Apostila Estatística - PoliUSP

ESCOLA POLITCNICA DA UNIVERSIDADE DE SO PAULO
DEPARTAMENTO DE ENGENHARIA DE PRODUO
ESTATSTICA I
Prof. Alberto W. Ramos
SO PAULO, 2016
ESTATSTICA
ESTATSTICA
a cincia que trata da coleta, organizao, descrio,

anlise e interpretao de dados experimentais
Dados
ESTATSTICA
Informaes
Para que precisamos de informaes ?
ALBERTO W. RAMOS 2016
ESTATSTICA
TERMOS BSICOS
Termo
Populao (ou universo)
Amostra
Censo
Varivel
Significado
a coleo de todas as unidades sobre as quais desejamos
informaes
parte da coleo total de
unidades
a pesquisa que envolve 100%
da populao
Aquela caracterstica na qual
estamos interessados
Inferncia
Estatstica
POPULAO
(OU
UNIVERSO)
AMOSTRA
Probabilidade
ESTATSTICA
Clculo de
Probabilidades
ESTATSTICA
PROBABILIDADE
DETERMINSTICOS
FENMENOS
PROBABILSTICOS
Definies:
a) Espao Amostral (S): conjunto de todos os resultados
possveis de um fenmeno probabilstico.
Ex.: lanamento de dado S = {1,2,3,4,5,6}
b) Evento (A,B,C,...): qualquer subconjunto de S.
Ex.:
P = ponto par = {2,4,6}

I = ponto mpar = {1,3,5}
T = ponto maior que trs = {4,5,6}
Obs.: S = evento certo

= evento impossvel
ESTATSTICA
OPERAES COM EVENTOS

a) Evento interseco: A B
Ex.: P T = {4,6} (ambos ocorrem)
A
AB
B
b) Evento unio: A B
Ex.: P I = {1,2,3,4,5,6} = S (pelo menos um ocorre)
S
A
B
AB
B
c) Evento complementar: A
Ex.: P = {1,3,5} = I
(P no ocorre)
S
A
A
c) Eventos mutuamente exclusivos: A B =

Ex.: P I =
(P e I no ocorrem ao mesmo tempo)

A
ESTATSTICA
DEFINIO DE PROBABILIDADE
um nmero real, associado a um evento, que mede sua
chance de ocorrncia:
P( A ) =
m
n
onde:
m o nmero de resultados favorveis a A
n o nmero de resultados possveis, desde que igualmente provveis
Observaes:
a) 0 P(E) 1
b) P(AB) = P(A) + P(B) - P(AB)
c) P( A ) = 1 - P(A)
ESTATSTICA
EXEMPLO
Seja o lanamento de dois dados: um preto e outro banco.
Qual a probabilidade de se obter ponto no dado preto menor
que o branco?
(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)

(1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
(1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
S=
(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)

(1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
PRETO
BRANCO
P( A ) =
15
36
ESTATSTICA
PROBABILIDADE CONDICIONADA
Notao: P(A/B)
probabilidade do evento A, sabendo-se

que o evento B ocorreu
Ex.: A chuva
B previso de chuva
P(A/B)
probabilidade de chuva dado que houve

previso de chuva
Definio:
P(A/B) =
P( A B)
, P(B) 0
P(B)
P(B/A) =
P( A B)
, P(A) 0
P( A )
ou
logo:
P(AB) = P(A) . P(B/A) = P(B) . P(A/B)
ESTATSTICA
10
EXEMPLO
Seja o lanamento de dois dados, com A: dar ponto 1, 2 ou 3
no primeiro dado e B: dar soma 6. Calcular P(A/B) e P(B/A).
AB
(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)

(1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
(1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
S=
(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)

(1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
P( A ) =
18 1
=
36 2
A
15 5
P(B) =
=
36 12
P( A B)
P(A/B) =
=
P(B)
1
3
5
12
P( A B)
P(B/A) =
=
P( A )
P( A B) =
1
3
1
2
12 4
=
15 5
2
3
12 1
=
36 3
ESTATSTICA
11
EVENTOS INDEPENDENTES
Se P(A/B) = P(A/ B ) = P(A) o evento A estatisticamente
independente de B P(B/A) = P(B/ A ) = P(B)
Neste Caso:
P(AB) = P(A) . P(B)
ESTATSTICA
12
TEOREMA DA PROBABILIDADE TOTAL

Sejam A1, A2, ..., An eventos mutuamente exclusivos e
exaustivos (partio) e seja B um evento qualquer de S.
A1
A2
A3
B
A4
...
An
i =1
i =1
B = U A i B P(B) = P( A i B)
n
P(B) = P(Ai ).P(B/Ai )

i =1
(TPT)
ESTATSTICA
13
TEOREMA DE BAYES
Nas mesmas condies do Teorema da Probabilidade Total.
P( A j / B) =
P( A j / B) =
P( A j B)
P(B)
P( A j ).P(B / A j )
n
P(A i ).P(B / A i )
i=1
(TB)
ESTATSTICA
14
Variveis
Aleatrias
ESTATSTICA
15
VARIVEIS ALEATRIAS
Uma varivel aleatria (VA) a representao dos eventos
de uma partio de S atravs de nmeros reais.
Exemplos:
a) nmero de caras obtidas no lanamento de trs moedas.
b) soma de pontos obtida no lanamento de dois dados.
0
1
A1
A2
p
VA
A3
Probabilidade em S
Funo VA
Funo Probabilidade
ESTATSTICA
16
TIPOS DE VARIVEIS ALEATRIAS (VA)
Discreta S finito
VA
Contnua S infinito
VA Discretas:
A distribuio de probabilidade representada pela funo
probabilidade, tal que:
a) P(X=xi) 0, xi
b)
P( X = xi ) = 1
i
c)
P( X = xi ) = P(a < X b)
xi >a
ESTATSTICA
17
EXEMPLO
Seja X o nmero de caras (K) obtidas no lanamento de trs
moedas.
CCC KCC KKC KKK
S=
CKC KCK
CCK CKK
xi
P(X=xi)
1/8
3/8
3/8
1/8
P(X=xi)
3/8
2/8
1/8
0
xi
ESTATSTICA
18
VA Contnuas:
S infinito e a probabilidade de cada resultado individual
zero (mas no teoricamente impossvel). A distribuio de
probabilidade representada pela funo densidade de
probabilidade fX(x).
a) fX(x) 0
+
b)
( x )dx = 1
a)
( x )dx = P(a < x b), b > a
fX(x)
P(a<xb)
ESTATSTICA
19
EXEMPLO
Seja uma funo densidade de probabilidade definida como:
fX(x)
K
a) determinar o valor de K.
b) equacionar esta fdp.
ESTATSTICA
20
FUNO DE REPARTIO OU DE
DISTRIBUIO ACUMULADA
definida por:
FX ( x ) = P( X x )
- < x < +
Para VAB discretas tem-se:
FX (a) =
P( X = x )
i
x i a
Para VAB contnuas tem-se:

a
FX (a) =
( x )dx
Propriedades:
a) FX ( ) = 0
b) FX ( +) = 1
c) P(a < X b) = FX (b) FY (a)
ESTATSTICA
21
EXEMPLO
Obter as funes de distribuio acumulada dos dois
exerccios anteriores.
ESTATSTICA
22
PARMETROS DE POSIO
Indicam onde se localiza o centro da distribuio.
1) Mdia ou Valor Esperado: (X)
VA Discreta: ( X) = x i.P( X = x i )
VA Contnua: ( X) = x.fX ( x )dx
Propriedades:
a) (K) = K, K = constante
b) (K.X) = K. (X)
c) (X+Y) = (X) + (Y)

d) (X-Y) = (X) - (Y)
e) (XK) = (X) K
f) Se X e Y so independentes (X.Y) = (X) . (Y)
2) Mediana: MD
o ponto tal que: P(X<MD) = P(X>MD) = .
3) Moda: MO
o ponto de mxima probabilidade ou densidade de
probabilidade.
ESTATSTICA
23
PARMETROS DE DISPERSO
Indicam a variabilidade da distribuio de probabilidade.
1) Varincia: 2(X), V(X)
2 ( X) = [( X )2 ] = ( X2 ) [( X)]2
VA Discreta:
( X) = ( xi ) .P( X = x i ) = x .P( X = xi ) xi.P( X = xi )

i
i
i
2
2
i
VA Contnua:
( X) = ( x ) .fX ( x )dx = x .fX ( x )dx x.fX ( x )dx
Propriedades:
a) 2(K) = 0, K = constante
b) 2(K.X) = K2. 2(X)
c) Se X e Y so independentes:
2(X+Y) = 2(X) + 2(Y)
2(X-Y) = 2(X) + 2(Y)
d) 2(XK) = 2(X)
ESTATSTICA
24
2) Desvio-Padro: (X)
( X) = 2 ( X)
3) Coeficiente de Variao: CV
CV =
( X)
( X)
ESTATSTICA
25
EXEMPLOS
Seja X o nmero de caras (K) obtidas no lanamento de trs
moedas.
xi
P(X=xi)
1/8
3/8
3/8
1/8
P(X=xi)
3/8
2/8
1/8
0
( X) = x i.P( X = x i ) = 0 x
xi2.P( X = xi ) = 02 x
i
xi
1
3
3
1 12
+ 1x + 2 x + 3 x =
= 1,5
8
8
8
8 8
3
1 24
1 2 3
+ 1 x + 22 x + 3 2 x =
=3
8
8
8
8 8
2 ( X) = x i2 .P( X = x i ) x i.P( X = x i ) = 3 (1,5 )2 = 0,75

i
ESTATSTICA
26
EXEMPLO
Seja uma funo densidade de probabilidade definida como:
fX(x)
K
Determinar a mdia (X) e a varincia 2(X).
ESTATSTICA
27
Principais
Distribuies de
Probabilidade
ESTATSTICA
28
DISTRIBUIES DISCRETAS
Distribuio de Bernoulli
Seja uma prova que s possa ter dois resultados:
1-p
fracasso X = 0
p
sucesso X = 1
com X = nmero de sucessos (0 ou 1)
xi
P(X = xi)
0
1-p
1
p
P(X=xi)
1-p
p
0
( X) = 0 (1 p) + 1 p = p
( X 2 ) = 0 2 (1 p) + 12 p = p
2 ( X) = ( X2 ) [( X)]2 = p p2 = p(1 p)
xi
ESTATSTICA
29
EXEMPLO
Um dado lanado cinco vezes. Qual a probabilidade de
sair ponto seis duas vezes ?
Eventos:
S (sucesso) sair ponto seis

F (fracasso) no sair ponto seis
Existem 10 maneiras (possibilidades) disto ocorrer:

SSFFF
SFSFF
SFFSF
SFFFS
FSFFS
FFSFS
FFFSS
FSSFF
FSFSF
FFSSF
Contudo existe uma maneira mais fcil, sem ter necessidade
de listar todas as possibilidades:
n
n!
= Cn,x =
x! (n x )!
x
n = nmero de tentativas (5 lanamentos)
x = nmero de sucessos (2 pontos seis)
ESTATSTICA
30
Distribuio Binomial
P( X = x ) = C n,x .p x .(1 p) n x
onde:
n = nmero de tentativas
x = nmero de sucessos
p = probabilidade de sucesso
A mdia e a varincia desta distribuio so:
( X) = n.p
2 ( X) = n.p.(1 p)
Um lote de 1000 peas foi recebido na empresa e sabe-se

que este tem 200 itens defeituosos. Se for retirada (com
reposio) uma amostra de 10 peas, qual a chance desta
conter 1 defeituosa ?
ESTATSTICA
31
Distribuio de Poisson
e t .( t )x
P( X = x ) =
x!
onde:
e = nmero de Euler (2,72)
= freqncia mdia de sucessos
t = intervalo de observao
Nesta distribuio a mdia e a varincia so:
( X) = t
2 ( X ) = t
Em um restaurante, no horrio do almoo, em mdia chegam

10 clientes por minuto. Qual a probabilidade de em dez
minutos chegarem exatamente 122 clientes ?
ESTATSTICA
32
APROXIMAES DE DISTRIBUIES
Se p 0,10 pode-se empregar a Distribuio de Poisson

no lugar da Binomial, fazendo-se n.p = .t.
Ex.: n = 20 e p = 0,02
PBINOMIAL (X=1) = 0,273
PPOISSON (X=1) = 0,268
ESTATSTICA
33
DISTRIBUIES CONTNUAS
Distribuio Exponencial
Seja T o intervalo decorrido entre dois sucessos consecutivos de um fenmeno de Poisson, com parmetro :
P( X = 0) = e t
P(X=0) a probabilidade de nenhum sucesso no intervalo de
observao t. Significa tambm a probabilidade do primeiro
sucesso levar mais do que t para ocorrer.
P( X = 0) = P(T > t ) = e t
P(T t ) = FT ( t ) = 1 e t
fT ( t ) =
d
FT ( t ) = e t , t 0
dt
f(t)
1,0
0,8
0,6
=1
0,4
0,2
0,0
0
10
(T ) =
2 (T ) =
1
2
ESTATSTICA
34
Distribuio Normal (ou de Gauss)

Seja X uma varivel aleatria contnua com a seguinte
distribuio:
1 x 2
1
fX ( x ) =
exp
, - < x < +
2
2
f(x)
0,18
0,16
( x ) = 5 0
(x ) = 2 , 5
0,14
0,12
0,10
0,08
0,06
0,04
0,02
0,00
42
44
46
48
50
52
54
56
Esta distribuio tem mdia e varincia:

( X) =
2 ( X) = 2
Obs.:
a) exp z = ez
b) comum escrever-se: X N(;2)
58
X
ESTATSTICA
35
DISTRIBUIO NORMAL REDUZIDA

(OU PADRONIZADA)
Seja X uma varivel aleatria tal que X N(;2) e seja Z
definida como:
z=
Ento: Z N(0;1), com:

f(z)
0,4
( z ) =0
(z ) = 1
0,3
0,2
0,1
0,0
-3
-2
-1
( Z ) = 0
2 ( Z ) = 1
Obs.:
a) P( x x 0 ) P(0 z z0 )
x
b) P( X x ) = P Z

ESTATSTICA
36
TABELA DA DISTRIBUIO NORMAL

valores de P(0 < Z < z0)
z0
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,0000
0,0398
0,0793
0,1179
0,1554
0,1915
0,2257
0,2580
0,2881
0,3159
0,3413
0,3643
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,4641
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,4953
0,4965
0,4974
0,4981
0,4987
0,4990
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
0,0040
0,0438
0,0832
0,1217
0,1591
0,1950
0,2291
0,2611
0,2910
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,4920
0,4940
0,4955
0,4966
0,4975
0,4982
0,4987
0,4991
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
0,0080
0,0478
0,0871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3685
0,3888
0,4066
0,4222
0,4357
0,4474
0,4573
0,4656
0,4726
0,4783
0,4830
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4982
0,4987
0,4991
0,4994
0,4995
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0120
0,0517
0,0910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3238
0,3485
0,3708
0,3907
0,4082
0,4236
0,4370
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983
0,4988
0,4991
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2703
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984
0,4988
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,3770
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,4750
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,3340
0,3577
0,3790
0,3980
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,4850
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985
0,4989
0,4992
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0319
0,0714
0,1103
0,1480
0,1844
0,2190
0,2517
0,2823
0,3106
0,3365
0,3599
0,3810
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,4980
0,4986
0,4990
0,4993
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,0359
0,0753
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,3830
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,4890
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986
0,4990
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,4999
0,5000
FONTE: COSTA NETO, P.L.O. Estatstica. So Paulo, Edgard Blucher, 1978.
ESTATSTICA
37
TEOREMA DO LIMITE CENTRAL

Uma varivel aleatria resultante da soma de n variveis
aleatrias independentes, no limite, quando n , tem
distribuio Normal.
TEOREMA DAS COMBINAES LINEARES

Uma varivel aleatria obtida pela combinao linear de
variveis aleatrias Normais independentes tem tambm
distribuio Normal.
ESTATSTICA
38
APROXIMAES PELA NORMAL

Binomial pela Normal
Se np 5 e n.(1-p) 5 vale a aproximao da
distribuio Binomial pela Normal.
Poisson pela Normal

Se t 5 vale a aproximao da distribuio de Poisson
pela Normal.
Correo da Continuidade
Como se aproxima uma distribuio discreta (Binomial ou
Poisson) por uma contnua (Normal), necessria esta
correo:
discreta: P(X=xi) Normal: P( x i 21 X xi + 21 )
discreta: P(x1Xx2) Normal: P( x 1 21 X x 2 + 21 )
ESTATSTICA
39
Estatstica
Descritiva
ESTATSTICA
40
TIPOS DE VARIVEIS
Nominais
Qualitativas
Ordinais
Variveis
Discretas
Quantitativas
Contnuas
Exemplo ( Variveis em uma ficha cadastral PF )

Varivel
1
Nmero de dependentes
Idade
Local de nascimento
Nvel educacional
Tipo
Qualitativa, nominal
Qualitativa, ordinal
Quantitativa, discreta
Quantitativa, contnua
ESTATSTICA
41
AMOSTRAGEM
To importante quanto determinar quantos itens devem ser
examinados na amostragem (tamanho da amostra), determinar
como coletar estes itens.
1. Amostragem simples (aleatria ou casual): todos itens da
populao tm igual chance de pertencer amostra (sorteio)
.
SORTEIO
AMOSTRA
POPULAO
2. Amostragem sistemtica: os itens encontram-se ordenados e

a retirada de elementos da amostra feita periodicamente
.
........
8 7 6 5 4 3 2 1
POPULAO
7 4 1
AMOSTRA
ESTATSTICA
42
3. Amostragem estratificada: a populao encontra-se dividida

em vrios estratos e as amostras so coletadas
aleatoriamente de cada estrato.
.
AMOSTRA
POPULAO
4. Amostragem por agrupamentos: a populao encontra-se

fisicamente dividida em pequenos grupos, que so sorteados
para formar a amostra.
.
AMOSTRA
POPULAO
ESTATSTICA
43
Distribuies
de Frequncias
ESTATSTICA
44
DISTRIBUIES DE FREQUNCIAS
Quando h uma grande quantidade de dados disponveis

( n 30 ) mais adequado trabalhar-se com estes agrupados
do que com os valores individualmente
Distribuies de frequncias permitem observar :
Quantas vezes ocorre um certo resultado
Simetria ou assimetria dos dados
Onde se concentram mais os valores
Qual a variabilidade (disperso) dos dados
Existncia de valores discrepantes (dados suspeitos)
Estratificao (diferentes subgrupos de dados)
ESTATSTICA
45
EXEMPLO
Trinta empresas foram selecionadas
classificadas de acordo com seu tamanho:
Tamanho
1 a 100 funcionrios
101 a 500 funcionrios
mais de 500 funcionrios
aleatoriamente
Categoria
P
M
G
Os resultados foram os seguintes:

M
M
G
P
G
P
M
M
G
M
M
G
M
M
G
P
M
G
G
M
M
G
P
M
M
G
P
G
M
G
Distribuio de frequncias:
Porte
P
M
G
Total
f
5
14
11
30
p
0,16
0,47
0,37
1,00
f : frequncia absoluta
p : frequncia relativa
14
12
Frequncia
10
0
P
Tamanho
ESTATSTICA
46
EXEMPLO
Nmero de pedidos de concesso de emprstimo recebidos por
uma agncia nas ltimas 20 semanas.
( 1) 2
( 5) 7
( 9) 1
(13) 3
(17) 4
( 2) 3
( 6) 4
(10) 3
(14) 4
(18) 1
( 3) 5
( 7) 2
(11) 3
(15) 0
(19) 2
Min = 0
( 4) 4
( 8) 5
(12) 5
(16) 3
(20) 3
Mx = 7 ( 8 valores distintos )
Distribuio de frequncias :
pedidos
frequncia
0
1
1
2
2
3
3
6
4
4
5
3
6
0
Frequncia
0
0
Pedidos
7
1
ESTATSTICA
47
EXEMPLO
Porcentagem do faturamento recolhido sob a forma de tributos
federais por 50 empresas
Souza Cruz
Autolatina
General Motors
Brahma
Philip Morris
Shell
Gessy Lever
IBM
Fiat Automveis
Nestl
Goodyear
Esso
Mercedes-Benz
Firestone
Pirelli
Texaco
Atlantic
Skol
Consul
Santa Marina
CBA
Antarctica Paulista
Brastemp
Suzano
Philips
36,9
28,4
25,7
65,4
46,7
3,4
15,8
20,6
14,2
9,0
15,1
1,8
1,9
32,7
17,6
3,8
4,5
37,5
14,3
20,3
7,7
46,5
12,1
12,7
4,8
Petrleo Ipiranga
Johnson & Johnson
Avon
Antarctica Rio
Alcan
Bosch
Klabin
Glasurit
Kaiser SP
Krupp
Carrefour
Usiminas
3M
Hoechst
Poliolefinas
Cebrasp
Arno
MBR
Estrela
Solvay
Kodak
Metal Leve
Champion
Rhodia
Antarctica Nordeste
3,1
10,1
17,8
28,9
7,8
18,9
11,0
11,1
56,1
27,0
2,4
5,2
26,0
8,0
22,9
30,0
13,9
8,0
3,4
13,3
10,2
14,2
9,1
4,8
29,4
ESTATSTICA
48
Como existem 50 (n=50) diferentes valores, vamos agrupar os

dados em classes, seguindo o seguinte procedimento:
a) Obter uma amostra de 50 a 100 dados (50 < n < 100)
b) Determinar o maior e o menor valor (xmax e xmin)
c) Calcular a amplitude total dos dados RT = xmax - xmin
d) Determinar o nmero de classes k = n
e) Calcular a amplitude das classes h = R/k
f) Determinar os limites das classes
g) Construir uma tabela de freqncias
h) Traar o diagrama
Resoluo:
xmin = 1,8
xmax = 65,4
RT = 65,4 1,8 = 63,6

k=
n = 50 7
h = 63,6/7 10
Limites das classes:
Limite inferior da 1 classe = 0
Limite inferior da 2a classe = 0 + 10 = 10
Limite inferior da 3a classe = 10+ 10 = 20 ....
ESTATSTICA
49
TABELA DE FREQUNCIAS
Classes
pA
0x<10
4,95
17
0,34
17
0,34
10x<20
14,95
16
0,32
33
0,66
20x<30
24,95
0,18
42
0,84
30x<40
34,92
0,08
46
0,92
40x<50
44,95
0,04
48
0,96
50x<60
54,95
0,02
49
0,98
60x<70
64,95
0,02
50
1,00
50
1,00
Total
Notao:
c : ponto mdio (centro) da classe
f : Frequncia absoluta
p: Proporo (frequncia relativa)
F : Frequncia absoluta acumulada
pA : Frequncia relativa acumulada
ESTATSTICA
50
HISTOGRAMA
18
16
14
Frequencia
12
10
8
6
4
2
0
0
10
20
30
40
50
60
70
ESTATSTICA
51
ANLISE DE HISTOGRAMAS
BIMODAL
TRUNCADO
RETNGULOS
ISOLADOS
ASSIMTRICO
ESTATSTICA
52
POLGONO DE FREQUNCIAS
ACUMULADAS
1
0,9
0,8
0,7
% Acumulada
0,6
0,5
0,4
0,3
0,2
0,1
0
0
10
20
30
40
50
60
70
ESTATSTICA
53
Medidas
Descritivas
ESTATSTICA
54
MEDIDAS DESCRITIVAS
Quando queremos caracterizar uma amostra, podemos

caracteriz-la mediante o clculo de certas quantidades
chamadas de medidas descritivas
1. Medidas de Posio
Mediana ( md ou Q2 ) e Quartis ( Q1 e Q3 )
Mdia ( x )
Moda ( mo )
2. Medidas de Disperso
Amplitude ( R )
Varincia ( s2 )
Desvio-padro ( s )
ESTATSTICA
55
MEDIANA
A mediana a quantidade que divide o conjunto de dados

ordenados da amostra em duas metades com igual nmero
de elementos. Quartil, por sua vez, divide em quatro metades
com iguais quantidades de elementos.
Exemplo
Participao de mercado das 12 maiores seguradoras em % do
valor total dos prmios emitidos. (Fonte: FENASEG in Exame,
Fev / 93 )
1,9
2,0
2,1
2,5
3,0
3,1
3,3
Mediana
md = 3,2
Primeiro Quartil
Q1 = 2,3
Terceiro Quartil
Q3 = 6,9
3,7
6,1
7,7
17,1 18,7
ESTATSTICA
56
EXEMPLO
Participao de mercado das 11 principais modalidades de
seguros em % do valor total dos prmios emitidos (outras
modalidades correspondem 6,9%)
RAMO
Automvel
Sade
Incndio
Vida
Riscos Diversos
Habitao
Transporte
Acidentes Pessoais
Obrigatrio Veculos
Riscos de Engenharia
Responsabilidade Civil *
%
33,6
14,0
12,9
12,2
5,5
5,3
3,1
2,9
1,7
1,0
0,9
Terceiro Quartil
Mediana
Primeiro Quartil
Fonte ( Fenaseg, in Exame, Fev / 93 )
ESTATSTICA
57
MDIA ARITMTICA
x=
x
n
Exemplos
A)
23
25
37
47
x ( A ) = 33
B)
10
57
60
x ( B ) = 33
C)
10
14
100 x ( C ) = 33
C
B
A
10
20
30
40
50
60
70
80
Quais as diferenas entre os conjuntos de dados ?
90
100
ESTATSTICA
58
No se deve tomar decises baseadas apenas na mdia

A mdia nem sempre o valor "mais comum" ou "mais tpico"
ou "ponto de simetria".
x
x
x
x
1
x
16
A mdia influenciada por dados suspeitos (outliers)

Salrios de uma empresa ( US$ )
800
800
1000
1400
96000 x = 20000
ESTATSTICA
59
VARINCIA E DESVIO-PADRO
Varincia:
( x x )2
s =
n 1
2
Desvio-Padro:
s = s2
Exemplo
A)
23
25
37
47
s2 = 125,33
s = 11,2
B)
10
57
60
s2 = 872,67
s = 29,5
C)
10
14
100
C
B
A
0
20
40
60
80
100
ESTATSTICA
60
DADOS AGRUPADOS
S devem ser utilizados quando no se dispuser dos dados
originais, uma vez que so valores aproximados. Em geral, a
aproximao boa.
Classes
pA
0x<10
4,95
17
0,34
17
0,34
10x<20
14,95
16
0,32
33
0,66
20x<30
24,95
0,18
42
0,84
30x<40
34,92
0,08
46
0,92
40x<50
44,95
0,04
48
0,96
50x<60
54,95
0,02
49
0,98
60x<70
64,95
0,02
50
1,00
50
1,00
Total
x=
f .c
x =
n
(f.c )2
f.c
( c x )2 f
2
2
n
s =
s =
n 1
n 1
2
s2 =
=
ESTATSTICA
61
MEDIANA E QUARTIS
Pode-se calcul-los utilizando o polgono de frequncias
acumuladas e observando o valor no eixo das abscissas.
1
0,9
0,8
0,7
% Acumulada
0,6
0,5
0,4
0,3
0,2
0,1
0
0
10
20
30
40
50
60
70
ESTATSTICA
62
Distribuies
Amostrais
ESTATSTICA
63
DISTRIBUIO DA MDIA ( x )
Como:
x=
ento:
xi
( x ) =
1
( x1 + x 2 + x 3 + ... + x n )
n
1
[( x1) + ( x 2 ) + ... + ( xn )]
n
1
[ + + ... + ] = n. =
n
n
por outro lado:

2
1
( x ) = 2 ( x1) + 2 ( x 2 ) + ... + 2 ( x n )
n
2
1 2
n. 2 2
2
2
= 2 [ + + ... + ] = 2 =
n
n
n
( x ) =
Obs.: se a amostragem sem reposio e a populao

finita, ento:
2 N n
( X) =
n N 1
2
ESTATSTICA
64
A distribuio de x normal, devido ao Teorema Limite

Central, desde que n seja suficientemente grande.
f(x)
0,20
0,15
distribuio de x
0,10
distribuio de x
0,05
0,00
10
15
20
25
30
35
40
f(x)
0,4
0,3
distribuio de x
0,2
0,1
distribuio de x
0,0
0
10
12
14
ESTATSTICA
65
DISTRIBUIO 2 (QUI-QUADRADO)
2
xi
=
= z i2

i =1
i=1
2
( 2 ) = ( zi2 ) = .( zi2 ) =
2 ( 2 ) = 2.
Propriedades:
a) Quando , 2 Normal (Teorema do Limite Central)
b) Se as variveis so independentes 21 + 2 2 = 21 + 2
f( 2)
0,5
0,4
=2
0,3
=3
0,2
=6
0,1
0,0
0
10
15
20
ESTATSTICA
66
TABELA DA DISTRIBUIO 2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
0,99
0,0002
0,0201
0,115
0,297
0,554
0,872
1,239
1,646
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,879
13,565
14,256
14,953
22,164
29,707
37,485
0,95
0,0039
0,103
0,352
0,711
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
11,591
12,338
13,091
13,848
14,611
15,379
16,151
16,928
17,708
18,493
26,509
34,764
43,188
0,90
0,0158
0,211
0,584
1,064
1,610
2,204
2,833
3,490
4,168
4,865
5,578
6,304
7,042
7,790
8,547
9,312
10,085
10,865
11,651
12,443
13,240
14,041
14,848
15,659
16,473
17,292
18,114
18,939
19,768
20,599
29,051
37,689
46,459
0,10
2,706
4,605
6,251
7,779
9,236
10,645
12,017
13,362
14,684
15,987
17,275
18,549
19,812
21,064
22,307
23,542
24,769
25,989
27,204
28,412
29,615
30,813
32,007
33,196
34,382
35,563
36,741
37,916
39,087
40,256
51,805
63,167
74,397
0,05
3,841
5,991
7,815
9,488
11,070
12,592
14,067
15,507
16,919
18,307
19,675
21,026
22,362
23,685
24,996
26,296
27,587
28,869
30,144
31,410
32,671
33,924
35,172
36,415
37,652
38,885
40,113
41,337
42,557
43,773
55,758
67,505
79,082
0,01
6,635
9,210
11,345
13,277
15,086
16,812
18,475
20,090
21,666
23,209
24,725
26,217
27,688
29,141
30,578
32,000
33,409
34,805
36,191
37,566
38,932
40,289
41,638
42,980
44,314
45,642
46,963
48,278
49,588
50,892
63,691
76,154
88,379
ESTATSTICA
67
DISTRIBUIO DA VARINCIA (s2)

Relembrando:
( x i x )2
s =
2
n 1
2
Se X ~ N(;) s2 ~ n
1 . Note que foi substitudo por x .
x x
n21 = i
=
i =1
( xi x)
2
( x i x )2 n 1 (n 1) s2
=
n 1
Logo:
2 2
s =
n 1
n 1
2
2
2
2
(s ) =
(n 1 ) =
(n 1) = 2
n 1
n 1
2
4
4
2.4
2
2
(s ) =
( n 1 ) =
2(n 1) =
(n 1)2
(n 1)2
n 1
2
ESTATSTICA
68
DISTRIBUIO DA FREQUNCIA (f)

Se a populao infinita ou amostragem com reposio p
(probabilidade de sucesso) constante.
Distribuio de f: Binomial.
( f ) = n.p
2 ( f ) = n.p.(1 p)
DISTRIBUIO DA PROPORO (p)

p =
f
n
Distribuio de p: Binomial.
f ( f ) n.p
(p) = =
=
=p
n
n
n

f 2 ( f ) n.p.(1 p) p.(1 p)
(p) = = 2 =
=
n
n2
n
n
2
ESTATSTICA
69
DISTRIBUIO t-STUDENT
Se X tem distribuio normal com mdia e desvio-padro
x tambm ter distribuio com mdia , mas com desviopadro / n
Pode-se definir:
z=
Se no lugar de for usado s, ento:
tn 1 =
x
s
n
0,20
distribuio de z
0,15
0,10
distribuio
de t n-1
0,05
0,00
-8
-6
-4
-2
z, t
ESTATSTICA
70
TABELA DA DISTRIBUIO t-STUDENT
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
30
50
80
120
0,100
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,310
1,299
1,292
1,289
1,282
0,050
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,697
1,676
1,664
1,657
1,645
0,025
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,042
2,009
1,990
1,980
1,960
0,010
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,457
2,403
2,374
2,351
2,326
ESTATSTICA
71
Estimao de
Parmetros
ESTATSTICA
72
Quando um parmetro de uma populao desconhecido,

vamos estim-lo a partir das estatsticas fornecidas pelas
amostras.
AMOSTRA
ESTATSTICA
POPULAO
PARMETRO
ESTATSTICA
73
ESTIMADOR E ESTIMATIVA
Estimador:
Quantidade calculada em funo dos

elementos da amostra, que ser usada
na estimao do parmetro.
Estimativa:
Um certo valor de um estimador.
EXEMPLO
113 - 124 - 115 - 107 - 120 - 115 110
estimador (de )
x
~
x
m0
estimativa
114,9
115
115
ESTATSTICA
74
ESTIMAO POR PONTO

A estimao por ponto consiste em fornecer um nico valor,
que a melhor estimativa para o parmetro da populao.
a) Estimao com base em uma amostra
Parmetro
Estimado
Melhor
Estimador
xi
x=
n
( x i )2
2
s =
n
( x i x )2
2
s =
n 1
s = s2
1
s=
s2
c4
f
p =
n
Observaes
conhecido
desconhecido
n 30
n < 30
ESTATSTICA
75
b) Estimao com base em vrias (k) amostras

Valores
x11 x12 x13 ... x1n
x21 x22 x23 ... x2n
x31 x32 x33 ... x3n
.
.
.
xk1 xk2 xk3 ... xkn
Amostra
1
2
3
.
.
.
k
x=
x
x1
x2
x3
.
.
.
xk
n1.x1 + n2 .x 2 + n3 .x 3 + ... + nk .x k
n1 + n2 + n3 + ... + nk
Se n1 = n2 = n3 = ... = nk x =
xi
k
(n1 1)s12 + (n2 1)s22 + ... + (nk 1)sk2

s =
n1 + n2 + ... + nk k
2
p
si2
Se n1 = n2 = n3 = ... = nk s =
2
p
pp =
n1.p1 + n2 .p2 + ... + nk .pk

n1 + n2 + ... + nk
pi
Se n1 = n2 = n3 = ... = nk pp =
k
s2
s12
s22
s32
.
.
.
sk2
ESTATSTICA
76
ESTIMAO POR INTERVALO

Todas as estimativas por ponto contm um erro, pois so
diferentes do valor do parmetro, embora prximas. Para
avaliar a magnitude do erro de estimao, constri-se um
Intervalo de Confiana (IC) em torno da estimativa, com
probabilidade conhecida.
Notao:
f(z)
0,4
z =1
0,3
0,2
0,1
0,0
p
0
zp
mdia da populao
x mdia da amostra
desvio-padro da populao
s desvio-padro da amostra
n tamanho da amostra
e0 semi-amplitude do IC IC = 2.e0
ESTATSTICA
77
a) IC para com conhecido:

0,20
0,15
0,10
1
0,05
0,00
/ 2
/ 2
-e 0
+e0
P( e0 x + e0 ) = 1
e0 x
x + e0
x + e0
x e0
x e0 x + e0
P( x e0 x + e0 ) = 1
_
x
ESTATSTICA
78
( + e 0 )
= z / 2
e0 = z / 2
IC para :
x z / 2
b) IC para com desconhecido:

Se desconhecido, substitui-se por s na frmula
anterior e, neste caso, passa-se a ter um t-Student com
n-1 graus de liberdade.
x t n 1; / 2
s
n
ESTATSTICA
79
c) IC para 2:
/ 2
/ 2
n21 =
(n 1) 2
s
2
P(n21;1 / 2 n21 n21; / 2 ) = 1
2
n 1;1 / 2
(n 1)s2
n21; / 2
2
(n 1)s2
(n 1)s2
2
2
n21; / 2
n 1;1 / 2
2
(n 1)s2
(
n
1
)
s
2
= 1
P 2
2
n1;1 / 2
n1; / 2
ESTATSTICA
80
d) IC para
(n 1)s 2
(n 1)s 2
n21; / 2
n21;1 / 2
= 1
e) IC para p
p tem Distribuio Binomial (p) = p
p(1 p)
2 (p) =
n
Se n.p 5 e n.(1-p) 5 vale aproximao pela Normal.
e0 = z / 2
p(1 p)
n
Como no conhecemos p, usamos p:
p z / 2
p.(1 p)
n
ESTATSTICA
81
TAMANHO DE AMOSTRAS
(PARA ESTIMAO)
a) Mdia:
. Se conhecido:
e0 = z / 2
n = / 2
e0
. Se desconhecido:
t
n = n 1; / 2
e0
n = tamanho da amostra-piloto
b) Proporo Populacional (probabilidade):
2
z
n = / 2 p(1 p)
e0
Se no h estimativa para p, adotar p = 1/2.
ESTATSTICA
82
Testes de
Hipteses
ESTATSTICA
83
Com base nos resaultados da amostra, quer se testar uma

certa hiptese (considerada como vlida, at prova em
contrrio), a respeito de um parmetro da populao.
Notao:
H0 = hiptese nula, a ser testada
H1 = hiptese alternativa
Exemplo:
H0 = o ru inocente
H1 = o ru culpado
Vai se obter uma amostra e:
aceito H0 (fraco)
rejeito H0 e afirmo H1 (forte)
ESTATSTICA
84
TIPOS DE ERROS
Dois tipos de erros podem ser cometidos em testes de
hipteses:
a) Erro tipo I: rejeitar H0 quando H0 verdadeira.
Ex.: juiz condenar um ru inocente.
b) Erro tipo II: aceitar H0 quando H0 falsa.
Ex.: juiz absolve um ru culpado.
Cada tipo de erro tem uma certa probabilidade de ser
cometido ( e , respectivamente).
REALIDADE
H0 verdadeira
H0 falsa
aceitar
H0
deciso correta
1-
erro tipo II
rejeitar
H0
erro tipo I
deciso correta
1-
DECISO
ESTATSTICA
85
EXEMPLO
Um certo fabricante de pneus afirma que estes tm durao

mdia de 45.000 Km e desvio-padro de 3.000 Km. Uma
empresa adquiriu um lote deste produto, retirou e testou uma
amostra de 16 pneus que forneceu x = 44.175 Km. Qual a
deciso: aceitar ou rejeitar o lote?
DICA:
quando montar as hipteses, colocar sempre

em H1 aquilo que se deseja afirmar ou provar.
ESTATSTICA
86
Hipteses:
H0: 45.000
H1: < 45.000
Se H0 verdadeira x ~ N(; n )
= 45.000
3.000
=
= 750
n
16
0,0005
_x = 7 5 0
0,0004
0,0003
1 = 0,95
0,0002
0,0001
0,0000
= 0,05
_
x1
z1 = 1,645 1,645 =
= 45000
_
X
x1 45.000
x1 43.766
750
Como x = 44.175, ainda cai na regio de probabilidade 1 -

= 95% aceito H0
ESTATSTICA
87
TESTES PARA A MDIA

A) conhecido:
1 Caso: H0: = 0
H1: < 0
_
x1
_
x
0
x1 = 0 z
Se x CALC < x1 rejeito H0
ou se
z CALC =
x CALC 0
< z
rejeito H0
ESTATSTICA
88
2 Caso: H0: 0
H1: > 0
_
x2
x 2 = 0 + z
Se x CALC > x 2 rejeito H0
ou se z CALC > z rejeito H0
_
x
ESTATSTICA
89
3 Caso: H0: = 0
H1: 0
/ 2
_
x1
/ 2
_
x2
x1 = 0 z / 2
x 2 = 0 + z / 2
Se x CALC < x1 ou x CALC > x 2 rejeito H0
ou se z CALC < z / 2ou z CALC > z / 2 rejeito H0
_
x
ESTATSTICA
90
B) desconhecido:
1 Caso: H0: = 0
H1: < 0
x1 = 0 t n 1;
ou
t CALC =
x CALC 0
s
n
Se x CALC < x 1 ou t CALC < t n1; rejeito H0
2 Caso: H0: 0
H1: > 0
x 2 = 0 + t n 1;
s
n
Se x CALC > x 2 ou t CALC > t n1; rejeito H0
ESTATSTICA
91
3 Caso: H0: = 0
H1: 0
x1 = 0 tn 1; / 2
s
n
x 2 = 0 + t n 1; / 2
s
n
Se x CALC < x1 ou x CALC > x 2 rejeito H0

Ou se t CALC < t n1; / 2 ou t CALC > t n1; / 2 rejeito H0
ESTATSTICA
92
TESTES PARA VARINCIA

1 Caso: H0: 2 = 02
H1: 2 > 02
Se H0 for verdadeira ( 2 = 02 ), resulta:
(n 1)s2
= n21
2
0
1
0
s22
2
Se sCALC
> s22 rejeito H0
2
(n 1)sCALC
Se
> n21; rejeito H0
2
0
2
Se CALC
> n21; rejeito H0
s2
ESTATSTICA
93
2 Caso: H0: 2 = 02
H1: 2 < 02
2
< n21;1 rejeito H0
Se CALC
3 Caso: H0: 2 = 02
H1: 2 02
2
Se CALC
< n21;1 / 2 rejeito H0
ou
2
2
Se CALC > n1; / 2 rejeito H0
ESTATSTICA
94
TESTES PARA PROPORO

Sabemos que p tem distribuio binomial. Porm, se n.p0 5
e n.(1-p0) 5 a distribuio de p poder ser aproximada
por uma distribuio normal*
1 Caso: H0: p = p0
H1 : p < p 0
p1 = p0 z
Se p' < p1 ou z CALC =
p0 (1 p0 )
n
p'p 0
p 0 (1 p 0 )
n
< z rejeito H
0
2 Caso: H0: p = p0
H1 : p > p 0
p2 = p0 + z
Se p' > p 2 ou z CALC =
p0 (1 p0 )
n
p'p 0
p 0 (1 p0 )
n
> z rejeito H
0
Nota: se esta aproximao no for vlida, deve-se empregar o

teste exato de Fischer, cuja teoria foge ao escopo deste curso.
ESTATSTICA
95
3 Caso: H0: p = p0
H1 : p p 0
p1 = p0 z / 2
p0 (1 p0 )
n
p 2 = p0 + z / 2
p0 (1 p0 )
n
Se p' < p1 ou se p' > p2 rejeito H0

ou ainda, se z CALC < z / 2 ou se z CALC > z / 2 rejeito H0
ESTATSTICA
96
TAMANHO DE AMOSTRA PARA

TESTES DE HIPTESES
Sejam as hipteses:
H0: 0
H1: > 0
e vamos assumir que:
conhecido e;
e esto fixados (determinados).
Se H0 verdadeira, ou seja, se = 0
_
x2
x 2 = 0 + z
_
x
ESTATSTICA
97
Mas, se em realidade = >0, ento
_
x2
'
E, consequentemente
x 2 = z
igualando-se ambas expresses, resulta em
z + z
n =

0
ou, se desconhecido
+t
t
n = n 1; n 1;
0
_
x
ESTATSTICA
98
Se, alternativamente, as hipteses testadas fossem:

H0: = 0
H1: 0
Ento:
z / 2 + z
n =

0
ou, se s fr desconhecido
t n 1; / 2 + t n 1;
n=
Analogamente, para o caso de testes unilaterais da

proporo, considerada vlida a aproximao da distribuio
da binomial pela normal:
z p 0 (1 p 0 ) + z p' (1 p' )
n=
p'p 0
Como ficara a expresso acima para teste bilateral da

proporo?
ESTATSTICA
99
Comparaes
Mltiplas
ESTATSTICA
100
COMPARAO DE VRIAS VARINCIAS

Sejam vrias amostras, de mesmo tamanho (n), retiradas de
k populaes Normais.
Se quisermos testar as hipteses:
H0: 12 = 22 = ... = k2
H1: pelo menos um i2 diferente dos demais
obtemos:
gCALC
max si2
=
(i = 1, 2,..., k)
2
si
e tambm:
gCRIT funo de n, k e
Se gCALC > gCRIT rejeito H0 e afirmo H1
ESTATSTICA
101
TABELA g
( = 5%)
k=2
3
4
5
6
7
8
9
10
n=2
0,9985
0,9669
0,9065
0,8412
0,7808
0,7271
0,6798
0,6385
0,6020
3
0,9750
0,8709
0,7679
0,6838
0,6161
0,5612
0,5157
0,4775
0,4450
4
0,9392
0,7977
0,6841
0,5931
0,5321
0,4800
0,4377
0,4027
0,3733
5
0,9057
0,7457
0,6287
0,5441
0,4803
0,4307
0,3910
0,3584
0,3311
6
0,8772
0,7071
0,5895
0,5065
0,4447
0,3974
0,3595
0,3286
0,3029
7
0,8534
0,6771
0,5598
0,4783
0,4184
0,3726
0,3362
0,3067
0,2823
Observaes:
k = quantidade de amostras
n = tamanho da amostra
8
0,8332
0,6530
0,5365
0,4564
0,3980
0,3535
0,3185
0,2901
0,2666
9
0,8159
0,6333
0,5157
0,4387
0,3817
0,3384
0,3043
0,2768
0,2541
10
0,8010
0,6167
0,5017
0,4241
0,3682
0,3259
0,2926
0,2659
0,2439
ESTATSTICA
102
EXEMPLO
Cinco amostras com quatro elementos cada forneceram si2 :
3,7 - 2,5 - 5,1 - 6,0 - 3,2. Ao nvel de significncia de 5%,
existe evidncia que alguma i2 seja diferente das demais?
n=4
k=5
max si2 = 6,0

2
si = 20,5
Com isso, temos:
gCALC =
6,0
= 0,2927
20,5
gCRIT = g5;4;5% = 0,5931
aceito que as varincias so iguais, ou seja:
12 = 22 = 32 = 24 = 52
ESTATSTICA
103
COMPARAO DE VRIAS MDIAS

Vamos imaginar que temos trs grupos de pessoas e que se
quer verificar se o seu QI (quociente de inteligncia) mdio
igual. Para tanto, sorteiou-se oito indivduos de cada grupo e
a estes foi aplicado um certo teste.
Os resultados obtidos sero apontados numa tabela da
seguinte forma:
Grupo
1
Notas
x12 x13 .... x18
x
x1
s2
s12
x21 x22 x23 .... x28
x2
s22
x31 x32 x33 .... x38
x3
s32
x11
Notao empregada:
n - tamanho da amostra (8, no caso)
k - quantidade de mdias comparadas (3, no caso)
x i - mdia da amostra do grupo i
x - mdia geral (mdia das mdias)

si2 - varincia da amostra do grupo i
s2d - varincia dentro da amostra (ou residual)
s2e - varincia entre amostras
s2t - varincia total
ESTATSTICA
104
Como no se conhece a varincia da populao, chamada de

2, pode-se estim-la mediante trs mtodos diferentes:
Mtodo 1: atravs dos s2 obtidos em cada grupo

2
s =
s2d
2
si2 ( xij x i )
=
=
k.(n 1)
Mtodo 2: atravs das mdias dos grupos
s2e
( x i x )2
= n.
k 1
Mtodo 3: atravs de todos os dados individuais
s2t
( xij x )2
=
n.k 1
Como toda esta notao muito complicada, vamos mostrar

os conceitos mediante aplicao ao exemplo do QI.
ESTATSTICA
105
Imagine que os resultados obtidos tenham sido os seguintes:

Grupo
1
4 5 5
2
2 4 3
3
3 6 6
Notas
4 8 4 3 7
7 5 4 2 5
4 5 4 6 6
x
5,0
4,0
5,0
s2
2,9
2,9
1,4
s2d =
2,9 + 2,9 + 1,4

= 2,4
3
x=
s2e
5,0 + 4,0 + 5,0

= 4,7
3
[(5,0 4,7)2 + ( 4,0 4,7)2 + (5,0 4,7)2 ]

= 8.
= 2,7
(3 1)
s2t
[( 4 4,7)2 + (5 4,7)2 + (5 4,7)2 + ... + (6 4,7)2 ]

=
= 2,4
8.3 1
Pode-se perceber que:

as mdias x so prximas;
os valores de s2d , s2e e s2t tambm so prximos.
ESTATSTICA
106
Imagine, agora, que os resultados obtidos fossem:

Grupo
1
4 5 5
2
0 2 1
3
7 10 10
Notas
4 8 4 3 7
5 3 2 0 3
8 9 8 10 10
x
5,0
2,0
9,0
s2
2,9
2,9
1,4
s2d =
2,9 + 2,9 + 1,4

= 2,4
3
x=
s2e
5,0 + 2,0 + 9,0

= 5,3
3
[(5,0 5,3)2 + (2,0 5,3)2 + (9,0 5,3)2 ]

= 8.
= 98,7
(3 1)
s2t
[( 4 5,3)2 + (5 5,3)2 + (5 5,3)2 + ... + (6 5,3)2 ]

=
= 10,8
8.3 1
Pode-se perceber, neste novo conjunto de resultados, que:

as mdias x no mais so prximas;
o valor de s2d no se alterou;
os valores de s2e e s2t aumentaram muito.
ESTATSTICA
107
Os grficos abaixo ajudam na interpretao dos resultados.

No primeiro conjunto de dados as mdias estavam prximas:
12
10
8
6
4
2
0
Max
Min
-2
Mdia
J no outro conjunto, as mdias apresentavam-se mais

afastadas umas em relao s outras:
12
10
8
6
4
2
0
-2
Max
Min
1
Mdia
ESTATSTICA
108
COMENTRIOS
1. Se as mdias das populaes so iguais, os valores de x i

sero prximos e tanto faz estimar-se 2 atravs de s2d , s2e
ou s 2t , pois todos eles fornecero valores prximos.
2. Mas, quando as mdias das populaes so diferen-tes, os
valores de x i divergiro entre si. Embora s2d continue sendo
um bom estimador de 2, s2e e s2t no mais o sero, pois
so afetados pela diferena entre as mdias.
3. Assim, pode-se comparar as mdias das diversas populaes (k) atravs da comparao de varincias: s2e e s2d ,
respectivamente. Este teste chamado de teste F, onde:
s2e
Fcalc = 2
sd
4. s2e tem (k-1) graus de liberdade, s2d tem [k.(n-1)] graus de
liberdade. Portanto, Fcalc ter (k-1) no seu numerador; [k.(n1)] graus de liberdade no seu denominador.
5. Quanto maior o valor de Fcalc maior a probabilidade de
que as mdias sejam diferentes entre si. Para chegar a
uma concluso, Fcalc comparado contra um Fcrit, obtido a
partir de uma tabela.
6. Se Fcalc < Fcrit, ento admite-se que as mdias so iguais.
7.A anlise de varincia assume a hiptese de que as
populaes possuem a mesma varincia (2). Se isto no
ocorrer, os resultados no sero vlidos.
ESTATSTICA
109
DISTRIBUIO F-SNEDECOR
Sejam duas amostras independentes, retiradas de
populaes Normais, com mesma varincia (2), que
forneceram estimativas s12 e s22 , respectivamente. Ao
quociente de s12 por s22 , chamamos de:
Fn1 1;n 2 1 =
s12
s 22
f(F)
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0
7
F
ESTATSTICA
110
TABELA F-SNEDECOR
( = 5%)
1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
1
2
3
4
5
6
7
8
9
10
161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9
18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40
10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79
7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96
6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74
5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06
5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64
5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35
5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14
4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98
4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85
4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75
4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67
4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60
4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54
4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49
4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45
4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41
4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38
4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35
4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32
ESTATSTICA
111
EXEMPLO
O segundo conjunto de resultados do teste de QI, forneceu:
s2e = 98,7
s2d = 2,4
logo
Fcalc =
98,7
= 41,1
2,4
Fcalc tem (3 -1) = 2 GL no numerador e [3 x (8-1)] = 21 GL no

denominador.
Fcrit (para um =5%) ser F2, 21, 5% = 3,47 => pelo menos uma
turma diferente das demais.
ESTATSTICA
112
TABELA DA ANLISE DE VARINCIA

comum apresentar-se os resultados da anlise de varincia
na forma de uma tabela, similar de baixo:
Fonte
SQ
GL
QM
FCALC
Entre
n. ( xi x )2
(k-1)
s2e
s2e / s2d
Dentro
( xij xi )2
( xij x )2
k.(n-1)
s2d
k.n-1
s2t
Total
onde:
SQ - a soma de quadrados
GL - so os graus de liberdade das estimativas
QM - o quadrado mdio = SQ/GL
No caso de nosso exemplo do teste de QI, com o segundo
conjunto de dados, tem-se:
Fonte
Entre
Dentro
Total
SQ
197,3
50,0
247,3
GL
2
21
23
QM
98,7
2,4
10,8
FCALC
41,4
ESTATSTICA
113
AMOSTRAS DE TAMANHOS DIFERENTES

H situaes onde, eventualmente, pode-se estar
trabalhando com amostras de tamanho diferente. Neste caso,
a tabela da Anlise de Varincia modificada da seguinte
forma:
Fonte
Entre
SQ
GL
SQE=SQT-SQD
Residual SQR = (ni 1)si2

Total
SQT = ( x ij x ) 2
(k-1)
ni k
QM
SQE
k 1
SQR
sR2 =
ni k
sE2 =
ni 1
s 2T
Obs: neste caso
(n1 1)s12 + (n2 1)s22 + ... + (nk 1)sk2

s =
n1 + n2 + ... + nk k
2
R
FCALC
sE2 / sR2
ESTATSTICA
114
ALGUNS CUIDADOS
A anlise de varincia tem algumas hipteses bsicas que
so assumidas para sua validade:
o modelo vlido do tipo x ij = + i + ij , onde a mdia
geral, i o efeito do nvel i do fator e ij o erro;
as populaes so homocedsticas, ou seja, possuem a
mesma varincia em comum 2;
as populaes podem ser adequadamente representadas
por uma distribuio de probabilidade normal;
conseqentemente, ij ~N(0; 2).
1. A condio de homocedasticidade fundamental para que
os resultados sejam vlidos e pode ser verificada mediante
uma anlise de resduos ou, ento, pelo teste de Cochran
ou de Bartlett.
2. A condio de normalidade dos dados no essencial,
pois a anlise de varincia fornece bons resultados mesmo
quando a populao no normal. Ela pode ser verificada
atravs do papel de probabilidade normal.
ESTATSTICA
115
Correlao e
Regresso
ESTATSTICA
116
CORRELAO
Quando duas (ou mais) variveis apresentam tendncia de

variao conjunta, diz-se que estas se correlacionam
EXEMPLO
Criana
1
2
3
4
5
6
7
8
9
10
Peso
30
32
24
28
26
34
25
23
35
31
Altura
145
150
125
140
127
145
132
112
155
145
Existe correlao entre peso e altura ?
ESTATSTICA
117
O diagrama de disperso uma maneira rpida e eficiente

de verificar a existncia de correlao
PESO x ALTURA
165
155
145
135
125
115
105
22
24
26
28
30
Qual a concluso ?
32
34
36
ESTATSTICA
118
TIPOS DE CORRELAO
CORRELAO LINEAR POSITIVA
(QUANDO X AUMENTA => Y TAMBM AUMENTA)
14
12
10
8
6
4
2
0
10
12
14
CORRELAO LINEAR NEGATIVA

(QUANDO X AUMENTA => Y DIMINUI)
14
12
10
8
6
4
2
0
8
X
CORRELAO NO LINEAR
7
6
5
4
3
2
1
0
10
12
14
10
12
14
ESTATSTICA
119
COEFICIENTE DE CORRELAO LINEAR

Para medir o grau de correlao entre duas variveis, podese utilizar o coeficiente de correlao linear:
r=
( x i x )( y i y )
( x i x ) 2( y i y )2
onde:
S XY = x i .y i
S XY
S XX .S YY
( x i . y i )
n
S XX =
x i2
( x i )2
S YY =
y i2
( y i )2
A sua interpretao a seguinte:
o valor de r varia de -1 a +1 (inclusive)

r > 0 indica correlao linear positiva
r < 0 indica correlao linear negativa
r = -1 indica correlao linear negativa perfeita
r = +1 indica correlao linear positiva perfeita
ESTATSTICA
120
CUIDADOS NA CORRELAO
a) Estratificao de Dados
y
b) Amplitude do Estudo de Correlao

y
CONDIO
NORMAL
c) Picos e Vales
y
ESTATSTICA
121
TESTE DA CORRELAO
Para determinar se a correlao estatisticamente
significativa ou no, faz-se um teste de hipteses quanto ao
coeficiente de correlao populacional (). Assim:
H 0: = 0
(no h correlao)
H 1: 0
(h correlao)
Estas hipteses sero testadas mediante o clculo de um t

de Student, definido como:
t calc = t n 2 = r
n2
1 r2
que ser comparado contra tcrit = tn-2;/2.

Se |tcalc| > tcrit H0 ser rejeitada e pode-se afirmar que a
correlao existe.
ESTATSTICA
122
REGRESSO
O objetivo fundamental da regresso descobrir a equao
que relaciona duas (ou mais) variveis, ou seja:
y = f(x1, x2, ... , xk) +
onde:
x1, x2, ... , xk so chamadas de fatores;
f(x1, x2, ... , xk) indica uma funo de vrias variveis;
chamado de erro.
EXEMPLOS
Resposta
Presso
Rendimento
Viscosidade
Variveis
Volume e
Temperatura
Temperatura, Tempo e Quantidade
de Catalisador
Temperatura, Presso, Velocidade e
Vazo
ESTATSTICA
123
REGRESSO LINEAR SIMPLES

Admite que uma equao do primeiro grau representa
satisfatoriamente o modelo:
y = 0 + 1.x
como as constantes 0 e 1 so desconhecidas, ento a
equao da reta ser estimada atravs de:
y = b0 + b1.x
onde:
b0 - o intercepto da reta
b1 - a coeficiente angular da reta
y
^
y = b0 + b1x
tg = b1
b0
x
ESTATSTICA
124
EXEMPLO
Foi feito um levantamento de diversos modelos de
automveis quanto a potncia do motor (Hp) e o
consumo mdio (km/l).
Carro
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Potncia
130
81
93
113
90
63
55
102
92
81
103
90
74
73
102
78
100
100
Consumo
10,1
10,5
11,3
10,5
11,6
12,4
15,0
11,3
12,4
12,0
10,9
11,6
12,4
13,1
10,9
12,0
10,5
10,5
ESTATSTICA
125
DETERMINAO DA EQUAO DA RETA

A equao da reta determinada a partir dos dados da
tabela anterior, atravs do mtodo dos mnimos quadrados,
utilizando-se as seguintes frmulas:
b1 =
S XY
S XX
onde:
S XY = x i y i
( xi. yi )
n
S XX =
xi2
2
(
xi )
O outro termos obtido atravs de:

_
_
b0 = y - b1.x
ESTATSTICA
126
Para facilitar os clculos, usa-se uma tabela auxiliar:

xi2
Potncia Consumo
yi2
xiyi
(xi)
(yi)
16900 102,01 1313,0
10,1
1
130
850,5
6561
110,25
81
10,5
2
106,09
957,9
11,3
8649
3
93
12769 110,25 1186,5
113
10,5
4
134,56 1044,0
11,6
8100
5
90
3969
153,76
781,2
12,4
6
63
825,0
3025
225,00
55
15,0
7
11,3
10404 127,69 1152,6
8
102
8464
153,76 1140,8
92
12,4
9
144,00
972,0
12,0
6561
10
81
10609 118,81 1122,7
103
10,9
11
134,56 1044,0
11,6
8100
12
90
917,6
5476
153,76
74
12,4
13
13,1
14
73
102
10,9
15
12,0
16
78
10,5
100
17
10,5
100
18
TOTAL
1620
208,0
151404 2429,42 18411,9
Carro
SXY =
SXX =
b1 =
b0 =
ESTATSTICA
127
Assim sendo, resulta que a reta (de regresso) :
y = 16,504 - 0,055.x
Abaixo mostrado um grfico (diagrama de disperso) com

os pontos e a reta marcados.
15.5
QUILOMETRAGEM
14.5
^
y = 16,504 - 0,055.x
13.5
12.5
11.5
10.5
9.5
40
50
60
70
80
90
100
110
120
130
140
POTNCIA
Qual a melhor estimativa do consumo mdio do carro quando

seu motor tem 90 Hp de potncia?
ESTATSTICA
128
COMENTRIOS:
o mtodo dos mnimos quadrados busca traar a melhor
reta atravs dos pontos, ou seja, aquela que torna mnima
a distncia destes reta;
sempre possvel obter a equao de uma reta que passa
por um conjunto de pontos, mas isto no significa que o
modelo seja necessariamente adequado;
para se verificar a adequao do modelo, emprega-se a
anlise de varincia (ANOVA).
recomendvel tambm fazer uma anlise de resduos
para completar a anlise de adequao do modelo.
ESTATSTICA
129
ANLISE DE VARINCIA APLICADA

REGRESSO
Para verificar se a regresso linear estatisticamente
significativa, deve-se testar o seguinte conjunto de hipteses:
H 0 : 1 = 0
(no h regresso)
H 1 : 1 0
(h regresso)
Este teste pode ser feito mediante a aplicao do mtodo da

anlise de varincia. Pode-se identificar dois tipos de
varincia diferentes: a total e a residual.
A varincia total estimada atravs de:
n
s2T =
( y i y )2
i =1
n 1
S YY
n 1
A varincia residual (ou em torno da reta de regresso)

estimada atravs de:
n
2
R
s =
(y
y ) 2
i =1
n2
S b1 S XX
= YY
n2
ESTATSTICA
130
diferena entre estas duas varincias chama-se de

varincia devido ao modelo de regresso, que estimada
atravs de:
2
b S
s = 1 XX
1
2
M
Se a regresso for significativa, ento a varincia residual (ou

devida ao erro) deve ser pequena quando comparada com a
varincia devida a regresso. Consequentemente, o
quociente das duas varincias (regresso/erro) pode ser
testado mediante um F-Snedecor. Em termos de tabela, este
teste fica:
Fonte
GL
SQ
QM
Fcalc
b12SXX
b12SXX
b1 S XX
sR2
S b1 .S XX
s = YY
n2
Regresso
Erro
n-2
SYY b12SXX
Total
n-1
SYY
2
R
Fcalc ser comparado contra Fcrit = F1; n-2; e se |Fcalc| > Fcrit
rejeita-se H0
ESTATSTICA
131
ANLISE DE RESDUOS
O resduo (ou erro) definido como sendo a diferena entre o
valor observado (y) e o valor previsto pela equao obtida (ychapu). Assim, no exemplo:
Amostra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
x
130
81
93
113
90
63
55
102
92
81
103
90
74
73
102
78
100
100
y
10,1
10,5
11,3
10,5
11,6
12,4
15,0
11,3
12,4
12,0
10,9
11,6
12,4
13,1
10,9
12,0
10,5
10,5
y
9,4
12,0
11,4
10,3
11,6
13,0
13,5
10,9
11,4
12,0
10,8
11,6
12,4
12,5
10,9
12,2
11,0
11,0
e = y - y
0,7
-1,5
-1,1
0,2
0
-0,6
1,5
0,4
1,0
0
0,1
0
0
0,6
0
-0,2
-0,5
-0,5
ESTATSTICA
132
Se o modelo (linear) ajustado aos dados for adequado, ento

os resduos devem se apresentar distribudos aleatoriamente
em torno do valor zero, quando marcados num grfico
cartesiano como o abaixo.
2
1.5
1
RESDUO
0.5
0
-0.5
-1
-1.5
-2
9.5
10.5
11.5
12.5
13.5
14.5
15.5
Padres estranhos observados na forma em que os resduos

se distribuem neste grfico podem indicar problemas.
ESTATSTICA
133
Papel de
Probabilidade
Normal
ESTATSTICA
134
PAPEL DE PROBABILIDADE NORMAL (PPN)
O PPN tem por objetivo verificar graficamente se dados

experimentais aderem distribuio normal.
1o Caso: muitos dados (n> 30)
EXEMPLO
Durao
50 x < 55
55 x < 60
60 x < 65
65 x < 70
70 x < 75
75 x < 80
Quantidade
5
23
36
27
8
1
% acumulada
5,0
28,0
64,0
91,0
99,0
100,0
ESTATSTICA
135
ESTATSTICA
136
2o Caso: poucos dados (n<30)
EXEMPLO
Valores
-8,75
23,75
-1,75
-6,25
0,75
5,25
-1,25
P=
i (posto)
1
2
3
4
5
6
7
(i 0,5)
x100 %
7
Valor
-8,75
-6,25
-1,75
-1,25
0,75
5,25
23,75
P (percentil)
7,1
21,4
35,7
50,0
64,3
78,6
92,9
ESTATSTICA
137
ESTATSTICA
138
INTERPRETAO
HISTOGRAMA
NORMAL
ASSIMTRICO A ESQUERDA
ASSIMTRICO A DIREITA
ACHATADO
ALONGADO
BIMODAL
PPN
ESTATSTICA
139
Teste QuiQuadrado
ESTATSTICA
140
TESTE QUI-QUADRADO
O teste qui-quadrado serve para avaliar se duas variveis
qualitativas (tambm chamadas de categricas) so ou no
independentes entre si.
.
Contnuas
Quantitativas
Discretas
Variveis
Ordinal
Qualitativas
Nominal
Logo, o conjunto de hipteses que est sendo testado :

H0: as variveis so independentes
H1: as variveis so dependentes
ESTATSTICA
141
EXEMPLO
Uma amostra de 300 estudantes de uma universidade foi obtida,
e estes foram classificados quanto a :
rea de concentrao
Jornal preferido
: Exatas ; Humanas
: A, B, C, Outros
Obtendo-se os seguintes resultados.

Oij
Jornal A
Jornal B
Jornal C
Outros
Total
Exatas
60
20
90
20
190
Humanas
30
40
30
10
110
Total
90
60
120
30
300
Existem evidncias de que rea de Concentrao e Jornal

Preferido estejam relacionados (dependncia) ?
ESTATSTICA
142
As hipteses testadas, neste caso, so:

Ho : rea e Jornal Preferido so independentes
H1 : rea e Jornal Preferido no so independentes
Na amostra havia 190 alunos de Exatas, num total de 300, ou
seja, 190/300 = 0,633 ou 63,3% e, conseqentemente, havia
110/300 = 0,366 ou 36,6% de alunos de Humanas.
Na coluna do Jornal A obteve-se um total de 90 alunos. Logo, se
no houver dependncia entre rea e jornal, espera-se que:
Proporo de Exatas
190
x90 = 57

300
110
x90 = 33
Proporo de Humanas
300
Analogamente, para as demais colunas, obtem-se os valores
entre parnteses da tabela abaixo.
Oij (Eij)
Jornal A
Jornal B
Jornal C
Outros
Total
Exatas
60(57)
20(38)
90(76)
20(19)
190
Humanas
30(33)
40(22)
30(44)
10(11)
110
Total
90
60
120
30
300
Ou, genericamente:
Eij =
Li = Total da linha i
Li C j
n
Cj = Total da coluna j
ESTATSTICA
143
Assim, pode-se obter as diferenas entre o observado (Oij) e o

esperado (Eij ) na tabela, conforme abaixo:
Oij - Eij
Jornal A
Jornal B
Jornal C
Outros
Total
Exatas
+3
-18
+14
+1
Humanas
-3
+18
-14
-1
Total
Define-se como qui-quadrado, estatstica:
2
Exatas
Humanas
Total
2
calc
(Oij Eij )2
Eij
Jornal A
Jornal B
Jornal C
Outros
Total
0,158
0,273
0,431
8,526
14,727
23,254
2,579
4,455
7,033
0,053
0,091
0,144
11,316
19,545
30,861
que, para a deciso, ser comparado contra

2
crtico
= (2L 1)(C 1); = 32;5% = 7,815
como calc >
2
crtico
Rejeito Ho
ESTATSTICA
144
BIBLIOGRAFIA
BUSSAB, W. O.; MORETTIN, P. A.

ed. So Paulo, Saraiva, 2004.
Estatstica bsica. 5
COSTA NETO, P. L. O. Estatstica.

Edgard Blucher, 2002.
DOWNING, D.; CLARK, J.
Paulo, Saraiva, 1999.
2 ed. So Paulo,
Estatstica aplicada.
So
FONSECA, J. S.; MARTINS, G. A.; TOLEDO, G. L.

Estatstica aplicada. So Paulo, Atlas, 1982.
FREUND, J. E.; SIMON, G. A. Estatstica aplicada.
Alegre, Bookman, 2000.
LAREDO, A. Notas de aula do curso de estatstica I.
Paulo, FGV, 1998.
Porto
So

Apostila Estatística - PoliUSP

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Apostila Estatística - PoliUSP

Hochgeladen von

Copyright:

Verfügbare Formate

ESCOLA POLITCNICA DA UNIVERSIDADE DE SO PAULO

DEPARTAMENTO DE ENGENHARIA DE PRODUO

Prof. Alberto W. Ramos

a cincia que trata da coleta, organizao, descrio,

Para que precisamos de informaes ?

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

P = ponto par = {2,4,6}

Obs.: S = evento certo

ALBERTO W. RAMOS 2016

OPERAES COM EVENTOS

c) Eventos mutuamente exclusivos: A B =

(P e I no ocorrem ao mesmo tempo)

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)

(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)

ALBERTO W. RAMOS 2016

probabilidade do evento A, sabendo-se

probabilidade de chuva dado que houve

ALBERTO W. RAMOS 2016

(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)

(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

TEOREMA DA PROBABILIDADE TOTAL

P(B) = P(Ai ).P(B/Ai )

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

TIPOS DE VARIVEIS ALEATRIAS (VA)

ALBERTO W. RAMOS 2016

CCC KCC KKC KKK

ALBERTO W. RAMOS 2016

( x )dx = P(a < x b), b > a

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

Para VAB discretas tem-se:

Para VAB contnuas tem-se:

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

c) (X+Y) = (X) + (Y)

ALBERTO W. RAMOS 2016

( X) = ( xi ) .P( X = x i ) = x .P( X = xi ) xi.P( X = xi )

( X) = ( x ) .fX ( x )dx = x .fX ( x )dx x.fX ( x )dx

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

2 ( X) = x i2 .P( X = x i ) x i.P( X = x i ) = 3 (1,5 )2 = 0,75

ALBERTO W. RAMOS 2016

Determinar a mdia (X) e a varincia 2(X).

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

ALBERTO W. RAMOS 2016

S (sucesso) sair ponto seis

Existem 10 maneiras (possibilidades) disto ocorrer:

ALBERTO W. RAMOS 2016

Um lote de 1000 peas foi recebido na empresa e sabe-se

ALBERTO W. RAMOS 2016

Em um restaurante, no horrio do almoo, em mdia chegam

ALBERTO W. RAMOS 2016

Se p 0,10 pode-se empregar a Distribuio de Poisson

PPOISSON (X=1) = 0,268