Anda di halaman 1dari 103

PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 1

Curso de Estatística- prof. Dr. José Nicolau Pompeo

REVISÃO DE ESTATÍSTICA

ESTATÍSTICA: significa uma coleção de dados numéricos ou ainda o ramo


da matemática que analisa dados estatísticos.
AMOSTRA: grupo de elementos extraídos da população, utilizados para
estimar propriedades da mesma.
POPULAÇÃO: conjunto de todos os elementos de que necessitamos para
análise. O termo população se refere a todos os indivíduos ou a todos os
objetos do grupo que estamos interessados em estudar.
Exemplo:
População: 25 sabores de sorvete de uma confeitaria
Amostra: 5 sabores testados para saber se a confeitaria vende sorvetes
de boa qualidade.

Porque estudar amostras em vez de populações?


Resposta: O custo excessivo ou a dificuldade de se estudar toda a
população nos impede de estudá-la como um todo, porisso utilizados uma
amostra que seja a mais representativa possível da população. Quanto maior
o número de elementos da amostra e sendo a coleta a mais aleatória
possível mais nos aproximamos de uma medida aceitável.
Como podemos dizer se uma determinada amostra representa
adequadamente a população?
Não há maneira de saber com certeza se a amostra representa
adequadamente uma população sem fazer um censo sobre toda a
população. Podemos, no entanto utilizar os métodos de Inferência Estatística
para estimar se a amostra é representativa da população.

IMPORTANTE: A Inferência Estatística (objetivo do nosso estudo)


consiste em estimar propriedades de uma grande população a partir de
observações feitas em uma amostra extraída da mesma população. É necessário
saber como usar a Inferência Estatística para conhecer a natureza de um
Processo Desconhecido. Para se entender a Inferência Estatística é necessário
entender vários conceitos de PROBABILIDADES.
Na Probabilidade, sabemos como um processo funciona e queremos
predizer quais serão os resultados de tal processo.
Na Estatística, não sabemos como um processo funciona, mas podemos
observar os seus resultados.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 2
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Considere que você está participando de um experimento em que os elementos são


divididos em dois grupos: um grupo experimental e um grupo de controle. Então:

Porque devem os grupos ser tão semelhantes quanto


possível?
Se os dois grupos forem muito diferentes o experimentador observa
resultados experimentais diferentes.

As pessoas devem saber em que grupo estão?


Se as pessoas souberem em que grupo estão, poderão ter reações
diferentes, prejudicando a observação do experimentador.

Qual o melhor sistema de repartir os indivíduos pelos dois


grupos?
Da maneira a mais aleatória possível.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 3
Curso de Estatística- prof. Dr. José Nicolau Pompeo

DIAGRAMAS DE FREQUÊNCIAS E HISTOGRAMA

Exercício1:
Numa Mesa de Operações trabalham 5 operadores em bolsa de
valores. Desejamos saber o volume de operações fechadas por
um determinado operador. Para isso escolhemos uma amostra de
30 dias de operações fechadas nos últimos 6 meses.
Considerando essa amostra significativa, observe os dados e
responda os ítens abaixo:

Amostra

22 23 21 25 23 26 24 24 25 28 24 24 25 25 25
24 25 23 27 24 23 27 26 25 26 22 22 25 25 24

Conclusões: número mínimo de operações fechadas =


número máximo de operações fechadas =
intervalo das operações fechadas =

1. DISTRIBUIÇÕES DE FREQUÊNCIAS ABSOLUTAS.

Número de Oper Frequências


Fechadas por dia Absolutas

Conclusões:
• Frequência do número máximo de operações fechadas=
• Frequência do número mínimo de operações fechadas=
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 4
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Oper Fechadas Freq. Abs.


21 1
22 3
23 4
24 7
25 9
26 3
27 2
28 1

2. DISTRIBUIÇÕES DE FREQUÊNCIAS RELATIVAS.

Número de Oper Frequências Frequências


Fechadas por dia Absolutas Relativas

TOTAL

Da amostra de 30 dias acima, concluímos:

• O operador fechou 22 operações em ..............% dos 30 dias.


• O operador fechou 23 operações em ................% dos 30 dias.
• Durante ................% dos 30 dias, o operador fechou 28
operações.

Oper Fechadas Freq. Abs. Freq. Relativas


PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 5
Curso de Estatística- prof. Dr. José Nicolau Pompeo

21 1 3,33%
22 3 10,00%
23 4 13,33%
24 7 23,33%
25 9 30,00%
26 3 10,00%
27 2 6,67%
28 1 3,33%
TOTAL 30 100,00%

3. DISTRIBUIÇÕES DE FREQUÊNCIAS ACUMULADAS.

Número de Oper Frequência Acumulada


Fechadas por dia Absoluta Relativa

TOTAL

Da amostra de 30 dias acima, concluímos:


• Em .....................% dos dias amostrados, o operador fechou 25
ou mais operações.
• Em .....................% dos dias amostrados, o operador fechou 23
ou menos operações.
• Em ........................% dos dias amostrados, o operador fechou
entre 22 e 25 operações.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 6
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Frequência Acumulada
Oper Fechadas Absoluta Relativa
21 1 3,33%
22 4 13,33%
23 8 26,67%
24 15 50,00%
25 24 80,00%
26 27 90,00%
27 29 96,67%
28 30 100,00%
TOTAL

4. DISTRIBUIÇÕES DE FREQUÊNCIAS COM DADOS CONTÍNUOS.

Exercício 2:
Considere a tabela abaixo, que mostra as vendas diárias de uma
determinada loja.
DIA VENDAS DIÁRIAS DIA VENDAS DIÁRIAS
1 R$ 22 000,00 15 R$ 32 000,00
2 R$ 20 000,00 16 R$ 36 000,00
3 R$ 18 000,00 17 R$ 34 000,00
4 R$ 16 000,00 18 R$ 36 000,00
5 R$ 18 000,00 19 R$ 33 000,00
6 R$ 25 000,00 20 R$ 32 000,00
7 R$ 28 000,00 21 R$ 33 000,00
8 R$ 26 000,00 22 R$ 36 000,00
9 R$ 16 000,00 23 R$ 35 000,00
10 R$ 25 000,00 24 R$ 33 000,00
11 R$ 27 000,00 25 R$ 32 000,00
12 R$ 29 000,00
13 R$ 32 000,00
14 R$ 30 000,00

Como definir o número de classes?


Calcule a raíz quadrada do número de observações, então,
divida a tabela acima em 5 classes.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 7
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Classe Frequência Frequência


Absoluta Relativa

Total

PERCENTIL
n é o número total de observações da série
x é a ordem de uma determinada observação
p é o percentil em porcentos dessa observação.

100%

0%
1 x n

100% - 0% p - 0
=
n- 1 x- 1

x - 1
p = x 100 %
n–1
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 8
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 3:
Considere as 11 observações da tabela. Ordene-as de forma
crescente e calcule o percentil de todas as observações.
Calcule a posição dos percentís 30% e 80%.

52 48 49 47 44 42 46 38 33 25 29

Solução:

Série 25 29 33 38 42 44 46 47 48 49 52
Ordem 1 2 3 4 5 6 7 8 9 10 11

Série 25 29 33 38 42 44 46 47 48 49 52
Percentil 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Quando dividimos as observações ordenadas da série em quatro


quartos correspondente a 25% percentís cada um obtemos os
Quartís.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 9
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 4:
Considere a tabela de rentabilidades mensais do Mercado
Financeiro, durante o mês X.

APLICAÇÃO RENTABILIDADE % A M

Ouro.....................................0,12%
Inflação.................................0,56%
Dólar Paralelo.......................0,65%
FIF Curto Prazo....................1,25%
Caderneta Poupança............1,38%
CDB (aplic < $5 mil)..............1,78%
FIF 30 dias............................1,82%
FIF 60 dias............................1,94%
CDB (aplic>$100 mil)............2,08%
Bolsa RJ................................3,56%
Bolsa SP................................3,87%
a) Estabelecer a ordem e o percentil de cada uma das observações .
b) Calcule o percentil para a rentabilidade de 1,58%.

Ordem 1 2 3 4 5 6 7 8 9 10 11
Série
Percentil 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 10
Curso de Estatística- prof. Dr. José Nicolau Pompeo

MEDIDAS DE POSIÇÃO
MEDIANA
É chamada de Medida de Tendência Central. É o ponto ou
elemento a meio caminho dos dados, ou seja, a metade dos
números está acima dela e a outra metade está abaixo.

No exemplo abaixo, calcular a Mediana.


52 48 49 47 44 42 46 38 33 25 29

Solução: (11+1)/2= 6 (sexto elemento que é 42).

Obs: Quando o número da série for par, somamos os dois termos


centrais equidistantes dos extremos e dividimos por 2.

MODA
A moda é o valor que ocorre com maior frequência.
Então, a mudança de valor de um elemento da série em geral, não afeta a
moda.

MÉDIA
• Média da População é a soma de todos os elementos da série,
dividida pelo número de elementos.

µx = Σ xi/ N
i=1 ou ainda,

µx = 1/ N Σ xi
i=1
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 11
Curso de Estatística- prof. Dr. José Nicolau Pompeo

• Média da Amostra é a soma de todos os elementos da amostra


dividida pelo número de elementos da mesma.

n
x= 1/ n Σ xi
i=1

Exemplo: Calcular a Média da população abaixo:


52 48 49 47 44 42 46 38 33 25 29

Exercício 5:
Numa Mesa de Operações trabalham 5 operadores em bolsa de
valores. Desejamos saber o volume de operações fechadas por
um determinado operador. Para isso escolhemos uma amostra de
30 dias de operações fechadas nos últimos 6 meses.
Considerando essa amostra significativa, observe os dados e
responda os ítens abaixo:

Amostra
22 23 21 25 23 26 24 24 25 28 24 24 25 25 25
24 25 23 27 24 23 27 26 25 26 22 22 25 25 24

Calcule a Média de Operações fechadas por esse operador.


PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 12
Curso de Estatística- prof. Dr. José Nicolau Pompeo

NÚM OPER FREQ


FECH POR DIA ABSOLUTA

O objetivo é analisar como os dados da Amostra se dispersam em


relação à média. Essas dispersões são chamadas de DESVIO
PADRÃO.

MÉDIA PONDERADA
O valor da Média Ponderada é dada pela expressão:
N

Σ pi . xi
i=1
µx = ONDE,
N

Σ pi
i=1
onde x i, representa o valor do dado repetido, e p j
representa o peso ou a frequência.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 13
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 6:
O capital de uma empresa é formado por três
acionistas, de acordo com a tabela abaixo.
Capital Participação %
Acionista A R$ 750.000,00 25%
Acionista B R$ 1.800.000,00 60%
Acionista C R$ 450.000,00 15%

Calcule a Média Ponderada em relação ao


capital:
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 14
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 7:
Considere a tabela de lucro para as empresas
abaixo. Calcule a Média, a Moda e a Mediana.

EMPRESA LUCRO EM MILHÕES


Empresa A R$ 820
Empresa B R$ 570
Empresa C R$ 450
Empresa D R$ 380
Empresa E R$ 330
Empresa F R$ 320
Empresa G R$ 260
Empresa H R$ 210
Empresa I R$ 180
Empresa J R$ 155
Empresa K R$ 205
Empresa L R$ 190
Empresa M R$ 170
Empresa N R$ 155
Empresa O R$ 175
Empresa P R$ 195
Empresa Q R$ 145
Empresa R R$ 125
Empresa S R$ 178
Empresa T R$ 148
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 15
Curso de Estatística- prof. Dr. José Nicolau Pompeo
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 16
Curso de Estatística- prof. Dr. José Nicolau Pompeo

PROPRIEDADES DA MÉDIA

Exercício 8:
Considere a amostra abaixo.
a) Calcule a média µ.
b) Calcule os desvios em relação à média, de acordo com a tabela.
c) Calcule a soma dos quadrados dos desvios em relação à média.
d) Calcule a soma dos quadrados dos desvios para os valores
diferentes da média.

Amostra Desvio Desvio Desvio Desvio


( x - µ) ( x -µ)2 ( x - 18)2 ( x -22)2
8
10
12
20
50
SOMA

Responda:
a) O valor da média da tabela acima é:
b) A soma dos desvios em relação à média é:
c) O que você pode concluir a respeito da soma dos quadrados dos
desvios para valores diferentes da média?
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 17
Curso de Estatística- prof. Dr. José Nicolau Pompeo

VARIÂNCIA
Utilizaremos o termo dispersão para indicar o grau de
afastamento de um conjunto de números em relação à sua
média.
Uma forma de medir a dispersão consiste em tomar a
diferença entre o maior e o menor valor. Essa grandeza é
chamada de AMPLITUDE.
O desvio médio absoluto ( DMA ) é uma boa medida de
dispersão porque dá a distância média de cada número em
relação à média.

Σ xi - µ
i=1
DMA =

N
onde xi é um elemento da amostra e µ a média dos elementos
da amostra.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 18
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 9:
Dada a amostra abaixo, calcule o DMA.

52 48 49 47 44 42 46 38 33 25 29

x x-µ x - µ
52
48
49
47
44
42
46
38
33
25
29
SOMA

µ=

DMA =

Note que o DMA não contribui no sentido de uma análise mais


precisa em relação a dispersão dos dados em torno da média.
Logo, é mais conveniente elevar ao quadrado cada desvio e
tomar a média de todos esses quadrados. Essa grandeza é
chamada de VARIÂNCIA.

• Variância Para Populações


PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 19
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Σ (xi - µ) 2
i=1

Var (x)= σ 2
x =
n
• Variância Para Amostras

n
Σ (xi –x ) 2
i=1
2
Var (x)= S x =

n-1
Logo, a VARIÂNCIA é a média dos quadrados dos DESVIOS. No
cálculo da VARIÂNCIA DA AMOSTRA dividimos por ( n – 1 ) para que
Valor Esperado de S2 represente o melhor estimador de σ2. É difícil
interpretar o valor numérico da Variância.

Exercício 10:
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 20
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Dada a tabela abaixo, calcule a Variância para a Amostra e


População.

52 48 49 47 44 42 46 38 33 25 29

x x-µ (x - µ)2
52
48
49
47
44
42
46
38
33
25
29
SOMA

Var (x)= σ x =
2

2
Var (x)= S x =
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 21
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 11:
Um determinado observador coletou os seguintes
valores de vendas de pizzas de calabresa durante
um período de 9 dias:
X 40 56 38 38 63 59 52 49 46
a) Calcule a média de vendas
b) Calcule a mediana para esses números
c) Calcule a distância média
d) Calcule o desvio médio absoluto
e) Calcule a Variância

X X - µ X - µ (X - µ )2
40
56
38
38
63
59
52
49
46
SOMA

Mediana =

µ=

DMA =
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 22
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Var (x)= σ x =
2

2
Var (x)= S x =
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 23
Curso de Estatística- prof. Dr. José Nicolau Pompeo

DESVIO PADRÃO
A variância é medida em uma unidade que é o quadrado da unidade
de medida dos elementos da amostra. Em geral, é mais conveniente
calcular a raíz quadrada positiva da Variância que representa uma
medida mais precisa para a dispersão dos dados. Essa raíz quadrada
positiva da Variância chamamos de DESVIO PADRÃO.

PARA POPULAÇÕES:

DP ( X) = σx = √ σ 2x

σx = √ Σ n
i =1 (xi - µ) 2

n
PARA AMOSTRAS:

DP ( X) = S x = √ S 2
x

S=√ Σx
n
i =1 (xi –x ) 2

n - 1
O Desvio Padrão é uma medida que serve para avaliarmos a
Dispersão dos Dados da Amostra (representativa da População).
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 24
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 12:
Um determinado observador coletou os seguintes
valores de vendas de pizzas de calabresa durante
um período de 9 dias:
X 40 56 38 38 63 59 52 49 46
Calcule o Desvio Padrão para Amostra

X X - µ (X - µ )2
40
56
38
38
63
59
52
49
46
SOMA

S=x
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 25
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Suponhamos que queiramos saber a respeito da venda de pizzas


calabresas para todo um ano. Como temos as vendas para apenas 9
dias, escolhidos aleatoriamente, admitimos que a média da amostra
esteja próxima do valor da média populacional, assim como o
Desvio Padrão da Amostra esteja próximo do Desvio Padrão
Populacional.

É importante salientar que:


a) Para qualquer lista de dados é sempre verdade que pelo menos
75% dos números estarão a dois desvios padrões da média. (vide
exemplo da Venda de Pizzas de Calabresas, onde, com uma
média de 49 e um desvio padrão de 8,731 temos que dois desvios
padrão abaixo da média correspondem a 49 – 2 x 8,731 = 31,538
e dois desvios padrão acima da média correspondem a 49 + 2 x
8,731 = 66,462. Logo, ao menos 75% da venda diária de pizzas
tipo calabresa devem estar entre 32,538 e 66,462. O que se nota é
que 100% dos valores da amostra estão dentro desse intervalo.
b) Se duas séries tem a mesma média e desvios padrões diferentes,
então a série de números com desvio padrão maior tem uma
distribuição de frequência mais aberta que a série com desvio
padrão menor.
c) O Desvio Padrão, por ser uma medida absoluta, considera que os
elementos da série se distribuem homogeneamente ao redor do
Valor da Média, ou seja, o que importa é analisar como os
valores se distribuem em torno da média.
d) Em aplicações no Mercado Financeiro o que importa é
estabelecer um Valor Médio de Rentabilidade. Os desvios entre o
Valor Médio e os possíveis valores das rentabilidades que
constituem esse valor médio estabelecem o Risco da Aplicação.
O Risco da Aplicação é medido pelo Desvio Padrão dos desvios
das rentabilidades.
O investidor deve ter cautela com os Desvios Negativos (abaixo
da média). Os Desvios Positivos correspondem aos valores
maiores que a Média, constituindo porisso um Retorno superior
às expectativas de Rentabilidade.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 26
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Se queremos saber se a dispersão dos elementos da Amostra é muito


grande em relação à Média, calculamos uma estatística conhecida como
COEFICIENTE DE VARIAÇÃO, que dá como resultado o número de
desvios padrões por unidade da Média (normalmente medido de forma
porcentual).

COEFICIENTE DE VARIAÇÃO POPULACIONAL:

DESVIO PADRÃO σ
CV= = MÉDIA
POP µ

COEFICIENTE DE VARIAÇÃO AMOSTRAL:

DESVIO PADRÃO s
CV= =
MÉDIA AMOSTRA X

Para o exercício anterior, o Coeficiente de Variação, é dado


por 8,731/49 = 0,178 ou 17,8%.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 27
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 13:
Considere duas carteiras de Aplicações no Mercado
Financeiro, por um prazo de 6 meses.
a) Calcule a rentabilidade média de cada carteira.
b) Calcule o Desvio Padrão Populacional.
c) Calcule o Desvio Padrão Amostral.
d) Calcule o Coeficiente de Variação para a População.
e) Calcule o Coeficiente de Variação para a Amostra.
f) Calcule qual das duas carteiras tem maior
dispersão, aplicando o Coeficiente de Variação.
A B
5% 6%
9% 7%
15% 9%
12% 7%
9% 6%
6% 8%

SOLUÇÃO

µA = =

µB = =
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 28
Curso de Estatística- prof. Dr. José Nicolau Pompeo

XA XA - µ (XA- µ )2 XB XB - µ (X B - µ )2
5% 6%
9% 7%
15% 9%
12% 7%
9% 6%
6% 8%
SOMA SOMA

DESVIO PADRÃO POPULACIONAL

σA =

σB =
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 29
Curso de Estatística- prof. Dr. José Nicolau Pompeo

DESVIO PADRÃO AMOSTRAL

SA=

SB=

COEFICIENTE DE VARIAÇÃO POPULACIONAL

COEFICIENTE DE VARIAÇÃO AMOSTRAL

RESPOSTA:
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 30
Curso de Estatística- prof. Dr. José Nicolau Pompeo

A B
µ 9,33% 7,17%
σ 3,40% 1,07%
s 3,72% 1,17%
C V popul 0,36 0,15
C V amos 0,40 0,16

A carteira A tem maior Risco que a carteira B.

Risco de A ou Desvio de A = 40%


Risco de B ou Desvio de B = 16%
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 31
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 14:
As rentabilidades anuais durante os últimos 5 anos das ações X e
Y estão expressas na tabela abaixo. Qual das duas ações tem
maior dispersão? Calcule os Coeficientes de Variação de X e Y.

X Y
12% 12%
15% 16%
12% 15%
11% 9%
14% 13%
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 32
Curso de Estatística- prof. Dr. José Nicolau Pompeo
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 33
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 15:
Considere a tabela abaixo, como uma amostra representativa das
taxa de juros de financiamentos cobradas por duas grandes lojas
durante os últimos 6 meses. Calcule a Média, a Variância, o
Desvio Padrão das taxas de juros, e o Coeficiente de Variação
para ambas as lojas, e verifique a loja que apresenta
financiamentos mais caros.

Tx Jr A 6% 6,85% 7,20% 7,50% 8,60% 8,80%


Tx Jr B 5,40% 5,90% 6,95% 7,40% 8,60% 9,20%
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 34
Curso de Estatística- prof. Dr. José Nicolau Pompeo
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 35
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIOS DE REVISÃO - LISTA 1

1. Considere a amostra abaixo:


62 58 59 57 54 52 56 48 43 35 39
a) Calcule a média da amostra.
b) Calcule a variância da amostra
c) Calcule o Desvio Padrão da Amostra
d) Calcule o Coeficiente de Variação Amostra

2. Considere duas carteiras de Aplicações no Mercado Financeiro por um


prazo de 6 meses:

X Y
5,20% 6,50%
8,60% 7,20%
12,50% 9,60%
14% 8,90%
9,80% 7,60%
6,50% 9,50%

a) Calcule a média da carteira.


b) Calcule o Desvio Padrão para cada carteira.
c) Calcule o Coeficiente de Variação para cada carteira.
d) Qual das duas carteiras tem maior dispersão?

3. Considere a tabela abaixo, como uma amostra representativa


das taxa de juros de financiamentos cobradas por duas grandes
lojas durante os últimos 6 meses. Calcule a Média, a Variância, o
Desvio Padrão das taxas de juros, e o Coeficiente de Variação
para ambas as lojas, e verifique a loja que apresenta
financiamentos mais caros.

Tx Jr A 5,60% 6,45% 7,50% 7,80% 8,20% 8,40%


Tx Jr B 5,30% 5,60% 6,70% 7,20% 8,40% 9,40%
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 36
Curso de Estatística- prof. Dr. José Nicolau Pompeo

PROBABILIDADE
Definimos Probabilidade como sendo o estudo dos fenômenos aleatórios, ou
ainda “uma estimativa do que um indivíduo pensa que seja a viabilidade de
ocorrência de um evento” – sendo que dois indivíduos podem estimar
diferentemente uma probabilidade.
Costuma-se ainda interpretar a Probabilidade como “Frequência Relativa”,
embora essa definição também esteja sujeita a crítica. Porisso, o termo
Probabilidade, na abordagem matemática permanece sem definição.
Iniciaremos o estudo da Probabilidade analisando o ato de jogar uma moeda.
Quando lançamos uma moeda o resultado será cara (K) ou coroa (C).
Embora a jogada de uma moeda constitua um bom exemplo de um evento
aleatório, não dispomos de uma maneira precisa para predizermos o
resultado de nossa jogada, quando jogamos uma vez. No entanto, se
efetuarmos diversas jogadas já podemos predizer alguns resultados.
Se jogarmos uma moeda duas vezes, teremos quatro possibilidades de
resultado.

KK, KC, CK, CC


Note que a nossa melhor aposta é a de que aparecerá uma cara (K) nas duas
jogadas, mas temos ainda 50% de chance de errar. O que verificamos é que
temos muito mais chance de acertar – quando predizemos uma cara pelo
menos – do que se apostássemos em zero cara ou em duas caras.

De um modo geral, jogando uma moeda “n” vezes ( sendo “n”


um número grande) é de se esperar que o número de “caras” (K)
esteja próximo de “n/2” e que seria extremamente improvável
obtermos “n” caras (K) em sequência.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 37
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Consideremos a jogada de uma moeda três vezes.


Há oito resultados possíveis:

KKK, KKC, KCK, KCC,

CKK, CKC, CCK, CCC


No estudo da Probabilidade devemos adotar alguns passos:
Primeiro Passo: contar quantos resultados possíveis há.
Segundo Passo: quantos desses resultados nos levam ao evento que nos
interessa.
Terceiro Passo: Calcular a Probabilidade de ocorrência desse evento.

A PROBABILIDADE DE OCORRÊNCIA DE UM EVENTO É IGUAL


AO NÚMERO DE MANEIRAS DE OCORRÊNCIA DO EVENTO
DIVIDIDO PELO NÚMERO TOTAL DE RESULTADOS POSSÍVEIS.

Vejamos no caso do lançamento de uma moeda três vezes.

Evento de Resultados Número de Probabilidade


Interesse Resultados do evento
0 cara CCC 1 1/8
1 cara KCC,CKC,CCK 3 3/8
2 caras KKC,KCK,CKK 3 3/8
3 caras KKK 1 1/8

JOGANDO-SE UMA MOEDA “n” VEZES TEREMOS “2 n”


RESULTADOS POSSÍVEIS.

No exemplo acima temos 2 3 = 8.


O que observamos se jogarmos uma moeda 4 vezes, 5 vezes, e assim por
diante – sendo essa moeda equilibrada - é que a probabilidade de se obter
“h” caras é dada pela Combinação de “n” jogadas com “h” possibilidades,
dividido pelo total de resultados possíveis (2n).
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 38
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Assim, escrevemos a fórmula:


n!

h ! (n – h) !

2n

Vejamos o número de combinações e as probabilidades para o exemplo


anterior.

Evento de Número de Combinações com Probabilidade


Interesse “h” Caras do evento
0 cara 3! 1/8 = 0,125
= 1 CCC
0! 3!
1 cara 3! 3/8 = 0,375
= 3 KCC, CKC,CCK
1! 2!
2 caras 3! 3/8 = 0,375
= 3 KKC,KCK,CKK
2! 1!
3 caras 3! 1/8 = 0,125
= 1 KKK
3! 0!
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 39
Curso de Estatística- prof. Dr. José Nicolau Pompeo

TESTES DE HIPÓTESES
Nos exemplos acima, admitimos que a moeda seja equilibrada, ou seja, que
em qualquer jogada havia uma chance de 50% de obter cara e 50% de obter
coroa.

Como podemos ter certeza de que a moeda é equilibrada?


Se “p” representa a probabilidade de a moeda apresentar “cara” como
sabemos que p = ½ ?
Se a moeda apresentar duas caras, então “p = 1”
Se a moeda apresentar duas coroas então “p = 0”

Jogando a moeda apenas uma vez, não temos condições de afirmar se ela é
ou não equilibrada. Porisso estudamos os Testes de Hipóteses.

A hipótese que vai ser testada é chamada de HIPÓTESE NULA.


A outra única possibilidade é que a Hipótese Nula seja falsa, daí temos a
HIPÓTESE ALTERNATIVA.

No nosso exemplo acima a Hipótese Alternativa é de que a moeda Não seja


Equilibrada ( p ≠ ½). A questão é:
Aceitamos a Hipótese Nula e dizemos que a moeda é
equilibrada, ou rejeitamos a Hipótese Nula e afirmamos
que a moeda Não é Equilibrada?

Sabemos que ao jogar uma moeda “n” vezes podemos obter um número de
caras próximo de n/2. Então surge a pergunta:

Quão diferente de n/2 o resultado deve ser para que possamos


dizer que a moeda não é equilibrada?

O processo de teste consiste em escolher um número “c” e afirmar:


PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 40
Curso de Estatística- prof. Dr. José Nicolau Pompeo

• Se o número de caras “h” está entre ( n/2 - c ) e ( n/2 + c) aceitamos a


Hipótese Nula e concluímos que a moeda é equilibrada. Essa zona que fica
entre (n/2 – c) e ( n/2 + c) é chamada ZONA DE ACEITAÇÃO.

• Se o número de caras “h” não está entre ( n/2 – c) e ( n/2 + c) rejeitamos a


Hipótese Nula, aceitando a Hipótese Alternativa que afirma que a moeda Não é
equilibrada. Essa zona que fica à esquerda de (n/2- c) e à direita de (n/2+c) é
chamada de REGIÃO DE REJEIÇÃO OU REGIÃO CRÍTICA.

Precisamos então, determinar o tamanho de “c”.

Podemos , no entanto, incorrer em dois tipos de erros:

ERRO TIPO 1 : afirmar que a Hipótese Nula é falsa, quando é


verdadeira.

ERRO TIPO 2 : afirmar que a Hipótese Nula é verdadeira, quando é


falsa.

O que se costuma fazer em estatística é fixar um limite


superior para a probabilidade de cometer um ERRO TIPO
1, fixando-se esse limite em 10% ou 5%.

Quando decidimos por um teste de 10% , isto significa que há apenas 10% de
chance de que nosso processo de teste afirme que a moeda é desequilibrada
quando é na realidade honesta. Aumentando o número de jogadas podemos
não só obter maior precisão na medida, como verificar com mais chance de
acerto se a moeda é ou não desequilibrada.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 41
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Como exemplo, vamos jogar uma moeda 20 vezes e montar a tabela de


Probabilidades, através da fórmula:

n!

h ! (n – h) !

2n

h Prob (x=h) H Prob (x=h)


1 0,00002 11 0,160
2 0,0002 12 0,120
3 0,001 13 0,074
4 0,005 14 0,037
5 0,015 15 0,015
6 0,037 16 0,005
7 0,074 17 0,001
8 0,120 18 0,0002
9 0,160 19 0,00002
10 0,176 20 0,000001

Se estabelecemos como ZONA DE ACEITAÇÃO o intervalo que nos


permite obter de 4 a 16 caras, então a chance de cometer um ERRO TIPO 1é
de 1,2%. Reduzindo a região de aceitação para o intervalo 8 a 12 a chance de
cometer um ERRO TIPO 1 aumenta para 26,4%.

Nosso interesse então está centrado em conjuntos que contenham todos os


resultados possíveis de um experimento. A esses conjuntos chamamos de
ESPAÇO AMOSTRAL ( ou Espaço de Probabilidades). O Espaço Amostral
de jogar um dado é { 1,2,3,4,5,6 }.
Na Abordagem Clássica de Probabilidade todos os resultados são encarados
como tendo a mesma Probabilidade.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 42
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Chamando de:
“s” o Espaço Amostral
N (A) o número de resultados de um evento A
Pr (A) a Probabilidade de ocorrência deA , escrevemos:

N (A)
Pr(A) =
s

Exemplo 1: Qual a Probabilidade de obter uma cara em três jogadas de uma


moeda?
Há 2 3 = 8 resultados possíveis, sendo “s = 8”. Temos três
resultados que dão cara (KCC, CKC, CCK), sendo N(A) = 3.
Logo:

N (A) 3
Pr(A) = =
s 8

Exemplo 2: Qual é a Probabilidade de se obter o total 5 na jogada de dois


dados?

Há 6 2 = 36 resultados possíveis, sendo “s = 36”. O evento que


consiste em obter 5 nos dados, apresenta os resultados:

{ (1, 4) , (2,3), (3,2), (4,1) }, sendo N(A) = 4.


Logo:

N (A) 4
Pr(A) = =
s 36
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 43
Curso de Estatística- prof. Dr. José Nicolau Pompeo

PROBABILIDADE DE
NÃO-OCORRÊNCIA DE UM EVENTO
As vezes interessa-nos saber a Probabilidade de Não-Ocorrência de um
evento. Por exemplo, no jogo de dois dados, estamos interessados em Não
obter a soma 7. Se há um chance de 1/6 de obter soma 7, então há 5/6 de
chance de Não-Obter soma 7.

De modo geral, se “p” é a Probabilidade de ocorrência de um evento A,


então “1 – p” é a Probabilidade de Não-Ocorrência daquele evento.

O conjunto de todos os resultados que não estão em A chamamos de


Complemento de A, e escrevemos Ac.
Logo:
Pr (Ac ) = 1 - Pr (A)

PROBABILIDADE DE UM A UNIÃO

Vamos considerar agora, que nos interesse o total 5 ou o total 7 na jogada de


dois dados.

Número de resultados para se obter 7.

{ (1, 6) , (2,5), (3,4), (4,3), (5,2), (6,1)}, sendo N(A) = 6, Pr (A) = 6/36.

Número de resultados para se obter 5.

{ (1, 4) , (2,3), (3,2), (4,1) }, sendo N(B) = 4, Pr(B) = 4/36.

Número de resultados para se obter 5 ou 7.

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

sendo N(C) = 10. Logo, Pr(C) = 10/36


PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 44
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Note no exemplo acima, que poderíamos escrever

Pr (C) = 6/36 + 4/36 = 10/36

ou ainda uma fórmula geral : Pr (C) = Pr (A) + Pr (B)

Esse resultado só é válido quando NÃO há possibilidade dos eventos A e B


ocorrerem simultaneamente, ou seja, são MUTUAMENTE
EXCLUDENTES.

No lançamento de uma moeda três vezes seguidas, calcule a probabilidade de


obter apenas uma cara (K).

Espaço Amostral:

A 1 = KKK A 5 = CKK
A 2 = KKC A 6 = CKC
A 3 = KCK A 7 = CCK
A 4 = KCC A 8 = CCC

De acordo com os resultados acima 3/8 é a resposta.

No entanto, poderíamos escrever:

Pr(A4) = 1/8 Pr(A6) = 1/8 Pr(A7) = 1/8

Pr(A4) + Pr(A6) + Pr(A7) = 1/8 + 1/8 + 1/8 = 3/8

Observe para o caso acima, que a Probabilidade de se obter duas ou mais


cara, com o lançamento de uma moeda três vezes é de 4/8 ou 50%.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 45
Curso de Estatística- prof. Dr. José Nicolau Pompeo

PROBABILIDADE DE UM A INTERSECÇÃO

Qual a Probabilidade de se obter ao menos um “seis” na jogada de dois


dados?

E1 = { (6, 1) , (6,2), (6,3), (6,4), (6,5), (6,6)}

Pr (E1) = 6/36 = 1/6

E2 = { (1, 6) , (2,6), (3,6), (4,6), (5,6), (6,6)}

Pr (E2) = 6/36 = 1/6

Pr (E1 ∩ E2) = 1/36

Pr (E1 ∪ E2) = Pr (E1) + Pr (E2) - Pr (E1 ∩ E2)

Pr (E1 ∪ E2) = 1/6 + 1/6 - 1/36 = 11/36

Logo, se A e B são mutuamente excludentes:

Pr (A ∪ B) = Pr (A) + Pr (B) - Pr (A ∩ B)
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 46
Curso de Estatística- prof. Dr. José Nicolau Pompeo

PRINCÍPIO DA MULTIPLICAÇÃO
Suponha que queiramos adquirir um carro de uma das quatro cores:
vermelho, azul, verde ou branco, e com um dos tipos de carroceria: 4 portas,
2 portas, perua. Quantos tipos de carro devemos considerar ao todo?

4 cores x 3 tipos = 12 tipos possíveis.

PROBABILIDADE CONDICIONAL
É a Probabilidade de ocorrência de um determinado evento, quando se sabe
que outro evento ocorreu.

A Probabilidade condicional de ocorrência de A, dado que B ocorreu, se


escreve: Pr (A ⏐B) , sendo que a barra vertical significa “dado que”.

A Probabilidade de o evento A ocorrer, dado que B ocorreu é dado pela


fórmula:
Pr ( A ∩ B)
Pr (A ⏐B) =
Pr (B)

Exemplo:
Seja A o evento “obter o total 8 com um par de dados”
Seja B o evento “obter 5 na primeira jogada” Pr (B) = 1/6
Calcular Pr (A ⏐B).

A ∩ B = evento “obter 5 na primeira jogada e o total 8”


1/36
Então Pr (A ∩ B) = 1/36 e Pr (A ⏐B) = = 1/6
1/6
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 47
Curso de Estatística- prof. Dr. José Nicolau Pompeo

REGRA DO PRODUTO
Se a Probabilidade de um evento não depende do conhecimento de ter
acontecido um outro evento, os eventos são definidos como Independentes.
Dois eventos independentes não se afetam um ao outro. O fato de sabermos
que um dos eventos ocorreu nada nos diz sobre se o outro ocorrerá ou não.
Para se calcular a Probabilidade de ocorrência conjunta de dois eventos
independentes, basta multiplicarmos as respectivas Probabilidades. Assim:

Pr (A e B) = Pr (A) x Pr (B)
Calcular a Probabilidade de se obter três caras no lançamento de 3 moedas.
A Probabilidade de cada evento é igual a ½. Logo:

Pr (A e B e C) = Pr (A) x Pr (B) x Pr (C) = ½ x ½ x ½ = 1/8 =

Pr (A e B e C) = 0,125

EXERCÍCIO 16:
Calcule a Probabilidade do número de “caras”que aparecerão jogando-se uma
moeda honesta 12 vezes. Monte uma tabela e determine a amplitude da Zona de
Aceitação necessária para que a chance de se cometer um ERRO TIPO 1, seja
inferior a 5%.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 48
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIO 17:
Qual a Probabilidade de se obter soma 7 ou a soma 11 na jogada de dois dados?
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 49
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIO 18:
Jogando-se uma moeda “n” vezes, qual a Probabilidade de obter-se ao menos
uma cara?

EXERCÍCIO 19:
Suponha que você tenha 40% de chance de receber uma oferta de emprego da
firma de sua primeira escolha, 40% de chance de receber uma oferta da firma de
sua segunda escolha e 16% de chance de receber uma oferta de ambas as firmas.
Qual é a probabilidade de receber uma oferta de qualquer uma das firmas?
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 50
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIO 20:
Suponha que você remova todas as cartas de ouro de um baralho de 52 cartas,
devolva ao baralho o ás de ouro, baralhe as 40 cartas restantes e tire uma ao acaso.
Se a carta tirada é um ás, qual a probabilidade de ser o ás de ouro?
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 51
Curso de Estatística- prof. Dr. José Nicolau Pompeo

VARIÁVEIS ALEATÓRIAS - VALOR ESPERADO

Representaremos as variáveis aleatórias por letras maiúsculas. Quando jogamos


um dado e anotamos o número Y que aparece, estamos fazendo uma “medida” ou
“observação” do valor de Y.
Um evento aleatório é algo que não sabemos ao certo se ocorrerá, mas cuja
probabilidade de ocorrência podemos calcular.
Podemos sempre calcular a Probabilidade de tomar determinado valor quando
tratamos uma variável aleatória.

Por exemplo, o número Y na jogada de um dado só pode assumir os valores


1,2,3,4,5,ou 6. Portanto, as variáveis aleatórias que só podem assumir valores
isolados são chamadas VARIÁVEIS ALEATÓRIAS DISCRETAS.
As variáveis aleatórias discretas não precisam assumir valores em números
inteiros. Se desejamos saber a média de dois números que aparecem na jogada de
dois dados, os valores poderão ser: 1; 1,5; 2; 2,5; 3; 3,5; 4; 4,5; 5; 5,5; 6.

O QUE É PRECISO SABER A RESPEITO DE VARIÁVEIS ALEATÓRIAS?

Primeiro: devemos saber qual a relação dos valores possíveis, e quais não o são.
Segundo: devemos saber quão viável é cada um desses diversos valores.

No caso da jogada de um dado, temos:

Pr (Y=1) = 1/6
Pr (Y=2) = 1/6
Pr (Y=3) = 1/6
Pr (Y=4) = 1/6
Pr (Y=5) = 1/6
Pr (Y=6) = 1/6
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 52
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Podemos ainda fazer a relação das Probabilidades para a Variável aleatória X


definida como o número de “caras” em três jogadas de uma moeda.

Pr (X=O) = 1/8
Pr (X=1) = 3/8
Pr (X=2) = 3/8
Pr (X=3) = 1/8

FUNÇÃO DE DENSIDADE DE PROBABILIDADE DE UMA


VARIÁVEL ALEATÓRIA DISCRETA

• É a função que dá a Probabilidade de a variável aleatória tomar um


determinado valor. Por exemplo, se x1, x2, .... xn são os valores possíveis
de uma variável aleatória X e f(x) é a função de Probabilidade então:

f(x1) = Pr (X = x1), f(x2) = Pr (X = x2), f(xn) = Pr (X = xn)

Logo, a Função de Probabilidade é dada por:

f (a) = Pr ( X = a )

• Ao fazermos um diagrama de frequência da jogada de um dado 6 000


vezes, observamos que o diagrama de frequência tem aproximadamente a
mesma forma que a FUNÇÃO DE PROBABILIDADE.
• A Função de Probabilidade é sempre um número do tipo:

0 ≤ f(a) ≤ 1

• Portanto, para que uma função “f” seja uma Função de Probabilidade
válida para uma variável aleatória, a soma de seus valores possíveis deve
ser 1. Assim:

f (a1) + f (a2) + f (a3) + ... + f (an) = 1


PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 53
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Como exemplo, as Probabilidades que aparecem em três jogadas de uma


moeda é dada por:

Pr (X=O) = 1/8
Pr (X=1) = 3/8
Pr (X=2) = 3/8
Pr (X=3) = 1/8

Veja que 1/8 + 3/8 + 3/8 + 1/8 = 1

FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA

A Função de Distribuição Acumulada F(a) dá as probabilidades de a


variável aleatória ser no máximo igual a um valor particular:

F ( a ) = Pr ( X ≤ a)

Por exemplo, a Probabilidade de a variável aleatória Y ser no máximo igual a


3, na jogada de um dado é obtida pela soma das Probabilidades:

Pr (X=1) + Pr (X=2) + Pr (X=3) = 1/6 + 1/6 + 1/6 = 3/6 = 1/2

O gráfico de uma função acumulada F (a) permanece plano por algum


tempo até atingir um dos valores possíveis, quando aumenta de um salto (
por patamares).
Veja o exemplo de distribuição acumulada para o número de “caras” X, que
aparecem em três jogadas de uma moeda:
• F (a) = 0 se a < 0
• F (a) = 1/8 se 0 ≤ a < 1
• F (a) = 1/2 se 1 ≤ a < 2 ⇒ 1/8 + 3/8 = 4/8 = 1/2
• F (a) = 7/8 se 2 ≤ a < 3 ⇒ 1/8 + 3/8 + 3/8 = 7/8
• F (a) = 1 se 3 ≤ a ⇒ 1/8 + 3/8 + 3/8 + 1/8 = 8/8 = 1
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 54
Curso de Estatística- prof. Dr. José Nicolau Pompeo

ESPERANÇA ... E (X)

• A Esperança de uma variável aleatória nos dá a média de todos os


valores que esperaríamos obter se medíssemos a variável aleatória um
número muito grande de vezes.

E (X) = f (a1) . a1 + f (a2) . a2 + f (a3) . a3 + ... + f (an) . an

E(X) = Σ f (a ) . a i i = µ
i =1

onde a1, a2, ... a n são todos os valores possíveis da variável aleatória X.

• A Esperança de X é uma média ponderada de todos os valores possíveis


de X. O peso, ou ponderação, de cada valor é igual à Probabilidade de X
tomar esse valor.

• A Esperança – E (X) – chamada Esperança de X, é também chamada


média de X, ou média da distribuição de X, representada também pela
letra µ . Logo, E (X) é uma constante.

EXEMPLO: Vamos calcular a Esperança do número X aparecer na jogada


de um dado.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 55
Curso de Estatística- prof. Dr. José Nicolau Pompeo

X f (a) = Prob (X=a) ai . f (ai)


1 1/6 1/6
2 1/6 2/6
3 1/6 3/6
4 1/6 4/6
5 1/6 5/6
6 1/6 6/6

1 + 2 + 3 + 4 + 5 + 6
µ = = 3,5
6

E (X) = f (a1) . a1 + f (a2) . a2 + f (a3) . a3 + ... + f (an) . an

E (X) = f (1) . 1 + f (2) .2 + f (3) . 3 + f (4) . 4 + f (5) . 5 + f (6) .6

E (X) = 1/6 x 1 + 1/6 x 2 + 1/6 x 3 + 1/6 x 4 + 1/6 x 5 + 1/6 x 6

E (X) = 21/6 = 3,5


Logo, a Esperança E (X) de uma variável aleatória nos dá a Média de
todos os valores que esperaríamos obter se medíssemos a variável
aleatória um número muito grande de vezes.

µ = E ( X ) = 3,5

PROPRIEDADES DA ESPERANÇA E (X)


• Se “c” é uma constante então:

E (c X) = c . E (X)
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 56
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exemplo: Suponhamos que ao jogar um dado, você ganhe R$ 100,00 vezes


cada número obtido. Se “X” é a variável aleatória que representa o número
obtido, e “G” representa seu ganho, temos:

E(G) = E (100 X) = 100 E (X) = 100 x 3,5 = 350

O Ganho Esperado será de R$ 350,00.

• Sendo Z = X2 , então E (Z) = E (X2). Podemos também escrever assim:

E ( X2 ) = Σ f (x ) . x i
2
i
i =1

Exemplo: Consideremos X como o número de “caras” que aparecem em três


jogadas de uma moeda. Então:

E (X2) = 0 x 1/8 + 1x 3/8 + 4 x 3/8 + 9 x 1/8 =

E (X2) = 24/8 = 3

VARIÂNCIA ... Var (X)


Poderíamos estar interessados em saber quão distante da média cada valor possível
de X está, e determinássemos então o Valor Esperado da distância em relação a
E(X), como segue:

(média da imprevisibilidade) = E [ a – E(X)]. Poderíamos utilizar o valor absoluto


(módulo das distâncias) mas é mais interessante tomar o quadrado das distâncias
de cada valor em relação a E(X)= µ . Assim:
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 57
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Var (X) = E ((X - µ )2) sabemos que µ = E (X)

Var (X) = E ( X2 – 2 X µ + µ 2 )

Var (X) = E (X2 ) – E ( 2 X µ) + E (µ 2)

Var (X) = E (X2 ) – 2 E ( X) . E (X) + E2 (X)

Var (X) = E (X2 ) – 2 E2 ( X) + E2 (X)

Var (X) = E (X2 ) – E2 ( X)


EXERCÍCIO PRÁTICO:
Calcule a Variância do número que aparece na jogada de um
dado:
a) de acordo com a definição:
n
Σ ( X - µ )2
i =1
Var (X) =
n

b) de acordo com a fórmula:

Var (X) = E (X2 ) – E2 ( X)


Sendo: n n
E (X) = Σ f (xi) . xi e E (X2) = Σ f (xi) . x2i
i =1 i=1
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 58
Curso de Estatística- prof. Dr. José Nicolau Pompeo

X X-µ (X-µ)2
1 2,50 6,25
2 1,50 2,25
3 0,50 0,25
4 0,50 0,25
5 1,50 2,25
6 2,50 6,25
SOMA 17,50

1+2+3+4+5+6
µ = = 3,5 Var (X) = 17,50/6 = 2,9167
6

X f (x)= Prob (X=x) f (xi) . xi X2 X2. f (x)


1 1/6 1/6 1 1/6
2 1/6 2/6 4 4/6
3 1/6 3/6 9 9/6
4 1/6 4/6 16 16/6
5 1/6 5/6 25 25/6
6 1/6 6/6 36 36/6
Σ
2
E (X)= 21/6 E(X ) = 91/6

Var (X) = E (X2 ) – E2 ( X) = 91/6 – (21/6)2 =

Var (X) = 91/6 – 441/36 = (546-441)/36= 2,9167


PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 59
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 21:
Em uma determinada Corretora de Valores os analistas definiram os
possíveis cenários da rentabilidade do mercado de ações para os próximos
6 meses: Ruim, Regular, Bom e Excelente. Pelo consenso do grupo de
analistas, as rentabilidades e suas probabilidades associadas para cada
cenário estão na tabela abaixo:

Rentabilidade Probabilidade
Ruim -10% 10%
Regular 0% 20%
Bom 12% 40%
Excelente 25% 30%

a) Calcular o Valor Esperado


b) Calcular a Variância

xi p(xi) xi * p(xi) x2i x2i. p (xi)


Ruim -0,10 0,10 -0,01 0,0100 0,001000
Regular 0,00 0,20 0 0,0000 0,000000
Bom 0,12 0,40 0,048 0,0144 0,005760
Excelente 0,25 0,30 0,075 0,0625 0,018750
E(X) 0,1130 0,025510

E(X) = 11,30%

Var (X) = E (X2 ) – E2 ( X) = 0,025510 – (0,1130)2 = 0,0127

Qual é o significado do Valor Esperado igual a 11,30?


Significa que se o experimento aleatório for repetido um número muito
grande de vezes, então a média de todos os resultados será igual a 11,30.
Porisso chamamos o Valor Esperado de Média de Longo Prazo.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 60
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIO 22:
Nas tabelas abaixo, dá-se a Função de Densidade para uma variável
aleatória X. Calcule a Esperança e a Variância dessa variável aleatória.

a)
X f (X)
1 0,250
2 0,250
3 0,250
4 0,250
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 61
Curso de Estatística- prof. Dr. José Nicolau Pompeo

b)
X f (X)
10 0,500
20 0,250
30 0,125
40 0,125
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 62
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIOS DE REVISÃO - LISTA 2


1. Qual a probabilidade de se obter soma 8 ou soma 6 na jogada de dois
dados?
2. Jogando-se uma moeda cinco vezes, qual a probabilidade de obter-se
cara, na primeira, ou na segunda ou na terceira jogada?
3. Jogando-se um dado três vezes, qual a probabilidade de aparecer face 1
pelo menos uma vez?
4. Suponha que 70% das famílias de uma cidade tenham filhos. Dessas
famílias, 30% tem filhos com menos de 6 anos e 60% tem filhos com 6
anos ou mais. Quantas famílias tem filhos simultaneamente com mais de
6 e menos de 6 anos?
5. Na tabela abaixo, dá-se a Função de Densidade para uma variável
aleatória X.

X Prob(X)
3 0,06
4 0,14
5 0,24
6 0,28
7 0,20
8 0,08

a) Calcule a Esperança dessa variável aleatória.


b) Calcule a Variância dessa variável aleatória.

6. Um vendedor determinou as probabilidades de fazer determinados


números de vendas por dia, visitando 8 possíveis compradores. As
probabilidades são apresentadas na tabela abaixo:

Dias de Vendas 1 2 3 4 5 6 7 8
Probabilidades 0,04 0,15 0,20 0,25 0,19 0,10 0,05 0,02

a) Calcule o número Esperado de Vendas por dia.


b) Calcule o Desvio Padrão em relação as vendas.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 63
Curso de Estatística- prof. Dr. José Nicolau Pompeo

COVARIÂNCIA E COEFICIENTE DE CORRELAÇÃO


Aqui estudamos medidas numéricas relacionadas com duas séries de dados tomadas
ao mesmo tempo. Como construir uma medida para aferir o grau de relacionamento
entre duas variáveis, ou seja, medir o grau de correlação entre elas?

Exemplo :
A tabela abaixo registra as rentabilidades anuais das ações A e B negociadas na Bolsa
de Valores. Calcular os valores das médias, desvios padrões e coeficientes de variação
dessas duas ações.

Ação A Ação B
1 991 9,00% 12,00%
1 992 10,00% 10,50%
1 993 12,00% 9,50%
1 994 10,50% 11,00%
1 995 9,50% 12,50%
Média 10,20% 11,10%
DP 1,15% 1,19%
CV 0,1129 0,1075

13%
1995
12%
Ação B

1991
11% 1994
10% 1992 1993
9%
8%
8% 9% 10% 11% 12% 13%
Ação A

O diagrama de dispersão das rentabilidades das duas ações acima mostra que as
rentabilidades das duas ações A e B são parecidas, porém com tendências opostas.
Uma forma de medir a relação entre as duas séries de observações é com as medidas
estatísticas de: COVARIÂNCIA E COEFICIENTE DE CORRELAÇÃO.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 64
Curso de Estatística- prof. Dr. José Nicolau Pompeo

COVARIÂNCIA: é a média de uma nova série cujos elementos estão


formados pelo produto dos desvios das observações de cada variável com
relação a sua própria média.

COVARIÂNCIA DA POPULAÇÃO

n
Σ ( Xi - µx ) . (Yi - µy)
i =1
Cov (X,Y) = σx,y =
n

COVARIÂNCIA DA AMOSTRA
n
Σ ( Xi - x ) . (Yi - y)
i =1
Cov (X,Y) = Sx,y =
n-1

Observe que quando X = Y obtemos a fórmula de


Variância.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 65
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Para facilitar a interpretação do valor da covariância e eliminar a unidade


de medida, foi definido o COEFICIENTE DE CORRELAÇÃO r com a
seguintes características:
• Seus valores estão limitados entre -1 e + 1 .
• O Coeficiente de Correlação padroniza a Covariância.

O Coeficiente de Correlação rxy de duas séries de dados X e Y, é um valor


único definido pela expressão:
Cov ( X,Y)
rxy=
σx . σy
Ação A Ação B X - µx Y - µy
.
(X - µx ) ( Y - µy )
1991 9,00% 12,00% -1,20% 0,90% -1,0800
1992 10,00% 10,50% -0,20% -0,60% 0,1200
1993 12,00% 9,50% 1,80% -1,60% -2,8800
1994 10,50% 11,00% 0,30% -0,10% -0,0300
1995 9,50% 12,50% -0,70% 1,40% -0,9800
Média 10,20% 11,10%
DP 1,15% 1,19%
SOMA -4,8500
COV -0,00012125
r xy = -0,8824

O Coeficiente de Correlação mostra que existe uma correlação forte e


negativa entre as ações A e B, ou seja, quando a rentabilidade da ação A
sobe a da Ação B desce, e vice-versa.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 66
Curso de Estatística- prof. Dr. José Nicolau Pompeo

VALORES E SIGNIFICADOS DO
COEFICIENTE DE CORRELAÇÃO

r=+1 .... perfeita correlação positiva.

r próximo de + 1 ..... forte correlação positiva.


r próximo de + 0 ..... fraca correlação positiva.

r = 0 não existe nenhuma relação.


r próximo de - 0 ..... fraca correlação negativa.
r próximo de - 1 ..... forte correlação negativa.
r = - 1 .... perfeita correlação negativa.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 67
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exercício 23:
Considere 5 vendedores de empresa, que efetuam visitas a seus clientes de acordo
com a tabela abaixo, sendo respectivamente o número de produtos vendidos de
acordo com o número de visitas. Calcule a Média, o Desvio Padrão, a Covariância e o
Coeficiente de Correlação entre as visitas e o número de produtos vendidos.

VISITAS Produtos
Vendidos
A 42 140
B 105 330
C 66 190
D 87 350
E 50 110

VIS Pr X - µx Y - µy (X - µx)2 (X - µy)2


Vend .
(X- µx) (Y-µy )
A 42 140
B 105 330
C 66 190
D 87 350
E 50 110
Soma
Média

DPs
COVs

r xy =
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 68
Curso de Estatística- prof. Dr. José Nicolau Pompeo
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 69
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Resposta:
VISITAS Produtos X - µx Y - µy
Vendidos (X - µx ) .(Y-µ
y )
A 42 140 - 28 - 84 2 352
B 105 330 35 106 3 710
C 66 190 -4 - 34 136
D 87 350 17 126 2 142
E 50 110 - 20 - 114 2 280
Média 70 224
DPS 26,04 109,91
SOMA 10 620
COV 2 655

r xy = 0,93

Conclusão: Existe uma forte relação entre o número


de visitas e o número de produtos vendidos.

AMOSTRAGEM
Até agora estudamos a Estatística descritiva onde analisamos os dados amostrais da sua
distribuição de frequências ou probabilidades. No entanto o nosso objetivo é fazer
Inferência Estatística sobre a população a partir dos dados amostrais. Nossa grande
questão é: Como se comporta a população a partir de dados que analisamos e dos
resultados que obtivemos na amostra. Como exemplo: se uma amostra indicar que a altura
média da população é de 1,65 m, o que podemos inferir a respeito da população?
Nossa hipótese é de que o fenômeno estudado obedece um determinado modelo
matemático. Verifique que quando aumentamos o número de observações, a distribuição de
probabilidades obedece a uma curva chamada curva de Gauss.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 70
Curso de Estatística- prof. Dr. José Nicolau Pompeo

DISTRIBUIÇÃO NORMAL
A função de probabilidade da Distribuição Normal, tem a forma de um sino.
Muitas populações seguem a distribuição normal, como exemplo citamos:

• A altura, o peso ou o QI de uma população


• O total que aparece quando vários dados são jogados simultaneamente
• O número de clientes mensais em muitos negócios

Uma variável aleatória normal não é uma variável aleatória discreta, e sim uma variável
aleatória contínua. Como exemplo de variável aleatória contínua citamos:

• O intervalo de tempo da vida de uma lâmpada


• A duração da vida de uma pessoa

Uma variável aleatória contínua pode tomar qualquer valor numérico real em determinado
intervalo, podendo assumir infinitos valores. Nesses casos as probabilidades são dadas por
intervalos.

FUNÇÃO CONTÍNUA DE DENSIDADE DE


PROBABILIDADE

Vamos determinar a probabilidade de uma variável Y ser exatamente igual a 2. Qualquer


número entre 0 e 3 tem a mesma chance de ser escolhido. Sabemos que existem infinitos
valores de 0 até 3, e que P(Y=2) = 1/N, com N tendendo para o infinito, logo a relação 1/N
é igual a zero, e surge a seguinte propriedade:

A probabilidade de qualquer variável aleatória contínua


tomar qualquer valor específico é zero.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 71
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Logo, enunciamos o seguinte princípio:

• P (X = a) = 0

• P (a < x < b) = área sob a curva de Gauss.

A área sob a função entre dois valores é a probabilidade de a variável “x” estar entre esses
valores.
A função f(x) é uma função de densidade para a variável aleatória X se satisfaz a
propriedade de que a área sob a curva f(x) à esquerda da reta x=b , à direita da reta x=a, e
acima do eixo “x” é igual a Pr ( a < x < b ). É importante lembrar que a área total sob a
função f(x) deve ser igual a 1.

Logo, para calcular a probabilidade de uma variável aleatória contínua estar entre dois
números, é necessário calcular a área sob a função de densidade entre esses números. O
cálculo da área sob uma curva exige uma técnica de cálculo chamada “integração”.

Identificamos uma DISTRIBUIÇÃO NORMAL especificando dois números:

• A média (que está localizada no pico da distribuição)


• A Variância (ou o Desvio Padrão) – que define a forma de
distribuição (se é dispersa ou se a maior parte da área se
concentra na proximidade do pico).

A figura abaixo mostra quatro distribuições normais com a MESMA VARIÂNCIA mas
com MÉDIAS DIFERENTES.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 72
Curso de Estatística- prof. Dr. José Nicolau Pompeo

A figura abaixo mostra quatro distribuições normais com a MESMA MÉDIA e


VARIÂNCIAS DIFERENTES.

O gráfico da função de densidade de uma variável aleatória


normal tem a forma de um sino, com o pico localizado na
média “µ”.
A variância ( σ2 ) determina a forma da curva; sendo que
um valor maior da variância significa maior dispersão da
curva.
Como a distribuição é simétrica, a área total sob a curva e
acima da média é a mesma que a área total abaixo da média.
No nosso exemplo abaixo, a probabilidade de X ser maior do
que 20 é 0,5.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 73
Curso de Estatística- prof. Dr. José Nicolau Pompeo

DISTRIBUIÇÃO NORMAL PADRONIZADA


O modelo teórico mais utilizado é o da Distribuição Normal de Probabilidades. Como é
básicamente impossível elaborar uma tabela para cada Distribuição Normal, com todos os
valores possíveis da média e da variância, utilizamos uma Tabela de Distribuição Normal
com média µ = 0 e variância σ2 = 1.

A Distribuição Normal com média µ = 0 e variância σ2 = 1 é chamada de


DISTRIBUIÇÃO NORMAL PADRONIZADA.

Na figura abaixo, se quisermos achar a Probabilidade de Z estar entre 0 e 1, devemos


calcular a área sob a curva entre 0 e 1.

Portanto, associamos às diferentes distribuições uma curva normal padronizada Z com


média µ = 0 e variância σ2 = 1 através da equação:

X - µ
Z= dado X
σ encontramos Z
ou seja,
Prob ( a < Z < b ) = φ (b) - φ (a)
φ (a) = Pr ( Z < a) e φ (b) = Pr ( Z < b)
ou seja φ (b) é a função de distribuição acumulada de Z.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 74
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Afirmamos acima que φ (0) = 0,5.


Pela tabela, vemos que φ (1) = 0,8413.
Logo, a Probabilidade de Z estar entre “0” e “1” é 0,8413 – 0,5 = 0,3413.

A variável aleatória Z tem uma distribuição normal padronizada se sua


função

1 2
-(1/2) z
f (Z) = . e
√ 2π
tem as seguintes propriedades:

• E (Z) = 0
• Var (Z) = 1
• f (Z) → 0 quando Z → + ∞ ou - ∞
• A curva é simétrica ao redor da média. A área total sob a curva é
definida como 100%; cada metade da curva tem 50% da área total.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 75
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exemplo:
A série de observações X tem média igual a 40 e desvio padrão igual a 10. Se
retirarmos uma observação dessa série, qual é a probabilidade que seu valor
seja igual ou menor que 52,4?

Solução:
O primeiro passo é calcular o valor de Z.

X - µ 52,4 - 40
Z= = = + 1,24
σ 10

Z=1,24

De acordo com a tabela da Distribuição Normal Z, obtemos a probabilidade


igual a 89,25%, ou seja, se retiramos uma observação da série X, a
probabilidade que seu valor seja igual ou menor que 52,4 é igual a 89,25%.

ESTENDENDO O USO DA DISTRIBUIÇÃO NORMAL


Ao operar com Distribuições Normais devemos sempre:
• Calcular o valor da probabilidade a partir do conhecimento dos
dados.
• Calcular um dos parâmetros (Z) a partir de um valor de probabilidade
e dos restantes dos dados.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 76
Curso de Estatística- prof. Dr. José Nicolau Pompeo
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 77
Curso de Estatística- prof. Dr. José Nicolau Pompeo
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 78
Curso de Estatística- prof. Dr. José Nicolau Pompeo
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 79
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Exemplo:
Um vendedor afirma ter vendido $ 1 350 000 durante um ano. Com isso
afirma estar entre os 5% dos vendedores que mais venderam na empresa.
Considerando que as vendas realizadas tem distribuição normal com média
igual a $ 1 250 000 e desvio padrão igual a $ 100 000, verifique se a
afirmação do vendedor é verdadeira.

Solução:
Se consultarmos a tabela de Distribuição Normal veremos que a
probabilidade de 0,95 está situada entre Z = 1,64 (com probabilidade igual a
0,9495) e Z= 1,65 (com probabilidade igual a 0,9505). Interpolando
encontramos Z= 1,645 ( com probabilidade de 0,95).

X - µ X - 1 250 000
Z= = = + 1,645
σ 100 000

Portanto, o valor de vendas procurado é:


X= 1,645 *100 000 + 1 250 000 = $ 1 414 500
Ou seja, os 5% dos vendedores da empresa que mais venderam, venderam
pelo menos $ 1 414 500. Logo o vendedor acima não pertence aos 5% dos
que mais venderam.

Salientamos que a variável aleatória Z, tem Distribuição Normal Padronizada, e que a


função φ (a) é a função de Distribuição Acumulada de Z, tal que:
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 80
Curso de Estatística- prof. Dr. José Nicolau Pompeo

φ (a) = Pr (Z < a ) verificando as seguintes propriedades:

• φ (0) = Pr (Z < 0 ) = 0,5

• φ ( - a) = Pr (Z < - a ) = 1 - φ (a)

• Pr (Z > b ) = 1 - φ (b)

• Pr ( a < Z < b ) = φ (b) - φ (a)


PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 81
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIO 24:
A série de observações X tem média igual a 40 e desvio padrão igual a 10. Se
retirarmos uma observação dessa série, qual é a probabilidade que seu valor
seja igual ou menor que 35?
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 82
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIO 25:
A série de observações X tem média igual a 40 e desvio padrão igual a 10. Se
retirarmos uma observação dessa série, qual é a probabilidade que seu valor
seja igual ou menor que 60 e maior ou igual a 25?
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 83
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIO 26:
Sendo Z uma Distribuição Normal Padronizada, calcule:
a) Pr (Z > 1 )
b) Pr ( Z < - 1)
c) Pr ( 1 < Z < 1,5 )
d) Pr ( - 1 < Z < 2 )
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 84
Curso de Estatística- prof. Dr. José Nicolau Pompeo
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 85
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIO 27:
Os depósitos efetuados em um determinado Banco durante um determinado mês, são
distribuídos normalmente, com média de R$ 10 000,00 e desvio padrão de R$ 1 500,00. Se
um depósito é selecionado ao acaso, encontre a probabilidade de que o depósito seja:
a) igual ou menor que R$ 10 000,00
b) um valor entre R$ 12 000,00 e R$ 15 000,00
c) maior que R$ 20 000,00
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 86
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIO 28:
Em um exame final de Métodos Quantitativos, a média foi de 75 o desvio padrão de 15.
Calcule a probabilidade de um estudante:
a) obter uma nota superior a 70
b) obter nota superior a 70 e inferior a 80.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 87
Curso de Estatística- prof. Dr. José Nicolau Pompeo
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 88
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXERCÍCIOS DE REVISÃO - LISTA 3

1. A tabela abaixo registra as rentabilidades mensais das ações A e B


negociadas na Bolsa de Valores. Calcular os valores das médias, desvios
padrões e coeficientes de variação dessas duas ações.

Ação A Ação B
Mês 1 6,00% 7,30%
Mês 2 7,20% 6,80%
Mês 3 6,80% 6,40%
Mês 4 6,40% 8,20%
Mês 5 6,20% 8,70%
Média
DP
CV

2. Considere 5 vendedores de empresa, que efetuam visitas a seus clientes de acordo


com a tabela abaixo, sendo respectivamente o número de produtos vendidos de
acordo com o número de visitas. Calcule a Média, o Desvio Padrão, a Covariância e o
Coeficiente de Correlação entre as visitas e o número de produtos vendidos.

VISITAS Produtos
Vendidos
A 60 200
B 120 420
C 80 250
D 65 140
E 72 150

3. Sendo Z uma Distribuição Normal Padronizada, calcule:


a) Pr (Z < 1 )
b) Pr ( Z > - 1)
c) Pr ( 1 < Z < 1,2 )
d) Pr ( 1< Z < 2 )
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 89
Curso de Estatística- prof. Dr. José Nicolau Pompeo

4.O processo de empacotamento de arroz foi ajustado de maneira que uma média
µ = 13 kg é colocada em cada saco. O desvio padrão do peso líquido é de σ = 0,1 kg
e sabe-se que a distribuição dos pesos segue uma distribuição normal. Calcule a
probabilidade de que um saco escolhido aleatoriamente contenha entre 12,9 e 13,2
kg de arroz. Calcule ainda a probabilidade de que o peso esteja entre 13,1 e 13,2 kg.

5. Os resultados de um concurso público apresentam a média µ = 50 com um desvio


padrão igual a σ = 10 . Os resultados tem uma distribuição aproximadamente
normal. Qual a probabilidade de que a nota obtida por um candidato escolhido
aleatoriamente esteja:
a) entre 50 e 65? b) entre 45 e 60?

6. A vida útil de uma certa marca de pneus tem uma distribuição normal com
µ= 38 000 km e σ = 3 000 km.
a) Qual a probabilidade de que um pneu escolhido aleatoraiamente tenha uma
vida útil de no mínimo 35 000 km?
b) Qual a probabilidade de que ele dure mais do que 45 000 km?

7. Suponha que você é gerente de um Banco onde os montantes diários de depósitos e


de retiradas são dados por variáveis aleatórias independentes com distribuições
normais. Para os depósitos a média é de $ 12 000 e o desvio padrão de $ 4 000; para
as retiradas a média é de $ 10 000 e desvio padrão de $ 5 000. Calcule a
probabilidade de cada um dos eventos abaixo em um determinado dia:
a) Depósitos superiores a $ 13 000.
b) Retiradas superiores a $ 13 000.

8. O tempo necessário para o atendimento de uma pessoa em um guichê de um banco


tem distribuição aproximadamente normal com µ = 130 segundos e σ = 45
segundos.
a) Qual a probabilidade um indivíduo aleatoriamente selecionado requeira menos
de 100 segundos para terminar suas transações?
b) Gaste entre 2 e 3 minutos no guichê?
c) Qual o tempo mínimo necessário para os 5% de indivíduos com as transações
mais complicadas?
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 90
Curso de Estatística- prof. Dr. José Nicolau Pompeo

INTERVALOS DE CONFIANÇA
É um intervalo baseado em observações de uma amostra e construído de
maneira que haja uma probabilidade especificada de o intervalo conter o
verdadeiro valor desconhecido de um parâmetro.
Em geral calculamos intervalos de confiança que tenham uma chance de
95% de conter o verdadeiro valor.
Sabemos que para uma amostra, a sua média x se aproxima da média da
população µ.
Surge a pergunta: Quão próximo de µ estará x ?
A resposta a esta pergunta nos obriga a buscar um valor “c” de tal maneira
que µ esteja contido no intervalo ( ⎯x - c) e (⎯x + c).
O procedimento estatístico consiste em fixarmos um valor de 95% para a
Probabilidade do número estar contido nesse intervalo. Logo, precisamos
determinar a amplitude do intervalo para que haja 95% de chance de ele
conter o verdadeiro valor.
Vamos então calcular o valor de “c” que verifica a equação:

Pr (⎯x – c < µ < ⎯x + c) = 0,95

Ou ainda: Pr ( - c < ⎯x - µ < + c ) = 0,95

A solução consiste em criar uma nova variável “Z” tal que:

⎯x - µ ⎯x - µ
Z = = √n
√ σ2 / n σ
Na tabela que fornece a Probabilidade para a Distribuição Normal
Padronizada, sendo (-z < Z < z ) verificamos que uma probabilidade igual a
0,95 tem como correspondência z = 1,96.
Portanto afirmamos que (-1,96 < Z < 1,96).
Observe que ao substituirmos (⎯x - µ ) por “+ c” e “ – c” obtemos

c√ n 1,96 σ
= 1,96 ou seja : c=
σ √ n
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 91
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Logo, há 95% de chance de ⎯x - c < µ < ⎯x + c que é o mesmo que:

⎯x – 1,96 σ/√n e ⎯x + 1,96 σ/√n

EXEMPLO:

De uma determinada população retiramos uma amostra com 100 elementos onde a
média amostral é igual a 7 e o Desvio Padrão igual a 40. Determine o intervalo de
confiança para a média da população (µ) considerando um nível de confiança igual a
95%.

Sabemos que:
1,96 σ
c= e que ⎯
√ n

⎯x – 1,96 σ/ √n < µ < ⎯x + 1,96 σ/ √n = ⎯x - c < µ < ⎯x + c

logo:

1,96 x 40
= c = 7,84 portanto: 7 – 7,84 < µ < 7 + 7,84 ou ainda
√ 100

- 0,84 < µ < 14,84

Conclusão: Há 95% de chance de que média populacional µ esteja entre 0,84 e 14,84.

Concluímos então, que se X tem uma Distribuição Normal, então a média amostral
⎯x terá uma Distribuição Normal com média µ e variância σ2/ n .

No estudo da Distribuição Normal fixamos um intervalo e calculamos a Probabilidade


da Média Amostral cair nesse intervalo.

No estudo de Intervalo de Confiança, fixamos uma Probabilidade e calculamos os


limites desse intervalo que atenda aquela Probabilidade esperada.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 92
Curso de Estatística- prof. Dr. José Nicolau Pompeo

TESTES DE HIPÓTESES
Ao trabalharmos com Teste de Hipóteses, elegemos um “valor hipotético” como
parâmetro da população que está sendo estudada. Depois coletamos uma
amostra a mais aleatória possível e comparamos a estatística hipotética com o
parâmetro suposto. Por exemplo, calculamos a média amostral ⎯x e
comparamos com a média da população - µ - ( eleita como parâmetro).
A seguir, ou aceitamos ou rejeitamos o valor hipotético como sendo correto.

O processo consiste em calcular então uma grandeza específica chamada


“estatística de teste” que é construída de forma que a hipótese nula seja
verdadeira. (Lembramos que Hipótese Nula é a hipótese que vai ser testada, e
que a hipótese que afirma que a Hipótese Nula é falsa é chamada Hipótese
Alternativa).

Consideremos o fato de estarmos testando uma Hipótese Nula com o auxílio de


uma estatística de teste “Z” e que “Z” tem uma Distribuição Normal Padronizada.
Existe, como vimos anteriormente, um número “c” tal que :

⏐Z⏐<c ⇒ Z é interior a “c” ( Zona de Aceitação)

⏐Z⏐>c ⇒ Z é exterior a “c” (Zona Crítica ou Zona de Rejeição)

- c +c

Zona Zona de Zona


Crítica Aceitação Crítica

Quando afirmamos que o nível de significância é de 5%, estamos afirmando que


há uma chance de 95% de Z estar na “Zona de Aceitação” que corresponde ao
número 1,96 (de acordo com a Tabela de Distribuição Normal Padronizada –
página 75 da Apostila ).
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 93
Curso de Estatística- prof. Dr. José Nicolau Pompeo

De acordo com a figura abaixo, vemos que:

Prob [ ( Z > 1,96 ) ou ( Z < - 1,96 ) ] = 0,025 + 0,025 = 0,05

Note que, se o valor observado da estatística de teste é exterior a 1,96 , dizemos


que a hipótese é rejeitada ao nível de significância de 5%.

TESTE DO VALOR DA MÉDIA


Consideremos uma sequência de números extraídos de uma Distribuição Normal, onde
conhecemos a Variância mas não conhecemos a média da Distribuição.
Vamos então testar a hipótese de que a média µ é igual a um valor particular µ *, ou seja:

H0 : µ = µ*

EXEMPLO:
Consideremos os pesos de 27 pessoas coletadas como amostra de uma população de 500
pessoas, de acordo com a tabela abaixo ( em kg)

80 92,5 117,5 104 85 82,5 102 90 102,5


107,5 92,5 94 90 110 110 110,5 102,5 117,5
112,5 95 90 102,5 125 105 115 105 109

Queremos testar a hipótese de que esses pesos foram extraídos de uma Distribuição Normal
com média 110. (Note que a média amostral é igual a 102,2 e desvio padrão amostral igual
a 11,05).

Sabemos que se a hipótese nula µ = 110 é verdadeira, então a estatística de teste

x - µ
t = √n
s
terá Distribuição t com ( n - 1 ) graus de liberdade.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 94
Curso de Estatística- prof. Dr. José Nicolau Pompeo

102,2 - 110
t = √ 27 = - 3,67
11,05
Se a hipótese é verdadeira, então “t” tem Distribuição “t” com 26 graus de
liberdade. Ao consultarmos a tabela abaixo verificamos que o valor crítico para um
teste de 1% é 2,779 , ou seja, podemos rejeitar a Hipótese Nula ao nível de 1%
quando o valor da estatística de teste é exterior a 2,779. No caso, ( - 3,67 ) é
exterior e estamos na Região Crítica ou de Rejeição.

Rejeitamos então a hipótese de que a amostra tenha sido selecionada de uma


população com média igual a 110 kg.

Processo geral para testar a hipótese µ = µ * , com base em “n “ valores


selecionados de uma Distribuição Normal.

MÉTODO 1: Usado quando conhecemos a variância ( σ2 ) da Distribuição.

1. Calcular a média amostral ⎯x.


2. Calcular a estatística de teste “Z”

√n ( ⎯x - µ * )
Z =
σ

3. Para fazer o teste ao nível de significância de 5%, aceitar a hipótese


µ = µ * se Z está entre - 1,96 e 1,96; rejeitá-la em caso contrário.

4. Para testar a hipótese a um outro nível de significância, procurar na


Tabela de Distribuição Normal Padronizada o valor crítico de “Z”.

MÉTODO 2: Usado quando “não” conhecemos a variância ( σ2 ) da


Distribuição.

1. Calcular a média amostral ⎯x.


2. Calcular a Variância Amostral “s”

( X1 - ⎯x ) 2 + ( X2 - ⎯x ) 2 + ... + ( Xn - ⎯x ) 2
S=
n - 1
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 95
Curso de Estatística- prof. Dr. José Nicolau Pompeo

3. Calcular a estatística de teste “t”

√n ( ⎯x - µ * )
t =
s

4. A estatística “t” tem Distribuição “t” com ( n- 1 ) graus de liberdade.


Procurar na Tabela de Distribuição “t” o valor crítico para a Distribuição
“t” com o número adequado de graus de liberdade.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 96
Curso de Estatística- prof. Dr. José Nicolau Pompeo

APÊNDICE

DISTRIBUIÇÃO BINOMIAL
A Distribuição Binomial é uma distribuição discreta de probabilidade, aplicável quando um
experimento é realizado “n” vezes, cada prova tendo uma probabilidade de sucesso “p” e
sendo independente de qualquer outra prova anterior.

Consideremos um experimento com dois resultados possíveis: sucesso ou falha.


A probabilidade de sucesso em cada prova é “p” e a probabilidade de falha é “1 – p”.

Se um experimento é realizado duas vezes, qual é a probabilidade de ambas


as provas resultarem em sucesso?
Consideremos:
• Pr(A) = p sucesso na primeira prova
• Pr(B) = p sucesso na Segunda prova

O evento, sucesso em ambas é dado por:

Pr (A ∩ B) = Pr (A) . Pr (B) = p . p = p2

Assim, a Probabilidade de sucesso tanto na primeira como na Segunda


prova é “p2”. Logo, a Probabilidade de sucesso em todas as 10 provas é
“p10”. Se p= 0,8 então a probabilidade de 10 sucessos é “0,8 10” .

Podemos afirmar igualmente que a chance de falha nas 10 provas é dado por
“(1 – p) 10”. Ou seja, se p= 0,8 então a chance de 10 falhas é de “0,2 10”.

Qual é a probabilidade de ocorrerem um sucesso e nove falhas?


Para responder essa pergunta, vamos antes responder a seguinte pergunta:
Qual a probabilidade de sucesso na primeira prova e falha nas outras nove
provas? Esta probabilidade é de 0,8 x 0,2 9 = 4,096 x 10 –7.

Agora vamos responder às perguntas:


• Qual a probabilidade de sucesso apenas na primeira prova?
• Qual a probabilidade de sucesso exatamente em uma das 10 provas?

A resposta é Pr (um sucesso) = 10 x 0,8 x 0,2 9 = 4,096 x 10 –6.


PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 97
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Logo a probabilidade dos dois primeiros sucessos e oito falhas


subsequentes é: 0,82 x 0,2 8 = 1,638 x 10 -6
Veja você quantas maneiras há de escolher 2 entre 10 posições possíveis:

10 10 !
2 = = 45
2 ! ( 10 – 2 ) !

A probabilidade de exatamente dois sucessos é:

10
2 x 0,8 2 x 0,2 8 = 7,373 x 10 -5

A Distribuição Binomial se aplica a qualquer situação em que se realizam


várias provas independentes, cada uma das quais comporta apenas um
dentre dois resultados possíveis. Esses dois resultados chamam-se
“sucesso”e “falha”.
Considere agora, que o experimento seja realizado “n” vezes. Seja “X” o
número de sucessos. Se a probabilidade de sucesso de cada prova é “p”,
então a probabilidade de “i sucessos” é dado por:

Prob ( X = i ) = n
i . p i . ( 1 – p ) n-i

É importante recordar que:

“Um experimento que apresenta apenas dois resultados: “sucesso” ou


“falha” é chamado de Prova de Bernoulli.

Se E(A) = p então Var (A) = p. (1 – p )


Vejamos a demonstração, para o fato da variável aleatória Z ser igual ao
número de sucessos em um determinado dia. Então Z tem apenas dois
valores possíveis :
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 98
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Pr ( Z = 1 ) = p
Pr ( Z = 0 ) = 1 – p

Vamos então calcular a Variância Var (Z = X)

x Prob x . p(x) x2 x2. p (x)


0 1–p 0 0 0
1 p p 1 P
E (x) = p E (x2) = p

• Var (X) = E (x2) – E2 (x) = p – p2 = p ( 1 – p )

Logo, tratando-se de uma Distribuição Binomial temos:

E(X) = E (A1) + E (A2) + E (A3) + ... E (An) = n p

Var (X) = Var (A1) + Var (A2) + Var (A3) + ... + Var (An) = n p ( 1 – p )

Exemplo:

Um exame de múltipla escolha comporta 20 questões. Cada questão tem quatro respostas
possíveis (com apenas uma certa). Há, assim, 0,25 de probabilidade de responder a uma
questão corretamente, “por palpite”. Qual a probabilidade de acertar ao menos 10 questões
nessas condições?

Sabemos então que n = 20 e p = 0,25

Prob ( X = i ) = n
i . p i . ( 1 – p ) n-i

Prob ( X = k ) = 20
k . 0,25 k. ( 0,75 ) 20 - k
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 99
Curso de Estatística- prof. Dr. José Nicolau Pompeo

k Pr ( X = k ) k Pr ( X = k )
0 0,003 6 0,168
1 0,021 7 0,112
2 0,067 8 0,060
3 0,133 9 0,027
4 0,189 10 0,009
5 0,202 11 0,003

A probabilidade de acertar pelo menos 10 questões é igual a

1 – ( 0,021 + 0,067 + ... + 0,009) = 0,012.

EXERCÍCIO 30:
Calcule a probabilidade de em uma família de quatro crianças (admitindo uma
probabilidade de ½ no nascimento de um filho homem ou mulher) haver:
a) pelo menos um menino
b) pelo menos uma menina e um menino

Prob(1 menino) = 4
1 . ( ½) 1 ( 1/2) 4–1
= 1/4

Prob(2 meninos)= 4
2 . ( ½) 2 ( 1/2) 4-2
= 3/8

Prob(3 meninos)= 4
3 . ( ½) 3 ( 1/2) 4-3
= 1/4

Prob(4 meninos)= 4
4 . ( ½) 4 ( 1/2) 4-4
= 1/16
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 100
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Prob (pelo menos 1 menino) = Prob (1 menino) + Prob ( 2 meninos) +


Prob (3 meninos) + Prob ( 4 meninos) =

Prob (pelo menos 1 menino) = 1/ 4 + 3/8 + 1/4 + 1/16 = 15/16

Prob (pelo menos 1 menino) = 1 - Prob (nenhum menino)=

= 1 - ( 1/2 ) 4 = 15/16
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 101
Curso de Estatística- prof. Dr. José Nicolau Pompeo

TAMANHO DA AMOSTRA
Quando afirmamos que o valor da média amostral não coincide com a média da
população, estamos estimando essa média amostral com uma certa margem de erro.
Daí a necessidade de trabalhar com Intervalos de Confiança. Quando fixamos a
Probabilidade de ( µ ) estar no intervalo, por exemplo, 90%, estamos afirmando que
há uma margem de 10% do valor desconhecido não estar no intervalo. Então, ao
estabelecer a Probabilidade de acerto estamos automaticamente estabelecendo a
Probabilidade de erro. Sendo o erro, por exemplo, igual a 10%, é fácil verificar que as
duas caudas da curva de Gauss, para a Distribuição Normal, conterão valores
porcentuais que guardam uma simetria, ou seja cada cauda terá um erro de 5%.
Chamando então o erro de ( α ) cada cauda terá um erro igual a α/2, sendo o Desvio
Padrão Normal Padronizado denominado de Z α/2.
Quando trabalhamos com amostras cada vez maiores estamos variando o valor do
desvio padrão amostral. Nesse caso podemos afirmar que:

x -µ ⎯x - µ
Z α/2 = = √n
√ S2 / n S

ou ainda:

Sx Sx
x -Z α/2 . <µ< x + Z α/2
√n √n

onde, Sx
Z α/2 = e (erro de estimativa)
√n
Da expressão acima podemos tirar o tamanho da amostra que é dado por:
2
Z α/2 . Sx
n =
e
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 102
Curso de Estatística- prof. Dr. José Nicolau Pompeo

EXEMPLO:
Calcular o tamanho de uma amostra com nível de confiança igual a 95% sabendo que
o erro de estimativa é igual a 0,50 e o desvio padrão igual a 2,45. (Observe na tabela
que para um nível de confiança igual a 95% temos Z α/2 = 1,96).
Então:
n = ( 1,96 x 2,45/ 0,50)2 = 92,24

Conclusão: O tamanho da amostra é de 93. (pois “n” é inteiro).

EXERCÍCIO 31:
Considere uma amostra de 64 elementos cujo desvio padrão é igual a 16. Se o valor da
média amostral é igual a 50, estime a média da população ( µ ) considerando um
intervalo de confiança com nível de confiança igual a 95%. (Sendo a amostra
suficientemente grande, a distribuição é normal e a probabilidade de 95% ao redor da
média – de acordo com a tabela – estabelece os valores de desvios padrões
normalizados iguais a Z = - 1,96 e Z = + 1,96)

x -µ
Z α/2 = =
√ S /n
2

µx = x +Z α/2 S/√n

µx = 50 + 1,96. 16 / √ 64

µx = 50 + 3,92

Esse resultado nos permite afirmar que estamos


95% seguros que a Média da População se situa
entre 46,08 e 53,92.
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO 103
Curso de Estatística- prof. Dr. José Nicolau Pompeo

Bibliografia Consultada:

• Bussab, Wilton O. , Morettin, Pedro A.


• Estatística Básica, Atual Editora S A, 2004

• Downing, D. & Clark, J.


• Estatística Aplicada, Ed. Saraiva, 2000

• Kazmier, Leonard J.
• Estatística Aplicada à Economia e Administração,
Ed. Mc Graw Hill, 1982

• Spiegel, Murray R.
• Estatística, Ed. McGraw Hill do Brasil, 1981

• Wonnacott, Thomas H.
• Estatística Aplicada à Economia e Administração
Livros Técnicos e Científicos Editora S A , 1981

• Hoel, Paul G.
• Estatística Elementar, Ed. Atlas, 1977

• Lapponi, Juan C.
• Estatística, Laponi Treinamento e Editora, 1977

Anda mungkin juga menyukai