Inferência Estatística

APO STILA
ES TATSTICA
Luis Felipe Dias Lopes, Dr.

[email protected], [email protected]
D E - UFSM
2003
Sum rio
1 Conceitos bsicos
1.1 Populao x Amostra
1.2 Censo x Amostragem
1.3 Dado x Varivel
1.4 Parmetros x estatsticas
1.5 Arredondamento de dados
1.6 Fases do mtodo estatstico
2 Representao tabular
2.1 Representao esquemtica
2.2 Elementos de uma tabela
2.3 Sries estatsticas
2.4 Distribuio de freqncia
3 Representao grfica
3.1 Grficos de Linhas
3.2 Grficos de colunas ou barras
3.3 Grficos circulares ou de Setores (Pie Charts)
3.4 Grfico Pictorial - Pictograma
3.5 Grfico Polar
3.6 Cartograma
3.7 Grficos utilizados para a anlise de uma distribuio de freqncia
4 Medidas descritivas
4.1 Medidas de posio
4.2 Medidas de variabilidade ou disperso
4.3 Medidas de disperso relativas
4.4 Momentos, assimetria e curtose
4.5 Exerccios
5 Probabilidade e variveis aleatrias
5.1 Modelos matemticos
5.2 Conceitos em probabilidade
5.3 Conceitos de probabilidade
5.4 Exerccios
5.5 Teorema de Bayes
5.6 Variveis aleatrias
5.7 Funo de probabilidade
5.8 Exemplos
5.9 Exerccios
6 Distribuies de Probabilidade
6.1 Distribuies discretas de probabilidade
6.2 Exerccios
6.2 Distribuies contnuas de probabilidade
6.4 Exerccios
7 Amostragem
7.1 Conceitos em amostragem
7.2 Planos de amostragem
6.3 Tipos de amostragem
7.4 Amostragem com e sem reposio
7.5 Representao de uma distribuio amostral
7.6 Distribuies amostrais de probabilidade
7.7 Exerccios
7.8 Estatsticas amostrais
7.9 Tamanho da amostra
8 Estimao de parmetros
8.1 Estimao pontual
8.2 Estimao intervalar
8.3 Exerccios
9 Testes de hipteses
9.1 Principais conceitos
8.2 Teste de significncia
9.3 Exerccios
9.4 Testes do Qui-quadrado
9.5 Exerccios
10 Regresso e Correlao
10.1 Introduo
10.2 Definio
10.3 Modelo de Regresso
10.4 Mtodo para estimao dos parmetros e
10.5 Decomposio da varincia Total
10.6 Anlise de Varincia da Regresso
10.7 Coeficiente de Determinao (r)
10.8 Coeficiente de Correlao (r)
10.9 Exerccios
11 Referncias bibliogrficas
1 Conceitos B sicos
1.1 Populao x Amostra
Populao (N): Conjunto de todos os elementos relativos a um determinado fenmeno

que possuem pelo menos uma caracterstica em comum, a populao o conjunto
Universo, podendo ser finita ou infinita.
Finita - apresenta um nmero limitado de observaes, que passvel de contagem.

Infinita - apresenta um nmero ilimitado de observaes que impossvel de contar e geralmente esta
associada a processos.
Amostra (n): um subconjunto da populao e dever ser considerada finita, a amostra

deve ser selecionada seguindo certas regras e deve ser representativa, de modo que ela
represente todas as caractersticas da populao como se fosse uma fotografia desta.
Uma populao pode, mediante processos operacionais, ser considerada infinita, pois a mesma ir depender
do tamanho da amostra. Se a freqncia relativa entre amostra e populao for menor do que 5% ela
considerada infinita, se a freqncia relativa for maior do 5% ela considerada finita.
1.2 Censo x Amostragem
Pesquisa Estatstica: qualquer informao retirada de uma populao ou amostra,

podendo ser atravs de Censo ou Amostragem.
Censo: a coleta exaustiva de informaes das "N" unidades populacionais.
Amostragem: o processo de retirada de informaes dos "n" elementos amostrais, no

qual deve seguir um mtodo criterioso e adequado (tipos de amostragem).
1.3 Dado x Varivel
Dados estatsticos: qualquer caracterstica que possa ser observada ou medida de

alguma maneira. As matrias-primas da estatstica so os dados observveis.
Varivel: aquilo que se deseja observar para se tirar algum tipo de concluso, geralmente
as variveis para estudo so selecionadas por processos de amostragem. Os smbolos
utilizados para representar as variveis so as letras maisculas do alfabeto, tais como X, Y,
Z, ... que pode assumir qualquer valor de um conjunto de dados. As variveis podem ser
classificadas dos seguintes modos:
- Qualitativas (ou atributos): So caractersticas de uma populao que no pode ser

medidas.
Nominal : so utilizados smbolos, ou nmeros, para representar determinado tipo de
dados, mostrando, assim, a qual grupo ou categoria eles pertencem.
Ordinal ou por postos: quando uma classificao for dividida em categorias
ordenadas em graus convencionados, havendo uma relao entre as categorias do tipo
maior do que, menor do que, igual a, os dados por postos consistem de valores
relativos atribudos para denotar a ordem de primeiro, segundo, terceiro e, assim,
sucessivamente.
- Quantitativas: So caractersticas populacionais que podem ser quantificadas, sendo
classificadas em discretas e contnuas.
Discretas: so aquelas variveis que pode assumir somente valores inteiros num
conjunto de valores. gerada pelo processo de contagem, como o nmero de
veculos que passa em um posto de gasolina, o nmero de estudantes nesta sala de aula.
Contnuas: so aquelas variveis que podem assumir um valor dentro de um intervalo
de valores. gerada pelo processo de medio. Neste caso serve como exemplo o
volume de gua em um reservatrio ou o peso de um pacote de cereal.
1.4 Parmetros x Estatsticas
Parmetros: so medidas populacionais quando se investiga a populao em sua

totalidade, neste caso impossvel fazer inferncias, pois toda a populao foi investigada.
Estatsticas ou Estimadores: so medidas obtidas da amostra, torna-se possvel neste

caso utilizarmos as teorias inferncias para que possamos fazer concluses sobre a
populao.
1.5 Arredondamento de Dados

Regras: Portaria 36 de 06/07/1965 - INPM Instituto Nacional de Pesos e
Medidas.
1 a) Se o primeiro algarismo aps aquele que formos arredondar for de 0 a 4,
conservamos o algarismo a ser arredondado e desprezamos os seguintes.
Ex.: 7,34856 (para dcimos) 7,3
2 a) Se o primeiro algarismo aps aquele que formos arredondar for de 6 a 9,

acrescenta-se uma unidade no algarismo a ser arredondado e desprezamos os
seguintes.
3 a) Se o primeiro algarismo aps aquele que formos arredondar for 5, seguido apenas
de zeros, conservamos o algarismo se ele for par ou aumentamos uma unidade se
ele for mpar, desprezando os seguintes.
12,350 (para dcimos) 12,4
Se o 5 for seguido de outros algarismos dos quais, pelo menos um diferente de zero, aumentamos uma
unidade no algarismo e desprezamos os seguintes.
8,4503 (para dcimos) 8,5
4 a) Quando, arredondarmos uma srie de parcelas, e a soma ficar alterada, devemos

fazer um novo arredondamento (por falta ou por excesso), na maior parcela do
conjunto, de modo que a soma fique inalterada.
Ex.:
17,4%
18,4%
12,3%
29,7%
22,2%
arredondando para inteiro:

17%
18%
12%
30%
22%
99%
17%
18%
12%
31%
22%
100%
100%
1.6 Fases do mtodo estatstico

O mtodo estatstico abrange as seguintes fases:
a) Definio do Problema
Consiste na:
- formulao correta do problema;
- examinar outros levantamentos realizados no mesmo campo (reviso da literatura);
- saber exatamente o que se pretende pesquisar definindo o problema corretamente
(variveis, populao, hipteses, etc.)
b) Planejamento
Determinar o procedimento necessrio para resolver o problema:
- Como levantar informaes;
- Tipos de levantamentos: Por Censo (completo);
Por Amostragem (parcial).
- Cronograma, Custos, etc.
c) Coleta ou levantamento dos dados
Consiste na obteno dos dados referentes ao trabalho que desejamos fazer.
A coleta pode ser: Direta - diretamente da fonte;
Indireta - feita atravs de outras fontes.
Os dados podem ser obtidos pela prpria pessoa (primrios) ou se baseia no registro
de terceiros (secundrios).
d) Apurao dos Dados ou sumarizao
Consiste em resumir os dados, atravs de uma contagem e agrupamento. um
trabalho de coordenao e de tabulao.
Apurao: manual, mecnica, eletrnica e eletromecnica.
e) Apresentao dos dados
a fase em que vamos mostrar os resultados obtidos na coleta e na organizao.
Esta apresentao pode ser: Tabular (apresentao numrica)
Grfica (apresentao geomtrica)
f) Anlise e interpretao dos dados
a fase mais importante e tambm a mais delicada. Tira concluses que auxiliam o
pesquisador a resolver seu problema.
2 Repre se ntao tab ular

Consiste em dispor os dados em linhas e colunas distribudas de modo ordenado. A
elaborao de tabelas obedece Resoluo no 886, de 26 de outubro de 1966, do Conselho
Nacional de Estatstica. As normas de apresentao so editadas pela Fundao Brasileira de
Geografia e Estatstica (IBGE).
2.1 Representao esquemtica
Ttulo
Cabealho
Corpo
Rodap
2.2 Elementos de uma tabela
Ttulo: O ttulo deve responder as seguintes questes:

- O que? (Assunto a ser representado (Fato));
- Onde? (O lugar onde ocorreu o fenmeno (local));
- Quando? (A poca em que se verificou o fenmeno (tempo)).
Cabealho: parte da tabela na qual designada a natureza do contedo de cada coluna.

Corpo: parte da tabela composta por linhas e colunas.
Linhas: parte do corpo que contm uma seqncia horizontal de informaes.
Colunas: parte do corpo que contm uma seqncia vertical de informaes.
Coluna Indicadora: coluna que contm as discriminaes correspondentes aos valores

distribudos pelas colunas numricas.
Casa ou clula: parte da tabela formada pelo cruzamento de uma linha com uma coluna.
Rodap: o espao aproveitado em seguida ao fecho da tabela, onde so colocadas as
notas de natureza informativa (fonte, notas e chamadas).
Fonte: refere-se entidade que organizou ou forneceu os dados expostos.
Notas e Chamadas: so esclarecimentos contidos na tabela (nota - conceituao geral;
chamada - esclarecer mincias em relao a uma clula).
2.3 Sries Estatsticas

Uma srie estatstica um conjunto de dados ordenados segundo uma caracterstica
comum, as quais serviro posteriormente para se fazer anlises e inferncias.
Srie Temporal ou Cronolgica: a srie cujos dados esto dispostos em

correspondncia com o tempo, ou seja, varia o tempo e permanece constante o fato e o
local.
Produo de Petrleo Bruto no Brasil de 1976 a 1980 (x 1000 m)
Anos
1976
1977
1978
1979
1980
Produo
9 702
9 332
9 304
9 608
10 562
Fonte: Conjuntura Econmica (fev. 1983)
Srie Geogrfica ou Territorial: a srie cujos dados esto dispostos em

correspondncia com o local, ou seja, varia o local e permanece constante a poca e o fato.
Populao Urbana do Brasil em 1980 (x 1000)
Regio
Norte
Nordeste
Sudeste
Sul
Centro-Oeste
Total
Populao
3 037
17 568
42 810
11 878
5 115
80 408
Fonte: Anurio Estatstico (1984)
Srie Especfica ou Qualitativa: a srie cujos dados esto dispostos em

correspondncia com a espcie ou qualidade, ou seja, varia o fato e permanece constante a
poca e o local.
Populao Urbana e Rural do Brasil em 1980 (x 1000)
Localizao
Urbana
Rural
Total
Populao
80 408
38 566
118 974
Srie Mista ou Composta: A combinao entre duas ou mais sries constituem novas
sries denominadas compostas e apresentadas em tabelas de dupla entrada. O nome da
srie mista surge de acordo com a combinao de pelo menos dois elementos.
Local + poca = Srie Geogrfica Temporal
Populao Urbana do Brasil por Regio de 1940 a 1980 (x 1000)
Anos
1940
1950
1960
1970
1980
REGIES
NE
SE
S
3 381
7 232
1 591
4 745
10 721
2 313
7 517
17 461
4 361
11 753 28 965
7 303
17 567 42 810
11 878
N
406
581
958
1 624
3 037
CO
271
424
1 007
2 437
5 115
2.4 Distribuio de Freqncia

o tipo de srie estatstica na qual permanece constante o fato, o local e a poca. Os
dados so colocados em classes preestabelecidas, registrando a freqncia de ocorrncia. Uma
distribuio de freqncia pode ser classificada em discreta e intervalar.
a) Distribuio de Freqncia Discreta ou Pontual: uma srie de dados agrupados na
qual o nmero de observaes est relacionado com um ponto real.
Notas do Aluno "X" na Disciplina de Estatstica segundo
critrios de avaliao do DE da UFSM 1990
Xi
6.3
8.4
5.3
9.5
6.5
fi
2
3
2
3
5
15
Fonte: Departamento de Estatstica (1990)
b) Distribuio de Freqncias Intervalar: Na distribuio de freqncia, os intervalos

parciais devero ser apresentados de maneira a evitar dvidas quanto classe a que permanece
determinado elemento.
O tipo de intervalo mais usado do tipo fechado a esquerda e aberto a direita,
representado pelo smbolo: |---.
Altura em centmetros de 160 alunos do Curso de Administrao da UFSM - 1990
Altura (cm)
150 |--- 158
158 |--- 166
166 |--- 174
174 |--- 182
182 |--- 190
190 |--- 198
Xi
154
162
170
178
186
194
----
fi
18
25
20
52
30
15
160
Elementos de uma Distribuio de Freqncias:

Classe ou Classe de Freqncia (K): cada subintervalo (linha) na qual dividimos o
fenmeno.
Para determinar o nmero de classes a partir dos dados no tabelados, podemos usar a
Frmula de Sturges, mas deve-se saber que existem outros mtodos de determina o do
nmero de classes em uma tabela de freqncia. O que se deseja fazer apenas comprimir um
conjunto de dados em uma tabela, para facilitar a visualizao e interpretao dos mesmos.
n(K) = 1 + 3.3 log n , onde n no de informaes.
Alm da Regra de Sturges, existem outras frmulas empricas para resolver o problema para determinao
do nmero de classes [n(k)], h quem prefira n ( k) n . Entretanto, a verdade que essas frmulas no
nos levam a uma deciso final; esta vai depender na realidade de um julgamento pessoal, que dever estar
ligado a natureza dos dados, procurando, sempre que possvel, evitar classes com freqncias nulas ou
freqncias relativas exageradamente grandes.
Limite de Classe (li ou Li): So os valores extremos de cada classe.

li = limite inferior da i-sima classe;
Li = limite superior da i-sima classe;
Amplitude do intervalo de classe (h): a diferena entre dois limites inferiores ou

superiores consecutivos.
h = l n l n 1 ou h = L n L n 1
A amplitude do intervalo de classe deve ser constante em todo a distribuio de freqncias intervalar.
Amplitude total (H): a diferena entre o limite superior da ltima classe e o limite
inferior da 1 classe, ou a diferena entre ltimo e o primeiro elemento de um conjunto de
dados postos em ordem crescente.
H = L n l1
Ponto mdio de classe (X i): a mdia aritmtica simples do limite inferior com o limite
superior de uma mesma classe.
Xi =
li + Li
2
ou a partir do X1 os demais pontos mdios pode ser determinado por:

Xn = Xn1 + h
Quando substituirmos os intervalos de classes pelos pontos mdios (Xi), ter-se- uma distribuio de
freqncia pontual.
Freqncia absoluta (fi): a quantidade de valores em cada classe

n
n = f i = f 1 + f 2 + ... + f n
i =1
Freqncia Acumulada (Fi): o somatrio da freqncia absoluta da i-sima classe com

a freqncia absoluta das classes anteriores, ou a freqncia acumulada da classe anterior.
Fn =
=n
i =1
Freqncia Relativa (fr i): o quociente entre a freqncia absoluta da i-sima classe
com o somatrio das freqncias.
fri =
fi
Obs.:
f
i =1
fr
i=1
=1
Freqncia Relativa Acumulada (Fri): o somatrio da freqncia relativa da i-sima

classe com as freqncias relativas das classes anteriores.
n
Frn = fri = 1
i =1
3 Represen ta o gr fica
Os grficos so uma forma de apresentao visual dos dados. Normalmente, contm
menos informaes que as tabelas, mas so de mais fcil leitura. O tipo de grfico depende da
varivel em questo
3.1 Grficos de Linhas
Usado para ilustrar uma srie temporal.
Produo de Petrleo Bruto no Brasil de 1976 a 1980 (x 1000 m)
11000
10500
10000
Produo
9500
9000
8500
1976
1977
1978
1979
1980
Anos
Fonte: Conjuntura Econmica (Fev. 1983)
3.1.1 Grfico de linhas comparativas

45000
40000
35000
NE
30000
25000
SE
20000
S
CO
15000
10000
5000
0
1940
1950
1960
1970
10
1980
3.2 Grficos de colunas ou barras

Representao grfica da distribuio de freqncias. Este grfico utilizado para
variveis nominais e ordinais.
Caractersticas:
- todas as barras devem ter a mesma largura
- devem existir espaos entre as barras
3.2.1 Grfico de Colunas
Usado para ilustrar qualquer tipo de srie.
42810
50000
40000
Pop.
30000
17568
20000
10000
11878
5115
3037
0
N
NE
SE
CO
Regies
As larguras das barras que devero ser todas iguais podendo ser adotado qualquer dimenso, desde que seja
conveniente e desde que no se superponham. O nmero no topo de cada barra pode ou no omitido, se
forem conservados, a escala vertical pode ser omitida.
3.2.2.1 Grfico de colunas comparativas

a) Colunas Justapostas (grfico comparativo)
45000
40000
35000
30000
25000
20000
15000
10000
5000
0
N
NE
SE
S
CO
1940
1950
1960
1970
11
1980
b) Colunas Sobrepostas (grfico comparativo)

100000
CO
80000
S
60000
SE
40000
N
NE
20000
0
1940
1950
1960
1970
1980
3.2.2 Grfico de Barras

As regras usadas para o grfico de barras so igua is as usadas para o grfico de colunas.
CO
5115
11878
Regies SE
42810
NE
17568
3037
0
10000 20000 30000 40000 50000

Populao
Assim como os grficos de Colunas podem ser construdos grficos de barras comparativas.
3.3 Grficos circulares ou de Setores (Pie Charts)
Representao grfica da freqncia relativa (percentagem) de cada categoria da
varivel. Este grfico utilizado para variveis nominais e ordinais. uma opo ao grfico de
barras quando se pretende dar nfase comparao das percentagens de cada categoria. A
construo do grfico de setores segue uma regra de 3 simples, onde as freqncias de cada
classe correspondem ao ngulo que se deseja representar em relao a freqncia total que
representa o total de 360.
12
Caractersticas:
- A rea do grfico equivale totalidade de casos (360o = 100%);
- Cada fatia representa a percentagem de cada categoria
Populao Urbana e Rural do Brasil em 1980 (x 1000)
32%
Urbana
Rural
68%
3.4 Grfico Pictorial - Pictograma

Tem por objetivo despertar a ateno do pblico em geral, muito desses grficos
apresentam grande dose de originalidade e de habilidade na arte de apresentao dos dados.
Evoluo da matricula no Ensino Superior no Brasil de 1968 a 1994 (x 1000)
1500
1250
1000
750
500
250
0
1968
1974
1980
1986
1990
1994
Fonte: Grandes nmeros da educao brasileira maro de 1996
13
3.4.1 Exemplos de pictogramas

Evoluo da frota nacional de carros lcool de 1979 1987
3.631.647
1987
2.473.581
1985
1.277.107
1983
9.645
1979
Os mtodos mais eficientes para deixar de fumar segundo 30.000 fumantes

entrevistados no Canad
Goma de mascar com nicotina

mais sesses de apoio psicolgico
36%
Internamento em hospital
e uso de drogas relaxantes
Acumpuntura
Hipnose
Injeo de Clonidina, droga que
reduz os efeitos da abstinncia
30%
27%
19,5%
18,5%
Devastao Selvagem: extrao de madeiras no Brasil
Pinus
6,8%
Eucalipto
24,4%
Madeira
nativa
68,8%
14
3.5 Grfico Polar

o tipo de grfico ideal para representar sries temporais cclicas, ou seja, toda a srie
que apresenta uma determinada periodicidade.
4.5.1 Como construir um grfico polar
1) Traa-se uma circunferncia de raio arbitrrio (preferencialmente, a um raio de
comprimento proporcional a mdia dos valores da srie);
2) Constri-se uma semi-reta (de preferncia horizontal) partindo do ponto 0 (plo) e
com uma escala (eixo polar);
3) Divide-se a circunferncia em tantos arcos forem as unidades temporais;
4) Traa -se semi-retas a partir do ponto 0 (plo) passando pelos pontos de diviso;
5) Marca-se os valores correspondentes da varivel, iniciando pela semi-reta horizontal
(eixo polar);
6) Ligam-se os pontos encontrados com segmentos de reta;
7) Para fechar o polgono obtido, emprega-se uma linha interrompida.
Precipitao pluviomtrica do municpio de Santa
Maria RS- 1999
Precipitao pluviomtrica do municpio de Santa

Maria RS- 1999
Meses
Precipitao (mm)
Janeiro
174,8
Fevereiro
36,9
Maro
83,9
Abril
462,7
Maio
418,1
Junho
418,4
Julho
538,7
Agosto
323,8
Setembro
39,7
Outubro
66,1
Novembro
83,3
Dezembro
201,2
Fonte: Base Area de Santa Maria
Fonte: Base Area de Santa Maria
Mdia = 237,31 mm
15
3.6 Cartograma
a representao de uma carta geogrfica. Este tipo de grfico empregado quando o
objetivo o de figurar os dados estatsticos diretamente relacionados com as reas geogrficas
ou polticas
Dados absolutos (populao) usa-se pontos proporcionais aos dados.
Dados relativos (densidade) usa-se hachaduras.
Exemplo:
Populao da Regio Sul do Brasil - 1990
Estado
Paran
Santa Catarina
Rio Grande do Sul
Fonte: IBGE
Populao (hab.)
9.137.700
4.461.400
9.163.200
rea (m 2)
199.324
95.318
280.674
Densidade
45,8
46,8
32,6
Densidade populacional da Regio Sul do Brasil 1990
Populao da Regio Sul do Brasil 1990
Fonte: IBGE
Fonte: IBGE
16
3.7 Grficos utilizados para a anlise de uma distribuio de freqncia

3.7.1 Histograma
3.7.2 Polgono de Freqncias

17
3.6.3 Ogivas
Altura em centmetros de 160 alunos do Curso de Administrao da UFSM 1990
Ogiva Crescente
Ogiva Decrescente
3.7.4 Grfico em segmentos de reta vertical

utilizado para representar uma distribuio de freqncia pontual, onde os
segmentos de reta so proporcionais s respectivas freqncias absolutas.
3.7.5 Como se interpreta um histograma?

A representao grfica da distribuio da varivel, por histogramas. Este grfico
utilizado para variveis contnuas.
Caractersticas:
- Cada barra representa a freqncia do intervalo respectivo;
- Os intervalos devem ter a mesma amplitude;
- As barras devem estar todas juntas.
18
A simples observao da forma do

histograma permite algumas concluses.
Veja a figura 4.1. A medida dos dados est
no centro do desenho. As freqncias mais
altas tambm esto no centro da figura.
Nos processos industriais, esta a forma
desejvel.
Figura 4.1 Histograma

60
50
40
30
20
10
0
A figura 4.2 apresenta um

histograma com assimetria positiva. A
mdia dos dados est localizada esquerda
do centro da figura e a cauda direita
alongada. Esta ocorre quando o limite
inferior controlado ou quando no
podem ocorrer valores abaixo de
determinado limite.
Figura 4.2 Histograma com assimetria

positiva
60
50
40
30
20
10
0
A figura 4.3 apresenta um

histograma com assimetria negativa. A
mdia dos dados est localizada direita do
centro da figura e a cauda esquerda
alongada. Esta forma ocorre quando o
limite superior controlado ou quando no
podem ocorrer valores acima de certo
limite
Figura 4.3 Histograma com assimetria

negativa
60
50
40
30
20
10
0
19
Figura 4.4 Histograma em plateau

A figura 4.4 mostra um histograma
em plateau, Isto , com exceo das
primeiras e das ltimas classes, todas as
outras tm freqncias quase iguais. Essa
forma ocorre quando se misturam vrias
distribuies com diferentes mdias.
60
50
40
30
20
10
0
A figura 4.5 mostra um histograma

com dois picos, ou duas modas. As
freqncias so baixas no centro da figura,
mas existem dois picos fora do centro. Esta
forma ocorre quando duas distribuies
com mdias bem diferentes se misturam.
Podem estar misturados, por exemplo, os
produtos de dois turnos de trabalho.
Figura 4.5 Histograma com dois

picos
60
50
40
30
20
10
0
Os histogramas tambm mostram o grau de disperso da varivel. Veja a figura 4.6. O

histograma esquerda mostra pouca disperso, mas o histograma direita mostra grande
disperso.
Figura 4.6 Histogramas com disperses diferentes
Freqncia
60
50
40
30
20
10
0
Freqncia
60
50
40
30
20
10
0
20
3.7.6 Curva de freqncia curva polida

Como, em geral, os dados coletados pertencem a uma amostra extrada de uma
populao, pode-se imaginar as amostras tornando-se cada vez mais amplas e a amplitude das
classes ficando cada vez menor, o que nos permite concluir que o contorno do polgono de
freqncias tende a se transformar numa curva (curva de freqncia), mostrando, de modo
mais evidente, a verdadeira natureza da distribuio da populao.
Pode-se dizer, ento, que, enquanto que o polgono de freqncia nos d a imagem
real do fenmeno estudado, a curva de freqncia nos d a imagem tendenciosa.
Assim, aps o traado de um polgono de freqncia, desejvel, muitas vezes, que se
faa um polimento, de modo a mostrar o que seria tal polgono com um nmero maior de
dados.
Esse procedimento claro, no nos dar certeza absoluta que a curva polida seja tal
qual a curva resultante de um grande nmero de dados. Porm, pode-se afirmar que ela
assemelha-se mais a curva de freqncia que o polgono de freqncia obtido de uma amostra
limitada.
O polimento, geometricamente, corresponde eliminao dos vrtices da linha
poligonal. Consegue-se isso com a seguinte frmula:
f ant. + 2f i + f post.
fc i =
4
onde:
fc i = freqncia calculada da classe considerada;
fi = freqncia absoluta da classe i;
fant. = freqncia absoluta da classe anterior a i;
fpost. = freqncia absoluta da classe posterior a i;
Quando for em fazer o uso da curva polida convm mostrar as freqncias absolutas, por meio de
um pequeno circulo, de modo que qualquer interessado possa julgar se esse ponto se o ponto
um dado original ou um dado polido.
Altura em centmetros de 40 alunas do Curso de Enfermagem da UFSM - 1996
150
154
158
162
166
170
Altura (cm)
|--|--|--|--|--|--
154
158
162
166
170
174
Xi
152
156
160
164
168
172
----
fi
4
9
11
8
5
3
40
21
fci
(0+ 2 x 4 + 9)/4 = 4,25
(4 + 2 x 9 + 11)/4 = 8,25
(9 + 2 x 11 + 8)/4 = 9,75
(11 + 2 x 8 + 5)/4 = 8,00
(8 + 2 x 5 + 3)/4 = 5,25
(5 + 2 x 3 + 0)/4 = 2,75
---
Altura em centmetros de 40 alunas do Curso de Enfermagem da UFSM - 1996
3.7.7 Curvas em forma de sino

As curvas em forma de sino caracterizam-se pelo fato de apresentarem um valor
mximo na regio central.
Distinguem-se as curvas em forma de sino em: simtrica e assimtrica
a) Curva simtrica
Esta curva caracteriza-se por apresentar o valor mximo no ponto central e os pontos
eqidistantes desse ponto terem a mesma freqncia.
31
b) Curvas assimtricas
Na prtica, no se encontram distribuies perfeitamente simtricas. As distribuies
obtidas de medidas reais so mais ou menos assimtricas, em relao freqncia mxima.
Assim, as curvas correspondentes a tais distribuies apresentam a cauda de um lado da
ordenada mxima mais longa do que o outro. Se a cauda mais longa fica a direita chamada
assimtrica positiva ou enviesada direita, se a cauda se alonga a esquerda, a curva
chamada assimtrica negativa ou enviesada esquerda.
Assimtrica Positiva
Assimtrica Negativa
32
4 Medidas Descritivas
Tem por objetivo descrever um conjunto de dados de forma organizada e compacta
que possibilita a visualizao do conjunto estudado por meio de suas estatsticas, o que no
significa que estes clculos e concluses possam ser levados para a populao.
Podemos classificar as medidas de posio conforme o esquema abaixo:
4.1 Medidas de Posio
Representativas
Separatrizes
Dominantes
Mdias
Mdia Aritmtica
Mdia Geomtrica
Mdia Harmnica
Mediana
Quartis
Decis
Centis ou Percentis
Moda de Czuber
Moda de King
Moda de Pearson
4.1.1 Representativas (Mdias)

So medidas descritivas que tem por finalidade representar um conjunto de dados.
a) Mdia Aritmtica: Amostral ( X ); Populacional ()
Dados No Tabelados
n
X=
33
Xi
i =1
ou =
X
i =1
Dados Tabelados com Valores Ponderados

Mdia Aritmtica Ponderada ( X w ), (onde Wi o peso)
Nota do aluno "X"
1 semestre de 1994 - UFSM
Notas (Xi)
7.8
8.3
8.2
5.8
Xw =
Pesos (Wi)
2
3
2
3
10
X .W
i
i =1
i=1
Fonte: Dados Hipotticos
Distribuio de freqncias
- Mdia Aritmtica ( X )
Altura em centmetros de 160 alunos do
Curso de Administrao da UFSM - 1990
Altura (cm)
Xi
fi
Xi . fi
150
158
166
174
182
190
|--|--|--|--|--|--
158
166
174
182
190
198
154
162
170
178
186
194
----
18
25
20
52
30
15
160
2763,0
4037,5
3390,0
9230,0
5565,0
2917,55
27903
X .f
i
X=
i =1
i=1
Caractersticas da Mdia Aritmtica Simples

1a) A Mdia Aritmtica Simples dever estar entre o menor e o maior valor observado,
Xmin. X Xmax.
2 a) A soma algbrica dos desvios calculados entre os valores observados e a mdia
aritmtica igual a zero; desvios = d = x i
n
i =1
i =1
d = ( x i ) = zero
34
3 a) Somando-se ou subtraindo-se todos os valores (Xi) da srie por uma constante "k"
(k 0), a nova mdia aritmtica ser igual a mdia original somada ou subtrada por
esta constante "k".
xi
yi = x i k
Y =Xk
4 a) Multiplicando-se ou dividindo-se todos os valores (Xi) da srie por uma constante

"k" (k 0), a nova mdia aritmtica ser igual a mdia original multiplicada ou
dividida por esta constante "k".
xi yi = xi k yi = x i k
X Y = X k
Y = X k
b) Mdia Geomtrica: (Xg):

A aplicao da mdia geomtrica deve ser feita, quando os valores do conjunto de dados
considerado se comportam segundo uma progresso geomtrica (P.G.)ou dela se aproximam.
Dados No Tabelados
n
Xg = n
= n X 1.X 2 . ... .X n
i =1
Dados Tabelados
fi
Xg
i =1
fi
fi
i =1
X1 1 .X2 2 . ....Xn n
i=1
Usando um artifcio matemtico, pode-se usar para calcular a mdia geomtrica a

seguinte frmula:
1
n
fi
Xg = 10i=1
( f1. log X1+f2 . logX2 +...+f n. logX n )
35
1
n
f i .logXi
fi i =1
= 10 i=1
c) Mdia Harmnica (Xh)

usada para dados inversamente proporcionais.
Ex.: Velocidade Mdia, Preo de Custo Mdio
4.1.2 Emprego da mdia
1) Deseja-se obter a medida de posio que possui a maior estabilidade;
2) Houver necessidade de um tratamento algbrico ulterior.
Dados No Tabelados
n
n
i =1
1
Xi
n
1
1
1
+
+ ... +
X1
X2
Xn
Dados Tabelados
n
Xh =
i =1
n
i= 1
Deve-se observar esta propriedade entre as mdias
fi
fi
Xi
f 1 + f 2 + .. . + f n
f1
f
f
+ 2 + . .. + n
X1
X2
Xn
X X g Xh
4.1.3 Separatrizes (Mediana, Quartis, Decis e Centis ou Percentis)

So medidas de posio que divide o conjunto de dados em partes proporcionais,
quando os mesmos so ordenados.
a) Dados no tabelados
Antes de determinarmos as separatrizes devemos em primeiro lugar encontrar a posio
da mesma.
- Se o nmero de elementos for par ou mpar, as separatrizes seguem a seguinte ordem:
Posio =
i =1
se for mediana
S = 2
i(n + 1)
S
1 i 3
se for quartis
S=4
36
1 i 9
se for decis
S = 10
1 i 99
se for centis
S = 100
Dados Tabelados
b) Distribuio de freqncias pontual: segue a mesma regra usada para dados
no tabelados
c) Distribuio de freqncias intervalar
S i = l Si
i.n
Fant .h
+
f Si
onde:
Si = Md i = 1;
S i = Q i 1 i 3;
Si = Di 1 i 9 ;
Si = C i ou Pi 1 i 99
l Si
limite inferior da classe que contm a separatriz;
i.n
S
posio da separatriz;
Fant
h
freqncia acumulada da classe anterior a que contm a separatriz;

amplitude do intervalo de classe;
fSi
freqncia absoluta da classe que contm a separatriz;
4.1.4 Emprego da mediana

1) Quando se deseja obter um ponto que divide a distribuio em partes iguais;
2) H valores extremos que afetam de uma maneira acentuada a mdia;
3) A varivel em estudo salrio.
4.1.5 Dominantes - Moda (Mo)

definida como sendo a observao de maior freqncia.
37
a) Dados no tabelados
Ex.: 3
5
1
5
5
4
6
1
5
5
4
7
2
6
6
4
8
2
6
6
5
9
3
7
7
5 6 6 7 8 9
Mo = 4 (unimodal)
10 11 12 13
Mo = / (amodal)
3 3 4 5 5 5
Mo1 = 3 Mo 2 = 5 (bimodal)
7 8 8
Mo = / (amodal)
7 8
Mo1 = 5 Mo2 = 6 Mo3 = 7 (multimodal)
Acima de 3 modas usamos o termo multimodal.

Dados Tabelados
a) Distribuio de freqncias pontual
- Moda Bruta (Mo b): o ponto mdio da classe de maior freqncia
Mo b = X i
b) Distribuio de freqncias intervalar
- Moda de Czuber (Mo c ): O processo para determinar a moda usado por Czuber leva
em considerao as freqncias anteriores e posteriores classe modal.
1
Mo c = lMo +
.h
1 + 2
1 = f Mo f ant
2 = f Mo f pos
onde:
l Mo
fMo
limite inferior da classe modal;
freqncia absoluta da classe modal;

amplitude do intervalo de classe;
fant
freqncia absoluta da classe anterior a classe modal;
fpos
freqncia absoluta da classe posterior a classe modal;
- Moda de King (Mo k ): O processo proposto por King considera a influncia

existente das classes anterior e posterior sobre a classe modal. A inconvenincia deste processo
justamente no levar em considerao a freqncia mxima.
f pos
Mo k = l Mo +
f +f
ant
pos
38
.h
- Moda de Pearson (Mo p): O processo usado por Pearson pressupe que a
distribuio seja aproximadamente simtrica, na qual a mdia aritmtica e a mediana so
levadas em considerao.
Mop = 3 Md - 2 X
Um distribuio considerada simtrica quando X Md Mo .

4.1.6 Emprego da moda
1) Quando se deseja obter uma medida rpida e aproximada de posio;
2) Quando a medida de posio deve ser o valor mais tpico da distribuio.
4.1.7 Posio relativa da mdia, mediana e moda
Quando uma distribuio simtrica, as trs medidas coincidem. Porm, a assimetria
torna -as diferentes e essa diferena tanto maior quanto maior a assimetria. Assim, em uma
distribuio temos:
x = Md = Mo curva simtrica
x < Md < Mo curva assimtrica negativa

Mo < Md < x curva assimtrica positiva
x = Md = Mo
M od a
M e d ian a
M di a
Mo
Md x
x Md
39
Mo
4.1.8 Exerccios
Para os dados abaixo calcule: Md; Q1; Q3 ; D 3; C70
1)
3
10
12
13
15
17
18
21
11
13
14
17
18
19
22
25
2)
Alturas dos alunos da Turma X
no 1o sem. de 1994 - UFSM
Alturas
fi
3)
63
15
75
25
84
30
91
20
90

Alturas dos alunos da Turma Y
no 1 o sem. de 1994 UFSM
Alturas
fi
Fi
61 |--65
12
12
65 |--69
23
35
69 |--73
34
69
73 |--77
26
95
77 |--81
15
110
110 110
4.2 Medidas de Variabilidade ou Disperso

Visam descrever os dados no sentido de informar o grau de disperso ou afastamento
dos valores observados em torno de um valor central representativo chamado mdia. Informa
se um conjunto de dados homogneo (pouca variabilidade) ou heterogneo (muita
variabilidade).
As medidas de disperso podem ser:
Absoluta
- Desvio extremo - amplitude

- Desvio Mdio
- Desvio Padro
- Desvio quadrtico - Varincia
40
Para estudarmos as medidas de variabilidade para dados no tabelados usaremos um

exemplo prtico. Supomos que uma empresa esteja querendo contratar um funcionrio, e no
final da concorrncia sobraram dois candidatos para uma nica vaga. Ento foi dado 4 tarefas
para cada um, onde as mesmas tiveram como registro o tempo (em minutos) de execuo.
TAREFAS
OPERRIO 1 (TEMPO)
OPERRIO 2 (TEMPO
1
55
30
2
45
70
3
52
40
4
48
60
- Anlise Grfica
- Medidas de disperso Absoluta:

- Desvio Extremo ou Amplitude de Variao (H): a diferena entre o maior e o
menor valor de um conjunto de dados
H = Xmax Xmin
- Desvio Mdio (d ): Em virtude do (X i X ) = 0 , usamos para calcular o desvio

n
i =1
mdio
X X = 0 , assim ficando:
i =1
Para dados no tabelados

n
d=
X
i =1
X
=
X 1 X + X2 X +... + X n X
n
Para dados tabelados
41
(f
n
d =
Xi X
i =1
f
i =1
f1 X 1 X + f 2 X 2 X + ... + f n X n X
n
i=1
- Desvio Quadrtico ou Varincia : S 2 (amostra) ou 2 (populao)

Para dados no tabelados:
(X
n
2=
i =1
(X
n
S2 =
X)
X)
i =1
n 1
(X
X ) + ( X 2 X ) + ... + ( X n X )
n
(X
X ) + (X 2 X ) + ... + (X n X )
n 1
f (X
X)
2 =
i =1
f
i =1
f (X
n
S2 =
i =1
i =1
X)
f1 (X 1 X ) + f 2 ( X 2 X ) + ... + f n ( X n X )
2
f1 ( X 1 X ) + f 2 (X 2 X ) + ... + f n (X n X )
2
i =1
i=1
42
- Desvio Padro: S (amostra) ou (populao)

Para dados no tabelados:
(X
n
i =1
X)
(X
n
S=
i =1
X)
(X
X ) + (X 2 X ) + ... + (X n X )
n
(X
X ) + ( X 2 X ) + ... + ( X n X )
n 1
n 1
f (X
n
X)
i =1
f 1 (X 1 X ) + f 2 (X 2 X ) + ... + f n ( X n X )
2
S=
i =1
f
i =1
i =1
X)
i =1
f (X
f1 ( X 1 X ) + f 2 ( X 2 X ) + ... + f n ( X n X )
2
i =1
(n - 1) usado como um fator de correo, onde devemos considerar a varincia amostral como uma
estimativa da varincia populacional.
- Propriedades da Varincia
1) Somando-se ou subtraindo-se uma constante k a cada valor observado a varincia no ser alterada;
2) Multiplicando-se ou dividindo-se por uma constante k cada valor observado a varincia ficar
multiplicada ou dividida pelo quadrado dessa constante.
Outra forma de calcular o desvio padro

O desvio padro mede bem a disperso de um conjunto de dados, mas difcil de
calcular. Ento, voc pode obter o desvio padro atravs da seguinte relao:
R
d2
onde R a amplitude e o valor de d2 , que depende do tamanho da amostra, encontrado na

tabela a seguir. Este mtodo de calcular o desvio padro fornece boas estimativas para
amostras de pequeno tamanho (n=4, 5 ou 6), mas perde a eficincia se n>10. De qualquer
43
forma, essa relao entre a amplitude e o desvio padro de uma amostra que permite fazer
grficos de controle X R .
TABELA 1: - Fatores para construir um grfico de controle
n
2
3
4
5
6
7
8
9
10
d2
1,128 1,693 2,059 2,326
2,534 2,704 2,847 2,970
3,078
n
15
16
17
18
19
20
21
22
234
d2
0,347 3,532 3,532 3,640
3,689 3,735 3,778 3,819
3,858
Fonte: Montgomery, D.C. Statical Quality Control. Nova York, Wyley. 1991.
11
12
3,173 3,258
24
25
3,391 3,391
13
3,336
-----
14
3,407
-----
4.3 Medidas de Disperso Relativa
Relativa
- Varincia relativa
- Coeficiente de Variao (Pearson)
a medida de variabilidade que em geral expressa em porcentagem, e tem por funo

determinar o grau de concentrao dos dados em torno da mdia, geralmente utilizada para se
fazer a comparao entre dois conjuntos de dados em termos percentuais, esta comparao
revelar o quanto os dados esto prximos ou distantes da mdia do conjunto de dados.
- Varincia Relativa
V. R .=
2
S2
ou
2
X2
- Coeficiente de Variao de Pearson

C.V. =
S
ou x 100
C.V. 50% a mdia representativa
C.V. 0 a maior representatividade da mdia (S = 0)
4.4 Momentos, assimetria e curtose

As medidas de assimetria e curtose complementam as medidas de posio e de
disperso no sentido de proporcionar uma descrio e compreenso mais completa das
distribuies de freqncias. Estas distribuies no diferem apenas quanto ao valor mdio e
variabilidade, mas tambm quanto a sua forma (assimetria e curtose).
44
Para estudar as medidas de assimetria e curtose, necessrio o conhecimento de certas

quantidades, conhecidas como momentos.
4.4.1 Momentos
So medidas descritivas de carter mais geral e do origem s demais medidas
descritivas, como as de tendncia central, disperso, assimetria e curtose. Conforme a potncia
considerada tem-se a ordem ou o grau do momento calculado.
- Momentos simples ou centrados na origem (mr)
O momento simples de ordem r definido como:
mr
mr
X
=
r
i
X f
=
f
r
i
para dados no tabelados;
para dados tabelados.
onde:
r um nmero inteiro positivo;
m0 = 1;
m1 = mdia aritmtica.
- Momentos centrados na mdia (Mr)
O momento de ordem r centrado na mdia, definido como:
Mr
Mr
(X
=
X)
(X X)
=
f
i
fi
d
n
r
i
, para dados no-tabelados
d
n
onde: M0 = 1;
M1 = 0;
M2 = varincia (s2).
45
r
i
fi
, para dados tabelados
- Momentos abstratos (r)

So definidos da seguinte forma:
r =
onde: s = desvio padro.
Mr
sr
4.4.2 Assimetria
Uma distribuio de valores sempre poder ser representada por uma curva (grfico).
Essa curva, conforme a distribuio, pode apresentar vrias formas. Se considerarmos o valor
da moda da distribuio como ponto de referncia, vemos que esse ponto sempre corresponde
ao valor de ordenada mxima, dando-nos o ponto mais alto da curva representativa da
distribuio considerada, logo a curva ser analisada quanto sua assimetria.
- Distribuio Simtrica: aquela que apresenta a X Mo Md e os quartis Q1 e Q3
eqidistantes do Q2 .
X Mo Md
- Distribuio Assimtrica
Assimtrica Positiva
Assimtrica Negativa
Mo < Md < X
X < Md < Mo
Podemos medir a assimetria de uma distribuio, calculando os coeficientes de

assimetria. Sendo o mais utilizado o Coeficiente de Assimetria de Pearson.
X Mo
As =
S
- Se As < 0 a distribuio ser Assimtrica Negativa ;
- Se As > 0 a distribuio ser Assimtrica Positiva;
- Se As = 0 a distribuio ser Simtrica.
46
Quando no tivermos condies de calcularmos o desvio padro podemos usar a

seguinte frmula:
As =
Q 3 + Q 1 2 Md
Q 3 Q1
- Coeficiente momento de assimetria ( 3): o terceiro momento abstrato.
3 =
M3
s3
O campo de variao do coeficiente de assimetria : -1 3 +1

- Intensidade da assimetria:
|3 | < 0,2
simetria;
0,2 < | 3| < 1,0
assimetria fraca;
|3| > 1,0
assimetria forte.
4.4.3 Curtose
J apreciamos as medidas de tendncia central, de disperso e de assimetria. Falta
somente examinarmos mais uma das medidas de uso comum em Estatstica, para se
positivarem as caracterst icas de uma distribuio de valores: so as chamadas Medidas de
Curtose ou de Achatamento, que nos mostra at que ponto a curva representativa de uma
distribuio a mais aguda ou a mais achatada do que uma curva normal, de altura mdia.
- Curva Mesocrtica (Normal): considerada a curva padro.
- Curva Leptocrtica: uma curva mais alta do que a normal. Apresenta o topo
relativamente alto, significando que os valores se acham mais agrupados em torno da moda.
- Curva Platicrtica: uma curva mais baixa do que a normal. Apresenta o topo
achatado, significando que vrias classes apresentam freqncias quase iguais.
47
- Coeficiente de Curtose
K=
Q 3 Q1
2( P90 P10 )
- Se K > 0.263 a distribuio ser Platicrtica.

- Se K = 0.263 a distribuio ser Mesocrtica;
- Se K < 0.263 a distribuio ser Leptocrtica;
Coeficiente momento de curtose ( 4 ): Corresponde ao momento abstrato de quarta ordem.
M
4 = 44
s
onde: M4 = momento centrado de quarta ordem.
Interpretao:
- Se 4 < 3 curva Platicrtica;
- Se 4 = 3 curva Mesocrtica;
- Se 4 > 3 curva Leptocrtica.
4.5 Exerccios
Para os exerccios abaixo construa uma tabela de disperso o suficiente para determinar
as medidas de posio (mdia aritmtica, mediana e moda de czuber), disperso (desvio padro
e varincia, coeficiente de variao de Pearson), assimetria (coeficiente de assimetria, e
coeficiente de curtose). Faa um relatrio referente ao comportamento dos dados em funo
dos resultados obtidos.
1) De um exame final de Estatstica, aplicado a 50 alunos da Universidade
Luterana,Ano 1999 resultaram as seguintes notas:
4,0
5,3
6,6
8,0
9,3
4,2
5,3
6,7
8,3
9,4
4,3
5,5
6,8
8,5
9,4
4,4
5,7
6,9
8,6
9,5
4,5
5,8
7,0
8,8
9,5
4,5
6,0
7,2
8,9
9,6
48
4,6
6,1
7,5
9,0
9,7
5,0
6,3
7,6
9,1
9,8
5,1
6,4
7,7
9,2
9,9
5,2
6,5
7,9
9,3
10,0
2) Os dados a seguir refere-se a altura em centmetros de 70 alunos da PUCC, turma 6,

ano 2000.
153
162
168
172
179
188
193
154
162
168
173
179
188
194
155
163
169
173
180
189
194
156
163
169
174
182
189
195
158
164
170
174
183
190
197
160
164
170
175
184
191
197
160
165
170
175
185
192
199
161
166
171
176
186
192
200
161
167
171
177
186
192
201
161
167
172
178
187
192
205
3) Os dados a seguir referem-se aos salrios anuais pagos em dlares a 60 funcionrios

da Empresa PETA S.A. em 1997.
50,00
58,50
66,00
77,00
90,00
100,10
52,50
59,00
66,25
78,00
91,35
100,20
53,50
60,30
67,50
80,00
92,10
101,00
54,00
61,50
68,00
81,50
93,20
102,00
54,20
62,00
68,70
82,50
94,00
103,40
55,50
62,90
69,50
83,50
95,25
104,30
49
56,30
63,50
70,00
85,00
96,00
105,00
56,50
64,00
72,00
87,30
97,00
107,00
57,00
64,30
75,00
88,00
98,00
108,00
58,10
65,00
76,50
89,10
99,80
109,10
5 P roba bilid ad e e Va ri veis Aleatria s

5.1 Modelos Matemticos
Podem-se destinguir dois tipos de modelos matemticos:
6.1.1 Modelos Determinsticos
Refere -se a um modelo que estipule que as condies sob as quais um experimento
seja executado determinem o resultado do experimento. O modelo determinstico requer o uso
de parmetros pr-determinados em equaes que definem processos precisos.
Em outras palavras, um modelo determinstico emprega "Consideraes Fsicas" para
prever resultados.
6.1.2 Modelos No Determinsticos ou Probabilsticos
So aqueles que informam com que chance ou probabilidade os acontecimentos
podem ocorrer. Determina o "grau de credibilidade" dos acontecimentos. (Modelos
Estocsticos).
Em outras palavras, um modelo probabilstico emprega uma mesma espcie de
consideraes para especificar uma distribuio de probabilidade.
5.2 Conceitos em Probabilidade

Os conceitos fundamentais em probabilidade so experimentos aleatrios, espao
amostral e eventos.
5.2.1 Experimento aleatrio ( )
Qualquer processo aleatrio, capaz de produzir observaes, os resultados surgem ao
acaso, podendo admitir repeties no futuro. Um experimento aleatrio apresenta as seguintes
caractersticas:
a - os resultados podem repetir-se n vezes ( n ) ;
50
b - embora no se possa prever que resultados ocorrero, pode-se descrever o

conjunto de resultados possveis;
c - a medida que se aumenta o nmero de repeties, aparece uma certa regularidade
nos resultados.
5.2.2 Espao Amostral (S)
o conjunto de resultados possveis, de um experimento aleatrio. Quanto ao
nmero de elementos pode ser:
5.2.2.1 Finito
Nmero limitado de elementos;
Ex.: S = {1, 2, 3, 4, 5, 6}
5.2.2.2 Infinito
Nmero ilimitado de elementos, pode ser sub-dividido em:
a - Enumervel
Quando os possveis resultados puderem ser postos em concordncia biunvoca com
o conjunto dos nmeros naturais (N) (caso das variveis aleatrias discretas).
Ex.: N
b - No Enumervel
Quando os possveis resultados no puderem ser postos em concordncia biunvoca
com o conjunto dos nmeros naturais (caso das variveis aleatrias contnuas).
Ex.: R
5.2.3 Evento (E)
Um evento (E) qualquer subconjunto de um espao amostral (S).
Pode-se ter operaes entre eventos da mesma forma que com conjuntos, como
mostra a seguir.
5.2.4 Operaes com Eventos
5.2.4.1 A unio B
Smbolo utilizado "U ", o evento que ocorrer se, e somente se, A ou B ou ambos
ocorrerem;
51
FIGURA 6.1 - Evento A unio B

5.2.4.2 A interseo B
Smbolo utilizado "I ", o evento que ocorrer se, e somente se, A e B ocorrem
simultaneamente.
FIGURA 6.2 - Evento A interseo B

5.2.4.3 Complementar de A
_
Simbologia " A ", o evento que ocorrer se, e somente se A no ocorrer.
A
_
FIGURA 6.3 - Evento complementar de A (A )
52
5.2.5 Tipos de eventos

5.2.5.1 Eventos Mutuamente Excludentes
So ditos eventos mutuamente excludentes, quando a ocorrncia de um implica ou
no ocorrncia de outro, isto , no pode ocorrer juntos, e conseqentemente, A I B o
conjunto vazio ().
FIGURA 6.4 - Eventos mutuamente excludentes

5.2.5.2 Eventos No Excludentes ou Quaisquer
So ditos eventos no excludentes quando a ocorrncia de um implica na ocorrncia
do outro, isto , so aqueles que ocorrem ao mesmo tempo, A I B .
FIGURA 6.5 - Evento no excludentes

5.2.5.3 Eventos Independentes
So aqueles cuja ocorrncia de um evento, no possui efeito algum na probabilidade
de ocorrncia do outro.
53
A I B , se A e B forem Quaisquer;
A I B = , se A e B forem Mutuamente Excludentes.

logo,
P (A I B) = P( A ) . P(B)
Ex.: A e B eventos Quaisquer
S = { 1, 2, 3, 4 }
A = {1, 2 }
B = { 2, 4 }
A I B = { 2}
P(A I B ) = P( A ) . P(B)
P (A ) =
2
4
P( B) =
2
4
P(A I B ) =
1
4
5.2.5.4 Eventos Dependentes ou Condicionados

Existem varias situaes onde a ocorrncia de um evento pode influenciar fortemente
na ocorrncia de outro.
Assim, se (A) e (B) so eventos, deseja-se definir uma quantidade denominada
probabilidade condicional do evento (A) dado que o evento (B) ocorre, ou sob a forma
simblica P A .
B
Assim, d-se a seguinte definio:
( )
I B)
( B) = P(AP(B)
PA
( )
onde P(B) > 0. Se P(B) = 0, tem-se que P A B no definida.

5.2.5.5 Eventos Coletivamente Exaustivos
So aqueles que ocorrem se nenhum outro ocorrer.
54
AI BICID =
FIGURA 6.6 - Evento coletivamente exaustivos
5.3 Conceitos de Probabilidade

5.3.1 Conceito Emprico de Probabilidade
O problema fundamental da probabilidade consiste em atribuir um nmero a cada
evento (E), o qual avaliar quo possvel ser a ocorrncia de "E", quando o experimento for
realizado.
Uma possvel maneira de tratar a questo seria determinar a freqncia relativa do
evento E (fr(E)),
f r ( E) =
nmero de ocorrncias do evento (E)

.
nmero de repeties do experimento ( )
Surgem, no entanto, dois problemas:

a - Qual deve ser o nmero de repeties do experimento ();
b - A sorte ou habilidade do experimentador poder influir nos resultados, de forma
tal que a probabilidade definida como sendo:
P(E) = lim n fr (E) ,

onde "n" o nmero de repeties do experimento .
5.3.2 Definio Clssica ou Enfoque "A priori" de Probabilidade
Se existe "a" resultados possveis favorveis a ocorrncia de um evento "E" e "b"
resultados possveis no favorveis, sendo os mesmos mutuamente excludentes, ento:
55
P(E) =
a
,
a+b
onde os resultados devem ser verossmeis (possvel e verdadeiro) e permite a observao dos
valores da probabilidade antes de ser observado qualquer amostra do evento (E).
5.3.3 Definio Axiomtica
Seja () um experimento, seja (S) um espao amostral associado a (). A cada evento
(E) associa-se um nmero real representado por P(E) e denominaremos de probabilidade de E,
satisfazendo as seguintes propriedades:
a - 0 P(E) 1;
b - P(S) = 1;
c - Se A e B so eventos mutuamente excludentes, ento:
P(A U B) = P(A) + P(B).
d - Se A1, A 2, ..., An so eventos mutuamente excludentes dois a dois, ento:
P(A1 U A 2 U ... U An ) = P(A1) + P(A2) + ... +P(An)
ou
n
P( U A i ) =
i=1
P(A ) .
i
i=1
As propriedades anteriores so conhecidas como axiomas da teoria da probabilidade.

Os axiomas, muitas vezes, se inspiram em resultados experimentais e que, assim, definem a
probabilidade de forma que possa ser confirmada experimentalmente.
5.3.4 Teoremas Fundamentais
Teorema 1 - Se for evento vazio, ento P() = 0.
Prova: Seja um evento A = . Assim, A = A U , como A I = , de acordo com o item
(3.2.3.4), A e so mutuamente excludentes, ento:
P(A) = P(A U )
P(A) = P(A) + P()
56
P() = P(A) - P(A)

P() = 0.
_
Teorema 2 - Se o evento A for o evento complementar de A, ento P(A )=1-P(A).

_
Prova: A U A = S, mas A e A so mutuamente excludentes, ento:

_
P(A U A ) = P(S)
_
P(A U A ) = P(A) + P( A )
_
P(A) + P( A ) = 1
logo,
_
P(A ) = 1 - P(A).
Teorema 3 - Se A e B so eventos quaisquer, ento:
P(A U B) = P(A) + P(B) - P(A I B)
Prova: Para provar o Teorema 3 devemos transformar A U B em eventos mutuamente
excludentes, conforme a FIGURA 6.
FIGURA 6 - Decomposio de eventos quaisquer em mutuamente excludentes

Tem-se ento que:
_
(A U B) = A U (B I A )
57
e
_
B = (A I B) U (B I A )
logo pela propriedade (c) temos:
_
P(A U B) = P[A U (B I A )]
_
( -)
P(A U B) = P(A) + P(B I A )

e
_
P(B) = P[(A I B) U (B I A )]
_
P(B) = P(A I B) + P(B I A )

ou
_
( --)
P(B I A ) = P(B) - P(A I B)

substituindo-se a equao (- ) na equao (--) tem-se:
P(A U B) = P(A) + P(B) - P(A I B).
Decorrncias do Teorema 3:
Sejam A, B e C eventos quaisquer:
P(A U B U C) = P[(A U B) U C]
P(A U B U C) = P(A U B) + P(C) - P[(A U B) I C]
P(A U B U C) = P(A) + P(B) + P(C) - P(A I B) - P[(AI C) U (BI C)]
P(A U B U C) = P(A) + P(B) + P(C) - P(AI B) - [P(AI C) + P(BI C) - P(AI B I C)]

P(A U B U C) = P(A) + P(B) + P(C) - P(AI B) - P(AI C) - P(BI C) + P(AI B I C)
Sejam A1 , A2 , ..., A n eventos quaisquer:
58
P(A 1 U A 2 U... U A n ) = P(A i )

i =1
P(A i I A j ) +
i < j =2
P(A I A
i < j <k <l = 4
P(A I A
i < j< k = 3
IAk ) +
I A k I A l ) + ... + ( 1) n 1 P(A1 I A 2 I... I A n ).
RESUMO
Mutuamente Excludente s P(A U B) = P(A) + P(B)
U
AIB =
+ (OU) Quaisquer P(A U B) = P(A) + P(B) - P(A I B)
A IB
Independentes P(A I B) = P(A) x P(B)
I
AIB
x (E) Dependente s P(A I B) = P(A) x P(B/A)
59
5.4 Exerccios
1) A probabilidade de 3 jogadores marcarem um penalti respectivamente: 2/3; 4/5;
7/10 cobrando uma nica vez.
a) todos acertarem. (28/75)
b) apenas um acertar. (1/6)
c) todos errarem. (1/50)
2) Numa bolsa com 5 moedas de 1,00 e 10 moedas de 0,50. Qual a probabilidade de ao
retirarmos 2 moedas obter a soma 1,50. (10/21)
3) Uma urna contm 5 bolas pretas, 3 vermelhas e 2 brancas. Trs bolas so retiradas.
Qual a probabilidade de retirar 2 pretas e 1 vermelha ?
a) sem reposio (1/4)
b) com reposio (9/40)
4 ) Numa classe h 10 homens e 20 mulheres, metade dos homens e metade das
mulheres possuem olhos castanhos. Ache a probabilidade de uma pessoa escolhida ao
acaso ser homem ou ter olhos castanhos. (2/3)
5) A probabilidade de um homem estar vivo daqui a 20 anos de 0.4 e de sua mulher
de 0.6 . Qual a probabilidade de que:
a) ambos estejam vivos no perodo ? (0.24)
b) somente o homem estar vivo ? (0.16)
c) ao menos a mulher estar viva ? (0.6)
d) somente a mulher estar viva? (0.36)
6) Faa o exerccio anterior considerando 0,5 a chance do homem estar vivo e 0,2 a
chance da mulher estar viva e compara os resultados.
7) Uma urna contm 5 fichas vermelhas e 4 brancas. Extraem-se sucessivamente duas
ficha, sem reposio e constatou-se que a 1 branca.
a) qual a probabilidade da segunda tambm ser branca ? (3/8)
b) qual a probabilidade da 2 ser vermelha ? (5/8)
8) Numa cidade 40 % da populao possui cabelos castanhos, 25% olhos castanhos e
15% olhos e cabelos castanhos. Uma pessoa selecionada aleatoriamente.
a) se ela tiver olhos castanhos, qual a probabilidade de tambm ter cabelos castanhos?
b) se ela tiver cabelos castanhos, qual a probabilidade de ter olhos castanhos ? (3/5)
(3/8)
60
9) Um conjunto de 80 pessoas tem as caractersticas abaixo:

MASCULINO
FEMININO
TOTAL
BRASILEIRO
18
20
38
ARGENTINO
12
05
17
URUGUAIO
10
15
25
TOTAL
40
40
80
Se retirarmos uma pessoa ao acaso, qual a probabilidade de que ela seja:

a) brasileira ou uruguaia. (63/80)
b) do sexo masculino ou tenha nascido na argentina. (9/16)
c) brasileiro do sexo masculino. (18/80)
d) uruguaio do sexo feminino. (15/80)
e) ser mulher se for argentino. (5/17)
10) Um grupo de pessoas est assim formado:
Masc.
Femin.
Mdico
21
12
Engenheiro
13
08
Veterinrio
15
17
Escolhendo-se, ao acaso, uma pessoa do grupo, qual a probabilidade de que seja:

a) Uma mulher que fez o curso de medicina ?
b) Uma pessoa que fez o curso de medicina ?
c) Um engenheiro dado que seja homem ?
d) No ser mdico dado que no seja homem ?
11) Num ginsio de esportes, 26% dos frequentadores jogam vlei, 36% jogam basquete
e 12% praticam os dois esportes. Um dos frequentadores sorteado para ganhar uma
medalha. Sabendo-se que ele joga basquete, qual a probabilidade de que tambm
jogue vlei ?
12) A probabilidade de um aluno resolver um determinado problema de 1/5 e a
probabilidade de outro de 5/6. Sabendo que os alunos tentam solucionar o
problema independentemente. Qual a probabilidade do problema ser resolvido :
a) somente pelo primeiro ?
b) ao menos por um dos alunos ?
c) por nenhum ?
61
5.5 Teorema de Bayes

Definio: Seja S um espao amostral e A1, A 2 , ..., Ak , k eventos. Diz-se que
A 1 , A 2 , ..., A k , formam uma partio de S se:
A i , i = 1, 2, ..., k
k
UA
i =1
= S,
Ai I A j = , i j
A1, A2 , A3 , A4 , A5 , ..., Ak formam uma partio de S.

FIGURA 6.7 - Diagrama representativo do Teorema de Bayes
Seja B um evento qualquer de S, onde:
B = (B I A 1 ) U (B I A 2 ) U...U (B I A k )
P(B) = P(A j ).P B , j = 1, 2, ..., k

A
j
j =1
k
( -)
P(B I A i ) = P(A i ).P B ,

Ai
( --)
como
62
P(B I A i )
P A i =
,
B
P(B)
( ---)
substituindo as equaes (- ) e (--) na equao (--- ) temos:

P(A i ).P B
A
Ai
P i = k
, j = 1, 2, ..., k .
B
B
P(A j ).P
Aj
j =1
Exemplo:
U1
U2
U3
Azul
Branca
Preta
Cores
Urna
Escolhe-se uma urna ao acaso e dela extrai-se uma bola ao acaso, verificando-se que
ela branca. Qual a probabilidade dela ter sado da urna:
U1 ?
U2 ?
U3 ?
2) Temos 2 caixas: na primeira h 3 bolas brancas e 7 pretas e na segunda, 1 branca
e 5 pretas. De uma caixa escolhida aleatoriamente, selecionou-se uma bola e verificou-se que
preta. Qual a probabilidade de que tenha sado da primeira caixa ? segunda caixa ?
5.6 Variveis aleatrias
Ao descrever um espao amostral (S) associado a um experimento () especifica-se
que um resultado individual necessariamente, seja um nmero. Contudo, em muitas situaes
experimentais, estaremos interessado na mensurao de alguma coisa e no seu registro como
um nmero.
Definio: Seja () um experimento aleatrio e seja (S) um espao amostral associado ao
experimento. Uma funo de X, que associe a cada elemento s S um nmero
real x(s), denominada varivel aleatria.
63
FIGURA 1 - Representao de uma varivel aleatria

Uma varivel X ser discreta (V.A.D.) se o nmero de valores de x(s) for finito ou
infinito numervel. Caso encontrarmos x(s) em forma de intervalo ou um conjunto de
intervalos, teremos uma varivel aleatria contnua (V.A.C.).
5.7 Funo de Probabilidade

A probabilidade de que uma varivel aleatria "X" assuma o valor "x" uma funo
de probabilidade, representada por P(X = x) ou P(x).
5.7.1 Funo de Probabilidade de uma V.A.D.
A funo de probabilidade para uma varivel aleatria discreta chamada de funo

de probabilidade no ponto, ou seja, o conjunto de pares (xi; P(xi)), i = 1, 2, ..., n, ..., conforme
mostra a FIGURA 9.
FIGURA 6.1 - Distribuio de probabilidade de uma V.A.D.

64
Para cada possvel resultado de x teremos:

0 P( X) 1;
P(X ) = 1
i =1
5.7.2 Funo de Repartio para V.A.D.

Seja X uma varivel aleatria discreta.
Define-se Funo de Repartio da Varivel aleatria X, no ponto xi , como sendo a
probabilidade de que X assuma um valor menor ou igual a xi, isto :
F(X) = P( X x i )
Propriedades:
1 a)
F(X) =
P( x )
i
xi x
2 a) F() = 0
3 a) F(+ ) = 1
4 a) P(a < x b) = F(b) F(a)
5 a) P(a x b) = F(b) F(a) + P(X = a )

6 a) P( a < x < b) = F(b) F(a ) P( X = b)
F(X ) = F(X o )
7 a) F(X) contnua direita xlim
x0
8 a) F(X) descontnua esquerda, nos pontos em que a probabilidade diferente de
zero.
lim F(X) F(X o ), para P(X = xo ) 0
x x 0
9 a) A funo no decrescente, isto , F(b) F(a) para b > a.

5.6.3 Esperana Matemtica de V.A.D.
Definio: Seja X uma V.A.D., com valores possveis x1, x2, ..., xn,... ; Seja P(xi) =
P(X = xi), i = 1, 2, ..., n, ... . Ento, o valor esperado de X (ou Esperana
Matemtica de X), denotado por E(X) definido como
65
E( X) = xi P(xi )
i =1
se a srie E( X) = xi P(xi ) convergir absolutamente, isto , se

i =1
|x | P(x ) < ,
i =1
este
nmero tambm denominado o valor mdio de X, ou expectncia de X.

5.7.4 Varincia de uma V.A.D.
Definio: Seja X uma V.A.D. . Define-se a varincia de X, denotada por V(X) ou 2x,
da seguinte maneira:
V(X) = ( xi E(X)) .P(x i ) ou V(X) = E(X 2 ) E( X)
i =1
onde E (X 2 ) = x 2i P( xi ) e a raiz quadrada positiva de V(X) denominada o desvio-padro

i =1
de X, e denotado por x.
5.7.5 Funo de Probabilidade de uma V.A.C.
No instante em que X definida sobre um espao amostral contnuo, a funo de
probabilidade ser contnua, onde a curva limitada pela rea em relao ao valores de x ser
igual a 1.
FIGURA 6.2 - Distribuio de probabilidade de uma V.A.C.

Se quisermos calcular a probabilidade de X assumir um valor x entre "a" e "b"
devemos calcular:
b
P(a x b) = f(x) dx
a
66
Pelo fato de que a rea representa probabilidade, e a mesma tem valores numricos
positivos, logo a funo precisa estar inteiramente acima do eixo das abscissas (x).
Definio: A funo f(x) uma Funo Densidade de Probabilidade (f.d.p.) para uma
V.A.C. X, definida nos reais quando
f (x) 0 ;
f(x) dx = 1 ;
b
P(a x b) = f(x) dx .
a
5.7.6 Funo de Repartio para V.A.C.

Seja X uma varivel aleatria contnua.
Define-se Funo de Repartio da Varivel aleatria X, no ponto xi , como sendo:
F(X) =
f ( x) dx
P(a x b) = P(a < x < b) = P(a < x b) = P(a x < b)

5.7.7 Esperana Matemtica de uma V.A.C.
Definio: Seja X uma V.A.C. com f.d.p. f(x). O valor esperado de X definido como
+
E(X) = x.f(x) dx
-
pode acontecer que esta integral imprpria no convirja.

Conseqentemente, diremos que E(X) existir se, e somente se,
finita.
67
| x | f(x) for
5.7.8 Varincia de uma V.A.C.

Definio: Seja X uma V.A.C. de uma funo distribuio de probabilidade (f.d.p.). A
varincia de X :
+
2
x E(X) ) f(x) dx ou V(X) = E(X 2 )
(
V(X) =
E( X)
onde
+
E(X 2 ) = x2 f(x) dx
5.8 Exemplos
- Varivel Aleatria Discreta
Seja X o lanamento de duas moedas e descrever o experimento em funo da
obteno do nmero de caras:
i) determinar a funo de probabilidade e represente graficamente;
ii) construir a funo de repartio e represente graficamente;
iii) Use as propriedades para determinar:
a) P(0 < x < 2); b) P(0 x 1); c) P(0 < x 2); d) F(1); e) F(2)
iv) E(X) e V(X)
i)
Representao grfica
0,6
0,5
0,4
0,3
0,2
0,1
0
0
68
ii)
Representao grfica
F(x) = 0 se x<0
F(X) = 1/4 se 0 x < 1
F(X) = 3/4 se 1 x < 2
F(X) = 1 se x 2
iii)
a) P (0 < x < 2) = F ( 2) F (0) P ( X = 2) = 1
1 1 3
=
4 4 4
b) P(0 x 1) = F(1) F( 0) + P( X = 0) = 4 4 + 4 = 4
3
c) P(0 < x 2) = F( 2) F( 0) = 1 4 = 4
1
d) F(1) = 3/4
e) F(2) = 1
iv) Esperana Matemtica
E( X) = xi P(xi ) = 0 . + 1 . + 2 . = 1
4
4
4
i =1
Varincia
2
E(X 2 ) = x 2i P( xi ) = 0 .
i =1
V(X) = E(X 2 ) E( X)
1 2 2
1 6
+1 .
+ 22 .
=
4
4
4 4
= 4 4 = 4 = 0.5
69
- Varivel Aleatria Contnua

Seja X uma varivel aleatria contnua:
2x, para 0 < x < 1
f (x ) =
0, para qualquer outro valor
i) represente graficamente funo densidade de probabilidade;

ii) determinar a funo de repartio e represente graficamente;
1
3
1
iii) Determine P x e P x < 1
4
4
4
iv) E(X) e V(X)

i)
ii)
para x<0
F(X ) = 0 dx = 0
[ ]
para 0 x < 1 F(X ) = 0 dx + 2x dx = 0 + x 2

para x 1
0
1
x
0
= x2
[ ]
F (X ) = 0 dx + 2x dx + 0 dx = 0 + x 2
70
1
0
+0 =1
Representao grfica
iii)
[ ]
3
8
1
3
1
P x = 14 2 x dx = x2 41 = =
= 0,5
4
4
4
4
16
4
iv) E(X) =
E(X2 ) =
x f(x) dx =
x 2x dx =
x2 f(x) dx =
2 x2 f(x) dx =
x 2 2x dx =
2x 3 f(x) dx =
[ ]
2 31 2
x
=
3
0 3
[ ]
2 41 1
x
=
4
0 2
logo,
V(X) = E(X 2 ) [E(X)] =
2
1 2
9 8
1
=
=
2 3
18
18
5.9 Exerccios
1) Admita que a varivel X tome valore 1, 2 e 3 com probabilidades 1/3, 1/6 e 1/2
respectivamente.
a) Determine sua funo de repartio e represente graficamente.
b) Calcule usando as propriedades:
b.1) a) P(1 < x < 3); b) P(1 x 2); c) P(1 < x 3); d) F(1); e) F(2)
c) E(X) e V(X)
2) No lanamento simultneo de dois dados, considere as seguintes variveis
aleatrias:
71
X = nmero de pontos obtidos no 1o dado.

Y = nmero de pontos obtidos no 2o dado.
a) Construir a distribuio de probabilidade atravs de uma tabela e grfico das
seguinte variveis:
i) W = X - Y
ii) A = 2 Y
iii) Z = X . Y
b) Construir a funo de repartio das Variveis W, A e Z
c) Aplicar as propriedades e determinar:
i) P (-3 < W 3)
ii) P (0 W 4)
iii) P (A > 6)
iv) P (Z 5.5)
v) P (Z = 3)
vi) P (A 11)
vii) P (20 Z 35)
viii) P 3,5 < Z < 34)
d) Determine E(W), E(A), E(Z), V(W), V(A) e V(Z)

3) Uma varivel aleatria discreta tem a distribuio de probabilidade dada por:
P(X ) =
K
x para x = 1, 3, 5 e 7
a) calcule o valor de k
b) Calcular P(X=5)
c) E(X)
d) V(X)
4) Seja Z a varivel aleatria correspondente ao nmero de pontos de uma pea de

domin.
a) Construir a tabela e traar o grfico P(Z).
b) Determinar F(Z) e traar o grfico.
c) Calcular P(2 Z < 6).
d) Calcular F(8).
e) E(Z) e V(Z).
72
2
5) Seja f (x ) = 2 (1 x ), 0 < x < 1 ,
0, caso contrrio
i) Ache a funo de repartio e esboce o grfico.

ii) Determine E(X) e V(X).
1
6) Seja f (x ) = 2 x, 0 x 2 ,
0, caso contrrio
i) Ache a funo de repartio e esboce o grfico.

ii) P(1< x < 1,5).
iii) E(X) e V(X).
7) Uma varivel aleatria X tem a seguinte f.d.p.:
x<0
0x<2
2x<4
x4
f(x) = 0
f(x) = k
f(x) = k(x - 1)
f(x) = 0
a) Represente graficamente f(x).

b) Determine k.
c) Determine F(X) e faa o grfico
d) E(X) e V(X)
6x (1 x ), 0 < x < 1
0, caso contrrio
8) A funo de probabilidade de uma V.A.C. X f (x ) =

a) Determine F(X) e represente graficamente.
b) Calcule P x 2
c) E(X) e V(X)
73
9) Uma varivel aleatria X tem a seguinte f.d.p.:

f(x) = 0
f(x) = Ax
f(x) = A(100 - x)
f(x) = 0
x<0
0 x < 500
500 x < 1000
x 1000
a) Determine o valor de A.
b) P (250 x 750).
10) Dada a funo de repartio:
F(X) = 0
para x < -1
F(X) =
x +1
2
para -1 x < 1
para x 1
F(X) = 1
1
a) Calcule: P 2 x 2 , b) P(X = 0)
74
6 Distrib uies de Proba bilid ade

Aps termos visto as definies de V.A.D. e V.A.C., citaremos as principais
distribuies de probabilidade relacionadas a estas variveis.
6.1 Distribuies Discretas de Probabilidade

6.1.1 Distribuio de Bernoulli
Consideramos uma nica tentativa de um experimento aleatrio podemos ter sucesso
ou fracasso nessa tentativa. Seja "p" a probabilidade de sucesso e "q" a probabilidade de
fracasso, onde p + q = 1.
Seja X o nmero de sucesso em uma nica tentativa, logo X pode assumir:
X = 0 se ocorrer fracasso e X = 1 se ocorrer sucesso,
ou ainda:
0, se for fracasso, com P(X = 0) = q
X=
1, se for sucesso, com P(X = 1) = p .
Supondo que em uma nica tentativas o nmero de casos possveis sejam:

A, A, ..., A , A, A, ..., A
14
4244
3 14
4244
3
x sucessos
n-x fracassos
sendo os resultados independentes, temos:
P(A I A I...I A I A I A I ... I A) = P(A). P(A). ... . P(A ).P(A ). P(A). ... . P(A)
_
P(A).P(A). ... .P(A) . P(A). P(A). ... .P(A ) , onde P(A)= p e P(A ) = q,
1444
424444
3 1444
424444
3
x sucessos
n- x fracassos
75
nessa condio a varivel aleatria X tem distribuio de Bernoulli, e sua funo de

probabilidade (f. p.) (funo de probabilidade) dada por:
P(X = x) = p x .q n x .
6.1.1.1 Esperana Matemtica da Distribuio de Bernoulli
E( X) = xi P(xi )
i =1
E( X) = x1 P(x1 ) + x2 P(x 2 )
E(X) = 0. P(0) + 1. P(1)

E(X) = 0.q + 1.p
E (X) = p
6.1.1.2 Varincia da Distribuio de Bernoulli

V(X) = E(X 2 ) E( X)
onde
E (X 2 ) = x 2i P( xi )
i =1
E(X ) = x12 P(x1 ) + x22 P( x2 )

E( X 2 ) = 0.q + 1.p = p
logo
V(X) = p p 2
V(X) = p.(1 - p )
2
V(X) = p . q
6.1.2 Distribuio Binomial
O termo "Binomial" utilizado quando uma varivel aleatria esta agrupada em duas
classes ou categorias. As categorias devem ser mutuamente excludentes, de modo a deixar bem
claro a qual categoria pertence determinada observao; e as classes devem ser coletivamente
exaustivas, de forma que nenhum outro resultado fora delas possvel
76
Sejam, "p" probabilidades de sucesso e "q" probabilidades de falha, ou seja p + q

= 1.
A probabilidade de x sucessos em x tentativas dado por px e de (n - x) falhas em
(n - x) tentativas dado por qn-x, onde o nmero de vezes em que pode ocorrer x sucessos e
(n-x) falhas dado por:
n
n!
C n,x = =
x x! (n x)!
logo, a probabilidade de ocorrer x sucessos com n tentativas ser
n
P(X = x) = p x q n x
x
Propriedades necessrias para haver uma utilizao da Distribuio Binomial:
1 a) Nmero de tentativas fixas;
2 a) Cada tentativa deve resultar numa falha ou sucesso;
3 a) As probabilidades de sucesso devem ser iguais para todas as tentativas;
4 a) Todas as tentativas devem ser independentes.
6.1.2.1 Esperana Matemtica de Distribuio Binomial
E( X) = xi P(xi )
i =1
n
E(X) = x. p x q n x
x
como P(X) segue uma Distribuio de Probabilidade, temos:
n
P(X = x i ) = 1 ou p x q n x = 1
i =1
x =1 x
0
logo,
E (X) = x.
n!
p x q n x
x(x - 1)!(n - x)! x =1
(n -1)!
p x q nx , ou seja para s = x - 1 e x = s + 1, temos
(x -1)!(n - x)! x =1
n - 1 s +1 n (s+1)
E(X) = n.
p q
x =1 s
E (X) = n.
77

n - 1 s
E(X) = n.
p .p q (n 1) s
x =1 s
n - 1 s (n1) s
E(X) = n.p
p . q
x =1 s
14 4424443
E(X) = n . p
6.1.2.2 Varincia de uma Distribuio Binomial
V(X) = E(X 2 ) E( X)
onde
E(X 2 ) = x 2i P( xi )
i =1
n!
E(X ) = x.x
p xq n x , para s = x -1 e x = s +1, temos:
x.( x 1)!(n x)! x=1
n!
E (X 2 ) = ( s + 1)
ps+1 q n ( s +1)
s!(n ( s + 1) )! x =1
(n -1)!
(n - 1)!
E(X 2 ) = s.n
p s .p q n1 s + n
p s. p q n1s
s!(n
1s)!
s!(n
-1s)!
x =1
x =1
1
n
1
E(X 2 ) = n.p s
p s .p q n 1 s +
p s q n 1s
1
x =1
x =1 s
4s44
244 43 1
44
424 44
3
(n1)p
1
2
E(X ) = n. p ( n 1) p + 1
E(X2 ) = n. p ( np p + 1
2
E( X 2 ) = n 2 p 2 np 2 + np
V(X) = n 2 p 2 np 2 + np - (np) 2
V(X) = n. p.(1 - p)
V( X) = n. p.q
78
6.1.2.3 Esperana Matemtica e Varincia para a Probabilidade de Sucesso (p)

de uma Distribuio Binomial
E(p) = p e V(p) =
p.q
n
6.1.3 Distribuio de Poisson

Quando numa distribuio binomial o tamanho "n" das observaes for muito
grande e a probabilidade "p" de sucesso for muito pequena, a probabilidade x de ocorrncia de
um determinado nmero de observaes segue uma Distribuio de Poisson.
A aplicao da distribuio segue algumas restries:
- Somente a chance afeta o aparecimento do evento, contando-se apenas com a sua
ocorrncia, ou seja, a probabilidade de sucesso "p".
- Uma vez no conhecido o nmero total de eventos, a distribuio no pode ser
aplicada.
Se n em conseqncia n >> x assim,
n!
= n.( n 1).( n 2). ... .(n - x + 1) n x
(n x)!
logo,
P(x) =
n x x n x
p q .
x!
Se p 0 e n >> x logo, q n x q n = (1 p)
assim,
(n. p) x (1 p) n
x!
x
(n.p)
n( n 1)
P(x) =
1 n.p +
(p) 2 + ...
x!
2 .1
x
2
(n.p)
( n.p)
P(x)
+ ...
1 n.p +
x!
2!
P (x) =
79
(n. p) x e -n.p
x!
Substituindo o valor esperado n.p por e considerando-o como sendo o nmero
mdio de ocorrncia expresso em unidades de tempo, pode-se dizer que a taxa mdia de
falhas (falha / unid. tempo) e t o tempo, logo o nmero mdio de falhas ser t , assim,
P(x) =
xt . e-
x!
fornece a probabilidade de x falhas no perodo de tempo t.
P( x) =
A probabilidade de zero falhas no tempo t a confiabilidade do componente em

funo do tempo.
P(0) = R(t) = e t
6.1.3.1 Esperana Matemtica da Distribuio de Poisson
E( X) = xi P(xi )
i =1
e - x
x!
x =1
- x
e
E( X) =
, substituindo s = x -1 e x = s + 1 temos:
x =1 (x - 1)!
e- s+1
E (X) =
s!
x =1
e - s
E(X) =
s!
x =1
1
424
3
E (X) = x
E(x) =
6.1.3.2 Varincia da Distribuio de Poisson
V(X) = E(X 2 ) E( X)
onde
E (X 2 ) = x 2i P( xi )
i =1
E( X 2 ) = x. x
x =1
e - x
, substituindo s = x - 1 e x = s + 1 temos:
x(x - 1)!
80
e - s+1
s!
x =1
e - s
E(X 2 ) = (s +1)
s!
x =1
- s
- s
E(X 2 ) = s
+
s!3 1
x =1
x =4
1 2s!
1
424
4
3
1
E(X)
E (X 2 ) =
(s + 1)
E(X) 2 = 2 +
V(X) = 2 + ( ) 2
V(X) =
6.2 Exerccios
1) Admitindo-se o nascimento de meninos e meninas sejam iguais, calcular a
probabilidade de um casal com 6 filhos ter:
a) 4 filhos e 2 filhas
b) 3 filhos e 3 filhas
2) Em 320 famlias com 4 crianas cada uma, quantas se esperaria que tivessem:
a) nenhuma menina;
b) 3 meninos
c) 4 meninos
3) Um time X tem 2/3 de probabilidade de vitria sempre que joga. Se X jogar 5
partidas, calcule a probabilidade de:
a) X vencer exatamente 3 partidas;
b) X vencer ao menos uma partida;
c) X vencer mais da metade das partidas;
d) X perder todas as partidas;
4) A probabilidade de um atirador acertar um alvo 1/3. Se ele atirar 6 vezes, qual a
probabilidade de:
a) acertar exatamente 2 tiros;
b) no acertar nenhum tiro.
5) Num teste de certo-errado, com 100 perguntas, qual a probabilidade de um aluno,

respondendo as questes ao acaso, acertar 70% das perguntas ?
81
6) Se 5% das lmpadas de certa marca so defeituosas, achar a probabilidade de que,

numa amostra de 100 lmpadas, escolhidas ao acaso, tenhamos:
a) nenhuma defeituosa (use binomial e poisson)
b) 3 defeituosas;
c) mais do que uma boa;
7) Uma fabrica de pneus verificou que ao testar seus pneus nas pistas, havia em mdia
um estouro de pneu a cada 5.000 km.
a) qual a probabilidade que num teste de 3.000 km haja no mximo um pneu
estourado ?
b) Qual a probabilidade de um carro andar 8.000 km sem estourar nenhum pneu ?
8) Certo posto de bombeiros recebe em mdia 3 chamadas por dia. Calcular a
probabilidade de:
a) receber 4 chamadas num dia;
b) receber 3 ou mais chamadas num dia;
c) 22 chamadas numa semana.
9) A mdia de chamadas telefnicas em uma hora 3. Qual a probabilidade:
a) receber exatamente 3 chamadas numa hora;
b) receber 4 ou mais chamadas em 90 minutos;
c) 75 chamas num dia;
10) Na pintura de paredes aparecem defeitos em mdia na proporo de 1 defeito por
metro quadrado. Qual a probabilidade de aparecerem 3 defeitos numa parede 2 x 2
m?
11) Suponha que haja em mdia 2 suicdios por ano numa populao de 50.000 hab.
Em uma cidade de 100.000 habitantes, encontre a probabilidade de que um dado
ano tenha havido: a) nenhum suicdio; b) 1 suicdio; c) 2 ou mais suicdios.
12) Suponha 400 erros de impresso distribudos aleatoriamente em um livro de 500
pginas. Encontre a probabilidade de que uma dada pgina contenha:
a) nenhum erro;
b) 100 erros em 200 pginas.
82
6.3 Distribuies Contnuas de Probabilidade

6.3.1 Distribuio Uniforme
uma distribuio de probabilidade usada para variveis aleatrias contnuas,
definida num intervalo a, b , e sua funo densidade de probabilidade dada por:
1
f(x) = b a
0
se a x b
se x < a ou x > b
FIGURA 6.1 - Representao de uma Distribuio Uniforme

6.3.1.1 Esperana Matemtica da Distribuio Uniforme
+
E(X) = x f(x) dx
E(X) =
1
dx
b-a
b
1 x2
E(X) =
b - a 2 a
b2 a 2
E (X) =
2(b a)
( b - a) (b + a)
E(X) =
2(b a)
E( X) =
(b + a)
2
83
6.3.1.2 Varincia da Distribuio Uniforme
V(X) = E(X 2 ) E( X)
E(X 2 ) = x 2 f(x) dx
E(X 2 ) = x 2
b
1
dx
b-a
1 b 2
x dx
b - a a
b
1 x3
2
E(X ) =
b-a 3 a
E(X 2 ) =
b3 a 3
E(X ) =
3( b a)
(b - a)(b 2 + ab + a 2 )
E( X 2 ) =
3(b a)
2
b + ab + a 2
2
E( X ) =
3
2
2
b + ab + a 2 b + a
V(X) =
3
2
b2 + ab + a 2 b 2 ab + a 2
V(X) =
3
4
2
2
4b + 4ab + 4a 3b 2 6ab 3a 2
V(X) =
12
b2 2ab + a2
V(X) =
12
2
V(X) =
(b a) 2
12
6.3.2 Distribuio Normal ou Gaussiana

um modelo de distribuio contnua de probabilidade, usado tanto para variveis
aleatrias discretas como contnuas.
Uma varivel aleatria X, que tome todos os valores reais - < x < + tem
distribuio normal quando sua funo densidade de probabilidade (f.d.p.) for da forma:
f(x) =
1
2
1 x
84
, < x < +
Os parmetros e seguem as seguintes condies:
< < + e > 0 .

6.3.2.1 Propriedades da Distribuio Normal
a) f uma f.d.p. legtima para f(x)0, logo
f(x) d(x) = 1
x
temos:
+
+
1
2
f(x)
d(x)
=
e

2 dt = I .
Para calcular esta integral usaremos um artifcio, ou seja, no lugar de I usaremos I.
t
s
+
1 + 2
2
I =
e dt . e 2 ds
2
fazendo t =
I =
2
1
2
(t 2 +s 2 )
2
dt ds
introduzindo coordenadas polares para realizar o clculo dessa integral dupla, temos:
s = r cos e t = r sen
conseqentemente o elemento de rea ds dt se torna r dr d.
Como < s < + e < t < + , 0 < r < + e 0 < a < 2 , portanto
1 2
I =
2 0
2
re
r2
2
dr d
r
1 2 2
2
I =
e
d
2 0
0
2
1 2
( 0 1) d
2 0
1
2
I2 =
0
2
I2 =
85
I2 =
1
2 = 1
2
I = 1 , logo I = 1 como queramos mostrar.

b) O aspecto grfico da funo f tem:
- Semelhana de um sino, unimodal e simtrico em relao a mdia .
- A especificao da mdia e do desvio padro completamente evidenciado.
- A rea total da curva equivale a 100%.
- A rea total da curva equivale a 100%.
FIGURA 7.2 - Distribuio Normal em funo da e

6.3.2.2 Esperana Matemtica da Distribuio Normal
+
E(X) = x f(x) dx
E(X) = x
1 x

e
dx
2
x
x
fazendo z =
, z =
e x = z +,
1 +
2
E(X) =
(
z
+
)
e
dz
2
z
z
+
+
1
1
2
2
E(X) =
z e dz +
e dz
4243
2 1
42
124
443
zero
um
86
E(X) =
6.3.2.3 Varincia da Distribuio Normal
V(X) = E(X 2 ) E( X)
E(X 2 ) = x 2 f(x) dx
E(X ) = x
2
1 x

e
dx
2
x
x
fazendo z =
, z =
e x = z +,
+
1
2
2
E(X ) =
( z + ) e 2 dz
2
E(X ) =
2
+
1
2 z 2 e 2 dz +
zero
E(X 2 ) =
1
2
z2 e
z
2
dz + 2
integrando por partes temos que u dv = u dv - v du
z =u
dv = e
du = 1 dz
E(X ) =
2
z2
2
1
2
z e
2
dz
v = e
2
z
2
+
2
2
e dz +

z
E(X 2 ) = 0 + 2
+
1
e 2 dz + 2
4
124
424 44
3
um
E(X ) = +
logo,
2
+
+
1
1
2 z e 2 dz + 2
e
2 dz
4243
1
2
2
1442443
V(X) =
87
um
6.3.2.4 Distribuio Normal Padronizada

Tem como objetivo solucionar a complexidade da f(x) atravs da mudana de
varivel. f(z).
FIGURA 7.4 - Complemento da Distribuio Normal Padronizada

Fazendo z =
x
e z ~ N(0,1) temos que
2
1 + z2
f(z) =
e ,
2
com E(z) = 0 e VAR(z) = 1.

onde:
z = nmero de desvios padres a contar da mdia
x = valor arbitrrio
= mdia da distribuio normal
= desvio padro da distribuio normal
Estas probabilidades esto tabeladas e este caso particular chamado de Forma
Padro da Distribuio Normal.
88
6.3.3 Distribuio t de Student

Trata-se de um modelo de distribuio contnua que se assemelha distribuio
normal padro, N ~ (0,1). utilizada para inferncias estatsticas, particularmente, quando se
tem amostras com tamanhos inferiores a 30 elementos.
A distribuio t tambm possui parmetros denominado "grau de liberdade - ". A
mdia da distribuio zero e sua varincia dada por:
[ ]
( )
VAR t = 2 t =
, para > 2.
A distribuio t simtrica em relao a sua mdia.
6.4 Exerccios
1) As alturas dos alunos de uma determinada escola so normalmente distribudas
com mdia 1,60 m e desvio padro 0,30 m. Encontre a probabilidade de um aluno
escolhido ao acaso medir:
a) entre 1,50 e 1,80 m
c) menos que 1,48 m
e) menos que 1,70 m
b) mais que 1,75 m

d) entre 1,54 e 1,58 m
f) exatamente 1,83 m
2) A durao de certo componente eletrnico tem mdia 850 dias e desvio padro 45
dias. Qual a probabilidade do componente durar:
a) entre 700 e 1000 dias
b) menos que 750 dias
c) mais que 850 dias
d) Qual deve ser o nmero de dias necessrios para que tenhamos de repor 5% dos
componentes. (R = 776 dias)
3) Um produto pesa, em mdia, 10 g, com desvio padro de 2 g. embalado em
caixas com 50 unidades. Sabe-se que as caixas vazias pesam 500 g, com desviopadro de 25 g. Admitindo-se uma distribuio normal dos pesos e independncia
entre as variveis dos pesos do produto e da caixa, calcule a probabilidade de uma
caixa cheia pesar mais de 1050 g.
Xgeral = 1000, Vgeral = 50Vp + Vc , Sgeral = Vgeral = 28. 73 (R = 0.04093)
89
4) Em uma distribuio normal 28% dos elementos so superiores a 34 e 12%

inferiores a 19. Encontrar a mdia e a varincia da distribuio. (R =
X = 29. 03, S2 = 73. 44 )
5) Suponha que a durao de vida de dois equipamentos E1 e E2 tenham
respectivamente distribuies N(45 ; 9) e N(40 ; 36). Se o equipamento tiver que
ser usado por perodo de 45 horas, qual deles deve ser preferido? (R = E1 )
6) A precipitao pluviomtrica mdia em certa cidade, no ms de dezembro, de 8,9
cm. Admitindo a distribuio normal com desvio padro de 2,5 cm, determinar a
probabilidade de que, no ms de dezembro prximo, a precipitao seja (a)
inferior a 1,6 cm, (b) superior a 5 cm mas no superior a 7,5 cm, (c) superior a 12
cm.
7) Em uma grande empresa, o departamento de manuteno tem instrues para
substituir as lmpadas antes que se queimem (no esperar que queimem para ento
substitu -las). Os registros indicam que a durao das lmpadas tem distribuio
N(900 ; 75) (horas). Quando devem ser substitudas as lmpadas de modo que no
mximo 10% delas queimem antes de serem trocadas? (R = 889 horas)
8) Os registros indicam que o tempo mdio para se fazer um teste
aproximadamente N(80 ; 20) (min.). Determinar:
a) a percentagem de candidatos que levam menos de 60 min ?
b) se o tempo concedido de 1h, que percentagem no conseguir terminar o teste ?
9) A profundidade dos poos artesianos em um determinado local uma varivel
aleatria N(20 ; 3) (metros). Se X a profundidade de determinado poo,
determinar (a) P(X < 15), (b) P(18 < X < 23), (c) P (X > 25).
10) Certa mquina de empacotar determinado produto oferece variaes de peso com
desvio padro de 20 g. Em quanto deve ser regulado o peso mdio do pacote para
que apenas 10% tenham menos que 400 g? Calcule a probabilidade de um pacote
sair com mais de 450 g. [R = a) = 425.6 b) 0.11123 )]
90
7 Amo st ra ge m
7.1 Conceitos em Amostragem
Inferncia Estatstica - o processo de obter informaes sobre uma populao a
partir de resultados observados ma Amostra.
Amostragem: o processo de retirada de informaes dos "n" elementos amostrais,
na qual deve seguir um mtodo adequado (tipos de amostragem).
7.2 Plano de Amostragem

1 o ) Definir os Objetivos da Pesquisa
2 o ) Populao a ser Amostrada
- Parmetros a ser Estimados (Objetivos)
3 o ) Definio da Unidade Amostral
- Seleo dos Elementos que faro parte da amostra
4 o ) Forma de seleo dos elementos da populao
91
Aleatoria Simples
Sistematica
- Tipo de Amostragem
Estratificada
por Conglomerados
5 o ) Tamanho da Amostra
Ex.: Moradores de uma Cidade (populao alvo)
prpria
Objetivo: Tipo de Residncia alugada

emprestada
um piso
dois pisos
tres ou mais pisos
Unidade Amostral: Domiclios (residncias)

Elementos da Populao: Famlia por domiclio
aleatoria simples
Tipo de Amostragem: sistematica

estratificada
7.3 Tipos de Amostragem

7.3.1 Amostragem Simples ou Ocasional
o processo mais elementar e freqentemente utilizado. Todos os elementos da
populao tem igual probabilidade de serem escolhidos. Para uma populao finita o processo
deve ser sem reposio. Todos os elementos da populao devem ser numerados. Para realizar
o sorteio dos elementos da populao devemos usar a Tabela de Nmeros Aleatrios .
7.3.2 Amostragem Sistemtica
Trata-se de uma variao da Amostragem Aleatria Ocasional, conveniente quando a
populao est naturalmente ordenada, como fichas em um fichrio, lista telefnica, etc.
Ex.: N = 5000
n = 50, ento r =
N
= 10, (P.A. de razo 10)
n
Sorteia-se usando a Tabela de Nmeros Aleatrios

um nmero entre 1 e 10, (x=3), o nmero sorteado
refere-se ao 1 o elemento da amostra, logo os elementos
da amostra sero:
92
13
23
33
43
......
Para determinar qualquer elemento da amostra podemos usar a frmula do termo

geral de uma P.A.
a n = a1 + ( n 1). r
7.3.3 Amostragem Estratificada
um processo de amostragem usado quando nos depararmos com populaes
heterogneas, na qual pode-se distinguir subpopulaes mais ou menos homogneas,
denominados estratos.
Aps a determinao dos estratos, seleciona-se uma amostra aleatria de cada uma
subpopulao (estrato).
As diversas subamostras retiradas das subpopulaes devem ser proporcionais aos
respectivos nmeros de elementos dos estratos, e guardarem a proporcionalidade em relao a
variabilidade de cada estrato, obtendo-se uma estratificao tima.
Tipos de variveis que podem ser usadas em estratificao: idade, classes sociais, sexo,
profisso, salrio, procedncia, etc.
7.3.4 Amostragem por Conglomerados (ou Agrupamentos)
Algumas populaes no permitem, ou tornam-se extremamente difcel que se
identifiquem seus elementos, mas podemos identificar subgrupos da populao. Em tais casos,
uma amostra aleatria simples desses subgrupos (conglomerados) podem ser escolhida, e uma
contagem completa deve ser feita no conglomerado sorteado.
Agregados tpicos so: quarteires, famlias, organizaes, agncias, edifcios, etc.
7.4 Amostragem "COM" e "SEM" reposio
Seja "N" o nmero de elementos de uma populao, e seja "n" o nmero de
elementos de uma amostra, ento:
Se o processo de retirada dos elementos for COM reposio (pop. infinita (f 5%) ),
o nmero de amostra s possveis ser:
no de amostras = N n
Se o processo de retirada de elementos for SEM reposio (pop. finita (f > 5%) ), o
nmero de amostras possveis ser:
93
no de amostras = C N , n =
N!
n! (N - n )!
Ex.: Supondo N = 8 e n = 4
com reposio: n o de amostras = N n = 8 4 = 4096
sem reposio: no de amostras = C N ,n =
N!
8!
= C8,4 =
= 70
n ! ( N - n )!
4! 4!
Ex.: Processo de Amostragem Aleatria Simples

(Distribuio Amostral das Mdias)
- (com reposio)
N = { 1, 2, 3, 4}
no de amostras = N n = 4 2 = 16
n=2
,}
{11
{2,1}
{3,1}
{4,1}
{1,2}
{2,2}
{3,2}
{4,2}
{1,3}
{2,3}
{3,3}
{4,3}
{1,4}
{2,4}
{3,4}
{4,4}
- (sem reposio)
N = { 1, 2, 3, 4}
n=2
no de amostras = C 4,2 =
4!
=6
2! 2!
{1,2} {1,3} {1, 4}

{2,3} {2,4} {3, 4}
Para ilustrar melhor as estatsticas amostrais usaremos o processo com reposio.
, } x = 1,0
{11
,
{2,1} x = 15
{31, } x = 2,0
{4,1} x = 2,5
{1,2} x = 1,5
{2,2} x = 2,0
{3,2} x = 2,5
{4,2} x = 3,0
{1,3} x = 2,0
{2,3} x = 2,5
{3,3} x = 3,0
{4,3} x = 3,5
94
{1,4} x = 2,5
{2,4} x = 3,0
{3,4} x = 3,5
{4,4} x = 4,0
7.5 Representaes de uma Distribuio Amostral

- Tabela
xi
P(X = xi )
1/16
2/16
3/16
4/16
3/16
2/16
1/16
16/16
1,0
1,5
2,0
2,5
3,0
3,5
4,0
- Grfico
7.6 Estatsticas Amostrais

- Esperana Matemtica
( x ) = E( x) =
P(X = xi ) =
i =1
40
= 2,5
16
-Varincia
( )
ou VAR( x ) = E x 2 [ E ( x)]2
( ) x P( X = x )
onde E x 2 =
2
i
i=1
95
7.7 TAMANHO DA AMOSTRA

7.7.1 Introduo
Os pesquisadores de todo o mundo, na realizao de pesquisas cientficas, em
qualquer setor da atividade humana, utilizam as tcnicas de amostragem no planejamento de
seus trabalhos, no s pela impraticabilidade de poderem observar, numericamente, em sua
totalidade determinada populao em estudo, como devido ao aspecto econmico dessas
investigaes, conduzidos com um menor custo operacional, dentro de um menor tempo,
alm de possibilitar maior preciso nos respectivos resultados, ao contrrio, do que ocorre com
os trabalhos realizados pelo proceso censitrio (COCHRAN, 1965; CRUZ, 1978).
A tcnica da amostragem, a despeito de sua larga utilizao, ainda necessita de alguma
didtica mais adequada aos pesquisadores iniciantes.
Na teoria da amostragem, so consideradas duas dimenses:
1 a) Dimensionamento da Amostra;
2 a) Composio da Amostra.
7.7.2 Procedimentos para determinar o tamanho da amostra
1 o ) Analisar o questionrio, ou roteiro da entrevista e escolher uma varivel que julgue
mais importante para o estudo. Se possvel mais do que uma;
2 o ) Verificar o nvel de mensurao da varivel: nominal, ordinal ou intervalar;
3 o ) Considerar o tamanho da populao: infinita ou finita
4 o ) Se a varavel escolhida for:
- intervalar e a populao considerada infinita, voc poder determinar o
tamanho da amostra pela frmula:
Z .
n=
96
onde: Z = abscissa da curva normal padro, fixado um nvel de confiana (1- )

Z = 1,65 (1 - ) = 90%
Z = 1,96 (1 - ) = 95%
Z = 2,0 (1 - ) = 95.5%
Z = 2,57 (1 - ) = 99%
Geralmente usa-se Z = 2
= desvio padro da populao, expresso na unidade varivel, onde poder ser
determinado por:
Especificaes Tcnicas
Resgatar o valor de estudos semelhantes
Fazer conjeturas sobre possveis valores
d = erro amostral, expresso na unidade da varivel. O erro amostral a mxima
diferena que o investigador admite suportar entre e x , isto : x < d .
- intervalar e a populao considerada finita, voc poder determinar o
tamanho da amostra pela frmula:
n=
Z 2 . 2 . N
d 2 ( N 1) + Z2 . 2
onde: Z = abscissa da normal padro

2 = varincia populacional
N = tamanho da populao
d = erro amostral
- nominal ou ordinal, e a populao considerada infinita, voc poder
determinar o tamanho da amostra pela frmula:
n=
Z2 . p$ . q$
d2
p$ = estimativa da verdadeira proporo de um dos nveis da varivel escolhida. Por

exemplo, se a varivel escolhida for parte da empresa, p$ poder ser a estimativa da
97
verdadeira proporo de grandes empresas do setor que est sendo estudado. p$

ser expresso em decimais ( p$ = 30% p$ = 0.30).
q$ = 1 p$
d = erro amostral, expresso em decimais. O erro amostral neste caso ser a mxima
diferena que o investigador admite suportar entre e p$ , isto : p$ < d , em que
a verdadeira proporo (freqncia relativa do evento a ser calculado a partir da
amostra.
- nominal ou ordinal, e a populao considerada finita, voc poder
determinar o tamanho da amostra pela frmula:
n=
Z2 . p$ . q$ . N
d 2 ( N 1) + Z2 . p$ . q$

N = tamanho da populao
p$ = estimativa da proporo
q$ = 1 p$
d = erro amostral
Estas frmulas so bsicas para qualquer tipo de composio da amostra; todavia,
existem frmulas especficas segundo o critrio de composio da amostra.
- Se o investigador escolher mais de uma varivel, poder acontecer de ter que aplicar
mais de uma frmula, assim dever optar pelo maior valor de "n".
Quando no tivermos condies de prever o possvel valor para p$ , admita p$ = 0.50, pois, dessa forma,
voc ter o maior tamanho da amostra, admitindo-se constantes os demais elementos.
7.8 Distribuies amostrais de probabilidade

7.8.1 Distribuio amostral das mdias
Se a varivel aleatria "x" segue uma distribuio normal:
x ~ N (x); 2 (x) , onde z =
x (x )
( x)
98
( x ) = (a mdia amostral igual a mdia populacional) e ( x ) =

Padro Amostral)
( x)
(Desvio
n
7.8.1.1 Caso COM reposio (pop. infinita)
2 ( x)
x ~ N ( x);
7.8.1.2 Caso SEM reposio (pop. finita)
n
Quando a amostra for > 5% da populao devemos usar um fator de correo.
N
2 ( x) N - n
N -n
o fator de correo
x ~ N ( x);
, onde
n
N -1
N -1
Ex1 .: Uma populao muito grande tem mdia 20,0 e desvio padro 1,4 . Extrai -se
uma amostra de 49 observaes. Responda:
a) Qual a mdia da distribuio amostral ?
b) Qual o desvio padro da distribuio amostral ?
c) Qual a porcentagem das possveis mdias que diferiram por mais de 0,2 da mdia
populacional ?
Ex2 .: Um processo de encher garrafas de coca-cola d em mdia 10% mal cheias com
desvio padro de 30%. Extrada uma amostra de 225 garrafas de uma sequncia
de produo de 625, qual a probabilidade amostral das garrafas mal cheias estar
entre 9% e 12%.
O exemplo n o 2 pode ser resolvido usando a distribuio amostral das propores, onde p = proporo
populacional, p = mdia da distribuio amostral das propores. Logo temos:
99
7.8.2 Distribuio amostral das propores

p=p
onde
p =
p(1 p )
.
n
N-n
,
N -1
N -n
usado para populao finita.
N -1
Ex1: Uma mquina de recobrir cerejas com chocolate regulada para produzir um
revestimento de (3% em relao ao volume da cereja). Se o processo segue uma distribuio
normal, qual a probabilidade de extrair uma amostra de 25 cerejas de um lote de 169 e
encontrar uma mdia amostral superior a 3,4%. R = 0,44828.
7.9 Exerccios
1) Uma fabrica de baterias alega que eu artigo de primeira categoria tem uma vida
mdia de 50 meses, e desvio padro de 4 meses.
a) Que porcentagem de uma amostra de 36 observaes acusaria vida mdia no
intervalo de um ms em torno da mdia ?
b) Qual ser a resposta para uma amostra de 64 observaes?
c) Qual seria o percentual das mdias amostrais inferior a 49,8 meses com n =100?
2) Um varejista compra copos diretamente da fbrica em grandes lotes. Os copos so
embrulhados individualmente. Periodicamente o varejista inspeciona os lotes para
determinar a proporo dos quebrados ou lascados. Se um grande lote contm
10% de quebrados (lascados) qual a probabilidade do varejista obter numa a mostra
de 100 copos 17% ou mais defeituosos?
3) Deve-se extrair uma amostra de 36 observaes de uma mquina de cunhar
moedas comemorativas. A espessura mdia das moedas de 0,2 cm, com desvio
padro de 0,01 cm.
a) Que percentagem de mdias amostrais estar no intervalo 0,004 em torno da
mdia? R = 0.98316
b) Qual a probabilidade de obter uma mdia amostral que se afaste por mais de 0,005
cm da mdia do processo ? R = 0.00164
4) Suponha que uma pesquisa recente tenha revelado que 60% de uma populao de
adultos do sexo masculino consistam de no-fumantes. Tomada uma amostra de
10 pessoas de uma populao muito grande, que percentagem esperamos nos
intervalos abaixo:
a) de 50% a 65%
b) maior que 53%
c) de 65% a 80%
5) Se a vida mdia de operao de um "flash" 24 horas, com distribuio normal e
desvio padro de 3 horas, qual a probabilidade de uma amostra de 10 "flashes"
retirados de uma populao de 500 "flashes" apresentar vida mdia que difira por
mais de 30 min. da mdia. R = 0.60306
100
8 Estimao de Parme tros

um processo de induo, na qual usamos dados extrados de uma amostra para
produzir inferncia sobre a populao. Esta inferncia s ser vlida se a amostra for
significativa.
- Tipos de Estimaes de Parmetros
i) Estimao Pontual
ii) Estimao Intervalar
8.1 Estimao Pontual
usada quando a partir da amostra procura-se obter um nico valor de certo
parmetro populacional, ou seja, obter estimativas a partir dos valores amostrais.
a) Estatsticas
Seja (X1, X2, ..., Xn) uma amostra aleatria e (x1 ,x2, ..., xn) os valores tomados pela
amostra; ento y = H(x1 ,x2, ..., xn ) uma estatstica.
Principais estatsticas:
- Mdia Amostral
- Proporo Amostral
- Varincia Amostral
8.2 Estimao Intervalar
Uma outra maneira de se calcular um estimativa de um parmetro desconhecido,
construir um intervalo de confiana para esse parmetro com uma probabilidade de 1
(nvel de confiana) de que o intervalo contenha o verdadeiro parmetro. Dessa maneira ser
o nvel de significncia, isto , o erro que se estar cometendo ao afirmar que o parmetro est
entre o limite inferior e o superior calculado.
8.2.1 Intervalo de confiana para a mdia () com a varincia ( 2 ) conhecida.
(n > 30 Z)
Seja X ~ N , 2
)
101
Como j vimos anteriormente, x (mdia amostral) tem distribuio normal de mdia
e desvio padro
,ou seja:
n
2
X ~ N ;
n
Portanto, z =
X
tem distribuio N (0,1)
n
Ento,
P z 2 z + z 2 = 1
x
P z 2
+z 2 = 1
n
P z 2
X + z 2
X = 1
n
n
P X z 2
X + z 2
= 1 (Pop. Infinita)
n
n
Para caso de populaes finitas usa-se a seguinte frmula:
P X + Z 2
n
N-n
Z2
N -1
n
N-n
= 1 (Pop. Finita)
N -1
Obs.: Os nveis de confiana mais usados so:

1 = 90 % z 2 = 1, 64
1 = 95% z 2 = 1, 96
1 = 99 % z 2 = 2,58
1 = 85% z 2 =
102
Ex.: Seja X a durao da vida de uma pea de equipamento tal que = 5 horas.
Admita que 100 peas foram ensaiadas fornecendo uma durao de vida mdia de 500 horas e
que se deseja obter um intervalo de 95% para a verdadeira mdia populacional. R = P (499,02
500,98) = 95%.
Obs.: Podemos dizer que 95% das vezes, o intervalo acima contm a verdadeira
mdia populacional. Isto no o mesmo que afirmar que 95% a probabilidade do
parmetro cair dentro do intervalo, o que constituir um erro, pois um parmetro
(nmero) e ele est ou no no intervalo.
8.2.2 Intervalo de confiana para a mdia () com a varincia ( 2 )
desconhecida
( n 30)
Neste caso precisa-se calcular a estimativa S (desvio padro amostral) a partir dos
dados, lembrando que:
n
S2 =
(x
i =1
x)
n 1
onde n -1 = graus de liberdade
2
X ~ N ;
n
Portanto, t =
t=
X
tem distribuio N (0,1)
S n
X
z
N ( 0,1)
.
=
=
S
S
S
S n
Esta distribuio conhecida como distribuio "t" de Student, no caso com

( = n -1) graus de liberdade
103
O grfico da funo densidade da varivel "t" simtrico e tem a forma da normal,
porm menos "achatada" sua mdia vale 0 e a varincia

em que o grau de liberdade
2
( > 2)
X
S n
t , 2 =
Ento,
P t , 2 t + t , 2 = 1
s
s
P X t , 2
X + t , 2
= 1 (Pop. Infinita)
n
n
S
P X t , / 2
Nn
S
X + t , / 2
N 1
n
N n
N 1
= 1 (Pop. Finita)
Ex.: A seguinte amostra: 9, 8, 12, 7, 9, 6, 11, 6, 10, 9 foi extrada de uma populao
aproximadamente normal. Construir um intervalo de confiana para com um nvel de 95%.
n
X=
xi
i =1
= 8,7
= 10 -1 = 9
S2 =
(x
i =1
x)
n 1
S 2
= 5%
t , 2 = t 9 , 2.5% = 2,262
R = P( 7,27 10,13) = 95%
Obs.:Quando n>30 e for desconhecido poderemos usar S como uma boa

estimativa de . Esta estimao ser melhor quanto maior for o tamanho da amostra.
8.2.3 Intervalo de Confiana para Propores
Sendo p$ o estimador de , onde p$ segue uma distribuio normal, logo:
104
p$ . q$
p$ ~ N p$ ;
(pop. infinita)
p$ . q$ N - n
p$ ~ N p$ ;
n N - 1
(pop. finita)
p.q
p =
p$
n
logo Z =
onde
caracters tica
p$
X
p = =
n nmero de elementos da amostra

P (p Z 2 p p + Z 2 p ) = 1 (Pop. Infinita)
N n
N n
P p$ Z 2 $p
p$ + Z 2 $p
= 1 (Pop. Finita)
N 1
N 1
Ex.: Uma centena de componentes eletrnicos foram ensaiados e 93 deles

funcionaram mais que 500 horas. Determine um intervalo de confina de 95% para a
verdadeira proporo populacional sabendo que os mesmos foram retirados de uma populao
de 1000 componentes.
8.2.4 Intervalo de Confiana para Varincia
Como o estimador de 2 S 2 pode-se considerar que
- quadrado, ou seja:
S2
,
2
logo o intervalo ser:
X 2n1 ~ Z
105
( n 1)S2
2
tem distribuio Qui
2inf = 2
2sup = 2
1 ;
2
Assim temos:
( n 1)S2
n 1)S2
(
2
P

= 1
2
X2inf
Xsup
Ex.: A seguinte amostra: 9, 8, 12, 7, 9, 6, 11, 6, 10, 9 foi extrada de uma populao
aproximadamente normal. Construir um intervalo de confiana para 2 com um nvel de 95%.
8.2.5 Intervalo de Confiana para a diferena Entre duas Mdias:
Usualmente comparamos as mdias de duas populaes formando sua diferena:
1 2
Uma estimativa pontual desta diferena correspondente:

X1 X 2
a) Varincias Conhecidas
1 2 = (X 1 X 2 ) Z .(Erro Padro)
2
Erro Padro?
VAR (X 1 X 2 ) = (+ 1) VAR X1 + ( 1) VAR X 2
2
12 22
+
n1 n2
106
logo o erro padro =
21 22
+
n1 n2
21 22
12 22
P( X1 X2 ) Z 2
+
( 1 2 ) ( X1 X2 ) + Z 2
+
= 1
n1 n 2
n1 n 2
Obs.: se 1 e 2 so conhecidas e tem um valor em comum, logo:

Erro Padro:
1 1
+
n1 n 2
Ex.: Seja duas classes muito grande com desvios padres 1 = 1, 21 e 2 = 2, 13 .

Extrada uma amostra de 25 alunos da classe 1 obteve-se uma nota mdia de 7,8, e da classe 2
foi extrada uma amostra de 20 alunos obteve-se uma nota mdia de 6,0. Construir um
intervalo de 95% de confiana para a verdadeira diferena das mdias populacionais. R =
(LI=0,753; LS=2,847)
b) Varincias Desconhecidas
Em geral conhecemos duas varincias populacionais ( 21 e 22 ). Se as mesmas so
desconhecidas o melhor que podemos fazer estim-las por meio de varincias amostrais
S21 e S22 .
Como as amostras sero pequenas, introduziremos uma fonte de erro compensada
pela distribuio "t":
S2 S2
S2 S2
P( X1 X2 ) t 2 1 + 2 1 2 ( X1 X 2 ) + t 2 1 + 2 onde = n1 + n2 2
n1 n2
n1 n 2
Obs.: Se as varincias populacionais so desconhecidas mas as estimativas so iguais,

poderemos usar para o Erro Padro o seguinte critrio:
Erro Padro: SC
SC =
1 1
+
n1 n2
onde Sc o desvio padro conjunto
( n1 1)S12 + ( n2 1)S22
n1 + n2 2
Ex1 .: De uma turma (1) foi extrada uma amostra de 6 alunos com as seguintes
alturas: 150, 152, 153, 160, 161, 163. De uma segunda turma foi extrada uma amostra de 8
alunos com as seguintes alturas: 165, 166, 167, 172, 178, 180, 182, 190. Contruir um intervalo
de 95% de confiana para a verdadeira diferena entre as mdias populacionais.
107
Ex2 .: De uma mquina foi extrada uma amostra de 8 peas, com os seguintes
dimetros: 54, 56, 58, 60, 60, 62, 63, 65. De uma segunda mquina foi extrada uma amostra
de 10 peas, com os seguintes dimetros: 75, 75, 76, 77, 78, 78, 79, 80, 80, 82. Construir um
intervalo de 99% de confiana para a diferena entre as mdias populacionais, supondo que as
mquinas foram construdas pelo mesmo fabricante .
8.2.6 Intervalo de Confiana para a Diferena entre duas Propores
p$ q$
p$ q$
p$ q$
p$ q$
P (p$ 1 p$ 2 ) Z 2 1 1 + 2 2 1 2 ( p$ 1 p$ 2 ) + Z 2 1 1 + 2 2
n1
n2
n1
n2
= 1
Ex.: Em uma pesquisa realizada pelo Instituto Gallup constatou que 500 estudantes
entrevistados com menos de 18 anos, 50% acreditam na possibilidade de se verificar uma
modificao na Amrica, e que dos 100 estudantes com mais de 24 anos, 69% acreditam nessa
modificao. Construir um intervalo de confiana para a diferena entre as propores destas
subpopulaes usando =5%. R=(LI=0,0893, LS=0,2905)
8.3 Exerccios
1) Ao se realizar uma contagem de eritrcitos em 144 mulheres encontrou-se em mdia
5,35 milhes e desvio padro 0,4413 milhes de glbulos vermelhos. Determine os
limites de confiana de 99% para a mdia populacional.
2) Um conjunto de 12 animais de experincia receberam uma dieta especial durante 3
semanas e produziram os seguintes aumentos de peso (g): 30, 22, 32, 26, 24, 40, 34,
36, 32, 33, 28 e 30. Determine um intervalo de 90% de confiana para a mdia.
R X =30.58, S = 5.09,LI = 27.942, LS = 33.218
3) Construa um intervalo de 95 % de confiana para um dos seguintes casos:
a)
b)
c)
d)
Mdia
Amostral
16,0
37,5
2,1
0,6
Tamanho da
Amostra
16
36
25
100
2,0
3,0
0,5
0,1
4) Numa tentativa de melhor o esquema de atendimento, um mdico procurou estimar o

tempo mdio que gasta com cada paciente. Uma amostra aleatria de 49 pacientes,
colhida num perodo de 3 semanas, acusou uma mdia de 30 min., com desvio padro
de 7 min. Construa um intervalo de 95% de confiana para o verdadeiro tempo
mdio de consulta.
108
5) Solicitou-se a 100 estudantes de um colgio que anotasse suas despesas com

alimentao e bebidas no perodo de uma semana. H 500 estudantes no colgio. O
resultado foi uma despesa de $40,00 com um desvio padro de $10,00. Construa um
intervalo de 95% de confiana para a verdadeira mdia.
6) Uma amostra aleatria de 100 fregueses da parte da manh de um supermercado
revelou que apenas 10 no incluem leite em suas compras.
a) qual seria a estimativa percentual dos fregueses que compram leite pela parte da
manh. ( = 5%). R LI = 84.12%, LS = 95.88%
b) construir um intervalo de 90% de confiana para a verdadeira proporo dos
fregueses que no compram leite pela manh. R LI = 5.08%, LS = 14.92%
7) Uma amostra aleatria de 40 homens trabalhando num grande projeto de construo
revelou que 6 no estavam usando capacetes protetores. Construa um intervalo de
98% de confiana para a verdadeira proporo dos que no esto usando capacetes
neste projeto. R P = 0.056, LI = 0.02, LS = 0.28
8) De 48 pessoas escolhidas aleatoriamente de uma longa fila de espera de um cinema,
25% acharam que o filme principal continha demasiada violncia.
a) qual deveria ser o tamanho da fila, a partir do qual se pudesse desprezar o fator de
correo finita;
b) construa um intervalo de 98% de confiana para a verdadeira proporo, se h 100
pessoas na fila;
c) construa um intervalo de 98% de confiana para a verdadeira proporo, se h 500
pessoas na fila.
9) Em uma fbrica, colhida uma amostra (n = 30) de certa pea, obtiveram-se as
seguintes medidas para os dimetros:
10
13
14
11
13
14
11
13
14
11
13
14
12
13
14
12
13
15
12
13
15
12
13
15
13
13
16
13
13
16
a) estimar a mdia e a varincia; R 13,13 e 2,05

b) construir um intervalo de confiana para a mdia, sendo = 5%.
(LI = 12.536 e LS = 13.664)
c) construir um intervalo de 95 % de confiana para a mdia, supondo que a amostra

tenha sido retirada de uma populao de 100 peas, sendo = 5%. (LI = 12.581 e LS =
13.579)
d) Construir um intervalo de confina para a varincia populacional, sendo = 5%. (LI

= 1.3003 e LS = 3.704)
10) Supondo populaes normais, contruir um intervalo de confiana para a mdia e

para a varincia ao nvel de significncia de 90% para as amostras.
a)
b)
c)
2
12
25
3
12
25
4
15
27
5
15
28
5
16
30
6
16
33
109
6
17
34
7
18
35
8
20
36
8
22
9
22
23
n = 11
n = 12
n=9
11) Sendo X uma populao tal que X ~ N(; 2 ) em que e so desconhecidos.

Uma amostra de tamanho 15 forneceu os seguintes valores X i = 8, 7 , e
X2i = 27,3 . Determinar um intervalo de confiana de 95% para e , supondo:
X=
X
n
X
X2i n i
e S2 =
n1
12) Dados os seguintes conjuntos de medias, determinar um intervalo de 99% de

confiana para a varincia populacional e para a mdia populacional.
0.0105; 0,0193; 0,0152; 0,0229; 0,0244; 0,0190; 0,0208; 0,0253; 0,0276
R
X =O.0206, LI = 0.01467, LS = 0.026653;

S = 0.0053, LI = 0.00001, LS = 0.000167
13) O tempo de reao a uma injeo intravenosa em mdia de 2.1 min., com desvio
padro de 0.1 min., para grupos de 20 pacientes. Construa um intervalo de confiana
de 90 % para o tempo mdio para toda a populao dos pacientes submetidos ao
tratamento.
14) Uma firma esta convertendo as mquinas que aluga para uma verso mais moderna.
At agora foram convertidas 40 mquinas. O tempo mdio de convers o foi de 24
horas com desvio padro de 3 horas. a) Determine um intervalo de confiana de 99
% para o tempo mdio de converso. b) Para uma amostra de 60 mquinas, como
ficaria o intervalo de confiana de 99 % para o tempo mdio de converso
15) Seis dentre 48 terminais telefnicos do respostas de ocupado. Uma firma possui
800 terminais. Construir um intervalo de confiana de 95 % para a proporo dos
terminas da firma que apresentam sinal de ocupado. R LI = 3.4%, LS = 21.6%
16) Uma amostra de 50 bicicletas de um estoque de 400 bicicletas, acusou 7 com pneus
vazios. a) Estime o nmero de bicicletas com pneus vazios: b) Construa um intervalo
de 99 % confiana para a populao das bicicletas com pneus vazios.
R a) 56; b) LI = 0.021 LS = 0.258
17) A mdia salarial semanal para uma amostra de n = 30 empregados em uma grande
firma X = 180,00 com desvio padro S = 14,00. Construa um intervalo de
confiana de 99 % para a mdia salarial dos funcionrios.
18) Uma empresa de pesquisa de mercado faz contato com uma amostra de 100 homens
em uma grande comunidade e verifica que uma proporo de 0.40 na amostra
prefere lminas de barbear fabricadas por seu cliente em vez de qualquer outra marca.
Determinar o intervalo de confiana de 95 % para a proporo de todos os homens
na comunidade que preferem a lmina do cliente.
110
19) Uma pequena fbrica comprou um lote de 200 pequenas peas eletrnicas de um
saldo de estoque de uma grande firma. Para uma amostra aleatria de 50 peas,
constatou-se que 5 eram defeituosas. Estimar a proporo de todas as peas que so
defeituosas no carregamento utilizando um intervalo de confiana de 99 %.
20) Duas amostras de plantas foram cultivadas com dois fertilizantes diferentes. A
primeira amostra oriunda de 200 sementes, acusou altura mdia de 10,9 cm e desvio
padro 2,0 cm. A segunda amostra, de 100 sementes, acusou uma altura mdia de
10,5 cm com desvio padro de 5,0 cm. Construir um intervalo de confiana entre as
alturas mdias das populaes ao nvel de 95% de confiana.
21) Uma amostra aleatria de 120 trabalhadores de uma grande fbrica leva em mdia
22,0 min. para executar determinado servio, com S2 de 4 min2. Em uma segunda
fbrica, para executar a mesma tarefa, uma amostra aleatria de 120 operrios, gasta
em mdia 19,0 min com S2 de 10 min2. Construir um intervalo de 99% de confiana
entre as mdias das populaes.
22) Extraram-se amostras independentes de adultos brancos e pretos, que acusaram os
seguintes tempos (em anos) de escolaridade.
Branco
Preto
8
9
18
12
10
5
10
10
14
14
12
Construir um intervalo de 95% de confiana para:

a) a mdia da populao branca, e a mdia da populao preta;
b) a diferena entre as mdias entre brancos e pretos
23) Em uma amostra aleatria de cinco pessoas, foi medida a capacidade torxica antes e
aps determinado tratamento, obtendo-se os dados a seguir. Construir um intervalo
de 95% de confiana para a diferena entre as mdias antes e depois do tratamento.
Pessoa
A
B
C
D
E
Capacidade Torxica
Antes (X)
Aps (Y)
2750
2850
2360
2380
2950
2930
2830
2860
2250
2320
111
24) Extrada duas amostras de professores homens e mulheres, obteve-se os seguintes

resultados quantos aos salrios em milhares de dlares: Construir um intervalo de
95% de confiana para:
Homens
n1 = 25
X1 = 16,0
S12 = 16
Mulheres
n2 = 5
X 2 = 11,0
S 22 = 10
a) a mdia da diferena entre os salrios;

b) a mdia do salrio dos homens;
c) a mdia do salrio das mulheres.
25) Em uma pesquisa efetuada em com 1650 americanos foram consultados sobre o
seguinte tema: "A mulher grvida pode procurar um mdico e interromper a gravidez,
a qualquer momento durante os trs primeiros meses. a favor ou contra esta
deciso?" Uma semana mais tarde foram consultados 1650 americanos foram
consultados sobre o mesmo assunto , exceto que a pergunta "a favor do aborto, ao
invs de "interromper a gravidez". As respostas foram as seguintes:
Pergunta
"Interromper a gravidez"
"A favor do aborto"
A favor
46%
41%
Resposta
Contra
39%
49%
Sem opinio
15%
10%
a) Seja 1 a proporo dos votantes a favor do 1o caso (interromper) e 2 a proporo

dos votantes a favor do 2 o caso (aborto). Construir um intervalo de 95% de confiana
para a diferena 1 - 2. R = LI = 0.01628, LS = 0.08379
b) Repetir a (a) para os votantes que no tiveram opinio. R = LI = 0.0275, LS = 0.0725
26) Numa pesquisa sobre inteno do comprador brasileiro. 30 famlias de uma amostra
aleatria de 150 declararam ser uma inteno comprar um carro novo dentro de um
ano. Uma outra amostra de 160 famlias 25 declararam a mesma inteno. Construir
um intervalo de 99% de confiana para as diferenas entre as propores.
R = LI = 0.0727, LS = 0.1527
112
9 Teste de Hip te ses

Trata-se de uma tcnica para se fazer inferncia estatstica. Ou seja, a partir de um teste de
hipteses, realizado com os dados amostrais, pode-se inferir sobre a populao.
No caso da inferncia atravs de Intervalo de confiana, busca-se "cercar" o
parmetro populacional desconhecido. Aqui formula-se uma hiptese quanto ao valor do
parmetro populacional, e pelos elementos amostrais faz-se um teste que indicar a
ACEITAO ou REJEIO da hiptese formulada.
9.1 Principais Conceitos
9.1.1 Hiptese Estatstica
Trata-se de uma suposio quanto ao valor de um parmetro populacional, ou quanto
natureza da distribuio de uma varivel populacional.
So exemplos de hipteses estatsticas:
a) A altura mdia da populao brasileira 1,65 m, isto : H: = 1,65 m;
b) A varincia populacional dos salrios vale $ 500 2, isto , H: 2 = 500 2 ;
c) A proporo de paulistas fumantes 25%, ou seja, H: p = 0.25
d) A distribuio dos pesos dos alunos da nossa faculdade normal.
9.1.2 Teste de Hiptese
uma regra de deciso para aceitar ou rejeitar uma hipteses estatstica com base nos
elementos amostrais.
9.1.3 Tipos de Hipteses
Designa-se por Ho, chamada hiptese nula, a hipteses estatstica a ser testada, e por
H1 a hiptese alternativa. A hiptese nula expressa uma igualdade, enquanto que a hiptese
alternativa dada por uma desigualdade ( , < , >).
113
Exemplos:
H 0: = 0
H 1: 0
Teste Bicaudal ou Bilateral
H 0: = 0
H 1: > 0
Teste Unilateral Direito
H 0 : = 0
H 1: < 0
Teste Unilateral Esquerdo
9.1.4 Tipos de erros

H dois tipos de erro ao testar uma hiptese estatstica. Pode-se rejeitar uma
hipteses quando ela , de fato verdadeira, ou aceitar uma hipteses quando ela , de fato,
falsa. A rejeio de uma hiptese verdadeira chamada "erro tipo I". A aceitao de uma
hiptese falsa constitui um "erro tipo II".
.
As probabilidades desses dois tipos de erros so designados, respectivamente, por e

A probabilidade do erro do tipo I denominada "nvel de significncia" do teste.
Os possveis erros e acertos de um teste esto sintetizados abaixo:
Realidade
H o verdadeira
Deciso
Aceitar H o
Deciso correta (1 - )
H o falsa
Erro Tipo II ( )
Rejeitar Ho
Erro Tipo I ( )
Deciso Correta (1 - )
Observe que o erro tipo I s poder acontecer se for rejeitado Ho e o erro tipo II
quando for aceito Ho .
114
9.2 Teste de significncia

Os testes de Significncia considera somente erros do tipo , pois so os mais usados
em pesquisas educacionais, scio-econmicas. . .
passo:
O procedimento para realizao dos testes de significncia resumido nos seguintes

1 o ) Enunciar as hipteses H 0 e H 1;
2 o ) fixar o limite do erro , e identificar a varivel do teste;
3 o ) com o auxlio das tabelas estatsticas, considerando e a varivel do teste,
determinar as RR (regio de rejeio) e RA (regio de aceitao) para Ho;
4 o ) com os elementos amostrais, calcular o valor da varivel do teste;
5 o ) concluir pela aceitao ou rejeio do H0 pela comparao do valor calculado no
4o passo com RA e RR.
9.2.1 Teste de significncia para a mdia
1. Enunciar as hipteses:
0 (a)
H1 : > 0 (b)
< (c)
H 0 : = 0
2. Fixar . Admitindo:
- Se a varincia populacional 2 for conhecida, a varivel teste ser "Z" (n>30);
- Se a varincia populacional 2 for desconhecida, a varivel teste ser "t" de Student
com = n -1 (n 30).
3. Com o auxlio das tabelas "Z" e "t" determinar as regies RA e RR;
(a)
(b)
115
(c)
4. Calcular o valor da varivel:

Z cal =
X 0
t cal =
X 0
S
n
onde: X = mdia amostral

0 = valor da hiptese nula
5. Concluso para a situao ( a )
- Se Z Zcal + Z ou t t cal + t , no se pode rejeitar Ho.
2
- Se Zcal < Z ou Zcal > +Z ou t cal < t ou t cal > + t , rejeita-se Ho.
2
OBS.: Para qualquer tipo de teste de significncia devemos considerar:

- Se a varivel teste (calculada) cair dentro da regio de aceitao
(RA) no se pode rejeitar Ho ;
- Se a varivel teste (calculada) cair fora da regio de aceitao (RA)
rejeita-se Ho.
Ex.: Os dois registros dos ltimos anos de um colgio, atestam para os calouros
admitidos uma nota mdia de 115 pontos (teste vocacional). Para testar a
hiptese de que a mdia de uma nova turma a mesma, tirou-se, ao acaso, uma
amostra de 20 notas, obtendo-se mdia 118 e desvio padro 20. Admitir = 5%,
para efetuar o teste. (R = aceita-se Ho )
9.2.2 Teste de significncia para a proporo
p 0 (a)
H1 : > p 0 (b)
< p (c)
Ho : = po
2. Fixar . Escolhendo a varivel normal padro "Z";

3. Com o auxlio da tabela "Z" determinar as regies RA e RR;
116
(b)
(a)
(c)
f p0
Z cal =
onde f =
p0 . q0
n
X
n
onde: f = freqncia relativa do evento na amostral

X = caracterstica dentro da amostra
po = valor da hiptese nula
5. Concluso para a situao (a)
- Se Z Zcal + Z , no se pode rejeitar Ho .
2
- Se Zcal < Z ou Zcal > +Z , rejeita-se Ho.

2
Ex.: As condies de mortalidade de uma regio so tais que a proporo de nascidos

que sobrevivem at 60 anos de 0,6 . Testar essa hiptese ao nvel de 2%, se
em 1000 nascimentos amostrados aleatoriamente, verificou-se 530
sobreviventes at 60 anos. (R = rejeita-se Ho )
9.2.3 Teste de significncia para a varncia
2 20 (a)
H1 : 2 > 20 (b)
2 < 2 (c)
0
Ho : 2 = 20
2. Fixar . Escolhendo a varivel qui-quadrado com = n -1.
117
3. Com o auxlio da tabela " 2 " determinar as regies RA e RR;
(b)
(a)
Para ( a ) temos: 2inf = 2 2sup = 2

1 ;
2
(c)
Para ( b ) temos: 2sup = 2 ;

Para ( c ) temos: 2inf = 12;
2cal =
( n 1)S 2
20
onde: S2 = varincia amostral

2 = valor da hiptese nula
5. Concluso para a situao (a)
- Se 2inf cal 2sup , no se pode rejeitar Ho.
- Se 2cal < 2inf ou 2cal > 2sup , rejeita-se Ho.
Ex.: Para testar a hiptese de que a varincia de uma populao 25, tirou-se uma
amostra de 25 elementos obtendo-se S2 = 18,3. Admitindo-se = 5%, efetuar o
teste de significncia unicaudal a esquerda. (R = aceita-se H o)
10.2.4 Teste de significncia para igualdade de duas mdias
1 o caso) Se as varincias populacionais 2 forem conhecidas e supostamente iguais,
independentes e normais, a varivel teste ser "Z" (n1 + n 2 > 30) ;
Ho : 1 = 2 ou 1 - 2 = d
118
1 2
H1 :
1 2 d
onde d a diferena admitida entre as duas mdias.

Zcal =
(X
X2 ) d
21 22
+
n1 n2
5. Concluso:
Optar pela aceitao ou rejeio de Ho .
Ex.: Um fabricante de pneus faz dois tipos. Para o tipo A, = 2500 Km, e para o
tipo B, = 3000 Km. Um taxi testou 50 pneus do tipo A e 40 pneus do tipo B,
obtendo 24000 Km e 26000 Km de durao mdia dos respectivos tipos.
Adotando um risco de 4% e que existe uma diferena admitida de 200 Km entre
as marcas, testar a hiptese de que a vida mdia dos dois tipos a mesma.
(R = rejeita-se Ho )
2 o caso) Se as varincias populacionais 2 forem desconhecidas, independentes e
normais, a varivel teste ser "t" (n1 + n2 30) com = n1 + n2 -2;
a) As estimativas diferentes
Ho : 1 = 2 ou 1 - 2 = d
1 2
H1:
1 2 d

2. Fixar . Escolhendo a varivel "t" de Student;
3. Com o auxlio da tabela "t" determinar as regies RA e RR;
119
t cal =
(X
X2 ) d
S21 S22
+
n1 n2
5. Concluses:
Ex.: Dois tipos de pneus foram testados sob as mesmas condies meteorolgicas. O
tipo A fabricado pela fabrica A, registrou uma mdia de 80.000 km rodados com
desvio padro de 5.000 km. em 6 carros amostradas. O tipo B fabricado pela
fbrica B, registrou uma mdia de 88.000 km com desvio padro de 6.500 km em
12 carros amostradas. Adotando = 5% testar a hiptese da igualdade das
mdias.
b) As estimativas iguais
1 2
H1:
1 2 d
Ho : 1 = 2 ou 1 - 2 = d
2. Fixar . Escolhendo a varivel "t" de Student;
3. Com o auxlio da tabela "t" determinar as regies RA e RR;

t cal =
(X
S c.
X2 ) d
1
1
+
n1 n 2
onde S C =
( n1 1)S21 + ( n2 1)S22
n1 + n 2 2
5. Concluses:
Ex.: Dois tipos de tintas foram testados sob as mesmas condies meteorolgicas. O
tipo A registrou uma mdia de 80 min para secagem com desvio padro de 5
min. em cinco partes amostradas. O tipo B, uma mdia de 83 min com desvio
padro de 4 min. em 6 partes amostradas. Adotando = 5% testar a hiptese da
igualdade das mdias. (R = aceita-se Ho )
120
9.2.5 Teste de significncia para igualdade de duas propores

H o : 1 = 2
H 1: 1 2

Z cal =
p$ 1 p$ 2
p$ 12 .q$ 12
n
onde p$ 1 =
X1
X
X + X2
, p$ 2 = 2 , p$ 12 = 1
n1
n2
n1 + n 2
5. Concluses:
Ex.: Deseja-se testar se so iguais as propores de homens e mulheres que lem
revista e se lembram do determinado anncio. So os seguintes os resultados da
amostra aleatria independente de homens e mulheres: Admita = 10%.
Homens
X1 = 70
n1 = 200
Mulheres
X2 = 50
n2 = 200
9.2.6 Teste de significncia para igualdade de duas varincias

H 0 : 12 = 22
H 1: 21 22
2. Fixar . Escolhendo a varivel "F" com 1 = n1 - 1 graus de liberdade no

numerador, e 2 = n2 - 1 graus de liberdade no denominador.
3. Com o auxlio da tabela "F" determinar as regies RA e RR;
Fsup = F ( 1, 2 )
Finf = F1 ( 1 , 2 ) =
121
1
F ( 2 , 1 )
Fcal =
S21
S22
5. Concluses:
Ex.: Dois programas de treinamento de funcionrios foram efetuados. Os 21
funcionrios treinados no programa antigo apresentaram uma varincia de 146
pontos em sua taxa de erro. No novo programa, 11 funcionrios apresentaram
uma varincia de 200. Sendo = 10%, pode-se concluir que a varincia
diferente para os dois programas?
9.3 Exerccios
1) O crescimento da indstria da lagosta na Flrida nos ltimos 20 anos tornou esse
estado americano o 2o mais lucrativo centro industrial de pesca. Espera -se que
uma recente medida tomada pelo governo das Bahamas, que proibiu os pescadores
norte americanos de jogarem suas redes na plataforma continental desse pas.
Produza uma reduo na quantidade de Kg de lagosta que chega aos Estados
Unidos. De acordo com ndices passados, cada rede traz em mdia 14 Kg de
lagosta. Uma amostra de 20 barcos pesqueiros, recolhida aps a vigncia da nova
lei, indicou os seguintes resultados, em Kg (Use = 5%)
7.89
15.28
10.93
8.57
13.29
16.87
9.57
17.96
17.96
19.68
5.53
10.79
15.6
18.91
11.57
19.59
8.89
12.47
10.02
11.06
Estes dados mostram evidncias suficientes de estar ocorrendo um decrscimo na

quantidade mdia de lagostas pescadas por barco, que chega aos Estados Unidos,
depois do decreto do governo das Bahamas? Teste considerando = 5%.
(bilateral)
2) Os resduos industriais jogados nos rios, muitas vezes, absorvem oxignio,
reduzindo assim o contedo do oxignio necessrio respirao dos peixes e
outras formas de vida aqutica. Uma lei estadual exige um mnimo de 5 p.p.m.
(Partes por milho) de oxignio dissolvido, a fim de que o contedo de oxignio
seja suficiente para manter a vida aqutica. Seis amostras de gua retiradas de um
rio, durante a mar baixa, revelaram os ndices (em partes por milho) de oxignio
dissolvido:
122
4.9
5.1
4.9
5.5
5.0
4.7
Estes dados so evidncia para afirmar que o contedo de oxignio menor que 5
partes por milho? Teste considerando = 5% e = 1%.
3) A Debug Company vende um repelente de insetos que alega ser eficiente pelo
prazo de 400 horas no mnimo. Uma anlise de 90 itens aleatoriamente
inspecionados acusou uma mdia de eficincia de 380 horas.
a) Teste a afirmativa da companhia, contra a alternativa que a durao inferior a 400
horas, ao nvel de 1%, seu desvio padro de 60 horas.
b) Repita o teste, considerando um desvio padro populacional de 90 horas.
4) Ao final de 90 dias de um dieta alimentar envolvendo 32 pessoas, constatou-se o
seguinte ganhos mdio de peso 40 g, e desvio padro de 1,378g.
a) Supondo que o ganho de peso mdio dessas pessoas de 45 g, teste a hiptese para
= 5%, se esse valor o mesmo (bilateral)
b) Supondo que a varincia dessas pessoas de 1.8 g2, teste a hiptese para = 5%,
se esse valor o mesmo (bilateral).
5) Uma pesquisa feita alega que 15% dos pessoas de uma determinada regio sofrem
de cegueira aos 70 anos. Numa amostra aleatria de 60 pessoas acima de 70 anos
constatou-se que 12 pessoas eram cegas. Teste a alegao para = 5% contra p >
15%.
6) A tabela abaixo mostra a quantidade de pessoas que obtiveram o melhor efeito
perante a aplicao de duas drogas:
Droga A
Sexo
Masculino
Feminino
Total
Droga B
muscular
intravenosa
muscular
21
20
41
10
12
22
22
25
47
Total
53
57
110
a) Testar a hiptese de que a proporo de homens submetidos a droga A de 35%,

sendo = 3%.
b) Testar a hiptese de que a proporo dos adultos que tiveram melhor resultado nas
aplicaes musculares de 85%, usando = 2%.
c) Testar a hiptese de que a proporo de mulheres de 50%, usando = 5%.
d) Testar a hiptese de que a proporo de pessoas submetidos a droga A de 65%,
usando = 4%.
7) Um processo de fabricao de arame de ao d um produto com resistncia mdia
de 200 psi. O desvio padro de 20 psi. O engenheiro de controle de qualidade
deseja elaborar um teste que indique se houve ou no variao na mdia do
123
processo, usando uma amostra de 25 arames obteve-se uma mdia de 285 psi. Use
um nvel de significncia de 5%. Suponha normal a populao das resistncias.
8) A DeBug Company vende um repelente para insetos que alega ser eficiente pelo
prazo de 400 horas no mnimo. Uma anlise de 9 itens escolhidos aleatoriamente
acusou uma mdia de eficincia de 380 horas. a) Teste a alegao da companhia,
contra a alternativa que a durao inferior a 400 horas no mnimo ao nvel de
1%, e o desvio padro amostral de 60 horas. b) Repitas o item (a) sabendo que o
desvio padro populacional de 90 horas.
9) Um laboratrio de Anlises Clnicas realizou um teste de impurezas em 9 pores
de um determinado composto. Os valores obtidos foram: 10,32; 10,44; 10;56;
10,.60; 10,63; 10,67; 10,7; 10.73; 10,75 mg. a) estimar a mdia e a varincia de
impurezas entre as pores. b) Testar a hiptese de que a mdia de impureza de
10.4, usando = 5%. c) Testar a hiptese de que a varincia um usando =
5%.
10) Uma experincia tem mostrado que 40% dos estudantes de uma Universidade
reprovam em pelo menos 5 disciplinas cursada na faculdade. Se 40 de 90
estudantes fossem reprovados em mais de 5 disciplinas, poderamos concluir
quanto a proporo populacional, usando = 1%.
11) Para verificar a eficcia de uma nova droga foram injetados doses em 72 ratos,
obtendo-se a seguinte tabela:
Sexo
Machos
Fmeas
Tamanho da Amostra
41
31
Varincia
43.2
29.5
Testar a igualdade das duas varincias usando = 10%.

12) Sendo
Amostra 1
n1 = 60
X 1 = 5.71
12 = 43
Amostra 2
n2 = 35
X 2 = 4.12
22 = 28
a) Testar a igualdade das duas mdias usando = 4%.

b) Testar a igualdade das duas varincias usando = 5%
124
13) Na tabela abaixo esto registrados os ndices de vendas em 6 supermecados para

os produtos concorrentes da marca A e marca B. Testar a hiptese de que a
diferena das mdias no ndice de vendas entre as marcas zero, usando = 5%.
Supermercado
1
2
3
4
5
6
Marca A
14
20
2
11
5
12
Marca B
4
16
28
9
31
10
14) Da populao feminina extraiu-se uma amostra resultando:

Renda (em $1000)
No de mulheres
10 |--- 25
25 |--- 40
40 |--- 55
55 |--- 70
70 |---85
12
10
da populao masculina retirou-se uma amostra resultando:

Renda (em $1000)
No de homens
10 |--- 25
25 |--- 40
40 |--- 55
55 | --- 70
70 |---85
15
12
a) Testar ao nvel de 10% a hiptese de que a diferena entre a renda mdia dos
homens e das mulheres valha $ 5000.
b) Testar ao nvel de 5% a hiptese de que a diferena entre as varincias valha 0.
15) Uma empresa de pesquisa de opinio seleciona, aleatoriamente, 300 eleitores de
So Paulo e 400 do Rio de Janeiro, e pergunta a cada um se votar ou no num
determinado candidato nas prximas eleies. 75 eleitores de SP e 120 do RJ
responderam afirmativo. H diferena entre as propores de eleitores favorveis
ao candidato naqueles dois estados? use = 5%.
16) Esto em teste dois processos para fechar latas de comestveis. Numa seqncia
de 1000 latas, o processo 1 gera 50 rejeies, enquanto o processo 2 acusa 200
rejeies. Pode ao nvel de 5%, concluir que os dois processos sejam diferentes?
9.4 Teste do Qui-quadrado 2
Anteriormente foi testado hipteses referentes a um parmetro populacional ou
mesmo a comparao de dois parmetros, ou seja, so os testes paramtricos. Agora ser
testado aqueles que no dependem de um parmetro populacional, nem de suas respectivas
estimativas. Este teste chamado de teste do Qui-quadrado.
O teste do Qui-quadrado usado quando se quer comparar freqncias observadas
com freqncias esperadas. Divide-se em trs tipos:
125
- Teste de adequao do ajustamento

- Teste de Aderncia
- Teste de Independncia (Tabela de Contingncia)
9.4.1 Procedimentos para a realizao de um teste Qui-quarado ( 2 )
1 o) Determinao das Hipteses:
Ho : Fo = Fe
H1: Fo Fe
2 o) Escolha do Nvel de Significncia ()

3 o)
Estatstica Calculada
4 o) Estatstica Tabelada:
5 o) Comparar o
2cal
2
cal
=
i =1
2tab = 2 ,
com tab e concluir:

2
6 o) Concluso:
Se
2cal
tab aceita -se Ho
Se
2cal
> tab rejeita-se H o
126
(Fo
Fe )
Fe
9.4.2 Teste de adequao do ajustamento

Suponhamos uma amostra de tamanho n. Sejam E1, E2, ..., Ek, um conjunto de
eventos possveis da amostra.
Eventos
E1
E2
:
Ek
Total
Freq. Obs.
Fo1
Fo2
:
Fok
n
Este teste indicado para verificar se as freqncias observadas dos k eventos (k

classes em que a varivel dividida) concordam ou no com as freqncias tericas esperadas.
As freqncias esperadas (Fei) so obtidas multiplicando-se o nmero total de
elementos pela proporo terica da classe i (n. pi).
Para encontrar o cal , necessita-se do nvel de Significncia () e dos graus de
liberdade (), os quais podem ser obtidos da seguinte forma:
2
1 o) = k - 1, quando as freqncias esperadas puderem ser calculadas sem que faam

estimativas dos parmetros populacionais a partir das distribuies amostrais.
2 o) = k - 1 - m, quando para a determinao das freqncias esperadas, m
parmetros tiverem suas estimativas calculadas a partir das distribuies amostrais. Pearson
mostrou que, se o modelo testado for verdadeiro e se todas as Fei 5%, estas devero ser
fundidas s classes adjacentes.
Ex1.: Deseja-se testar se o nmero de acidentes numa rodovia se distribui igualmente
pelos dias da semana. Para tanto foram levantados os seguintes dados ( =
5%).
Dia da Semana
No de Acidentes
Dom
Seg
Ter
Qua
Qui
Sex
Sab
33
26
21
22
17
20
36
Resoluo:
Ho : As freqncias so iguais em todos os dias
H1 :As freqncias so diferentes em todos os dias
127
Dia da Semana
No de Acidentes
pi
Fe = n . p i
2calc =
Dom
Seg
Ter
Qua
Qui
Sex
Sab
k=7
33
1/7
25
26
1/7
25
21
1/7
25
22
1/7
25
17
1/7
25
20
1/7
25
36
1/7
25
175
(33 25)2 + (26 25)2

25
25
+ ... +
(36 25) 2
25
---
---
= 12
2tab = 25%, 6 = 12. 5
2cal = 12
Concluso: Como o 2cal < 2tab, aceita-se Ho, ou seja, para = 5%, as freqncias
podem ser iguais.
Ex2.: O nmero de livros emprestados por uma biblioteca durante certa semana est
a seguir. Teste a hiptese que o nmero de livros emprestados no dependem do dia da
semana, com = 1%.
Dia da Semana
No de Livros
Seg
Ter
Qua
Qui
Sex
110
135
120
146
114
R = 2cal = 7.29 ; tab = 12%, 4 = 13. 28

2
9.4.3 Teste de aderncia

usada a estatstica 2 quando deseja-se testar a natureza da distribuio amostral.
Por exemplo, quando se quer verificar se a distribuio amostral se ajusta a um determinado
modelo de distribuio de probabilidade (Normal, Poisson, Binomial, ...), ou seja, verifica-se a
boa ou m, aderncia dos dados da amostra do modelo.
Ex1.: O nmero de defeitos por unidade de uma amostra de 100 aparelhos de TV
produzidos por uma linha de montagem apresentou a seguinte distribuio:
No de Defeitos
No de Aparelhos
25
35
18
13
Verificar se o nmero de defeitos por unidade segue razoavelmente uma

distribuio de Poisson, com = 5%.
Resoluo:
Ho : A distribuio do no de defeitos/unidade segue uma Poisson
H1 : A distribuio do no de defeitos/unidade no segue uma Poisson
128
No de Defeitos
No de Aparelhos
25
35
18
13
100
pi
0.212
0.329
0.255
0.132
0.051
0.016
0.004
0.001
1.000
Fe = n . pi
21.2
32.9
25.5
13.2
5.1
1.6*
0.4*
0.1*
100
Para calcular pi, temos: pi =
e i
(Distribuio de Poisson)
i!
n
=X=
e 1. 55 (1.55)
= 0.212
0!
X .f
i
i =1
p0 =
= 1.55
e 1 .55 (1.55)
= 0.051
4!
4
p4 =
e 1.55 (1.55)
p5 =
= 0.016
5!
e 1 .55 (1.55)
p1 =
= 0.329
1!
1
e 1 .55 (1.55)
= 0.255
2!
2
p2 =
e 1. 55 (1.55)
= 0.004
6!
6
p6 =
e 1.55 (1.55)
p3 =
= 0.132
3!
e 1 .55 (1.55)
p7 =
= 0.001
6!
* = Fei 5%, logo deve ser agrupada com a classe adjacente.

2calc =
(25 21.2 )2 + (35 32.9) 2

21.2
32.9
+ ... +
(9 7.2 )2
.243
1472
= 3.474
4 5 6 7
k = 5 (nmero de classes aps agrupament o)

= k 1 m = 5 11 = 3
m = 1 (nmero de estimadore s usados) (X )
2tab = 25%, 3 = 7. 81
Concluso: Como o 2cal 2tab , aceita-se Ho, ou seja, para = 5%, a distribuio do
nmero de defeitos/unidade pode seguir uma Distribuio de Poisson.
129
Ex2.: Verificar se os dados das distribuio das alturas de 100 estudantes do sexo
feminino se aproxima de uma distribuio normal, com = 5%.
150 |--- 156

156 |--- 162
162 |--- 168
168 |--- 174
174 |--- 180
180 |--- 186
No de Estudantes
4
12
22
40
20
2
k=6
100
Altura (cm)
Transf. "Z"
Prob (rea)
Fe = n . p i
- |--- -1.94
-1.94 |--- -1.04
-1.04 |--- -0.14
-0.14 |--- 0.76
0.75 |--- 1.66
1.66 |--- +
0.026 *
0.123
0.295
0.332
0.175
0.048 *
2.6
12.3
29.5
33.2
17.5
4.8
1.000
100.0
Resoluo:
Ho : A distribuio da altura das estudantes do sexo feminino normal
H1 : A distribuio da altura das estudantes do sexo feminino no normal
Para calcular pi, temos: Zi =
x
(Distribuio Normal Padro)
S
=X=
2calc =
X i . fi
i =1
f .(X
n
S=
= 168 .96
i =1
X)
n1
= 6.67
Z1 =
156 168. 96
= 1. 94
6. 67
Z4 =
174 168. 96
= 0. 76
6. 67
Z2 =
162 168 . 96
= 1. 04
6. 67
Z5 =
180 168. 96
= 1. 65
6. 67
Z3 =
168 168.96
= 0.14
6. 67
(( 4 + 12) (2.6 + 12.3)) 2 (22 29.5) 2 (40 33.2)2 (( 20 + 2) (17.5 + 4.8)) 2

14
14444
2.94444
3
29 .5
1 2
33 .2
22
14444
2.34444
3
= 3.38
5 6
k = 4 (nmero de classes aps agrupament o)

= k- 1- m = 4- 1-2 = 1
m = 2 (nmero de estimadore s usados) ( X) (S)
2tab = 25%,1 = 3. 84
Concluso: Como o 2cal 2tab , aceita-se Ho, ou seja, para = 5%, a distribuio da
altura das estudantes do sexo feminino normal.
130
9.4.4 Tabelas de contingncia Teste de independncia

Uma importante aplicao do teste 2 ocorre quando se quer estudar a relao entre
duas ou mais variveis de classificao. A representao das freqncias observadas, nesse
caso, pode ser feita por meio de uma tabela de contingncia.
Ho : As variveis so independentes (no esto associadas)
H1 : As variveis no so independentes (esto associadas)
O nmero de graus de liberdade dado por: = (L - 1) (C - 1), onde L o nmero
de linhas e C o nmero de colunas da tabela de contingncia.
k
2cal =
(Fo
i =1
Fe )
Fe
Feij =
(soma da linha i )(soma da coluna j)

total de observaes
Obs.: Em tabelas 2 x 2 temos 1 grau de liberdade, por isso utiliza -se a correo de
Yates, onde para n 50 pode ser omitida.
O teste do 2 no indicado em tabelas 2 x 2 nos seguintes casos:
i) quando alguma freqncia esperada for menor que 1;
ii) quando a freqncia total for menor que 20 (n 20);
iii) quando a freqncia total (20 n 40) e algumas freqncias esperadas for
menor que 5. Neste caso aplica-se o teste exato de Fischer.
Ex.: Verifique se h associao entre os nveis de renda e os municpios onde foram
pesquisados 400 moradores. Use = 1%.
Municpio
X
Y
A
28
44
Nveis de Renda
B
C
42
30
78
78
D
24
76
Ho : As variveis so independentes
H1 : As variveis so dependentes
X
Y
Total (c)
Fe11 =
A
28
44
72
B
42
78
120
124 x72
= 22. 32
400
C
30
78
108
Fe21 =
131
D
24
76
100
Total ( l )
124
276
400
276x72
= 49. 68
400
Fe12 =
124x120
= 37. 2
400
Fe22 =
276x120
= 82. 8
400
Fe13 =
124x108
= 33. 48
400
Fe23 =
276x108
= 74. 52
400
Fe14 =
124x100
= 31.0
400
Fe24 =
276x100
= 69
400
2
calc
2
2
(
28 22,.32)
(
42 37, 2)
=
+
22,32
2
(
76 69)
+ ... +
37,2
69
= 5,81
2tab = 12%;( 2 1)( 41) = 12%;3 = 11,34

Concluso: Como o 2cal 2tab , aceita-se Ho, ou seja, para = 1%, as variveis so
independentes.
Uma medida do grau de relacionamento, associao ou dependncia das classificaes
em uma tabela de contingncia dada pelo coeficiente de contingncia.
C=
2cal
2cal + n
Quanto maior o valor de C, maior o grau de associao, O mximo valor de C

depender do nmero de linhas e colunas da tabela e pode variar de 0 (independncia) a 1
(dependncia total).
9.5 Exerccios
1) Verificar se os dados se a justam a uma distribuio de Poisson,
= 2.5%.
No de Acidentes
No de Dias
0
25
1
19
2
10
3
9
4
4
5
3
2) Testar para = 5% se h alguma relao entre as notas escolares e o salrio.

Salrios
Alto
Mdio
Baixo
Alta
18
26
6
Notas Escolares
Baixa
Mdia
5
17
16
38
9
15
132
R = aceita H o
3) Determine o valor do coeficiente de contingncia considerando os dados: = 1%.

Sexo
Masculino
Feminino
Partido
A
50
29
B
72
35
C = 4%
4) Com o objetivo de investigar a relao entre a situao do emprego no momento

em que se aprovou um emprstimo e saber se o emprstimo est, agora, pago ou
no, o gerente de uma financeira selecionou ao acaso 100 clientes obtendo os
resultados da tabela. Teste a hiptese nula de que a situao de emprego e a de
emprstimo so variveis independentes, com = 5%.
Estado Atual
do Emprstimo
Em mora
Em dia
Situao de Emprego
Empregado
Desempregado
10
8
60
22
R = Aceita H o
5) A tabela indica o nmero mdio de acidentes por mil homens/hora da amostra de

50 firmas obtidas de uma indstria especfica. A mdia desta distribuio de
2.32 e o desvio padro de 0.42. Teste a hiptese nula de que as freqncias
observadas seguem uma distribuio normal, com = 5%.
No de Acidentes
1.5 --- 1.7
1.8 --- 2.0
2.1 --- 2.3
2.4 --- 2.6
2.7 --- 2.9
3.0 --- 3.2
Total
No de Firmas
3
12
14
9
7
5
50
R = Aceita Ho
6) Verifique se a distribuio se ajusta a normal. ( = 5%), onde 200 casas de aluguel

foram pesquisadas, obtendo-se a seguinte distribuio:
Classes ($)
250 |--- 750
750 |--- 1250
1250 |--- 1750
1750 |--- 2250
2250 |--- 2750
2750 |--- 3250
3250 |--- 3750
3750 |--- 4250
4250 |--- 4750
Total
freq. observada
2
10
26
45
60
37
13
5
2
200
133
10 REGRESS O E C ORRELAO
10.1 Introduo
Muitas vezes de interesse estudar-se um elemento em relao a dois ou mais
atributos ou variveis simultaneamente.
Nesses casos presume-se que pelo menos duas observaes so feitas sobre cada
elemento da amostra. A amostra consistir, ento, de pares de valores, um valor para cada uma
das variveis, designadas, X e Y. Um indivduo i qualquer apresenta o par de valores (Xi ; Yi).
Objetivo visado quando se registra pares de valores (observaes) em uma amostra, o
estudo das relaes entre as variveis X e Y.
Para a anlise de regresso interessam principalmente os casos em que a variao de
um atributo sensivelmente dependente do outro atributo.
O problema consiste em estabelecer a funo matemtica que melhor exprime a
relao existente entre as duas variveis. Simbolicamente a relao expressa por uma equao
de regresso e graficamente por uma curva de regresso.
10.2 Definio
Constitui uma tentativa de estabelecer uma equao matemtica linear que descreva o
relacionamento entre duas variveis (uma dependente e outra independente).
A equao de regresso tem por finalidade ESTIMAR valores de uma varivel, com
base em valores conhecidos da outra.
Ex.: Peso x Idade; Vendas x Lucro; Nota x Horas de Estudo
10.3 Modelo de Regresso
yi = xi + + i
y i valor estimado (varivel dependente);
x i varivel independente;
coeficiente de regresso (coeficiente angular);
coeficiente linear;
i resduo.
134
10.3.1 Pressuposies
Na regresso, os valores de "y" so estimados com base em valores dados ou
conhecidos de "x", logo a varivel "y" chamada varivel dependente, e "x" varivel
independente.
a) A relao entre X e Y linear (os acrscimos em X produzem acrscimos proporcionais em
Y e a razo de crescimento constante).
b) Os valores de X so fixados arbitrariamente (X no uma varivel aleatria).
c) Y uma varivel aleatria que depende entre outras coisas dos valores de X.
d) i o erro aleatrio, portanto uma varivel aleatria com distribuio normal, com mdia
zero e varincia 2. [ i ~ N (0, 2)]. i representa a variao de Y que no explicada pela
varivel independente X.
e) Os erros so considerados independentes.
Ex.: Vendas (x 1000) X Lucro (x100)
Obs.
Vendas
Lucro
1
201
17
2
225
20
3
305
21
4
380
23
5
560
25
6
600
24
7
685
27
8
735
27
10.3.1 Grfico (Diagrama de Disperso)

Tem como finalidade ajudar na deciso se uma reta descreve adequadamente ou no
o conjunto de dados.
28
26
Lucro
24
22
20
18
16
150
250
350
450
550
650
750
850
Vendas
Pelo grfico podemos observar que a possvel reta de regresso ter um coeficiente de
regresso (coeficiente linear) positivo.
135
10.4 Mtodo para estimao dos parmetros e

As estimativas dos parmetros e dadas por a e b, sero obtidas a partir de
uma amostra de n pares de valores (xi, yi) que correspondem a n pontos no diagrama de
disperso. Exemplo:
O mtodo mais usado para ajustar uma linha ret a para um conjunto de pontos
(x1 , y1 ), ..., (x n ,y n ) o Mtodo de Mnimos Quadrados:
O mtodo dos mnimos quadrados consiste em adotar como estimativa dos
parmetros os valores que minimizem a soma dos quadrados dos desvios.
10.4.1 Caractersticas
1 a) A soma dos desvios verticais dos pontos em relao a reta zero;
2 a) A soma dos quadrados desses desvios mnima.
Os valores de "a" e "b" da reta de regresso y$ = a x + b sero:
a=
i=1
i =1
i =1
n xy x y
n
n x x
i =1
i=1
n
Sxy
b = y a x
Sxx
Para cada par de valores (xi , y i) podemos estabelecer o desvio:
e i = y i yi = yi ( a + bx i )
Para facilitar os clculos da reta de regresso, acrescentamos trs novas colunas na
tabela dada.
Obs.
1
2
3
4
5
6
7
8
Vendas
Xi
201
225
305
380
560
600
685
735
3691
Lucro
Yi
17
20
21
23
25
24
27
27
184
X 2i
Yi2
X i .Yi
40401
50625
93025
144400
313600
360000
469225
540225
2011501
289
400
441
529
625
576
729
729
4318
3417
4500
6405
8740
14000
14400
18495
19845
89802
136
a=
i =1
i =1
i =1
n x i yi x i y i
n
n
n x 2i x i
i =1
i =1
8(89802) (3691)(184)
= 0,0159
2
8(2011501) (3691)
b = y a x = 23 - (0,159)(461,38) = 15,66
y = 0,0159 x + 15,66
Sada do Statistica
28
26
24
Lucro
y = 15,66 + 0,0159 x
22
20
18
16
150
250
350
450
550
650
750
850
Vendas
Partindo da reta de regresso podemos afirmar que para uma venda de 400 mil
podemos obter um lucro de y$ = ( 0. 0159 ) (400.000) + 15.66 = 22 mil .
Sadas do Statistica
Obs.: Para qualquer tipo de equao de regresso devemos ter muito cuidado para
no extrapolar valores para fora do mbito dos dados. O perigo da extrapolao para fora dos
dados amostrais, que a mesma relao possa no mais ser verificada.
137
10.5 Decomposio da varincia Total

A disperso da variao aleatria y pode ser medida atravs da soma dos quadrados
dos desvios em relao a sua mdia y . Essa soma de quadrados ser denominada Soma de
Quadrados Total (SQTotal).
n
SQTotal = (y i y)
i =1
A SQTotal pode ser decomposta da seguinte forma:

n
i =1
i =1
i =1
2
2
2
( yi y) = (y i y) + ( yi yi )
Essa relao mostra que a variao dos valores de Y em torno de sua mdia pode ser
n
dividida em duas partes: uma ( yi y) que explicada pela regresso e outra

2
i =1
(y
yi ) ,
2
i =1
devido ao fato de que nem todos os pontos esto sobre a reta de regresso, que a parte no
explicada pela regresso ou variao residual.
Assim:
SQ. Total = SQRegresso + SQResduo
SQRegress ~ao
, e denominada coeficiente de
SQTotal
determinao, indica a proporo ou percentagem da variao de Y que explicada pela
regresso.
A estatstica definida por r 2 =
Note que 0 r2 1.
Frmulas para clculo:
2
n
SQTotal = ( yi y) = n y yi ,
i =1
i =1
i =1
n
2
i
com (n - 1) graus de liberdade.

n
SQ Regresso =
( y
i =1
n
n
n
2
y) = b n x i yi x i y i ,
i =1
i =1
i =1
com (n - 2) graus de liberdade.
138
10.6 Anlise de Varincia da Regresso

A Soma de Quadrados da Regresso (SQRegresso), segue uma distribuio de 2
(qui-quadrado) com (1) grau de liberdade, enquanto que a Soma de Quadrados do Resduo
(SQResduos) segue a mesma distribuio, porm com (n - 2) graus de liberdade. Portanto, o
quociente
SQRegress ~
a o/1 QMRegress ~
ao
=
,
SQ Residuo/n - 2
QMResiduo
segue uma distribuio F de Snedecor com 1 e (n - 2) graus de liberdade.

Esse fato nos permite empregar a distribuio F de Snedecor para testar a
significncia da regresso, atravs da chamada Anlise de Varincia, sintetizada no quadro
abaixo:
Anlise de Varincia
Causas de Variao
Regresso
G.L.
1
SQ
SQRegresso
Resduo
n- 2
SQResduo
Total
n- 1
SQTotal
QM
QMRegress ~
ao
1
QMResduo
n -2
---
F
QMRegress ~
ao
QMResiduo
-----
onde QM representa Quadrado Mdio e obtido pela diviso da Soma de Quadrados pelos
respectivos graus de liberdade.
Para testar a significncia da regresso, formula-se as seguintes hipteses:
H0: =0 contra H1: 0, onde representa o coeficiente de regresso paramtrico.
Se o valor de F, calculado a partir do quadro anterior, superar o valor terico de F
com 1 e (n - 2) graus de liberdade, para o nvel de significncia , rejeita -se H0 e conclui -se que
a regresso significativa.
Se Fcalc. > F [1,(n-2)], rejeita-se H0.
139
Para o exemplo anterior:

Vendas
Lucro
Obs.
Xi
Yi
X 2i
Yi2
X i .Yi
1
2
3
4
5
6
7
8
201
225
305
380
560
600
685
735
3691
17
20
21
23
25
24
27
27
184
40401
50625
93025
144400
313600
360000
469225
540225
2011501
289
400
441
529
625
576
729
729
4318
3417
4500
6405
8740
14000
14400
18495
19845
89802
yi = 0,0159x i + 15,66
n
n
n
SQRegress ~
a o = a n x i y i x i y i
i =1
i =1
i =1
SQRegress~
a o = 0,0159[8(89802) (3691)(184)] = 624,42
n
n
SQTotal = n y 2i y i
i =1
i=1
SQTotal = 8(4318) - (184) 2 = 688,00

Causas de Variao
Regresso
Resduo
Total
G.L.
1
6
7
SQ
624,42
63,5 8
688,00
QM
624,42000
10,59587
---
F
58,93
-----
H0: = 0 e H1: 0
Comparando o Fcalc. = 58,93 com o Ftab. = F0,05 (1,6) = 5,99
Conclui-se que a regresso de y sobre x segundo o modelo yi = 0,0159x i + 15,66
significativa ao nvel de significncia de 5%. Uma vez estabelecida e testada a equao de
regresso, a mesma pode ser usada para explicar o relacionamento entre as variveis e tambm
para fazer previses dos valores de Y para valores fixados de X.
140
Sadas do Statistica
10.7 Coeficiente de Determinao (r)

o grau em que as predies baseadas na equao de regresso superam as predies
baseadas em y , ou ainda a proporo entre a varincia explicada pela varincia total.
Varincia Total = soma dos desvios ao quadrado
2
n
VT = SQTotal = ( yi y) = n y yi ,
i =1
i =1
i =1
n
2
i
Varincia No-explicada = soma de quadrados dos desvios em relao a reta y$

VE =
(y
yi )
i =1
Para facilitar os clculos usaremos:

2
n
n
n
n xy x y
COVxy
i=1
i =1
i =1
r2 =
=
Sxx. Syy
n 2 n 2 n 2 n 2
n x x n y y
i =1 i=1
i =1
i=1
r2 =
[8(89802) - (3691)(184)]2
[8(2011501) - (3691) ][8(4318) - (184) ]

2
= 0.908
O valor de r varia de 0 a 1, logo o fato de r = 0.908 (no exemplo), indica que

aproximadamente 91% da variao do lucro esto relacionados com a variao das vendas, em
outras palavras 9% da variao dos lucros no so explicados pelas vendas.
141
Sadas do Statistica
10.8 Coeficiente de Correlao (r)

Tem como objetivo encontrar o grau de relao entre duas variveis, ou seja, um
coeficiente de correlao.
Esta a forma mais comum de anlise, envolvendo dados contnuos, conhecido
como "r de Pearson ".
10.8.1 Caractersticas do r
- Pode assumir valores positivos (+) como negativos (-), semelhante ao coeficiente
de regresso de uma reta ajustada num diagrama de disperso;
- A magnitude de r indica quo prximos da "reta" esto os pontos individuais;
- quando o r se aproxima de +1 indica pouca disperso, e uma correlao muito forte
e positiva;
- quando o r se aproxima de "zero" indica muita disperso, e uma ausncia de
relacionamento;
- quando o r se aproxima de -1 indica pouca disperso, e uma correlao muito forte
e negativa.
valor de r
-0,5
+0,5
-1
+1
Negativa Negativa Negativa
forte
moderada fraca
Positiva Positiva Positiva

fraca
moderada
forte
142
10.8.2 Medidas de Correlao

10.8.2.1 Tratamento Qualitativo (correlao momento produto)
Relao entre as variveis, mediante a observao do diagrama de disperso.
10.8.2.2 Tratamento Quantitativo
o estabelecimento das medidas de correlao.
O valor de "r" pode ser enganoso, na realidade, uma estatstica mais significante o r
(coeficiente de determinao), que d o valor percentual da variao de uma varivel explicativa
em relao a outra varivel.
r=
n
n
n
n xy x y
Sxy
i =1
i =1
i =1
=
S xx .Syy
n 2 n n 2 n
n x x n y y
i =1 i =1
i =1
i =1
Logo podemos observar que o coeficiente de determinao nos d uma base intuitiva
para a anlise de correlao.
No exemplo temos r = 0.95 3
Sada do Statistica
LUCRO = 15,660 + ,01591 * VENDAS
Correlao: r = ,95295
28
26
Lucro
24
22
20
18
16
150
250
350
450
550
Vendas
143
650
750
850
Regression
95% confid.
10.9 Exerccios
Para os dados abaixo:
a) Construa um diagrama de disperso;
b) Determine a reta de regresso;
c) Faa uma anlise de varincia do modelo;
d) Calcule o Coeficiente de Explicao;
e) Calcule o Coeficiente de Correlao de Pearson;
f) Interprete os resultados obtidos.
X = 1o Exame e Y = 2 o Exame
Aluno
Exame 1
Exame 2
1
82
92
2
84
91
3
86
90
4
83
92
5
88
87
6
87
86
7
85
89
8
83
90
9
86
92
10
85
90
R = y$ = 0. 79 x +157. 25 ; r = 53.29%; r = -0.73

X = horas de estudo e Y = Nota da Prova
Aluno
Horas
Nota
1
2
1
2
4
3
3
5
6
4
5
6
5
6
8
6
8
7
7
9
8
8
10
10
6
32
92
7
18
72
R = y$ = 0. 98 x + 0.12 ; r = 82.99%; r = +0.911

X = Seguro (x 1000 ) e Y = Renda (x100)
Indivduo
Seguro
Renda
1
20
64
2
16
61
3
34
84
4
23
70
5
27
88
8
22
77
R = y$ = 1. 50 x + 40.08 ; r = 74.3%; r = +0.86

X = Peso do Pai (kg) e Y = Peso do Filho (kg)
Indivduo
Peso Pai
Peso Filho
1
65
68
2
63
66
3
67
68
4
64
65
5
68
69
6
62
66
R = y$ = 0. 48 x + 35.48; r = 40.58%; r = +0.637
144
7
70
68
8
66
65
9
68
71
10
67
67
1 1 Re fe r ncia s Bib liogrf ica s

COSTA NETO, P.L.O.; CYMBALISTA, M. (1994). Probabilidades. So Paulo: Edgard
Blucher.
FONSECA, J.S.; MARTINS, G.A. (1993). Curso de estatstica. 4a ed. So Paulo: Atlas.
LAPONNI, Juan Carlos (1997). Estatstica usando o Excel. So Paulo: Lapponi
Treinamento e Editora.
MILONE, G.; ANGELINI, F. (1995). Estatstica aplicada. So Paulo: Atlas.
SNEDECOR, G. W.; COCHRAM, W. G. (1989). Statistical Methods. 8rd ed. Iowa: Iowa
State University Press, 1989.
WONNACOTT, T.H.; WONNACOTT, R. J. (1990). Introductory Statistics. New York.
John wiley & Sons;
145

Inferência Estatística

Enviado por

Direitos autorais:

Formatos disponíveis

Inferência Estatística

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Inferência Estatística

Enviado por

Direitos autorais:

Formatos disponíveis

APO STILA

Luis Felipe Dias Lopes, Dr.

Populao (N): Conjunto de todos os elementos relativos a um determinado fenmeno

Finita - apresenta um nmero limitado de observaes, que passvel de contagem.

Amostra (n): um subconjunto da populao e dever ser considerada finita, a amostra

1.2 Censo x Amostragem

Pesquisa Estatstica: qualquer informao retirada de uma populao ou amostra,

Censo: a coleta exaustiva de informaes das "N" unidades populacionais.

Amostragem: o processo de retirada de informaes dos "n" elementos amostrais, no

1.3 Dado x Varivel

Dados estatsticos: qualquer caracterstica que possa ser observada ou medida de

- Qualitativas (ou atributos): So caractersticas de uma populao que no pode ser

Parmetros: so medidas populacionais quando se investiga a populao em sua

Estatsticas ou Estimadores: so medidas obtidas da amostra, torna-se possvel neste

1.5 Arredondamento de Dados

2 a) Se o primeiro algarismo aps aquele que formos arredondar for de 6 a 9,

4 a) Quando, arredondarmos uma srie de parcelas, e a soma ficar alterada, devemos

arredondando para inteiro:

1.6 Fases do mtodo estatstico

2 Repre se ntao tab ular

2.2 Elementos de uma tabela

Ttulo: O ttulo deve responder as seguintes questes:

Cabealho: parte da tabela na qual designada a natureza do contedo de cada coluna.

Coluna Indicadora: coluna que contm as discriminaes correspondentes aos valores

2.3 Sries Estatsticas

Srie Temporal ou Cronolgica: a srie cujos dados esto dispostos em

Fonte: Conjuntura Econmica (fev. 1983)

Srie Geogrfica ou Territorial: a srie cujos dados esto dispostos em

Fonte: Anurio Estatstico (1984)

Srie Especfica ou Qualitativa: a srie cujos dados esto dispostos em

Fonte: Anurio Estatstico (1984)

Fonte: Anurio Estatstico (1984)

2.4 Distribuio de Freqncia

Fonte: Departamento de Estatstica (1990)

b) Distribuio de Freqncias Intervalar: Na distribuio de freqncia, os intervalos

Fonte: Departamento de Estatstica (1990)

Elementos de uma Distribuio de Freqncias:

Limite de Classe (li ou Li): So os valores extremos de cada classe.

Amplitude do intervalo de classe (h): a diferena entre dois limites inferiores ou

ou a partir do X1 os demais pontos mdios pode ser determinado por:

Freqncia absoluta (fi): a quantidade de valores em cada classe

Freqncia Acumulada (Fi): o somatrio da freqncia absoluta da i-sima classe com

Freqncia Relativa Acumulada (Fri): o somatrio da freqncia relativa da i-sima

Fonte: Conjuntura Econmica (Fev. 1983)

3.1.1 Grfico de linhas comparativas

Fonte: Anurio Estatstico (1984)

3.2 Grficos de colunas ou barras

Fonte: Anurio Estatstico (1984)

3.2.2.1 Grfico de colunas comparativas

Fonte: Anurio Estatstico (1984)

b) Colunas Sobrepostas (grfico comparativo)

Fonte: Anurio Estatstico (1984)

3.2.2 Grfico de Barras

10000 20000 30000 40000 50000

Fonte: Anurio Estatstico (1984)

Fonte: Anurio Estatstico (1984)

3.4 Grfico Pictorial - Pictograma

Fonte: Grandes nmeros da educao brasileira maro de 1996

3.4.1 Exemplos de pictogramas