Probabilidade Condicional 52
9.11. Independncia de Eventos 53
9.12. Regra da Probabilidade Total 54
9.13. Teorema de Bayes 54

10. Varivel Aleatria Discreta 56

10.1. Introduo 56
10.2. Esperana Matemtica (Mdia) 57
10.3. Varincia 58
10.4. Exerccio 58
10.5. Modelo Bernoulli 58
10.6. Modelo Binomial 59
10.7. Exerccios 60
10.8. Distribuio Hipergeomtrica 60
10.9 Exerccio 61
10.10. Distribuio Poisson 61
10.11. Exerccios 62

11. Varivel Aleatria Contnua 63

11.1. Esperana e Varincia 65
11.2. Distribuio Normal 66
11.3. Tabela da Distribuio Normal Padro 69
11.4. Exerccios 72


12. Estimao 76

12.1. Introduo 76
12.2. Proporo 76
12.3. Mdia Populacional 79
12.3.1. Estimativa Intervalar para a Mdia Populacional com Varincia
Populacional Conhecida

79
12.3.2. Estimativa Intervalar para a Mdia Populacional com Varincia
Populacional Desconhecida

81
12.4. Estimativa Intervalar para a Varincia (o
2
) ou Desvio Padro (o) 82
Prof. Daniela ____/____/____
v

13. Testes de Hipteses 84

13.1. Introduo 84
13.2. Formulao das Hipteses 84
13.3. Tipos de Erros possveis nos Testes de Hipteses 84
13.4. Nvel de Significncia de um Teste de Hiptese (o) 85
13.5. Teste de Hipteses para a Proporo 85
13.6. Exerccios 87
13.7. Teste de Hipteses para Mdia com Varincia Populacional Conhecida 87
13.8 Exerccios 89
13.9 Teste de Hipteses para Mdia com Varincia Populacional Desconhecida 89
13.10. Exerccios 91
13.11 Teste de Hipteses para a Varincia ou o Desvio Padro 92
13.12. Exerccios 93


Apndices

A Gabarito da Lista de Exerccios 1 96
B Gabarito da Lista de Exerccios 2 102
C Gabarito da Lista de Exerccios 3 103
Tabelas

I Normal Padro 104
II t de Student 105
III Qui Quadrado 106

Prof. Daniela ____/____/____
1
1. INTRODUO ESTATSTICA

1.1. O que Estatstica?

Estatstica uma cincia que nos permite coletar, organizar, descrever, analisar e interpretar
dados oriundos de estudos ou experimentos, realizados em qualquer rea do conhecimento.
Estamos denominando por dados a um (ou mais) conjunto de valores, numricos ou no. A
aplicabilidade das tcnicas a serem discutidas se d nas mais variadas reas das atividades
humanas. Assim, o principal objetivo da Estatstica nos auxiliar a tomar decises ou tirar
concluses em situaes de incerteza, a partir de informaes numricas.

1.2. Estatstica na Prtica

Populao: o conjunto de todos os elementos que nos interessa estudar. Deve ser notado que na
terminologia estatstica, populao refere-se no somente a uma coleo de indivduos, mas ao alvo
no qual reside nosso interesse. Exemplos: todos os clientes de um banco, todos os alunos de uma
faculdade, todos os automveis da Ford, todo o sangue no corpo de uma pessoa, etc.

Tcnicas de Amostragem: ferramentas que nos auxiliam a coletar amostras.

Planejamento de Experimentos: criar um esquema e teoria necessrias para verificao de
hipteses cientficas.

Amostra: qualquer subconjunto da populao.

Anlise Descritiva: Conjunto de tcnicas destinadas a descrever e resumir os dados a fim de
tirarmos concluses a respeito de caractersticas de interesse.

Probabilidade: Teoria utilizada para se estudar a incerteza associada a fenmenos aleatrios.

Inferncia Estatstica: Tcnicas que possibilitam a extrapolao, a um grande conjunto de dados
(populao), das informaes e concluses obtidas a partir de um subconjunto de valores
(amostra).
Populao
(Caractersticas)
Amostra
Informaes
contidas
nos dados
Concluses
sobre as
caractersticas
da populao
Tcnicas de
amostragem
Anlise
descritiva
Inferncia
Estatstica
Clculo de
Probabilidades
Populao
(Caractersticas)
Amostra
Informaes
contidas
nos dados
Concluses
sobre as
caractersticas
da populao
Tcnicas de amostragem
Anlise
descritiva
Inferncia
Estatstica
Clculo de
Probabilidades
Planejamento de Experimentos
Prof. Daniela ____/____/____
2
1.3. Um pouco da histria da Estatstica

5000 AC Registros egpcios de presos de guerra;
2000 AC Censo Chins;
695 Primeira utilizao da mdia ponderada pelos rabes na contagem de moedas;
1654 Pierre de Fermat e Blaise Pascal estabelecem os Princpios do Clculo das
Probabilidades;
1763 Inferncia Estatstica (Reverendo Bayes);
1930 Controle de Qualidade nas indstrias;
1959 Estudo retrospectivo de doenas (Mantel & Haenszel);
1996 Profundidade da Regresso (Rousseeuw e Hubert);
1997 Modelos Fatoriais;
2001 100 anos da Biometrika.

Maiores detalhes sobre a histria da Estatstica no site: http://www.redeabe.org.br/historia.htm

1.4. Exerccios Parte I A1

1) Para as situaes descritas a seguir, identifique a populao e a amostra correspondente.

(a) Para avaliar a eficcia de uma campanha de vacinao no Estado de Minas Gerais, 200 mes de
recm-nascidos durante o primeiro semestre de um dado ano, em uma dada maternidade em Belo
Horizonte, foram perguntadas a respeito da ltima vez que vacinaram seus filhos.
Populao:

Amostra:

(b) Uma amostra de sangue foi retirada de um paciente com suspeita de anemia.
Populao:

Amostra:

(c) Para verificar a audincia de um programa de TV, 563 indivduos foram entrevistados por
telefone com relao ao canal em que estavam sintonizados.
Populao:

Amostra:

Prof. Daniela ____/____/____
3
2. VARIVEIS

2.1. Definio de Varivel

Qualquer caracterstica associada a uma populao chamada de varivel.
Porque o nome varivel? Porque ela varia de alguma forma.

Exemplos: Idade: pode variar de 0, 1 , 2, ... anos
Sexo: pode ser masculino ou feminino
Estado Civil: pode ser solteiro, casado, divorciado, etc.

2.2. Classificao das Variveis

As variveis podem ser classificadas como Qualitativas ou Quantitativas.
Algumas variveis como sexo, grau de instruo, estado civil, regio de procedncia,
apresentam como possveis resultados uma qualidade (ou atributo) do indivduo pesquisado, logo,
estas variveis so chamadas de variveis Qualitativas.
As variveis como nmero de filhos, salrio, idade, apresentam como possveis resultados
nmeros resultantes de uma contagem ou mensurao, logo, estas variveis so chamadas de
variveis Quantitativas.

Exemplo: Um pesquisador est interessado em fazer um levantamento sobre alguns aspectos
socio-econmicos dos empregados da seo de oramentos de uma empresa. Usando informaes
obtidas do departamento pessoal, ele elaborou a Tabela 2.1.

Tabela 2.1: Informaes sobre estado civil, grau de instruo, nmero de filhos, salrio (expresso
como frao do salrio mnimo), idade (medida em anos e meses) e procedncia de 36 empregados
da seo de oramentos de uma Empresa.
Idade
N Estado Civil Grau de Instruo N de Filhos Salrio Anos Meses Regio de Procedncia
1 Solteiro Fundamental ... 4,00 26 3 Interior
2 Casado Fundamental 1 4,56 32 10 Capital
... ... ... ... ... ... ... ...
35 Casado Mdio 2 19,40 48 11 Capital
36 Casado Superior 3 23,30 42 2 Interior
Fonte: Bussab e Morettin (2002)

Observaes sobre a Tabela 2.1.
De modo geral, para cada elemento investigado numa pesquisa, tem-se associado um (ou
mais de um) resultado correspondendo realizao de uma caracterstica (ou caractersticas). Por
exemplo, considerando a varivel estado civil, para cada empregado pode-se associar um dos
resultados, solteiro ou casado (note que poderia haver outras possibilidades, como separado,
divorciado, mas somente as duas mencionadas foram consideradas no estudo).

Prof. Daniela ____/____/____
4
Dentre as variveis Qualitativas, ainda podemos fazer uma distino entre dois tipos:

Varivel Qualitativa Nominal: para a qual no existe nenhuma ordenao nos possveis
resultados.
Exemplo: Regio de Procedncia, etc.

Varivel Qualitativa Ordinal: para a qual existe uma ordem natural nos seus resultados.
Exemplo: Grau de instruo, etc.

As variveis Quantitativas tambm podem sofrer uma classificao dicotmica:

Varivel Quantitativa Discreta: cujos possveis valores formam um conjunto finito ou
enumervel de nmeros, e que resultam, freqentemente, de uma contagem.
Exemplo: N de Filhos, etc.

Varivel Quantitativa Contnua: cujos possveis valores pertencem a um intervalo de nmeros
reais e que resultam de uma mensurao.
Exemplo: Salrio, etc.

Resumindo
Como as variveis so classificadas e outros exemplos:

Qualitativa
Nominal Sexo, Cor dos Olhos.
Ordinal Estado Civil, Classe social.

Quantitativa
Discreta Nmeros de carros.
Contnua Peso, altura.

Para cada tipo de varivel existem tcnicas apropriadas para resumir as informaes dos
dados obtidos da amostra. Por exemplo, a utilizao de uma tabela uma forma de escrever os
dados de uma forma resumida.
Em algumas situaes podem-se atribuir valores numricos s vrias qualidades ou
atributos de uma varivel qualitativa e depois se proceder anlise como se esta fosse quantitativa,
desde que o procedimento seja passvel de interpretao.

Existe um tipo de varivel qualitativa para a qual essa quantificao muito til: a chamada
varivel dicotmica. Para essa varivel podem ocorrer somente duas realizaes, usualmente
chamadas de sucesso e fracasso.

Exemplos: Sexo (Masculino ou Feminino), Hbito de Fumar (Sim ou No), etc.

Prof. Daniela ____/____/____
5

1) Um questionrio foi aplicado aos alunos do primeiro ano de uma escola fornecendo as seguintes
informaes:
ID: Identificao do aluno;
Turma: Turma a que o aluno foi alocado (A ou B);
Sexo: Feminino (F) ou Masculino (M);
Idade: Idade;
Alt: Altura;
Peso: Peso;
Filh: Nmero de filhos na famlia;
Fuma: Hbito de fumar (sim ou no);
Toler: Tolerncia ao cigarro: (I) Indiferente, (P) Incomoda Pouco e (M) Incomoda Muito;
Exer: Horas de atividade fsica, por semana;
Cine: Nmero de vezes que vai ao cinema por semana;
OpCine: Opinio a respeito das salas de cinema na cidade: (B) regular a boa e (M) muito boa
TV: Horas gastas assistindo TV, por semana
OpTV: Opinio da programao na TV: (R) Ruim, (M) Mdia, (B) Boa e (N) no sabe.

Tabela 2.2: Informaes do questionrio estudantil.
ID Turma Sexo Idade Alt Peso Filh Fuma Toler Exer Cine Opcine Tv OpTV
1 A F 17 1,60 60,5 2 No P 0 1 B 16,5 R
2 A F 18 1,69 55,0 1 No M 0 1 B 7 R
... ... ... ... ... ... ... ... ... ... ... ... ... ...
49 B M 17 1,80 71,0 1 No P 7 0 M 14 R
50 B M 18 1,83 86,0 1 No P 7 7 M 20 B
Fonte: Magalhes e Lima (2004).

Classifique as variveis da Tabela 2.2. como
Varivel Qualitativa Nominal:

Varivel Qualitativa Ordinal:

Varivel Quantitativa Discreta:

Varivel Quantitativa Contnua:

Prof. Daniela ____/____/____
6
3. AMOSTRAGEM

A amostragem naturalmente usada em nossa vida diria. Por exemplo, para verificar o
tempero de um alimento em preparao, podemos provar (observar) uma pequena poro deste
alimento. Estamos fazendo uma amostragem, ou seja, extraindo do todo (populao), uma parte
(amostra) com propsito de avaliarmos sobre a qualidade do tempero de todo o alimento.

3.1. Por que fazer Amostragem?

Existem vrias razes para o uso de amostragem em levantamento de grandes populaes.
Algumas delas so:
Economia: Em geral, torna-se bem mais econmico o levantamento de somente uma parte
da populao.
Tempo: Numa pesquisa eleitoral, a trs dias de uma eleio presidencial, no haveria tempo
suficiente para pesquisar toda a populao de eleitores do pas.
Operacionalidade: mais fcil realizar operaes de pequena escala. Um dos problemas
tpicos nos grandes censos o controle dos entrevistadores.

3.2. Quando o uso de amostragem no interessante?

Populao pequena: No h necessidade de utilizar tcnicas estatsticas, pois neste caso
aconselhvel realizar o censo (anlise de toda a populao).
Caracterstica de fcil mensurao: Talvez a populao no seja to pequena, mas a
varivel que se quer observar de to fcil mensurao, que no compensa investir num
plano de amostragem. Por exemplo, para verificar a porcentagem de funcionrios
favorveis mudana no horrio de um turno de trabalho, podemos entrevistar toda a
populao no prprio local de trabalho. Esta atitude pode ser politicamente mais
recomendvel.
Necessidade de alta preciso: A cada dez anos o IBGE realiza um Censo
1
Demogrfico
para estudar diversas caracterstica da populao brasileira. Dentre estas caractersticas tm-
se o nmero total de habitantes, que fundamental para o planejamento do pas. Desta
forma, o nmero de habitantes precisa ser avaliado com grande preciso e, por isto, se
pesquisa toda a populao.

3.3. Tipos de Amostragem

3.3.1. Amostragem Aleatria Simples (AAS)

A tcnica de Amostragem Aleatria Simples (ou Amostragem Casual Simples) o mtodo
mais simples e um dos mais importantes para a seleo de uma amostra. Para a seleo de uma
AAS precisamos ter uma lista completa dos elementos da populao. Este tipo de amostragem
consiste em selecionar a amostra atravs de um sorteio. Sua principal caracterstica est no fato de
todos os elementos da populao ter igual probabilidade de serem escolhidos.

1
Censo: estudo de todos os elementos da populao.
Prof. Daniela ____/____/____
7
Procedimento para o uso deste mtodo:
1) Numerar todos os elementos da populao (N elementos);
2) Efetuar sucessivos sorteios at completar o tamanho da amostra (n).

Para realizar este sorteio, podemos utilizar urnas, tabelas de nmeros aleatrios ou algum
software que gere nmeros aleatrios. A Tabela abaixo foi feita usando o Excel
.

Tabela de Nmeros Aleatrios

Exemplo: Estamos interessados em estudar a qualidade da gasolina nos postos de uma
determinada cidade. Essa cidade possui N =40 postos. A empresa que estudar a qualidade pode
investigar apenas uma amostra de n =4 postos. Para selecionarmos uma amostra, utilizando a
amostragem casual simples, basta escolhermos uma posio de qualquer linha da tabela de
nmeros aleatrios e extrairmos conjuntos de dois algarismos (pois N, que o tamanho da
populao, possui 2 casas decimais), at completarmos os 4 elementos da amostra. Se o nmero
sorteado no existir, simplesmente no consideramos e prosseguimos o processo.
Escolhendo a primeira linha da Tabela de Nmeros Aleatrios, temos a seguinte amostra de
4 elementos: {09, 26, 29, 11}.

Exemplo: Considere agora, uma populao com 500 elementos e, deseja-se retirar dessa populao
10 elementos. Obtenha uma AAS utilizando a primeira linha da Tabela de Nmeros Aleatrios.

3.3.2. Amostragem Sistemtica (AS)

utilizada quando a populao est naturalmente ordenada, como listas telefnicas, fichas
de cadastramento, produo de garrafas da cervejas, etc.
Procedimento para o uso deste mtodo:

1) Seja N o tamanho da populao e n o tamanho amostral. Calcula-se o intervalo da
amostragem i =N/n (considera-se apenas a parte inteira do nmero).
6 1 0 9 2 6 2 9 8 5 1 1 9 5 7 7 7 9 0 4 5 7 0 0 9 1 2 9 5 9 8 3 5 3 8 7 0 2 0 2
9 4 4 7 4 0 9 9 9 3 8 2 1 3 2 2 4 0 3 3 1 9 7 2 5 5 6 9 8 2 1 6 9 4 2 1 6 6 3 9
5 0 4 0 5 0 5 5 7 9 0 0 5 8 1 7 2 6 3 0 3 8 1 1 5 4 8 9 0 4 1 3 6 9 1 7 3 5 4 8
5 8 9 3 4 2 7 0 1 5 2 8 9 6 2 4 7 5 0 3 0 0 4 5 8 6 6 8 7 9 0 2 5 8 9 6 2 4 8 5
8 0 4 8 9 6 3 2 5 8 1 2 5 8 7 4 6 3 2 1 4 8 9 6 5 4 1 2 3 2 0 1 4 5 2 3 6 9 8 0
1 2 8 7 5 6 3 2 1 0 8 5 6 4 9 7 3 2 1 0 5 9 4 7 6 4 1 2 3 3 0 1 2 5 8 9 7 4 1 0
3 1 4 5 8 7 6 9 3 2 0 1 4 5 6 9 8 7 4 5 9 8 7 4 5 6 3 2 1 5 9 4 5 6 0 2 5 8 0 0
8 5 1 8 9 6 5 4 7 3 1 0 2 5 8 9 6 3 2 0 4 7 8 9 6 3 2 0 1 4 8 2 3 6 8 9 5 2 0 1
0 8 5 8 9 6 3 2 1 4 5 2 5 8 9 6 3 2 1 4 8 5 2 3 0 2 5 7 4 0 8 5 6 3 1 2 5 2 3 0
9 0 1 2 5 9 0 3 6 8 2 0 3 5 8 4 6 1 3 0 5 8 7 9 6 3 2 0 1 8 9 6 3 2 5 8 4 1 0 3
1 9 1 5 8 9 6 3 2 1 7 8 9 6 5 2 0 3 2 5 9 6 3 2 0 1 5 8 9 6 2 1 5 4 7 9 9 4 0 2
2 7 9 1 2 3 5 8 9 6 0 1 5 4 2 0 3 6 9 8 2 5 8 0 2 1 4 8 0 9 5 2 0 3 2 1 2 4 8 9
5 6 1 9 4 5 9 6 3 2 1 4 7 8 9 6 3 0 1 5 1 4 5 8 9 6 3 2 1 4 0 2 1 3 6 5 4 7 8 9
9 2 5 1 2 3 5 8 9 4 3 2 1 4 7 0 2 3 0 0 4 5 6 3 0 0 1 4 5 2 9 3 0 2 5 8 9 2 6 4
6 3 3 1 2 5 8 7 0 3 9 4 7 8 4 1 0 1 3 6 8 7 4 1 2 3 0 2 5 8 6 1 0 2 5 4 6 7 8 9
Prof. Daniela ____/____/____
8
2) Sorteia-se, utilizando a tabela de nmeros aleatrios, um nmero x entre 1 e i formando a
amostra: x, (x +i), (x +2*i), ... , (x +(n-1)*i).

Exemplo: Numa turma com N =36 alunos, deseja-se retirar uma amostra de n =5 elementos para
verificar uma caracterstica de interesse. Utilize a tcnica de amostragem sistemtica para retirar
essa amostra.
1) Calcular: i = N/n = 36/5 = 7,2. Considerando a parte inteira do nmero, temos que i = 7;
2) Sortear um nmero entre 1 e 7 da Tabela de Nmeros Aleatrios. Escolhendo a ltima linha e a
primeira coluna, temos que o primeiro nmero que est entre 1 e 7 6. Logo a amostra ser
composta dos elementos: {06, 13, 20, 27, 34}

Exemplo: Considere agora, uma populao com 500 elementos e, deseja-se retirar dessa populao
10 elementos. Obtenha uma AS utilizando a primeira linha da Tabela de Nmeros Aleatrios,
quando for necessrio.

3.3.3. Amostragem Estratificada (AE)

A populao dividida em subgrupos, denominados estratos (por exemplo, por sexo, renda,
bairro, etc.) e a AAS utilizada na seleo de uma amostra de cada estrato. Esses estratos devem
ser internamente mais homogneos do que a populao toda, com respeito s variveis em estudo.
Aqui, um conhecimento prvio sobre a populao em estudo fundamental.

Estrato 1 Subgrupo 1 da amostra

Amostra
Estratificada
Estrato 2 Subgrupo 2 da amostra
... ... ...
Estrato k Subgrupo k da amostra

A AE tem as seguintes caractersticas:
- dentro de cada estrato h uma grande homogeneidade (pequena variabilidade);
- entre os estratos h uma grande heterogeneidade (grande variabilidade).
Em geral, utiliza-se a AE proporcional. Neste caso, a proporcionalidade do tamanho da
amostra de cada estrato da populao mantida na amostra. Por exemplo, se um estrato
corresponde a 20% do tamanho da populao, ele tambm deve corresponder a 20% da amostra.

Exemplo: Com o objetivo de realizar uma pesquisa de opinio sobre a gesto atual da reitoria em
uma determinada universidade, realizaremos um levantamento por amostragem. A populao
composta por 100 professores, 100 servidores tcnicos administrativos e 300 alunos, que
identificaremos da seguinte forma:
Populao
Professores P001 P002 P100
Servidores S001 S002 ... S100
Alunos A001 A002 ... A300
Prof. Daniela ____/____/____
9
Supondo que a opinio sobre a gesto atual da reitoria possa ser relativamente homogneo
dentro de cada categoria, realizaremos uma amostragem estratificada proporcional por categoria,
para obter uma amostra global de tamanho n =10. A tabela a seguir mostra as relaes de
proporcionalidade.
Estrato Proporo na Populao Tamanho do subgrupo na amostra
Professores 100/500 =0,20 (ou 20%) n
p
=( 0,20)*10 =2
Servidores 100/500 =0,20 (ou 20%) n
s
=( 0,20)*10 =2
Alunos 300/500 =0,60 (ou 60%) n
a
=( 0,60)*10 =6

Para selecionar aleatoriamente dois professores, podemos usar a Tabela de Nmeros
Aleatrios, tomando dois nmeros com trs algarismos. Usando, por exemplo a primeira linha da
tabela de nmeros aleatrios, temos os seguintes professores selecionados: {P045, P020}. Para os
servidores, usando a segunda linha da tabela, temos: {S055, S058}. Usando a terceira linha da
tabela, temos a seguinte amostra de alunos: {A050, A136, A270, A152, A247, A004}. A amostra
{P045, P020, S055, S058, A050, A136, A270, A152, A247, A004} uma amostra estratificada
proporcional da comunidade da universidade. Cada indivduo desta amostra dever ser pesquisado
para se obter a opinio em relao gesto atual da reitoria.

3.3.4. Amostragem por Conglomerado (AC)

A populao dividida em subpopulaes (conglomerados) distintas (quarteires,
residncias, famlias, bairros, etc.). Alguns dos conglomerados so selecionados segundo a AAS e
todos os indivduos nos conglomerados selecionados so observados. Em geral, menos eficiente
que a AAS ou AE, mas por outro lado bem mais econmica. Tal procedimento amostral
adequado quando possvel dividir a populao em um grande nmero de pequenas
subpopulaes.
A AC tem as seguintes caractersticas:
- dentro de cada conglomerado h uma grande heterogeneidade (grande
variabilidade);
- entre os conglomerados h uma pequena variabilidade (grande homogeneidade).

Exemplo: Realizao de uma pesquisa eleitoral em uma cidade com 12 zonas eleitorais. Usando a
tcnica de amostragem por conglomerados, podemos selecionar aleatoriamente 2 zonas eleitorais e,
em seguida, entrevistar todos os eleitores dessas zonas selecionadas

Zona
1
2
3
4
5
6
7
8
9
10
11
12
Entrevistar todos os
eleitores dessas zonas
Zona
1
2
3
4
5
6
7
8
9
10
11
12
Zona
1
2
3
4
5
6
7
8
9
10
11
12
Entrevistar todos os
eleitores dessas zonas
Prof. Daniela ____/____/____
10
Obs.: fcil confundir amostragem estratificada com amostragem por conglomerado, porque
ambas envolvem a formao de subgrupos. A diferena que a amostragem por conglomerado usa
todos os membros de uma amostra de conglomerados, enquanto a amostragem estratificada usa
uma amostra de membros de todos os estratos.

Curiosidade

Tambm podemos encontrar na prtica a Tcnica de Amostragem de Convenincia que
simplesmente usa resultados que sejam muito fceis de obter.


1) Um administrador especialista em avaliar atravs de sistemas informatizados as aes da
BOVESPA, est interessado em fazer uma pesquisa nos preos das aes, para indicar aos seus
clientes se hoje um dia favorvel a fazer investimentos. Ele sabe que existe N =500 aes em
venda. Como o tempo de estudo de cada ao de aproximadamente 10 minutos, decidiu-se
verificar apenas n =25 aes. Utilizando as tcnicas de amostragem aleatria simples, quais aes
sero selecionadas (Use a primeira linha da tabela de nmeros aleatrios)?

2) Um gerente de controle de qualidade estudar fontes de computador que passam numa esteira
transportadora dentro da empresa onde trabalha. Sabendo que por dia passam N =85 fontes e na
amostra dever ter n =10 fontes, quais sero as fontes selecionadas utilizando a tcnica de
amostragem sistemtica? (Quando for necessrio utilizar a Tabela de Nmeros Aleatrios utilize a
primeira linha)

3) Num depsito em uma determinada empresa produtora de materiais eletrnicos possui N =100
computadores que esto separados em duas qualidades. N1 =40 computadores Pentium 3 e N2 =
60 computadores Pentium 4. O custo para verificar se cada computador est sob controle muito
alto. O administrador responsvel disse que a empresa tem condies de verificar apenas n =12
computadores. Utilizando a tcnica de amostragem estratificada proporcional, quais computadores
sero selecionados? (Quando for necessrio utilizar a Tabela de Nmeros Aleatrios utilize a
primeira linha)

Ei ! Vo c a f avor
da pena de mor t e?
Ei ! Vo c a f avor
da pena de mor t e?
Prof. Daniela ____/____/____
11
4. TABULAO DE VARIVEIS

4.1. Variveis Qualitativas Unidimensionais

Quando se estuda uma varivel, o maior interesse do pesquisador conhecer o
comportamento dessa varivel, analisando a ocorrncia de seus possveis resultados.
Uma distribuio de freqncias lista os valores dos dados (individualmente ou por grupos
de intervalos, juntamente com suas freqncias correspondentes (ou contagens)).
A tabela a seguir apresenta a distribuio de freqncias da varivel grau de instruo dos
dados da Tabela 2.1.

Tabela 4.1: Freqncias e Porcentagens dos 36 empregados da seo de oramentos da
Companhia MB segundo o grau de instruo.
Grau de Instruo Freqncia (n
i
) Proporo (f
i
) Porcentagem (100 x f
i
)
Fundamental 12
Mdio 18
Superior 6
Total n =36 1,0000

Interpretao da Tabela 4.1.: Nota-se que dos 36 empregados da seo de oramentos, 33,33%
tem nvel fundamental, 50% nvel mdio e apenas 16,67% nvel superior.
Notao: Usaremos a notao n
i
para indicar a freqncia (absoluta) de cada classificao ou
categoria da varivel. A notao f
i
= n
i
/n para indicar a proporo (ou freqncia relativa) de cada
categoria, sendo o n o nmero total de observaes.
As propores so muito teis quando se querem comparar resultados de duas pesquisas
distintas. O prximo exemplo ilustra este fato.

Exemplo: Suponhamos que se queira comparar a varivel grau de instruo para empregados da
seo de oramentos com a mesma varivel para todos os empregados da Companhia MB.
Digamos que a empresa tenha 2000 empregados e que a distribuio de freqncias seja a tabela
abaixo:

Tabela 4.2: Freqncias e Porcentagens dos 2000 empregados da Companhia MB, segundo o grau
de instruo.
i
) Proporo (f
i
i
)
Fundamental 650
Mdio 1020 0,5100
Superior
Total n =2000 1,0000

Prof. Daniela ____/____/____
12
Comparao entre a Tabela 4.1. e a Tabela 4.2.: No podemos comparar diretamente as colunas
das freqncias (n
i
) das duas tabelas pois os totais de empregados so diferentes nos dois casos (n =
36 e n =2000). Mas as colunas das porcentagens (ou propores) so comparveis, pois reduzimos
as freqncias relativas a um mesmo total.

4.2. Variveis Quantitativas Unidimensionais

A construo de tabelas de freqncias para variveis quantitativas necessita de certos
cuidados. Por exemplo, a construo da tabela de freqncias para a varivel Salrio da Tabela 2.1.,
usando o mesmo procedimento que o grau de instruo, no resumir as 36 observaes num grupo
menor, pois no existem observaes iguais.

Soluo: Agrupar os dados por faixas de salrio. Assim, construmos uma tabela chamada Tabela
de Classes de Freqncias.

Exemplo: Distribuio de Freqncias dos salrios dos 36 empregados da seo de oramentos da
Companhia MB por faixas de salrio:

Companhia MB por faixas de salrio.
Classe de Salrio Freqncia (n
i
) Proporo (f
i
i
)
04 |-- 08 10 0,2778 27,78%
08 |-- 12 12
12 |-- 16 8
16 |-- 20 5
20 |-- 24 1
Total 36 1,0000

Obs.: Procedendo desse modo, ao resumir os dados referentes a uma varivel quantitativa, perde-se
alguma informao. Por exemplo, no sabemos quais so os oito salrios da classe de 12 a 16, a
no ser que investiguemos a tabela original. Sem perda de muita preciso, poderamos supor que
todos os oito salrios daquela classe fossem iguais ao ponto mdio da referida classe, isto , 14.

Nmero de Classes

A escolha dos intervalos arbitrria. A familiaridade do pesquisador com os dados que lhe
indicar quantas e quais classes (intervalos) devem ser usadas. Entretanto, deve-se observar que,
com um nmero pequeno de classes, perde-se informao, e com um nmero grande de classes, o
objetivo de resumir os dados fica prejudicado.
Soluo: Normalmente, sugere-se o uso de 4 a 8 classes com a mesma amplitude.
Dentre muitas regras citadas na literatura, duas tem sido universalmente adotadas, caso o
pesquisador no tenha idia alguma sobre o nmero de classes adotar. O nmero ideal de classes
um nmero inteiro prximo de:

Prof. Daniela ____/____/____
13
Regra 1: n log x 2 , 3 1 C + = Regra 2: n C=
onde n o nmero de elementos pesquisado.
As duas regras so equivalentes para n s 80. A partir da, a Regra 2 fornece valores que
crescem rapidamente e desse modo a Regra 1, proposta por Sturges tem sido preferida.

4.3. Variveis Qualitativas e Quantitativas Bidimensionais

As tabelas usadas neste caso so conhecidas como tabela de dupla entrada, tabela de
associao, tabela de contingncia ou distribuies conjuntas de freqncias.

Tabela 4.4: Distribuio dos funcionrios da empresa MB, segundo o
conceito em Metodologia e a Seo a que pertence.
Seo Conceito em Metodologia Total por
Seo A B C
Dep. Pessoal 3 1 3 7
Sc. Tcnica 0 4 3 7
Sec. Venda 4 3 4 11
Total por Conceito 7 8 10 25

Tabela 4.5: Vendas dos Produtos A, B, C, no supermercado Glria, no
Primeiro semestre de 2005.
Meses Vendas em 1000 R$ Total por
Ms A B C
Janeiro 40,0 25,2 8,1 73,3
Fevereiro 40,1 28,0 10,0 78,1
Maro 35,1 28,0 15,4 78,5
Abril 28,2 20,2 22,3 70,7
Maio 14,1 25,6 28,1 67,8
Junho 5,0 30,0 35,2 70,2
Total por Produto 162,5 157,0 119,1 438,6
Fonte: Dados Hipotticos.

Tabela 4.6: Distribuio dos alunos da Faculdade Vitria, segundo suas
notas em Matemtica e Estatstica.
Estatstica Matemtica Totais em
Estatstica
0 |- 4 4 |- 7 7 |- 10
0 |- 4 32 25 5 62
4 |- 7 20 183 82 285
7 |- 10 7 27 19 53
Totais em
Matemtica
59 235 106 400
Fonte: Dados Hipotticos.
Prof. Daniela ____/____/____
14


Tabela 4.7: Conjuntos de dados da empresa MB Indstria e Comrcio
Func. Seo* Admin. Direito Redao Estat. Ingls Metodologia Poltica Economia
1 P 8,0 9,0 8,6 9,0 B A 9,0 8,5
2 P 8,0 9,0 7,0 9,0 B C 6,5 8,0
3 P 8,0 9,0 8,0 8,0 D B 9,0 8,5
4 P 6,0 9,0 8,6 8,0 D C 6,0 8,5
5 P 8,0 9,0 8,0 9,0 A A 6,5 9,0
6 P 8,0 9,0 8,5 10,0 B A 6,5 9,5
7 P 8,0 9,0 8,2 8,0 D C 9,0 7,0
8 T 10,0 9,0 7,5 8,0 B C 6,0 8,5
9 T 8,0 9,0 9,4 9,0 B B 10,0 8,0
10 T 10,0 9,0 7,9 8,0 B C 9,0 7,5
11 T 8,0 9,0 8,6 10,0 C B 10,0 8,5
12 T 8,0 9,0 8,3 7,0 D B 6,5 8,0
13 T 6,0 9,0 7,0 7,0 B C 6,0 8,5
14 T 10,0 9,0 8,6 9,0 A B 10,0 7,5
15 V 8,0 9,0 8,6 9,0 C B 10,0 7,0
16 V 8,0 9,0 9,5 7,0 A A 9,0 7,5
17 V 8,0 9,0 6,3 8,0 D C 10,0 7,5
18 V 6,0 9,0 7,6 9,0 C C 6,0 8,5
19 V 6,0 9,0 6,8 4,0 D C 6,0 9,5
20 V 6,0 9,0 7,5 7,0 C B 6,0 8,5
21 V 8,0 9,0 7,7 7,0 D B 6,5 8,0
22 V 6,0 9,0 8,7 8,0 C A 6,0 9,0
23 V 8,0 9,0 7,3 10,0 C C 9,0 7,0
24 V 8,0 9,0 8,5 9,0 A A 6,5 9,0
25 V 8,0 9,0 7,0 9,0 B A 9,0 8,5
(*) P =Departamento Pessoal; T =Seo Tcnica e V =Seo de Vendas.

1) Baseado na Tabela 4.7., construa a distribuio de freqncias da varivel Metodologia, com as
freqncias absoluta e relativa, as porcentagens, d um ttulo e interprete.

2) Ainda baseado na Tabela 4.7., construa uma Tabela de Classes de Freqncias para a varivel
Redao, com as freqncias absoluta e relativa, as porcentagens, d um ttulo e interprete.

3) Construa uma tabela de dupla entrada para as variveis seo e conceito tirado em Ingls da
Tabela 4.7.

4) Construa uma tabela de contingncia para as variveis seo e notas em estatstica da Tabela
4.7.

5) Construa uma tabela de contingncia para as variveis notas em redao e poltica da Tabela
4.7.
Prof. Daniela ____/____/____
15
5. MEDIDAS DE POSIO

5.1. Mnimo e Mximo

O mnimo a menor observao do conjunto de dados, enquanto que o mximo a maior
observao.

Exemplo: Considere o seguinte conjunto de dados: 4, 5, 4, 6, 5, 8, 4. Logo,
Min = __ e Max = __.

5.2. Moda

Valor ou atributo que ocorre com maior freqncia.
Exemplo (a): 2, 5, 2, 7, 8 Moda =__ .
Exemplo (b): 3, 4, 2, 2, 4, 5 Moda =__ e __. Conjunto _ _ _ _ _ _ _
Exemplo (c): 1, 2, 3, 4, 5 Moda =no tem Conjunto _ _ _ _ _ _

Moda para dados agrupados em Tabelas de Freqncias

Exemplo: Uma empresa de segurana deseja estudar qual o nmero de ligaes a cobrar mais
freqentes que so recebidas em um determinado bairro de classe alta da cidade de So Paulo no
ms de maro. Foram selecionadas 30 residncias e observadas 10 ligaes em cada residncia. O
resultado foi:

Nmeros de Ligaes a Cobrar (x
i
) Nmero de Residncias (n
i
)
0 2
1 5
2 15
3 8
Total 30

Moda =__.
Interpretao: __ ligaes a cobrar foi o que ocorreu com maior freqncia.

5.3. Mdia

Valor que representa o centro do conjunto de dados.
Considere n observaes de um conjunto de dados representados por x
1
, x
2
, ..., x
n
. A mdia
desse conjunto obtida pela soma das n observaes dividido por n, ou seja,

n
x
n
x x x x
x
n
i
i
n
=
=
+ + + +
=
1 3 2 1

(5.1)
Exemplo: Considere o seguinte conjunto de notas: 2, 5, 3, 7, 8. A mdia das notas ___.
Prof. Daniela ____/____/____
16
Mdia para dados agrupados em Tabelas de Freqncias

Exemplo: Considere novamente o exemplo da empresa de segurana, mas suponha que o interesse
seja estudar o nmero mdio de ligaes a cobrar recebido em um determinado bairro de classe
alta da cidade de So Paulo no ms de maro.

i
i
)
0 2
1 5
2 15
3 8
Total 30

Nesse caso, a mdia calculada levando em conta as freqncias de cada valor da varivel,
da seguinte forma:

n
n x
x
v
i
i i
=
=
1
, (5.2)
onde v a quantidade de resultados que a varivel contm e n
i
a respectiva freqncia da i-sima
classe. Assim, para o exemplo temos:
=
+ + +
= =

=
30
8 3 15 2 5 1 2 0
1
x x x x
n
n x
x
i
n
i
i
___.
Logo, o nmero mdio de ligaes a cobrar recebido em um determinado bairro de classe alta da
cidade de So Paulo no ms de maro ___.

5.4. Mediana

o valor que divide os dados, isto , metade dos dados ser maior ou igual que a mediana e
metade ser menor ou igual.
Considere a seguinte srie de valores: 5, 2, 6, 13, 9, 15, 10.
De acordo com a definio de mediana, o primeiro passo a ser dado ordenar o conjunto de
valores: 2, 5, 6, 9, 10, 13, 15. O valor que divide a srie em duas partes iguais 9. Logo, a mediana
9.

Mtodo prtico para o clculo da Mediana para dados em Rol
1) Ordenar os valores do menor para o maior, isto , x
1
, ...., x
n
, onde x
1
o mnimo e x
n
o
mximo.
2) Calcular em que posio estar a mediana nos dados ordenados atravs da frmula:
2
1 n
P
+
= .
3) O valor da mediana ser:
(a) Se P for um nmero inteiro, ento a mediana ser o valor que est na posio P nos dados
ordenados, isto
Mediana = x
P

Prof. Daniela ____/____/____
17
(b) Se P no for inteiro, sejam P
-
e P
+
os inteiros imediatamente abaixo e acima de P,
respectivamente. A mediana ser a mdia dos valores que esto nas posies P
-
e P
+
nos dados
ordenados, ou seja,
2
x x
Mediana
P P
+
+
=

Exemplo: Calcule a mediana da seguinte srie de dados: 1, 3, 0, 0, 2, 4, 1, 2, 5
1 ordenar a srie: __, __, __, __, __, __, __, __, __.
n =__ . Logo, P =(n +1)/2 dado por P =(__+1)/2 =5, ou seja, o 5 elemento da srie ordenada
ser a mediana. Assim, mediana =__ .

Exemplo: Calcule a mediana da seguinte srie de dados: 1, 3, 0, 0, 2, 4, 1, 3, 5, 6
1 ordenar a srie: __, __, __, __, __, __, __, __, __, __.
n =__. P =(n +1)/2 dado por P =(__+1)/2 =5.5, logo, P
-
=5 e P
+
=6, ou seja, o 5 e o 6
elementos da srie ordenada, que representam os seguintes valores: __ e __, respectivamente. Pela
definio, a mediana ser a mdia aritmtica do 5 e 6 termos da srie, ou seja,
Mediana =(2+3)/2 =2,5.

Notas:
1) Quando o nmero de elementos da srie estatstica for mpar, haver coincidncia da mediana
com um dos elementos da srie.
2) Quando o nmero de elementos da srie estatstica for par, a mediana ser sempre a mdia
aritmtica dos 2 elementos centrais da srie.
3) Em uma srie de dados, a mediana, a mdia e a moda no tm, necessariamente, o mesmo valor.
4) A mediana, depende da posio e no dos valores dos elementos na srie ordenada. Essa uma
diferena marcante entre mediana e mdia (que se deixa influenciar, e muito, pelos valores
extremos). Vejamos:
Na srie: 5, 7, 10, 13, 15 Mdia =10 e Mediana =10;
Na srie: 5, 7, 10, 13, 65 Mdia =20 e Mediana =10,
isto , a mdia do segundo conjunto de valores maior do que a do primeiro, por influncia dos
valores extremos, ao passo que a mediana permanece a mesma.

Mediana para dados agrupados em Tabelas de Freqncias

Nesse caso, utilizamos a freqncia acumulada para identificar qual o valor da mediana.

Exemplo: Considere novamente o exemplo da empresa de segurana que desejava estudar qual o
nmero de ligaes a cobrar mais freqentes recebidas em um determinado bairro de classe alta da
cidade de So Paulo no ms de maro. Vamos introduzir uma nova coluna na tabela dos dados
referentes a freqncia acumulada.

Prof. Daniela ____/____/____
18
i
i
) Freqncia Acumulada (F
i
)
0 2
1 5
2 15
3 8
Total 30

Como o rol par, pois n =__, a mediana a mdia dos valores que esto nas posies 15 e 16.
Ambos valores que esto nestas posies so __ ligaes a cobrar recebida por residncia, pois F
3

a primeira freqncia acumulada que contm os elementos 15 e 16.


1) Os tempos de sobrevivncia (em meses) de um tipo de bateria esto listados a seguir.
5, 21, 21, 23, 23, 25, 27, 29, 30, 31, 32, 32, 32, 34, 35, 36, 38, 38, 38, 42, 43, 44, 60.
Calcule o mnimo, mximo, moda, mdia e mediana.

2) Um artigo em Computers and Industrial Engineering (2001, p.51) descreve os dados de tempos
de falha (em horas) para motores de jatos. Alguns desses dados esto a seguir.

Tabela 5.1: Dados Brutos (em horas)
Mquina # Tempo de Falha Mquina # Tempo de Falha
1 150 14 171
2 291 15 197
3 93 16 200
4 53 17 262
5 2 18 255
6 65 19 286
7 183 20 206
8 144 21 179
9 223 22 232
10 197 23 165
11 187 24 155
12 197 25 203
13 213

Obtenha mnimo, mximo, moda, mdia e mediana dos tempos de falhas das mquinas e interprete
os resultados.

3) As idades dos 20 ingressantes num certo curso de ps-graduao em finanas de uma
universidade foram as seguintes: 22, 22, 22, 22, 23, 23, 24, 24, 24, 24, 25, 25, 26, 26, 26, 26, 27,
28, 35 e 40. Construa uma tabela de freqncias e calcule o mnimo, mximo, moda, mdia e
mediana das idades organizadas nessa tabela.

Prof. Daniela ____/____/____
19
6. MEDIDAS DE DISPERSO

6.1. Motivao

Para preencher uma nica vaga existente em uma empresa, 50 candidatos foram submetidos
a 6 provas sobre conhecimentos especficos de interesse da empresa. Trs destes candidatos
destacaram-se com as notas descritas na tabela abaixo:

Tabela 6.1: Distribuio das Notas
Candidatos
Provas
1 2 3 4 5 6
A 7,0 7,5 8,0 8,0 8,5 9,0
B 6,0 7,0 8,0 8,0 9,0 10,0
C 7,5 8,0 8,0 8,0 8,0 8,5
Fonte: Dados Hipotticos

Que candidato escolher? Um critrio inicial poderia ser o de escolher o que tem a maior mdia,
mas:
Candidatos A B C
Mdia
De modo anlogo, nem adianta pensar em moda ou mediana, pois:
Candidatos A B C
Moda
Mediana
Soluo: Um segundo critrio de escolha pode ser escolher o candidato que apresentou notas mais
homogneas, isto , aquele que apresentou menor disperso das notas.

6.2. Amplitude

A amplitude definida pelo intervalo entre o valor mximo e o valor mnimo da srie de
dados, ou seja,
Amplitude =Mximo Mnimo (6.1)
Exemplo: Para os trs candidatos temos:
Candidatos A B C
Amplitude

6.3. Varincia e Desvio Padro

A varincia mede a disperso dos dados em torno de sua mdia.

1
) (
1
) ( ) ( ) ( ) (
1
2
2 2
3
2
2
2
1 2
+ + + +
=

=
n
x x
n
x x x x x x x x
s
n
i
i
n
(6.2)
Prof. Daniela ____/____/____
20
O desvio padro simplesmente a raiz quadrada positiva da varincia

2
s s = (6.3)

Exemplo: Vamos calcular a varincia e o desvio padro para os trs candidatos:

Notas Mdia
Candidato A 7,0 7,5 8,0 8,0 8,5 9,0 8,0

5 , 0
5
5 , 2
1 6
) 8 9 ( ) 8 5 , 8 ( ) 8 8 ( ) 8 8 ( ) 8 5 , 7 ( ) 8 7 (
2 2 2 2 2 2
2
= =
+ + + + +
=
A
s 7 , 0 5 , 0 ~ =
A
s

Notas Mdia
Candidato B 6,0 7,0 8,0 8,0 9,0 10,0 8,0

= =
=
5 1 6
2
B
s =
B
s

Notas Mdia
Candidato C 7,5 8,0 8,0 8,0 8,0 8,5 8,0

= =
=
5 1 6
2
C
s =
C
s

Resumindo

Tabela 6.2: Medidas de Posio e Disperso dos 3 melhores candidatos
Candidatos Mdia Moda Mediana Amplitude Varincia Desvio Padro
A 8,0 8,0 8,0
B 8,0 8,0 8,0
C 8,0 8,0 8,0

Frmula alternativa para o clculo da varincia

Podemos calcular a varincia atravs da seguinte frmula alternativa:

(
|
.
|
\
|
=

=
2
1
2 2
) (
1
1
x n x
n
s
n
i
i
(6.4)
.
A frmula (6.4) obtida atravs de algumas manipulaes algbricas na frmula (6.2). Esta
tem a facilidade de apenas necessitar da informao da mdia ( x ) e da soma dos valores ao
quadrado da varivel ( )
2
i
x .

Prof. Daniela ____/____/____
21
6.4. Intervalo Interquartil

O intervalo interquartil a diferena entre o terceiro quartil (Q
3
) e o primeiro quartil (Q
1
),
ou seja,
IQ =Q
3
Q
1
. (6.5)

Essa medida nos d a informao da amplitude dos 50% pontos centrais do conjunto de
dados ordenados.


1) Considere o seguinte conjunto de dados: 2, 3, 5, 7, 10. Utilize a frmula alternativa para calcular
a varincia, sabendo que a mdia 5,4.

2) Foram coletados aleatoriamente 5 empregados de 3 empresas (A, B e C) e perguntado para cada
um deles o seu salrio (em salrios mnimos). Se estas 3 empresas estivessem oferecendo emprego,
em qual delas voc trabalharia sendo que o resultado da pesquisa com os 15 funcionrios
entrevistados foi:
Empresa A Empresa B Empresa C
5,5 4 5
6 5 6
6 6 6
6 6 6
6,5 9 7
Obs: Obtenha a Amplitude, Varincia, Desvio Padro e o Intervalo-Interquartil de cada empresa
para tomar sua deciso.

3) Um laboratrio clnico precisa decidir comprar um dentre trs aparelhos (A, B, C) para dosagem
de sangue. Para isto o responsvel pelas anlises preparou uma substncia de concentrao
conhecida (10 mg/ml) e extraiu vrias amostras para serem dosadas pelos trs aparelhos. Os
resultados obtidos em cada um deles foram os seguintes:
A 5 10 7 15 16 12 4 8 10 13
B 10 9 10 9 11 8 9 7 8 9
C 10 11 9 10 10 9 11 12 8 10
Em medidas clnicas trs termos so utilizados freqentemente:
Preciso: refere-se disperso dos resultados
No-viciado: refere-se tendncia de um conjunto de medidas produzir um resultado igual ao
verdadeiro valor
Exato: refere-se ao instrumento preciso e no-viciado
(a) Descreva os trs instrumentos em termos das definies acima.
(b) Qual instrumento lhe parece recomendvel? Justifique sua resposta.

Prof. Daniela ____/____/____
22
7. ESTATSTICA GRFICA

7.1. Grficos para as Variveis Qualitativas

A representao grfica da distribuio de uma varivel tem a vantagem de, rpida e
concisamente, informar sobre sua variabilidade.
Existem vrios tipos de grficos para as variveis Qualitativas. Aqui sero ilustrados trs
deles: Grficos em Barras, o de Composio em Setores (Pizza) e o Grfico de Pareto.

7.1.1. Grfico em Barras

O grfico em Barras consiste em construir retngulos ou barras, em que uma das dimenses
proporcional magnitude a ser representada (n
i
), sendo a outra arbitrria, porm igual para todas
as barras. Essas barras so dispostas paralelamente uma s outras, horizontalmente ou
verticalmente. No exemplo a seguir temos o grfico em barras (verticais) para a varivel Grau de
Instruo.

Companhia MB segundo o grau de instruo.
i
) Proporo (f
i
i
)
Fundamental 12 0,3333 33,33%
Mdio 18 0,5000 50,00%
Superior 6 0,1667 16,67%
Total n =36 1,0000 100,00%

12
18
6
0
2
4
6
8
10
12
14
16
18
F
r
e
q
n
c
i
a

(
n
i
)
Fundamental Mdio Superior
Grau de Instruo

Figura 7.1: Grfico em Barras para a varivel Grau de Instruo
Prof. Daniela ____/____/____
23
7.1.2. Grfico de Composio em Setores (Pizza)

O grfico de composio em setores (pizza), destina-se a representar a composio,
usualmente em porcentagem, de partes de um todo. Consiste num crculo de raio arbitrrio,
representando o todo, dividido em setores, que correspondem s partes de maneira proporcional.
Para o exemplo anterior temos o seguinte grfico:
50%
17%
33%
Fundamental
Mdio
Superior

Figura 7.2: Grfico em Setores para a varivel Grau de Instruo

7.1.3. Grfico de Pareto
O grfico de Pareto um grfico de barras representando a freqncia absoluta com um
grfico de linha, representando a porcentagem acumulada. Ele exibe a freqncia absoluta e a
porcentagem acumulada no eixo vertical e as categorias da classificao no eixo horizontal (Ver
Figura 7.3 a seguir). Organizamos sempre as categorias em ordem decrescente da freqncia de
ocorrncia, isto , a de maior freqncia absoluta fica esquerda, seguida pela segunda de maior
freqncia, e assim por diante.

F
r
e
q
u
e
n
c
i
a

A
b
s
o
l
u
t
a
P
o
r
c
e
n
t
a
g
e
m

A
c
u
m
u
l
a
d
a
Modelo-Avies
Count
Percent 57,5 11,2 9,2 9,0 6,5 5,1 0,8 0,6
Cum%
281
57,5 68,7 77,9 86,9 93,5 98,6 99,4 100,0
55 45 44 32 25 4 3
MD-90 MD-11 MD-747 MD-717 MD-767 MD-757 MD-777 MD-737
500
400
300
200
100
0
100
80
60
40
20
0

Figura 7.3: Produo de avies em 2000. (Fonte: Boeing Commercial Airplane Company)
Prof. Daniela ____/____/____
24
A Figura 7.3 apresenta um grfico de Pareto para a produo de avies de transporte da
Boeing Commercial Airplane Company no ano de 2000. Note que o 737 foi o modelo mais popular,
seguido pelos 777, 757, 767, 717, 747, MD-11 e o MD-90. A linha no grfico de Pareto conecta as
porcentagens acumuladas dos k modelos produzidos com maior freqncia (k =1, 2, 3, 4, 5). Nesse
exemplo, os dois modelos produzidos com maior freqncia respondem aproximadamente 69% do
total dos avies produzidos em 2000.

N
m
e
r
o

d
e

D
e
f
e
i
t
o
s
P
o
r
c
e
n
t
a
g
e
m

A
c
u
m
u
l
a
d
a
Tipo de Defeito
Count
Percent 37,0 25,9 7,4 7,4 6,2 6,2 4,9 4,9
Cum %
30
37,0 63,0 70,4 77,8 84,0 90,1 95,1 100,0
21 6 6 5 5 4 4
O
u
t
r
o
s
E
n
t
a
l
h
e
s
/
f
e
n
d
a
s
/
g
o
i
v
a
s
P
a
r
t
e
s

s
a
l
i
e
n
t
e
s
P
a
r
t
e
s

n
o

l
u
b
r
i
f
i
c
a
d
a
s
F
o
r
a

d
e

s
e
q
n
c
i
a
F
a
l
t
a

d
e

f
u
r
o
s
/
r
a
n
h
u
r
a
s
P
a
r
t
e
s

m
a
l

a
p
a
r
a
d
a
s
F
o
r
a

d
o

c
o
n
t
o
r
n
o
90
80
70
60
50
40
30
20
10
0
100
80
60
40
20
0
4 4
5 5
6 6
21
30

Figura 7.4: Grfico de Pareto dos defeitos em elementos estruturais da porta.

Os grficos de Pareto so muito teis na anlise dos dados defeituosos em sistemas de
produo. A Figura 7.4 apresenta um grfico de Pareto que mostra a freqncia com que vrios
tipos de defeitos ocorrem em peas de metal usadas em um componente estrutural da moldura de
uma porta de automvel. Note como o grfico de Pareto reala os relativamente poucos defeitos
que so responsveis pela maioria dos defeitos observados na pea. O grfico de Pareto parte
importante no programa de melhora da qualidade, porque permite que a gerncia e a engenharia
concentrem sua ateno nos defeitos mais crticos do produto ou processo. Uma vez identificados
esses defeitos crticos, devem-se desenvolver e implementar aes corretivas para reduzi-los ou
elimin-los.

Curiosidade: O grfico de Pareto tem esse nome em homenagem a um economista italiano que
estabeleceu a teoria de que, em certas economias, a maior parte da riqueza pertence minoria da
populao. Em dados de contagem, o princpio de Pareto ocorre freqentemente; da a razo do
nome.

Prof. Daniela ____/____/____
25
7.2. Grficos para as Variveis Quantitativas

Para variveis Quantitativas podemos considerar uma variedade maior de representaes
grficas.

7.2.1. Grfico em Barras

O grfico em Barras para as variveis quantitativas construdo da mesma forma ao das
variveis qualitativas.
Como ilustrao, considere a varivel Nmero de Filhos dos empregados casados da
seo de oramentos da Companhia MB. A Tabela 7.2 apresenta os dados.

Tabela 7.2: Freqncias e Porcentagens dos empregados da seo de oramentos da Companhia
MB, segundo o nmero de filhos.
Nmeros de Filhos (x
i
) Freqncia (n
i
i
)
0 4 20
1 5 25
2 7 35
3 3 15
4 0 0
5 1 5
Total n =20 100

Figura 7.5: Grfico de Barras para a varivel Nmeros de Filhos

Prof. Daniela ____/____/____
26
7.2.2. Grfico de Pontos ou Grfico de Disperso Unidimensional (ou Dot-Plot)

Quando os dados consistem em um pequeno conjunto de nmeros, estes podem ser
representados traando-se uma reta com uma escala que abranja todas as mensuraes observadas e
grafando-se as respectivas freqncias como pontos acima da reta. Por esse motivo, tambm
conhecido como grfico de pontos.

Exemplo: Considere a varivel tempo, em segundos, entre carros que passam por um cruzamento,
viajando na mesma direo: 6, 3, 5, 6, 4, 3, 5, 4, 6, 3, 4, 5, 2, 10.

Figura 7.6: Grfico de Disperso Dot Plot

7.2.3. Histograma

O Histograma utilizado para representar a distribuio de freqncia. um grfico de
barras contguas, com bases proporcionais aos intervalos de classes e a rea de cada retngulo
proporcional respectiva freqncia relativa. Indicaremos a amplitude do i-simo intervalo por a
i
.
Para que a rea do retngulo respectivo seja proporcional a f
i
, a sua altura deve ser proporcional a
d
i
= f
i
/a
i
, que chamada de densidade de freqncia da i-sima classe. Quanto mais dados tivermos
em cada classe, mais alto deve ser o retngulo. Com essa conveno, a rea total do histograma
ser 1 (um).

Exemplo: Considerando a varivel Salrio dos empregados da seo de oramentos da Companhia
MB, temos os seguintes dados:

Companhia MB, por faixas de salrio
Classe de
Salrio
Freqncia
(n
i
)
Proporo
(f
i
)
Porcentagem
(100 x f
i
)
Densidade de Freqncia
(d
i
= f
i
/a
i
)
04 |-- 08 10 0,2778 27,78 0,0695
08 |-- 12 12 0,3333 33,33 0,0833
12 |-- 16 8 0,2222 22,22 0,0556
16 |-- 20 5 0,1389 13,89 0,0347
20 |-- 24 1 0,0278 2,78 0,0070
Total n =36 1,0000 100,00

10 9 8 7 6 5 4 3 2
Prof. Daniela ____/____/____
27
0,0695
0,0833
0,0556
0,0347
0,007
0
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
D
e
n
s
i
d
a
d
e

d
e

F
r
e
q
n
c
i
a
04 |-- 08 08 |-- 12 12 |-- 16 16 |-- 20 20 |-- 24
Classes de Salrios

Figura 7.7: Histograma da varivel Salrio

7.2.4. Grfico em Linhas (ou Grfico Temporal)

um grfico utilizado para representar observaes feitas ao longo do tempo, em intervalos
iguais ou no. Tais conjuntos de dados constituem as chamadas sries histricas, ou sries
temporais. Traduzem o comportamento de um fenmeno em certo intervalo de tempo.

Tabela 7.4: Dvida Externa do Brasil de 1956 a 2006, em Milhes de Dlares.
Ano Dvida Ano Dvida Ano Dvida
1956 2736 1973 14857 1990 123439
1957 2491 1974 20032 1991 123910
1958 2870 1975 25115 1992 135949
1959 3160 1976 32145 1993 145726
1960 3738 1977 37951 1994 148295
1961 3291 1978 52187 1995 159256
1962 3533 1979 55803 1996 179935
1963 3612 1980 64259 1997 199998
1964 3294 1981 73963 1998 241644
1965 3823 1982 85487 1999 241468
1966 3771 1983 93745 2000 236156
1967 3440 1984 102127 2001 226067
1968 4092 1985 105171 2002 227689
1969 4635 1986 111203 2003 235414
1970 6240 1987 121188 2004 220182
1971 8284 1988 113511 2005 187987
1972 11464 1989 115506 2006 191999
Fonte: IPEADATA (www.ipeadata.gov.br)

Prof. Daniela ____/____/____
28
0
50000
100000
150000
200000
250000
1
9
5
6
1
9
5
8
1
9
6
0
1
9
6
2
1
9
6
4
1
9
6
6
1
9
6
8
1
9
7
0
1
9
7
2
1
9
7
4
1
9
7
6
1
9
7
8
1
9
8
0
1
9
8
2
1
9
8
4
1
9
8
6
1
9
8
8
1
9
9
0
1
9
9
2
1
9
9
4
1
9
9
6
1
9
9
8
2
0
0
0
2
0
0
2
2
0
0
4
2
0
0
6
Ano
D
v
i
d
a

e
m

M
i
l
h
e
s

d
e

D
l
a
r
e
s

Figura 7.8: Grfico de Linhas para a varivel Dvida Externa do Brasil no perodo 1956 a 2006

7.2.5. Ramo-e-Folhas

Suponha que os dados sejam representados por x
1
, x
2
, ..., x
n
, e que cada nmero x
i
consista
em, pelo menos, dois dgitos. Para construir um diagrama ramo-e-folhas dividimos cada nmero x
i

em duas partes: um ramo, que consiste em um ou mais dos dgitos lderes, e uma folha, que
consiste nos dgitos restantes. Por exemplo, se os dados consistem nas porcentagens de informao
defeituosa entre 0 e 100, em lotes de placas de semicondutores, ento poderamos dividir o valor 76
no ramo 7 e na folha 6. Em geral, devemos escolher poucos ramos em comparao com o nmero
de observaes. Usualmente, utilizado entre 5 e 20 ramos. Uma vez escolhido um conjunto de
ramos, eles so listados ao longo da margem esquerda do diagrama e, ao lado de cada ramo, so
listadas todas as folhas que correspondem aos valores dos dados observados.

Tabela 7.5: Fora de ruptura em libras por polegada para 100 garrafas
descartveis de 1 litro de refrigerante.
176 221 242 253 261 265 271 278 286 301
187 223 243 254 262 265 272 278 287 307
197 228 245 254 263 267 274 280 290 308
200 231 246 257 263 267 274 280 293 317
205 231 248 258 264 268 274 280 294 318
208 234 248 258 264 268 274 280 296 321
210 235 250 260 265 269 275 281 298 328
214 235 250 260 265 269 276 281 299 334
215 235 250 260 265 270 276 283 299 337
220 242 251 260 265 271 277 283 300 346
Fonte: Hines et al. (2006), p. 157.
Prof. Daniela ____/____/____
29
1 17 6
2 18 7
3 19 7
6 20 058
9 21 045
13 22 0138
19 23 114555
26 24 2235688
36 25 0001344788
(22) 26 0000123344555555778899
42 27 01124444566788
28 28 0000113367
18 29 0346899
11 30 0178
7 31 78
5 32 18
3 33 47
1 34 6
Figura 7.9: Diagrama ramo-e-folhas para os dados da fora de ruptura de garrafas da Tabela 7.5.

O ramo-e-folhas resultante est representado na Figura 7.9. A inspeo dessa representao
revela imediatamente que a maioria das foras de ruptura fica entre 220 e 308 psi, e que o valor
central est em algum ponto entre 260 e 270 psi. Alm disso, as foras de ruptura esto distribudas
de maneira aproximadamente simtrica em torno do valor central. Assim, o ramo-e-folhas, como o
histograma, nos permite determinar rapidamente algumas caractersticas importantes dos dados que
no eram to imediatamente bvias na apresentao original da Tabela 7.5. Note que, aqui, os
nmeros originais no se perdem, como ocorre em um histograma. Atravs do ramo-e-folhas
podemos calcular qualquer medida de posio e disperso.

7.2.6. Desenho Esquemtico ou Diagrama de Caixas (Box-Plot)

Representa os dados utilizando os trs quartis (Q1, Q2 ou mediana e Q3), o mnimo e o
mximo em uma caixa retangular, alinhada verticalmente. A caixa inclui o intervalo-interquartil
para o clculo das linhas extremas.
* (Outlier ou Ponto Discrepante ou Ponto Aberrante)

Figura 7.10: Desenho esquemtico geral.
Mximo
Q3
Mediana
Q1
Mnimo
25%
50%
75%
Q3+1,5(Q3-Q1)
Q1-1,5(Q3-Q1)
Mximo
Q3
Mediana
Q1
Mnimo
25%
50%
75%
Mximo
Q3
Mediana
Q1
Mnimo
25%
50%
75%
Q3+1,5(Q3-Q1)
Q1-1,5(Q3-Q1)
Prof. Daniela ____/____/____
30
O diagrama de caixas ou desenho esquemtico ou box-plot til na comparao de duas ou
mais amostras. Para ilustrar considere os dados da Tabela 7.6, retirados de Hines et al (2006), que
representam leituras de viscosidade em trs misturas diferentes de uma matria-prima usada em
uma linha de produo. Um dos objetivos do estudo que Hines et al discutem comparar as trs
misturas.

Tabela 7.6: Medidas de viscosidade para trs misturas
Mistura 1 Mistura 2 Mistura 3
22,02 21,49 20,33
23,50 22,56 20,49
23,83 22,67 21,67
25,38 22,78 21,95
25,49 24,18 22,28
25,90 24,46 22,45
26,67 24,62 27,00

A Figura 7.11 a seguir apresenta os box-plot para os dados da viscosidade. Essa
apresentao permite uma interpretao fcil dos dados. A mistura 1 tem viscosidade mais alta do
que a mistura 2, e esta tem viscosidade mais alta que a mistura 3. A distribuio da viscosidade no
simtrica, porque as linhas superior e inferior e os comprimentos das caixas superior e inferior
em torno da linha mediana no so iguais. O valor da viscosidade mxima da mistura 3 parece alta,
em comparao com os demais valores da mistura 3 e, tambm, maior que os valores das demais
misturas 1 e 2. Essa observao um outlier, e ela exige exame e anlise mais aprofundados.

V
i
s
c
o
s
i
d
a
d
e

(
c
e
n
t
i
p
o
i
s
e
)
Mistura 3 Mistura 2 Mistura 1
27
26
25
24
23
22
21
20
26,67
25,9
25,38
23,5
22,02
24,62
24,46
22,78
22,56
21,49
27
22,45
21,95
20,49
20,33

Figura 7.11: Diagramas de caixas para os dados de viscosidade da mistura na Tabela 7.6.

Prof. Daniela ____/____/____
31

1) Faa o grfico de barras, o de composio em setores e o de Pareto para os dados fornecidos na
Tabela 7.7.
Tabela 7.7: Defeitos em elementos estruturais da porta
Tipo de Defeito Frequncia Absoluta
Partes Salientes 5
Fora do Contorno 30
Partes mal aparadas 25
Total 60

2) Observe a sua conta de luz de 2007 e construa um grfico temporal e um grfico de barras,
colocando no eixo x, os meses (janeiro, ..., dezembro) e no eixo y, consumo de energia (em kWh).

3) Desenhe o ramo-e-folhas, box-plot e o dot plot para os dados das taxas mdias geomtricas de
incremento anual (por 100 habitantes) dos 30 maiores municpios do Brasil abaixo:

4) Construa uma tabela de classes de freqncias para os dados do exerccio 3, com intervalos de
amplitude 1, de 0 a 10, isto :

Taxas Freqncia Absoluta Proporo Densidade
[0, 1)
[1, 2)
[2, 3)
[3, 4)
[4, 5)
[5, 6)
[6, 7)
[7, 8)
[8, 9)
[9, 10]

em seguida, faa o histograma.

3,67 1,82 3,73 4,10 4,30
1,28 8,14 2,43 4,17 5,36
3,96 6,54 5,84 7,35 3,63
2,93 2,82 8,45 5,28 5,41
7,77 4,65 1,88 2,12 4,26
2,78 5,54 0,90 5,09 4,07
Prof. Daniela ____/____/____
32
8. CORRELAO E REGRESSO

8.1. Estudo da relao entre variveis

O objetivo investigar a presena ou ausncia de relao linear sob trs pontos de vista:

(a) Inspeo visual: diagrama de disperso
(b) Quantificando a fora dessa relao: coeficiente de correlao.
(c) Explicitando a forma dessa relao: ajuste de uma reta.

Exemplos: 1) Idade e altura das crianas;
2) Tempo de prtica de esportes e ritmo cardaco;
3) Tempo de estudo e nota na prova;
4) Taxa de desemprego e taxa de criminalidade;
5) Expectativa de vida e taxa de analfabetismo.

8.2. Diagrama de Disperso

Utilizado para estudar a relao entre duas variveis quantitativas, fornecendo uma
representao grfica das duas variveis.

Exemplo: Nota na Prova e Tempo de Estudo

X: tempo de estudo (em horas)
Y: nota obtida na prova

Tabela 8.1: Pares de observaes (X
i
, Y
i
)
Tempo Nota
3,0 4,5
7,0 6,5
2,0 3,7
1,5 4,0
12,0 9,3

Construo do Grfico de Disperso

No Excel podemos fazer:
Coluna A: Valores de X (Tempo)
Coluna B: Valores de Y (Notas)

Selecione as duas colunas e clique no cone Assistente de Grfico. Selecione o grfico de
Disperso (XY).

Prof. Daniela ____/____/____
33
0
1
2
3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14
Tempo
N
o
t
a

Figura 8.1: Diagrama de Disperso para as variveis Tempo e Nota

Exemplo: Estudo da Renda Bruta Mensal pela Porcentagem da Renda Bruta Anual gasta com
Assistncia Mdica.
Numa pesquisa feita com 11 famlias com renda bruta mensal entre 10 e 60 salrios
mnimos mediram-se:

X: renda bruta mensal (em salrios mnimos)
Y: porcentagem da renda bruta anual gasta com assistncia mdica

Tabela 8.2
X Y

X Y
12 7,2

40 6,0
16 7,4

48 5,6
18 7,0

50 6,0
20 6,5

54 5,5
28 6,6

32 6,5
30 6,7

Prof. Daniela ____/____/____
34
0
1
2
3
4
5
6
7
8
0 10 20 30 40 50 60
Renda Bruta Mensal (em sal. mnimos)
P
o
r
c
e
n
t
a
g
e
m

d
a

R
e
n
d
a

B
r
u
t
a

A
n
u
a
l

g
a
s
t
a

c
o
m

A
s
s
i
s
t
.

M
d
i
c
a

Figura 8.2: Diagrama de Disperso para as variveis Renda Bruta Mensal e Porcentagem da
Renda Bruta Anual gasta com Assistncia Mdica.

Nesta Figura 8.2, temos o diagrama de disperso de X (Renda Bruta Mensal) e Y
(Porcentagem da Renda Bruta Anual gasta com Assist. Mdica). Podemos notar que, conforme
aumenta a renda bruta mensal, a porcentagem da renda bruta anual gasta com assistncia mdica
diminui. Nota-se tambm uma tendncia linear decrescente.
Fazendo apenas uma mudana na escala do eixo Y da Figura 8.2, obtemos a Figura 8.3, que
ilustra com maior clareza essa tendncia linear decrescente.

5
5,5
6
6,5
7
7,5
0 10 20 30 40 50 60
Renda Bruta Mensal (em sal. mnimos)
P
o
r
c
e
n
t
a
g
e
m

d
a

R
e
n
d
a

B
r
u
t
a

A
n
u
a
l

g
a
s
t
a

c
o
m

A
s
s
i
s
t
.

M
d
i
c
a

Figura 8.3: Diagrama de Disperso para as variveis Renda Bruta Mensal e Porcentagem da
Renda Bruta Anual gasta com Assistncia Mdica.
Prof. Daniela ____/____/____
35
8.3. Coeficiente de Correlao

O coeficiente de correlao linear definido como:
y x
n
i
i i
y x
n
i
i i
S S n
Y X n Y X
S S n
Y Y X X
r
) 1 ( ) 1 (
) )( (
1 1

=

= =
(9.1)
onde X e Y so as mdias amostrais das variveis X e Y , respectivamente.
x
S e
y
S so os desvios padro das variveis X e Y , respectivamente
Recordando:
1
) (
1
2
=

=
n
X X
S
n
i
i
x
e
1
) (
1
2
=

=
n
Y Y
S
n
i
i
y

Propriedades do coeficiente de correlao linear

O valor do coeficiente de correlao linear situa no intervalo [-1, 1], ou seja,
1 1 s s r

Classificao da correlao
1. 1 = r indica correlao linear positiva e perfeita;
2. 1 = r indica correlao linear negativa e perfeita;
3. 0 = r indica inexistncia de correlao linear;
4. 0 1 s s r indica correlao linear negativa;
5. 1 0 s s r indica correlao linear positiva.

Grficos - Exemplos da classificao da correlao

1 = r , correlao linear positiva e perfeita 1 = r , correlao linear negativa e perfeita

0 ~ r , inexistncia de correlao linear

50 40 30 20 10
40
30
20
10
X
Y
50 40 30 20 10
40
30
20
10
X
Y
Prof. Daniela ____/____/____
36
-1 r 0, correlao linear negativa 0 r 1, correlao linear positiva.

O valor do coeficiente de correlao no depende da escala que medimos as variveis. Para
as duas figuras abaixo o valor do coeficiente de correlao 46 , 0 = r .

O coeficiente de correlao linear mede apenas o grau de associao LINEAR.

01 , 0 ~ r

O coeficiente de correlao linear sensvel a valores discrepantes.

X
Y
X
Z=Y/10+0,8
X
Y
r = 0

r = 0.91
Prof. Daniela ____/____/____
37
Exemplo: Considere o Estudo da Renda Bruta Mensal pela Porcentagem da Renda Bruta Anual
gasta com Assistncia Mdica. Obter o coeficiente de correlao com os dados da Tabela 8.2.
Medidas Descritivas com os dados da Tabela 8.2
Mdia X 31,63636
Mdia Y 6,454545
Desvio de X 14,63744
Desvio de Y 0,62348
n 11
Soma XY 2160,4

-0,9399564
62348 , 0 . 63744 , 14 . 10
454545 , 6 . 636363 , 31 . 11 4 , 2160
S S ) 1 n (
Y X n Y X
r
y x
n
1 i
i i
=

=
=

Podemos observar uma correlao negativa entre a renda bruta mensal e a
porcentagem da renda bruta anual gasta com assistncia mdica, isto quanto maior for a renda
bruta mensal, menor a porcentagem de sua renda gasta com assistncia mdica.

8.4. Regresso Linear Simples

Objetivo: ajustar uma reta entre duas variveis quantitativas.

Reta Ajustada
A reta ajustada de duas variveis quantitativas Y e X dado por

bX a Y + =

Definio de a e b

a: intercepto;
b: inclinao da reta.

Interpretao de b: Para cada aumento de uma unidade em X, temos um aumento (se b positivo)
ou um decrscimo (se b negativo) mdio de b unidades em Y.

Podemos calcular a e b utilizando o mtodo de mnimos quadrados, que visa encontrar os
valores de a e b, que minimiza a soma dos quadrados dos erros (ou desvios)

= =
+ = =
n
i
i i
n
i
i
bX a Y e b a SQ
1
2
1
2
)} ( { ) , (
O problema agora se restringe a encontrar o mnimo de uma funo de duas variveis, a e b.
Derivando e igualando a zero, observamos que as solues de a e b devem satisfazer:
X b Y a =
2
1
) 1 (
x
n
i
i i
S n
Y X n Y X
b

=

=

Prof. Daniela ____/____/____
38
Reta Ajustada - Uso do Excel
Coluna A: varivel Y;
Coluna B: varivel X.
Para pedir reta que se ajusta aos dados devemos utilizar os seguintes comandos:
=INTERCEPO(A1:An;B1:Bn): Mostrar o intercepto (a);
=INCLINAO(A1:An;B1:Bn): Mostrar a inclinao (b).

Exemplo: Consumo de cerveja e temperatura
As variveis foram observadas em nove localidades com as mesmas caractersticas
demogrficas e scio-econmicas.
Y: consumo de cerveja em um dia (em 100 litros)
X: temperatura mxima (em C)
Os dados amostrais esto dispostos na Tabela 8.3.

Tabela 8.3
Temperatura Consumo

Temperatura Consumo
16 290

36 370
31 374

36 365
38 393

22 320
39 425

15 270
37 406

A correlao entre X e Y :
X =
x
S = Y =
y
S =
=
n
i
i i
Y X
1
=
A reta ajustada para este exemplo :

y = 5,2194x + 200,42
250
270
290
310
330
350
370
390
410
430
450
10 15 20 25 30 35 40 45
Temperatura Mxima
C
o
n
s
u
m
o

d
e

C
e
r
v
e
j
a

Figura 8.4: Diagrama de Disperso para as variveis Temperatura Mxima e Consumo de Cerveja,
juntamente com a Reta de Regresso
Prof. Daniela ____/____/____
39
(a) Qual a interpretao de b para o exemplo consumo de cerveja e temperatura?

(b) Qual o consumo previsto para uma temperatura de 25C?

8.5. Coeficiente de Determinao

A quantidade r
2
=(quadrado do coeficiente de correlao x 100%) chama-se coeficiente de
determinao e , em geral, usada para julgar-se a adequao de um modelo de regresso.
Claramente, 0 r
2
100. Na prtica, nos referimos a r
2
de modo mais informal como a quantidade
de variabilidade nos dados explicada pelo, ou devido ao, modelo de regresso.

Exemplo: Considere o estudo da renda bruta mensal pela porcentagem da renda bruta anual gasta
com assistncia mdica, onde o coeficiente de correlao deu aproximadamente -0,9399, com os
dados da Tabela 8.2, logo, o coeficiente de determinao ser r
2
~ 88,35%, isto , 88,35% da
variabilidade nos dados explicada pelo modelo de regresso y =7,7212 0,04x.

y =-0,04x +7,7212
R
2
=0,8835
5
5,5
6
6,5
7
7,5
10 15 20 25 30 35 40 45 50 55 60
renda bruta mensal (em sal rios mni mos)
p
o
r
c
e
n
t
a
g
e
m

d
a

r
e
n
d
a

b
r
u
t
a

a
n
u
a
l

g
a
s
t
a

c
o
m

a
s
s
i
s
t
n
c
i
a

m
d
i
c
a

Prof. Daniela ____/____/____
40

1) Considere o exemplo das variveis Nota na Prova e Tempo de Estudo

X : tempo de estudo (em horas)
Y : nota obtida na prova

Tempo 3 7 2 1,5 12
Nota 4,5 6,5 3,7 4 9,3

(a) Faa o Grfico de Disperso.
(b) Obtenha o Coeficiente de Correlao.
(c) Calcule a Reta de Regresso e represente no Grfico de Disperso.
(d) Obtenha o coeficiente de determinao.
Prof. Daniela ____/____/____
41
Lista de Exerccios 1

1) Identifique a populao e a amostra correspondente : A fim de avaliar a inteno de voto para
presidente dos brasileiros, 122 pessoas foram entrevistadas em Braslia.

2) Classifique as seguintes variveis:
a) Conceitos obtidos na Disciplina Estatstica (R:Ruim, M:Mdio, B:Bom e O:timo);
b) Bacias Hidrogrficas (A:Amaznica, P:Platina, SF:So Francisco, N:do Nordeste, L:do Leste,
S:do Sul);
c) Nmero de sementes germinadas (0, 1, 2, 3, 4, 5);
d) Renda;

3) Selecione uma amostra de tamanho 10 dentre 80 funcionrios, utilizando as tcnicas de
amostragem aleatria simples e sistemtica. Depois, levando em conta que o sexo dos funcionrios
importante na pesquisa, obtenha uma amostra de mesmo tamanho utilizando amostragem
estratificada proporcional considerando que dos 80 funcionrios, 30 so mulheres e 50 so homens.
(Utilize a primeira linha da tabela de nmeros aleatrios, quando for necessrio)

4) Uma certa cidade possui N =200 zonas eleitorais. Uma empresa destinada a fazer uma pesquisa
eleitoral vai selecionar aleatoriamente n =15 zonas e entrevistar todos os elementos que esto
dentro dessas zonas eleitorais, isto , foi utilizada amostragem por conglomerado. Apresentem
quais sero as 15 zonas eleitorais amostradas. (Utilize a primeira linha da tabela de nmeros
aleatrios, quando for necessrio)

5) Os dados a seguir referem-se aos conceitos obtidos de n =60 alunos, na disciplina de Estatstica
na Escola E.
Tabela 1: Dados Brutos
R : Ruim M : Mdio B: Bom O : timo
M R M M M R B B M M R B M M M M R B B R
B M R M B M R M R M B M R M R M B M B M
B B B B O M M M M M B B B B B B B O B O
a) Organize os dados abaixo em uma Tabela de Freqncias, com ttulo, freqncias absoluta e
relativa, porcentagens e interpretao.
b) Faa os grficos de barras,o de composio em setores e o de Pareto para os dados da Tabela 1.

6) Os dados abaixo se referem ao comprimento de 31 canos PVC vendidos em uma loja de material
de construo.
Tabela 2: Dados Brutos (em m)
19,5 20,0 14,1 16,1 10,0 16,0 22,0 20,5 15,0 16,7 22,0
12,5 16,3 15,3 16,0 13,8 19,7 17,0 14,1 18,8 12,3
15,5 14,7 20,3 17,4 19,5 17,9 18,2 16,9 19,3 16,9

a) Obtenha as medidas de posio: mnimo, mximo, mdia, moda, mediana, Q1 e Q3.
b) Obtenha as medidas de disperso: amplitude, varincia, desvio-padro e intervalo-interquartil.
Prof. Daniela ____/____/____
42
c) Organize os dados da Tabela 2 em uma Tabela de Classes de Freqncias, com ttulo,
freqncias absoluta e relativa, porcentagem e interpretao. Utilize uma amplitude de 2 para as
classes.
d) Faa o histograma utilizando os dados agrupados em (c), baseados na Tabela 2.
e) Construa o dot-plot, box-plot e o ramo-e-folhas para os dados da Tabela 2.

7) Medidas da pulsao de 15 ndios nativos dos Alpes Peruanos esto apresentadas a seguir:
Tabela 3: Medidas da pulsao
64 64 68 68 76 60 72 68
80 60 72 88 60 88 60
a) Calcule: Mdia, Mediana. Comente os resultados;
b) Calcule: Mnimo, Q1, Q3 e Mximo. Interprete estas 4 estatsticas;
c) Calcule: Varincia e Desvio Padro. Comente.
d) Construa o grfico de barras para os dados de pulsao dos ndios.

8) Um rgo do governo do estado est interessado em determinar padres sobre o investimento
em educao, por habitante, realizado pelas prefeituras. De um levantamento de dez cidades, foram
obtidos os valores (codificados) da tabela abaixo:
Tabela 4: Valores codificados do investimento em educao
Cidade A B C D E F G H I J
Investimento 20 16 14 7 19 15 14 16 19 18
a) Calcule a mdia e o desvio-padro das observaes;
b) Recebero um programa especial s cidades com valores de investimento inferiores mdia
menos duas vezes o desvio padro. Alguma cidade receber o programa?
c) Ser considerado como investimento bsico a mdia das observaes compreendidas entre a
mdia original menos dois desvios padro e a mdia original mais dois desvios padro. Calcule o
investimento bsico e compare com a mdia obtida no item a). Justifique a diferena encontrada.

9) Trs medicamentos para cicatrizao esto sendo testados e um experimento feito para estudar
o tempo (em dias) do completo fechamento em cortes provenientes de cirurgia. Os resultados
abaixo mostram o tempo de cicatrizao em cobaias submetidas a um dos trs tratamentos (A, B,
C):
Tabela 5: Tempo (em dias) do completo fechamento em
cortes provenientes de cirurgia
A 13 14 15 13 15 14 15 15 14 14
B 14 12 13 13 14 14 13 14
C 12 12 13 13 12 13 11 11
Analise os dados descritivamente utilizando todas as medidas apresentadas em aula e comente.

10) A seguir, temos informaes do nmero de peixes-boi mortos e o nmero de barcos de turismo
(em milhares) que circulam em seu habitat na Flrida-EUA.
Barcos(X) 68 68 67 70 71 73 76 81 83 84
Mortes(Y) 53 38 35 49 42 60 54 67 82 78
Prof. Daniela ____/____/____
43
a) Observe o diagrama de disperso e comente sobre a relao linear dessas duas variveis.
b) Verifique se a correlao significativa (atravs do coeficiente de correlao (r)).
c) Obtenha a reta de regresso, considerando o nmero de peixes mortos a varivel dependente e o
nmero de barcos como a varivel independente.
d) Interprete o coeficiente de determinao (r
2
).

11) esperado que a massa muscular de uma pessoa diminua com a idade. Para estudar essa
relao uma nutricionista selecionou 18 mulheres com idade entre 40 e 79 anos, e observou em
cada uma delas a idade (X) e a massa muscular (Y).
X 71 64 43 67 56 73 68 56 76 65 45 58 45 53 49 78 73 68
Y 82 91 100 68 87 73 78 80 65 84 116 76 97 100 105 77 73 78
a) Faa o diagrama de disperso dos dados.
b) Calcule o coeficiente de correlao linear entre X e Y e interprete-o.
c) Ajuste uma reta de regresso para mostrar a relao linear entre as variveis Y: massa muscular
(dependente) e X: idade (independente) e interprete os coeficientes.

Alguns resultados: n =18; 1108
18
1
=
= i
i
X ; 70362
18
1
2
=
= i
i
X ; 1530
18
1
=
= i
i
Y ; 133300
18
1
2
=
= i
i
Y e
91964
18
1
=
=
i
i
i
Y X .

Observao: O gabarito da Lista de Exerccios 1 encontra-se no Apndice A

Prof. Daniela ____/____/____
44
9. PROBABILIDADE

9.1. Processo ou Experimento Aleatrio

Definio 1: Qualquer fenmeno que gere resultado incerto ou casual chamado de Processo ou
Experimento Aleatrio.

Exemplos:
1) Jogar uma moeda duas vezes e observar a seqncia obtida de caras e coroas;

2) Jogar um dado e observar o nmero mostrado na face superior;

3) Peso de Animais;

4) Nmero de filhos de um casal.

9.2. Espao Amostral (O)

Definio 2: Espao amostral (O) o conjunto de todos os resultados possveis de um experimento
aleatrio.

Exemplos: Obtenha o espao amostral dos seguintes experimentos:
1) Jogar um dado e observar o resultado: O ={1, 2, 3, 4, 5, 6}.

2) Lanar uma moeda duas vezes e observar as faces obtidas:

3) Uma urna contm 10 bolas azuis e 10 brancas. 3 bolas so retiradas ao acaso e as cores so
anotadas:

4) Dois dados so lanados simultaneamente e estamos interessados na soma das faces observadas:

5) Uma moeda lanada consecutivamente at o aparecimento da 1 cara:

6) Uma mquina produz 20 peas por hora. Ao final da primeira hora de produo, observa-se o n
de defeituosas:

7) Medio do tempo de vida de uma lmpada antes de se queimar:

Prof. Daniela ____/____/____
45
9.3. Evento

Definio 3: Evento qualquer subconjunto do espao amostral.

Exemplos:
(a) Alguns eventos do experimento 1: A ={5}, B ={2, 4, 6}, etc.

(b) Alguns eventos do experimento 2:

Existem dois eventos especiais: espao todo (O) e o conjunto vazio (C).

Operaes com Eventos
Sejam A e B dois eventos de um mesmo espao amostral:
O evento interseo de A e B, denotado AB, o evento em que A e B ocorrem
simultaneamente.

O evento unio de A e B, denotado AB, o evento em que A ocorre ou B ocorre (ou ambos).

O evento complementar de A, denotado A
c
, o evento em que A no ocorre.

Exemplos: Operaes com Eventos. Seja O
1
={1, 2, 3, 4, 5, 6} e considere os seguintes eventos
A ={2, 4, 6}, B ={4, 5, 6} e C ={1, 3, 5}.
Faa as seguintes operaes:
A B = A C =
A B = A B
c
=

Eventos Disjuntos
Definio 4: Dois eventos A e B so mutuamente exclusivos ou disjuntos se eles no podem
ocorrer simultaneamente (A B =C).

Exemplo: A =o resultado do dado foi 4, e
B =o resultado do dado foi 5 A B =C

Aps essas quatro definies, estamos preparados para calcular probabilidades.

A B A B
A B A B
A B A B
A B A B
Prof. Daniela ____/____/____
46
9.4. Exerccios Parte II A2

1) Determine o espao amostral dos seguintes experimentos:

(a) Lanar 2 dados e observar as faces superiores;

(b) Lanar 2 dados e observar a soma das faces superiores;

2) Considere o seguinte espao amostral: O =={1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
Defina os eventos:
A =nmero par:
B =nmero mpar:
C =mltiplo de 3:
D =maior ou igual a 6:
E =maior que 8:
F =menor que 5:
G =menor ou igual a 3:

Obtenha os seguintes eventos:

(a) A B = (e) C D =

(b) A B = (f) E F =

(c) (A B)
c
= (g) (A G)
c
=

(d) (A B)
c
= (h) (E
c
B)
c
=

Prof. Daniela ____/____/____
47
9.5. Introduo Probabilidade

A rea de Probabilidade comeou a ser desenvolvida no sculo XVII antes ainda da
formalizao da rea da Estatstica, em questes propostas em jogos de azar.

1654 Pierre de Fermat (1601-1665) e Blaise Pascal (1623-1662), na Frana, estabelecem os
Princpios do Clculo das Probabilidades.

1656 - Huygens (1629-1695) publica o primeiro
Tratado de Probabilidade.
No entanto, fcil perceber que o termo probabilidade j est enraizado no senso comum,
pois as pessoas vivem o cotidiano calculando implicitamente algumas probabilidades, tais como:
situaes de sua vida pessoal;
organizando-se em relaes a horrios a cumprir, levando em conta as circunstncias do
trfego;
agasalhando-se ao sair de casa se a previso do tempo indicar uma frente fria.

Em resumo, prevenindo-se em situaes de risco.

Como podemos definir Probabilidade?

Probabilidade uma medida que quantifica a sua incerteza frente a
um possvel acontecimento futuro.

H vrias maneiras de se medir a incerteza e costume se pensar na seguinte diviso:
1) Mtodo Clssico 3) Mtodo Subjetivo
2) Mtodo Freqentista 4) Mtodo Moderno ou Axiomtico

O primeiro devido a Laplace e o mais conhecido, pois relaciona eventos favorveis com
eventos possveis. O segundo consiste em repetir um experimento vrias vezes. O terceiro
baseado na opinio pessoal e o ltimo devido a Kolmogorov e baseia-se no princpio de que
qualquer experimento pode ser modelado.
Prof. Daniela ____/____/____
48
9.6. Definio Clssica

Definio 5 (Clssica): Dado um conjunto de N eventos equiprovveis, a probabilidade de
ocorrncia de um determinado evento A, dado pela razo
N
n
A P = ) (
onde n o nmero de elementos em A e N o nmero de elementos em O.

Exemplo: Considere o lanamento de uma moeda equilibrada, nesse caso o espao amostral
associado O ={Cara, Coroa}. Ento, pela definio clssica, a probabilidade de ocorrncia do
evento cara P(cara) = .

Exemplo: Populao Residente em So Joo del Rei em 2006

Fonte: DATASUS (http://www.datasus.gov.br)

O = conjunto de 82.952 habitantes residentes em So Joo del Rei em 2006 por faixa etria.
Possveis eventos de interesse:
M =Indivduo sorteado do sexo masculino F =Indivduo sorteado do sexo feminino
A =Indivduo sorteado tem mais que 80 anos B =Indivduo sorteado tem entre 15 e 29 anos
M A =Indivduo sorteado do sexo masculino e tem mais de 80 anos
F B =Indivduo sorteado do sexo feminino ou tem entre 15 e 29 anos

Distribuio da Faixa Etria da Cidade de So Joo del Rei em 2006, por Sexo

Idade Menor 1 1 a 4 5 a 9 10 a 14 15 a 19 20 a 29 30 a 39 40 a 49 50 a 59 60 a 69 70 a 79 80 e mais Total
Masculi no 600 2592 3411 3491 3774 7027 6699 5528 3300 2222 1085 397 40126
Femi nino 572 2457 3257 3482 3692 7059 7096 5863 3894 2910 1781 763 42826
Total 1172 5049 6668 6973 7466 14086 13795 11391 7194 5132 2866 1160 82952
1
,
5
0
1
,
3
4
6
,
4
6
5
,
7
4
8
,
5
0
7
,
6
1
8
,
7
0
8
,
1
3
9
,
4
1
8
,
6
2
1
7
,
5
1
1
6
,
4
8
1
6
,
6
9
1
6
,
5
7
1
3
,
7
8
1
3
,
6
9
8
,
2
2
9
,
0
9
5
,
5
4
6
,
7
9
2
,
7
0
4
,
1
6
0
,
9
9
1
,
7
8
0,00
2,00
4,00
6,00
8,00
10,00
12,00
14,00
16,00
18,00
20,00
P
o
r
c
e
n
t
a
g
e
m
Menos
que 1
1 a 4 5 a 9 10 a 14 15 a 19 20 a 29 30 a 39 40 a 49 50 a 59 60 a 69 70 a 79 acima
de 80
Grupos de Idade
Masculino
Feminino
Prof. Daniela ____/____/____
49
Exerccio Parte II A2: Suponha que um indivduo escolhido aleatoriamente na cidade de So
Joo del Rei em 2006. Determine a probabilidade de ocorrer cada um dos eventos definidos.

9.7. Definio Freqentista

Definio 6 (Freqentista): A probabilidade de ocorrncia de um determinado evento igual
freqncia relativa de ocorrncia de tal evento, quando o processo aleatrio que o gerou for
repetido infinitas vezes.

Exemplo: Atividade Prtica do lanamento da moeda.

Passo 1 Agrupem-se 2 a 2 e peguem uma moeda chamem o valor numrico da moeda de
COROA (K ) e a outra face de CARA (C). Suponham que haja interesse em saber se a sua moeda
honesta (isto significa saber se a probabilidade de CARA de sua moeda ou, em termos
percentuais, se a probabilidade de sair Cara 50%).

Passo 2 Um membro do grupo vai lanar a moeda e o outro vai marcar os resultados na planilha
anexa, seguindo as seguintes instrues:
a) Jogar a moeda uma vez e anotar C ou K no espao adequado (linha 2) da planilha.
b) Repetir este procedimento 30 vezes, preenchendo um a um todos os espaos da linha 2.

Passo 3 Continuando com a planilha, trocar de lugar com o parceiro, voltar para os itens a) e b)
das instrues e continuar mais 30 jogadas at perfazer 60.

Passo 4 Voltar ao primeiro da dupla e, ainda com a planilha, seguir as instrues:
c) Depois do registro na linha 2 de todos os resultados como C ou K, passar para a linha 3: chamar
CARA de 1 e COROA de 0 e colocar estes valores na planilha, abaixo de cada resultado j obtido
na linha 2. Cada membro do grupo deve fazer metade um faz a linha de cima e o outro a linha de
baixo.

d) Agora a linha 4 da planilha deve ser preenchida em cada posio deve ser colocado o nmero
acumulado de CARAS, at aquela jogada (verifique que a jogada est explicitada na linha 1- que
a linha n). Discutir com outro membro do grupo para ver se est claro se no, pergunte! A linha
de baixo continuao do acumulado da linha de cima.

e) Finalmente chegamos ltima linha linha 5: colocar a freqncia relativa (m/n) de CARAS em
cada momento o que isto? Discuta com o outro membro do grupo (desprezar as entradas
assinaladas com X).

Prof. Daniela ____/____/____
50

Passo 5 depois de completar a 1
a
parte da planilha, construir a seguinte tabela, usando as linhas 4
e 5 da planilha:

n 1 2 3 4 5 6 7 8 9 10 20 30 40 50 60
m/n

Passo 6 Completar o grfico, usando os valores da tabela recm construda, do seguinte modo:
Eixo Y valores m/n Eixo X valores da linha 1: (n)

Grfico da Atividade Prtica - Parte II A2

Passo 7 Comparar os resultados com os colegas e interpretar o resultado comentando sobre a
honestidade da sua moeda.

Concluso: Com isto chegamos a uma possvel definio freqentista de probabilidade, ou seja,
probabilidade o valor em que a freqncia relativa se estabiliza aps um nmero muito grande de
ensaios.

1) J ogada(n) 1 2 3 4 5 6 7 8 9 10 12 14 17 20 25 30
2) C ou K
3) 1 ou 0
4) Caras Acumuladas (m)
5) Frequncia Relativa (m/n) X X X X X X X X X X X X X X X X X X
1) J ogada(n) 31 32 33 40 47 50 55 60
2) C ou K
3) 1 ou 0
4) Caras Acumuladas (m)
5) Frequncia Relativa (m/n) X X X X X X X X X X X X X X X X X X X X X X X X X X X
m/n
1 2 3 4 5 6 7 8 9 10 20 30 40 50 60
n
0,2
0,1
0,6
0,5
0,4
0,3
1,0
0,9
0,8
0,7
Prof. Daniela ____/____/____
51
9.8. Definio Subjetiva

Definio 7 (Subjetiva): Cada indivduo, baseado em informaes anteriores e na sua opinio
pessoal a respeito de um evento em questo, pode ter uma resposta para a probabilidade desse
evento.

Exemplo: Um mdico experiente consegue calcular uma probabilidade do indivduo ter uma
determinada doena baseado nos sintomas que o indivduo apresenta.

9.9. Definio Moderna

Definio 8 (Moderna): Probabilidade uma funo P(
.
), que associa a cada evento do espao
amostral O, um nmero real, pertencente ao intervalo [0, 1], satisfazendo os seguintes axiomas:

(1) 0 P(A) 1.
(2) P(O) =1.
(3) Se A e B so eventos mutuamente exclusivos: P(AB) =P(A) +P(B).

Exemplos:

Segue alguns exemplos de funes j descobertas na literatura para calcular
probabilidades, que sero discutidas em detalhes nos captulos posteriores.

1) Distribuio Bernoulli
( )
x 1 x
p 1 p ) x X ( P

= = , x =0, 1.
2) Distribuio Binomial
( )
x n x
p 1 p
x
n
) x X ( P

|
|
.
|
\
|
= = , x =0, 1, ..., n.
3) Distribuio Hipergeomtrica
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
n
N
x n
r N
x
r
) x X ( P , 0 s x s mnimo(r, n).
4) Distribuio Poisson
! x
e
) x X ( P
x
= =

, x =0, 1, ...

5) Distribuio Normal
( )
2
2
x
2
1
e
2
1
) x ( f

o
t o
= , - <x<+
Prof. Daniela ____/____/____
52

6) Distribuio t de Student
( ) | |
| |
( ) 2 / 1 k
2
k
x
1
k 2 / k
2 / 1 k
) x ( f
+
|
|
.
|
\
|
+
t I
+ I
= , - <x<+
7) Distribuio Qui-Quadrado
| |
2
x
2
k
e x
2 2 / k
1
) x ( f
1
2
k
I
= , x >0

Propriedades

P1: P(C) =0, onde C o conjunto vazio.
P2: Se A
c
for o evento complementar de A, ento P(A
c
) =1 P(A).
P3: Se A e B forem dois eventos quaisquer, ento P(A B) =P(A) +P(B) P(A B).
P4: Se A c B, ento P(A) s P(B).
Nos captulos posteriores veremos algumas distribuies de probabilidade para
variveis discretas e contnuas comumente utilizadas.

9.10. Probabilidade Condicional
A probabilidade condicional surge, por exemplo, quando se deseja calcular a probabilidade
de um evento A ocorrer sabendo que um evento B j ocorreu.
Sejam A e B dois eventos associados a um mesmo espao amostral O. Denota-se por
P(A|B) a probabilidade condicionada do evento A, quando o evento B tiver ocorrido.
Sempre que calculamos P(A|B), estamos essencialmente calculando P(A) em relao ao
espao amostral reduzido devido a B ter ocorrido, em lugar de faz-lo em relao ao espao
amostral original O.
Assim, uma definio mais formal de probabilidade condicional dada pela definio 9.

Definio 9 (Probabilidade Condicional): Dados dois eventos A e B, a probabilidade condicional
de A dado que ocorreu B representada por P(A | B) e definida por
0 >
= ) ( ,
) (
) (
) | ( B P
B P
B A P
B A P
Da definio de probabilidade condicional, obtemos a regra do produto de probabilidades.

) | ( ) ( ) ( B A P B P B A P =
Exemplo: Voltando ao Exemplo da Populao Residente em So Joo del Rei em 2006, temos:

Fonte: DATASUS (http://www.datasus.gov.br)
Idade Menor 1 1 a 4 5 a 9 10 a 14 15 a 19 20 a 29 30 a 39 40 a 49 50 a 59 60 a 69 70 a 79 80 e mais Total
Masculino 600 2592 3411 3491 3774 7027 6699 5528 3300 2222 1085 397 40126
Feminino 572 2457 3257 3482 3692 7059 7096 5863 3894 2910 1781 763 42826
Total 1172 5049 6668 6973 7466 14086 13795 11391 7194 5132 2866 1160 82952
Prof. Daniela ____/____/____
53

Se soubermos que um indivduo sorteado do sexo masculino, qual a probabilidade de
que ele tenha idade entre 30 e 39 anos?
B =indivduo do sexo masculino e A =tem idade entre 30 e 39 anos
167 , 0
40126
6699
82952
40126
82952
6699
) B ( P
) B A ( P
) B | A ( P = = =
=

Exerccio Parte II A2: Na Segunda Guerra Mundial, houve um esforo de pesquisa
operacional na Inglaterra direcionado a estabelecer padres de busca de submarinos alemes pelas
patrulhas areas. Por algum tempo, houve uma tendncia em concentrar os vos em reas prximas
costa, uma vez que se acreditava que mais avistamentos tinham ocorrido ali. O grupo de pesquisa
estudou os registros de 1000 patrulhas, obtendo os seguintes resultados (os dados so fictcios):

Prximo costa (B1) Alto-mar (B2) Total
Houve avistamento (A1) 80 20 100
No houve avistamento (A2) 820 80 900
Total de Patrulhas 900 100 1000
(a) Dado que a patrulha estava prximo costa, qual a probabilidade de que houve avistamento?
(b) Dado que a patrulha estava em alto-mar, qual a probabilidade de que houve avistamento?
(c) Os resultados ed (a) e (b) indicam uma estratgia de busca contrria prtica anterior?

9.11. Independncia de Eventos

Definio 10: Dois eventos A e B so independentes se a ocorrncia de um no altera a
probabilidade de ocorrncia do outro, isto , P(A|B) =P(A) ou P(B|A) =P(B), ou ainda, a seguinte
forma equivalente:

P(AB) =P(A) P(B)

Exemplo: Joaninha tem probabilidade de 0,8 de passar no vestibular enquanto que Joozinho tem
probabilidade de 0,6. Qual a probabilidade dos dois passarem no vestibular? Qual a suposio a ser
feita nesse caso para calcular a probabilidade?
Sejam os eventos: A: Joaninha passa no vestibular e B: Joozinho passa no vestibular
P(AB) =0,8.0,6 =0,48

Exerccio Parte II A2: O campo da Engenharia da confiabilidade se desenvolveu rapidamente
a partir do incio da dcada de 1960. Um tipo de problema encontrado o de se estimar a
confiabilidade de um sistema a partir das confiabilidades dos subsistemas. A confiabilidade
definida, aqui, como a probabilidade do funcionamento apropriado durante um certo perodo de
tempo. Considere a estrutura de um sistema em srie simples, como o da figura a seguir:

Sistema

Subsistema 1 Subsistema 2
Prof. Daniela ____/____/____
54

O sistema funciona se e somente se o subsistema 1 e o subsistema 2 funcionarem. Se os
subsistemas sobrevivem independentemente, a confiabilidade do subsistema 1 de 0,90 e do
subsistema 2 de 0,80, qual a confiabilidade do sistema?

9.12. Regra da Probabilidade Total

Se A e B so eventos, temos duas maneiras de A ocorrer:
A e B ocorrem (A B) ou A e B
c
ocorrem (A B
c
)

Assim temos que: A =(A B) (A B
c
)
pela Regra da Soma temos: P(A) =P(A B) +P(A B
c
)
e finalmente pela Regra do Produto temos:

P(A) = P(B).P(A | B) + P(B
c
).P(A | B
c
)

Exemplo: O Flamengo ganha com probabilidade 0.7 se chove e 0.8 se no chove. Em maio a
probabilidade de chuva de 0.3. Qual a probabilidade do Flamengo ganhar uma partida no ms de
maio?
A: Flamengo vencer; B: chove; B
c
: No chove
P(A) =P(B).P(A | B) +P(B
c
).P(A | B
c
) =0,3.0,7 +0,7.0,8 =0,77

Exerccio Parte II A2: Em um centro de mquinas, h quatro mquinas automticas de
parafusos. Uma anlise dos registros de inspeo passados fornece os seguintes dados:
Mquina Percentual de Produo Percentual de Defeituosos Produzidos
1 15 4
2 30 3
3 20 5
4 35 2
As mquinas 2 e 4 so mais novas e, assim, a maior parte da produo foi atribuda a elas.
Suponha que o estoque atual reflita as porcentagens de produo indicadas. Se um parafuso
selecionado aleatoriamente do estoque, qual a probabilidade de que seja defeituoso?

9.13. Teorema de Bayes

Finalmente, uma das relaes mais importantes envolvendo probabilidades condicionais
dada pelo Teorema de Bayes. Thomas Bayes (1702-1761) afirmou que as probabilidades devem ser
revistas quando conhecemos algo mais sobre os dados. A verso mais simples desse teorema
dada pela frmula
) B ( P
) A ( P ) A | B ( P
) B ( P
) B A ( P
) B | A ( P =
=
A forma geral do Teorema de Bayes pode ser introduzida da seguinte forma:
Considere a seqncia {C
1
, C
2
, ..., C
n
} como sendo uma partio do espao amostral O, isto
, C
i
C
j
=C sempre que i = j e C
1
C
2
... C
n
=O.
Considere um evento qualquer A em O. Suponha que sejam conhecidas as probabilidades
de cada partio (P(C
i
)) e as probabilidades condicionais P(A|C
i
).
Prof. Daniela ____/____/____
55
Logo, temos o seguinte teorema:
Teorema: A probabilidade de ocorrncia do evento C
i
, supondo a ocorrncia do evento A, dado
por

para todo i =1, 2, ..., n.

Curiosidade
O teorema de Bayes, que aparentemente poderia ser encarado como mais um resultado na teoria de
probabilidades, tem importncia fundamental, pois fornece a base para uma abordagem da
inferncia estatstica conhecida como inferncia bayesiana.
Como estamos falando do Thomas Bayes, no podemos deixar de fazer um breve
comentrio sobre o que chamamos de probabilidades subjetivas, ou seja, cada indivduo, baseado
em informaes anteriores e na sua opinio pessoal a respeito de um evento em questo, pode ter
uma resposta para a probabilidade desse evento. A inferncia Bayesiana toma como uma de suas
bases o fato de que todas as probabilidades so subjetivas. O teorema de Bayes tem um papel
importante nesse tipo de inferncia, pois passa a ser visto como um mecanismo de atualizao de
opinies, ou seja, o indivduo aprende B e passa a ter opinio P(A|B) sobre A.
As probabilidades associadas a eventos de modo subjetivo tm propriedades anlogas as
que foram mencionadas nesse texto.

Exemplo:
Nveis Histricos de Qualidade de Dois Fornecedores
% de Peas Boas % de Peas Ruins
Fornecedor 1 98 2
Fornecedor 2 95 5
Considere uma empresa fabricante que recebe embarques de peas de dois diferentes
fornecedores. Atualmente, 65% das peas compradas pela empresa so do fornecedor 1 e o
restante, 35%, so do fornecedor 2. Dado que uma pea selecionada seja defeituosa, qual a
probabilidade dela ter vindo do fornecedor 2?

57 , 0
0305 , 0
0175 , 0
35 , 0 . 05 , 0 65 , 0 . 02 , 0
35 , 0 . 05 , 0
) 2 F ( P ) 2 F | D ( P ) 1 F ( P ) 1 F | D ( P
) 2 F ( P ) 2 F | D ( P
) D ( P
) 2 F ( P ) 2 F | D ( P
) D | 2 F ( P ~ =
+
=
+
= =

Exerccio Parte II A2: Em um centro de mquinas, h quatro mquinas automticas de
parafusos. Uma anlise dos registros de inspeo passados fornece os seguintes dados:
Mquina Percentual de Produo Percentual de Defeituosos Produzidos
1 15 4
2 30 3
3 20 5
4 35 2
Suponha que o estoque atual reflita as porcentagens de produo indicadas. Se um parafuso
selecionado aleatoriamente do estoque e ele defeituoso, qual a probabilidade de que seja da
mquina 2?
=
=
n
1 j
j j
i i
i
) C | A ( P ) C ( P
) C | A ( P ) C ( P
) A | C ( P
Prof. Daniela ____/____/____
56
10. VARIVEL ALEATRIA DISCRETA

Exemplos
1. Lana-se uma moeda 10 vezes e anota-se o nmero de caras. Este nmero pode ser 0, 1, 2 ...10.

2. Em uma pesquisa de mercado feita com 200 pessoas, perguntam-se estes compram um
determinado produto. O nmero de pessoas que compram o produto varia de 0 a 200.

3. Conta-se o n de acidentes que ocorrem em uma rodovia num feriado prolongado. O nmero de
acidentes em questo pode ser: 0, 1, 2 Como no temos um valor que limite esse nmero,
supomos que o nmero de acidentes qualquer inteiro no negativo.

4. Nmero de chamadas telefnicas que chegam a uma central em um intervalo de tempo.

10.1. Introduo
Vamos incorporar o conceito de probabilidade ao estudo de variveis associadas a
caractersticas em uma populao. Muitos experimentos produzem resultados no-numricos.
Antes de analis-los, conveniente transformar seus resultados em nmeros. Isto feito atravs da
varivel aleatria que uma funo que associa um valor numrico a cada ponto do espao
amostral.
Para entender melhor o conceito, considere o seguinte exemplo.

Exemplo: Observa-se o sexo das crianas em famlias com trs filhos. O espao amostral
O ={(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)}
Uma varivel aleatria de interesse : X ={n. de crianas do sexo masculino}. A cada evento
simples, ou ponto de O, associamos um nmero, que o valor assumido pela varivel aleatria X:

Evento MMM MMF MFM FMM MFF FMF FFM FFF
X 3 2 2 2 1 1 1 0

Poderamos tambm ter considerado o n. de crianas do sexo feminino. Os valores de X, na
mesma ordem, seriam ento 0, 1, 1, 1, 2, 2, 2, 3.

Obs: A expresso varivel aleatria ser abreviada por v.a..

Definio: Uma v.a. discreta quando o conjunto de valores possveis for finito ou infinito
numervel.
Exemplos: Nmero de filhos, Nmero de bactrias numa lmina, nmero de lmpadas em uma
residncia, etc.
O passo fundamental para entendermos uma v.a. discreta associar a cada valor a sua
probabilidade, obtendo o que se chamamos de distribuio de probabilidade.

X x
1
x
2
... x
n

P(X=x) P(X=x
1
) P(X=x
2
) ... P(X=x
n
)
Prof. Daniela ____/____/____
57
A funo de probabilidade (P()) deve satisfazer: 0 P(X=x
i
) 1 p/ x
i
e
=
= =
n
i
i
x X P
1
1 ) (

Exemplo: Um certo departamento da UFSJ formado por 35 professores, sendo 21 homens e 14
mulheres. Uma comisso de 3 professores ser constituda, sorteando-se, ao acaso, trs membros
do departamento. Qual a probabilidade da comisso ser formada por pelo menos duas mulheres?

Seja X ={ n. de mulheres na comisso}.

10.2. Esperana Matemtica (Mdia)
Assim como definimos a mdia de uma distribuio de freqncias como a soma dos
produtos dos diversos valores observados pelas respectivas freqncias relativas, natural
definirmos agora a mdia de uma v.a., ou de sua distribuio de probabilidade, como a soma dos
produtos dos diversos valores de x
i
da v.a. pelas respectivas probabilidades P(x
i
).
A mdia de uma v.a. X tambm chamada valor esperado ou esperana matemtica, ou
simplesmente esperana de X. representada por E(X) e se define como
=
= = = + + = + = =
n
1 i
i i n n 2 2 1 1
) x X ( P x ) x X ( P x ) x X ( P x ) x X ( P x ) X ( E
uma mdia ponderada dos x
i
, em que os pesos so as probabilidades associadas.

Exemplo: Um lojista mantm extensos registros das vendas dirias de certo aparelho. O quadro a
seguir d o nmero x
i
de aparelhos vendidos em uma semana e a respectiva probabilidade:

Nmero x
i
0 1 2 3 4 5
Probabilidade P(X =x
i
) 0,1 0,1 0,2 0,3 0,2 0,1
Se for de R$ 20,00 o lucro por unidade vendida, qual o lucro esperado nas vendas de uma semana?
Espao Amostral X Probabilidade
HHH 0 203 , 0
33
19
x
34
20
x
35
21
=
Distribuio de Probabilidade

HHM 1 150 , 0
33
14
x
34
20
x
35
21
=
X 0 1 2 3
P(X) 0,203 0,450 0,291 0,056
HMH 1
MHH 1 Assim, P(X 2) = P(X = 2) + P(X = 3)
HMM 2 097 , 0
33
13
x
34
14
x
35
21
= =0,291+0,056
MHM 2 =0,347
MMH 2
MMM 3 056 , 0
33
12
x
34
13
x
35
14
=
Prof. Daniela ____/____/____
58
Soluo: Calculemos inicialmente E(X), que o nmero esperado de aparelhos vendidos em uma
semana:
E(X) =(0)(0,1) +(1)(0,1) +(2)(0,2) +(3)(0,3) +(4)(0,2) +(5)(0,1) =2,70.
Para x unidades vendidas o lucro 20x. Logo, o lucro esperado de R$ 54,00.

10.3. Varincia
Assim como a mdia uma medida de posio de uma v.a., natural que procuremos uma
medida de disperso dessa varivel em relao mdia. Essa medida a varincia, a ser
representada por o
2
e definida por
=
= = = o
n
1 i
i
2
i
2
) x X ( P )) X ( E x ( ) X ( Var
Desenvolvendo o termo quadrtico do somatrio, obtemos uma expresso mais fcil de calcular a
varincia dada por:
2 2 2
)] X ( E [ ) X ( E ) X ( Var = = o
onde
=
= =
n
1 i
i
2
i
2
) x X ( P x ) X ( E .
Desvio Padro
O desvio padro (o) a raiz quadrada positiva da varincia. Tem sobre essa ltima a
vantagem de exprimir a disperso na mesma unidade de medida da v.a.:
2
o = o

10.4. Exerccio Parte II A2
1) A distribuio de X: n de crianas por domiclio numa determinada regio dada pela tabela
abaixo:
X 0 1 2 3 4 5
P(X =x) 0,10 0,15 0,25 0,30 0,15 0,05
Calcule:
(a) O nmero mdio de crianas por domiclio,
X
.
(b) O desvio padro de X, o
X
.
(c) A probabilidade P{
X
- o
X
s X s
X
+o
X
}.

10.5. Distribuio Bernoulli
Na prtica existem muitos experimentos que admitem apenas dois resultados.
Exemplos:
1) Uma pea classificada como boa ou defeituosa;
2) Um entrevistado concorda ou no com a afirmao feita;
3) O resultado de um exame mdico para deteco de uma doena positivo ou negativo;
4) No lanamento de um dado ocorre ou no a face 5.
Prof. Daniela ____/____/____
59
Situaes com alternativas dicotmicas podem ser representadas genericamente por
respostas do tipo sucesso-fracasso.
Esses experimentos recebem o nome de ensaio de Bernoulli e originam uma v.a. com
distribuio Bernoulli.

Varivel Aleatria de Bernoulli
uma v.a. X que assume apenas dois valores: 1 se ocorrer sucesso, e 0 se ocorrer fracasso,
e, sendo p a probabilidade de sucesso, 0 < p < 1.
Denotamos por X ~ Bernoulli (p) uma v. a. com distribuio de Bernoulli com parmetro p.

1, se ocorrer sucesso
X =
0, se ocorrer fracasso

e funo de probabilidade,
X 1 0
P(X=x) p 1-p

Segue-se que
E(X) =p e Var(X) =p(1-p)

Repeties independentes de um ensaio de Bernoulli do origem ao modelo binomial.

10.6. Distribuio Binomial

Experimento Binomial: o experimento
(a) que consiste em n ensaios de Bernoulli;
(b) cujos ensaios so independentes; e
(c) para o qual a probabilidade de sucesso em cada ensaio sempre igual a p, 0 <p <1.
A v.a. X, correspondente ao nmero de sucessos num experimento binomial, tem
distribuio binomial com parmetros n e p, com funo de probabilidade dada por:
n , , 1 , 0 x , ) p 1 ( p
x
n
) x X ( P
x n x
=
|
|
.
|
\
|
= =

onde
)! x n ( ! x
! n
x
n
=
|
|
.
|
\
|
, ) 1 )( 2 ( ) 2 n )( 1 n ( n ! n = e 1 ! 0= .

Notao: X ~B(n; p).

Mdia e Varincia da Binomial

A Mdia e a Varincia so dadas, respectivamente, por:

E(X) =np e Var(X) =np(1-p)

Prof. Daniela ____/____/____
60
Exemplo: Suponha que 20% dos clientes de uma empresa sejam inadimplentes. Se 10 pessoas
dessa populao forem escolhidas ao acaso e com reposio, determine:
(a) O n esperado de inadimplentes.
(b) A probabilidade de selecionar exatamente 3 pessoas inadimplentes.
(c) A probabilidade de selecionar no mximo 3 inadimplentes.


1) Nos Estados Unidos, 29% dos advogados e juzes so mulheres (Statistical Abstract of the
United States, 1997). Em uma jurisdio com 30 advogados e juzes, qual o nmero esperado de
mulheres? Qual a varincia e o desvio padro?

2) O maior nmero de reclamaes dos proprietrios de automveis com dois anos de uso se
referem ao desempenho do sistema eltrico. Considere que um questionrio anual, enviado aos
proprietrios de mais de 300 marcas e modelos de automveis, revelou que 10% dos proprietrios
de automveis com dois anos de uso encontraram pontos com problemas no sistema eltrico, que
incluam o motor de arranque, o alternador, a bateria, controles diversos, luzes e radio. Qual a
probabilidade de que uma amostra de 12 proprietrios de automveis com dois anos ter
(a) exatamente dois proprietrios com problemas no sistema eltrico
(b) pelo menos dois proprietrios com problemas no sistema eltrico
(c) no mximo um proprietrio com problemas no sistema eltrico.

10.8. Distribuio Hipergeomtrica

A distribuio Hipergeomtrica est restritamente relacionada com a distribuio binomial.
A diferena chave entre as duas distribuies de probabilidade que com a distribuio
hipergeomtrica os ensaios no so independentes e a probabilidade de sucesso muda de ensaio
para ensaio, pois as selees dos elementos so feitas sem reposio, enquanto que na distribuio
binomial as selees dos elementos so feitas com reposio.
Considere um conjunto de N objetos dos quais r so do tipo I e N - r so do tipo II. Um
sorteio de n objetos (n <N) feito ao acaso e sem reposio.
Definio: A varivel aleatria discreta X que igual ao nmero de objetos do tipo I
selecionados nesse sorteio tem distribuio Hipergeomtrica.
Os valores possveis de X vo de 0 a min(r, n), uma vez que no podemos ter mais do que o
nmero de objetos existentes do tipo I, nem mais que o total de sorteados.
Sua funo de probabilidade dada por:
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
n
N
x n
r N
x
r
) x X ( P , 0 s x s mnimo(r, n).
Notao: X ~Hipergeomtrica (N; n; r)
Esperana: E(X) =np
Varincia: Var(X) =np(1-p)(N-n)/(N-1),
onde p =r/N.
Prof. Daniela ____/____/____
61
Exemplo: Uma fbrica produz peas que so embaladas em caixas com 40 unidades. Para aceitar o
lote de caixas enviado por essa fbrica, o controle de qualidade de uma empresa sorteia uma caixa
do lote e sorteia 10 peas, sem reposio, dessa mesma caixa. Se houver alguma pea defeituosa o
lote inteiro devolvido. Se a caixa sorteada tiver 4 peas defeituosas, qual a probabilidade do lote
no ser devolvido?
N =40, n =10 e r =4
X: nmero de peas defeituosas

10.9. Exerccio Parte II A2: Para fazer o controle de qualidade numa empresa, lotes com 100
peas so examinados. O nmero de peas com defeito no lote 10. Aps colher uma amostra de 5
peas sem reposio, calcule a probabilidade de que nessa amostra no haja nenhum item
defeituoso.

10.10. Distribuio Poisson
A distribuio de Poisson empregada em experimentos nos quais no se est interessado
no nmero de sucessos obtido em n tentativas, como ocorre no caso da distribuio binomial, mas
sim no nmero de sucessos ocorridos durante um intervalo contnuo, que pode ser um intervalo de
tempo, espao, etc. Alguns exemplos de variveis que podem ter a distribuio de Poisson so
(a) nmero de defeitos por centmetro quadrado;
(b) n de acidentes por dia;
(c) n de clientes por hora;
(d) n de chamadas telefnicas recebidas por minuto;
(e) n de falhas de um computador num dia de operao;
(f) n de relatrios de acidentes enviados a uma companhia de seguros numa semana.

Note-se que a unidade de medida (tempo, rea) contnua, mas a varivel aleatria de
interesse (nmero de ocorrncia) discreta. Alm disso, as falhas no so contveis. No
possvel contar os acidentes que no ocorreram, nem o nmero de defeitos por centmetros
quadrados que no ocorreram.

O limite inferior do nmero de ocorrncias, em todos as situaes dos exemplos,
________, enquanto que o limite superior ao menos teoricamente infinito, muito embora, na
maioria dos exemplos acima, seja difcil imaginar um nmero infinito de ocorrncias.
As probabilidades, calculadas agora para todos os nmeros inteiros no negativos k =0, 1,
2, ... so dadas da seguinte forma:
! x
e
) x X ( P
x
= =

, x =0, 1, ...
onde X =nmeros de sucessos em um intervalo a varivel de interesse, >0 o nmero
mdio de sucessos da varivel X e e a constante 2,7183 (base dos logaritmos naturais).

Notao: X ~P()
Esperana e Varincia: E (X) =Var (X) =
3 , 0
10
40
0 10
4 40
0
4
) 0 X ( P ~
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
Prof. Daniela ____/____/____
62
Exemplo: Um departamento de conserto de mquinas recebe uma mdia de cinco chamadas por
hora. Supondo que a distribuio de Poisson seja adequada nessa situao, obter a probabilidade de
que, em uma hora selecionada aleatoriamente, sejam recebidas exatamente trs chamadas:


1) Numa central telefnica, o nmero de chamadas chega segundo uma distribuio Poisson, com a
mdia de oito chamadas por minuto. Determine qual a probabilidade de que num minuto se tenha:
(a) duas ou mais chamadas;

(b) menos que duas chamadas;

(c) entre sete (inclusive) e nove (exclusive) chamadas.

Prof. Daniela ____/____/____
63
11. VARIVEL ALEATRIA CONTNUA

At aqui estudamos variveis aleatrias discretas que so caracterizadas por ter uma
distribuio de probabilidade dada por uma tabela que associa a cada um de seus valores uma
probabilidade. Esta probabilidade um nmero entre 0 e 1 cuja soma igual a 1.

Definio: Seja X uma varivel aleatria. Suponha que os possveis valores de X seja um intervalo
que possui infinitos valores, ento diremos que X uma varivel aleatria contnua.

Exemplos:
1. Mede-se a altura de uma mulher em uma cidade. O valor encontrado um nmero real. Aqui
tambm sabemos que esse nmero no passa de 3 metros, mas conveniente considerar qualquer
n real positivo.
2. Em um exame fsico para selecionar um jogador de futebol medido o peso de cada candidato;
aqui tambm consideramos que o resultado pode ser qualquer nmero real positivo.
3. Em campanhas preventivas de hipertenso arterial comum de tempos em tempos medir-se o
nvel de colesterol. O valor de cada medida pode ser um nmero real no negativo.
4. Para pacientes que se apresentam num hospital a primeira atitude medir-se a temperatura; o
valor da temperatura um nmero real que se pode considerar compreendido entre 35 e 42C.
5. Retira-se uma lmpada da linha de produo e coloca-se a mesma em um soquete acendendo-a;
observa-se a mesma at que se queime. O tempo de durao da lmpada um n real no negativo.
Nos exemplos de 1 a 5, o nmero observado no experimento aleatrio um nmero
real e resulta em geral de uma medio:
altura das mulheres;
peso do atleta;
nvel de colesterol;
temperatura;
tempo de durao da lmpada.
Uma varivel aleatria contnua assume seus valores em um intervalo.
Como so atribudas probabilidades nesse caso?

Exemplo: Suponha que observamos o peso, em kg, de 1500 pessoas adultas selecionadas
aleatoriamente numa populao. O histograma por densidade desses valores apresentado abaixo.
Prof. Daniela ____/____/____
64
A anlise do histograma indica que:
a distribuio dos valores da varivel PESO aproximadamente simtrica em torno de 70kg;
a maioria dos valores encontra-se no intervalo (55;85);
existe uma pequena proporo de valores abaixo de 48kg e acima de 92kg.

Seja X ={peso em kg} de uma pessoa adulta escolhida ao acaso da populao.
Como se distribuem os valores da varivel aleatria X, ou seja, qual a distribuio
de probabilidades de X?

Para as variveis contnuas as probabilidades so atribudas por meio de uma funo
cuja rea entre a mesma e o eixo das abscissas (X) igual a um.
P(a s X s b) = rea hachurada
Esta funo f(x) denominada funo densidade de probabilidade da varivel
aleatria contnua X.
A rea sob uma curva delimitada por dois valores a e b, como mostra a figura,
determinada calculando-se a integral definida entre a e b da densidade de probabilidade
representada pela funo, isto ,

}
s s =
b
a
b) x P(a f(x)dx
Prof. Daniela ____/____/____
65
Exemplo: Um fabricante de televiso a cores oferece uma garantia de 1 ano para substituio
gratuita se o tubo de imagem falhar. Ele estima o tempo de falha (em unidades de anos), x, como
uma varivel aleatria contnua com a seguinte fdp
contrrio caso , 0
0 x , e
4
1
) x ( f
4
x
=
> =

Qual a probabilidade de voc comprar a televiso e necessitar de uma substituio gratuita?
}
~ = = s

1
0
4
x
2 , 0 dx e
4
1
) 1 x ( P

Definio: Se X uma v. a. contnua, a funo densidade de probabilidade f(X), indicada
abreviadamente por fdp, uma funo que satisfaz s seguintes condies:
(a) f(X) > 0, X;
(b) A rea sob a funo densidade de probabilidade 1, isto :

(c) P(a s X s b) =rea sob a funo densidade de probabilidade f(x) e acima do eixo x entre os
pontos a e b, isto :

(d) P(X =x0) =0, porque:

Conseqncia: P(a <X <b) =P(a s X <b) =P(a <X s b) =P(a s X s b)

Definio: Se X uma v. a. contnua, a funo de distribuio acumulada (fda) de X definida
como:

F(x) =P(X s x) =

Exemplo: Considere a seguinte densidade de probabilidade: f(x) =2x, para 0 s x s 1 e f(x) =0,
fora desse intervalo. Obtenha a F(x) de X.
1 x 0 , x
0
x
s
1 x , 1
s 2
0 x , 0
) x ( F
2 2
x
0
s s =
>
=
<
=
}

11.1. Esperana e Varincia

Definio: Se X uma v. a. contnua, o valor esperado de X (ou esperana matemtica de X)
denotada por E(X) definido como:

E(X) =

1 dx ) x ( f =
}
+

}
= s s
b
a
dx ) x ( f ) b X a ( P
0 dx ) x ( f ) x X ( P
0
0
x
x
0
= = =
}
}

x
ds ) s ( f
}

dx ) x ( f x
Prof. Daniela ____/____/____
66
Exemplo: Para uma varivel que tm densidade f(x) =2x, 0<x<1, ento:

Definio: A varincia de uma varivel aleatria contnua definida por:

Var(X) =E(X
2
) [E(X)]
2
, onde E(X
2
) =

Exemplo: Para uma varivel que tm densidade f(x) =2x, 0<x<1, ento:

Logo, Var(X) =2/4 (2/3)2 =1/18 =0,056
Tambm podemos obter o Desvio Padro:

Exerccios Parte II A2:
1) O dimetro de um cabo eltrico uma varivel aleatria com fdp dada por:
f(x) =6x(1-x) para 0 <x <1 e f(x) =0 fora desse intervalo. Qual a probabilidade do dimetro ser:
(a) Igual a 0,5 cm?
(b) Entre 0,10 e 0,20?
(c) Maior que 0,5?
(d) Menor que 1?

2) A quantia gasta anualmente, em milhes de reais, na manuteno do asfalto de uma cidade do
interior representada pela varivel y modelada pela funo:
f(y) =(8/9)y (4/9), se 0,5 y 2 e
f(y) =0, caso contrrio.
Qual a probabilidade da quantia gasta ser inferior a 0,8 milhes de reais?

3) O tempo de sobrevivncia de uma bateria (em anos) pode ser modelado pela funo:
f(x) =e
-x
, se x > 0 e f(x) =0, caso contrrio.
(a) Qual a probabilidade da bateria sobreviver mais que 2 anos?
(b) Qual o tempo mdio de sobrevivncia da bateria?

4) O dimetro de um cabo eltrico uma v. a. com fdp dada por: f(x) =6x(1-x) para 0 <x <1 e
f(x) =0 fora desse intervalo.
(a) Verifique se f(x) uma fdp, atravs do item (b) da definio 2.
(b) Obtenha a F(x).

11.2. Distribuio Normal

A distribuio Normal uma das mais importantes distribuies contnuas de
probabilidade. Foi introduzida em 1730 por DMoivre e depois foi muito utilizada em Astronomia
pelo alemo fsico/matemtico Gauss, trazendo muita confuso para vrias pessoas que por esse
motivo, acham que foi Gauss que a descobriu.
3
2
x
3
2
dx x 2 dx x 2 x ) X ( E
1
0
3
1
0
1
0
2
= = = =
} }
}

dx ) x ( f x
2
3
2
) X ( E =
4
2
x
4
2
dx x 2 dx x 2 x ) X ( E
1
0
4
1
0
1
0
3 2 2
= = = =
} }
23 , 0 056 , 0 ~
Prof. Daniela ____/____/____
67
Muitos dos fenmenos aleatrios de interesse comportam-se prximos a essa distribuio
com valores muito freqentes em torno da mdia e diminuindo a freqncia medida que nos
afastamos da mdia.
Nem todos os fenmenos se ajustam distribuio Normal. Por exemplo, considere a
varivel tempo de durao, em horas, de uma lmpada de certa marca.
A experincia sugere que esta distribuio deve ser assimtrica com uma grande proporo
de valores entre 0 e 500 horas e uma pequena proporo de valores acima de 1500 horas
Obs: A distribuio utilizada nesse caso a Distribuio Exponencial.

Funo Densidade de Probabilidade da Distribuio Normal

< <
to
=
|
.
|
\
|
o

x e x f
x
,
2
1
) (
2
2
1
2

O grfico da densidade normal
Propriedades:

A curva normal simtrica em torno da mdia ;
A moda e a mediana so iguais a ;
Os pontos de inflexo so - o e +o;
A rea sob a curva e acima do eixo horizontal
igual a 1.

Parmetros: : mdia ou valor esperado
o
2
: varincia

Notao : X ~N(, o
2
)

Prof. Daniela ____/____/____
68
A distribuio normal depende dos parmetros e o
2

Clculo de Probabilidades

P(a <X <b)

rea sob a curva e acima do eixo horizontal (x) entre a e b.
a b

2
___N(, o
1
2
)
___N(, o
2
2
)
___N(, o
3
2
)
o
1
2
< o
2
2
<

o
3
2
Curvas normais com
mesmo desvio padro,
mas com mdias
diferentes.
Curvas normais
com mesma mdia,
mas com desvios
padro diferentes.
Prof. Daniela ____/____/____
69
Se X ~N( ; o
2
), definimos:
o

=
X
Z . Ento, E(Z) =0 e Var(Z) =1.

A varivel Z ~N (0,1) denomina-se normal padro ou reduzida.
Portanto,
|
.
|
\
|
o

< <
o

= |
.
|
\
|
o

<
o

<
o

= < <
b
Z
a
P
b X a
P b X a P ) (

Dada a v.a. Z ~N (0;1) podemos obter a v.a. X ~N (;o
2
) atravs da transformao inversa

X = +Zo
11.3. Tabela da Distribuio Normal Padro
Denotamos: A(z) =P(Z s z), para z > 0.
a b x
f(x)
0 z
f(z)
a
o
b
o
Prof. Daniela ____/____/____
70
Exemplos: Seja Z ~N (0,1), calcular:
a) P(Z s 1,71) = A(1,71) = 0,9564 b) P(0 <Z s 1,71) =

c) P(1,32 <Z s 1,79) d) P(Z > 1,5)

e) P(Z s -1,3) f) P(-1,5 s Z s 1,5)

g) P(-1,32 <Z <0) h) P( -2,3 <Z s -1,49)

i) P(-1 s Z s 2)

Prof. Daniela ____/____/____
71
Exemplo: Seja X o gasto com lanche semanal. Aps estudar esta varivel, vimos que X ~N (20, 64),
ento obtenha:
a) P(16 <X <22) =

b) P(X <18 ou X >24) =P(X <18) +P(X >24) =

Como encontrar o valor z da distribuio N(0,1) tal que:
(i) P(Z s z) =0,975 z tal que A(z) =0,975. Pela tabela, z =1,96.
(ii) P(0 <Z s z) =0,4975 (iii) P(Z > z) =0,3

(iv) P(Z > z) =0,975 (v) P(Z s z) =0,10

(vi) P(-z s Z s z) =0,80

Prof. Daniela ____/____/____
72
Calcule:
a) k tal que P( X > k) =0,05

b) k tal que P( X s k) =0,025

Nota Importante: Para toda v.a. X ~N( ; o
2
) temos:

(i) = o + s s o ) X ( P P( 1 s Z s 1) =0,6826.

(ii) P( 2o s X s +2o) =P( 2 s Z s 2) =0,955.

(iii) P( 3o s X s +3o) =P(3 s Z s 3) =0,997.


1) O tempo gasto no exame vestibular de uma universidade tem distribuio Normal, com =120
min e o =15 min.
(a) Sorteando-se um aluno ao acaso, qual a probabilidade dele terminar o exame antes de 100
minutos?
(b) Qual deve ser o tempo de prova, de modo a permitir que 95% dos vestibulandos terminem no
prazo estipulado?
(c) Qual o intervalo central de tempo, tal que 80% dos estudantes gastam para completar o exame?
Prof. Daniela ____/____/____
73

Exerccio 01
Sendo A e B dois eventos de um mesmo espao amostral, traduza para a linguagem da teoria dos
conjuntos as seguintes situaes:
(a) Pelo menos um dos eventos ocorre.
(b) Exatamente um dos eventos ocorre.
(c) Nenhum dos eventos ocorre.
(d) A ocorre, mas B no ocorre.

Exerccio 02
Dois processadores, A e B, so colocados em teste por 50 mil horas. A probabilidade de um erro
acontecer em A 2/60, em B 1/80 e em ambos 1/100. Calcule a probabilidade de que:
(a) Pelo menos um processador apresente erro.
(b) Nenhum apresente erro.
(c) Somente A apresente erro.

Exerccio 03
A probabilidade de que um homem que possui veculo motorizado se acidente num perodo de um
ano de 0,113 e uma mulher que tenha um veculo motorizado se acidente num perodo de um ano
de 0,057. Suponha que 55% dos motoristas em Lucas Country sejam homens. No preenchimento
de um questionrio de histrico sobre desempenho ao volante, uma pessoa de Lucas Country
indicou um envolvimento em acidente com veculo motorizado durante o ltimo ano. Qual a
probabilidade de essa pessoa ser uma mulher?

Exerccio 04
Um pai leva o filho ao cinema e gasta R$15,00 nas duas entradas. O filho vai pedir para comer
pipoca com probabilidade 0,7 e pedir para comer bala com probabilidade 0,9. Os pedidos so
atendidos pelo pai com probabilidade 0,5 independentemente. Se a pipoca custa R$2,00 e a bala
R$3,00 estude a varivel aleatria despesa efetuada com a ida ao cinema construindo sua
distribuio de probabilidade.

Exerccio 05
Suponha que a probabilidade de que um item produzido por uma mquina seja defeituoso de 0,2.
Se 4 itens so produzidos por esta mquina so selecionados ao acaso, qual a probabilidade de que
no mais do que um item defeituoso seja encontrado?

Exerccio 06
Na manufatura de certo artigo, sabido que a proporo de artigos defeituosos de 0,1. Qual a
probabilidade de que uma amostra casual de tamanho 5 contenha:
(a) nenhum defeituoso:
(b) exatamente um defeituoso:
(c) no mais que 2 defeituosos:

Prof. Daniela ____/____/____
74
Exerccio 07
De acordo com o Beverage Digest, a Coca Cola e a Pepsi se posicionaram como a nmero um e a
nmero dois em vendas em 1996 (The Wall Street Journal Almanac, 1998). Suponha que de um
grupo de 10 indivduos, 6 prefiram a Coca Cola e 4 prefiram a Pepsi. Uma amostra aleatria sem
reposio de 3 desses indivduos selecionada.
(a) Qual a probabilidade de que exatamente dois prefiram a Coca Cola?
(b) Qual a probabilidade de que a maioria (tanto dois como trs) prefira Pepsi?

Exerccio 08
Dos 25 estudantes (14 meninos e 11 meninas) na sala de aula de uma escola, 5 estudantes estavam
ausentes na quinta-feira.
(a) Qual a probabilidade de que 2 dos ausentes fossem meninas?
(b) Qual a probabilidade de que 2 dos ausentes fossem meninos?
(c) Qual a probabilidade de que todos os ausentes fossem meninos?
(d) Qual a probabilidade de que nenhum dos ausentes fosse um menino?

Exerccio 09
Num certo tipo de fabricao de fita magntica, ocorrem cortes a uma taxa de um por 2000 ps.
Qual a probabilidade de que um rolo com 2000 ps de fita magntica tenha:
(a) nenhum corte;
(b) no mximo 3 cortes;
(c) pelo menos dois cortes.

Exerccio 10
Os passageiros de uma linha area chegam s instalaes de passageiros de um grande aeroporto
internacional a uma taxa mdia de 10 por minuto.
(a) Qual a probabilidade de nenhuma chegada em 1 minuto?
(b) Qual a probabilidade de que 3 passageiros ou menos cheguem em um perodo de 1
minuto?
(c) Qual a probabilidade de nenhuma chegada em um perodo de 15 minutos?

Exerccio 11
Depois de tomarmos vrias amostras, decidiu-se adotar um modelo para as medidas do permetro
do trax de uma populao de homens adultos com os parmetros: mdia =40 polegadas e desvio
padro =2 polegadas.
(a) Qual a probabilidade de um indivduo sorteado desta populao ter um permetro de trax
entre 40 e 43 polegadas?
(b) Qual a probabilidade de um indivduo sorteado desta populao ter um permetro de trax
maior ou igual a 43 polegadas?
(c) Qual a probabilidade de um indivduo sorteado desta populao ter um permetro de trax
menor que 35 polegadas?
(d) Qual o valor do trax que seria ultrapassado por 25% da populao?

Prof. Daniela ____/____/____
75
Exerccio 12
Considere a altura de 351 mulheres idosas como seguindo uma distribuio normal com mdia =
160 cm e desvio padro =6 cm. Sorteia-se uma mulher, qual a probabilidade de que ela tenha:
(a) Altura entre 160 cm e 165 cm?
(b) Altura menor do que 145 cm?
(c) Altura maior do que 170 cm?

Exerccio 13
O dimetro X de rolamentos de esfera fabricados por certa fbrica tem distribuio Normal com
mdia =0,6140 e varincia =(0,0025)
2
. O lucro T de cada esfera depende de seu dimetro, e:
T =0,10 se a esfera boa (0,6100 <X <0,6180);
T =0,05 se a esfera recupervel (0,6080 <X <0,6100 ou 0,6180 <X <0,6200);
T =- 0,10 se a esfera defeituosa (X <0,6080 ou X >0,62). Calcular:
(a) As probabilidades das esferas serem boas, recuperveis e defeituosas.
(b) A esperana do lucro ( E(T) ).

Observao: O gabarito da Lista de Exerccios 2 encontra-se no Apndice B

Prof. Daniela ____/____/____
76
12. ESTIMAO

12.1. Introduo

A tomada de decises sobre a populao com base em estudos feitos sobre os dados da
amostra constitui o problema central da Inferncia Estatstica. A tais decises est sempre
associado um grau de incerteza e, conseqentemente, uma probabilidade de erro. A generalizao
da amostra para a populao feita com o auxlio de um modelo estatstico para a situao em
estudo.
Conceitos Importantes
Parmetro: qualquer funo da populao (u).
Exemplos: P (proporo), (mdia), o
2
(varincia).
Estatstica ou Estimador:
qualquer funo da amostra (u
).
Exemplos:
P
(proporo), X (mdia), S
2
(varincia).
Estimativa: valor que a estatstica (ou o estimador) assume em uma amostra (u
0
).
Exemplos: p (proporo), x (mdia), s
2
(varincia).

12.2. Proporo

Objetivo
Estimar uma proporo p (desconhecida) de elementos de uma populao, apresentando certa
caracterstica de interesse, a partir da informao fornecida de uma amostra.

Exemplos
p: proporo de consumidores satisfeitos com os servios prestados por uma empresa de telefonia;

p: proporo de eleitores de So Joo del-Rei que votariam em um determinado candidato, caso a
eleio para prefeito se realizasse hoje;

p: proporo de crianas de 2 a 6 anos, do estado de Minas Gerais, que no esto matriculadas em
escola de educao infantil.

Estimador Pontual

O estimador pontual para p (proporo amostral) definido por:
n
X
P
=
sendo que X denota o nmero de elementos na amostra que apresentam a caracterstica;
n denota o tamanho da amostra coletada.

O valor assumido por p na amostra denominado estimativa pontual para p.

Prof. Daniela ____/____/____
77
Exemplo: Sejam, p: proporo de alunos da UFSJ que foram ao cinema pelo menos uma vez no
ltimo ms, e X: nmero de estudantes que respondem sim em uma pesquisa com n
entrevistados. Suponha que foram entrevistados n =500 estudantes e que, desses, x =100 teriam
afirmado que foram ao cinema pelo menos uma vez no ltimo ms. A estimativa pontual
(proporo amostral) dada por: 20 , 0 ) 500 / 100 ( ) n / x ( p = = = , ou seja, 20% dos estudantes
entrevistados afirmaram que foram ao cinema pelo menos uma vez no ltimo ms.
Note que, outra amostra de mesmo tamanho pode levar a uma outra estimativa pontual para
p.

Estimativa Intervalar ou Intervalo de Confiana

Idia: Se selecionarmos vrias amostras de uma populao contendo n dados observaremos que
cada amostra ter sua respectiva proporo. A fim de obtermos uma estimativa da proporo da
populao em estudo com certo grau de confiabilidade, recorremos a um intervalo de confiana,
que delimita essa proporo.
A estimativa por intervalo de p corresponde a um intervalo determinado da seguinte
maneira:
| | + p p ; ,
sendo que c representa o erro amostral ou margem de erro.

Na prtica o intervalo de confiana com um coeficiente de confiana dado por:
IC [P ; ] =
(
n
p p
z p
n
p p
z p
) 1 (
;
) 1 (
,
onde p a proporo amostral, n o tamanho amostral e z obtido da tabela da distribuio
Normal Padro, tal que A(z) =(+1)/2 (ver Tabela 1 no final da apostila).
Note que
n
p p
z
) 1 (
= c .
Exemplo de como obter o valor de z, dado um grau de confiana fixado inicialmente:

90% 95% 99%
z

Exemplos

1) No exemplo da UFSJ, considere agora, n =500 e 20 , 0 = p . Construa um intervalo de confiana
para p com coeficiente de confiana =0,95.
Resoluo: Como =0,95 fornece z =1,96, o intervalo dado por:
| | 235 , 0 ; 165 , 0
500
80 , 0 20 , 0
96 , 1 20 , 0 ;
500
80 , 0 20 , 0
96 , 1 20 , 0
) 1 (
;
) 1 (
=
(
+ =
(
x x
n
p p
z p
n
p p
z p

Nesse intervalo (=0,95), a estimativa pontual para p 0,20, com um erro amostral c igual a
0,035.
Prof. Daniela ____/____/____
78

Interpretao do IC com = 95%: Se sortearmos 100 amostras de tamanho n = 500 e
construirmos os respectivos 100 intervalos de confiana, com coeficiente de confiana de 95%,
esperamos que, aproximadamente, 95 destes intervalos contenham o verdadeiro valor de p.

2) Ainda no exemplo da UFSJ, considere k =100 e n =500. Qual a probabilidade da estimativa
pontual estar a uma distncia de, no mximo, 0,03 da verdadeira proporo?

Dados do problema: ? 03 , 0 ; 20 , 0 ; 500 = = = = p n
Com esses dados podemos calcular o valor de z e, assim, obter , o nvel de confiana do
intervalo.
Clculo de z:
68 , 1
8 , 0 2 , 0
500 03 , 0
) 1 (
= =
=
x p p
n
z

Logo, obtemos: ~ 2 A(z) 1 =2 A(1,68) 1 =2 x 0,953 1 =0,906 (90,6 %).
Portanto a probabilidade da estimativa pontual estar a uma distncia de no mximo 0,03 da
verdadeira proporo de 90,6 %.

Exerccios Parte III A3

1) A gerente de uma empresa quer estimar a proporo p de clientes que gostaram da ltima
exposio de arte apresentada pela empresa. Numa amostra de 300 clientes, 270 afirmaram que
gostaram da exposio. Qual seria a estimativa pontual de p?

2) Numa eleio de segundo turno, um instituto de pesquisa de opinio obteve, num levantamento
de boca de urna, que 40% (p =0,40) dos entrevistados votaram no candidato A.
(a) Construa intervalos de confiana para a verdadeira proporo p de eleitores que votaram no
candidato A com coeficientes de confiana de 90%, 95% e 99%. Compare os intervalos. Comente.
Admita aqui que o tamanho da amostra seja n =150.
b) Construa intervalos de confiana para p admitindo que a estimativa p =0,40 foi obtida de
amostras de tamanho n =100, n =150 e n =200. Compare os intervalos. Comente. Considere aqui
um coeficiente de confiana de 90%.

3) Examinando 100 peas produzidas por uma mquina, foram encontradas 3 defeituosas. Obter a
estimativa intervalar, no nvel de 95%, para a proporo de peas defeituosas dessa mquina.

4) Uma amostra de 50 estudantes de uma Universidade mostrou que 8 destes apresentam
problemas visuais. Obter a estimativa intervalar, no nvel de 90%, para a verdadeira percentagem
dos estudantes com problemas visuais.

Prof. Daniela ____/____/____
79
12.3. Mdia Populacional

Objetivo
Estimar a mdia de uma varivel aleatria X, que representa uma caracterstica de interesse de
uma populao, a partir de uma amostra.

Exemplos
: quantia mdia gasta por cliente;
: salrio mdio dos empregados de um a indstria;
: tempo mdio gasto usando a Internet.

Estimativa Pontual
Vamos observar n elementos, extrados ao acaso de uma populao;
Para cada elemento selecionado, observamos o valor da varivel X de interesse.
Obtemos, ento, uma amostra aleatria de tamanho n de X, que representamos por X
1
, X
2
,
..., X
n
.
Um estimador pontual para dado pela mdia amostral,
=
=
+ + +
=
n
1 i
i n 2 1
n
X
n
X X X
X

12.3.1. Estimativa Intervalar para a Mdia Populacional com Varincia Populacional
Conhecida

Se selecionarmos vrias amostras de uma populao contendo n dados, observaremos que cada
amostra ter sua respectiva mdia. A fim de obtermos uma estimativa da mdia da populao em
estudo com certo grau de confiabilidade, recorremos a um intervalo de confiana, que delimita essa
mdia.
Uma estimador intervalar ou intervalo de confiana para tem a forma:

| | + X X ;

sendo c o erro amostral (margem de erro).

Teorema Central do Limite
Se X
1
, ..., X
n
representa uma amostra aleatria de uma varivel X de mdia e desvio padro ,
ento para n grande
|
|
.
|
\
|
n
N X
2
, ~

Portanto, para n grande a mdia amostral tem distribuio Normal de mdia e desvio padro
n / o .

Prof. Daniela ____/____/____
80
Na prtica, temos que o intervalo de confiana para com um nvel de confiana dado
por:
(
o
+
o
=
n
z x ;
n
z x ] ; [ IC

onde x a mdia amostral, z obtido da tabela da distribuio Normal Padro (Tabela 1 no final
da apostila), tal que A(z) =(+1)/2, o o desvio padro populacional e n o tamanho amostral.
Sendo assim, temos que o erro
n
z
o
= c .

Exemplo: No se conhece o consumo mdio de combustvel de automveis da marca T. Sabe-se,
no entanto, que o desvio padro do consumo de combustvel de automveis dessa marca 10 km/l.
Na anlise de 100 automveis da marca T, obteve-se consumo mdio de combustvel de 8 km/l.
Encontre um intervalo de confiana para o consumo mdio de combustvel dessa marca de carro.
Adote um nvel de confiana igual a 95%.

X: Consumo de combustvel da marca T;
o =10 km/l 8 100 = = x n km/l
=0,95 z=1,96
| | | | 96 , 9 ; 04 , 6 96 , 1 8 ; 96 , 1 8
100
10
96 , 1 8 ;
100
10
96 , 1 8 ; = + =
(
+ =
(
+
n
z X
n
z X

Portanto, a estimativa intervalar de 95% de confiana | | 96 , 9 ; 04 , 6 .

Exemplo: Deseja-se estimar o tempo mdio de estudo (em anos) da populao adulta de um
municpio. Sabe-se que o tempo de estudo tem distribuio normal com desvio padro o =2,6
anos. Foram entrevistados n =25 indivduos, obtendo-se para essa amostra, um tempo mdio de
estudo igual h 10,5 anos. Obter um intervalo de 90% de confiana para o tempo mdio de estudo
populacional.

X: tempo de estudo, em anos X ~N(, 2,6
2
)
5 , 10 25 = = x n anos =0,90 z=1,65
A estimativa intervalar com 90% de confiana dada por:
| | 36 , 11 ; 64 , 9
25
6 , 2
65 , 1 5 , 10 ;
25
6 , 2
65 , 1 5 , 10 ; =
(
+ =
(
+
n
z X
n
z X


1) Estabelea um intervalo de confiana para a mdia populacional, sendo que o desvio padro
populacional 4, o tamanho amostral 36 e a mdia amostral igual a 30. Utilize um nvel de
confiana de 95% para a mdia.

Prof. Daniela ____/____/____
81
2) Uma amostra de 64 elementos de uma varivel normalmente distribuda forneceu mdia 25,4,
sendo que o desvio padro populacional 5,2. Determine o intervalo de confiana de 90% para a
mdia.

3) Uma amostra de 64 elementos de uma varivel normalmente distribuda forneceu mdia 25,4,
sendo que o desvio padro populacional 5,2. Determine o intervalo de confiana de 99% para a
mdia populacional.

12.3.2. Estimativa para Mdia Populacional com Varincia Populacional Desconhecida

Nessa situao, para calcularmos o intervalo de confiana substitumos a varivel z por t,
onde t possui distribuio t de Student com n-1 graus de liberdade. Assim, uma estimativa
intervalar para a mdia populacional , quando o desconhecido,
IC [ ; ] =
(
+
n
s
t x ;
n
s
t x ,
onde x a mdia amostral, t obtido da tabela da distribuio t de Student (Tabela 2 no final da
apostila), cruzando os graus de liberdade =n-1 com o p =100 - , s o desvio padro amostral e n
o tamanho amostral. Sendo assim, temos que o erro
n
s
t = c .
Na prtica, a varincia populacional o
2
desconhecida e substituda por sua estimativa:
=
n
i
i
X X
n
S
1
2 2
) (
) 1 (
1

Lembrar que a estimativa amostral do desvio padro o s =
2
s
A varivel T bem prxima da normal padro Z quando a amostra maior ou igual a 25,
porm para amostras menores que esse valor essa varivel vai se afastando de Z e, quanto menor
for o valor de n, maior o afastamento existente entre as variveis T e Z.
A tabela que fornece os valores de t contm na 1a. linha, a rea locada nas caudas da curva,
esquerda de t e direita de t. Na 1a. coluna, esto os graus de liberdade =n-1. Na interseo dos
valores considerados, temos os valores de t correspondente.
Exemplo do uso da tabela t de Student (ver Tabela 2 no final da apostila):

1) Para n =11 e =90%, temos t = 2) Para n =11 e =95%, temos t =
3) Para n =11 e =99%, temos t = 4) Para n =20 e =85%, temos t =

Exemplo: Qual o intervalo de confiana para a mdia, no nvel de 95%, sendo que uma amostra de
tamanho 20 forneceu mdia 38 e desvio padro 5?

Soluo:
38 x = , n =20, s =5. No nvel de 95%, obtemos o valor de t cruzando na tabela da t Student: p =
5% e gl =n-1 =20-1 =19 t =2,093. Assim:
Prof. Daniela ____/____/____
82
] 34 . 40 , 66 . 35 [
20
5
093 , 2 38 ,
20
5
093 , 2 38
n
s
t x ,
n
s
t x %] 95 , [ IC =
(
+ =
(
+ =

Exemplo: Estabelea limites de confiana para a mdia, no nvel de 90%, sendo que uma amostra
de tamanho 16 forneceu mdia 70 e desvio padro 6,8?

Soluo:
Temos que 70 x = , n =16, s =6,8 e para um nvel de 90%, obtemos o valor de t cruzando na
tabela da t Student: p =10% e gl =n-1 =16-1 =15 t =1,753. Assim:
] 98 . 72 , 02 . 67 [
16
8 , 6
753 , 1 70 ,
16
8 , 6
753 , 1 70 , %] 90 , [ =
(
+ =
(
+ =
n
s
t x
n
s
t x IC


1) Determine o intervalo de confiana de 99% para a mdia, sendo que uma amostra de tamanho 9
forneceu mdia 75 e desvio padro 7.

2) Determine o intervalo de confiana de 99% para a mdia do ponto de fuso de uma substncia
qumica, sendo que uma amostra de tamanho 9 pontos de fuso desta mesma substncia forneceu
uma mdia 75 e um desvio padro amostral igual a 7.

12.4. Estimativa Intervalar para a Varincia (o
2
) ou Desvio Padro (o)

Deseja-se agora construir o IC ao nvel para a varincia o
2
da populao. Logo,

( )
( ) ( ) | |
( )
( ) | |
(
(
_

_

= o
+
2
2 / ) 1 ( ; 1 n
2
2
2 / ) 1 ; 1 n
2
2
S 1 n
;
S 1 n
] , [ IC
,
onde
=
n
i
i
X X
n
S
1
2 2
) (
) 1 (
1
a varincia amostral, n o tamanho amostral e _2 obtido da
tabela Qui Quadrado (ver Tabela 3 no final da apostila), cruzando os graus de liberdade =n-1 com
o p, que para o limite inferior igual a (1 - )/2 e para o limite superior igual a (1 +)/2.

Exemplo: Uma amostra de onze elementos, extrada de uma populao com distribuio normal,
forneceu varincia 7,08. Construir um IC de 90% para a varincia da populao.

Dados: n =11 S
2
=7,08 =0,9

Na tabela, obtemos os valores de qui-quadrado para:
( ) ( ) | | ( ) ( ) | |
307 , 18
2
05 , 0 ; 10
2
2 10 , 0 ; 1 11
2
2 / ) 1 ; 1 n
= _ = _ = _

( ) | | ( ) | |
94 , 3
2
95 , 0 ; 10
2
) 2 / 9 , 1 ( ; 1 11
2
2 / ) 1 ( ; 1 n
= _ = _ = _
+

Prof. Daniela ____/____/____
83
( )
( ) ( ) | |
( )
( ) | |
| | 97 , 17 ; 87 , 3
94 , 3
08 , 7 ) 1 11 (
;
307 , 18
08 , 7 ) 1 11 ( S 1 n
;
S 1 n
] , [ IC
2
2 / ) 1 ( ; 1 n
2
2
2 / ) 1 ; 1 n
2
2
=
(

=
(
(
_

_

= o
+

Estamos 90% confiantes de que o intervalo de 3,87 a 17,97 realmente contm o verdadeiro
valor de o
2
. Isto significa que, se selecionssemos muitas diferentes amostras de tamanho 11 e
construssemos os IC correspondentes, 90% deles realmente conteriam a verdadeira varincia
populacional o
2
.
Na prtica, usual obter o intervalo de confiana para o desvio padro populacional, com a
inteno de obtermos um resultado na mesma unidade de medida em que foram coletados os dados.
Lembrando que a varincia fornece um resultado em que a unidade de medida elevada ao
quadrado.
Para tanto, basta tomar a raiz quadrada dos limites inferior e superior do intervalo de
confiana e trocar o
2
por o, isto ,

( )
( ) ( ) | |
( )
( ) | |
(
(
_

_

= o
+
2
2 / ) 1 ( ; 1 n
2
2
2 / ) 1 ; 1 n
2
S 1 n
;
S 1 n
] , [ IC
.

Exerccio Parte III A3

1) Com testes destrutivos, itens amostrais so destrudos no processo de teste. Teste de batidas de
carros um exemplo dispendioso de teste destrutivo. Doze carros Dodge Vipers (preo de tabela
59.300 dlares) so testados em relao a batidas, sob uma variedade de reparos que tinham uma
distribuio aparentemente em forma de sino, com mdia de 26.227 dlares e um desvio padro de
15.873 dlares (com base em dados do Instituto de Dados e Perdas em Rodovias dos EUA). Ache
uma estimativa de intervalo de confiana de 95% de confiana para o, o desvio padro dos custos
de reparo para todos os Dodge Vipers envolvidos em colises e interprete o resultado.

2) (a) Os valores listados so tempos de espera (em minutos) de clientes do Banco Jefferson Valley,
onde os clientes fazem uma nica fila que leva a trs caixas: 6,5 6,6 6,7 6,8 7,1 7,3
7,4 7,7 7,7 7,7. Construa um intervalo de confiana de 95% para o desvio padro
populacional.
(b) Os valores listados so tempos de espera (em minutos) de clientes do banco Providence, onde
os clientes fazem 3 filas diferentes para cada um dos trs caixas: 4,2 5,4 5,8 6,2 6,7 7,7 7,7
8,5 9,3 10,0. Construa um intervalo de confiana de 95% para o desvio padro populacional.
(c) Interprete os resultados encontrados nas partes (a) e (b). Os intervalos de confiana sugerem
uma diferena na variao entre os tempos de espera? Que arranjo parece ser melhor: o de fila
nica ou o de mltiplas filas?

Prof. Daniela ____/____/____
84
13. TESTES DE HIPTESES PARA UMA AMOSTRA

Estimao versus Teste de Hipteses
Qual a probabilidade de "cara"
no lanamento de uma moeda?
A moeda honesta ou
desequilibrada?
Qual a proporo de eleitores
favorveis ao candidato A?
O candidato A tem at 50% das
intenes de voto ou tem mais?
Qual a proporo de
motoristas que tiveram sua
carteira apreendida aps a
vigncia da nova lei de trnsito?
Pelo menos 2% dos motoristas
habilitados de SP tiveram suas
carteiras apreendidas aps a entrada
da nova lei do trnsito ou no?

13.1. Introduo
Quando colhemos uma amostra de uma determinada populao, nosso objetivo tirar
concluses sobre os parmetros dessa populao. Assim, a partir das informaes amostrais
estimamos os parmetros da populao.
Entretanto, se existe algum referencial sobre valores que os parmetros de uma populao
devem assumir, podemos testar hipteses, formuladas sobre esses parmetros, de conformidade
com as informaes obtidas da amostra. Igualmente, pode-se testar a hiptese de que uma amostra
pertence a uma populao de parmetros dados ou ainda, se duas populaes tm parmetros
iguais.

13.2. Formulao das Hipteses
Para testarmos parmetros de uma populao, formulamos hipteses a respeito desses
parmetros. Essas hipteses so denominadas:
H
0
: Hiptese nula H
a
: Hiptese alternativa
Testar hipteses formuladas consiste em decidir se aceita ou se rejeita a hiptese nula (H
0
).
Quando se rejeita a hiptese nula, automaticamente est sendo aceita a hiptese alternativa (H
a
).

Exemplo: Numa amostra de 100 peas produzidas por uma mquina foram encontradas 4
defeituosas. A proporo de peas defeituosas p =0,05?

Testes de Hipteses possveis:
a) H
0
: p =0,05
H
a
: p = 0,05
Teste Bilateral
b) H
0
: p =0,05
H
a
: p >0,05
Teste unilateral direita
c) H
0
: p =0,05
H
a
: p <0,05
Teste unilateral esquerda

13.3. Tipos de Erros possveis nos Testes de Hipteses

Erro tipo I: (o) Rejeitar a hiptese H
0
quando na realidade ela verdadeira. (o chamado de
nvel de significncia do teste)

Prof. Daniela ____/____/____
85
Erro tipo II (|) Aceitar a hiptese H
0
quando na realidade ela falsa.
(a) Os valores de o e | so as probabilidades de cada um dos erros tipo I e tipo II ocorrerem,
respectivamente, ou seja,

o =P(erro tipo I) =P(rejeitar Ho dado que Ho verdadeira)
| =P(erro tipo II) =P(aceitar Ho dado que Ho falsa)

13.4. Nvel de Significncia de um Teste de Hiptese (o)
a probabilidade mxima que aceitamos cometer o erro do tipo I (o):
Os nveis de significncia usualmente adotados so 0,10 (10%), 0,05 (5%) e 0,01 (1%).
Quando se deseja testar hipteses, o primeiro passo fixar o nvel de significncia, antes
mesmo de se colher uma amostra.
Geralmente, quanto menor for probabilidade de se cometer o erro tipo I, maior ser a
probabilidade de se cometer o erro do tipo II. A nica forma de se reduzir s probabilidades
relativas aos dois tipos de erros aumentando o tamanho da amostra, pois quanto maior for
amostra, maior ser a preciso das estimativas dos parmetros.

13.5. Teste de Hipteses para a Proporo

Exemplo 1: Numa amostra de 100 peas produzidas por uma mquina foram encontradas 4
defeituosas. Testar ao nvel de significncia de 5%, a hiptese de que a proporo de peas
defeituosas p =0,03 ou maior.
Soluo:
Hipteses: H
0
: p =0,03
H
a
: p >0,03 (curva unilateral direita )
Para um nvel de significncia de 5% temos da Tabela da distribuio Normal Padro que o z que
fornece a rea cinza de 0,05, representada na figura, z = 1,64.
Frmula para obter o z observado na amostra:
z
obs
= 5103 , 0
100
0384 , 0
01 , 0
100
) 03 , 0 1 ( 03 , 0
03 , 0 04 , 0
n
) p 1 ( p
p p
~ =

Concluso do Teste de Hipteses: Como z
obs
=0,5103 <z =1,64, no conseguimos rejeitar H
0
,
isto , aceita-se a hiptese de que a proporo de peas defeituosas igual a 0,03.

Regio Crtica
Regio de
Aceitao
Prof. Daniela ____/____/____
86

defeituosas p =0,08 ou menor.
Soluo:
Hipteses: H
0
: p =0,08
H
:
p <0,08 (curva unilateral esquerda)

Regra de deciso para Nvel de Significncia o =0,05:

Para um nvel de significncia de 0,05 temos que z = - 1,64. O valor de z observado na amostra :
z
obs
= 84 , 1
100
0736 , 0
05 , 0
100
) 08 , 0 1 ( 08 , 0
08 , 0 03 , 0
n
) p 1 ( p
p p
~

obs
=-1,84 <z =-1,64, ento rejeito H
0
, ou seja, h
indcios de que a proporo de peas defeituosas menor que 0,08.

defeituosas p =0,05 ou diferente.
Soluo:
Hipteses: H
0
: p =0,05
H
a
: p = 0,05 (teste bilateral)
Regra de deciso para Nvel de Significncia o =0,05:

Considerando o nvel de significncia de 5%, temos que os zs que fornecem as reas cinza
0,05
Regio de
Aceitao
Regio Crtica
0,025
0,025
Regio de Aceitao
Regies Crticas
Prof. Daniela ____/____/____
87
representada na figura acima, z = - 1,96 ez= 1,96. O valor de z observado na amostra :
z
obs
= 46 , 0
100
95 , 0 . 05 , 0
01 , 0
100
) 05 , 0 1 ( 05 , 0
05 , 0 04 , 0
n
) p 1 ( p
p p
~

Concluso do Teste de Hipteses: Como z =-1,96 <z
obs
=-0,46 <z =1,96, ento no rejeitamos
H
0
, isto , aceito a hiptese de que a proporo de peas defeituosas igual a 0,05.

13.6. Exerccios Parte III A3

1) Uma nova srie de televiso precisa provar que tem mais do que 25% de audincia de
telespectadores depois das 13 primeiras semanas de exibio para ser julgada bem-sucedida.
Considere que uma amostra de 400 famlias, 112 estavam vendo a nova srie. Com um nvel de
significncia de 10%, a srie pode ser julgada bem-sucedida com base na informao da amostra?
Qual a sua concluso do teste de hiptese?

2) Uma moeda lanada 100 vezes, obteve-se 42 caras. Testar com um nvel de significncia de
10% a hiptese de que essa moeda viciada.

3) Uma amostra de 50 alunos de uma escola de 1o grau apresentou 3 canhotos. Testar, ao nvel de
significncia 10%, a hiptese de que a percentagem de alunos canhotos dessa escola diferente de
0,05.

13.7. Teste de Hipteses para a Mdia com Varincia Populacional Conhecida

Estimao Versus Teste de Hipteses
Qual a quantidade mdia de leite
das caixinhas de leite da marca A?
As caixinhas de leite da marca A tm em
mdia 1 litro de leite ou mais?
Qual o peso mdio das mulheres
que estudam na UFSJ e esto no
quarto perodo de Administrao?
O peso mdio das mulheres que esto no
quarto perodo de Administrao na
UFSJ igual a 60 kg ou diferente?

Exemplo: Um comerciante atacadista de cereal admite uma mdia de impureza de 0,5 kg nas sacas
de 60 kg desse cereal. Ao se tomar uma amostra de certo nmero de sacas de um novo fornecedor,
obtm-se um valor para a mdia e o desvio padro, que permitiro, com certa probabilidade de
xito, decidir se a mdia de impurezas por saca do novo fornecedor igual a 0,5 kg, ou se maior
ou menor que 0,5 kg.

Testes de Hipteses possveis:

a) H
0
: =0,5
H
a
: = 0,5
b) H
0
: =0,5
H
a
: >0,5
c) H
0
: =0,5
H
a
: <0,5

Prof. Daniela ____/____/____
88
Exemplo 1: Uma amostra de 36 elementos de uma varivel X normalmente distribuda forneceu
mdia x =42,3. Sabendo que a desvio padro populacional o =5,2, teste ao nvel de significncia
de 5%, a hiptese de que a mdia maior que 40.
Soluo:
Hipteses: H
0
: =40
H
a
: >40 (curva unilateral direita )

Nvel de significncia =5% z = 1,64.
Valor de z observado na amostra:
Zobs
= 65 , 2
2 , 5
6 . 3 , 2
6
2 , 5
40 3 , 42
36
2 , 5
40 3 , 42
= =
n
x

obs
=2,65 >z =1,64, ento rejeito H
0
, isto , aceito a
hiptese de que a mdia da populao maior que 40.

mdia x =42. Sabendo que o desvio padro populacional o =12. Testar ao nvel de significncia
de 5%, a hiptese de que a mdia menor que 44.
Soluo:
Hipteses: H
0
: =44
H
a
: <44 (curva unilateral esquerda )
Nvel de significncia =5% z = 1,64.
Valor de z observado na amostra: z
obs
= 1
2
2
6
12
44 42
36
12
44 42
=
n
x

obs
=-1 >z =-1,64, ento aceito H
0
, isto , aceito a
hiptese de que a mdia da populao igual a 44.

Regio Crtica
Regio de
Aceitao

0,05
Regio de
Aceitao
Regio Crtica
Prof. Daniela ____/____/____
89
mdia x =40. Sabendo que o desvio padro populacional o =12. Testar ao nvel de significncia
de 5%, a hiptese de que a mdia diferente de 40.

Hipteses: H
0
: =40
H
a
: = 40 (teste bilateral)
Nvel de significncia =5% z = -1,96 e z = 1,96.
Valor de z observado na amostra: z
obs
= 0
2
0
6
12
40 40
36
12
40 40
= =
n
x

Concluso do Teste de Hipteses: Como z =-1,96 <z
obs
=0 <z =1,96, ento aceito H
0
, isto ,
aceito a hiptese de que a mdia da populao igual a 40.


1) Uma mquina automtica de encher pacotes de caf enche-os segundo uma distribuio normal,
com mdia e varincia (conhecida) 400 g
2
. A mquina foi regulada para =500g. Desejamos, de
meia em meia hora, colher uma amostra de 16 pacotes e verificar se a produo est sob controle,
isto , se =500g ou no. Se uma dessas amostras apresentasse uma mdia x =492g, voc
pararia ou no a produo? Considere um nvel de significncia de 1%.

2) Sabe-se que o consumo mensal per capita de um determinado produto tem distribuio normal,
com desvio padro 2 kg. A diretoria de uma firma que fabrica esse produto resolveu que retiraria o
produto da linha de produo se a mdia de consumo per capita fosse menor que 8 kg. Caso
contrrio continuaria a fabric-lo. Foi realizada uma pesquisa de mercado, tomando-se uma
amostra de 25 indivduos, e verificou-se um consumo mensal mdio de 7,2. Construa um teste de
hiptese adequado, utilizando um nvel de significncia de 5%, e com base na amostra colhida,
determine a deciso a ser tomada pela diretoria.

13.9. Teste de Hipteses para a Mdia com Varincia Populacional Desconhecida

Exemplo 1: Foi testada uma amostra de 9 cigarros de uma certa marca, com relao ao nvel de
nicotina, fornecendo mdia x =42 mg e desvio padro s =6 mg. Testar ao nvel de significncia de
5%, a hiptese de que a mdia maior que 40 mg.

0,025
0,025
Regio de Aceitao
Regies Crticas
Prof. Daniela ____/____/____
90
Soluo:
Hipteses: H
0
: =40
H
a
: >40 (curva unilateral direita)
Nvel de significncia de 5%, obtemos na Tabela da t-Student o t que fornece a rea cinza de 0,05,
representada na figura.
Graus de liberdade: n 1 =9 1 =8.
Se o teste tiver cauda unilateral direita: p =2 x o =2 x 0,05 =0,10 =10%. Ento: t = 1,860.
Valor de t observado na amostra: t
obs
= 1
2
2
3
6
2
9
6
40 42
n
s
x
= = =
=

Concluso do Teste de Hipteses: Como t
obs
=1 <t =1,860, ento aceito H
0
, isto , aceito a
hiptese de que a mdia da populao igual a 40.

Exemplo 2: Uma nova amostra de 16 cigarros da mesma marca forneceu mdia x =40 mg e
desvio padro s =4 mg. Testar ao nvel de significncia de 5%, a hiptese de que a mdia menor
que 44 mg.
Soluo:
Hipteses: H
0
: =44
H
a
: <44 (curva unilateral esquerda)
Se o teste tiver cauda unilateral esquerda: p =2 x o =2 x 0,05 =0,10 =10%. Ento: t = 1,753.
obs
= 4
1
4
4
4
4
16
4
44 40
n
s
x
=
=

Concluso do Teste de Hipteses: Como tobs =-4 <t =-1,860, ento rejeito H
0
, isto , aceito a
Prof. Daniela ____/____/____
91
hiptese de que a mdia da populao menor que 44.
Exemplo 3: Outra amostra de 16 cigarros forneceu mdia x =42 mg e desvio padro s =4 mg.
Testar ao nvel de significncia de 5%, a hiptese de que a mdia diferente de 40.
Hipteses: H
0
: =40
H
a
: = 40 (teste bilateral)
Se o teste tiver cauda bilateral: p =o =0,05 =5%. Ento: t = -2,131 e t = 2,131.
obs
= 2
1
2
4
4
2
16
4
40 42
n
s
x
= = =
=

Concluso do Teste de Hipteses: Como t =-2,131 <t
obs
=2 <t =2,131, ento aceito H
0
, isto ,
aceito a hiptese de que a mdia da populao igual a 40.


1) A experincia de muitos anos de uso de um dispositivo eletrnico, da marca A, tem mostrado
que sua vida mdia de =286 horas. Uma amostra de n =16 dispositivos de uma nova marca B
deu uma vida mdia de x =290 horas com desvio padro de s =8 horas. Testar, ao nvel de
significncia de 10%, se os dispositivos das duas marcas tm a mesma vida mdia ou se a vida
mdia do B maior que a do A.

2) A experincia de muitos anos de uso de uma lmpada, da marca A, tem mostrado que sua vida
mdia de 300 horas. Uma amostra de 9 lmpadas de uma nova marca B deu uma vida mdia de
290 horas com desvio padro de 6 horas. Testar, ao nvel de significncia de 10%, se as lmpadas
das duas marcas tm a mesma vida mdia ou se a vida mdia da B menor que a da A.

3) Uma amostra de 16 empregados de uma empresa forneceu os seguintes resultados com relao
s alturas: mdia 173 cm e desvio padro 16 cm. Testar ao nvel de 10% as hipteses de que a
mdia da populao igual ou diferente 175cm.

Regio de Aceitao
Regio de Rejeio
Prof. Daniela ____/____/____
92
13.11. Teste de Hipteses para a Varincia ou Desvio Padro

Como visto anteriormente, s vezes estamos interessados mais no valor da varincia do que no
valor mdio de uma determinada grandeza, como no caso do tempo de espera em uma fila. Nesse
caso, a varincia da amostra servir de base para rejeitar ou aceitar uma hiptese nula relativa a um
valor crtico da varincia da populao,
2
o
o
. A estatstica de teste a ser usada agora a qui-
quadrado, dada por:

2
o
2
2
obs
S ) 1 n (
o
= _
Os testes vistos anteriormente so aplicados da mesma forma, como mostrado a seguir:

a) Teste unilateral esquerda: H
0
:
2 2
o
o = o H
a
:
2 2
o
o < o
i) Aceita H
0
se
2
1 ; 1 n
2
obs o
_ > _
ii) Rejeita H
0
se
2
1 ; 1 n
2
obs o
_ s _

b) Teste unilateral direita: H
0
:
2 2
o
o = o H
a
:
2 2
o
o > o
i) Aceita H
0
se
2
; 1 n
2
obs o
_ < _
ii) Rejeita H
0
se
2
; 1 n
2
obs o
_ > _

c) Bilateral: :
2 2
o
o = o H
a
:
2
o
2
o = o
i) Aceita H
0
se
2
2 / ; 1 n
2
obs
2
2 / 1 ; 1 n o o
_ < _ < _
ii) Rejeita H
0
se
2
2 / 1 ; 1 n
2
obs o
_ s _ ou
2
2 / ; 1 n
2
obs o
_ > _

Exemplo: Um engenheiro qumico quer determinar se um processo de purificao a baixa presso
de uma fibra sinttica resultar em melhorias em relao ao processo atual, feito alta presso.
Embora nesta ltima condio, o processo seja mais rpido e necessite de um tempo mdio de
processamento menor, o tempo necessrio para completar uma batelada varia bastante, criando
dificuldades em agendar as utilidades da planta. A varincia do processo a alta presso igual a
225 horas. interessante mudar para o processo a baixa presso somente se a sua varincia for
menor do que 112,5 horas. Os tempos observados de processamento, em horas, foram: 35,4
44,7 58,9 28,6 37,5 49,1 52,6 55,3 36,2 50,0. Teste com um
nvel de significncia de 1% se interessante mudar para o processo a baixa presso.

Soluo:
Hipteses: Para se proteger do erro de selecionar o processo a baixa presso quando de fato seu
tempo de processamento no consistente, as seguintes hipteses devem ser formuladas:

H
0
: o
2
=112,5 (O processo a baixa presso varia muito para justificar a troca)
H
a
: o
2
<112,5 (O tempo para o processo a baixa presso consistente)
Prof. Daniela ____/____/____
93
Nvel de significncia de 1%, obtemos na Tabela da Qui-Quadrado:
Se o teste tiver cauda unilateral esquerda: p =1 - o =0,99. Ento: 088 , 2
2
99 , 0 ; 9
= _ .
Estatstica do teste: A mdia da amostra foi igual a 44,8 horas e a varincia da amostra foi igual a
S
2
=99,28 horas
2
. Sendo assim:
94 , 7
5 , 112
28 , 99 ) 1 10 (
2
obs
=
= _
Concluso do Teste de Hipteses: Com um nvel de significncia de 1% no rejeitamos Ho, ou
seja, o processo a alta presso deve ser mantido.


1) Com filas individuais para seus vrios caixas, o Banco Jefferson Valley descobriu que o desvio
padro pata tempos de espera normalmente distribudos nas tardes de sexta feira era de 6,2 min.
O banco fez experincia com fila nica de espera e descobriu que para uma amostra de 21
clientes os tempos de espera tinham um desvio padro de 3,8 min. Use o nvel de significncia
0,05 para testar a afirmativa de que a fila nica resulta em menor variao entre os tempos de
espera. Por que os clientes prefeririam tempo de espera com menos variao? O uso da fila
nica resulta em espera menor?

2) Um administrador afirma que os volumes de latas de Pepsi regular tm desvio padro maior do
que 0,03 litros. Use o nvel de significncia de 5% para testar essa afirmativa sabendo que uma
amostra de 41 latas forneceu um desvio padro amostral de 0,08 litros. Que problemas so
causados por um desvio padro muito alto?

Prof. Daniela ____/____/____
94


Exerccio 01
As medidas dos dimetros de uma amostra de 121 rolamentos esfricos produzidos por certa
mquina, durante uma semana, apresentaram a mdia de 0,021m e o desvio padro de 0,001m.
Determinar os intervalos de confiana de 95% para o dimetro mdio de todos os rolamentos
esfricos.

Exerccio 02
Se o desvio padro das duraes das vlvulas de televiso de 100 horas, que tamanho de amostra
deveria ser tomado para que se estivesse confiante 90% de que o erro da estimativa da durao
mdia no exceda 20 horas?

Exerccio 03
O fabricante de uma droga medicinal reivindicou que ela era 90% eficaz em curar uma alergia, em
um perodo de 8 horas. Em uma amostra de 200 pessoas que tinham alergia, a droga curou 160
pessoas. Teste se a pretenso do fabricante legtima com um nvel de significncia de 5%.

Exerccio 04
Calcule o intervalo de confiana para a mdia em cada um dos casos abaixo:
Mdia
Amostral
Tamanho da
Amostra
Desvio Padro
Populacional
Coeficiente de
Confiana
165 cm 184 30 cm 85,02%
180 cm 225 30 cm 69,7%

Exerccio 05
Qual deve ser o tamanho de uma amostra para que a diferena da mdia amostral para a mdia da
populao, em valor absoluto, seja igual a 1, com coeficiente de confiana igual a 99%, sabendo
que uma amostra piloto dessa populao de tamanho 16 forneceu um desvio padro igual a 10.

Exerccio 06
Verificou-se, por meio de experincias, que a tenso mdia de ruptura do fio de uma certa marca
de 9,72 kg, com desvio padro de 1,40 kg. Recentemente, uma amostra de 36 peas do fio
apresentou a tenso mdia de ruptura de 8,93 kg. Pode-se concluir, no nvel de significncia de
0,01 que o fio se tornou de qualidade inferior?

Exerccio 07
Antes de uma eleio, um determinado partido est interessado em estimar a proporo P de
eleitores favorveis ao seu candidato. Uma amostra piloto de tamanho 100 pessoas revelou que
60% dos eleitores eram favorveis ao candidato em questo. Determine o tamanho amostral
necessrio para que o erro cometido na estimao seja de, no mximo, 0.01 com probabilidade de
80%.

Prof. Daniela ____/____/____
95

Exerccio 08
Um fabricante afirma que seus cigarros contm no mais que 30 mg de nicotina, mas a secretaria
de sade afirma que contm mais que 30 mg. Uma amostra de 25 cigarros fornece mdia de 31,5
mg e desvio padro de 3 mg. No nvel de 5%, os dados refutam a afirmao da secretaria de sade?

Exerccio 09
Antes de uma eleio em que existiam 2 candidatos, Joo e Salomo, foi feita uma pesquisa com
500 eleitores escolhidos ao acaso, e verificou-se que 258 deles pretendiam votar no candidato
Salomo. Construa um intervalo de confiana, com coeficiente de confiana de 95% para a
proporo de eleitores favorveis ao candidato Salomo na poca das eleies.

Observao: O gabarito da Lista de Exerccios 3 encontra-se no Apndice C
Prof. Daniela ____/____/____
96
APNDICE A
Gabarito da Lista de Exerccios 1

1) Populao: eleitores brasileiros. Amostra: 122 pessoas entrevistadas em Braslia.

2) (a) Qualitativa Ordinal; (b) Qualitativa Nominal; (c) Quantitativa Discreta; (d) Quantitativa Contnua.

3) Aleatria Simples: 61, 09, 26, 29, 11, 77, 79, 04, 57, 59.
Sistemtica:N/n =80/10 =8; x =6; Amostra: 6, 14, 22, 30, 38, 46, 54, 62, 70, 78.
Estratificada: Mulheres (4): 09, 26, 29, 11. Homens (6): 09, 26, 29, 11, 04, 02.

4) Zonas: 045, 020, 099, 033, 197, 166, 040, 005, 038, 115, 041, 173, 030, 025, 123.

5) (a)
Tabela: Conceitos obtidos de 60 alunos na disciplina de Estatstica na Escola E
Conceitos Freqncia Absoluta Proporo Porcentagem
timo 03 0,05 05,0
Bom 22 0,367 36,7
Mdio 25 0,417 41,7
Ruim 10 0,166 16,6
Total 60 1 100
Interpretao: Podemos observar na Tabela acima que a maior proporo dos alunos da Escola E obtiveram conceito
Mdio na disciplina Estatstica (42%) e apenas 5% conquistaram o conceito timo. Alm disso, 37% concluram com
conceito Bom e 16% com conceito Ruim.

(b)
Conceito
F
r
e
q
u
n
c
i
a

A
b
s
o
l
u
t
a
Ruim Mdio Bom timo
25
20
15
10
5
0
10
25
22
3

Figura: Grfico de Barras para os Conceitos obtidos na disciplina de Estatstica de 60 alunos da Escola E.

Prof. Daniela ____/____/____
97
16,7%
R
5,0%
O
41,7%
M
36,7%
B

Figura: Grfico de Composio em Setores para os Conceitos obtidos na disciplina de Estatstica de 60 alunos da
Escola E. (O : timo; B : Bom; M : Mdio; R : Ruim)

F
r
e
q
n
c
i
a

A
b
s
o
l
u
t
a
P
o
r
c
e
n
t
a
g
e
m

A
c
u
m
u
l
a
d
a
Conceitos
Count
5,0
Cum % 41,7 78,3 95,0 100,0
25 22 10 3
Percent 41,7 36,7 16,7
timo Ruim Bom Mdio
60
50
40
30
20
10
0
100
80
60
40
20
0

Figura: Grfico de Pareto para os Conceitos obtidos na disciplina de Estatstica de 60 alunos da Escola E.

Prof. Daniela ____/____/____
98
6) (a) mnimo =10; mximo =22; mdia =16,913; moda =14.1, 16, 16.9, 19.5, 22; mediana =16,9; Q1 =15,0; Q3 =19,5.
(b) amplitude =12; varincia =8,296; desvio-padro =2,88; intervalo-interquartil =4,5.
(c)
Tabela: Comprimento de 31 canos PVC vendidos em uma loja de material de construo
Comprimento Freqncia Absoluta Proporo Porcentagem Densidade
[10, 12) 1 0,0322581 3,2 0,0161290
[12, 14) 3 0,0967742 9,7 0,0483871
[14, 16) 6 0,1935480 19,4 0,0967742
[16, 18) 10 0,3225810 32,2 0,1612900
[18, 20) 6 0, 1935480 19,4 0,0967742
[20, 22] 5 0,1612907 16,1 0,0806452
Total 31 1 100 ------
Interpretao: A maior parte dos canos tem comprimento entre 16 e 18m (32,2%), ....(descrever a coluna da
porcentagem)

(d)
Comprimento
D
e
n
s
i
d
a
d
e
22 20 18 16 14 12 10
0,18
0,16
0,14
0,12
0,10
0,08
0,06
0,04
0,02
0,00
0,0806452
0,0967742
0,16129
0,0967742
0,0483871
0,016129

Figura: Histograma do comprimento de 31 canos PVC vendidos em uma loja de material de construo.

(e)
Comprimento
22 21 20 19 18 17 16 15 14 13 12 11 10

Figura: Diagrama de disperso unidimensional do comprimento de 31 canos PVC vendidos em uma loja de material de
construo.
Prof. Daniela ____/____/____
99
C
o
m
p
r
i
m
e
n
t
o
22
20
18
16
14
12
10

Figura: Box-plot do comprimento de 31 canos PVC vendidos em uma loja de material de construo.

1 10 0
1 11
3 12 35
4 13 8
7 14 117
10 15 035
(7) 16 0013799
14 17 049
11 18 28
9 19 3557
5 20 035
2 21
2 22 00
Figura: Ramo-e-folhas do comprimento de 31 canos PVC vendidos em uma loja de material de construo.

7) a) Mdia =69,87 e Mediana =68. A mdia e a mediana foram bem diferentes. Embora 50% dos ndios tenham
pulsao abaixo de 68, os ndios com maior pulsao, fez com que o valor mdio da pulsao fosse maior, isto ,
aproximadamente 70. Quando os valores so distintos da mdia e mediana, implica que os dados so assimtricos.
(conforme mostra o grfico da alternativa (d) desse exerccio)
b) Mnimo =60, Q1 =60, Q3 =76 e Mximo =88.A menor e a maior pulsao foram 60 e 88, respectivamente. 25%
dos ndios tiveram pulsao inferior a 60 e 25% superior a 76. 50% obtiveram entre 60 e 76.
c) Varincia =91,12 e Desvio Padro =9,55. A variabilidade das pulsaes foi de 9,55 em torno do valor mdio da
pulsao.
d)
P u l s a o
F
r
e
q
n
c
i
a

A
b
s
o
l
u
t
a
88 80 76 72 68 64 60
4
3
2
1
0

Figura: Grfico de barras das medidas da pulsao de 15 ndios nativos dos Alpes Peruanos.
Prof. Daniela ____/____/____
100
8) (a) Mdia =15,8; Desvio Padro ~ 3,8.
(b) Mdia 2*Desvio ~ 8,3. Sim, a cidade D.
(c) Fazer a mdia dos investimentos das cidades que tiver 8,3 Investimento 23,3. Ivestimento Bsico ~ 16,8.
O valor no item (a) era menor em 1 unidade, pois a cidade D foi retirada do clculo, por no ter o investimento dentro
do intervalo pr-estabelecido. A mdia no item (a) foi menor, porque a cidade D um possvel outlier e o valor da
mdia sensvel aos valores discrepantes, isto , o seu valor influenciado por valores pequenos ou grandes.

9)

Medicamentos N
De
Cobaias
Mn Mx Mdia Mediana Q1 Q3 Amplitude Varincia Desvio
Padro
IQ
A 10 13 15 14,200 14 13,75 15 2 0,622 0,789 1,25
B 8 12 14 13,375 13,5 13,00 14 2 0,554 0,744 1
C 8 11 13 12,125 12 11,25 13 2 0,696 0,835 1,75

Embora as medidas de disperso, em geral, mostram que o medicamento C tem maior variabilidade dos dados, as
medidas de posio mostraram que o medicamento C o que fornece menor tempo de cicatrizao do completo
fechamento dos cortes provenientes de cirurgia.

10) (a)
Barcos
M
o
r
t
e
s
85 80 75 70 65
80
70
60
50
40
30

Figura: Grfico de Disperso do nmero de peixes-boi mortos versus o nmero de barcos de turismo (em milhares) que
circulam em seu habitat na Flrida-EUA.

Podemos observar visualmente que h uma relao linear positiva entre o nmero de peixes-boi mortos com o nmero
de barcos de turismo (em milhares), isto , quanto mais barcos passar no habitat dos peixes-boi, maior ser o nmero
de mortes.
(b) r ~ 0,922. Podemos notar atravs de r, que a correlao positiva entre X e Y significativa.
(c) Mortes =2,27*Barcos 113
Prof. Daniela ____/____/____
101
d) r
2
=84,9%. 84,9% da variao do nmero de peixes mortos explicado pelo nmero de barcos (em milhares) que
passam no seu habitat. 15,1% devido a outros fatores que no foram estudados, tais como, substncias qumicas
eliminadas no habitat dos peixe-boi, pescadores, etc.

11) (a)
Idade
M
a
s
s
a
80 70 60 50 40
120
110
100
90
80
70
60

Figura: Grfico de Disperso da idade versus a massa muscular de 18 mulheres com idade entre 40 e 79 anos.

(b) r = 0,837. O valor do coeficiente de correlao indica que as variveis idade e massa muscular esto relacionadas
linearmente de forma negativa, ou seja, quanto maior a idade menor a massa muscular.

(c) Y =148,197 1,027 X. O coeficiente a =148,197 (intercepto) no pode ser interpretado, porque a variao de X
no contm o valor 0. O coeficiente b =- 1,027 (inclinao) indica que a cada aumento de um ano na idade, espera um
decrscimo de aproximadamente 1 da massa muscular.
Prof. Daniela ____/____/____
102
APNDICE B


1) (a) (A B) b) (A B
c
) (A
c
B) c) (A B)
c
d) (A B
c
)
2) a) P(AB) ~ 0,0358 b) P((A B)
c
) ~ 0,9641 c) P((A B
c
)) ~ 0,023
3) P(M|A) =0,292
4)
X 15 17 18 20 E[X] =
P(X) 0,3575 0,1925 0,2925 0,1575 17,05
5) 0,8192
6) (a) 0,59049 (b) 0,32805 (c) 0,99144
7) (a) 0,5 (b) 0,33333
8) (a) 0,376812 (b) 0,282609 (c) 0,0376812 (d) 0,0086957
9) (a) 0,367879 (b) 0,981011 (c) 0,264242
10) (a) 0,0000454(b) 0,0103361 (c) 0 ~
11) (a) 0,4332 (b) 0,0668 (c) 0,0062 (d) ~ 41,34
12) (a) 0,2967 (b) 0,0062 (c) 0,0475
13) (a) boas: 0,8904 recuperveis: 0,0932 defeituosas: 0,0164 (b) E[T] ~ 0,09
Prof. Daniela ____/____/____
103
APNDICE C


1) g.l. =n-1 =120 e p =(100 - ) =5% t =1.980 (t de Student)
| | 02118 . 0 ; 02082 . 0
121
001 . 0
980 . 1 021 . 0
n
s
t x %] 95 ; [ IC =
(
=
(
=
2) =90% 68 100
20
645 , 1
e
z
n
2
2
2
2
~ |
.
|
\
|
= o |
.
|
\
|
=
3) Soluo: Teste da proporo
Ho: p =0,9 o =0,05
H: p 0,9 Regra de Deciso:
RC =(- ; -1.96] [1.96 ; +) e RA =(-1.96 ; 1.96)
Estatstica do teste:
7 , 4
200
) 9 , 0 1 ( 9 , 0
9 , 0 8 , 0
n
) p 1 ( p
p p
z
0 0
0
observado
~
=

Concluso: Rejeita Ho com um nvel de significncia de 5%, ou seja, a afirmao do fabricante no verdadeira.
4) Soluo: Intervalo de Confiana para a Mdia com Varincia Populacional Conhecida
| | 18 , 168 ; 82 , 161
184
30
44 , 1 165
n
z x ;
n
z x %] 02 , 85 ; [ IC =
(
=
(
o
+
o
=
| | 06 , 182 ; 94 , 177
225
30
03 , 1 180
n
z x ;
n
z x %] 7 , 69 ; [ IC =
(
=
(
o
+
o
=
5) =99% g.l. =15, p =1%, t =2.947 869 10
1
947 . 2
s
e
t
n
2
2
2
2
~ |
.
|
\
|
= |
.
|
\
|
=
6) Soluo: Teste de Hipteses para a Mdia com Varincia Populacional Conhecida
Ho: = 9,72 e Ha: < 9,72
o =0,01. Estatstica do teste:
4 , 3
36
40 , 1
72 , 9 93 , 8
n
x
z
0
observado
~
=
o

=

Regra de Deciso: RC =(- ; -2.33] e RA =(+2.33 ; +)
Concluso: Rejeita Ho com um nvel de significncia de 1%, ou seja, o fio se tornou de qualidade inferior.
7)
n
p p
z
) 1 (
= 3933 4 , 0 6 , 0
01 . 0
28 , 1
) p 1 ( p
e
z
n
2 2
= |
.
|
\
|
= |
.
|
\
|
=
8) Soluo: Teste de Hipteses para a Mdia com Varincia Populacional Desconhecida
Ho: = 30 e Ha: > 30
o =0,05. Estatstica do teste:
5 . 2
25
3
30 5 . 31
n
s
x
t
0
observado
=
=

=
. Regra de Deciso: RC =[1.711 , +) e
RA =(- , 1.711). Concluso: Rejeita Ho com um nvel de significncia de 5%, ou seja, a secretaria de sade tem
razo.
9) Soluo: Intervalo de Confiana para Proporo
IC[P ; 95%] =[0.47 ; 0.56]
No, pois com 95% de confiana p =0,5 est dentro desse intervalo.
Prof. Daniela ____/____/____
104
TABELA 1 DISTRIBUIO NORMAL PADRO

Probabilidades Acumuladas da Distribuio Normal (0, 1) A(z) = P(Z sz) , z >0.
0 1 2 3 4 5 6 7 8 9
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
Segundadecimal dez
P
a
r
t
e

i
n
t
e
i
r
a

e

p
r
i
m
e
i
r
a

d
e
c
i
m
a
l

d
e

z
Probabilidades Acumuladas da Distribuio Normal (0, 1) A(z) = P(Z sz) , z >0.
0 1 2 3 4 5 6 7 8 9
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564
0 1 2 3 4 5 6 7 8 9
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998
0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
Segundadecimal dez
P
a
r
t
e

i
n
t
e
i
r
a

e

p
r
i
m
e
i
r
a

d
e
c
i
m
a
l

d
e

z
Prof. Daniela ____/____/____
105

TABELA 2 DISTRIBUIO T DE STUDENT

Valores t
c
tais que P(-t
c
s t s t
c
) = 1 - p

G
r
a
u
s

d
e

L
i
b
e
r
d
a
d
e
p =90% 80% 70% 60% 50% 40% 30% 20% 10% 5% 4% 2% 1%
G
r
a
u
s

d
e

L
i
b
e
r
d
a
d
e
1 0,158 0,325 0,510 0,727 1,000 1,376 1,963 3,078 6,314 12,706 15,894 31,821 63,657 1
2 0,142 0,289 0,445 0,617 0,816 1,061 1,386 1,886 2,920 4,303 4,849 6,965 9,925 2
3 0,137 0,277 0,424 0,584 0,765 0,978 1,250 1,638 2,353 3,182 3,482 4,541 5,841 3
4 0,134 0,271 0,414 0,569 0,741 0,941 1,190 1,533 2,132 2,776 2,998 3,747 4,604 4
5 0,132 0,267 0,408 0,559 0,727 0,920 1,156 1,476 2,015 2,571 2,756 3,365 4,032 5
6 0,131 0,265 0,404 0,553 0,718 0,906 1,134 1,440 1,943 2,447 2,612 3,143 3,707 6
7 0,130 0,263 0,402 0,549 0,711 0,896 1,119 1,415 1,895 2,365 2,517 2,998 3,499 7
8 0,130 0,262 0,399 0,546 0,706 0,889 1,108 1,397 1,860 2,306 2,449 2,896 3,355 8
9 0,129 0,261 0,398 0,543 0,703 0,883 1,100 1,383 1,833 2,262 2,398 2,821 3,250 9
10 0,129 0,260 0,397 0,542 0,700 0,879 1,093 1,372 1,812 2,228 0,359 2,764 3,169 10
11 0,129 0,260 0,396 0,540 0,697 0,876 1,088 1,363 1,796 2,201 2,328 2,718 3,106 11
12 0,128 0,259 0,395 0,539 0,695 0,873 1,083 1,356 1,782 2,179 2,303 2,681 3,055 12
13 0,128 0,259 0,394 0,538 0,694 0,870 1,079 1,350 1,771 2,160 2,282 2,650 3,012 13
14 0,128 0,258 0,393 0,537 0,692 0,868 1,076 1,345 1,761 2,145 2,264 2,624 2,977 14
15 0,128 0,258 0,393 0,536 0,691 0,866 1,074 1,341 1,753 2,131 2,248 2,602 2,947 15
16 0,128 0,258 0,392 0,535 0,690 0,865 1,071 1,337 1,746 2,120 2,235 2,583 2,921 16
17 0,128 0,257 0,392 0,534 0,689 0,863 1,069 1,333 1,740 2,110 2,224 2,567 2,898 17
18 0,127 0,257 0,392 0,534 0,688 0,862 1,067 1,330 1,734 2,101 2,214 2,552 2,878 18
19 0,127 0,257 0,391 0,533 0,688 0,861 1,066 1,328 1,729 2,093 2,205 2,539 2,861 19
20 0,127 0,257 0,391 0,533 0,687 0,860 1,064 1,325 1,725 2,086 2,197 2,528 2,845 20
21 0,127 0,257 0,391 0,532 0,686 0,859 1,063 1,323 1,721 2,080 2,189 2,518 2,831 21
22 0,127 0,256 0,390 0,532 0,686 0,858 1,061 1,321 1,717 2,074 2,183 2,508 2,819 22
23 0,127 0,256 0,390 0,532 0,685 0,858 1,060 1,319 1,714 2,069 2,177 2,500 2,807 23
24 0,127 0,256 0,390 0,531 0,685 0,857 1,059 1,318 1,711 2,064 2,172 2,492 2,797 24
25 0,127 0,256 0,390 0,531 0,684 0,856 1,058 1,316 1,708 2,060 2,166 2,485 2,787 25
26 0,127 0,256 0,390 0,531 0,684 0,856 1,058 1,315 1,706 2,056 2,162 2,479 2,779 26
27 0,127 0,256 0,389 0,531 0,684 0,855 1,057 1,314 1,703 2,052 2,158 2,473 2,771 27
28 0,127 0,256 0,389 0,530 0,684 0,855 1,056 1,313 1,701 2,048 2,154 2,467 2,763 28
29 0,127 0,256 0,389 0,530 0,683 0,854 1,055 1,311 1,699 2,045 2,150 2,462 2,756 29
30 0,127 0,256 0,389 0,530 0,683 0,854 1,055 1,310 1,697 2,042 2,147 2,457 2,750 30
35 0,126 0,255 0,388 0,529 0,682 0,852 1,052 1,306 1,690 2,030 2,133 2,438 2,724 35
40 0,126 0,255 0,388 0,529 0,681 0,851 1,050 1,303 1,684 2,021 2,123 2,423 2,704 40
50 0,126 0,254 0,387 0,528 0,679 0,849 1,047 1,299 1,676 2,009 2,109 2,403 2,678 50
60 0,126 0,254 0,387 0,527 0,679 0,848 1,045 1,296 1,671 2,000 2,099 2,390 2,660 60
120 0,126 0,254 0,386 0,526 0,677 0,845 1,041 1,289 1,658 1,980 2,076 2,358 2,617 120
G
r
a
u
s

d
e

L
i
b
e
r
d
a
d
e
p =90% 80% 70% 60% 50% 40% 30% 20% 10% 5% 4% 2% 1%
G
r
a
u
s

d
e

L
i
b
e
r
d
a
d
e
Prof. Daniela ____/____/____
106

TABELA 3 DISTRIBUIO QUI QUADRADO

Valores de
2
p , gl
_

gl
p
0,995 0,990 0,975 0,950 0,500 0,050 0,025 0,010 0,005
1 0,000 0,000 0,001 0,004 0,455 3,841 5,024 6,635 7,879
2 0,010 0,020 0,051 0,103 1,386 5,991 7,378 9,210 10,597
3 0,072 0,115 0,216 0,352 2,366 7,815 9,348 11,345 12,838
4 0,207 0,297 0,484 0,711 3,357 9,488 11,143 13,277 14,860
5 0,412 0,554 0,831 1,145 4,351 11,070 12,833 15,086 16,750
6 0,676 0,872 1,237 1,635 5,348 12,592 14,449 16,812 18,548
7 0,989 1,239 1,690 2,167 6,346 14,067 16,013 18,475 20,278
8 1,344 1,646 2,180 2,733 7,344 15,507 17,535 20,090 21,955
9 1,735 2,088 2,700 3,325 8,343 16,919 19,023 21,666 23,589
10 2,156 2,558 3,247 3,940 9,342 18,307 20,483 23,209 25,188
11 2,603 3,053 3,816 4,575 10,341 19,675 21,920 24,725 26,757
12 3,074 3,571 4,404 5,226 11,340 21,026 23,337 26,217 28,300
13 3,565 4,107 5,009 5,892 12,340 22,362 24,736 27,688 29,819
14 4,075 4,660 5,629 6,571 13,339 23,685 26,119 29,141 31,319
15 4,601 5,229 6,262 7,261 14,339 24,996 27,488 30,578 32,801
16 5,142 5,812 6,908 7,962 15,338 26,296 28,845 32,000 34,267
17 5,697 6,408 7,564 8,672 16,338 27,587 30,191 33,409 35,718
18 6,265 7,015 8,231 9,390 17,338 28,869 31,526 34,805 37,156
19 6,844 7,633 8,907 10,117 18,338 30,144 32,852 36,191 38,582
20 7,434 8,260 9,591 10,851 19,337 31,410 34,170 37,566 39,997
30 13,787 14,953 16,791 18,493 29,336 43,773 46,979 50,892 53,672
40 20,707 22,164 24,433 26,509 39,335 55,758 59,342 63,691 66,766
50 27,991 29,707 32,357 34,764 49,335 67,505 71,420 76,154 79,490
60 35,534 37,485 40,482 43,188 59,335 79,082 83,298 88,379 91,952
70 43,275 45,442 48,758 51,739 69,334 90,531 95,023 100,425 104,215
80 51,172 53,540 57,153 60,391 79,334 101,879 106,629 112,329 116,321
90 59,196 61,754 65,647 69,126 89,334 113,145 118,136 124,116 128,299
100 67,328 70,065 74,222 77,929 99,334 124,342 129,561 135,807 140,169

Apostila Estatistica

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apostila Estatistica

Transféré par

Droits d'auteur :

Formats disponibles

E

Vous aimerez peut-être aussi