Metodos Estatisticos para Tomada de Decisao Online

Mtodos Estatsticos para
Tomada de Deciso
Paulo Afonso Bracarense
Ubiratan Vieira Guimares
2008
Este material parte integrante do acervo do IESDE BRASIL S.A.,
mais informaes www.iesde.com.br
2008 IESDE Brasil S.A. proibida a reproduo, mesmo parcial, por qualquer processo, sem autorizao por
escrito dos autores e do detentor dos direitos autorais.
B796 Bracarense, Paulo Afonso; Guimares, Ubiratan Vieira. /

Metdos Estatsticos para Tomada de Deciso. / Paulo
Afonso Bracarense; Ubiratan Vieira Guimares Curitiba:
IESDE Brasil S.A. , 2008.
234 p.
ISBN: 978-85-7638-975-0
1. Investimentos Anlise. 2. Anlise de regresso. 3. Correla-

o (Estatstica). 4. Anlise de sries temporais. 5. Sries Tem-
porais. I. Ttulo.
CDD 650.01513
Todos os direitos reservados.
IESDE Brasil S.A

Al. Dr. Carlos de Carvalho, 1.482. CEP: 80730-200
Batel Curitiba PR
0800 708 88 88 www.iesde.com.br

Paulo Afonso Bracarense
Doutor em Engenharia de Produo com con-
centrao em Inteligncia Artificial pela Univer-
sidade Federal de Santa Catarina (UFSC). Mestre
em Estatstica e Experimentao Agrcola pela
Escola Superior de Agricultura Luiz de Queiroz
(ESALQ-USP). Bacharel em Estatstica pela Uni-
versidade Federal do Paran (UFPR). Professor
da UFPR. Diretor Superintendente da Fundao
da Universidade Federal do Paran (FUNPAR).
Ubiratan Vieira Guimares

Mestre em Administrao com concentrao em
Sistemas de Informao para Tomada de Deci-
so pela Universidade Federal do Rio Grande do
Sul (UFRGS). Especialista em Estatstica Aplicada
e Qualidade e Produtividade pelo Instituto Bra-
sileiro de Qualidade Nuclear (IBQN). Bacharel em
Estatstica pela Universidade Federal do Paran
(UFPR). Foi diretor executivo do Ibmec Educacio-
nal em Curitiba e Coordenador Acadmico dos
Programas Executivos MBA e CBA do Ibmec MG.
Atuou na consultoria de grandes empresas e insti-
tuies, tais como: Electrolux S/A, Grupo Positivo,
Renault, Volvo, Spaipa, Banco Mundial, BID, V&M,
entre outras.

sumrio
sumrio Probabilidades e distribuies de probabilidades
11 | Problema
13 | Conceitos fundamentais
11
17 | Axiomas e regras de probabilidades

20 | Probabilidades conjunta, marginal, condicional e independncia
23 | Teorema de Bayes
26 | Distribuies de probabilidades discretas
28 | Esperana e varincia de uma varivel aleatria discreta
31 | Variveis aleatrias discretas
41
Amostragem
41 | Problema
45 | Tipos de amostragem
49 | Tabela de nmeros aleatrios
51 | Principais tcnicas de amostragem
57 | Tamanho da amostra
73
Estimao
73 | Problema
77 | A distribuio normal
86 | Distribuio amostral das mdias
89 | Distribuio amostral das propores
92 | Estimao por ponto
94 | Intervalo de confiana
99 | Testes de hipteses
99 | Hiptese nula versus hiptese alternativa
111
Anlise de regresso e de correlao
111 | Problema
117 | Construindo a reta de regresso
126 | Verificao da bondade do modelo
139 | Predio e intervalos de predio

147
Teoria da deciso
147 | Problema
150 | Critrios de escolha utilizando distribuio a priori
156 | Representao atravs de diagrama de deciso
157 | Estabelecimento de distribuies de probabilidades
163 | Tomada de decises baseada na utilidade esperada
164 | Tomada de deciso com probabilidades a posteriori
177
Anexos
207
Gabarito
229
Referncias
231
Anotaes

Apresentao
Este livro foi escrito com o objetivo de fornecer
para Tomada de Deciso

Mtodos Estatsticos
elementos tericos e tcnicos para profissionais
que necessitam tomar decises tendo como
material essencial conjuntos de dados que pre-
cisam ser analisados.
Um conjunto de dados, por si s, no passa de
um conjunto de dados. necessrio que se
domine uma srie de tcnicas para que esses
dados possam gerar alguma informao. O pa-
tamar superior da anlise de dados a aquisio
do conhecimento. E ela s estar disponvel ao
domnio terico do campo de atuao, ex-
perincia profissional e de vida e intuio do
tomador de decises se forem trabalhadas as
tcnicas quantitativas necessrias para agregar
a esses atributos informaes provenientes de
dados corretamente adquiridos.
O livro foi organizado de forma a cobrir toda a
base que compe o campo de conhecimento da
Estatstica. Comeando por tcnicas de estatsti-
ca descritiva e de anlise exploratria de dados,
passando pela medio da incerteza atravs da
teoria de probabilidades e pela compreenso
das possibilidades indutivas da teoria clssica
da Estatstica no trato com amostras.
Trs tcnicas teis e bastante utilizadas na rea
de negcios foram apresentadas em detalhes
balanceando-se a complexidade com a explora-
o da intuio. O trato conceitual foi priorizado
em relao ao trabalho matemtico extensivo.
Optamos por trabalhar com toda a conceituao
bsica at o quinto captulo buscando ajudar o
leitor a desenvolver sua sensibilidade com re-
lao aos conceitos abordados. Tratamos cada

tcnica com exemplos especficos e ilustrativos
para Tomada de Deciso

Mtodos Estatsticos
na rea de Negcios.
A cincia busca compreender os fenmenos
reais atravs de modelos, muitas vezes de mo-
delos matemticos muito prprios para estudos
realizados em ambiente de incerteza. A teoria de
probabilidades e a teoria estatstica clssica so
ferramentas muito teis para ajudar o tomador
de decises em sua opo por diferentes aes
diante de cenrios postos.
Esperamos que o contedo do livro, acompa-
nhado das aulas, possa ser de grande valia para
os leitores. Estamos certos, no entanto, que na-
vegar por essas guas far com que cada um
sinta-se mais confortvel em viver e trabalhar
em um mundo cercado de incertezas e que vale
mais a pena compreender o mundo dessa forma
do que viver seguro, acorrentado e mope na
iluso das coisas certas e absolutas.

Probabilidades e
distribuies de probabilidades
Problema
A Companhia de Seguros ABC deseja acionar uma empresa de nibus
para indenizar a viva de um cliente, que foi morto em um acidente com um
dos nibus da empresa. Deseja, para isso, construir peas de evidncias que
demonstrem impercia do motorista e, portanto, culpabilidade da empresa.
Entre as peas de evidncias, a Companhia ABC pretende demonstrar que a
chance de quatro testemunhas que depuseram a favor do motorista mora-
rem em casas do mesmo quarteiro dele e estarem no nibus no evento do
acidente muito pequena.
O acidente ocorreu no meio da tarde de um dia de semana. Um casal de

pessoas idosas desceu do nibus em um determinado ponto do itinerrio e
o homem foi atropelado pelo prprio nibus. A viva garantiu que o nibus
arrancou antes que o seu esposo tivesse alcanado a calada.
O motorista alegou que esse fato no ocorreu e apresentou em sua defesa

o depoimento de quatro testemunhas que teriam acompanhado o acidente
por estarem no nibus naquele momento.
O advogado da companhia de seguros tinha ouvido falar que as empre-

sas de transporte coletivo s contratavam motoristas se os mesmos apresen-
tassem juntamente com os documentos pessoais uma relao de pessoas
que deporiam a seu favor em caso de acidentes, uma vez que as empresas
estavam tendo um prejuzo muito grande com causas judiciais.
Diante das circunstncias, o advogado levantou o endereo das testemu-

nhas e do motorista e constatou que todos moravam em um mesmo quar-
teiro do bairro para o qual o nibus se dirigia.
Como ento determinar a probabilidade de as testemunhas de fato no

serem forjadas? O advogado procurou um consultor estatstico e solicitou
a ele que determinasse essa probabilidade, mesmo que fosse de forma
aproximada.

Mtodos Estatsticos para Tomada de Deciso
Depois de alguma reflexo, o estatstico pensou que poderia aproximar

essa situao atravs de um procedimento clssico em Estatstica: o de tirar
bolas coloridas de uma caixa. O experimento aleatrio consiste em misturar
em uma caixa bolas de duas cores. Por exemplo, colocar seis bolas azuis em
uma caixa com vinte bolas brancas, misturar bem e retirar dessa caixa, sem
olhar, uma amostra de quatro bolas. Calcular ento a probabilidade que duas
dessas quatro bolas sejam azuis.
Essa probabilidade pode ser calculada da seguinte forma: de quantas ma-

neiras pode-se retirar quatro bolas sem reposio de um total de 26? Esse
nmero igual a C26,4. Dentre todas essas combinaes, de quantas maneiras
pode-se retirar 2 bolas brancas das 20 contidas na caixa? Da mesma forma,
C20,2. E as outras duas azuis de seis? C6,2. Ento a probabilidade de se retirar
duas bolas azuis na situao exposta dada por:
C6,2C20,2
P (X = 2) =
C26,4
190 . 15
O clculo dessa probabilidade resulta em P(X = 2) = = 0,1906,
14 950
ento a probabilidade de se retirar duas bolas azuis em uma amostra sem
reposio de uma caixa com 26 bolas, sendo 20 brancas e 6 azuis, de 0,19
ou 19%.
Se o bairro em que mora o motorista e suas testemunhas for a caixa que

contm um nmero N de moradores, o nmero de habitantes do quarteiro
for N1, correspondentes ao nmero de bolas azuis na caixa e a lotao do
nibus for a amostra n, qual a probabilidade que dessa amostra n, n1 sejam
de moradores do quarteiro?
A expresso geral para o clculo dessa probabilidade :
CN1,n C(N N1), (n n )

P (X = n1) = 1 1
CN,n
Resta ento verificar os valores de N, N1, n e n1. Depois de um trabalho in-

tenso de levantamento de dados, o estatstico chegou s seguintes informa-
es: o bairro composto por 112 quarteires, que tm em mdia 20 casas
e cada casa, uma mdia de 4 moradores. Portanto, o nmero de habitantes
do bairro era de N = 8 960. No quarteiro em que moravam o motorista e
suas testemunhas havia 20 casas com tambm 4 moradores em cada casa,
um total de N1 = 80 moradores no quarteiro. A lotao do nibus de 30
12
Probabilidades e distribuies de probabilidades
lugares sentados, ou seja, n = 30, e queremos calcular a probabilidade de

que cinco moradores do mesmo quarteiro (o motorista e as quatro teste-
munhas) estivessem juntos no nibus, isto , P(X = n1) = P(X = 5).
O clculo dessa probabilidade ento:
C80,5C8880,35
P (X = 5) = = 0,00002
C8960,40
Ou seja, uma chance em 50 000. De fato, muito pequena.
Na avaliao feita, todos os benefcios de aproximao foram feitos a favor

do motorista. O nibus tinha lotao completa, quando se pode verificar que
nesse horrio da tarde ela nunca est completa. O nmero de pessoas que o
nibus servia era maior do que somente o seu bairro terminal. O nmero de
pessoas por residncia em bairros da periferia normalmente maior do que
a mdia de um casal com dois filhos. Todos esses fatores foram colocados a
favor do motorista. E ademais, h que se supor que todos os quatro passa-
geiros estivessem prestando ateno ao acidente.
Esse um problema tpico de modelagem com probabilidades. H muitos

outros tipos de exemplo. Mas, talvez mais importante do que a aplicao direta
de probabilidades na soluo de problemas seja a sua grande utilidade como
instrumento para se trabalhar com inferncia estatstica e com as tcnicas de
tomada de decises aplicadas nos ltimos trs captulos do livro.
Conceitos fundamentais
A teoria de probabilidades foi desenvolvida para solucionar jogos de azar
durante o sculo XVII, mas somente no incio do sculo XX, graas ao ma-
temtico russo A. Komolgorov, que formulou toda a teoria a partir de axio-
mas bsicos, a teoria de probabilidades ganhou status prprio como um
ramo autnomo da matemtica. Existem vrias propostas de como medir
a incerteza. Entre elas, a mais desenvolvida a da teoria de probabilidades.
Mesmo assim, h diferentes escolas que propem diferentes meios de aces-
sar valores de probabilidades. H, portanto, alguma controvrsia sobre os
fundamentos da teoria. Discutiremos trs enfoques conceituais diferentes,
mas que, independentemente das diferentes definies, usam as mesmas
regras matemticas como medidas objetivas de incerteza. Os trs enfoques
so o da probabilidade clssica, o da freqncia relativa de ocorrncias e o da
probabilidade subjetiva, que, apesar do nome, trata a probabilidade como
13
uma medida objetiva, embora a forma de sua determinao seja subjetiva.

Aqui a palavra objetiva significa uma medida exata que se submete ao corpo
axiomtico da teoria de Komolgorov.
Esses trs enfoques foram apresentados porque sero usados indistinta-

mente na soluo dos problemas colocados no livro. As diferenas possveis
decorrentes da diferena de enfoques sero discutidas toda vez que pude-
rem causar algum tipo de dvida ou desconforto.
Iniciaremos com a apresentao de uma srie de definies bsicas que

ajudaro na construo de toda a teoria de probabilidades necessria para a
soluo dos problemas apresentados nos demais captulos.
Experimento aleatrio
Experimento aleatrio um experimento no qual se sabe que resultados
podem ocorrer, mas no se sabe de antemo que resultado ocorrer. Pode-se,
no entanto, determinar a probabilidade associada a cada resultado. Por exem-
plo, no lance de um dado honesto, sabe-se que os resultados possveis so 1, 2,
3, 4, 5 ou 6 na face superior, cada resultado com probabilidade 1/6.
Como determinar a probabilidade de sair um nmero par? Pela teoria

clssica de probabilidades verificamos que h seis resultados possveis. A pro-
babilidade de sair um nmero par determinada pela razo entre o nmero
de casos favorveis e o nmero de casos possveis, ou seja, 3 casos favorveis
sobre 6 casos possveis, ento essa probabilidade de 3/6 ou1/2.
Do ponto de vista freqentista, essa probabilidade pode ser calculada

com o lance de um dado 1 000 vezes, verificando-se quantas vezes saiu um
nmero par e dividindo-se esse valor por 1 000.
Tambm se pode determinar intuitivamente, atravs de probabilidade

subjetiva, que o resultado sair um nmero par no lance de um dado equi-
valente a sair cara no lance de uma moeda, e que, portanto, pela experincia
do tomador de decises, ele pode concluir que essa probabilidade seja1/2.
Evento
Eventos so cada um dos resultados possveis de um experimento alea-
trio. O evento de sair cara no lance de uma moeda chamado de evento
simples, porque estamos interessados em um resultado singular do experi-
14
mento aleatrio. O evento sair um nmero par no lance de um dado um

evento composto, porque o resultado est associado a trs possveis eventos
simples.
Aos eventos no geral associa-se um conjunto, e a notao utilizada ser a

da teoria dos conjuntos, que estabelece denotar o conjunto com letras mais-
culas e, quando necessrio, os elementos do conjunto com letras minscu-
las. Ento o evento sair um nmero par pode ser representado pelo conjunto
A = {2, 4, 6}.
Tambm podemos pensar no caso da moeda, que o resultado do lance

pode ser 1 no caso de sucesso em sair uma cara e 0 no caso de fracasso em
sair uma coroa. Assim, se X o resultado do lance de uma moeda, X = 1 re-
presenta cara e X= 0 representa coroa.
Espao amostral
Podemos definir de forma simples o espao amostral como o conjunto
de todos os resultados possveis de um experimento aleatrio ou, de outra
forma, o conjunto de todos os eventos simples de um experimento aleatrio.
No geral, o espao amostral denominado por S (space em ingls) ou pela
letra grega (mega).
No lance de um dado, o espao amostral ser o conjunto S = {1, 2, 3, 4, 5,

6}. No lance de uma moeda o espao amostral ser S = {C, K}, em que C re-
presenta cara e K, coroa. Em muitos livros traduzidos encontramos o espao
amostral para esse experimento aleatrio como S = {H,T}. Aqui H representa
cara e T coroa, porque o jogo cara ou coroa em ingls chamado de head or
tail, cabea ou rabo.
Observe que o espao amostral o conjunto de todos os elementos, ou o

conjunto universo da teoria de conjuntos.
Evento certo e eventos mutuamente exclusivos

Um evento dito ser certo quando no h possibilidade de ocorrncia
de outro evento. Tambm evento impossvel aquele que no tem qualquer
possibilidade de ocorrncia. No lance de um dado, um nmero de 1 a 6 apa-
recer na face superior do dado um evento certo. No lance de dois dados, a
soma das faces superiores ser 15 um evento impossvel. Essa definio ser
til um pouco mais tarde quando tratarmos de probabilidades.
15
Eventos mutuamente exclusivos so aqueles cujos elementos no podem

pertencer a dois conjuntos ao mesmo tempo. Segue um exemplo de eventos
no mutuamente exclusivos com relao ao nmero que aparece na face
superior do lanamento de um dado. Seja o evento A sair um nmero par e
o evento B um nmero menor do que 4. Ento A e B no so mutuamente
exclusivos porque o evento 2 ocorre em ambos os conjuntos. A = {2, 4, 6} e
B = {1, 2, 3}.
Eventos complementares
Dois eventos so complementares quando os seus elementos pertencem
a eventos mutuamente exclusivos e a reunio de todos os elementos igual
ao espao amostral. Por exemplo, no lance de um dado, o evento A = {1, 2}
complementar ao evento B = {3, 4, 5, 6}. Tambm o evento sair um nmero
par na face superior no lanamento de um dado complementar ao evento
sair um nmero mpar.
usual denotar o evento complementar de A como ou AC.
Probabilidade
Probabilidade uma medida de incerteza que pode assumir valores entre
0 e 1. No existe probabilidade negativa nem maior do que 1. A probabilidade
de sair cara no lance de uma moeda igual a 1/2 ou 0,5 e no 50%.
Embora probabilidade e percentagem sejam medidas de naturezas di-

ferentes, no incomum que se utilize percentagem com o sentido de pro-
babilidade. Quando isso no nos atrapalhar, utilizaremos indistintamente as
duas acepes.
A probabilidade de um evento A pode ser definida como o nmero de

elementos favorveis sobre o nmero de elementos possveis. O cardinal do
conjunto A, denotado por #A, representa o nmero de elementos favorveis
do evento A e o #S o nmero de elementos do espao amostral, ento:
P (A) = #A
#S
No evento nmero par no lance de um dado, A = {2, 4, 6}, cujo nmero de

elementos dado por #A = 3 e S = {1, 2, 3, 4, 5, 6} com #S = 6, ento:
16
P (A) = #A = 3 = 1 = 0,5
#S 6 2
Probabilidade, chance e verossimilhana

Esses trs termos so muitas vezes utilizados indistintamente, mas de fato
representam fenmenos de natureza distinta.
Dizemos que a chance de se ganhar na mega-sena de aproximadamente

1 para 50 milhes se jogarmos um bilhete com 6 nmeros. A idia de chance
est relacionada a jogo. curioso notar que a teoria de probabilidade, em
seus primrdios, era denominada nos meios acadmicos como a teoria das
chances, somente mais tarde se distinguiu chance de probabilidade, tendo
sido reservada para essa ltima a primazia de denominar a teoria que se en-
carrega de medir incerteza.
Por outro lado, a palavra verossimilhana tambm no tem o mesmo sig-

nificado de probabilidade. Por exemplo, bem sabido que se em uma noite
de inverno o frio for intenso e o cu estiver estrelado, a possibilidade de
ocorrncia de geada na manh do dia seguinte bastante grande. Devemos
dizer que verossmil e no que provvel a ocorrncia de geada. Essa pala-
vra muito pouco utilizada coloquialmente em portugus e por isso falamos
em provvel ou verossmil indistintamente.
Na lngua inglesa, a palavra correspondente verossimilhana likelihood,

bastante comum no uso coloquial. Ento, em muitos livros de estatstica tra-
duzidos do ingls para o portugus, o tradutor prefere utilizar probabilida-
de nos locais em que aparece likelihood e isso pode trazer alguma confuso
conceitual. Foraremos um pouco o uso correto e distinto de probabilidade
e verossimilhana quando for necessrio no texto.
Axiomas e regras de probabilidades

As regras para o uso de probabilidades, muitas vezes apresentadas como
teoremas, partem de um conjunto de princpios que levam em conta a natu-
reza da medida de probabilidade. Esse conjunto de princpios conhecido
como os Axiomas de Kolmogorov, o matemtico russo que as estabeleceu no
incio do sculo XX.
17
Axiomas de Kolmogorov
Seja A um evento e S o espao amostral de um experimento aleatrio, ento:
(I) 0 P(A) 1;
(II) P(S) =1;
(III) P(A B) = P(A) + P(B) P(A B), se A e B no so eventos mutuamente

exclusivos.
O primeiro axioma define probabilidade como uma medida no nega-

tiva e no maior que a unidade. Ento, um nmero definido no intervalo
de 0 a 1 e no uma percentagem. Ela pode ser apresentada em forma de
frao 4/10, com o numerador sempre menor ou igual ao denominador,
ou em forma decimal 0,4. No teremos preferncia neste livro na forma
de apresentao final das probabilidades calculadas, mas sempre convm
fazer as operaes atravs de fraes para no haver acmulo de erros
devido a arredondamentos.
O segundo axioma informa que a probabilidade do espao amostral

sempre 1. O espao amostral pode ser tomado como o evento composto
certo. Por outro lado, o evento complementar a S o conjunto vazio, denota-
do por { } ou .
O terceiro axioma diz que a probabilidade da unio de dois eventos a

soma das probabilidades dos eventos menos a probabilidade de sua inter-
seo. Se A e B so mutuamente exclusivos, ento A B = . Vejamos um
exemplo de eventos no mutuamente exclusivos.
No lance de um dado, seja A o evento sair um nmero par e B, o evento

sair um nmero menor que 4. Ento, A = {2, 4, 6} e B = {1, 2, 3}, a unio dos
dois eventos A B = {1, 2, 3, 4, 6} e a interseo e A B = {2}. Ento P (A B)
= 1/2 + 1/2 1/6 = 5/6, uma vez que P (A) = 1/2; P (B) = 1/2 e P(A B) =1/6.
Verifique que de fato o cardinal de A B #(A B) = 5.
necessrio fazer a subtrao porque caso contrrio o elemento 2 en-

traria duas vezes, enquanto na unio ele s entra uma vez, apesar de ser
elemento dos conjuntos A e B.
18
Regras de probabilidades
Algumas regras teis derivadas dos axiomas de probabilidades sero
apresentadas sem prova. Em um contexto formal, elas poderiam ser apre-
sentadas como teoremas com as devidas provas, mas esse no o interesse
neste texto.
Eventos complementares
Se A um evento e o seu evento complementar, ento P(A) + P() = 1,
ou ainda P() = 1 P(A). Um caso particular ocorre para o caso do conjun-
to vazio, sabidamente complementar ao conjunto universo. P() = 1 P(S),
ento como P(S) = 1, P() = 0.
Regra da adio
Se A e B so eventos mutuamente excludentes, isto , A B = , ento
P(A B) = P(A) + P(B), haja vista que P() = 0.
Sejam os eventos A ={2, 4} e B { 3, 5} e S = {1, 2, 3, 4, 5, 6}, ento P(A B) =

P(A) + P(B) = 2/6 +2/6 = 4/6, verifique que A B = {2, 3, 4, 5}, cujo cardinal e
#( A B) = 4.
A B
2 5
4 3
6
1
S
Regra da diferena
Se A e B so dois conjuntos quaisquer, podemos definir a diferena entre
os dois conjuntos, A\B como o conjunto de todos os elementos que perten-
cem a A e que no pertencem a B. Ento P(A\B) = P(A) P(A B).
19
Sejam os eventos A ={2, 4} e B { 2, 3, 5} e S = {1, 2, 3, 4, 5, 6}, ento P(A\B) = P(A)

P(A B) = 2/6 1/6 = 1/6. Verifique que A\B = {4} cujo cardinal #(A\B) = 1.
A B
5
4 2
3
6
1
S
Probabilidades conjunta,
marginal, condicional e independncia
Probabilidade conjunta
Em muitas aplicaes, estaremos interessados na probabilidade de ocor-
rncia conjunta de dois ou mais eventos. Considere uma pesquisa de merca-
do em que dois produtos, A e B, foram apresentados para uma amostra de 1
000 pessoas, 500 homens e 500 mulheres. Os resultados das preferncias so
apresentados na tabela abaixo:
Sexo Prefere produto A Prefere produto B Total

Masculino (H) 200 300 500
Feminino (M) 100 400 500
Total 300 700 1000
O evento, quando um homem prefere o produto A, representado por

(H e A), quando uma mulher prefere o produto A por (M e A) e assim por
diante, e a probabilidade associada ao primeiro representada por P(H e
A). Essa probabilidade pode ser determinada por P(H e A) = 200/1 000 =
0,2. Ento, podemos construir uma tabela de probabilidades conjuntas con-
forme abaixo:
20

Masculino (H) 0,2 0,3 0,5
Feminino (M) 0,1 0,4 0,5
Total 0,3 0,7 1,0
Probabilidade marginal
Adicionalmente s probabilidades conjuntas, possvel determinar as
probabilidades marginais com respeito ao sexo e preferncia por produto.
Essas probabilidades so chamadas de probabilidades marginais ou de pro-
babilidades incondicionais. Por exemplo, a probabilidade marginal de que
um indivduo escolhido aleatoriamente seja homem de P(H) = 0,5 e a pro-
babilidade que o produto A seja escolhido de P(A) = 0,3.
Observe que a probabilidade de que o produto A seja escolhido a soma

de duas probabilidades mutuamente excludentes: P[(A e H) ou (A e M)] = P(A
e H) + P(A e M) = 0,2 + 0,1 = 0,3.
Probabilidade condicional
Se estivermos interessados na probabilidade de ocorrncia de um evento
uma vez que outro evento j ocorreu, podemos definir probabilidades condi-
cionais. Por exemplo, podemos estar interessados em saber qual a proba-
bilidade de ocorrncia do evento preferncia pelo produto A dado que o
elemento sorteado foi um homem.
Definimos ento, P(A/H) como a probabilidade condicional e diz-se pro-

babilidade de A dado H:
P(A H) 0,2 2
P(A/H) = = = = 0,4
P(H) 0,5 5
Na verdade restringimos nosso espao amostral para o evento ocorreu

homem. Podemos tambm restringir o espao amostral por preferncia por
produto. Assim, podemos determinar a probabilidade de escolhermos um
homem dado que o produto preferido foi o produto A, desejamos ento cal-
cular P(H/A):
P(H A) 0,2 2
P(H/A) = = = = 0,67
P(A) 0,3 3
21
Independncia
Verificamos que a probabilidade de preferncia do produto A, dado que
um homem foi sorteado igual a 0,4. Ento:
P(A H) 0,2 2
P(A/H) = = = = 0,4
P(H) 0,5 5
Podemos concluir desse fato que a preferncia pelo produto A depende

do sexo da pessoa sorteada. Definimos assim que dois eventos so esta-
tisticamente independentes quando a ocorrncia de um evento no afeta a
ocorrncia do outro. E, portanto, se C e D so independentes, denotamos
(C D), ento:
P(C/D) = P(C)
Alguns exemplos interessantes de eventos independentes: Evento C,
sexo do segundo filho e evento D, sexo do primeiro filho. Evento C, resulta-
do do lance da segunda moeda e evento D, resultado do lance da primeira
moeda. Evento C, sorteio do nmero correspondente dezena da loteria
federal e evento D, resultado do nmero correspondente unidade da lo-
teria federal.
Ento, a probabilidade de o segundo filho ser homem, dado que o pri-
meiro foi mulher, igual probabilidade do segundo filho ser mulher.
Regra da multiplicao
Quando dois eventos so independentes temos que P(C/D) = P(C). Obser-
ve tambm que
Se P(C/D) = P(C D)/P(D) ento P(C D) = P(C/D) P(D).
Utilizando a afirmao de independncia, temos ento que: se C e D so
eventos independentes:
P(C D) = P(C) P(D)

Verifique que para o exemplo da pesquisa de mercado abaixo os eventos
preferncia por um produto e sexo so independentes.
22

Masculino (H) 0,08 0,32 0,4
Feminino (M) 0,12 0,48 0,6
Total 0,2 0,8 1,0
P(A/H) = 0,08/0,4 = 8/40 = 1/5 = 0,2 e P(A/M) = 0,12/0,6 = 12/60 = 0,2.

Nesse caso, pode-se verificar que o produto das probabilidades marginais
correspondentes igual probabilidade conjunta. P(A) P(H) = 0,2 . 0,4 = 0,08
= P(A e H). Normalmente, denota-se P(A e H) como a probabilidade da inter-
seo, ento: P(A H) = P(A) P(H).
Teorema de Bayes
O objetivo do teorema de Bayes o de fazer reviso de probabilidades
com base em novas peas de evidncia. Vamos apresentar o teorema a partir
de um exemplo prtico. A Companhia de Petrleo ABC deseja verificar qual
a probabilidade de haver petrleo no litoral paranaense, uma vez que foi
descoberto petrleo no litoral sul de So Paulo. Especialistas da companhia
acreditam que, devido s circunstncias geogrficas, h uma probabilidade
de 70% de haver petrleo no Paran.
Contratam ento uma empresa de prospeco que realiza pesquisas

amostrais. Da experincia passada dessa empresa com a realizao desse
teste, ela garante uma sensibilidade de 90%, isto , em 90% das vezes em que
ele fornece resultado positivo, de fato h petrleo. E garantem tambm uma
especificidade de 80%, ou seja, em 80% das vezes em que o teste fornece
resultado negativo, de fato no h petrleo. Com esses dados a empresa far
uma reviso da probabilidade de haver petrleo, estimada em 70% pelos
tcnicos da Companhia ABC.
Para equacionar o problema, vamos chamar o evento ter petrleo de A,

de tal forma que A1 representar resultado positivo e A2 resultado negativo.
Assim, P(A1) = 0,7 e P(A2) = 0,3. Chamaremos essas probabilidades de proba-
bilidades a priori.
23
O evento B representar o teste. Ento, se o teste fornece resultado positi-

vo quando h petrleo em 90% das vezes, podemos representar essa proba-
bilidade como P(B/A1) = 0,9. E se o teste fornece resultado negativo quando
no h petrleo em 80% das vezes, significa que em 20% fornece resultado
negativo quando h petrleo, portanto P(B/A2) = 0,20.
Da definio de probabilidade condicional, temos que se P(B/A1) =

P(A1 B) /P(A1) ento P(A1 B) = P(A1) P(B/A1).
Assim, P(A1 B) = (0,7).(0,9) = 0,63. E P(A2 B) = (0,3).(0,2) = 0,06.
Observamos que se B = {(A1 B) U (A2 B)}, ento P(B) = P(A1 B) + P(A2 B).
Ento P(B) = 0,63 + 0,06.
Por outro lado, P(A1/B) = P(A1 B)/ P(B). Logo, P(A1/B) = 0,63/0,69 = 0,90.
Ento, a probabilidade de haver petrleo no Paran, dado o resultado posi-
tivo do teste, de 91%. Assim, a probabilidade de 70% de haver petrleo foi
atualizada para 91%.
Esses clculos podem ser mais bem acompanhados atravs da tabela

abaixo:
Probabi-
Probabilida- Probabilidade Probabilida-
lidade a
Eventos Ai de a priori condicional de conjunta
posteriori
P(Ai) P(x2/i) P(i) P(x2/i) P(i/x2)

A1 = tem petrleo 0,7 0,9 0,63 0,91
A2 = no tem petrleo 0,3 0,2 0,06 0,09
Total 1,0 0,69 1,0
Verifique que a distribuio conjunta dos eventos pode ser dada por:
Teste positivo Teste negativo

Total
A1 (tem petrleo) (B) (Bc)
0,63 0,07 0,7
A2 (no tem petrleo) 0,06 0,24 0,3
Total 0,69 0,31 1,0
24
Confira na tabela a probabilidade P(B/A1) = P(B A1)/P(A1) = 0,63/0,7 = 0,9,

que o valor da sensibilidade de 90%. Todas as outras probabilidades podem
ser verificadas.
Como reforo, vamos deduzir uma expresso geral para o teorema de

Bayes, a partir da anlise do seguinte diagrama de Venn e da definio de pro-
babilidade condicional.
A2
A1
Pela definio de probabilidade condicional, temos que P(A 1/B) =

P(A1 B)/P(B).
Mas tambm P(B/A1) = P(A1 B)/P(A1). Ento P(A1 B) = P(A1) P(B/A1).

Substituindo essa ltima expresso na primeira, teremos:
P(A1/B) = P(A1) P(B/A1)

P(B)
Como P(B) = P(A1 B) + P(A2 B) = P(A1)P(B/A1)+ P(A2)P(B/A2)
Temos a expresso geral do teorema de Bayes para o caso de dois eventos:
P(A1) P(B/A1)
P(A1/B) =
P(A1) P(B/A1) + P(A2) P(B/A2)
Deduzimos, atravs de um exemplo de desenvolvimento matemtico, a

expresso do teorema de Bayes quando temos dois eventos, cada um com
dois elementos. Uma expresso mais geral pode ser demonstrada, e sua ex-
presso :
P(Ai) P(B/Ai)
P(A1/B) =
P(Ai) P(B/Ai)
25
Distribuies de probabilidades discretas
Varivel aleatria
Podemos definir aproximadamente varivel aleatria como uma vari-
vel que assume valores numricos em funo do acaso. Rigorosamente, do
ponto de vista matemtico, uma varivel aleatria uma funo consistindo
de elementos de um espao amostral associados a nmeros reais relaciona-
dos a esses elementos.
So exemplos de variveis aleatrias: sair cara no lance de uma moeda,

a soma dos nmeros das faces superiores no lanamento de dois dados, o
faturamento de uma empresa no final de um perodo, o rendimento de apli-
cao de uma dada carteira e assim por diante.
Qualquer varivel que seja funo de resultados que dependem de incer-

teza pode ser considerada como varivel aleatria.
Distribuio de probabilidades de uma varivel aleatria

Podemos associar os valores possveis de uma varivel aleatria a um
certo nvel de probabilidade. A tabela formada por esse conjunto chamada
de distribuio de probabilidades.
Por exemplo, distribuio de probabilidades dos preos de um determi-

nado produto em estoque:
Preo dos produtos em R$ (X) Probabilidade de X P(X =x)

67 0,10
68 0,25
69 0,50
70 0,10
71 0,05
A probabilidade de sortearmos um produto no estoque e que ele custe

R$69,00 igual a 1/2. Ou P(X = 69) = 1/2.
A representao grfica de uma varivel aleatria pode ser feita atravs

de um grfico de bastes.
26
0,6
0,5
Probabilidades
0,4
0,3
0,2
0,1
0
1 2 3 4 5
Preo dos produtos
Propriedades de uma varivel aleatria discreta

Uma varivel aleatria discreta X tem duas propriedades:
(I) P(X = x) 0
(II) P(X = x) =1
Tambm podemos representar P(X = x) por f(x), ento, as condies acima

poderiam tambm ser expressas da seguinte forma:
(I) f(x) 0
(II) f(x) =1
Funo de distribuio acumulada

Dada uma varivel aleatria X, o valor da funo de distribuio acumu-
lada no ponto x, denotada por F(x), a probabilidade que X tome valores
menores ou iguais a x. Ou seja:
F(x) = P(X x)
No exemplo dos preos dos produtos em estoque teremos:
Preo dos produtos Probabilidade de X Probabilidade acumulada

(X) em R$ P(X = x) P(X x) = F(x)
67 0,10 0,10
68 0,25 0,35
27
Preo dos produtos Probabilidade de X Probabilidade acumulada

(X) em R$ P(X = x) P(X x) = F(x)
69 0,50 0,85
70 0,10 0,95
71 0,05 1,00
Esperana e varincia
de uma varivel aleatria discreta
A esperana de uma varivel aleatria discreta, tambm chamada de ex-
pectncia ou valor esperado, a mdia aritmtica ponderada pelas probabi-
lidades. Ela pode ser definida como:
= E(X) = X P(X = x)
A varincia de uma varivel aleatria discreta definida como:
2 = VAR(X) = (X )2 = E(X2) [E(X)]2
onde, E(X2) = X2 P(X = x).
Para o exemplo dos produtos em estoque, temos:
X P(X = x) X P(X = x) X2 X2 P(X = x)

67 0,10 6,70 4 489 448,90
68 0,25 17,00 4 624 1 156,00
69 0,50 34,50 4 761 2 380,50
70 0,10 7,00 4 900 490,00
71 0,05 3,55 5 041 252,05
Total 68,75 4 727,45
E(X) = 68,75
VAR(X) = E(X2) [E(X)]2 = 4 727,45 (68,75)2 = 0,8875
28
O valor mdio dos produtos em estoque de R$68,75 e sua varincia

igual a 0,8875.
Distribuio conjunta de probabilidades

Quando temos mais de uma varivel aleatria em considerao, pode-
mos construir uma distribuio conjunta de probabilidades.
Seja, por exemplo, um distribuidor que vende seu produto para duas em-
presas. A tabela abaixo representa as vendas por dia para cada empresa e as
probabilidades associadas:
Empresa X
Empresa Y 0 1 2 P(Y = y)
0 0,1 0,1 0,0 0,2
1 0,1 0,5 0,0 0,6
2 0,0 0,0 0,2 0,2
P(X = x) 0,2 0,6 0,2 1,0
Definimos como distribuio de probabilidades marginais as distribuies

de Y e de X conforme tabelas abaixo:
Empresa Y P(Y = y)
0 0,2
1 0,6
2 0,2
P(Y = y) 1,0
Empresa X P(X = x)
0 0,2
1 0,6
2 0,2
P(X = x) 1,0
29
Podemos definir tambm distribuies de probabilidades condicionais. Por

exemplo, a distribuio de probabilidades de X dado que Y = 1.
Empresa X P(X = x / Y = 1)
0 0,1/0,6 = 0,17
1 0,5/0,6 = 0,83
2 0,0
P(Y = y) 1,0
Dessas distribuies de probabilidades, podemos calcular suas mdias e

suas varincias:
E(X) = XP( X = x) = (0).(0,2) + (1).(0,6) + (2).(0,2) = 0,6 + 0,4 = 1,0
Var(X) = E(X2)[E(X)]2 = (0)2.(0,2) + (1)2.(0,6) + (2)2.(0,2) (0,4)2 = 0,6 + 0,8

0,16 = 1,24
A esperana condicional de X dado Y = 1 ser:
E(X/Y=1) = (0).(0,17) + (1).(0,83) + (2).(0) = 0,83
Covarincia e correlao
Definimos covarincia e correlao conforme segue:
Cov(X,Y) = E(X,Y) E(X)E(Y) e
Corr(X, Y) = Cov(X, Y)
=
x, y
Var(X) Var(Y)
E(X,Y) = XYP(X = x, Y = y) = 0.0.0,1+ 0.1.0,1+ 0.2.0 + 1.0.0,1 + 1.1.0,5 +
1.2.0 + 2.0.0 + 2.1.0 + 2.2.0,2 = 0,5 + 0,8 = 1,3
E(X) = E(Y) = 1
Cov (X,Y) = 1,3 1.1 = 1,3 1 = 0,3
X,Y
= 0,3 / 1,24 = 0,24
A correlao mede a fora do relacionamento das variveis X e Y. Pode variar

em mdulo de 0 a 1. Correlao igual a 0 significa que no h correlao entre as
variveis e correlao 1 resulta de relao muito forte entre X e Y.
30
Variveis aleatrias discretas

Existem algumas distribuies de probabilidades discretas que tm
caractersticas especiais e so muito utilizadas na prtica. Faremos uma ex-
posio de cada uma delas evitando o desenvolvimento terico que exigiria
certa manipulao matemtica que temos evitado.
Estudaremos as distribuies uniforme, binomial, multinomial, hipergeo-

mtrica e de Poisson.
Distribuio uniforme
Algumas vezes, todos os valores possveis da varivel aleatria assumem
o mesmo valor. Tal distribuio de probabilidades chamada de distribuio
uniforme e tem a seguinte distribuio de probabilidades:
P(X = x) = f(x) = 1 , x = 0 ,..., N

N
E(X) = X =
N
Var(X) = 1 [( X2) (X)2 ] = 2
N
Exemplo:
Lance de um dado no-viciado. A funo de probabilidade (ou funo

densidade de probabilidades) dada por:
P (X = x) = 1
6
E(X) = 3,5
VAR(X) = 2,92
Exemplo:
Um vo internacional est escalado para chegar ao Aeroporto Internacional

de Cumbica, em So Paulo, s 7h30. Um estudo mostrou que a hora real de che-
gada uniformemente distribuda por minutos no intervalo de 7h05 s 8h40.
Seja X = 1 a chegada s 7h05, X = 2 a chegada s 7h06, e assim por diante.
a) Escreva a expresso matemtica de f(x) = P(X = x).
b) Qual a probabilidade que o vo se atrase?
c) Qual a probabilidade que o vo chegue depois das 8h?
31
d) Qual a probabilidade que o vo chegue s 8h ou depois das 8h?
e) Qual probabilidade que o vo chegue antes das 7h30?
Entre 7h05 e 8h40 existem 96 minutos, ento:
a) f(x) =1/96, x = 1, ... , 96.
b) A probabilidade que o vo se atrase a probabilidade que ele che-

gue depois das 7h30. Entre 7h31 e 8h40 existem 70 minutos, ento:
70
P(7h31 X 8h40) = P(7h30 < X 8h40) = = 0,729.
96
c) A probabilidade que o vo chegue depois das 8h e P(X > 8h) = 40
96
= 0,417.
d) A probabilidade que o vo chegue s 8h00 ou depois das 8h P(X

8h) = 41 = 0,427.
96
e) Entre 07h05 e 07h30 existem 25 minutos.
25
Ento, P(7h05 X 7h30) = = 0,260.
96
Distribuio binomial
Na distribuio binomial h dois resultados possveis em cada experimento
aleatrio. uma das distribuies mais importantes por suas aplicaes na rea
de negcios e de cincias sociais. O processo que se utiliza da distribuio bi-
nomial conhecido como prova de Bernoulli ou processo de Bernoulli, matem-
tico suo que pela primeira vez deu sentido ao uso da distribuio binomial.
As seguintes suposies devem ser feitas para o uso da distribuio

binomial:
(I) em cada processo h dois possveis resultados mutuamente exclu-

sivos, que so chamados de sucesso ou fracasso;
(II) a probabilidade de sucesso, denotada por p, permanece constan-

te durante todo o processo. A probabilidade de fracasso, denota-
da por q igual a 1 p;
(III) cada passo do processo independente do anterior.
A distribuio binomial tem a seguinte distribuio de probabilidades:
32
P(X =x) = f(x) = Cn,x px qn-x
E(X) = n.p
VAR(X) = n.p.q
O exemplo clssico do uso da distribuio binomial o clculo da proba-

bilidade de, por exemplo, sarem duas caras no lance de seis moedas hones-
tas. Nesta situao, n = 6, p = 1 e X = 2. Ento:
2
P(X = 2) = C6,2 (1/2) .(1/2) = (15).(0,015625) = 0,2344
2 4
A tabela abaixo fornece toda a distribuio de probabilidades para o ex-

perimento acima:
X 0 1 2 3 4 5 6
P(X = x) 0,0156 0,0938 0,2344 0,3125 0,2344 0,0938 0,0156
E(X) = n.p = 6 . 1 = 3
2 = 1,5
V(X) = n.p.q = 6 . 1 . 1
2 2
A distribuio binomial aplicvel em situaes de amostragem de uma
populao finita com reposio ou de uma amostragem com uma populao
infinita com ou sem reposio.
Exemplo:
A gerncia de Atendimento ao Cliente dos Correios responsvel por

expedir a correspondncia atrasada. Da experincia passada, essa gerncia
sabe que em 90% das vezes as correspondncias so entregues sem atraso.
Da tabela A da distribuio binomial acumulada retire os valores para deter-
minar as probabilidades de que em 10 remessas:
a) 3 ou menos correspondncias sero entregues com atraso.
b) entre 3 e 5 correspondncias sero entregues com atraso.
c) 3 ou mais correspondncias sero entregues em dia.
d) exatamente 2 correspondncias sero entregues com atraso.
e) 7 ou mais correspondncias sero entregues com atraso.
Seja X a varivel aleatria correspondente entrega com atraso da cor

respondncia. Ento, podemos estabelecer p = 0,10. Repare que a ao cor-
respondente a sucesso a entrega com atraso. Ento, q = 0,90 e n =10.
33
a) Da tabela A, temos que F(3) = 0,9872

3
Essa probabilidade corresponde a calcular P(X3) = F(3) = C10,X
x=0
(0,10)X (0,90)10 x.
Ou ainda P(X 3) = P(X = 0) + P(X = 1) + P(X =2) + P( X = 3), esses

valores podem ser encontrados na tabela B da distribuio de proba-
bilidades binomial para n = 10,p = 0,10.
P(X 3) = 0,3487 + 0,3874 + 0,1937 + 0,0574 = 0,9872
b) P (3 X 5) = P(X 5) P(X < 3) = P(X 5) P(X 2) = F(5) F(2) =
= 0,9999 0,9298 = 0,0701.
c) 3 ou mais fracassos correspondem a 7 ou menos sucessos. Lem-

brando que fracasso aqui entregar a correspondncia em dia.
Ento, precisamos calcular P(X 7) = F(7) = 1,0000.
d) A probabilidade de exatamente 2 sucessos P(X 2) P(X 1)

= F(2) F(1) = 0,9298 0,7361 = 0,1937, esse valor pode ser confir-
mado na tabela B para P(X=2).
e) P( X 7) = 1 P(X 6) = 1 F(6) = 1 1 = 0.
Distribuio multinomial
No caso da distribuio binomial havia dois possveis resultados para o
processo, sucesso ou fracasso. No caso da distribuio multinomial, pode-
mos ter mais do que dois resultados possveis. A sua distribuio de probabi-
lidades dada pela expresso:
P(X1 = x1, X2 = x2, ..., Xn = xn) = f(x) = [n!/x1!x2!...xn!] p1x1 p2x2 ...pnxn
E(Xi) = ni . pi
VAR(Xi) = ni . pi . qi
Exemplo:
A loja ABC est liquidando o seu estoque, distribuindo roupas de tama-

nhos diferentes em trs salas. Uma sala para manequim pequeno, outra para
mdio e outra para grande. Uma pessoa entra na sala de roupas mdias e
34
escolhe 10 peas. Por causa de um erro de classificao das peas, 15% delas
na sala de roupas mdias eram grandes, e 5% eram pequenas, as demais
eram de fato roupas de tamanho mdio.
a) Qual a probabilidade de que a pessoa que escolheu as peas na sala

de roupas de tamanho mdio, tenha pegado exatamente cinco roupas
de tamanho mdio, uma de tamanho grande e quatro de ta-manho
pequeno?
b) Qual a probabilidade de ela ter pego sete roupas de tamanho m-

dio, duas de tamanho grande e uma de tamanho pequeno?
Aplicando a expresso da distribuio multinomial, teremos:
a) f(5,1,4) = [10!/5!1!4!].(0,80)5.(0,15).(0,05)4 = 0,0004.
b) f(7,2,1) = [10!/7!2!1!].(0,80)7.(0,15)2.(0,05) = 0,0849.
Distribuio hipergeomtrica
A distribuio binomial foi utilizada para amostragens de populaes fi-
nitas com reposio. Em muitas situaes prticas, as amostragens so rea-
lizadas sem reposio e nesse caso o modelo adequado o da distribuio
hipergeomtrica.
Suponha que temos bolas de duas cores em uma caixa com N bolas,
sendo que N1 so brancas e N N1 so azuis. Uma amostra de tamanho n
retirada da caixa e desejamos saber qual a probabilidade que x dessas bolas
sejam brancas.
A expresso para o clculo de x sucessos na amostra aleatria de tama-

nho n sem reposio dada por:
CN1,xC(N - N1), (n,x)

f(x) = P(X = x) = para x = 0,1, ...
CN, n
O exemplo do incio do captulo que diz respeito probabilidade de cinco

pessoas que moram no mesmo quarteiro estarem em um mesmo nibus
uma aplicao da distribuio hipergeomtrica.
35
Distribuio de Poisson
A distribuio de Poisson tem uma grande aplicao em situaes como
demanda por produtos, nmero de telefonemas que chegam a uma central,
nmero de acidentes, nmeros de trfego de chegadas (como caminhes
em um terminal, avies em aeroportos, navios nos portos etc.) e nmero de
defeitos observados em linhas de produo.
Todas essas situaes tm dois pontos em comum:
as ocorrncias podem ser descritas por uma varivel aleatria que

toma valores como 0, 1, 2 e assim por diante;
existe um ndice do nmero de ocorrncias por intervalo de tempo ou

espao.
Algumas suposies so feitas para a utilizao dessa distribuio, que so:
a probabilidade de exatamente uma ocorrncia acontecer em um subin-

tervalo um nmero pequeno que constante em cada subintervalo;
a probabilidade de duas ou mais ocorrncias em um subintervalo to

pequena que considerada igual a zero;
o nmero de ocorrncias em um subintervalo no depende onde este

subintervalo est localizado;
o nmero de ocorrncias em um subintervalo no depende do nme-

ro de ocorrncias em qualquer outro subintervalo.
A distribuio de Poisson pode ser descrita pela funo densidade de

probabilidade:
P(X = x) = f(x) = ( . e ) , ... para x = 0, 1, 2.......

x
x!
A esperana e a varincia de X so iguais. E(X) = VAR (X) = .

Exemplo:
Seja X a varivel aleatria nmero de chamadas telefnicas por minuto
durante um dado perodo de tempo. Ento = 0,4 chamadas por minuto
o parmetro da distribuio de probabilidades de Poisson. A probabilidade
36
que certo nmero de chamadas chegar central dada pela expresso da

funo densidade. Ento:
para X =0,
(0,4)0.e0,4
P(X = 0) = f(0) = = 0,670
0!
e para X = 1
(0,4)1.e0,4
P(X = 1) = f(1) = 1! =(0,4)(0,670) = 0,268.
Para encontrar esses e outros valores de f(x), pode-se consultar direta-

mente a tabela C dos valores da funo de distribuio acumulada para a dis-
tribuio de Poisson.
c
F(c) = P(X c) =
x=0
f(x)
A distribuio de Poisson
como aproximao da distribuio binomial
Quando n muito grande o uso da distribuio binomial pode tornar-
se tedioso. Para evitar essa situao podemos tomar a distribuio de Pois-
son como uma aproximao da distribuio binomial, quando n muito
grande e p muito pequeno.
Se na distribuio binomial n cresce sem limites e p se aproxima de zero

de tal maneira que np permanea constante, podemos tomar n . p = como
o parmetro da distribuio de Poisson.
Exemplo:
Calcular a probabilidade de no se sortear nenhuma criana em uma

amostra de tamanho 5 de uma populao com 950 adultos e 50 crianas.
Os parmetros da distribuio binomial neste exemplo so p = 0,05 e n =

5, ento:
(0,25)0 . e0,25
F(0) = = 0,779
0!
Resolvendo esse problema atravs da distribuio binomial teramos
P(X = 0) = 0,774, bem prximo ao encontrado pela distribuio de Poisson.
37
Atividades de aplicao
1. Determine o complemento para cada um dos seguintes eventos.
a) Obter 2 ou 3 na jogada de um dado.
b) Extrair uma carta de copas de um baralho de 52 cartas.
c) Retirar menos de 10 defeituosos.
d) Retirar pelo menos 5 defeituosos.
2. Considere o lanamento de dois dados. Considere o evento A: soma

dos nmeros obtidos igual a 9, e B: nmero no primeiro dado maior
ou igual a 4.
a) Enumere os elementos de A e B.
b) Obtenha A B, A B e Ac.
3. Seja P(A)= 0,30, P(B) = 0,80 e P(A e B) = 0,15,

a) A e B so mutuamente exclusivos? Explique.
b) determine P(Bc).
c) determine P(A ou B).
4. Um grupo de 12 homens e 8 mulheres concorre a 3 prmios atravs de

um sorteio, sem reposio de seus nomes. Qual a probabilidade de:
a) nenhum homem ser sorteado?
b) um prmio ser ganho por homem?
c) dois homens serem premiados?
5. Uma remessa de 1500 componentes eletrnicos contm 400 defeituo-

sos e 1100 perfeitos. Duzentos componentes so escolhidos ao acaso
(sem reposio) e classificados.
a) Qual a probabilidade que sejam encontrados exatamente 90
componentes defeituosos?
b) Qual a probabilidade que se encontrem ao menos 2 componen-
tes defeituosos?
6. Determinado curso de treinamento aumenta a produtividade de cer-

ta populao de funcionrios em 80% dos casos. De 10 funcionrios
quaisquer que participam desse curso, encontre a probabilidade de:
38
a) exatamente 7 funcionrios aumentarem a produtividade.
b) pelo menos 3 no aumentarem a produtividade.
7. O processo de parametrizao no Aeroporto Internacional tem apre-

sentado um ndice de 70% de ocorrncias de sinal verde (mercadoria
liberada sem a necessidade de vistoria fsica e documental), 20% de
sinal amarelo (vistoria documental) e 10% de sinal vermelho (neces-
sidade de vistoria fsica e documental). Supondo num dia qualquer a
chegada de 8 lotes de produtos, determine a probabilidade de:
a) todos serem liberados sem nenhuma vistoria.
b) pelo menos 2 lotes sofrerem inspeo fsica e documental.
c) no mximo 3 apenas passarem pela vistoria documental.
8. Est sendo planejado um novo hospital para uma cidade no interior

do Nordeste, dentro de uma comunidade que ainda no tem hospital
prprio. Sabe-se que essa cidade tem uma mdia de 2,3 nascimentos
por dia, determine a probabilidade de que, em um dia qualquer, o n-
mero de nascimentos seja:
a) nenhum.
b) exatamente 2.
c) pelo menos 1.
9. Num processo de fabricao de certo tipo de componentes a taxa de

defeituosos de 6%. Esses componentes so acondicionados em cai-
xas com 5 unidades para a venda no mercado. A empresa fabricante
paga uma multa de R$10 por caixa em que tenha algum componente
defeituoso. Num lote de 5 000 caixas, qual o valor esperado para paga-
mento de multas?
10. Certo departamento de uma empresa est dimensionado de forma a

poder atender, no perodo normal, at 5 pedidos de servios. Se che-
garem mais que 5 pedidos o pessoal deve recorrer a horas extras para
cumprir o atendimento. Sabendo-se que o nmero mdio de pedidos
que chegam diariamente de 4,2, calcular:
a) a probabilidade de ocorrncia de horas extras num dia qualquer.
b) sendo o custo dirio de horas extras de R$375,00, qual ser o custo
mdio mensal estimado com horas extras, (considerar 22 dias).
39
Amostragem
Problema
A empresa ABC tem uma administrao participativa e decidiu que os
funcionrios devem eleger os chefes de seo. No almoxarifado, dois can-
didatos apresentam-se. Joo parece ter a preferncia de seus pares, mas
Pedro acredita que pode superar Joo se fizer uma boa campanha. Resol-
ve ento fazer uma pesquisa de opinio para compreender quais so os
principais anseios de seus colegas e quer aproveitar a pesquisa para ver o
nvel de aceitao de seu nome. Como o nmero de empregados do almo-
xarifado muito grande, opta por fazer um levantamento atravs de um
processo de amostragem.
Para tanto, elabora um plano amostral e um questionrio para realizar o

seu levantamento. Faz parte de seu planejamento a determinao do tipo
de sorteio que realizar, do tamanho da amostra e a estratgia do trabalho
de campo.
Ele sabe que o tamanho da amostra depender fundamentalmente de duas

determinaes: a preciso do resultado e o erro amostral. Resolve ento que
deseja ter uma grande preciso que implique um desvio de mais ou menos 3%
com um nvel de confiana de 95%, ou seja, um erro amostral de 5%.
Assim, se ele tiver 40% das intenes de voto, saber ento com 95% de
confiana que em uma eleio com todos os funcionrios sua proporo de
votos estar entre 37% e 43%. Ou, de outra forma, a proporo de votos que
ele ter na populao estar dentro desse intervalo e, uma vez que a pesqui-
sa foi feita por amostragem, esse intervalo ser construdo atravs de uma
amostra que poder ser representativa da populao ou no, e a chance que
esse sorteio retire uma amostra no representativa de 5%, porque o nvel
de confiana e o erro amostral representam probabilidades complementa-
res, ou seja, a sua soma sempre 100%. Se o levantamento for realizado com
um erro amostral de 2% ento o nvel de confiana ser de 98%.
Comumente os resultados de pesquisas como essa falam em margem de

erro de mais ou menos 2 ou 3%. O que se publica como margem de erro

na verdade o desvio. O desvio est relacionado com a preciso que se deseja

obter. Quanto menor o desvio, maior a preciso.
Essa declarao pode ser escrita em termos matemticos atravs do se-

guinte intervalo de confiana:
Pr ( 37% < P < 43%) = 0,95
Pr (40 3 < P < 40 + 3) = 1 0,05
De forma genrica, o intervalo de confiana de uma proporo dado

pela seguinte expresso:
Pr ( p d < P < p + d ) = 1
Nessa expresso, Pr significa probabilidade, P (p maisculo) a proporo

de votos de Pedro na populao, p (p minsculo) a proporo de votos de
Pedro na amostra, d o desvio e o erro amostral. Portanto, (1 ) defi-
nido como o nvel de confiana.
Rigorosamente, segundo a teoria Estatstica Clssica, uma vez que P um

parmetro da populao, portanto, um valor exato, no se pode falar em
probabilidade de um parmetro estar dentro de um intervalo. E mais, a in-
terpretao de um intervalo de confiana a de que, se fossem retiradas 100
amostras, em 95 delas o parmetro deveria pertencer ao intervalo. Mas essa
simplificao no atrapalha o raciocnio realizado.
Um levantamento amostral (ou amostragem) uma pesquisa realizada
em parte de uma populao com o objetivo de calcular uma medida na
amostra que sirva de estimativa dessa medida na populao. No exemplo
acima, a proporo de votos de Pedro, na amostra, serve como uma es-
timativa da proporo de seus votos na populao. Alm da proporo,
outras medidas muito comuns realizadas na amostra como estimadores
dos parmetros populacionais so a mdia e o desvio-padro.
Formalizando alguns conceitos:
42
Amostragem
Populao
Populao um conjunto de pessoas, animais, objetos ou coisas que tm
uma caracterstica em comum e que sejam objeto de investigao.
Exemplos:
populao de pessoas que habitam uma cidade;
populao de eleitores de uma cidade. Nesse caso, so consideradas

somente as pessoas cadastradas no Tribunal Regional Eleitoral das
zonas eleitorais do municpio em questo. No importa se a pessoa de
fato reside na cidade ou no. Muitos eleitores de Curitiba residem nas
cidades da Regio Metropolitana;
populao de empregados de uma empresa, ou de um setor de uma

empresa;
populao de cachorros de rua de uma cidade;
populao de refrigeradores produzidos por uma indstria no ano y;
populao das carteiras de uma escola.
As medidas observadas em uma populao so chamadas de parmetros.

No geral, so apresentadas por caracteres maisculos ou por letras gregas.
Tamanho da populao N.
Media da populao (letra grega mi).
Desvio-padro da populao (letra grega sigma).
Um levantamento realizado com todos os elementos de uma populao

chamado de censo. Os primeiros censos de que se tem notcia foram reali-
zados na China. Mais tarde ficaram famosos os censos do Imprio Romano,
cujo objetivo era conhecer o tamanho de seu domnio. Um desses censos foi
realizado no ano do nascimento de Jesus Cristo. Os cristos acreditam que
esse censo foi realizado justamente para identificar a figura de uma criana
que mais tarde se tornaria o filho de Deus.
43
Os censos populacionais so realizados em todo o mundo, de dez em

dez anos, por recomendao da Organizao das Naes Unidas. No Brasil,
o primeiro censo foi organizado pelo estatstico Italiano Giorgio Mortara em
1940, que tambm foi o fundador do Instituto Brasileiro de Geografia e Esta-
tstica (IBGE). Hoje, o IBGE considerado um dos maiores e mais competen-
tes institutos do gnero ao redor do mundo. O IBGE trabalha com tcnicas
estatsticas complexas e sofisticadas.
Na realizao do censo, existem dois questionrios. Um questionrio

bsico que todas as famlias brasileiras respondem e um questionrio com-
pleto que respondido por uma amostra de 10% da populao. Ou seja, uma
em cada 10 famlias deve responder o questionrio completo. At o censo de
1991 essa amostra era de 25%. Mas com a evoluo das tcnicas estatsticas
de estimao pode-se diminuir o tamanho da amostra. Na maioria dos pases
com tradio em realizao de levantamentos amostrais, como, por exemplo,
os Estados Unidos, o censo serve somente para a contagem da populao,
todas as outras determinaes so realizadas atravs de amostragens.
Observe-se que os censos devem ser realizados nos anos de final zero. O
censo de 1990 foi realizado com um ano de atraso por dificuldades operacio-
nais durante o governo de Fernando Collor de Melo. Essa defasagem causa
problemas de ordem tcnica bastante graves quando se deseja realizar es-
timativas baseadas nos resultados do censo. As sries temporais, que deve-
riam ter uma mesma amplitude de dez em dez anos, passaram a ter, nesse
perodo uma defasagem de onze e depois nove anos.
Curiosidade
Giorgio Mortara dizia que os estatsticos eram como os msicos. Onde

todos vem cifras musicais, o msico escuta uma cano. Da mesma forma
onde todos vem nmeros, os estatsticos enxergam a realidade.
Amostra
Amostra um subconjunto de uma populao que pretende represent-la.
As medidas realizadas em uma amostra so chamadas de estatsticas.

Como elas pretendem estimar o valor da mesma medida na populao os
seus valores calculados, so chamados de estimativa. A expresso utilizada
para calcular a medida chamada de estimador.
44
Amostragem
No exemplo anterior, a proporo de votos de Pedro na populao um

parmetro. A proporo de votos na amostra um estimador desse parmetro.
O seu valor, no caso em tela, 40% uma estimativa do valor do parmetro.
A mdia da amostra um estimador da mdia da populao, mas no o

nico estimador possvel. A mediana da amostra, por exemplo, pode ser um
estimador da mdia da populao. Ocorre que a mdia da amostra um es-
timador da mdia da populao que tem certas propriedades que a tornam
um estimador melhor do que a mediana amostral.
As medidas realizadas na amostra so representadas por letras mins-

culas ou atravs de caracteres especiais. Quando um estimador, tambm
podem ser representadas atravs da mesma letra do parmetro que desejam
estimar acrescentada de um acento circunflexo que chamado de chapu.
Tamanho da amostra n.
^
Mdia da amostra X, .
Desvio-padro da amostra S, s, .
Tipos de amostragem
Quanto repetio de elementos da amostra

Uma amostra pode ser retirada da populao podendo os elementos
desta populao aparecerem mais de uma vez na amostra, ou no. Se todos
os elementos da amostra so diferentes, ou seja, um mesmo elemento no
pode participar duas vezes da amostra, a amostragem dita ser amostra sem
reposio. Caso contrrio, a amostra dita ser com reposio.
No processo de sorteio da loteria federal, por exemplo, quando so sor-

teados seis nmeros de 0 a 9 para formar uma centena de milhar, a amostra-
gem com reposio. Sorteia-se de um globo uma bola que representar a
unidade. Esse nmero verificado e colocado novamente no globo para o
sorteio da dezena e assim por diante at o sorteio da bola correspondente
centena de milhar. Na verdade, o sorteio feito com seis globos, o que equi-
vale ao processo descrito acima. Ento esse sorteio com reposio.
No processo de sorteio da mega-sena, por outro lado, o processo sem

reposio, porque se sorteiam seis bolas de um globo que tem um total de
60 bolas numeradas.
45
Em um processo sem reposio, a probabilidade de um nmero ser sortea-

1
do de uma populao de tamanho N . Em um processo com reposio, a
N 1
probabilidade de n nmeros especiais participarem da amostra C .
N, n
Curiosidade
Se um vendedor de bilhetes da loteria federal tiver somente duas opes

de bilhetes para a venda, a cobra 333 333 ou o cachorro 234 320, qual deles
tem maior probabilidade de ser o bilhete vencedor? Qual voc compraria?
A tendncia imediata de qualquer apostador seria que intuitivamente o

segundo bilhete tem maior chance de ocorrer. No entanto, como em muitos
outros casos, a intuio da probabilidade enganosa. A chance de ocorrer
3 ou 0 no sorteio da unidade idntica e igual a 1/10. Da mesma forma, a
chance de ocorrer 3 ou 2 no sorteio da dezena tambm idntica e igual
a 1/10. Os sorteios so com reposio e independentes. A chance final dos
dois bilhetes serem vencedores idntica e igual a (1/10)6, ou uma chance
em 1 000 000 (um milho). De fato uma probabilidade bem pequena.
1
A probabilidade de se ganhar na mega-sena C60, 6 que igual a uma
em 50 063 860, ou seja, uma chance em cinqenta milhes. Uma proba-
bilidade bem menor que a da loteria federal. E se jogar dois bilhetes na
mega-sena? A probabilidade ento ser 2 em 50 milhes, ou uma chance
em 25 milhes. Ainda muito difcil de ganhar. Ento seria melhor jogar em
sete nmeros? Bom, a a probabilidade de se acertar seis nmeros de uma
chance em 7 151 980, aproximadamente uma em 7 milhes. Exatamente
sete vezes maior do que jogar somente em seis nmeros. Por isso se o bi-
lhete de aposta com seis nmeros custa R$1,50 o bilhete de apostas com
sete nmeros custa R$10,50, exatamente sete vezes mais.
Quanto representatividade
Uma amostra pode ser probabilstica ou no probabilstica. Para efeito
de inferncia, isto , se o propsito o de estimar valores de parmetros
da populao, somente amostras probabilsticas conseguem ser teis. Ou
seja, s possvel fazer inferncias para a populao atravs de observa-
es da amostra se os elementos forem escolhidos atravs de algum pro-
cesso de sorteio.
46
Amostragem
Em um processo de amostragem probabilstico h de se poder calcular

o valor da probabilidade de um elemento da populao que participa da
amostra.
Amostragens no probabilsticas servem para se fazer sondagens sem

propsitos inferenciais. Nesses casos, os procedimentos que envolvem com-
paraes estatsticas que impliquem clculos cientficos no so vlidos.
Processos de amostragem no probabilsticos
Amostragem por cotas

Esse procedimento muito utilizado e s vezes confundido com o pro-
cesso de amostragem estratificada proporcional, que ser estudado mais
adiante. Consiste em buscar repetir na amostra a proporo de elementos
de cada estrato da populao. Ento, se a populao composta de 50%
de homens, 20% de jovens e assim por diante, a amostra ter tambm essa
composio. O que diferencia a amostragem por cotas da amostragem estra-
tificada proporcional que, no primeiro caso, os elementos da amostra no
so selecionados atravs de sorteio.
Muitos institutos de pesquisa utilizam esse tipo de levantamento. Fazem

entrevistas na rua, por exemplo, em que o agente de campo vai escolhen-
do as pessoas at que complete cada uma das cotas. O processo no serve
para propsitos de inferncia porque pode ser contaminado pela escolha
realizada pelo agente. No geral, pessoas com pressa ou mais sisudas acabam
no participando da amostra, embora possam representar uma parcela
importante de opinio, dependendo do objeto da pesquisa. Pesquisas de
mercado, por exemplo, podem ter resultados completamente tendenciosos
em razo da escolha da amostra.
Por outro lado, em pesquisas eleitorais, candidatos podem forar a par-

ticipao de assessores ou cabos eleitorais em pesquisas de rua com o pro-
psito de fazer da pesquisa uma pea de campanha. Embora ainda no se
tenha comprovao cientfica, supe-se que eleitores indecisos votem em
candidatos com maior chance de vitria para no perderem o seu voto. No
processo de eleio americana, bastante diferente do brasileiro, o Instituto
Gallup verificou que os resultados das pesquisas eleitorais no afetam de
forma importante o resultado final da eleio. bom lembrar, no entanto,
47
que o voto nos Estados Unidos no obrigatrio e que as eleies so reali-

zadas de forma indireta atravs de delegados partidrios.
Amostragem de voluntrios
Nesse tipo de amostragem, os elementos da amostra so definidos pela
opo do prprio elemento em participar do processo. Ele muito comum
em publicaes de revistas ou jornais ou ento na opinio de usurios de
certos servios, como restaurantes, por exemplo.
Muitas revistas colocam em determinados nmeros encartes em que

o leitor deve opinar sobre a qualidade da revista e de certas sees es-
pecficas. O que ocorre no geral que a grande maioria das pessoas que
respondem ao questionrio, o fazem porque no esto satisfeitas com a
publicao ou pelo menos com parte dela. Essa sondagem pode ser til
para os editores da revista porque tero uma idia do que podem melhorar,
mas no h como se fazer estimativas acerca do que a maioria dos leitores
pensa da publicao. O mesmo ocorre em restaurantes ou em conferncias
quando os comensais ou os participantes das conferncias so instados a
responderem questionrios.
Amostragem intencional
Aqui o pesquisador busca na populao uma parte dela que lhe in-
teressa. Os participantes da amostra so escolhidos por terem alguma
caracterstica que interessa ao pesquisador. Da mesma forma que os outros
processos no probabilsticos, nesse caso no h como se fazer inferncias
para toda a populao.
Uma pesquisa sobre qualidade de atendimento hospitalar pode ser

realizada em um setor do hospital. Podem ser escolhidos para participarem
da amostra pacientes desse setor. Naturalmente os resultados obtidos dessa
forma no podem ser estendidos para todo o hospital.
Amostragem a esmo
Muitas vezes este processo confundido com uma amostragem aleat-
ria. A palavra aleatria vem de alea (sorte do latim todos lembram de alea
48
Amostragem
jacta est, a sorte est lanada de Jlio Csar ao invadir Roma). No contexto
da estatstica, a palavra aleatria est relacionada ao processo de escolha
por sorteio. Em contextos especficos a palavra aleatria substituda pela
palavra estocstica.
Escolher a esmo, portanto, no processo cientfico de escolha de ele-

mentos da populao para participarem da amostra.
Processos de amostragem probabilsticos

As amostragens que tm valor cientfico so aquelas em que se conse-
gue, de alguma forma, determinar a probabilidade de um elemento da po-
pulao em participar da amostra. No necessariamente todos os elementos
da populao devam ter a mesma chance de participar da amostra, como no
caso da amostragem estratificada proporcional (exemplo que ser visto logo
a seguir), mas repetindo h que se conseguir determinar qual a probabilida-
de de participao na amostra.
As principais tcnicas de amostragem probabilstica sero estudadas na

seo que segue. So elas: amostragem aleatria simples, amostragem es-
tratificada proporcional, amostragem sistemtica, amostragem por conglo-
merados e amostragem em dois estgios. Antes, porm, ser conveniente a
apresentao da tabela de nmeros aleatrios.
Tabela de nmeros aleatrios

As tabelas de nmeros aleatrios so tabelas de algarismos geradas em
computador para auxiliar o pesquisador a sortear nmeros de elementos
da populao que devero participar da amostra. Na verdade, elas simulam
uma urna na qual bolas ou papis so colocados com nmeros de 1 a N,
onde N o ltimo elemento numerado de uma populao.
Essas tabelas podem ser geradas em programas simples, como o Excel,

por exemplo. Elas so especialmente teis quando se deve fazer o sorteio
sem que se tenha um computador em mos ou mesmo uma mquina de
calcular cientfica. Muitas delas tm um mdulo para sorteio de nmeros ale-
atrios. Um exemplo de tabela a apresentada abaixo:
49
1 2 3 4 5 6 7 8 9
1 5 7 5 1 8 1 9 6 1
2 2 6 6 5 9 1 2 4 5
3 4 5 3 6 1 7 4 7 9
4 7 2 8 3 2 3 9 7 4
5 5 6 9 6 0 5 5 4 6
6 0 6 8 7 3 7 1 2 1
7 6 9 2 0 3 1 7 2 8
8 4 1 5 6 3 6 0 1 5
9 7 2 4 7 1 3 8 3 1
10 7 5 1 1 7 3 1 3 6
11 1 7 0 3 5 7 8 3 5
12 4 6 2 8 3 1 4 5 6
13 5 5 6 6 5 2 4 8 8
14 5 2 4 4 6 2 3 6 5
15 5 6 8 8 7 4 7 8 6
16 4 4 6 0 6 8 4 4 2
17 8 2 1 0 5 6 9 6 2
18 9 9 5 9 4 3 7 9 8
19 8 2 9 4 3 5 4 5 3
20 9 7 8 8 6 4 9 2 2
21 2 3 2 7 4 9 0 6 7
22 4 6 5 8 2 8 8 1 4
23 3 0 1 8 1 1 7 5 9
24 3 8 1 6 4 4 5 2 3
25 1 3 8 3 4 7 7 7 7
26 5 1 0 0 3 8 6 6 3
27 3 0 1 4 4 5 1 2 6
28 3 5 8 7 7 5 3 7 6
29 1 3 3 5 1 7 6 8 1
30 9 6 4 9 5 2 3 1 9
50
Amostragem
A tabela gerada possui 30 linhas e 9 colunas. Suponhamos que se deseje

sortear um nmero de um componente de uma populao com 80 elemen-
tos numerados de 1 a 80. Primeiramente, devemos escolher uma linha e uma
coluna para incio do processo. Vamos tomar uma data qualquer para iniciar o
processo. Dia 16 de abril, data de nascimento de Charles Chaplin e do Carde-
al Ratzinger, atual Papa Bento XVI. Quando olhamos a tabela, verificamos na
linha 16 e coluna 4 que o digito sorteado foi o zero. Mas como precisamos de
um nmero com dois dgitos tomaremos o 0 e o seu vizinho imediatamente
direita para compor o nmero sorteado. Ento o nmero sorteado foi o 06.
Como a populao est numerada de 01 a 80, tomamos o elemento de nmero
6 e verificamos o valor da varivel de interesse correspondente quele elemen-
to. Se for a idade, por exemplo, verificamos qual a idade do elemento 6.
Principais tcnicas de amostragem
Amostra aleatria simples

No processo de amostragem aleatria simples (AAS), todos os elemen-
tos da populao tm a mesma probabilidade de participar da amostra. No
exemplo em tela, se a populao tem 80 elementos, ento a probabilidade
de um elemento da populao vir a participar da amostra de 1/80.
Se desejamos tomar uma amostra maior e o processo for com reposio,

essa probabilidade permanece 1/80 para cada etapa do sorteio. Se for sem
reposio na segunda etapa a probabilidade de 1/79, a seguinte 1/78 e
assim por diante. Mas a chance de que cada elemento participe da amostra
a mesma.
Supondo agora que desejamos sortear uma amostra de tamanho 10,

ento, teremos que tomar dez elementos da populao numerada de 1
a 80. Utilizando a mesma entrada, linha 16 e coluna 4, j tnhamos veri-
ficado que o primeiro elemento a participar da amostra era o de nmero
6. Estabelecendo o critrio de tomar os nmeros a seguir para baixo na
tabela, o prximo numero sorteado o 05. O nmero seguinte o 94, que
maior que 80 e, portanto, no serve. No h ningum da populao com
esse nmero.
Selecionamos ento o prximo, que o nmero 43, e assim por diante

at completar os dez nmeros. J temos trs nmeros, mas ainda faltam sete
51
para completarmos o tamanho estabelecido para a amostra. Continuando

na tabela, os prximos nmeros menores que 80 so 74, 64, 34, 03, 44 e 51,
quando termina a tabela. Ainda nos falta um nmero. Retomamos o pro-
cesso da linha 1, colunas 5 e 6. Aparecem os nmeros 81, 91 e 17. Os dois
primeiros no servem, ento o ltimo nmero sorteado o 17. Dessa forma,
completamos o processo e os nmeros sorteados foram: 06, 05, 43, 74, 64,
34, 03, 44, 51 e 17.
Como no h nenhum nmero repetido, no precisamos nos preocupar

se o sorteio era com ou sem reposio. No geral, essa determinao feita
antes do sorteio e, na maior parte das vezes, nos interessam sorteios sem
reposio. Quando nada dito a respeito, supe-se que o sorteio seja sem
reposio, ou seja, todos os elementos devem ser diferentes.
O trabalho agora consiste em verificar o valor da varivel ou do atributo

de interesse de cada um dos elementos. Sua idade, seu sexo e sua inteno
de voto, por exemplo.
Amostra estratificada proporcional

Esse tipo de amostragem semelhante ao processo de amostragem por
cotas, com a diferena de que, nesse caso, os elementos so escolhidos atra-
vs de algum tipo de sorteio. Assim, se a populao pode ser dividida em
estratos e estes se constituem em diferenas de caractersticas que podem
afetar o resultado da pesquisa, a proporo que cada estrato tem na compo-
sio da populao deve ser repetida na amostra.
O cuidado que se deve tomar aqui o de que a diviso em estratos deve

fazer sentido para a pesquisa que se deseja realizar. Se, por exemplo, o obje-
tivo fazer uma pesquisa sobre a inteligncia de um grupo, que ser mensu-
rada atravs da medida do QI (quoeficiente de inteligncia), e, supondo que
essa possa ser uma boa medida, apesar das crticas que recebe, no parece
razovel dividir a populao em estratos por sexo. No h nenhuma com-
provao cientfica de que as mulheres sejam mais inteligentes do que os
homens, muito embora essa seja a impresso geral.
Por outro lado, se desejamos fazer um estudo antropomtrico de uma

populao atravs da medida da altura mdia dessa populao, parece bas-
tante razovel dividi-la em estratos segundo o sexo. E por que devemos fazer
isso? Suponha que somente 20% da populao em questo seja de mulhe-
52
Amostragem
res. Como sabido, os homens so, de uma forma geral, mais altos do que as
mulheres, e se fizermos um sorteio atravs de uma amostra aleatria simples,
poderemos correr o risco de termos na amostra 40% de mulheres ou mais, o
que nos levaria ao final a subestimar a altura mdia daquela populao.
Suponha que tal pesquisa seja realizada em uma populao com 60 pes-
soas e que uma amostra de tamanho 10 deva ser retirada de uma populao
com 12 mulheres e 48 homens.
Primeiramente, verifica-se a proporo de homens e mulheres na popula-

o. A proporo de mulheres (pm) dada por:
Nm
Pm =
N
onde Nm o numero de mulheres e N o total da populao. Assim:
Pm = 12 . 100 = 20%
60
Se a amostra de tamanho 10, ento o nmero de mulheres na amostra

ser dado por:
nm = n . pm = 10 . 20% = 10 . (20/100) = 2
Ento, o nmero de homens ser de 8. De fato 8 representa 80% da amos-

tra, da mesma forma que 48 representa 80% de 60. Em uma tabela teramos:
Sexo Populao Amostra

Homens Nh nh
Mulheres Nm nm
Total N n
Para uma populao com a composio acima, o nmero de mulheres na

amostra determinado por:
nm = (Nm/N) . n
e o nmero de homens por:
nh = (Nh/N) . n
53
Exemplo:
Deseja-se fazer uma estimativa do salrio mdio dos empregados de uma

empresa atravs de uma amostra de tamanho 10, em um sorteio sem repo-
sio, utilizando a tabela de nmeros aleatrios a partir da linha 29 coluna 3,
correspondente a 29 de maro, dia do aniversrio de Curitiba.
A tabela abaixo corresponde diviso dos funcionrios segundo os seus

cargos na empresa:
Setor Empregados
Tcnico 20
Administrativo 60
Operacional 120
Total 200
Supondo que o valor dos salrios dos tcnicos seja maior do que o de
pessoal administrativo, que por sua vez maior do que o dos emprega-
dos do setor de operaes, faz sentido fazer uma amostragem estratificada
proporcional.
O primeiro passo determinar o nmero de funcionrios de cada setor

que ir compor a amostra de tamanho 10, respeitadas as propores de cada
setor na populao. Ento:
Setor Populao Amostra

Tcnico 20 (20/200) . 10 = 1
Administrativo 60 (60/200) . 10 = 3
Operacional 120 (120/200 . 10 = 6
Total 200 10
Determinado o tamanho de cada estrato na amostra, procede-se o

sorteio. Antes, porm, necessrio numerar os empregados de 1 at 200.
Pode-se, ento, atribuir aos empregados do setor tcnico a numerao de
1 a 20. Para os do setor administrativo, de 21 a 80 e para os do setor opera-
cional, de 81 a 200.
54
Amostragem
Setor Amostra Nmeros sorteados

Tcnico [1;20] 1 015
Administrativo [21;80] 3 031,068,056
Operacional [81;200] 6 181,173,174,138,117,176
Total 10
Sorteados os nmeros dos empregados, deve-se verificar qual o salrio

de cada um deles e depois calcular a mdia salarial da amostra, cujo valor
estimar a mdia salarial de todos os empregados da empresa.
Amostra sistemtica
A amostra sistemtica utilizada quando a populao j se encontra or-
ganizada em alguma forma de arquivo.
Suponha que desejamos fazer uma reviso tipogrfica em um livro de

400 pginas atravs de uma amostra de tamanho 10. O processo consiste em
determinar o valor da frao amostral que dada por:
f= N
n
O primeiro passo sortear o primeiro elemento da amostra atravs da

tabela de nmeros aleatrios. O segundo ser determinado pela soma do
primeiro nmero com a frao amostral. O terceiro o segundo mais a
frao amostral e assim por diante at completar o tamanho da amostra.
No exemplo dado, a frao amostral igual a 400/10 = 40. Vamos deter-

minar a entrada pela linha 1 coluna 1, primeiro dia do ano, que corresponde
pgina 57.
A segunda pgina ser 57 + 40 = 97. A terceira, 137, e na seqncia as pgi-

nas 177, 217, 257, 297, 337, 377. A seguinte seria a pgina 417, mas ela supera o
nmero de pginas do livro. Subtramos ento 400 de 417 e a pgina sorteada
ser a de nmero 17. A prxima seria a pgina 57, mas que j foi sorteada, o
processo, ento, se completa com a determinao da dcima pgina, que a de
nmero 17. As pginas que sero verificadas so, ento, as de nmero: 17, 57,
97, 137, 177, 217, 257, 297, 337 e 377.
55
Observe que esse um processo circular no qual no importa onde seja

o incio. A amostra sistemtica um caso particular de uma amostra estrati-
ficada proporcional, em que cada estrato corresponde a um conjunto de 40
pginas e que de cada estrato se sorteia um elemento.
Esse processo o utilizado pelo IBGE na determinao de quem responde-

r o questionrio completo com uma frao amostral igual a 10. Seleciona-se
uma casa para fazer o questionrio completo e a cada dez casas ele repas-
sado para a famlia que o responder. Esse processo tambm utilizado para
a realizao de pesquisas eleitorais. Sorteia-se uma quadra, determina-se a
primeira residncia em que uma pessoa ser entrevistada (no geral a que
atende a porta ou a de aniversrio mais prximo, desde que seja eleitor no
municpio), salta-se o nmero de casas correspondentes frao amostral e
a nova entrevista ser feita na casa determinada por esse processo.
Amostra por conglomerados

Na amostragem por conglomerados divide-se a rea a ser pesquisada em
setores bem definidos, sorteia-se uma certa quantidade desses setores atra-
vs de uma amostra aleatria simples e pesquisam-se todos os elementos da
sua populao.
Na amostragem por conglomerados, quanto mais os elementos dentro

do setor forem parecidos com a populao como um todo, melhor ser
o resultado obtido. Isto , se a varincia interna dentro do setor for alta, a
variabilidade total ser menor. Exatamente o oposto do que ocorre com a
amostra estratificada proporcional, em que as varincias dentro de cada es-
trato devem ser pequenas.
Amostragens por conglomerados so bastante utilizadas em pesquisas

de campo que envolvem a opinio de moradores de uma cidade. Os setores
podem ser as zonas eleitorais em uma pesquisa de inteno de votos ou os
setores censitrios do IBGE, que so reas bem definidas com cerca de 300
domiclios os quais so utilizados para fazer o censo demogrfico.
A principal vantagem de uma amostra por conglomerados a facilidade

de realizao do trabalho de campo, que pode implicar uma economia bas-
tante grande de recursos empregados para a realizao da pesquisa.
56
Amostragem
Amostragem em dois estgios

Quando os elementos de um setor tm grande homogeneidade, a efi-
cincia da amostragem por conglomerados pode ficar comprometida. Uma
forma de se contornar esse problema a realizao de sorteio entre os ele-
mentos de cada setor j sorteado na amostragem por conglomerados. No
geral, ambos os sorteios so realizados atravs de uma amostra aleatria
simples, ou o primeiro atravs de uma amostra aleatria simples e o segundo
atravs de uma amostra sistemtica.
O procedimento de amostragem em dois estgios ou em duplo-estgio

consiste em:
organizao da populao em setores (conglomerados);
sorteio de alguns conglomerados atravs de uma amostra aleatria

simples;
dentro de cada setor, sorteio dos elementos que participaro da amos-

tra atravs de um processo de amostragem aleatria simples ou amos-
tragem sistemtica.
Tamanho da amostra
A determinao do tamanho da amostra uma das tarefas mais comple-
xas em um processo de pesquisa e requer um trabalho bastante cuidadoso.
Vrios aspectos devem ser considerados no seu clculo e uma falcia deve
ser definitivamente abandonada, que a idia de que se pode determinar
o tamanho da amostra atravs de uma determinao percentual em relao
ao tamanho da populao. Tomar uma amostra de 5% da populao ou de
10% da populao como representativa dela. Esse procedimento s pode
ter alguma validade se a partir dele forem determinados o erro estatstico e
o desvio dos valores dos parmetros obtidos.
De outra forma, vale dizer que uma amostra de 0,5% da populao pode
ser representativa dela e que uma amostra de 10% pode no ser, dependen-
do do tamanho da populao e da tcnica de amostragem utilizada.
57
Outra considerao fundamental na determinao do tamanho da amos-

tra o limite imposto pela quantidade de recursos disponveis para a realiza-
o do levantamento amostral. Esse fator limitante pode, inclusive, inviabili-
zar o trabalho de pesquisa, como veremos um pouco mais adiante.
Trs fatores tcnicos so considerados no clculo do tamanho da amos-

tra: a preciso, o nvel de confiana e a variabilidade da amostra.
A preciso determinada pelo desvio do valor da estimativa na amostra

em relao ao verdadeiro valor do parmetro na populao, tambm conhe-
cido como margem de erro.
O nvel de confiana um valor de probabilidade complementar ao erro

estatstico. O erro estatstico, por sua vez, a probabilidade que a amostra
sorteada no represente a populao.
Em relao variabilidade da amostra, podemos dizer que, quanto mais

homognea a populao, menor ser a necessidade de uma amostra grande.
Poucos elementos representam bem a amostra.
Uma ltima considerao dever ser feita com relao ao tamanho da

amostra, que diz respeito ao tamanho da populao. Para populaes peque-
nas h que se fazer uma correo na determinao do tamanho da amostra,
chamada de correo para populaes finitas.
A margem de erro
O que chamado de margem de erro ou erro mximo da estimativa
na verdade a diferena mxima provvel entre a medida do estimador obser-
vado na amostra e o verdadeiro valor do parmetro da populao. Trata-se,
portanto, do desvio entre o valor calculado na amostra e o verdadeiro valor do
parmetro de populao.
Na pesquisa amostral do exemplo da eleio do chefe do setor, se Pedro

tem 40% das intenes de voto, mais ou menos 3%, esses 3% so o desvio do
valor central de 40% que a pesquisa se props a admitir, com certa probabi-
lidade de que a amostra selecionada no represente a populao, chamada
de erro estatstico.
Reforando, a margem de erro ou desvio tem natureza absolutamente

diferente do chamado erro estatstico. Enquanto o desvio uma percenta-
58
Amostragem
gem, ou uma medida na unidade em que se est observando os valores (cm,

anos, m2 etc), o erro estatstico uma medida de probabilidade.
No exemplo da eleio de Pedro, temos 95% de confiana (erro estatstico

de 5%) que ele ter entre 37% e 43% dos votos, se a eleio fosse realizada
no momento da pesquisa, contra 57% a 63% de Joo. Qualquer resultado
dentro deste intervalo pode acontecer. preciso que se compreenda isso
para no cometer erros de interpretao dos resultados.
Suponha que a estimativa da proporo de votos de Pedro fosse de 48%

e, portanto; a de Joo 52%. Ser que realmente Joo est na frente de Pedro?
A resposta tem que ser um peremptrio no.
De fato o que a pesquisa amostral informa que a proporo de votos

de Pedro na populao, salvo o erro amostral, estar dentro do intervalo
[45%, 51%] e que a proporo de Joo estar no intervalo [49%, 55%]. Assim,
qualquer resultado dentro desses intervalos admissvel, como por exemplo
51% para Pedro e 49% para Joo, e embora aparentemente Joo estivesse na
frente ele pode perder a eleio. Esse fato conhecido como empate tcni-
co ou empate estatstico. Convm a Joo saber fazer a leitura da pesquisa.
Mas ser que Joo no est ao menos um pouquinho frente de Pedro?

Com base no resultado da pesquisa pode-se afirmar categoricamente que
no necessariamente.
Uma pesquisa que antecedeu uma eleio para prefeito de Curitiba

trouxe como resultado as seguintes intenes de voto com um nvel de
confiana de 95%:
Candidato A 58%;
Candidato B 09%;
Candidato C 08%;
Candidato D 07%;
Candidato E 07%;
Candidato F 05%;
Candidato G 05%;
Candidato H 01%;
59
O instituto que realizou a pesquisa afirmou que entrevistou 405 eleitores

em um certo dia e que a margem de erro de sua pesquisa foi de mais ou
menos 5%. O que se pode concluir da pesquisa?
Em primeiro lugar, o Candidato A seria, virtualmente, eleito no primeiro

turno com, no mnimo, 53% dos votos.
E mais, no h como se saber qual dos seis candidatos teria mais votos se
a eleio fosse realizada naquele dia. O candidato B, por exemplo, poderia
ter 4% dos votos e o candidato H poderia ter 6% dos votos. Essa a leitu-
ra correta do resultado da pesquisa de inteno de votos realizada. No h
outra leitura possvel.
O que aconteceu ento? A amostra de 405 eleitores muito pequena

para garantir melhor preciso.
Um resultado como esse pode ser til para informar que no momento
o candidato A seria eleito no primeiro turno. S isso. Em momentos mais
prximos da eleio, essa margem de erro ter que ser necessariamente
diminuda, com o conseqente aumento do tamanho da amostra.
Tambm em situaes em que os candidatos esto mais prximos, uma

pesquisa como essa pode ser no-informativa. Um candidato com 55% dos
votos pode perder para um candidato com 45% dos votos, por exemplo.
Quanto maior a preciso desejada, maior deve ser o tamanho da amostra.
De outra forma, quanto menor a margem de erro, maior ser o tamanho

da amostra.
A determinao da margem de erro feita antes da realizao da pes-

quisa para se calcular o tamanho da amostra. A margem de erro escolhida
pelo pesquisador e ser do tamanho necessrio para que possa discriminar
as medidas que sero realizadas. No adianta tomar uma amostra pequena
que no consiga ser sensvel de observar pequenas diferenas. No entanto,
se essa escolha implicar em uma amostra muito grande em que no se tenha
recursos para a realizao da pesquisa, ela pode ficar inviabilizada.
Porque dizer que um candidato ter 60% dos votos, mais ou menos 30% de
preciso, significa dizer que o candidato pode ter entre 30% e 90% dos votos.
Esse um resultado que realmente no interessa porque no informativo.
60
Amostragem
Matematicamente pode-se dizer que o desvio inversamente proporcio-

nal ao tamanho da amostra, lembrando, no entanto, que essa no uma
relao linear. Se d o desvio e n o tamanho da amostra, temos a relao:
d n
O erro estatstico
O erro estatstico a probabilidade de sortear uma amostra que no seja
representativa da populao. Toda vez que se faz um sorteio, o risco de que
a amostra no represente a populao est presente.
Para ilustrar essa idia, suponha uma populao de tamanho quatro,

composta pelos elementos A, B, C e D, colocados assim em ordem crescente
de medida. Suponha que estes quatro elementos so pessoas em que A o
mais novo e D, o mais velho.
Quantas amostras de dois elementos so possveis de serem sorteadas?
Esse nmero pode ser calculado atravs da determinao da combinao

de quatro elementos dois a dois: C4,2 = 6.
As possveis combinaes so AB, AC, AD, BC, BD, CD
Qual a probabilidade de cada uma delas serem sorteadas? de 1 em

6, ou 1/6. As amostras derivadas das combinaes AB e CD parecem no re-
presentarem bem a populao. A primeira subestimaria a mdia de idade da
populao e a segunda a superestimaria. As melhores combinaes seriam
possivelmente AD e BC, mas tambm AC e BD poderiam trazer resultados
bastante razoveis.
Ento, qual seria a probabilidade de tomar-se uma amostra ruim, que

no representa a populao? Seriam 2/6, correspondentes s amostras AB e
CD. Essa probabilidade de 1/3 = 0,33. Ento, o nvel de confiana associado
a essa amostragem de 67% (10033) e o erro estatstico de 0,33.
Um erro estatstico de 33% muito alto. claro que isso s uma simu-
lao para ilustrar o significado de erro estatstico. Com uma populao to
pequena, no faz qualquer sentido fazer um procedimento de amostragem.
61
Mas a informao que se tira dessa discusso a de que quanto menor for
o erro estatstico, maior dever ser o tamanho da amostra. Ou, ainda, quanto
maior for a confiana desejada, maior dever ser o tamanho da amostra.
O erro estatstico est relacionado com o escore z da tabela da distribui-

o normal padro. Quanto menor o erro, maior ser z e, por conseqncia,
maior ser o tamanho da amostra. Se o erro estatstico for designado por ,
o nvel de confiana ser (1). 100%. Maior confiana implica maior tamanho
da amostra. Matematicamente, podemos estabelecer a seguinte relao:
(1 ) z n
Que valor deve ser estabelecido para o erro estatstico? Essa determi-
nao depende da gravidade de cometer-se tal erro. Em uma pesquisa de
verificao da qualidade de componentes de avio em uma fbrica, pode-
se fazer uma inspeo de qualidade nas mesinhas de lanche do avio com
um erro estatstico mais dilatado do que de um componente de vedao da
janela. Nesse ltimo caso, o erro deve ser igual a zero e, portanto, a inspeo
deve ser realizada em todas as unidades. Nesse caso a amostra dever ser do
tamanho da populao.
Em pesquisas eleitorais muito comum trabalhar-se com um erro de 5%

ou uma probabilidade de 1/20 de que a amostra no seja boa, o que repre-
senta uma probabilidade muito pequena. Para construir uma idia intuitiva
por comparao, a probabilidade de acertar o nmero na face superior de
um dado de 1/6. Imagine um dado de 20 lados.
Mas ainda, com um erro to pequeno, possvel tomar uma amostra ruim
ou no representativa da populao? possvel sim, mas muito raro. O pes-
quisador mais experiente percebe nas primeiras determinaes dos resulta-
dos da amostragem se a amostra pode ser ruim. Se em uma pesquisa eleito-
ral, a grande maioria dos entrevistados for muito jovem, ou se, por exemplo,
a amostra contemplou um nmero excessivamente grande de homens ou
de mulheres, por exemplo em torno de 80%, deve-se desconfiar do processo
amostral, visto que sabido que as mulheres so somente um pouco mais
de 50% da populao.
62
Amostragem
A variabilidade
A variabilidade um componente importante na determinao do ta-
manho da amostra. Talvez o mais simples processo de amostragem seja o
de exame de sangue. Tira-se uma pequena amostra do sangue e determina-
es completas sobre o tipo de sangue, o fator RH, a sade da pessoa entre
outras verificaes podem ser feitas. Isso porque o sangue uma substn-
cia homognea e uma simples gota representa todo o volume de sangue
do corpo humano.
Por outro lado, populaes heterogneas exigiro maior nmero de ele-

mentos da amostra para que ela possa captar as diferenas entre esses com-
ponentes da populao.
A variabilidade pode ser medida atravs da varincia ou do desvio-pa-

dro, sua raiz quadrada. Matematicamente, pode-se estabelecer uma rela-
o direta entre o tamanho da amostra e o desvio-padro, ou seja:
O problema aqui est em determinar um valor estimativo para o desvio-

padro, porque uma vez que a pesquisa ainda no foi feita e precisaremos
dessa medida para o clculo do tamanho da amostra, enfrentamos um pro-
blema circular. Existem algumas solues de contorno para esse problema.
A primeira, emprestar o resultado de uma pesquisa anterior semelhante
a que se est realizando. A segunda, buscar uma estimativa para o desvio-
padro atravs da realizao de uma amostra piloto. E a terceira, obter essa
informao atravs de algum tipo de simulao. H vrias possibilidades
para isso. Apresentaremos duas.
A primeira simulao consiste em considerar um intervalo onde aproxi-

madamente 95% dos elementos da populao estariam concentrados. Esse
intervalo pode ser associado quantidade 1,96 da tabela normal padro.
Ento, o comprimento desse intervalo seria de aproximadamente 4 . Tera-
mos a uma forma indireta de obter um valor aproximado para .
63
Uma outra simulao possvel quando se trata de obter uma estimativa

para o desvio-padro ou a varincia em uma pesquisa que envolve propor-
es. Nesse caso, a varincia dada pelo produto de p por (1p). O maior
valor possvel para esse produto quando p for igual a 0,5. Observe, por
exemplo, que se p for igual a 0,3, ento (1p) = 0,7 e o produto ser 0,21.
Assim, quando tomamos 0,5 . 0,5 = 0,25, obtemos maior valor possvel para a
varincia garantindo ento que, no mnimo, o tamanho da amostra calcula-
do ter os valores de desvio e erro de amostragem estabelecidos a priori.
Essa simulao vale para o caso em que o confronto ocorre entre dois can-
didatos, pois a se tem uma distribuio Bernoulli cuja expresso da varincia
dada pelo produto de p por (1p). Quando se tem um maior nmero de
candidatos, esse clculo pode ser aprimorado pela determinao da varin-
cia mxima de uma distribuio multinomial. Mas essa aproximao pela dis-
tribuio Bernoulli pode ser realizada se for feita a considerao de um can-
didato contra todos os demais. No geral, no h uma mudana muito grande
na determinao do tamanho da amostra ao se fazer essa considerao.
Determinao do tamanho da amostra

Estabelecidos os principais componentes para a determinao do tama-
nho da amostra, podemos construir uma expresso matemtica de forma
intuitiva a partir das relaes de proporcionalidade verificadas.
Vimos que o tamanho da amostra diretamente proporcional ao nvel de

confiana (que pode ser expresso atravs do valor z da distribuio normal
padro), tambm diretamente proporcional ao desvio-padrao () e inver-
samente proporcional ao valor estabelecido pelo desvio (d). Dessa forma,
uma possvel expresso para o tamanho da amostra seria:
n = (z.)
d
Mas essa relao no linear, e , portanto, necessria uma determinao

mais tcnica da expresso para o clculo do tamanho da amostra.
Partiremos do intervalo de confiana estabelecido inicialmente:
Pr ( p d < P < p + d ) = 1
64
Amostragem
Essa expresso conhecida da inferncia estatstica em que o desvio

pode ser expresso como:
d= z.
n
Isolando o valor de n da expresso anterior, teremos:
n= z. 2
Essa a expresso inicial para o clculo do tamanho da amostra.

Exemplo:
Calcular o tamanho de uma amostra para uma pesquisa eleitoral na
cidade do Rio de Janeiro, com nvel de confiana de 95% e desvio de mais
ou menos 5%.
Ento, z = 2; 2 = 0,5 e d = 0,05
2
n = 2 . 0,5 = 400
0,05
A rigor para exatos 5% de erro estatstico, o valor de z igual a 1,96, por-

tanto o tamanho da amostra poderia ser de 385 pessoas que as margens
estabelecidas estariam asseguradas.
Como havia sido afirmado anteriormente, a relao entre o tamanho da
amostra e o erro estatstico, a margem de erro e a variabilidade no so
linearmente proporcionais. Pode-se verificar essa propriedade atravs de exem-
plos em que a margem de erro ou o erro estatstico variem nas diferentes
direes.
Exemplo:
Calcular o tamanho da amostra para margens de erro de 1%, 2%, 3%, 5%
e 10% e erros estatsticos de 1%, 5% e 10%.
Aplicando a expresso acima para esses dados e tendo os valores de z
correspondentes a 1%, 5% e 10%,respectivamente 2,58, 1,96 e 1,64, obtemos
os seguintes valores para o tamanho da amostra.
65
Margem Erro estatstico

de erro 0,01 0,05 0,1
0,01 16641 9604 6724
0,02 4160 2401 1681
0,03 1849 1067 747
0,05 666 384 269
0,1 166 96 67
Observe na tabela o valor encontrado anteriormente de 384 eleitores

para margem de erro de 5% e nvel de confiana de 95% e compare com os
resultados vizinhos.
Custo da pesquisa
Supondo que a produo de cada entrevista seja em torno de R$10,00
sendo j inseridos todo o trabalho de campo, seguros para os pesquisadores,
planejamento, anlise dos dados, impresso e impostos. Uma pesquisa com
384 eleitores 5% de desvio e nvel de confiana de 95% custaria em torno
de R$3.840,00.
Em uma situao mais adequada, mudando somente a margem de erro

para 2% de desvio, o custo da pesquisa subiria para R$24.000,00. Mesmo
que se pudesse admitir um erro estatstico de 10%, ou seja, uma confiana
de 90%, o custo da pesquisa para um desvio de 2% seria de R$16.810,00.
De fato, o fator custo extremamente limitante da potencialidade da pes-

quisa. Mas essa discusso chama a ateno para que a sua leitura seja feita
sempre olhando o nvel de confiana e a margem de erro e no s a estima-
tiva pontual das percentagens.
No caso da pesquisa eleitoral discutida acima, com a margem de erro de

5% e nvel de confiana de 95%, justifica-se pelo acerto do instituto em verifi-
car que a eleio se resolveria no primeiro turno. Para os demais candidatos,
que no o vencedor Candidato A, a pesquisa no informa com preciso as
suas situaes.
Em datas mais prximas da eleio, quando o quadro pode tender a

uma aproximao dos demais candidatos, o instituto dever modificar
sua estratgia, melhorando a preciso e, conseqentemente, o volume da
amostra resultando fatalmente num aumento do custo da pesquisa.
66
Amostragem
H expresses estatsticas apropriadas que j embutem o custo da pes-

quisa no prprio clculo do tamanho da amostra, mas uma sofisticao
que pode ser contornada com um estudo comparativo como o que foi feito.
H livros de estatstica terica que apresentam essas circunstncias para o
caso de necessidade de aprofundamento da discusso.
Correo para populaes finitas

As consideraes realizadas at o momento no tomam em conta o tama-
nho da populao. Ocorre que esses clculos no mudam substancialmente
quando as populaes so muito grandes. Os clculos realizados para For-
taleza ou para So Paulo indicaro que no haver mudana significativa no
clculo do tamanho das amostras. Para efeito de clculos estatsticos essas
populaes so consideradas infinitas.
A estratgia de campo pode ser modificada e, dependendo do tipo de

amostragem a ser realizada, o tamanho da amostra pode mudar um pouco.
Essa forma de clculo do tamanho da amostra adequada para quando

se realiza uma amostra aleatria simples, muito embora as mudanas para
outros tipos de amostragem possam no modificar de forma importante
essa determinao, ao menos de estudos particulares sobre a variabilidade
interna de estratos ou de conglomerados. Porm esse estudo esta fora do
escopo do presente livro.
Para populaes finitas e sem reposio, necessrio que se proceda uma

correo. Ela chamada de correo para populaes finitas. A expresso do
desvio modificada para
d= z. . Nn
n N1
Nn
Esse ltimo fator, a correo para a populao finita. Pode-se
N1
verificar que o clculo de n pode ento ser determinado por:
[N . 2 . z2]
n=
[(N 1) . d2 + 2 . z2]
De outra forma, pode-se determinar pela expresso original n e depois

corrigi-la multiplicando o valor obtido pela correo para populao
finita. Ento:
67
n = z .
2
Nn
n =n .
N1
Exemplo:
Calcular o tamanho da amostra para uma pesquisa com 95% de confiana

e margem de erro de 5% para uma populao de (a) 5 000 eleitores e (b)
1000 000 de eleitores:
O clculo de n para os dois casos ser de 384 eleitores. A correo para

uma populao de 5 000 eleitores ser de 0,9898 e o tamanho da amostra
corrigido ser de 380 eleitores. Para a populao de 1 000 000, a correo
ser de 0,999 e o novo clculo do tamanho da amostra ser de 383,62 ou
aproximadamente 384 eleitores, no implicando, portanto, nenhuma modi-
ficao no tamanho da amostra, uma vez que o fator de correo para popu-
laes infinitas praticamente igual unidade.
1. Foi encomendado um estudo para avaliao de uma instituio de
Ensino Superior. Para isso, aplicou-se um questionrio e foram obtidas
as respostas de 110 alunos. Indique:
a) a varivel em estudo.
b) a populao em estudo.
c) a amostra escolhida.
2. Supondo que a varivel escolhida de uma pesquisa seja nominal e a

populao finita de 600 indivduos (em que 60% dos indivduos so
mulheres), deseja-se trabalhar com um alfa () 5% e um erro amostral
de 7%. Calcule o tamanho da amostra.
68
Amostragem
3. Indique o tipo de amostragem realizada em cada um dos casos abaixo:
a) um fornecedor de peas para automveis obtm uma amostra

de todos os itens de cada um de 12 fornecedores selecionados
aleatoriamente.
b) um fabricante de automveis faz um estudo de mercado compre-

endendo testes de direo feitos por uma amostra de 30 homens
em quatro diferentes faixas etrias.
c) num processo de fabricao de certo componente de refrigera-

dores, o inspetor retira os 20 primeiros componentes fabricados e
os inspeciona.
4. Um jornal americano realizou uma pesquisa solicitando a resposta dos

leitores a esta questo: Voc apia o desenvolvimento de armas atmi-
cas que poderiam matar milhes de pessoas inocentes? Relata-se que 20
pessoas responderam pergunta, sendo 87% com no e 13% com sim.
Identifique as 4 maiores falhas da pesquisa.
5. Retirada uma amostra sistemtica de 35 elementos a partir de uma

populao ordenada formada de 2 590 elementos, qual ou quais dos
elementos abaixo seria escolhido para pertencer amostra, sabendo-
se que o elemento de ordem 1 546 (1 546.) a ela pertence?
242. 636. 2 323. 1 028. 1 841. 592.
6. Uma populao se encontra dividida em trs estratos, com tamanhos,

respectivamente, N1 = 80, N2 = 120 e N3 = 60. Realizada uma amostra-
gem estratificada proporcional, 12 elementos foram retirados do pri-
meiro estrato. Qual o nmero total de elementos da amostra?
7. Uma indstria especializada em montagens de equipamentos industriais

recebeu 70 dispositivos de controle do fornecedor A e outros 30 disposi-
tivos do mesmo tipo do fornecedor B. O aspecto relevante que se deseja
controlar nesses dispositivos a resistncia eltrica de certo componente
crtico. Vamos admitir que os 100 dispositivos recebidos foram numera-
dos de 1 a 100 ao darem entrada no almoxarifado e que os 70 primeiros
foram aqueles recebidos do fornecedor A . Vamos admitir tambm que os
valores reais da varivel de interesse (a resistncia eltrica do componen-
te crtico) dos 100 dispositivos recebidos sejam os da ordem de entrada
no almoxarifado (l-se seguindo as linhas, tal como se l um livro).
69
33 38 34 34 34 31 36 35 32 37
35 34 30 37 36 33 34 34 32 39
35 33 33 34 31 32 36 33 29 36
34 35 34 33 31 35 35 35 37 32
34 34 36 35 34 33 32 38 34 33
33 32 34 35 37 35 35 30 35 34
36 36 33 34 33 32 31 37 35 34
39 40 40 42 39 38 40 40 40 40
40 41 45 41 40 39 41 41 40 42
39 40 41 40 40 42 39 39 38 40
a) Retire uma amostra aleatria simples de 10 dispositivos, sem repo-

sio, utilizando a tabela de nmeros aleatrios (do livro) a partir
da interseo da quinta linha com a oitava coluna. A seguir, calcule
a resistncia eltrica mdia da amostra obtida.
b) Imagine que se pensasse em fazer uma amostragem estratificada.

Em sua opinio, seria isso razovel? Em caso afirmativo, indique
como voc procederia, ainda utilizando os nmeros aleatrios. Su-
ponha que o total de dispositivos a examinar na amostra continue
sendo 10.
c) Considere agora que tivesse sido utilizada uma amostragem estra-

tificada uniforme, num total ainda de 10 dispositivos examinados,
e que a mdia para o primeiro estrato foi 33,8 e para o segundo,
40,2. Em quanto voc estimaria a mdia da populao de 100 dis-
positivos?
d) Suponha agora que, dos 70 dispositivos provenientes do fornece-

dor A, tenha sido obtida uma amostra sistemtica de 10 disposi-
tivos, sendo constante o perodo de retirada dos elementos para
a amostra e sendo conhecido que o segundo dispositivo a entrar
no almoxarifado (cujo valor da resistncia 38) pertencia a essa
amostra. Calcule a mdia para os valores observados.
70
Estimao
Problema
A Empresa ABC de Engenharia, Construes e Empreendimentos prima
pela qualidade de seus edifcios. Entre outros padres estabeleceu que a re-
sistncia do concreto utilizado em suas construes nunca dever ser inferior
a 200 Kgf/cm2. Todo o concreto a ser utilizado dever ento ser submetido a
um teste de resistncia.
Ocorre que os testes de resistncia do concreto so testes destrutivos e,

portanto, a nica forma de realiz-los atravs de um processo amostral em
que pequenas partes do concreto so submetidas a testes de ruptura. Para
cada betoneira so retiradas dez quantidades de concreto que formaro os
corpos de prova. A mdia da resistncia desses corpos de prova determi-
nada e se supe que o resultado encontrado seja representativo da mdia de
todo o concreto.
Como esse processo envolve certo nvel de incerteza, no se pode garantir

de forma absoluta que o valor encontrado para a mdia de resistncia dos
corpos de prova seja igual ao valor da resistncia de toda a populao.
Dois procedimentos ento podem ser realizados a partir do resultado amos-

tral. O primeiro, construir um intervalo em torno do valor da mdia amostral
no qual se possa afirmar, com certo nvel de confiana, que o verdadeiro valor
da mdia populacional pertena a esse intervalo. O segundo procedimento
o de testar se, com base na mdia amostral, o valor mnimo estabelecido de
resistncia do concreto pode ser aceito.
Ento, trs procedimentos de estimao foram estabelecidos. O primeiro

chamado de estimao pontual em que o valor da mdia amostral uma
estimativa da mdia populacional; a partir dele constroem-se os outros dois
procedimentos, um de estimao por intervalo ou construo de um interva-
lo de confiana e o ltimo, de testagem de hipteses estatsticas.
De acordo com um importante conceito terico da Estatstica, o teorema

Central do Limite, a distribuio de probabilidade amostral da mdia para ta-
manhos adequados das amostras pode ser assumida como tendo distribuio

normal, independentemente da forma da distribuio populacional. A distribui-

o normal joga ento um papel central para a realizao de testes de hipte-
ses. Ela tem a mesma importncia na construo de intervalos de confiana.
O estudo das distribuies amostrais antecede ento o estudo da

estimao.
No geral, estamos interessados em verificar como uma varivel de uma deter-
minada populao se comporta. Em um estudo de mercado sobre a aceitao de
um novo artigo alimentar pode ser interessante conhecer variveis que caracte-
rizem o estado nutricional da populao a quem o produto possa estar destina-
do. O peso da populao, por exemplo, pode ser uma dessas variveis.
A caracterizao do peso da populao pode ser feita atravs de uma

distribuio de freqncias que pode aproximar uma distribuio de probabi-
lidades. Essa distribuio tem algumas caractersticas importantes, como o
valor da mdia do desvio-padro e da forma da distribuio, alm de poder
ser discreta ou contnua. No captulo anterior estudamos as distribuies
discretas. Neste captulo, estudaremos algumas distribuies contnuas de
grande utilidade para se fazer inferncia. Vamos nos restringir s distribui-
es contnuas mais importantes para o propsito de estimao contido
neste captulo: a distribuio normal e a distribuio t de Student.
Quando fazemos um processo de amostragem, verificamos em uma nica

amostra o valor de uma estatstica, a mdia do peso dos elementos da amos-
tra, por exemplo, e tentamos inferir algo sobre o parmetro da populao,
neste caso, a mdia da populao. Ento, a mdia da amostra um estimador
da mdia da populao.
Para fazermos isso, precisamos conhecer algumas propriedades teri-

cas do estimador e a forma de fazer esse estudo atravs de simulaes
de vrias amostragens. Reforando o conceito: na prtica s retiramos uma
amostra, mas para construir um corpo terico que nos auxilie a inferir sobre
o parmetro, construmos, teoricamente, vrias amostragens.
Se fizssemos vrias amostragens, cada amostra teria, possivelmente, um

valor diferente como sua mdia. Teramos, assim, uma populao de mdias
amostrais. Podemos calcular dessa populao de mdias amostrais a sua
mdia e o seu desvio-padro e tambm verificar qual a distribuio dessas
74
Estimao
mdias. Construmos, assim, a distribuio de probabilidades das mdias

amostrais, que, como toda distribuio, tem sua mdia e seu desvio-padro.
Distribuio amostral
A distribuio amostral a distribuio de probabilidades de alguma esta-
tstica de cada amostra. Assim, podemos determinar a distribuio amostral
das mdias, das propores e ainda das varincias ou dos desvios-padres.
Mdia e varincia da
distribuio amostral das estimativas
Cada distribuio dessas tem uma mdia e uma varincia. A mdia da dis-
tribuio amostral das estimativas tambm conhecida como valor espera-
do da distribuio amostral das estimativas. O desvio-padro da distribuio
amostral das estimativas, que a raiz quadrada da varincia da distribuio
amostral das estimativas, conhecido como erro-padro das estimativas.
Essas estimativas podem ser os valores assumidos pelas mdias ou pelas

propores, por exemplo.
Estimao por ponto

Uma estimativa pontual um simples valor de um estimador utilizado para
estimar o verdadeiro valor do parmetro correspondente. A mdia amostral
um estimador da mdia populacional. Poderamos eventualmente usar a
mediana para estimar a mdia populacional, mas a mdia da amostra um
estimador com qualidades que a mediana da amostra no tem.
Estimao por intervalo

A estimativa intervalar de um parmetro populacional um intervalo
entre dois valores, o limite inferior e o limite superior do intervalo, entre os
quais temos certo nvel de confiana que o parmetro estar.
Nvel de confiana e erro amostral

O erro amostral a probabilidade de que a amostra no represente a po-
pulao. No geral, representado pela letra grega . O nvel de confiana o
75
complemento do erro amostral, no geral dado em percentagem e, portan-

to, sua representao (1 ) . 100%. Um erro amostral de 0,05 tem como
correspondente de nvel de confiana o valor 95%.
Teste de hipteses estatsticas

O teste de hipteses realizado com o estabelecimento de duas hipteses
contrapostas. Cada hiptese constituda de uma declarao acerca do valor
do parmetro. Elas so chamadas de hiptese nula e hiptese alternativa.
A hiptese nula, denotada por H0, a hiptese de que o parmetro em

questo seja igual a certo valor. Por exemplo, H0 = Um automvel tem um
consumo mdio de 10km/litro, ou seja, H0: = 10km/litro. A hiptese alter-
nativa, denotada de H1, pode ser bilateral, H1: 10km/litro, ou unilateral, H1:
> 10 km/litro. O teste ser unilateral ou bilateral dependendo do contexto
do problema. Se tivermos alguma informao sobre o comportamento dos
dados a partir de uma base terica devemos realizar um teste unilateral.
Estatstica do teste
Os dados da amostra fornecero os valores das estimativas dos parme-
tros. A partir da determinao desses valores e utilizando-se a base terica
da distribuio amostral, estabeleceremos uma estatstica para o teste. Ve-
rificaremos em que nvel de probabilidade poderemos rejeitar H0 ou no. Esse
procedimento ser explicado em detalhes mais adiante no captulo.
Erro tipo I e erro tipo II

A probabilidade de cometer-se erro tipo I associada ao erro estatstico, e,
portanto, chamada de . tambm a probabilidade de rejeitarmos H0 quando
a hiptese nula verdadeira. O erro tipo II, chamado de , a probabilidade de
aceitarmos H0 quando a hiptese nula falsa. No geral, controla-se o erro tipo
I por ser considerado o mais grave e por isto o mais utilizado para o clculo
do tamanho da amostra.
76
Estimao
Regio crtica e p-valor

Associado estatstica do teste,podemos estabelecer uma regio crtica
para a aceitao de H0 atravs do clculo de valores crticos associados a um
nvel preestabelecido do tamanho do erro aceitvel.
Alternativamente, podemos, depois de calcular o valor da estatstica do

teste, verificar o nvel de erro associado atravs da determinao do p-valor. Os
dois procedimentos se assemelham e sero discutidos mais tarde no captulo.
A distribuio normal
Como vimos no tratamento de dados, quando construmos uma distri-
buio de freqncias a partir de observaes, podemos aproxim-la a uma
distribuio de probabilidades. Os dados podem levar a diferentes tipos de
distribuio, uma delas exerce um papel central na teoria e na prtica esta-
tsticas. a distribuio normal.
Propriedades da curva normal

A distribuio normal uma distribuio contnua. Enquanto as distribui-
es discretas assumem valores a partir de nmeros inteiros, as distribuies
contnuas assumem todos os valores entre os nmeros inteiros, ou seja, seu
domnio o dos nmeros reais. A distribuio normal, particularmente, tem
como domnio qualquer valor real entre menos infinito e mais infinito.
Uma caracterstica importante da distribuio normal que ela uma

funo de x que pode ser inteiramente determinada com o conhecimen-
to dos valores da mdia e do desvio-padro. Fala-se que X tem distribuio
normal com mdia e desvio-padro . A sua expresso matemtica dada
pela funo:
x 2
1/2 .
f(x) = 1 .
2 ,x
77
Nessa equao, a mdia e o desvio-padro , que determinam o ponto

central e a disperso da distribuio em torno da mdia, so os dois parme-
tros da distribuio normal. Ento, substituindo x por seus valores, obtm-se
os valores de f(x) e pode-se ento traar o grfico da funo.
O seu aspecto o de um sino, por isso, muitas vezes, chamada de curva

do sino.
f(x)
O valor central o da mdia , e a curva simtrica em relao a . A rea

total sob a curva igual a unidade. Nos pontos de inflexo de cada lado da
curva, temos o valor de X igual a 1 e + 1. E a curva assinttica ao eixo
X, ou seja, ela se aproxima do eixo X em e em + . Representamos essa
distribuio como X ~ N(;). Em muitos livros a representao leva em conta
o valor da varincia. Nesses casos a notao fica X ~ N(;2).
reas abaixo da curva normal

Como a rea abaixo da curva igual a 1, podemos associar reas a valores
de probabilidade, a exemplo do que fizemos com o histograma. Assim, a pro-
babilidade de sortearmos um elemento da populao cujo valor da varivel
seja maior do que de 0,5 ou 50%, da mesma forma que 50% da rea da
curva est associada a valores menores do que . Esses fatos podem ser des-
critos atravs das expresses:
P( X ) = 0,5 e P(X ) = 0,5
f(x)
+ 1 x
78
Estimao
Observe que essas probabilidades so complementares.
Desta forma, se pudermos calcular as reas entre dois pontos da curva,

essa rea ser igual probabilidade de sortearmos um elemento cujo valor
esteja entre esses dois pontos.
Vejamos algumas probabilidades associadas a algumas reas particulares:
P( X + 1 ) = 0,8413, isto , a rea sob a curva entre e + 1

sempre de 84,13%, independente dos valores de e de .
f(x)
+ 1 x
Outras probabilidades particulares importantes:
P( X + 2 ) = 0,9772
f(x)
+ 2 x
P( X + 3 ) = 0,9987
f(x)
+ 3 x
P( X + 4 ) = 0,9999
79
f(x)
+ 4
x
Observe que embora X varie de at + , praticamente 100% da rea

da curva est entre e + 4 . Observaremos mais tarde que, na verdade, o
intervalo ( 4 , + 4 ) abrange quase 100% de toda rea.
Exemplo:
Considerando o exemplo do estudo nutricional, se a varivel considerada

for o peso da populao com mdia 70kg e desvio-padro 10kg, ao sortear-
mos um elemento ao acaso dessa populao poderemos calcular algumas
probabilidades, por exemplo:
Probabilidade de sortearmos uma pessoa com mais de 70kg:
P(X 70) = 0,5
f(x)
70 x
Probabilidade de sortearmos uma pessoa entre 60kg e 80kg:
P(60 X 80) = P(70 10 X 70 + 10) = P( 1 X + 1) = P(

X + 1) P( X 1 )
Mas, P( X + 1) = 0,8413 e P( X 1) = 1 0,8413 =

0,1587, veja que as reas so simtricas ao ponto central .
P(60 X 80) = 0,8413 0,1587 = 0,6826
80
Estimao
f(x)
60 80 x
P(70 X 80) = P(70 X 70 + 10) = P( X + 1) P( X )

= 0,8413 0,5 = 0,3413
Lembre-se novamente de que as reas so simtricas em relao a ,

ento P( X ) = 0,5.
f(x)
70 80 x
Probabilidade de sortearmos uma pessoa com menos de 60kg:
P(X 60) = P(X 70 10) = P(X 1) = 1 0,8413 = 0,1587
f(x)
60 x
P(60 X 90) = P(70 10 X 70 + 20) = P( 1 X + 2) = P(

X + 2 ) P( X 1) = 0,9772 0,1587 = 0,8185
81
f(x)
60 90 x
Probabilidade de sortearmos uma pessoa entre 80kg e 100kg;
P(80 X 100) = P(70 + 10 X 70 + 30) = P( + 1 X + 3) = P(

X + 3) P( X + 1) = 0,9987 0,8413 = 0,1574.
f(x)
80 100 x
Duas observaes devem ser feitas nesse ponto:
A probabilidade em um ponto em uma distribuio contnua sempre

igual a zero. No h como calcularmos rea. Ento, por ser indiferente,
determinamos por conveno que no clculo dessas probabilidades usa-
remos um intervalo aberto esquerda. Isto , P( 1 X + 1) = P(
1 < X + 1). E essa conveno vale para todos os intervalos.
Precisamos sempre verificar a quantos desvios-padres est o valor de

X em relao mdia. Seja X ~ N(70,10). Ento em P(60 X 90) = P(70
10 X 70 + 20) = P(70 1 X 70 + 2 ). Para determinar o valor
z de quantos desvios-padres 90 est distante da mdia, fazemos 90
= + z. Isolando z, temos z = (90 )/. Como = 70 e = 10, temos
que z = (90 70)/10 = 2. Ou seja, z o nmero de desvios-padres
que separam a mdia do valor desejado.
Normal padro
Vimos que se soubermos quantos desvios-padres separam a mdia dos
valores para os quais desejamos determinar as probabilidades, basta saber a
rea associada ao nmero de desvios-padres. Isso equivale a trabalhar com
82
Estimao
uma distribuio normal com mdia 0 e desvio-padro 1. Essa distribuio

chamada de distribuio normal padro e representamos por Z ~ N(O,1), em
que z = (X )/.
A forma como foram determinadas as probabilidades fornecidas acima,

entre e a mdia mais um desvio-padro, entre e a mdia mais dois,
trs e quatro desvios padres a forma usual no clculo de reas de funes,
que o clculo da integral da funo entre e + 1 da funo normal
padro para o primeiro caso. O mesmo vale para os demais casos. A rea entre
e + 2 foi determinada pelo clculo da integral definida da funo f(x) da
expresso da distribuio normal padro, tendo como limites e + 2.
Ento, a probabilidade P(X 60) = P(X 1 ) = P( X 1 ) =

P( Z 1) e a integral definida de f(x) de e 1 fornecero o valor exato
dessa probabilidade. Est claro que esse clculo seria tedioso alm de envol-
ver um procedimento altamente complexo de clculo de integrais.
Aqui vale ressaltar uma caracterstica importantssima da distribuio

normal. Independentemente dos valores da mdia e do desvio-padro,
essas reas so sempre as mesmas. Queremos dizer com isto que para qual-
quer populao normal a rea entre e 1 ser sempre a mesma. Se
temos duas populaes normais, a primeira X com mdia 70 e desvio-padro
10 e a segunda Y com mdia 20 e desvio-padro 2, as probabilidades P(X 60)
e P(Y 18) sero iguais, porque ambas representam P(X 1 ) = P(Z 1).
Se a rea entre e 1 0,8413, rea correspondente funo de distribui-

o acumulada, ento a rea entre e ( + 1 ) ser 0,8413 0,5 = 0,3413.
f(x)
+ 1 x
Funo de distribuio
acumulada da distribuio normal
Como vimos, a rea acumulada entre e um certo valor de Z pode
ser utilizada para calcularmos as probabilidades correspondentes. Ento, se
83
queremos P( 1 X + 2 ), devemos calcular P(X + 2 ) P(X

1 ). Essa diferena igual a P(Z 2) P(Z 1) = F(2) F(1).
f(x)
1 2 x
A tabela D representa as reas de uma distribuio normal padro acumula-

da. No exemplo acima, temos que F(2) F(1) = 0,9772 0,1587 = 0,8185.
Refazendo o exemplo do estudo nutricional, se a varivel considerada for

o peso da populao com mdia 70kg e desvio-padro 10kg, e se sortearmos
um elemento ao acaso dessa populao, poderemos calcular probabilidades
utilizando a tabela D, por exemplo:
Probabilidade de sortearmos uma pessoa com mais de 70kg:
P(X 70) = 1 P(X 70) = 1 P[(X )/ 70 )/ ] = 1 P[Z 70 70)/

10] = P(Z 0) = F(0) = 0,5
f(x)
70 x
P(60 X 80) = P[(60 )/ (X )/ 80 )/] = P[(60 70)/10 Z

(80 70)/10] = P( 1 Z 1) = F(1) F( 1) = 0,8413 0,1587 = 0,6826
f(x)
60 80 x
84
Estimao
P(70 X 80) = P[(70 70)/10 Z (80 70)/10] = P(0 Z 1) = F(1) F(0)

= 0,8413 0,5 = 0,3413
f(x)
70 80 x
Probabilidade de sortearmos uma pessoa com menos de 60kg:
P(X 60) = P[Z (60 70)/10] = P(Z 1) = 0,1587
f(x)
60 x
P(60 X 90) = P[(60 70)/10 Z (90 70)/10) = P( 1 Z 2) = F(2)

F( 1) = 0,9772 0,1587 = 0,8185
f(x)
60 90 x
P(80 X 100) = P[(80 70)/10 Z (100 70)/10] = P(1 Z 3) = F(3)

F(1) = 0,9987 0,8413 = 0,1574
85
f(x)
80 100 x
Observe que podemos calcular qualquer probabilidade, mesmo que os

nmeros no sejam redondos. Por exemplo:
P(56,5 X 64,8) = P[(56,5 70)/10 Z (64,8 70)/10] = F( 0,52)

F(1,35) = 0,3015 0,0885 = 0,2130
f(x)
56,5 64,8 x
Distribuio amostral das mdias

Vamos utilizar, a partir de agora, o conhecimento adquirido no estudo
do clculo de probabilidades de uma distribuio normal na discusso da
distribuio amostral de algumas estatsticas, comeando pela distribuio
amostral das mdias.
Se em uma fbrica de lmpadas desejamos fazer inferncias para toda a

produo de lmpadas de um lote, retiramos uma nica amostra de lmpa-
das e verificamos alguma varivel de interesse, o tempo de vida mdia das
lmpadas, por exemplo.
Para fazermos estimativas acerca dessa varivel, utilizando uma s amos-

tra, precisamos construir um corpo terico sobre o comportamento dessa
amostra. Se tirarmos vrias amostras de tamanho 10, por exemplo, e calcu-
larmos a vida mdia de cada uma dessas amostras, poderemos construir uma
distribuio das mdias amostrais chamada de distribuio amostral empri-
ca. No entanto, se retirarmos todas as amostras possveis de tamanho 10 e
calcularmos a mdia de cada amostra, poderemos determinar a distribuio
86
Estimao
amostral terica. O estudo dessa distribuio amostral terica que nos aju-
dar a construir o corpo terico para a realizao da estimao do parmetro
da vida mdia das lmpadas de todo o lote.
Amostragem de populaes normais

A primeira amostra de 10 elementos ter certa mdia de vida igual a X 1,
a segunda amostra, X 2, e assim por diante. Podemos calcular a mdia dessas
mdias e o desvio-padro delas. Se a varivel vida til das lmpadas for distri-
buda normalmente com mdia e desvio-padro , ento a varivel aleatria
mdia X de uma nica amostra aleatria de tamanho n ser tambm normal-
mente distribuda com mdia X = e desvio-padro igual a:
=
X n
O desvio-padro da distribuio amostral da estimativa chamado de

erro-padro da estimativa.
Observe que se o tamanho de cada amostra for 100 ao invs de 10, o erro
padro ter o seu valor diminudo, uma vez que o denominador da razo
X
que o caracteriza ficar aumentado. Isso ocorre porque amostras maiores
tendero a representar melhor a mdia da populao.
Amostragem de populaes no-normais

Muitas das distribuies na rea de economia e negcios no tm distri-
buio normal. Qual ento a natureza da distribuio amostral de X?
Essa resposta pode ser estabelecida pelo talvez mais importante teore-
ma da Estatstica, o Teorema Central do Limite (TCL). bom deixar claro que
embora muitas tradues falem em Teorema do Limite Central, quem cen-
tral o teorema e no o limite, por isso a primeira denominao parece ser
a mais adequada.
Esse teorema estabelece que se uma varivel aleatria X, seja discreta ou

contnua, tem mdia e desvio-padro finito , ento a distribuio de pro-
babilidades de X se aproxima da distribuio normal com mdia e desvio-
padro / n medida que n cresa ilimitadamente.
87
Uma outra forma de estabelecer-se o teorema dizer que a distribuio de
z = (X )
tem distribuio normal padro medida que n cresa
n

ilimitadamente, em que X .
n
Duas observaes so importantes nesse momento:
para distribuies que no so extremamente assimtricas, valores de

n aproximadamente iguais a 30 j garantem a normalidade;
estamos falando da distribuio de X quando n uma grande amos-

tra e no de X, a varivel aleatria original. Muitas variveis aleatrias,
como j foi afirmado, nunca tero distribuio normal por mais que a
amostra cresa. Veja por exemplo o caso da distribuio de renda, que
tem uma distribuio exponencial negativa. Por mais que tomemos
uma amostra imensa, a distribuio da varivel aleatria renda nunca
ter uma distribuio normal.
Exemplo para populao normal:
Um gerente de produo de uma grfica est pensando em comprar

uma nova impressora para cartes. Em mdia essas mquinas podem im-
primir 1 900 cartes por dia com um desvio-padro de 200. Assuma que o
nmero de cartes impressos por dia tenha uma distribuio normal.
a) Determine a probabilidade em que uma mquina possa imprimir me-

nos do que 1 850 cartes por dia.
b) Se 25 mquinas so escolhidas aleatoriamente da revendedora, deter-

mine a probabilidade de que o nmero mdio de cartes impressos
por dia seja menor que 1 850.
Antes de calcularmos os valores das probabilidades acima, vamos tentar

verificar intuitivamente qual das duas probabilidades ser a menor. O valor do
desvio-padro conhecido e no primeiro caso estamos trabalhando com ; no

segundo caso trabalharemos com = . Ento a disperso em torno
X
n
da mdia no primeiro caso ser maior do que no segundo, e a rea abaixo de
um dado valor de X ser maior do que para uma distribuio mais concentra-
da, como o segundo caso. Logo, esperamos que a primeira probabilidade
seja maior do que a segunda. Vejamos:
88
Estimao
a) P(X 1 850) = P((X ) / (1 850 1 900) / 200) = P(Z 50/200) =

P(Z 0,25) = 0,4013.
b) P(X 1 850) = P((X ) / (/ 25) (1 850 1 900) / (200/5) = P(Z

50/40) = P(Z 1,25) = 0,1056.
De fato, a nossa deduo estava correta.
Exemplo para populao no-normal:
Um gerente de vendas est considerando uma nova campanha de vendas.

sabido que a mdia de consumo por cliente de R$200,00 com desvio-pa-
dro de R$15,00. Sabe-se que a distribuio das vendas no se comporta se-
gundo uma distribuio normal. Uma amostra de 36 clientes foi escolhida
aleatoriamente. Determine a probabilidade em que a mdia de consumo
seja maior do que R$204,00.
P(X > 204) = 1 P(X 204) = 1 P(Z (204 200) / (15/ 36 )) = 1 P(Z
1,6) = 1 0,9452 = 0,0548
Distribuio amostral das propores

Muitas vezes conveniente considerar a proporo de ocorrncias. Pode-
mos converter o nmero de ocorrncias X para propores, dividindo-o pelo
tamanho da amostra. A proporo amostral ser denotada por p. Ento:
p= x
n
Suponha o seguinte exemplo. Em uma sorveteria entraram cinco pesso-

as. Elas podem comprar sorvetes com probabilidade p = 0,10, ou no com-
prar. Isso constitui um ensaio de Bernoulli. A distribuio de probabilidades
que associa o nmero de pessoas que podem comprar sorvete dada na
tabela abaixo, cujas probabilidades foram retiradas da tabela B da distribui-
o binomial:
X 0 1 2 3 4 5
f(X) 0,59 0,33 0,07 0,01 0,00 0,00
89
Ento, por exemplo, a probabilidade de que das cinco pessoas que entraram
na sorveteria duas comprem sorvetes de 0,07, destacado na tabela acima.
Essa mesma distribuio de probabilidades poderia ser apresentada pela

proporo de pessoas que compraram sorvetes. Verifique que duas em cinco
pessoas significa 40% das pessoas comprando sorvete, indicado por 0,40:
p 0,00 0,20 0,40 0,60 0,80 1,00
f(p) 0,59 0,33 0,07 0,01 0,00 0,00
Observe que o nmero de ocorrncias em uma amostra de tamanho n

dada por X = n. p. Vale chamar a ateno para a diferena de significado de
p da distribuio binomial e p a proporo na amostra.
Calculando a esperana (mdia) e o desvio-padro das duas distribuies

de probabilidades acima, temos:
Para X = n . p
E(X) = E(n . p) = (1).(0,33) + (2).(0,07) + (3).(0,01) = 0,50
VAR(X) = VAR(n . p) = E(X2) (E(X))2 = (1)2.(0,33) + (2)2.(0,07) + (3)2.(0,01)

(0,5)2 = 0,67
Lembrando que E(X) = E(n . p) = n . p = (5).(0,1) = 0,5 e VAR(X) = VAR(n . p)
= n . p . q = 5 . (0,1).(0,9) = 0,67, conferindo com o resultado acima.
Para x = p
n
E(p) = (0,2).(0,33) + (0,4).(0,07) + (0,6).(0,01) = 0,10 = 10%
VAR(p) = (0,2)2.(0,3) + (0,4)2.(0,07) + (0,6)2.(0,01) (0,1)2 = 0,0168 = 1,68%
Podemos verificar tambm que E(p) = E x = 1 E(X) =1/5(0,5) = 0,1 = p

n n
e VAR(p) = p.q .
n
Podemos utilizar uma notao um pouco diferente que:
Varivel aleatria Mdia Desvio-padro
Nmero de ocorrncias np np = n.p np = n.p.q
p.q
Proporo de ocorrncias p p=p p =
n
90
Estimao
Uma derivao do Teorema Central do Limite, considerando a aproximao

da distribuio binomial pela normal, pode ser estabelecida da seguinte forma:
Se X tem uma distribuio qualquer e o tamanho da amostra n for

grande, a estatstica Z dada abaixo tem distribuio normal padro:
z = X (np) = X (n.p)
np n.p.q
Tambm tem distribuio normal padro a estatstica Z dada abaixo:
(p p ) pp
z= =
p p.q
n
Exemplo:
Segundo uma teoria que relaciona estoque e mercado, se em uma semana

o mercado como um todo declina, ento, na semana seguinte, 70% do es-
toque apresentar um crescimento de preo. Supondo que a teoria esteja
correta e que em uma determinada semana uma amostra aleatria dos es-
toques de 60 empresas foi observada, qual a probabilidade de 36 ou mais
deles apresentarem um crescimento de preo?
Considerando a proporo de sucessos soluo:

(0,7).(0,3)
Pelos dados do problema: = p = 0,7, = p = p.q = =
n 60
0,05916, ento Z= (0,60 0,70)/ 0,05916 = 1,69. Na tabela da distribuio
normal, verificamos que P (p 0,60) = P(Z 1,69) = 1 P(Z 1,69) = 1
0,0455 = 0,9545.
Considerando o nmero de sucessos soluo:
Pelos dados do problema: = n.p = (60).(0,7) e = = n.p.q =

60.(0,7).(0,3) = 3,55, ento Z= (36 42)/ 3,55 = 1,69. Na tabela da distri-
buio normal, verificamos que P(X 36) = P(Z 1,69) = 1 P(Z 1,69) =
1 0,0455 = 0,9545.
91
Estimao por ponto

Temos verificado at aqui alguns tpicos sobre como tirar informaes de
uma amostra para fazer declaraes sobre uma populao da qual a amostra
provm. Essas declaraes dizem respeito a estimativas de parmetros e
forma da distribuio de estatsticas e populaes.
Para a mdia populacional , temos trabalhado com a mdia amostral,

como seu estimador.
Devemos reforar esse conceito. Estimador uma expresso matemtica. O

seu valor para uma particular amostra chamado de estimativa. Uma amostra
tambm chamada de uma particular realizao de uma varivel aleatria.
Quando falamos de forma genrica, costumamos designar o parmetro

por , e o seu estimador por ^ .
J comentamos que poderamos estimar a mdia da populao atravs

do clculo de uma outra medida como a mediana da amostra, por exem-
plo, ou mesmo atravs de um palpite. Mas qual desses estimadores o mais
adequado? Qual deles rene as melhores propriedades matemticas para o
propsito de estimao?
Vamos verificar trs propriedades de um bom estimador, no-vcio, con-

sistncia e eficincia.
Estimador no viciado
Um estimador dito ser no viciado ou no tendencioso se E( ) = .
Vamos tomar uma simulao bem simples para mostrar sobre o que
estamos falando. Seja uma populao com trs elementos, X1 = 2, X2 = 4 e
X3 = 6. Essa populao com N = 3 tem como mdia E(X) = = 4 e com
varincia VAR(X) = 2 = 8/3.
Dessa populao podemos tomar as seguintes amostras com reposio

(23 = 9 amostras) e calcular os valores das mdias e das varincias de cada
uma dessas nove amostras, conforme mostrado na tabela abaixo:
92
Estimao
Amostras Mdias = X Varincias = S2

(2,2) 2 0
(2,4) 3 2
(4,2) 3 2
(4,4) 4 0
(2,6) 4 8
(6,2) 4 8
(4,6) 5 2
(6,4) 5 2
(6,6) 6 0
N=9 X = E(X ) = 4 E(S2) = S2
Calculamos para a varivel X sua mdia, E(X) = 4 e VAR(X) 4/3. Para o cl-
culo da VAR(X) utilizamos a frmula da varincia para a populao porque se
trata de uma populao de mdias. Dividimos ento a soma ao quadrado dos
desvios por N = 9.
s2 4
Podemos verificar que E(X) = = 4 e que VAR(X) = = . Usamos aqui
n 3
n = 2 porque o tamanho de cada amostra.
Calculamos para a varivel S2 cada varincia de uma amostra de tamanho

2. Dividimos, portanto, por n 1 , n = 2. S2 chamada de varincia amostral. A
mdia das nove medidas de S2 e a E(S2) = 8/3, valor igual ao de 2, a varincia
populacional.
Tiramos trs concluses dessa simulao:
(I) E(X) =
s2
(II) VAR( X ) =
n
(III) E(S2) = 2
De (I) e de (III) conclumos que a mdia amostral X e que a varincia amos-

tral S2 so estimadores no viciados para e para , respectivamente, em
que S2 dado por:
1
S2 =
(n 1)
( X X )2
93
Poderamos usar algum outro estimador para 2 a varincia populacio-

nal? A resposta sim. Poderamos, por exemplo, utilizar o estimador abaixo:
2 = 1 (X X)2
n
Ocorre, no entanto, que esse ltimo estimador de 2, no um estimador

no viciado do parmetro 2. E est a a razo de utilizarmos o denominador
n 1 quando calculamos o valor da varincia amostral.
Para formalizar, se 1 = e E( 1) = 1, ento o estimador 1 dito ser no vicia-

do para 1. O mesmo vale para 2 = 2 e o seu estimador no viciado 2 = S2.
Estimador consistente e eficientes

Um estimador dito consistente se o seu valor aproxima-se do valor do
parmetro medida que a amostra cresce.
Um estimador mais eficiente do que outro se a sua varincia for menor

do que a varincia do estimador concorrente. O estimador eficiente o que
possui a menor varincia.
Pode-se demonstrar que alm de no viciado, a mdia amostral um es-

timador consistente e eficiente para estimar a mdia populacional.
Intervalo de confiana
Como verificado no estudo de amostragem, a estimativa pontual de um
parmetro nem sempre suficiente. Como se trata de um processo que en-
volve amostragem e, incerteza, muitas vezes queremos estimar um valor do
parmetro adicionando a essa estimativa um intervalo para o qual tenhamos
um certo nvel de confiana que o parmetro possa pertencer.
No caso de estarmos estimando a proporo da preferncia entre dois pro-

dutos que competem no mercado, podemos concluir, atravs de um processo
de amostragem, que a proporo da preferncia pelo produto A pode ser maior
do que a do produto B, mas que, no entanto, essa diferena possa ocorrer
somente devida a variaes daquela amostra particular que foi tomada. Nesse
caso, caracterizamos o fenmeno do empate tcnico ou empate estatstico.
94
Estimao
Devemos construir, ento, em torno do valor estimado pontualmente um

intervalo de confiana.
Fornecemos a seguir as expresses para o clculo de intervalos de con-

fiana para diversas situaes que ocorrem na prtica, sem entrar nas consi-
deraes matemticas que levam construo destes intervalos.
para a mdia com conhecido
Se o desvio-padro conhecido, utilizamos o seu valor para o clculo do
intervalo, alm do valor da mdia e da estatstica Z da distribuio normal.
P(X z . X X + z . X ) = 1

Em que o erro-padro X = e (1 ) o nvel de confiana da
declarao. n
Exemplo:
Uma empresa fabricante de pneus deseja verificar, atravs de uma amos-

tra de 100 pneus retirada de um grande lote, a vida mdia desse produto.
Sabe-se que o desvio-padro da populao de 3 000km. Para a amostra de
100 pneus, a vida til dos pneus foi verificada em 32 500km para rodar com
segurana.
Desejamos construir para todo o lote um intervalo de confiana de 95%

no sentido de que o verdadeiro valor da vida mdia possa estar nesse
intervalo.
Para construir esse intervalo, que ter como limites X z. X , sabemos que
s 3 000
X = 32 500 e que s X = = = 300 .
n 100
O valor de Z pode ser buscado na tabela D da distribuio normal padro.
Construiremos ento trs regies na curva normal, a primeira corresponden-
do probabilidade de 0,025, a segunda, a 0,95 e a terceira, tambm a 0,025. Bus-
cando dentro da tabela da normal padro o valor 0,025, encontramos Z = 1,96.
Como a curva simtrica, o valor de Z correspondendo a 0,975 ser Z = 1,96.
95
f(x)
1,96
95%
1,96 x
Portanto, o intervalo construdo ser: [32 500 (1,96).(300), 32 500 +

(1,96).(300)], cujo valor ento (31 912km, 33 088km).
Pode-se concluir, assim, que temos uma probabilidade de 0,95 de que o

verdadeiro valor da vida mdia dos pneus estar no intervalo (31 912km,
33 088km)? Rigorosamente no. O valor de um dado real, portanto no
uma varivel aleatria e, portanto, no contexto da estatstica clssica, um
parmetro no tem distribuio de probabilidade nem se pode atribuir uma
probabilidade a ele.
A interpretao de intervalo de confiana a de que se construirmos

100 intervalos baseados em 100 amostras o valor do parmetro deve estar
dentro de 95 desses intervalos.
Para efeitos prticos, no entanto, no estaremos muito errados ao afirmar

que temos uma confiana aproximada de 95% de que o parmetro esteja
dentro do intervalo construdo a partir de uma nica amostra. Essa interpre-
tao mais do que suficiente para que possamos tomar as decises cab-
veis ao trabalho realizado.
para a mdia com desconhecido
Na maior parte das aplicaes prticas, o valor do desvio-padro no conhe-
cido. A forma de se construir o intervalo de confiana da mdia feita atravs da
estimao do valor de . O desvio-padro populacional pode ser estimado pelo
valor do desvio-padro da amostra, S, que a raiz quadrada da varincia. J vimos
as boas propriedades da estatstica S2 como estimador de 2. Elas valem tambm
para S como estimador de .
96
Estimao
X
Mas aqui surge um outro problema: vimos que tem distribuio
n
normal padro e por isso quando conhecido podemos utilizar a estatsti-
ca Z na determinao do intervalo de confiana.
X .
At aqui nada sabemos sobre a distribuio de
S X
n
Pode-se demonstrar teoricamente que a distribuio da estatstica S
n
muito parecida com a distribuio normal e que chamada de distribui-
o t de Student que devida a um qumico e matemtico ingls chamado
Gosset que a desenvolveu trabalhando na cervejaria Guinness. Student era
o seu pseudnimo porque a cervejaria no permitia que seus empregados
divulgassem qualquer tipo de estudo.
Quando a amostra for muito grande, os valores da distribuio t se apro-

ximam muito da distribuio normal, e por isso, nessa situao, ser indife-
rente o uso de uma ou de outra. No caso de amostras menores necessrio
calcular o valor de t que sempre referenciado pelos graus de liberdade do
erro-padro. No caso da mdia trabalharemos sempre com n 1 graus de
liberdade. Ento, se a amostra tem tamanho 20, buscamos na tabela E da dis-
tribuio t o valor de t correspondente ao nvel de confiana do intervalo
(1 ) com os graus de liberdade correspondentes.
Na tabela t verificamos na parte superior as probabilidades chamadas

de bicaudal. Ento, se queremos um intervalo de 95% de confiana bus-
camos na tabela o valor de 0,05. Para o caso de uma amostra de tamanho
20 o valor de t0,95 de 2 093. Esse valor pode ser verificado na tabela E.
Veja tambm que, para amostras muito grandes o valor de t se aproxima
dos valores de Z da distribuio normal padro. Veja essa indicao na
prpria tabela.
Exemplo:
Vamos considerar o mesmo exemplo da empresa fabricante de pneus

que deseja verificar, atravs de uma amostra de 100 pneus, retirada de um
grande lote, a vida mdia deles. No se conhece o desvio-padro da popu-
lao. Para a amostra de 100 pneus a vida til foi determinada como 32 500km
para rodar com segurana e o desvio-padro amostral foi calculado em
3 000km.
97
Desejamos construir, para todo o lote, um intervalo de confiana de 95% no

sentido de que o verdadeiro valor da vida mdia possa estar nesse intervalo.
Para construir esse intervalo que ter como limites X t . SX , sabemos que
S 3 000
X = 32 500 e que S X = = = 300. O valor de t pode ser buscado na
n 100
tabela E da distribuio t de Student com 99 graus de liberdade. Esse valor
ser de aproximadamente 1,98.
Portanto, o intervalo construdo ser: [32 500 (1,98) . (300) , 32 500 +

(1,98) . (300)] cujo valor ento (31 906km, 33 094km). Veja que esses valores
no diferem muito do resultado obtido para conhecido.
Mas e se a amostra for pequena, digamos n = 36? Em primeiro lugar o

S 3 000
valor de S X = = = 500. O valor detpara 95% e 35 graus de liberdade
n 36
aproximadamente igual a 2,030. Ento o intervalo ser determinado por:
[32 500 (2,03).(500) , 32 500 + (2,03).(500)] = (31 485km , 33 515km).
Veja que nesse caso a preciso da estimativa dos limites do intervalo

ainda menor do que no caso de amostras de tamanho 100 e no caso do des-
vio-padro conhecido. bastante intuitivo perceber que quanto menor o
nosso nvel de informao, menos precisas sero as estimativas.
Intervalo de confiana para outros parmetros

Restou claro da exposio acima que para construirmos um intervalo de
confiana precisamos saber quem o estimador do parmetro, quem o er-
ro-padro da estimativa e qual a estatstica associada ao estimador. Tendo
essas informaes, podemos construir o intervalo de confiana para o parme-
tro , sabendo quem , quem o seu erro-padro ou o seu estimador S e
qual a estatstica associada. E o intervalo, no geral, ter como limites:
z ou t S
A tabela a seguir apresenta os principais elementos para a construo de
intervalos de confiana:
98
Estimao
Parmetro Parmetro Estimador Erro-padro Estatstica
Mdia s
X Z
conhecido n
Mdia desco- S
X tn-1
nhecido n
pq
Proporo P p Z
n
Diferena de s12 s22

mdias com 1 e X1 X2 +
2 conhecidos 1 2 n1 n2 Z
Diferena de
mdias com 1 S12 S22
X1 X2 + tn
e 2 desconhe- 1 2 1 + n2 2
n1 n2
cidos
Diferena de p1q1 p2q2

P1 P2 p1 p2 + Z
propores
n1 n2
Outros intervalos de confiana podem ser construdos como o interva-

lo de confiana para a varincia e para a razo de duas varincias, as distri-
buies de probabilidades associadas a esses intervalos so a distribuio
qui-quadrado e a distribuio F de Fisher-Snedecor, que pelo pouco uso no
contexto deste livro no foram includas. Qualquer livro de estatstica inter-
mediria traz esses intervalos para o caso de algum leitor necessitar.
Testes de hipteses
Uma outra forma de se fazer inferncia sobre parmetros da populao
com base em dados da amostra atravs da escolha de uma entre duas pos-
sibilidades de ao, minimizando o risco na tomada de decises.
Hiptese nula versus hiptese alternativa

Um teste de hiptese estatstica consiste em fazer declaraes sobre o pa-
rmetro e submet-las s evidncias amostrais. Duas hipteses ento so
estabelecidas: a hiptese da nulidade ou hiptese nula versus uma hiptese
alternativa.
99
A hiptese nula denotada por H0, na qual se faz uma suposio sobre o
valor do parmetro, e na hiptese alternativa denotada de H1, que se contra-
pe hiptese nula, podendo-se afirmar que o parmetro diferente, maior
ou menor que o valor estabelecido pela hiptese da igualdade. A represen-
tao formal de um teste dada por:
teste bilateral;
H0: = c
H1: c
teste unilateral direita;
H0: = c
H1: > c
teste unilateral esquerda.
H0: = c
H1: < c
A escolha de qual dos trs tipos de teste deve proceder dependendo da

quantidade e qualidade de informao que se tenha antes da coleta dos
dados. No caso de ter informao suficiente sobre a direo do teste, os testes
unilaterais so preferveis aos bilaterais pela maior fora de seu resultado.
No exemplo de abertura do captulo, quando o construtor deseja que

seu concreto tenha resistncia mnima de 200kgf/cm2, o mais adequado o
teste unilateral direita. Reflita sobre essa afirmao.
Erro tipo I e erro tipo II

Como o teste est associado amostragem e, portanto, incerteza, exis-
tem quatro possveis resultados. Rejeitar H0 incorreta ou corretamente e
no rejeitar H0 incorreta ou corretamente. O quadro abaixo apresenta essas
quatro possibilidades:
Ao com relao a H0 H0 verdadeira H0 falsa

No rejeitar H0 Deciso correta Erro tipo II
Rejeitar H0 Erro tipo I Deciso correta
100
Estimao
O tamanho de cada tipo de erro dado pela sua probabilidade de ocor-

rncia. A probabilidade de se cometer o erro tipo I chamada de e a proba-
bilidade de se cometer o erro tipo II chamada de .
Para o clculo do tamanho da amostra e para a tomada de decises, no
geral controla-se o erro tipo I por ser considerado o mais grave. Uma analo-
gia pode ser feita em um julgamento. A hiptese nula a de que o ru
inocente. Pergunta-se: o que mais grave, rejeitar H0 quando H0 verdadeira,
que significa condenar um inocente, ou no rejeitar H0 quando ela falsa, que
significa absolver um culpado? Do ponto de vista tico parece ser mais grave
condenar um inocente.
O erro tipo I tambm chamado do erro do consumidor. Um laboratrio
testa um novo medicamento. Rejeitar H0 significa que esse medicamento
melhor do que o que est na praa. Se de fato ele no for, isto , H0 verda-
deiro, o consumidor estar sendo prejudicado. O erro tipo II chamado de
erro do produtor, ele ocorre quando o novo medicamento melhor, deve-
ria ser rejeitado o H0, mas, no entanto, os testes no permitem rejeitar H0,
ou seja, o fabricante ter prejuzo por no colocar um novo medicamento
melhor que o tradicional no mercado.
Procedimento de testagem
de hipteses para a mdia populacional
Vamos expor o procedimento de testagem de hipteses atravs de uma
aplicao.
Suponha que a renda mdia das famlias de certo municpio foi determi-
nada atravs do Censo como sendo igual a R$2.000,00 para um particular
ano, e dois anos depois desejamos verificar se houve alguma mudana na
renda familiar atravs de um levantamento amostral.
No Brasil, as PNADs, Pesquisas Nacionais por Amostra de Domiclios, cum-

prem esse papel entre os Censos que so realizados a cada dez anos.
Devemos estabelecer as duas hipteses estatsticas. A hiptese nula de

que a renda mdia familiar continua sendo de R$2.000,00. A hiptese alter-
nativa pode tomar uma de trs formas. Se no h qualquer informao adi-
cional de que a renda mdia possa ter aumentado ou diminudo, toma-se
como alternativa a hiptese de que a renda mdia diferente de R$2.000,00.
Os dados diro se ela aumentou ou diminuiu e se esta mudana foi significa-
tiva ou se a diferena pode ter ocorrido por pequenas variaes do acaso.
101
Se algum novo empreendimento foi realizado no municpio, pode-se

supor que houve um aumento do nvel de emprego gerando maior renda
mdia familiar. Ento a hiptese alternativa pode ser construda como: a
mdia maior do que R$2.000,00.
Por outro lado, se alguma indstria deixou a cidade ou se houve movi-

mentos migratrios importantes como a chegada de pessoas de municpios
mais pobres ou a sada de fora de trabalho para centros maiores, a hiptese
alternativa pode ser a de que a mdia menor do que R$2.000,00.
Vamos ficar inicialmente com a primeira possibilidade. Ento, o primeiro

passo o de estabelecer as hipteses estatsticas para um teste bilateral:
H0: = 2 000
H1: 2 000
Suponha ento que uma amostra de 25 famlias foi pesquisada e que a

mdia amostral da renda familiar foi calculada em R$2.200,00. Pergunta-se,
com base nesse dado e sabendo-se que o desvio-padro da renda familiar
foi determinado no censo como tendo o valor de R$500,00, se h uma dife-
rena significativa da renda mdia familiar nesses dois anos.
X
Precisamos agora estabelecer a estatstica do teste. Sabemos que
tem distribuio normal padro, Z. Ento: n
2.200 - 2.000 200

Z= = =2
500 100
25
Precisamos agora verificar qual a rea sob a curva normal padro entre
2 e 2, por ser este um teste bilateral.
P( 2 < Z 2) = F(2) F( 2) = 0,9772 0,0228 = 0,9544. Essa probabilida-

de est associada a um valor de = 1 0,9544 = 0,0456. Ela chamada de
p-valor.
Para a tomada de deciso precisamos compreender o significado desse

p-valor. O p-valor a probabilidade de rejeitarmos H0 quando ele verdadei-
ro. Ou seja, dizemos que 2 000 quando de fato no . Nesse caso temos
uma probabilidade de 4,56% de estarmos errando se afirmarmos que a renda
mdia familiar mudou nesses dois anos.
102
Estimao
Por outro lado, podemos dizer que temos uma confiana de 95,44% de
que houve mudana na renda mdia familiar do municpio. O que decidir?
Tradicionalmente, quando o p-valor for menor do que 5% decidimos por

H1. Nessas circunstncias diramos que houve sim uma mudana na renda.
Esse padro de 5%, porm, no deve ser tomado de forma absoluta. A deci-
so deve depender das conseqncias da gravidade da admisso da possi-
bilidade de se estar cometendo um erro. Se as conseqncias forem graves,
talvez o tomador de decises resolva ser mais rigoroso e s admitir H1 se o
p-valor for menor do que 0,01, por exemplo. Isto , ele deseja uma confiana
de no mnimo 99% para rejeitar H0.
Mas se as conseqncias da tomada de deciso incorreta forem menos

traumticas, ele pode admitir tomar a deciso com 90% de confiana. Por-
tanto somente se o p-valor for maior do que 0,10 ele no admitir a hip-
tese alternativa.
Esse o procedimento-padro para testagem de hipteses estatsticas.
Variaes no procedimento de testagem

de hipteses para a mdia populacional
Nesse procedimento adotado, duas variaes importantes podem acon-
tecer: (I) pode-se supor no exemplo que haveria uma mudana para maior
na renda mdia mensal e um teste unilateral deveria ter sido feito e (II) no
se conhece o valor de .
Analisando os dados para a suposio (I), devemos fazer o teste unilateral.

Ento, as hipteses estatsticas seriam estabelecidas como:
H0: = 2 000
H1: > 2 000
A estatstica do teste a mesma e o seu valor determinado com base nos

valores amostrais foi de Z = 2. Agora (1 ) compreende toda a rea da curva
normal de at 2, que corresponde a P( Z 2) = 0,9772. Ento ou o p-
valor = 1 0,9772 = 0,0228.
O tomador de decises tem agora um risco menor em afirmar que a renda

familiar aumentou. O seu nvel de confiana subiu para 97,7%. Por que isso
103
ocorreu no teste unilateral? O nvel de confiana cresceu porque foi agrega-

da maior quantidade de informao atravs do direcionamento do teste. J
supnhamos que haveria aumento da renda.
Para o caso de no se conhecer o valor de ele deve ser estimado a partir

dos dados da amostra, tendo como estimador o desvio-padro amostral, S.
Vamos supor que o valor calculado de S, na amostra, tenha sido de R$500,00.
Tomamos o mesmo valor dos primeiros dois exemplos s a ttulo de compa-
rao. H que ficar bem claro que o valor de S da amostra no tem qualquer
correspondncia com algum valor determinado no Censo.
Vamos manter o teste unilateral, a exemplo do ltimo exerccio:
H0: = 2 000
H1: > 2 000

X
A estatstica do teste agora muda. A distribuio de no mais
n
normal. Ela uma estatstica t com n 1 graus de liberdade. O valor de t
ser determinado com base em dados amostrais como:
2.200 - 2.000 200

t= = =2
500 100
25
O nvel de significncia de t = 2 com 24 graus de liberdade e aproximada-

mente 0,028. Esse valor pode ser determinado por interpolao ou atravs
da ajuda de uma planilha eletrnica para a funo distribuio t.
Com p-valor de 0,028, o nvel de confiana para a rejeio de H0 ser de

97,21%. Observe que esse valor a favor de H1, mas com menos fora do que
o 97,7% para o caso de conhecermos o valor de (ao conhecer o seu valor
temos mais informao agregada).
Se o teste t tivesse sido realizado para a hiptese bilateral, o p-valor seria

igual a 0,057 e o nvel de confiana, de 94,3%, visto que no teramos nem a
informao de nem a informao fornecida pelo direcionamento do teste.
Testes de hipteses para outros parmetros

Estudamos como realizar testes de hipteses para a mdia populacional
. O procedimento passo-a-passo seguido foi:
104
Estimao
(I) estabelecimento das hipteses estatsticas;
(II) clculo da estatstica do teste ( ) ;

(III) determinao do p-valor.
Esse procedimento vale para as testagens de hiptese sobre os parme-

tros estabelecidos na tabela abaixo, a exemplo do que foi realizado com in-
tervalos de confiana.
Parmetro Parmetro Estimador Erro-padro Estatstica

s
Mdia conhecido X n Z
S
Mdia desconhecido X n tn-1
pq
Proporo P p n Z
s12 s22
Diferena de mdias com +
1 2 X1 X2
1 e 2 conhecidos n1 n2 Z
S12 S22
Diferena de mdias com 1 +
1 2 X 1 X2 tn1 + n2 2
e 2 desconhecidos n1 n2
p1q1 p2q2
Diferena de propores P1 P2 + Z
p1 p2 n1 n2
Para efeito de ilustrao, construiremos um exemplo de testagem de hi-

pteses para a diferena entre duas mdias.
Exemplo:
Uma firma de consultoria foi contratada para verificar se os nveis salariais de

trabalhadores no qualificados de uma indstria eram diferentes com relao
ao sexo. Suponhamos que as mulheres tivessem uma mdia salarial menor que
a dos homens. Uma amostra estratificada proporcional por sexo foi retirada e os
dados resultantes do levantamento amostral seguem na tabela abaixo:
Salrio mdio Desvio-padro

Sexo Tamanho da amostra
amostral amostral
Feminino X 1 = R$ 590,00 S1 = R$ 8,00 n1= 10
Masculino X 2 = R$ 600,00 Ss = R$ 9,00 n2 = 20
105
Hipteses estatsticas:
H0: 1 = 2
H1: 1 < 2
Essas hipteses podem ser reescritas como:
H0: 1 2 = 0
H1: 1 2 < 0
Estatstica do teste:
( X1 X 2 ) ( m1 m2 ) "t" com 10+202=28g.l.
t=
S12 S22
n + n
1 2
(590 600) (1 2 ) 10
Clculo do p-valor: t = = = 3, 09
8 2
9
2 3,233
10 + 20
p-valor = 0,0022
Concluso: com nvel de confiana de 99,8%, podemos concluir que de

fato o nvel salarial das mulheres da indstria pesquisada menor que o
nvel salarial dos homens.
1. Seja Z ~ N(0,1). Calcule:
a) P(0 < Z 1,2)
b) P(0,9 Z 0)
c) P(1,21 Z < 1,75)
d) P(Z > 0,75)
e) P(Z 1,35)
f) P(1,44 < Z < 0)
106
Estimao
2. Determinar z0 tal que:
a) P(Z > z0 ) = 0,5
b) P(Z < z0 ) = 0,8645
c) P(z0 Z z0 ) = 0,90
3. Suponha que a renda de uma comunidade possa ser razoavelmente

aproximada por uma distribuio normal com mdia de R$1.500,00 e
desvio-padro de R$300,00.
a) Que porcentagem da populao ter renda superior a R$1.860,00?
b) Em uma amostra de 50 pessoas dessa comunidade, quantos pode-

mos esperar com renda inferior a R$1.050,00?
4. Uma fbrica de automveis calcula que os motores de sua fabricao

tm durao com distribuio normal mdia de 150 000km e desvio-
padro de 10 000km.
a) Qual a probabilidade que um automvel, escolhido aleatoria-

mente entre os fabricados pela empresa, tenha um motor que
dure entre 140 000 e 165 000km?
b) Se a fbrica substitui o motor que apresenta durao inferior

garantia, qual deve ser essa garantia para que a percentagem de
motores substitudos seja inferior a 0,2%?
5. Uma equipe de pesquisadores deseja estudar as condies de vida

dos habitantes dos 15 000 domiclios de uma cidade-dormitrio.
Devido dificuldade de pesquisar todos os domiclios, a equipe op-
tou por selecionar aleatoriamente 36. Uma das variveis de interes-
se, no estudo em questo, era o nmero de pessoas que residem
em cada domiclio. Para os selecionados foram obtidas as seguintes
informaes sobre o nmero de residentes:
563323334
432743421
544334331
243424535
107
a) Os pesquisadores desejam saber o nmero mdio de pessoas que

residem em cada domiclio. Como eles podem utilizar as informa-
es obtidas para estimar esse valor? Determine a estimativa.
b) Qual o estimador utilizado e sua distribuio de amostragem?
c) Considerando que, pelo ltimo censo, o nmero mdio de pessoas

em cada domiclio 5 com varincia 12,96, determine:
I) P(X > 4)
II) P(X 6,5)
III) P(X = 2)
IV) P(3,5 < X 5)
6. Uma amostra consiste em 75 aparelhos de TV adquiridos h vrios

anos. Os tempos de substituio desses aparelhos tm mdia de 8,2
anos e desvio-padro de 1,1 ano.
a) Construa um intervalo de 90% de confiana para o tempo mdio

de substituio de todos os aparelhos de TV daquela poca.
b) Em sua opinio, o resultado poderia ser aplicado aos aparelhos de

TV que esto sendo vendidos atualmente? Justifique.
7. Em um estudo sobre a aplicao do tempo em servios, constatou-

se que para uma amostra de 20 administradores selecionados alea-
toriamente, o tempo gasto em mdia por dia de trabalho em servios
burocrticos de 2,4 horas com desvio-padro de 1,3 horas. Os dados
apresentam uma distribuio normal. Construa um intervalo de con-
fiana de 95% para o tempo mdio gasto com servios burocrticos
para todos os administradores.
8. Uma amostra aleatria de 625 pessoas, selecionadas de uma popu-

lao de 6 500 pessoas, revelou que 440 delas preferiam o detergen-
te de marca X. Atravs dessas informaes, construa um intervalo de
confiana de 90% para a proporo de pessoas na populao que pre-
ferem o detergente da marca ABC.
108
Estimao
9. Sabe-se que o consumo mensal per capita de um determinado pro-

duto tem distribuio normal, com desvio-padro de 2kg. A diretoria
de uma empresa que fabrica esse produto resolveu que o retiraria da
linha de produo se a mdia de consumo per capita fosse menor que
8kg. Caso contrrio, continuaria a fabric-lo. Foi realizada uma pesqui-
sa de mercado tomando-se uma amostra de 36 indivduos e verificou-
se que Xi = 284kg, onde Xi representa o consumo mensal do i-simo
indivduo da amostra.
a) Com base nos resultados da amostra e com um risco de 5%, qual

deveria ser a deciso da diretoria?
b) Se a diretoria tivesse fixado = 0,10, a deciso seria a mesma? Justi-

fique sua resposta.
10. Uma companhia de cigarros anuncia que o ndice mdio de nicotina

dos cigarros que fabrica apresenta no mximo 23mg por cigarro. Um
laboratrio realiza 6 anlises, obtendo as seguintes quantidades de
nicotina: 27, 24, 21, 25, 26, 22. Sabe-se que o ndice de nicotina se dis-
tribui normalmente. Pode-se aceitar, ao nvel de 10% de significncia,
a afirmao do fabricante?
109
Anlise de regresso
e de correlao
Problema
A inovao tecnolgica tem tido papel central na economia de pases de-
senvolvidos e de pases que as taxas tm crescido em torno de 10% nas ltimas
dcadas. O investimento em pesquisa e desenvolvimento (P&D) nas empresas
de base tecnolgica tem sido apontado como fator determinante do cresci-
mento desses pases em conseqncia tambm da melhoria dos resultados de
produo das empresas de setores estratgicos.
Uma pesquisa foi realizada com 15 empresas que oferecem produtos de

informtica para o mercado. Pretende-se verificar se o resultado da aplicao
de recursos em P&D, em um determinado ano, implicou em ganhos signifi-
cativos de receita no ano seguinte.
A tabela abaixo apresenta as aplicaes em milhes de reais dessas em-

presas e os resultados das receitas no ano seguinte:
Faturamento (2007) Gastos em p&d (2006)

Empresa
em milhes de reais em milhes de reais
A 221 15,0
B 83 8,5
C 147 12,0
D 69 6,5
E 41 4,5
F 26 2,0
G 35 0,5
H 40 1,5
I 125 14,0
J 97 9,0

Faturamento (2007) Gastos em p&d (2006)

Empresa
em milhes de reais em milhes de reais
K 53 7,5
L 12 0,5
M 34 2,5
N 48 3,0
O 64 6,0
Algumas questes so prontamente apresentadas para o estudo dessa

relao. A primeira verificao a ser realizada se de fato essa relao no
espria, ou seja, se a relao entre investimento em P&D e faturamento pode,
teoricamente, ter uma relao causal. Essa determinao pertence muito
mais ao campo da teoria econmica que ao da teoria estatstica.
Supondo que essa relao causal possa mesmo ser estabelecida, ento
uma srie de questes podem ser levantadas para verificao atravs de pro-
cedimentos estatsticos, como: (I) existe um modelo matemtico que possa
descrever analiticamente essa relao? (II) se o modelo existe, qual melhor
ajusta os dados de gastos com P&D e o faturamento de empresas desse
setor? (III) qual a fora dessa relao? Ou de outro modo, qual o poder do
modelo construdo com base nos dados amostrais, para se fazer previses?
(IV) uma vez construdo o modelo, qual a margem de erro das previses?
(V) possvel e necessrio incorporar novas variveis que possam explicar o
faturamento alm dos investimentos em P&D?
A tarefa de fazer predies inerente a muitos dos aspectos do geren-
ciamento e do planejamento da produo de empresas com administrao
profissionalizada. Previses de vendas, compras, custos, produo, contra-
tao de pessoal e aplicao de capital fazem parte dos fundamentos do
planejamento e controle atual das empresas.
Existe uma enormidade de tcnicas matemticas, estatsticas e econom-

tricas para a realizao dessa tarefa de predio. Muitos modelos determins-
ticos e muitos modelos no-determinsticos se propem a realizar essa tarefa.
Uma das ferramentas mais importantes para a construo de modelos que
envolvem certo grau de incerteza, inerente a levantamentos amostrais, o
112
modelo de regresso, cuja anlise est sempre associada a um processo de

verificao da fora da relao entre as variveis envolvidas e que chamado
de anlise de correlao.
A anlise de regresso consiste em construir uma funo matemtica, a

partir de observaes amostrais, que relacione uma ou mais variveis inde-
pendentes a uma varivel dependente. As variaes da varivel dependente
so decorrentes em grande medida das variaes da varivel independente
ou das variveis independentes. Essa funo pode ser uma funo linear ou
no, dependendo da forma da relao entre as variveis.
Anlise de regresso
Consiste, fundamentalmente, em construir, a partir dos dados amostrais,
uma funo matemtica que relacione uma varivel independente a uma
outra varivel que dependa desta e que chamada de varivel dependente.
A forma geral adotada para descrever essa relao Y = f(X) + , em que X
a varivel independente, Y a varivel dependente e o erro estatstico. Essa
relao possui, portanto, uma componente determinstica f(X) e uma compo-
nente aleatria .
Anlise de regresso linear

Se a relao entre a varivel independente e a varivel dependente puder
ser expressa atravs de uma funo que descreva a equao de uma reta,
ento o modelo em questo um modelo de regresso linear. A expresso
geral desse modelo Y = + X + , e so os parmetros do modelo.
Como a construo do modelo baseada em observaes amostrais, esses
parmetros nunca so conhecidos. Eles so os verdadeiros valores do modelo
do mundo real. Eles devem, portanto, ser estimados atravs de estimadores
estatsticos cujas expresses so determinadas por algum critrio de minimi-
zao do erro estatstico e cujos valores so calculados com base nos dados
amostrais.
Anlise de regresso no-linear

A relao entre duas ou mais variveis nem sempre pode ser expressa
atravs da equao de uma reta, porque essa relao pode ser no-linear.
113
Muitos outros modelos, como o exponencial, o potencial, o logstico, entre

outros, podem descrever melhor a relao entre as variveis.
Anlise de regresso simples

Quando somente duas variveis esto envolvidas na construo do modelo,
dizemos que ele um modelo de regresso simples. Assim, s participaro do
modelo uma varivel independente e outra varivel dependente, alm do erro
estatstico, claro. Um modelo de regresso simples pode ser linear ou no. Se
a relao entre as variveis puder ser bem descrita atravs da equao de uma
reta, eles so ditos lineares, conforme definio anterior.
Anlise de regresso mltipla

Se a varivel dependente estiver relacionada a mais de uma varivel in-
dependente, ento o modelo de regresso conhecido como modelo de re-
gresso mltipla. Da mesma forma que no caso anterior, a relao entre as
variveis independentes e a varivel dependente pode ser linear ou no. No
caso da relao ser linear, o modelo a ser construdo ser o de um plano, no
caso de estarem envolvidas duas variveis independentes, ou de hiperpla-
nos, se mais de duas variveis independentes estiverem sendo utilizadas na
construo do modelo.
Um modelo de regresso linear mltipla, por exemplo, pode ser expresso

atravs da seguinte funo: Y = 0 + 1X1 + 2 X2 + ... + pXp + . A troca de
por 0 feita aqui somente por comodidade de notao. No caso de termos
somente duas variveis independentes, estaremos construindo a equao
de um plano.
Erro estatstico
O termo definido como o erro estatstico ou resduo e o componente
aleatrio do modelo. Ele precisa ser bem compreendido. Vale sempre lem-
brar que esses modelos so construdos atravs de observaes amostrais e,
sempre que se faz um levantamento de dados atravs de amostra, os resul-
tados obtidos estaro associados a certo grau de impreciso, que nos mode-
los estatsticos so considerados de natureza aleatria, ou seja, associados a
certa distribuio de probabilidades.
114
Os modelos de regresso tm, portanto, uma parte aleatria e outra de-

terminstica. Na parte determinstica, esto todas as variveis independentes
que explicam as variaes da varivel dependente. Esse modelo deve ser o
mais esbelto possvel, desde que possa explicar bem a relao entre as va-
riveis independentes e a varivel dependente. Na componente aleatria
esto, alm das variaes devidas ao acaso, todas aquelas variveis que tm
importncia reduzida na explicao da varivel dependente.
Alguns pressupostos so impostos ao erro para que se possa construir o

modelo de regresso atravs dos critrios propostos de reduo de funes
do erro, conforme ser visto mais adiante no captulo.
Critrio dos mnimos quadrados ordinrios

Existem vrios critrios propostos para a minimizao de funes do erro.
O mais comumente utilizado o chamado critrio dos mnimos quadrados or-
dinrios, que objetiva minimizar a funo 2 (soma dos erros ao quadrado)
conforme ser visto um pouco mais adiante.
Grfico de disperso
Os grficos de disperso apresentam os valores da varivel independente
no eixo (X) das abscissas e o valor da varivel dependente no eixo (Y) das
ordenadas. O grfico abaixo o dos dados de investimento das 15 empresas
de informtica em planejamento e desenvolvimento em 2006 relacionados
com o faturamento de cada empresa no ano seguinte. Eles so muito teis
para uma impresso visual do relacionamento entre as variveis.
Grfico de disperso
250
200
Faturamento (y)
150
100
50
0
0 2 4 6 8 10 12 14 16
Gastos com p&d (x)
115
Variveis independente e dependente

Conforme exposto anteriormente, a varivel dependente depende da va-
rivel independente. No caso em tela, o faturamento supostamente depende
dos gastos em P&D.
A varivel independente recebe tambm o nome de preditor e sempre

apontado no eixo X das abscissas; a varivel dependente, que recebe o nome
de resposta, sempre plotada no eixo Y das ordenadas.
O que se pode observar inicialmente do grfico que a relao entre X e

Y pode ser aproximada por uma reta que passe pelo meio dos pontos, mas
que no uma relao perfeita, no sentido de que no possvel construir-
mos uma reta que passe por todos os pontos amostrais. Talvez uma curva
no-linear possa tambm ser ajustada aos dados. O estudo da escolha da
forma da curva (ou reta) ser feito mais adiante.
Reta de regresso
Para o caso de um modelo de regresso linear simples, o objetivo ser o de se
construir uma reta que passe pelo meio dos pontos amostrais atravs de uma
expresso determinada pelas estimativas de e de no modelo Y = + X + .
Essa reta ser chamada de reta de regresso e ter como sua expresso analtica a
forma = a + bX, em que o coeficiente linear a o estimador de , o coeficien-
te angular b o estimador de e (y chapu), e ser o valor da estimativa do
verdadeiro valor de Y observado na amostra para cada um dos pontos de X. Um
exemplo da construo da reta de regresso dado na figura abaixo.
O significado desses estimadores e a forma de encontr-los sero estuda-

dos em seguida neste captulo.
Reta de regresso
250
200
Faturamento (y)
150
100
50
0
0 2 4 6 8 10 12 14 16
Gastos com P&D (x)
116
Construindo a reta de regresso

Como vimos at aqui, um dos objetivos da anlise de regresso a cons-
truo de um modelo matemtico que relacione a varivel dependente e a va-
rivel independente. Se o modelo o de regresso linear simples, a tarefa
determinar a equao da reta que melhor aproxime os pontos observados dos
dados amostrais. Vale a pena fazer um pequeno estudo da equao de uma
reta para melhor compreendermos o significado do que iremos construir.
Equao da reta
Uma reta representada atravs da funo Y = a + bX em que a e b so
respectivamente o coeficiente linear e o coeficiente angular da reta em questo.
Suponha que a reta em discusso seja dada pela expresso Y = 2 + X. Ento, o
coeficiente linear da reta o valor 2 e o coeficiente angular da reta o valor 1.
Vamos fazer um estudo dessa reta comeando por verificar os valores de Y para
diferentes valores de X. Ento, se Y = 2 + X, os valores abaixo so pontos da reta.
X Y
0 2
1 3
2 4
3 5
4 6
O grfico correspondente a estes valores :
Reta y = 2 + x
7
4
y
0
0 1 2 3 4 5
117
Com base nesses dados e no grfico, podemos analisar agora o significa-

do do coeficiente linear e o significado do coeficiente angular.
O coeficiente linear a o ponto em que a reta corta o eixo Y. Isso ocorre

para o valor de X = 0. Valores negativos de a implicam que a reta cruza o
eixo Y abaixo da origem enquanto valores positivos de a implicam que a
reta corta o eixo Y acima da origem.
O coeficiente angular b a inclinao da reta, ou seja, o valor da tangen-

te do ngulo formado pelo eixo X e a reta. Ele representa tambm a variao
da varivel Y para cada variao de um ponto de X. Se tomarmos um pequeno
tringulo de base unitria, verificaremos que a altura desse tringulo defini-
do pela reta Y = 2 + X tambm ser unitrio. Tomando ento a razo entre o
cateto oposto e o cateto adjacente desse tringulo retngulo, verificaremos
que a tg = 1. Ou seja, a inclinao da reta igual a 1 e o ngulo correspon-
dente ser de 45.
Valores positivos de b significam que a reta crescer na medida em que

X cresce, e valores negativos de b significam que a reta decrescer em Y
quando X cresce. Ou seja, no primeiro caso a relao entre X e Y de propor-
cionalidade direta, enquanto no segundo caso a relao entre as variveis
de proporcionalidade indireta.
Significado dos elementos da reta na regresso

Os coeficientes da reta tm a mesma interpretao na regresso que na
geometria analtica adicionado da interpretao do fenmeno em estudo.
Supondo que a reta construda com os dados dos gastos em P&D versus
faturamento das empresas fosse a reta estudada acima, = 2 + X. Algumas
concluses imediatas poderiam ser tomadas, quais sejam:
se o valor de a igual a 2, isso significa que se no houver qualquer

investimento em P&D, o faturamento esperado ser de duas unidades
monetrias, no nosso caso R$2 milhes de reais;
o valor positivo de a indica que, se no houver investimento em P&D,

ainda assim o faturamento ser positivo. Um valor negativo de a im-
plicaria prejuzo. Vale a pena observar que a interpretao do coefi-
ciente linear pode no ter sentido dependendo do problema tratado;
118
para o valor de b, no coeficiente angular, teramos como resultado que

para cada variao de uma unidade de X teramos a variao de uma
unidade em Y. Ou seja, para o investimento de cada real em P&D o retor-
no em termos de faturamento seria o do acrscimo de mais um real;
como o valor de b positivo, significa que a relao entre as variveis

de proporcionalidade direta, isto , o aumento do investimento em
p&d implica aumento do faturamento;
podemos calcular o valor esperado de faturamento () para certo in-

vestimento em P&D (X). Por exemplo, se aplicarmos trs milhes em
P&D, o faturamento esperado ser de = 2 + X, ou = 2 + 3 = 5, cinco
milhes de faturamento.
Um pouco mais adiante determinaremos o valor da reta de regresso para

os dados do problema em questo. Por ora, o objetivo o de compreender o
significado da reta de regresso e de seus elementos.
O mtodo dos mnimos quadrados ordinrios

No grfico abaixo, verificamos que para cada valor do eixo X (Xi) h um
correspondente valor de Y (Yi) e um valor de i. Os valores Yi so os verda-
deiros valores observados na amostra, os valores de i so os valores estima-
dos pela substituio do valor de Xi na reta de regresso. A diferena entre o
valor observado e o valor estimado chamado de erro estatstico ou resduo.
Assim, podemos definir cada erro de observao como:
i = Yi i
y
yi
i
yi
x
119
Como a reta de regresso uma reta mdia, de acordo com o que veremos
adiante, a soma dos desvios em relao reta de regresso igual a zero. Isto ,
i = 0.
O critrio dos mnimos quadrados ordinrios sugere que a determinao

da expresso da reta mdia se d pela minimizao da soma dos quadrados
dos erros. Ou seja, o critrio expresso em termos matemticos :
Min i2
Com esse procedimento, encontra-se a expresso da reta que passa mais

perto do conjunto dos pontos amostrais.
O processo de minimizar a funo (Y )2 = [Y (a + bX)]2 consiste

em encontrar as derivadas parciais desta funo em relao aos coeficientes
a e b e igualar cada expresso resultante a zero. fcil demonstrar que o
resultado dessas derivadas parciais ser o sistema de duas equaes e duas
incgnitas apresentado abaixo:
Y = n a + b X
XY = a X + b X2
Assim, podemos verificar nas equaes acima que os valores de Y, n, X,

XY, e X2 podem ser calculados diretamente dos valores da amostra, fican-
do por determinar os valores das incgnitas a e b, que so os valores dos
coeficientes da reta = a + bX, resolvendo assim o nosso problema.
O sistema de equaes acima pode ser rearranjado de forma a facilitar o

clculo de a e de b atravs das expresses:
a = Y bX

XY
( X Y )
n
b=
(X )
2
X 2
n

Embora muitos pacotes estatsticos estejam disponveis para o clculo

direto da reta de regresso e mesmo que alguns aplicativos do Excel possam
120
calcular a expresso da reta, conveniente mostrar esse processo para a

compreenso do engenhoso mtodo de construo da equao da reta de
regresso a partir dos dados amostrais.
Determinao da equao
da reta para o problema dos gastos em P&D
A partir dos dados das 15 empresas, vamos determinar, atravs do mtodo
de mnimos quadrados ordinrios, a equao da reta que explica a relao
entre os gastos em planejamento e desenvolvimento (X) e o faturamento de
empresas de informtica (Y).
A tabela abaixo apresenta os clculos necessrios para a determinao

de a e de b:
Empresa X Y XY X2 Y2
A 15,00 221,00 3 315,00 225,00 48 841,00
B 8,50 83,00 705,50 72,25 6 889,00
C 12,00 147,00 1 764,00 144,00 21 609,00
D 6,50 69,00 448,50 42,25 4 761,00
E 4,50 41,00 184,50 20,25 1 681,00
F 2,00 26,00 52,00 4,00 676,00
G 0,50 35,00 17,50 0,25 1 225,00
H 1,50 40,00 60,00 2,25 1 600,00
I 14,00 125,00 1 750,00 196,00 15 625,00
J 9,00 97,00 873,00 81,00 9 409,00
K 7,50 53,00 397,50 56,25 2 809,00
L 0,50 12,00 6,00 0,25 144,00
M 2,50 34,00 85,00 6,25 1 156,00
N 3,00 48,00 144,00 9,00 2 304,00
O 6,00 64,00 384,00 36,00 4 096,00
Total 93,00 1 095,00 10 186,50 895,00 12 2825,00
121
Assim, os valores de a e de b so determinados por:
a = Y bX
Y=
Y = 1 095 = 73
n 15
X=
X = 93 = 6,2
n 15
a = 73 (6,2).b
O clculo de a se completar aps o clculo do valor de b, que dado por:

XY
X Y( )
n
b=
(X )
2
X 2
n

(93) . (1 095)
10 186,5
15
b= (93)2
895
15
b= 10,67054
Retornando ao clculo de a teremos:
a = 73 (6,2).(10,67054) = 6,842651
Portanto, a reta de regresso calculada ter a forma:
= 6,84 + 10,67 X
A partir da qual se podem fazer predies para o valor do faturamento em

relao a um dado valor de investimento em P&D, bastando para isso substi-
tuir X pelo valor da aplicao em pesquisa e desenvolvimento. Por exemplo,
se uma empresa fizer um investimento de R$2 milhes em P&D dever ter
um faturamento de = 6,84 + 10,67 . (2) = 28,18, ou R$28.180.000,00. Observe
que a empresa F, que fez um investimento de R$2 milhes, teve um fatura-
mento de R$26.000.000,00, bem prximo do esperado.
122
Essa diferena entre o valor de faturamento estimado para a firma F e o

realmente realizado devido ao acaso. Distores maiores poderiam
acontecer. Mais frente, construiremos intervalos de confiana para essas
previses.
Do modelo ainda podemos concluir que, se no houver investimento

em P&D, uma empresa do ramo deve ter um faturamento aproximado de
R$6,84 milhes, no caso de X = 0. E ainda, para cada R$1 milho aplicado
em pesquisa e desenvolvimento, o retorno esperado no faturamento de
R$10,67 milhes.
Pressupostos da anlise
de regresso linear (base terica do modelo)
Existem, fundamentalmente, duas razes para se estudar os pressupostos
do modelo de regresso linear simples: (I) quando falamos em erro estatsti-
co, reta mdia, mtodo dos mnimos quadrados ordinrios e outros termos,
que j foram apresentados anteriormente, necessrio que saibamos que h
algumas restries no seu uso. O modelo de regresso um modelo mate-
mtico que objetiva descrever um fenmeno real atravs de uma expresso
matemtica. Naturalmente, isso implica em uma simplificao da realidade e,
por isso, fazemos restries para que essa simplificao funcione matemati-
camente; (II) a verificao da bondade do ajustamento, ou de outra forma,
da fora de representao do modelo com relao ao fenmeno que se est
estudando implica entre outros procedimentos a realizao de testes de hi-
pteses estatsticas, que s podem ser realizados se conhecermos a forma da
distribuio dos erros e dos valores de Y.
Reta de regresso populacional

O uso de uma varivel para predizer os valores de outra varivel deve ser
visto como um problema de inferncia estatstica. A populao consiste de
todos os pares de observaes das variveis independentes e varivel de-
pendente. As estimativas so realizadas atravs de somente uma amostra
dessa populao. No nosso exemplo, selecionamos apenas uma amostra de
15 empresas de informtica que investiram em planejamento e desenvolvi-
mento, mas desejamos fazer predies para todas as empresas com caracte-
rsticas semelhantes e muitas delas no foram contempladas na amostra.
123
O grfico abaixo mostra a relao entre as duas variveis envolvidas:
P(X = x)
A figura mostra que a relao populacional entre as duas variveis linear.

Observe que quando o valor do investimento igual a R$2 milhes (X = 2), Y
pode assumir qualquer valor ao longo da reta paralela ao eixo Y. Da mesma
forma para X = 4 ou para qualquer outro valor.
A reta real passa exatamente pelo ponto que representa a mdia da distri-
buio de Y quando X assume um particular valor, seja ele 2, 4 ou algum outro
valor. Esse fato pode ser representado atravs de uma distribuio condicio-
nal de Y dado um particular X [ f(Y/X = 2) ], cuja mdia ou esperana matem-
tica dada por E(Y/X = 2), justamente o ponto em que a reta corta a paralela
ao eixo Y. Assim o fenmeno real pode ser representado por uma srie de
distribuies condicionais paralelas.
Essa reta ento chamada de reta de regresso populacional ou reta de

regresso verdadeira.
Para cada valor de X temos uma distribuio de probabilidades associada

a esse valor e, como toda distribuio de probabilidades ela tem uma deter-
minada mdia e um determinado desvio-padro (tem tambm claro uma
varincia associada).
A mdia pode ser representada por E(Y/X = x) ou Y.X e o desvio-padro

pode ser representado por Y.X, cujo quadrado a varincia.
124
A reta Y = + X passa ento pelos diversos valores das mdias das dis-
tribuies e os seus parmetros populacionais e devem ser estimados
atravs de dados amostrais.
As distribuies condicionais de probabilidades descrevem a variao de

Y para cada valor de X. A reta que liga os pontos das mdias das distribuies
Y.X a reta de regresso populacional que pode ser mais adequadamente
apresentada como E[Y/X] = + X.
Pressupostos do modelo de regresso linear

Em adio suposio de relao linear entre as variveis, as seguintes
trs suposies esto envolvidas no modelo de regresso linear:
(I) os valores de Y so independentes entre si;
(II) as distribuies de probabilidades condicionais de Y dado X so

normais;
(III) os desvios-padres Y.X so iguais para todos os valores de X.
A primeira suposio significa que existe independncia entre as obser-

vaes. Isso pode significar, por exemplo, que um baixo valor para Y na pri-
meira observao no implique tambm em baixo valor de Y na segunda.
A segunda suposio significa que para cada valor de X estamos as-

sumindo que os valores de Y so normalmente distribudos em torno de Y.X.
Como veremos adiante, essa suposio til para fazermos declaraes de
probabilidades acerca das estimativas da varivel dependente Y.
A terceira suposio implica que existe a mesma quantidade de variabili-

dade em torno da reta de regresso para cada valor da varivel independen-
te X. Essa caracterstica chamada de homocedasticidade. Note que somente
Y considerada uma varivel aleatria enquanto X considerado como fixo.
Ento, o valor de Y que est sujeito a erro, uma vez que assumimos que X
conhecido.
Vale a pena observar que nem sempre essas trs suposies so encon-
tradas no mundo real. Mas, muitas vezes, so aproximadamente verdadeiras,
o que permite o uso do modelo.
125
Verificao da bondade do modelo

Retornamos ao exemplo da aplicao de recursos em P&D e o faturamen-
to de empresas de informtica. At aqui determinamos a equao da reta de
regresso, verificamos o significado dos coeficientes angular e linear e fize-
mos uma estimativa pontual de valores de faturamento (Y) para um certo
investimento em P&D (X).
Neste ponto conveniente verificar se o modelo ajustado adequado para

descrever a relao entre X e Y. Para esse propsito, necessitaremos que os pres-
supostos expostos acima sejam obedecidos. Faremos essa verificao atravs
de alguns procedimentos. Calcularemos os coeficientes de determinao e de
correlao e faremos testes de hipteses para verificar se o modelo estatistica-
mente significativo. Testaremos a significncia do coeficiente de correlao e do
coeficiente angular e faremos um teste F para verificar todo o modelo.
Coeficiente de determinao
O clculo do coeficiente de determinao ou coeficiente de explicao ser til
para dizer o quanto da variao de Y pode ser explicado pela variao de X.
Vamos verificar exatamente de que forma o coeficiente de determinao

(r ) pode auxiliar na tarefa de verificao da bondade do modelo. A inter-
2
pretao ser feita em termos da variao na varivel dependente Y. A figura

abaixo, em que somente um ponto ser considerado, fornece uma interpre-
tao grfica da situao.
Y
Y Y
YY
YY
YY
Y
126
Nesse contexto, trs pontos e trs distncias sero considerados. O ponto

Y o valor real observado para um determinado X. O ponto o valor da es-
timativa de Y para o valor de X considerado. E o ponto Y a mdia dos valo-
res de Y. Se o modelo no fosse significativo, a reta de regresso estaria muito
prxima da reta = Y, paralela ao eixo X. Ou seja, a mudana dos valores de X
no implicariam mudanas em Y. Esse conceito ser reforado no estudo do
coeficiente de correlao.
Para o ponto considerado, podemos pensar que a variao total (Y Y)

a soma das parcelas correspondentes variao devida regresso ( Y)
e a variao devida ao acaso (Y ).
A variao devida regresso ou explicada pela regresso pode ser ex-

pressa pela diferena ( Y) porque se no houvesse regresso o valor de
seria a prpria mdia de Y, Y.
A variao devida ao acaso o erro estatstico ou resduo, conforme j

apresentado anteriormente. Se o modelo fosse determinstico, todos os
pontos estariam sobre a reta de regresso e Y seria igual a , de forma que a
diferena Y seria igual a zero.
Se considerarmos todos os pontos amostrais, poderemos estabelecer

ento a seguinte relao:
(Y Y)2 = ( Y)2 + (Y )2
Variao total, variao explicada e variao no-explicada.

( )
2
A razo
Y Y
, entre a variao explicada pela regresso e a variao
(Y Y )
2
total a proporo da variao que explicada pelo modelo. Esse valor

conhecido como coeficiente de explicao ou coeficiente de determinao.
( Y)2
r2 = Variao explicada =
Variao total (Y Y)2
Pode-se observar que r2 varia de zero at um.
Se no houver regresso, todos os pontos estimados estaro sobre a reta

Y e, portanto, a soma ( Y)2 ser igual a zero. Se o denominador for igual
a zero, significa que r2 tambm ser igual a zero. Neste caso a variao total
ser igual somente variao no explicada. Ou, ainda, qualquer variao na
127
observao de Y ser devida ao acaso e, portanto, o modelo matemtico no

explicar nada. Esse o menor valor possvel para r2. O modelo explica zero
porcento da variao de Y.
Por outro lado, se todos os pontos de Y observados estiverem sobre a

reta, no h nenhuma variao devida ao acaso. Toda variao explicada
pelo modelo e nesse caso a variao explicada igual variao total e assim
r2 = 1. Ou seja, 100% da variao total devida regresso.
Uma forma simplificada de realizar esse clculo atravs da expresso:
a Y + b XY n Y 2
( )
r2 =
Y2 n Y
2
( )
No nosso exemplo,
(6, 84).(1 095) + (10, 67).(10 186,5) - (15).(73)2 36 244,75

r2 = = = 0, 845
(122 825) - (15).(73)2 42 890
Assim, conclumos que 84,5% da variao de Y (faturamento) explica-

da por X (gastos em P&D). Os outros 15,5% da variao do faturamento
so explicados por outras variveis como investimento em propaganda,
concorrncia de empresas estrangeiras etc. Podemos tambm afirmar que
o modelo de regresso construdo tem alto poder de explicao. Esta ltima
afirmao pode ser confirmada atravs da Anlise de Correlao e da testa-
gem de hipteses que sero feitas na seqncia.
Quando a populao pequena, o coeficiente de determinao pode ser

afetado pelo tamanho da amostra. Nesse caso, sugere-se o clculo do coe-
ficiente de determinao ajustado. Lembrar que uma regresso realizada so-
mente com dois pontos amostrais ter sempre coeficiente de determinao
igual a 1.
128
A expresso para o clculo do coeficiente de determinao ajustado

dada abaixo:
* * 1)1)
(n(n
r 2r 2= =11 . 11r r
2 2
(
n(n
2 )
2 )

No nosso problema, o valor do coeficiente de determinao ajustado igual

a 0,833, que no difere de forma substancial do primeiro valor encontrado.
Coeficiente de correlao
O coeficiente de correlao uma medida da relao entre as variveis X e
Y. Ele varia entre os valores 1 e 1, passando pelo zero.
Se no existe correlao entre as variveis X e Y, o coeficiente de cor-

relao ser igual a zero. Se a relao entre X e Y for perfeita, isto , se todos
os pontos amostrais estiverem sobre a reta de regresso, o coeficiente de
variao ter valor igual a 1, no caso de a correlao ser perfeita e positiva,
ou seja, se o crescimento de X implicar crescimento de Y e ser igual a 1
se a correlao perfeita for negativa, ou seja, o crescimento de X implica em
decrescimento de Y.
No caso da correlao igual a zero, no haver tendncia da reta, ela ser

paralela ao eixo X. O diagrama de disperso se constituir de uma nuvem
de pontos em torno da reta de regresso paralela ao eixo X, conforme gr-
fico abaixo:
129
Se a correlao for perfeita e positiva, o coeficiente de correlao ser

igual a 1.
Se a correlao for perfeita e negativa, o coeficiente de correlao ser

igual a 1.
O que ocorre na prtica, no entanto, que o coeficiente de correlao

assume valores intermedirios entre os extremos expostos acima. No h uma
regra nica para se avaliar a fora da relao atravs do coeficiente de correla-
o. No entanto, h indicativos que podem orientar a deciso sobre a fora de
uma relao. Uma proposta bem aceita a que segue na tabela abaixo:
Coeficiente de correlao (r) Fora da relao

r=0 No h correlao.
0 < |r| 0,5 Correlao fraca.
0,5 < |r| 0,75 Correlao moderada.
0,75 < |r| 0,9 Correlao forte.
130
Coeficiente de correlao (r) Fora da relao

0,9 < |r| < 1 Correlao muito forte.
r =1 Correlao perfeita.
Os grficos abaixo apresentam algumas das situaes expostas na tabela:
Correlao forte e negativa
Correlao forte e positiva
Correlao no linear
131
Correlao fraca e positiva
Como vimos, o coeficiente de correlao pode ser calculado como a raiz

quadrada do coeficiente de determinao. Uma outra forma de determin-lo
diretamente atravs da expresso:

XY
( X) . ( Y )
n
r=
( X) ( Y)
2 2
(X )
2
n
(Y )
2
Uma forma tecnicamente mais avanada para verificar se existe relao

entre as variveis em estudo atravs da realizao de um teste de hipte-
ses sobre o coeficiente de correlao populacional representado pela letra
grega ro (). O coeficiente de correlao amostral r.
As hipteses nula e alternativa podem ser expressas como segue:

H0: = 0 (no h correlao linear significativa);
H1: 0 (correlao linear significativa).
A estatstica do teste dada por:
r
t=
(1 r ) 2
(n 2)
que tem distribuio t de Student com n-2 graus de liberdade.

132
Para o problema do investimento em planejamento e desenvolvimen-

to em estudo neste captulo verificamos que o valor do coeficiente de cor-
relao de 0,919, portanto, um valor que revela uma relao positiva e forte
entre as variveis em estudo. Uma observao importante a ser feita neste
ponto o de que o sinal do coeficiente angular tem que ser o mesmo do
coeficiente de correlao. Neste caso, ambos positivos indicando uma cor-
respondncia direta entre as variveis investimento em P&D e faturamento
de empresas de informtica.
A estatstica do teste de significncia para o coeficiente de correlao :
0, 919
t= = 8, 42
(1 0, 845)
(15 2)
Esse valor de t, com 13 graus de liberdade, est associado a um nvel de

significncia de 0,0000013. Ou seja, podemos afirmar com nvel de confiana
de praticamente 100% que o coeficiente de correlao diferente de zero,
ou ainda, a correlao entre as variveis X e Y altamente significativa.
Uma observao de ordem terica importante deve ser feita nesse ponto.
Embora na regresso somente a varivel Y seja uma varivel aleatria, portan-
to X fixo, na Anlise de Correlao supe-se que ambas as variveis sejam
aleatrias. Se X de fato fixado de antemo, no se aplica essa testagem de
hipteses e a avaliao deve ser feita somente para o valor de r e de r2.
Um outro alerta deve ser feito: a testagem de hipteses para o coeficiente

de correlao feita somente para a hiptese = 0, que pode ser bilateral
ou unilateral, mas no pode ser feita para qualquer outro valor diferente de
zero. Assim, muitas vezes o teste resulta em significncia do coeficiente de
correlao, mas ele pode ainda ser fraco e, portanto, dependendo de sua
dimenso, vale a pena fazer a anlise somente atravs do coeficiente de
determinao.
Teste de hipteses
para o coeficiente angular da reta ()
Para que o modelo de regresso seja significativo, o ngulo entre a reta de
regresso e o eixo X tem que ser bem maior do que zero, ou, de outra forma, a
sua tangente representada pelo coeficiente angular tem que ser bem maior
133
que zero. Vimos que quando a reta de regresso paralela ao eixo X no h

correlao entre as variveis independente e dependente, isto , a variao
dos valores de X no implica nenhuma ou pouca variao dos valores de Y.
Dessa forma, uma maneira de verificar se o modelo de regresso signifi-

cativo atravs da verificao da seguinte hiptese estatstica:
H0: = 0
H1: 0
A estatstica associada a esse teste :
(b b )
t=
Sb
Esta tem distribuio t de Student com n 2 graus de liberdade, em que Sb

o erro-padro da estimativa do coeficiente de regresso e dado por:
SY,X
Sb =
(X X )
2
E Sy.x, o desvio-padro dos resduos o estimador de Y.X, o desvio-padro

da reta de regresso populacional. Sy.x o erro-padro da estimativa da vari-
ncia condicional dos valores de Y em torno da reta de regresso populacio-
nal. Sua expresso :
SY,X =
(Y Y )2
n2
Ou de uma forma mais simples de clculo:
Y 2 a Y b XY
SY,X =
n2
importante distinguir a diferena entre SY.X de SY e de SX. O SY.X diz respei-

to disperso dos dados em relao reta de regresso e, portanto, envolve as
134
duas variveis Y e X. A soma (Y )2 pode ser expressa como (Y (a + bX))2

uma vez que = a + bX.
J SY diz respeito disperso dos valores de Y em torno de sua mdia e sua

expresso :
(Y Y )
2
SY =
n 1
Da mesma forma, SX diz respeito disperso dos valores de X em torno de

sua mdia e sua expresso :
(X X )
2
SX =
n 1
Para o problema do investimento em P&D, buscaremos investigar se o

modelo proposto significativo atravs do teste de hipteses apresentado
acima:
H0: = 0
H1: 0
Atravs da estatstica:
t=
(b b )
Sb
Como vimos, a estatstica acima tem distribuio t de Student com

(n2) graus de liberdade.
Para determinao de t devemos calcular o valor de Sb:
SY,X
SSY,XY,X SY,X
SSY,XY,X
SbSS=
b b== = ==
(X((XXXX)X))

2 22
X XX
n(n(2 22
.X
Xn() X) ) 2 22
onde,
Y 2 a Y b XY
SY,X =
n2
135
Retomando os dados originais, temos:
Empresa X Y XY X2 Y2
A 15,00 221,00 3 315,00 225,00 48 841,00
B 8,50 83,00 705,50 72,25 6 889,00
C 12,00 147,00 1 764,00 144,00 21 609,00
D 6,50 69,00 448,50 42,25 4 761,00
E 4,50 41,00 184,50 20,25 1 681,00
F 2,00 26,00 52,00 4,00 676,00
G 0,50 35,00 17,50 0,25 1 225,00
H 1,50 40,00 60,00 2,25 1 600,00
I 14,00 125,00 1 750,00 196,00 15 625,00
J 9,00 97,00 873,00 81,00 9 409,00
K 7,50 53,00 397,50 56,25 2 809,00
L 0,50 12,00 6,00 0,25 144,00
M 2,50 34,00 85,00 6,25 1 156,00
N 3,00 48,00 144,00 9,00 2 304,00
O 6,00 64,00 384,00 36,00 4 096,00
Total 93,00 1 095,00 10 186,50 895,00 122 825,00
Y=
Y = 1 095 = 73
n 15
X=
X = 93 = 6,2
n 15
a = 6,842651
b = 10,67054
136
Assim,
122
122
122
122
825
825
825
825(6,
(6, (6,
842651).(1
(6,842651).(1
842651).(1
842651).(1
095)
095)
095)
095) (10,
(10,(10,
(10,
67054)(10
67054)(10
67054)(10
67054)(10
. 186,5)
186,5)
186,5)
186,5)
SY,X =
Y,X=
SSY,X
SY,X == = ===510,53
510,53= =22,59483
510,53
510,53 ==22,59483
22,59483
22,59483
1515
15
15 2222
22,5949
Sb = = 1,266
895 15.(6,2)2
10, 67054
t= = 8, 427
1,266
O nvel de significncia (p valor) correspondente a t = 8,427 com 13

graus de liberdade igual a 0,00000126, altamente significativo.
Conclumos ento com 99,99% de confiana que o modelo proposto re-

presenta bem a relao entre as variveis investimento em P&D e faturamen-
to de empresas de informtica.
Complementarmente, podemos construir um intervalo de confiana para

o parmetro , escolhendo o nvel de confiana e o valor de t associado a
esse nvel fazendo b t Sb.
Se quisermos construir um intervalo de confiana de 95% para , verifica-

mos que para 13 graus de liberdade o valor de t ser igual a 2,16, obtemos para
b t Sb os valores 10,67 (2,16)(1,266) =10,67 2,74. Assim, temos ento uma
confiana de 95% que o verdadeiro valor de estar entre 7,93 e 13,41.
Anlise de varincia da regresso

Um procedimento semelhante a testar a significncia de no modelo de
regresso linear simples a realizao da anlise de varincia da regresso,
que consiste fundamentalmente em trabalhar com o modelo de variaes
dado pela expresso abaixo, j estudada no contexto do coeficiente de
determinao:
(Y Y ) = (Y Y ) + (Y Y )
2 2 2
137
Variao total/variao explicada/variao no-explicada
Fonte de Graus de Soma de Quadrados

Estatstica F
variao liberdade quadrados mdios
2
(Y Y ) Q.M. Modelo
( )
2
Modelo 1 Y Y
1 Q.M. Resduo
2
2 (Y Y )
Resduo n2 (
Y Y )
n2
2
Total n1 (Y Y )
Os graus de liberdade do modelo correspondem ao nmero de variveis

independentes (no caso da regresso linear simples, um s X). Os graus de
liberdade total so sempre iguais a n 1 e o do resduo a diferena entre o
g.l. total e g.l. do modelo.
Substituindo os valores derivados dos dados na tabela, teremos:
Fonte de Graus de Soma de Quadrados

Estatstica F
variao liberdade quadrados mdios
Modelo 1 36 253,16 36 253,16 71,011
Resduo 13 6 636,84 510,53
Total 14 42 890
O nvel de significncia da estatstica F para 1 e 13 graus de liberdade de

0,00000126. Altamente significativo. Ento o teste F para o modelo conduz
concluso de que o modelo como um todo explica muito bem a relao
entre as duas variveis consideradas.
Nesse ponto, algumas observaes so pertinentes:
1. o nvel de significncia para o teste t para o parmetro (0,00000126)

exatamente igual ao nvel de significncia para o teste F da anlise de
varincia;
2. o valor de F = 71,011 o quadrado do valor de t = 8,427. Isso sempre

ocorre na regresso linear simples. Este um resultado terico de ope-
raes entre distribuies de probabilidade, cuja complexidade est
fora do contexto do presente livro;
138
3. o valor do quadrado mdio do resduo, 510,53 igual ao quadrado do

valor do quadrado do erro-padro da estimativa SY,X = 22,59483. Esse
resultado no coincidncia. O quadrado de SY,X a estimativa da va-
riabilidade total.
Predio e intervalos de predio

Como j vimos, a reta de regresso um instrumento til para se fazer
predies. Ou seja, podemos, atravs da substituio de valores de X, na
equao da reta = a + bX, fazer previses para valores da varivel de-
pendente Y. No exemplo das empresas de informtica, podemos fazer pre-
dies de faturamento tendo em conta os investimentos em pesquisa e
desenvolvimento.
Como trabalhamos em um ambiente de incerteza, a estimativa pontual no

uma informao suficiente. Em torno dos valores estimados pontualmente
devemos construir intervalos nos quais os parmetros devam pertencer.
Duas situaes ento so postas. A primeira diz respeito construo de

um intervalo de confiana para a mdia populacional do faturamento das em-
presas de informtica e a segunda, construo de um intervalo de confiana
para uma empresa individual. A diferena que, na primeira estimativa, es-
tamos preocupados com o faturamento mdio de empresas que investem
certo valor fixado em P&D. No segundo caso, o foco para uma particular
empresa.
Intervalo de confiana da
estimativa da mdia populacional
Assumindo que a varivel dependente normalmente distribuda, pode-
mos calcular os limites superior e inferior de um intervalo de confiana para a
mdia de Y atravs de:
Y tSY
SY
Em que SY = e t o valor da estatstica da distribuio t de Student
n
com n 1 graus de liberdade.
139
O valor de SY dado pela expresso SY = (Y Y )

, conforme visto
2
n 1
anteriormente. Esse valor pode mais facilmente ser calculado atravs da
expresso SY =
Y 2 n . (Y )2
.
n 1
No exemplo das empresas de informtica, temos:
Ybarra = 73
12 2825 15.(73)2
SY = = 55,34954
14
SY 55,34954
Em que SY = = = 14,29
n 15
T13g.l. = 2,160
O intervalo de confiana de 95% ser ento:
73 (2,160) . (15,3512) = 73 33,16
Os limites inferior e superior para a predio da mdia, sero, respectiva-

mente, 39,84 e 106,16. O valor mdio esperado de faturamento ser de R$73
milhes, podendo-se afirmar com 95% de confiana que esse valor no ser
inferior a R$39,84 milhes nem superior a R$106,16 milhes.
Se substituirmos em = 6,842651 + 10,67054X, a reta de regresso X pelo

valor de sua mdia X, teremos = 6,842651 + (10,67054)(6,2) = 73. Esse fato
decorre da propriedade que a reta de regresso passa pelo ponto (X, Y).
Esses so os limites da previso mdia de faturamento para todas as em-

presas do setor.
Mas se um grupo de empresas investe em P&D um outro valor de X0, diga-

mos R$2 milhes, ou se uma empresa investe em mdia esse valor, o interva-
lo de confiana para o seu faturamento ser dado por:
t S
Em que o erro-padro da estimativa S, ser dado por:
1
+ (X 0 X )
2
n
SY = SY,X .
( X X )2
140
Aplicando os valores do problema das firmas de informtica para X0 = 2

nessas expresses, obteremos:
= 6,842651 + 10,67054X = = 6,842651 + 10,67054.(2) = 28,18373
Uma vez que SY,X = 22,59483 e que S pode ser expresso pela expresso
mais conveniente:
1
+ (X 0 X )
2
n
SY = SY,X
X 2 n . ( X )2
Temos que:
1
+ (2 6,2)
2
15
SY = 22,59483. = 5,328328
895 (15) . (6,2)2
Sabendo que t13g.l. = 2,160, o intervalo de confiana de faturamento para a

mdia de investimento de R$2 milhes ter como limites inferior e superior
os valores abaixo:
Limite inferior ser igual a 28,18 (2,160) . (6,64) = 28,18 14,34 =

13,84 e o limite superior ser igual a 28,18 + (2,160) . (6,64) = 28,18 +
14,34 = 42,52.
Conclumos ento que, em mdia, o faturamento das empresas que in-

vestirem R$2 milhes em P&D ser de aproximadamente R$28,18 milhes,
e ainda podemos afirmar, com 95% de confiana, que esse valor no ser
inferior a R$13,84 milhes nem superior a R$42,52 milhes.
da estimativa de um valor individual de Y
Se estivermos interessados na estimativa de faturamento de uma nica
empresa que aplicou R$2 milhes em P&D, a forma de determinar o intervalo
de confiana muda um pouco. Na realidade, o que muda no procedimento
o clculo do erro-padro da estimativa que ser dado por:
1
1+ + (X 0 X )
2
n
SY individual = SY,X
( X X )2
141
No nosso problema:
1
1+ + (2 6,2)
2
15
SY = 22,59483. = 5, 4767
895 15.(6,2)2
Mais uma vez utilizando t13g.l. = 2,160, o intervalo de confiana de fatu-

ramento de uma empresa individual para um investimento de R$2 milhes
ter como limites inferior e superior os valores abaixo:
Limite inferior ser igual a 28,18 (2,160) . (5,4767) = 28,18 11,83 =

16,35, e o limite superior ser igual a 28,18 + (2,160) . (5,4767) = 28,18
+ 11,83 = 40,01.
Observe que o intervalo de confiana para a estimativa do faturamento

de uma empresa individual muito mais extenso do que o intervalo para a
estimativa da mdia do investimento, isso porque, para a mdia de investi-
mento, temos mais informao do que no caso de uma empresa individual.
O grfico abaixo ilustra as duas situaes.

y
y
mdia uma empresa
1. Uma cadeia de supermercados financiou um estudo dos gastos com
mercadorias para famlias de quatro pessoas. A pesquisa se limitou a
famlias com renda entre R$10.000,00 e R$20.000,00. Obteve-se a se-
guinte equao:
Y = 400 + 0,10X
Suponha que a equao proporcione um ajustamento razoavelmente

bom e que os dados tenham sido obtidos por mtodos de amostra-
gem aleatria.
142
a) Estime a despesa de uma famlia de quatro pessoas com renda

anual de R$15.000,00.
b) Um dos vice-presidentes da empresa ficou intrigado com o fato de

a equao aparentemente sugerir que uma famlia com R$4.000,00
de renda no gaste nada em mercadorias. Qual a explicao?
2. Uma determinada ao apresentou o seguinte comportamento du-

rante a ltima semana:
Preo 21,00 20,94 20,78 20,56 20,49

Dia Seg Ter Qua Qui Sex
a) Ajuste a equao de regresso linear para o valor da ao no de-

correr da semana.
b) Determine estatisticamente qual o valor da ao para a tera-feira

da prxima semana.
3. Uma empresa, estudando como varia a demanda de certo produto (em

unidades) em funo do preo de venda (em R$), obteve a seguinte equa-
o: = 1 028,07 2,90X . Por meio dessa informao deseja-se saber:
a) Qual a influncia do preo sobre a demanda, ou seja, o que ocorre

com a demanda a cada R$1,00 de aumento no preo?
b) Ao preo atual de venda, a quantidade mensal absorvida pelo mer-

cado de 80 unidades menos que a capacidade atual de produo
da empresa. Estime em quanto deve ser reduzido o preo de ven-
da para que a empresa possa utilizar toda a capacidade total.
4. Um jornal quer verificar a eficcia de seus anncios na venda de carros

usados. A tabela abaixo mostra o nmero de anncios publicados e o
correspondente nmero de carros vendidos por seis companhias que
usaram apenas esse jornal como veculo de propaganda.
Companhia A B C D E F
Anncios 74 45 48 36 27 16
Carros vendidos 139 108 98 76 62 57
a) Ajuste a equao de regresso para o modelo.
b) Interprete o coeficiente de explicao R2.
143
c) Para uma venda de 200 carros, quantos anncios devem ser feitos,
segundo o modelo?
d) Como voc argumentaria com a companhia F para que ela aumen-

tasse o nmero de anncios?
5. Num estudo realizado com famlias domiciliadas em So Paulo, veri-

ficou-se, para as variveis gastos com seguro de vida e nmero de fi-
lhos, uma correlao 0,92. Essa informao indica que:
a) a correlao forte entre os gastos com seguro e o nmero de filhos.
b) a correlao negativa entre os gastos com seguro e o nmero

de filhos.
c) no h correlao entre os gastos com seguro e o nmero de filhos.
d) a correlao moderada entre os gastos com seguro e o nmero

de filhos.
6. Uma grande rede de supermercados deseja determinar o efeito de

uma promoo sobre a concorrncia relativa. Para isso, obteve dados
de 15 estados sobre as despesas de promoes relativas de um con-
corrente vulto (despesas do concorrente = 100) e sobre as vendas des-
se concorrente (vendas do concorrente =100).
a) Voc deve informar ao gerente se h alguma relao entre as des-

pesas promocionais relativas e as vendas relativas.
b) Ajuste a equao de regresso das vendas com as despesas pro-

mocionais.
c) Se a companhia igualasse o concorrente em termos de despesas

promocionais (se as despesas promocionais fossem 100), qual se-
ria a venda relativa da companhia?
d) Interprete o r2 resultante.
144
Despesa promocional relativa e vendas relativas por estado
Estado Despesa promocional relativa Vendas relativas
1 95 98
2 92 94
3 103 110
4 115 125
5 77 82
6 79 84
7 105 112
8 94 99
9 85 93
10 101 107
11 106 114
12 120 132
13 118 129
14 75 79
15 99 105
145
Teoria da deciso
Problema
A empresa ABC est fabricando um novo equipamento que deseja dispo-
nibilizar para o mercado. sabido que o investimento em propaganda pode
trazer um grande retorno se a vendagem do produto for alta. No entanto, o
investimento tem um custo elevado e se a quantidade vendida do produto
no for alta, esse investimento em propaganda pode trazer prejuzo em-
presa. A questo colocada para a diretoria se ela deve ou no proceder ao
investimento em propaganda.
Duas aes so possveis de serem tomadas: a primeira, no investir em

propaganda e a segunda, realizar o investimento. Uma pesquisa extensiva
foi realizada e os cenrios que foram apresentados para a diretoria represen-
tavam trs possibilidades de venda (forte, moderada e fraca). Os resultados
financeiros podiam variar como segue.
No caso de investimento em propaganda, se as vendas do novo produ-

to forem fortes, o retorno financeiro pode chegar a R$90.000,00 por ms. Se
as vendas forem moderadas, o retorno pode chegar a R$30.000,00 e se as
vendas forem fracas, a empresa pode ter um prejuzo de R$4.000,00. Na hi-
ptese de no se fazer o investimento em propaganda os retornos esperados
para as trs situaes de venda sero R$60.000,00, R$10.000,00 e R$2.000,00
dependendo de as vendas serem fortes, moderadas ou fracas.
Diante desse quadro de possibilidades, qual a ao que a diretoria deve

tomar de forma a potencializar as suas possibilidades de lucro?
A tabela abaixo resume as situaes de retorno expostas:
A1 = Investir em A2 = No investir
Eventos
propaganda (R$) em propaganda (R$)
1 = venda forte 90 60
2 = venda moderada 30 10
3 = venda fraca -4 2

Observa-se que nenhuma das aes prefervel em todos os eventos ou

estados da natureza. A ao de investir em propaganda prefervel nos casos
de futuras vendas fortes ou moderadas, mas, se a venda for fraca, a ao pre-
ferida no investir em propaganda.
Se a diretoria soubesse com certeza qual evento ocorreria, o processo de

deciso seria simples. Bastaria olhar para a linha que representasse maior
ganho e selecionar a ao que produzisse o melhor rendimento. No entanto,
a incerteza de que evento ocorrer torna o problema mais interessante.
Diferentes critrios de seleo da melhor ao podem ser sugeridos.

Se houvesse ainda a possibilidade de agregar mais informaes sobre as
probabilidades de ocorrncia de cada um dos eventos, a tomada de deci-
so poderia ser realizada com base nessas informaes, o que seria muito
desejvel.
A tomada de deciso gerencial tem crescido em complexidade e os ins-
trumentos da Teoria de Deciso Estatstica tm se tornado um importante
modelo para se fazer escolhas racionais entre aes alternativas quando
a informao incompleta e sob ambiente de incerteza. O problema de
deciso sob estudo pode ser representado por um modelo que compreende
cinco elementos.
O tomador de deciso
o agente a quem cabe a responsabilidade por tomar as decises. O to-
mador de decises pode ser um indivduo, uma corporao, uma agncia
governamental e assim por diante.
Aes
A deciso envolve uma seleo entre duas ou mais alternativas de aes.
O problema escolher a melhor entre essas aes alternativas. Algumas
vezes o tomador de decises deve escolher a melhor das estratgias dispo-
nveis, em que cada estratgia uma regra de deciso que indica qual ao
deve ser tomada em resposta a um tipo especfico de informao amostral
ou experimental.
148
Teoria da deciso
Eventos
Os eventos esto fora do controle do tomador de decises, que no
sabe ao certo qual evento de fato ocorrer. Os eventos se constituem de
um conjunto de resultados mutuamente exclusivos, isto , um e somente
um deles ocorrer. Os eventos tambm so chamados de estados da natu-
reza ou simplesmente resultados.
Ganho
a medida do resultado da opo por uma ao especfica. Os ganhos so
apresentados em tabelas de ganhos ou matrizes de ganho, que apresentam as
conseqncias de cada ao selecionada e cada evento que possa ocorrer.
Incerteza
A falta de definio de qual evento ou estado da natureza ir ocorrer
definido como incerteza. Essa incerteza ser indicada em termos de pro-
babilidades associadas aos eventos. Uma das caractersticas da Teoria Esta-
tstica de Deciso o assinalamento de probabilidades para a ocorrncia
desses eventos. Entre os tipos de probabilidades utilizadas est a probabili-
dade subjetiva.
A tabela de ganhos expressa em termos genricos. Assumimos que

existem n aes alternativas A1, A2 ... An e m possveis eventos ou estados
da natureza denotados por 1, 2 ... m. Os resultados de ganhos possveis so
denotados pela letra u com os indicadores respectivos de aes e eventos.
A letra u est sendo usada por sua associao com utilidade, conforme
ser mais bem explicado adiante. A matriz abaixo resume as relaes acima
descritas:
Aes
Eventos A1 A2 ... An
1 u11 u12 ... u1n
2 u21 u22 ... u2n
... ... ... ... ...
m um1 um2 ... umn
149
Como essas utilidades podem ser determinadas, ser assunto para este
captulo. Em sntese, a utilidade de se selecionar ao A2 e ter o resultado
do evento 1 denotada por u12 e assim por diante. A utilidade uij se refere
ao j e o evento i.
Se de antemo for sabido com certeza que o evento que ir ocorrer o

3, ento basta ao tomador de decises olhar ao longo da linha correspon-
dente qual a maior utilidade e assim definir que ao deve ser tomada. No
entanto, no mundo real, uma vez que o estado da natureza no de domnio
do tomador de decises, ele no sabe com certeza qual especfico evento ir
ocorrer. A escolha da melhor ao a ser tomada em face de um ambiente de
incerteza o problema central da tomada de deciso.
Critrios de escolha
utilizando distribuio a priori
Muitos diferentes critrios existem para selecionar a melhor ao. O crit-
rio mais imediato conhecido como o critrio maximin de ganho. Outros trs
critrios simples tambm so bastante utilizados. So normalmente conhe-
cidos como: ganho esperado sob incerteza, perda esperada de oportunidade e
critrio minimax da perda de oportunidade.
Critrio maximin de ganho

No mtodo chamado critrio maximin, o tomador de decises assume
que uma vez que uma ao seja escolhida, a natureza ser malevolente e
escolher o estado da natureza que minimize o rendimento de sua escolha.
O tomador de decises escolhe a ao que maximize o rendimento sob a
pior perspectiva.
Em outras palavras, o melhor do pior uma forma de proteo. No exem-

plo do investimento em propaganda, a matriz de rendimentos apresentada
abaixo:
A1 = Investir em A2 = No investir
Eventos
propaganda (R$) em propaganda (R$)
3 = venda fraca 4 2
150
Teoria da deciso
Se os diretores escolherem a ao A1, a natureza provocar a ocorrncia

de 3 e o resultado ser um prejuzo de R$4.000,00. Se o tomador de decises
escolher a ao A2, tambm a natureza provocar a ocorrncia de 3 e o lucro
ser de R$2.000,00.
Sendo assim, o tomador de decises dever escolher a ao que produza

o maior rendimento, no caso a ao A2. Isto , a empresa no deve inves-
tir em propaganda. Ento, o objetivo desse processo de deciso escolher
aquela ao que produza o mximo entre os mnimos rendimentos, por isso,
o termo maximin.
Naturalmente, o critrio maximin um tipo de critrio pessimista. No

razovel supor que um executivo tomaria decises ou deveria tomar de-
cises dessa forma. Na maioria das situaes, o critrio maximin congelaria
o tomador de decises em completa paralisia e implicaria que seria melhor
que ele mudasse de ramo de atividade.
Parece ser razovel que um tomador de decises deva levar em conta

as probabilidades de ocorrncia dos diferentes possveis estados da natureza.
Se, no exemplo acima, a probabilidade de vendas fracas for muito pequena,
no h porque concentrar-se sobre a possibilidade dessa ocorrncia. Os pr-
ximos procedimentos procuraro dar conta dessa alternativa.
Ganho esperado sob incerteza

Em um problema real de tomada de deciso, deve-se esperar que o toma-
dor de decises tenha alguma idia sobre a probabilidade de ocorrncia dos
vrios estados da natureza e que esse conhecimento possa ajudar na escolha
da melhor ao a ser tomada.
No exemplo em questo, se a diretoria percebe que as vendas do novo

produto sero fracas e que no compensaro o investimento em propaganda,
deve-se decidir pela ao A1. No entanto, se a diretoria percebe que o produ-
to pode ter uma boa aceitao, talvez valha a pena fazer um investimento em
propaganda.
Se o nmero de eventos e o nmero de aes possveis passarem a ser

muito grandes, o problema pode tornar-se muito complexo, e o tomador
de decises necessitar de outro tipo de mtodo para processar as informa-
es relevantes. No entanto, os procedimentos apresentados neste captulo
cobrem uma grande gama de problemas de tomada de deciso.
151
Voltando ao problema do investimento em propaganda. Nesse caso, a maxi-

mizao consiste em selecionar a ao que produza o maior ganho esperado.
Vamos assumir que a diretoria da empresa ABC tome o seguinte procedi-

mento de assinalamento de probabilidades para cada um dos eventos. Com
base em uma extensiva pesquisa da experincia passada com produtos seme-
lhantes e de acordo com a opinio de especialistas, a diretoria conclui que as
vendas podem ser moderadas (evento 2) em uma razo de 50 para 50. E mais,
concluem que um pouco menos provvel que as vendas aumentem com
investimento em propaganda (evento 1) do que as vendas sejam pequenas
(evento 3). Com base nessa perspectiva, a diretoria estabelece a seguinte dis-
tribuio de probabilidades subjetivas para os eventos em questo:
Evento Probabilidade
1 = venda forte 0,2
2 = venda moderada 0,5
3 = venda fraca 0,3
Total 1.0
Para determinar a base de escolha entre investir em propaganda (Ao

1) e no investir em propaganda (Ao 2), necessrio calcular o ganho es-
perado para cada ao. Como indicado na tabela abaixo, o ganho tratado
como uma varivel que toma diferentes valores dependendo de que evento
ocorra. O valor esperado de cada ao ser a mdia ponderada dos resultados
sob cada ato, em que os pesos so as probabilidades de que cada evento
possa ocorrer.
Ao 1: investir em Ao 2: no investir em
propaganda propaganda
Evento
Probabi- Resultado Probabili- Resultado
Resultado Resultado
lidade ponderado dade ponderado
1 0,2 90 18,0 0,2 60 12,0
2 0,5 30 15,0 0,5 10 5,0
3 0,3 -4 -1,2 0,3 2 0,6
Total 1,0 31,8 1,0 17,6
Resultado esperado: R$31.800,00 Resultado esperado: R$17.600,00
152
Teoria da deciso
Verifica-se que a diretoria pode esperar um resultado de R$31.800,00 de

retorno de vendas se investir em propaganda e de R$17.600,00 caso no in-
vista em propaganda. Para maximizar o ganho esperado, a diretoria deveria
selecionar a ao A1 e investir em propaganda.
Perda de oportunidade esperada

Um conceito til na anlise de deciso sobre incerteza o da perda de
oportunidade. A perda de oportunidade a perda causada pela falha em es-
colher a melhor ao. As perdas de oportunidade so calculadas separada-
mente para cada evento que pode acontecer.
Da ocorrncia de um especfico evento pode-se determinar a melhor

ao possvel. Para um dado evento, a perda de oportunidade a diferena
entre o ganho daquele ato e o ganho para o melhor ato que poderia ter sido
selecionado.
No exemplo do investimento em propaganda, se o evento 3 ocorrer

(vendas fortes) a melhor ao a A1, para a qual o ganho de R$90.000,00.
A perda para esta ao 90 90 = 0. O ganho para a ao A2 R$30.000,00
e a perda de oportunidade da ao A2 a quantidade que o ganho para
a melhor ao, ou seja, R$90.000,00 excedem os R$30.000,00 de ganho da
ao A2, que , portanto, R$90.000,00 R$30.000,00 = R$60.000,00.
A tabela das perdas de oportunidade para o problema em questo :
Tabela de ganhos Tabela de perda de

(R$) oportunidades (R$)
Evento A1 A2 A1 A2
1 = venda forte 90 60 0 30
2 = venda moderada 30 10 0 20
3 = venda fraca -4 2 6 0
Pode-se calcular agora as perdas de oportunidades esperadas, levando-se

em conta a distribuio de probabilidades subjetivas estimadas de maneira an-
loga ao que foi feito com o ganho esperado sob incerteza. O objetivo ser o de
escolher aquela ao com menor perda de oportunidade esperada.
As seguintes quantidades podem ento ser definidas POE(A1) e POE(A2)

como perda de oportunidade esperada para a ao de investir em propagan-
da e a perda de oportunidade esperada ao no se investir em propaganda:
153
Ao 1: investir em propaganda Ao 2: no investir em propaganda

Evento Probabi- Resultado Probabili- Resulta- Resultado
Resultado
lidade ponderado dade do ponderado
1 0,2 0 0,0 0,2 30 6,0
2 0,5 0 0,0 0,5 20 10,0
3 0,3 6 1,8 0,3 0 0,0
Total 1,0 1,8 1,0 16,0
Se a diretoria escolher a ao que minimize a perda de oportunidade

esperada, escolher a ao A1, a mesma ao selecionada sob o critrio de
maximizar o ganho esperado. Pode ser demonstrado que esse resultado no
ocorreu por acaso. Sempre a ao escolhida pelo critrio da maximizao do
ganho esperado tambm ser o escolhido para a minimizao da perda de
oportunidade esperada.
Critrio minimax
da perda de oportunidade
No mtodo do critrio minimax de perda de oportunidade, o tomador de
deciso seleciona a ao que minimiza a pior perda de oportunidade poss-
vel. Como no critrio de maximin, de maximizar os piores ganhos, o critrio
minimax para a perda de oportunidade toma uma perspectiva pessimista. O
tomador de deciso determina para cada ao a maior perda de oportunida-
de que pode ocorrer.
No exemplo em discusso, para a ao A2 a maior perda de oportunidade

possvel de R$16.000,00, para a ao A1, R$1.800,00. Ento, o tomador de
decises opta pela ao A2, que a de no se investir em propaganda.
Nesse exemplo, a ao escolhida pelo processo minimax foi a mesma da es-

colhida para o processo maximim, ao A2, mas esse fato nem sempre ocorre.
154
Teoria da deciso
Valor esperado da informao

perfeita (VEIP) ou o custo da incerteza
A quantidade perda de oportunidade esperada (POE) pode ser interpre-
tada tambm atravs do valor esperado da informao perfeita (VEIP) ou do
custo da incerteza (CI).
O valor esperado da informao perfeita (VEIP) a diferena entre o

ganho esperado com informao perfeita e o ganho esperado sob incerte-
za. Como foi visto acima, para o problema do investimento em propagan-
da, o ganho esperado sob incerteza foi de R$31.800,00 o ganho esperado
com informao perfeita pode ser determinado pela escolha do melhor
ganho para cada evento e as probabilidades aqui so consideradas como
aproximaes das freqncias relativas calculadas por vrias observaes
anteriores.
Ganhos Ganhos
Evento Probabilidades
(R$) ponderados
1 = venda forte 90 0,2 18,0
2 = venda moderada 30 0,5 15,0
3 = venda fraca 2 0,3 0,6
33,6
Ento, o valor esperado da informao perfeita ser igual a R$33.600,00

R$31.800,00 = R$1.800,00. Exatamente o mesmo valor encontrado para a
perda de oportunidade esperada.
A expresso custo da incerteza destaca o custo associado tomada de

deciso sob incerteza, uma vez que o ganho esperado com perfeita informa-
o, subentende-se que esse seria o ganho esperado com o conhecimento
de eventos passados ou ganho esperado sob certeza.
155
Representao atravs de diagrama de deciso

Pode ser til para melhor visualizao representar a estrutura de um pro-
blema de deciso sob incerteza atravs de um diagrama de rvore de deciso,
tambm chamado de diagrama de deciso ou diagrama de rvore.
O problema do investimento em propaganda pode ser apresentado atra-

vs do diagrama seguir:
R$90.000,00
1
2
R$30.000,00
A1 3
2
R$4.000,00
R$60.000,00
1 1
A2
2
R$10.000,00
3
2
R$2.000,00
Saindo do ponto 1, o tomador de decises pode seguir o ramo A1 ou

o ramo A2, correspondentes, respectivamente, s aes de investir em
propaganda e no investir em propaganda. No ponto 2, um novo ramo
pode ser aberto a partir da primeira deciso que corresponde aos pos-
sveis eventos, alcanando os valores de ganhos pela escolha da ao e o
acontecimento do evento.
Para a tomada de deciso, o diagrama precisa receber as novas informa-

es correspondentes ao valor das estimativas de probabilidade que cada
evento ocorra e a realizao da anlise retrospectiva ou de induo backward
(para trs). Multiplica-se ento os valores dos ganhos no final de cada ramo
pelo valor da probabilidade de cada um dos eventos somando os resulta-
dos destes produtos e retornando ao ponto 2, que assume o valor de ganho
esperado para cada uma das aes, A1 e A2, com valores de R$31.800,00 e
R$17.600,00 respectivamente.
O valor do ganho esperado para a ao 1 foi determinado pela seguinte

expresso:
31,8 = (0,2).(90) + (0,5).(30) + (0,3).(4)
156
Teoria da deciso
O novo passo retornar do n 2 para o n 1 atravs da escolha do ganho

esperado de maior valor, no caso o ganho esperado correspondente da ao
1, conforme exposto no diagrama 2:
R$90.000,00
(0,2)
R$31.800,00
(0,5)
R$30.000,00
A1 (0,3)
2
R$31.800,00
R$4.000,00
R$60.000,00
1 (0,2)
A2 R$23.000,00
(0,5)
R$10.000,00
(0,3)
2
R$2.000,00
Dessa forma, o diagrama de rvore reproduz de forma esquemtica

e compacta a anlise realizada atravs das tabelas. Um diagrama anlogo
pode ser construdo em termos de perdas de oportunidade.
Estabelecimento
de distribuies de probabilidades
Estabelecer as probabilidades de ocorrncia de cada estado da natureza
(eventos) uma tarefa fundamental para o equacionamento do esquema de
tomada de decises. At agora, o estabelecimento dessas probabilidades foi
realizado de forma subjetiva e simples. Se houver uma forma mais cientfica
de estabelecimento da distribuio de probabilidades dos possveis eventos,
o problema da tomada de decises pode ser mais bem equacionado.
Se a varivel aleatria que representa os estados da natureza for discre-

ta e houver somente um nmero pequeno de resultados possveis, ento
o tomador de decises provavelmente ser capaz de assinalar diretamente
probabilidades para cada possvel resultado. No entanto, se a varivel alea-
tria tiver um nmero grande de valores possveis, o tomador de decises
ter que tratar a varivel aleatria como contnua e necessitar construir uma
funo de distribuio acumulada trabalhando com um nmero de interva-
los selecionados da varivel aleatria.
157
Duas situaes possveis so apresentadas ao tomador de decises:
(I) o tomador de decises estabelece diretamente uma distribuio de

probabilidades subjetivas sem um processamento formal dos dados;
(II) existe uma pequena quantidade de dados do passado, e o toma-

dor de decises processa essa informao para construir uma distri-
buio de probabilidades acumulada ou cumulativa.
O problema agora encontrar meios para a construo dessas distribuies

de probabilidades. Trabalharemos com as duas possibilidades, a saber: (I) assi-
nalamento subjetivo direto; e (II) assinalamento usando dados do passado.
Assinalamento subjetivo direto

Nesse caso, o estabelecimento de uma distribuio cumulativa de probabi-
lidades subjetiva ser feito sem processamento formal de dados.
Tomemos por exemplo um caso em que o tomador de decises infere

que para o prximo ano as vendas de certo produto de sua companhia
devero ficar entre 100 000 e 500 000 unidades e deseja estabelecer uma
distribuio de probabilidades cumulativas subjetivas sem usar explicita-
mente qualquer dado.
A base de procedimento focalizar a ateno em poucos pontos da dis-

tribuio. Uma proposta trabalhar com os percentis. Se pensarmos em trs
percentis, o mais adequado tomar o primeiro e o quarto quartil e a media-
na. O primeiro quartil divide o rol de dados em duas partes, os primeiros 25%
e os ltimos 75%. A mediana divide o rol de dados em duas partes iguais, os
primeiros 50% e os ltimos 50%. E o terceiro percentil divide o rol tambm
em duas partes, os primeiros 75% e os ltimos 25%.
Observe que o primeiro quartil representa o vigsimo quinto percentil, a

mediana representa o qinquagsimo percentil e o terceiro quartil o septu-
agsimo quinto percentil.
Comecemos pela mediana ou o qinquagsimo percentil. O tomador

de decises deve escolher, entre 100 000 e 500 000, um valor que acredite
que a probabilidade de ocorrer um valor menor ou igual a ele seja igual a
50%. Pode ser qualquer valor no intervalo inicialmente estabelecido. Vamos
supor que aps muita reflexo ele acredite que esse valor deve ser algo em
158
Teoria da deciso
torno de 350 000. Ou seja, o tomador de decises acredita que a chance de

se vender menos de 350 000 unidades do produto de 50%. Naturalmente,
a chance de vender mais de 350 000 tambm de 50%.
O raciocnio deve ser repetido para a determinao dos outros dois valo-
res. Vamos supor que esses valores sejam 250 000 e 400 000. Ou seja, o toma-
dor de decises acredita que a probabilidade de vender mais do que 250 000
produtos seja de 75% e que a probabilidade de vender mais do que
400 000 produtos seja de 25%.
Dessa forma, trs pontos da distribuio de probabilidades cumulativa

foram determinados. Os percentis de ordem 25, 50 e 75, ou equivalente-
mente o primeiro, o segundo e o terceiro quartis. Lembrando que o segundo
quartil coincide com a mediana.
O procedimento usual o de determinar mais dois pontos, preferencial-

mente mais prximos dos extremos e usar esses cinco pontos para a constru-
o da funo que represente a distribuio de probabilidades cumulativas.
Uma proposta usar o primeiro e o nonagsimo nono percentis, ou os

percentis de ordem 1 e de ordem 99. Esses valores podem ser considerados
como os valores limites inferior e superior da primeira condio estabeleci-
da. Ou seja, podemos escolher como primeiro percentil o valor de 100 000
unidades de venda e 500 000 como o valor do nonagsimo nono percentil.
Dessa forma, estabelecemos que a probabilidade de vender mais do que
100 000 unidades do produto em questo de 99% e que a probabilidade
de vender mais do que 500 000 unidades de somente 1%.
A figura abaixo representa a situao construda. O grfico pode ser con-

siderado como uma aproximao da distribuio de probabilidade cumulati-
va subjetiva da venda do produto no prximo ano.
Distribuio de probabilidade cumulativa

1
0,9
0,8
0,7
Probabilidade
0,6
0,5
0,4
0,3
0,2
0,1
0
0 100 200 300 400 500 600
Vendas
159
A distribuio anterior, que representa uma distribuio de probabilidades

discreta, pode ser mais bem aproximada atravs de uma curva em forma de s
pela unio de seus pontos, para a construo de uma distribuio de probabi-
lidades contnua.

1
0,9
0,8
0,7
Probabilidades
0,6
0,5
0,4
0,3
0,2
0,1
0
0 100 200 300 400 500 600
Vendas
O assinalamento direto da distribuio de probabilidades cumulativas

subjetivas apropriada para as seguintes situaes: (I) quando existir um
nmero pequeno de dados e no houver dados do passado; e (II) quando,
apesar de existirem dados do passado, o tomador de decises no se sentir
confortvel para usar esses dados para o estabelecimento da distribuio de
probabilidade cumulativa. Este ltimo caso pode ocorrer em razo de mu-
danas da poltica da empresa ou de algum avano tecnolgico importante
implementado, por exemplo.
Assinalamento de probabilidades
usando dados do passado
Se existe uma grande quantidade de dados do passado, o tomador de de-
cises pode us-los para estabelecer a distribuio de probabilidades atra-
vs do uso das freqncias relativas dos dados. No entanto, se a quantidade
de dados for pequena, um procedimento deve ser realizado tomando a dis-
tribuio de freqncias destes dados para a construo de uma distribuio
de freqncias acumulada atravs de aproximaes.
160
Teoria da deciso
Vamos ilustrar a construo de uma distribuio cumulativa de probabi-

lidades atravs de um exemplo simples. Certa loja vende, entre outros, um
produto A. Acompanhando a venda desse produto nos ltimos 20 meses,
observamos que em um determinado ms foram vendidos 33 unidades. Em
outros dois meses foram vendidos 38. Fazendo observaes dessa ordem,
pudemos construir a seguinte distribuio de freqncias que relaciona o
nmero de produtos vendidos com a quantidade de meses em que esse
nmero foi alcanado. Um possvel resultado o que segue:
Nmero de Nmero de meses em Nmero de Freqncia relativa

produtos que os produtos vendi- produtos do nmero de
vendidos dos alcanaram a venda vendidos produtos vendidos
33 1 33 1/20 = 0,05
34 0
35 4 35 4/20 = 0,20
36 5 36 5/20 = 0,25
37 0
38 2 38 2/20 = 0,10
39 3 39 3/20 = 0,15
40 0
41 1 41 1/20 = 0,05
42 2 42 2/20 = 0,10
43 2 43 2/20 = 0,10
Podemos, com base nos dados acima, construir a distribuio de freqn-

cias acumuladas para o nmero de produtos vendidos:
Nmero de Freqncia relativa do nmero Freqncia relativa

produtos vendidos de produtos vendidos acumulada
33 0,05 0,05
34 0,05
35 0,20 0,25
36 0,25 0,50
161
Nmero de Freqncia relativa do nmero Freqncia relativa

produtos vendidos de produtos vendidos acumulada
37 0,50
38 0,10 0,60
39 0,15 0,75
40 0,75
41 0,05 0,80
42 0,10 0,90
43 0,10 1,00
Considerando que a freqncia relativa uma aproximao de probabili-

dades e que, portanto, a freqncia relativa acumulada uma aproximao
da probabilidade acumulada, podemos construir o seguinte grfico da dis-
tribuio de freqncias relativas acumuladas, que representam as probabi-
lidades de vender at certo nmero de produtos. Observando a tabela acima
ou o grfico abaixo, podemos verificar que a probabilidade de vender at 36
produtos em um determinado ms de 50%.

1
0,9
0,8
0,7
Probabilidade
0,6
0,5
0,4
0,3
0,2
0,1
0
30 35 40 45 50
Nmero de produtos vendidos
Para aplicaes em tomada de decises sob incerteza, trabalhar com

dados contnuos pode dificultar enormemente a tarefa. At aqui trabalha-
mos com dados discretos. Existem tcnicas para transformar dados contnu-
os em dados discretos, mas que esto fora do escopo do presente texto.
162
Teoria da deciso
Tomada de decises
baseada na utilidade esperada
At agora as anlises de tomada de deciso tiveram por critrio a escolha
da ao tima como aquela que resultaria em maior ganho mdio a longo
prazo se a mesma deciso tivesse que ser tomada repetidamente sob idn-
ticas condies. No entanto, algumas decises pessoais e nos negcios so
tomadas frente a um nico conjunto de condies. Em algumas dessas oca-
sies, no seria realstico pensar em termos de muitas repeties da mesma
situao de deciso.
Sendo assim, til ter um aparato para lidar com tomada de deciso em
tempo nico. A Teoria da Utilidade fornece tal aparato e tambm um mtodo
lgico para tomada de decises repetitivas. Para ilustrar a idia, vamos supor
trs situaes com duas aes alternativas para cada uma delas. Na primeira
(A), contrapem-se duas decises que tm como conseqncia para a ao
A1 receber R$0,00 com certeza e, para a ao A2, receber R$0,60 com proba-
bilidade 1/2 e perder R$0,40 com probabilidade 1/2. Na segunda situao, B1
implica ganhar R$0,00 com certeza e B2, receber R$60.000,00 com probabili-
dade 1/2 e perder R$40.000,00 com probabilidade 1/2. A terceira situao, C1
implica receber R$1 milho com certeza contra C2, que implica receber R$2
milhes com probabilidade 1/2 e receber R$0,00 com probabilidade 1/2.
O clculo do ganho esperado para a deciso colocada em A de R$0,10

[(1/2).(0,6)+(1/2).(0,4)]. Isso significa que a longo prazo o resultado dever
ser positivo. Ocorre, no entanto, que se a deciso tem que ser tomada para
somente uma realizao, a perda pode ser de R$0,40. A firma talvez possa
correr esse risco. Mas na situao B, o valor do ganho esperado a longo prazo
seria de R$10.000,00, o que levaria o tomador de decises a optar pelo risco,
ou seja, escolher a ao B2. Como a situao pontual, a firma pode perder
R$40.000,00. Ficando invibializado, o tomador de decises pode optar por
no correr o risco e optar por ganho certo de R$0,00.
No caso da situao C, mesmo pensando a longo prazo, o valor do ganho

esperado seria R$1.050.000,00 se a opo fosse por C2, contra um ganho certo
de R$1.000.000,00 pela ao C1. Nesse caso, no resta muita dvida de que,
apesar de a ao C2 poder resultar num ganho de R$2.100.000,00, a melhor
ao seria mesmo tomar a ao C1, com ganho certo de R$1.000.000,00.
Fica claro que grandes e pequenas corporaes podem tomar diferentes

atitudes diante do risco. A questo que o tomador de decises deve respon-
163
der : Qual a probabilidade para que a conseqncia M1 se torne indiferente

para que se possa correr o risco de optar por ganhar M1 com certa probabilida-
de p ou M2 com probabilidade 1p?. Esse tipo de questo pode ser respondida
pela aplicao da metodologia da Teoria da Utilidade. No objeto de estudo
aqui o desenvolvimento mais aprofundado dessa teoria, seno o de apresen-
t-la ilustrativamente, mesmo porque essa situao no muito comum na
prtica diria da tomada de decises. Maiores informaes sobre essa teoria
podem ser adquiridas atravs de bibliografia mais aprofundada, como o livro
de R. S. Schlaifer, Analysis of Decisions Under Uncertainty, McGraw Hill.
Tomada de deciso com

probabilidades a posteriori
As anlises feitas at agora podem ser consideradas como anlises a
priori, isto , a tomada de decises foi baseada em melhor ganho (ou menor
perda) com base em aes relacionadas com uma distribuio de probabi-
lidades construda sem a utilizao de levantamento de dados amostrais
auxiliares. Aqui discutiremos a chamada anlise a posteriori, em que a distri-
buio de probabilidades envolvida na tomada de decises ser feita com
base em probabilidades a priori revisadas pela observao de dados amos-
trais complementares.
Probabilidades a posteriori
As probabilidades a posteriori so calculadas com base em duas informa-
es: as probabilidades a priori e a informao obtida atravs da observao
de um conjunto de dados. O meio de fazer essa atualizao o Teorema de
Bayes. Se uma nova atualizao for necessria, a atual probabilidade a pos-
teriori ser utilizada como probabilidade a priori no novo contexto em que
uma nova tomada amostral seja realizada.
O propsito de incorporar mais evidncia atravs de processos amostrais

o de reduzir o custo esperado da incerteza.
Se o custo esperado da incerteza (ou de outra forma, o custo esperado da

perda de oportunidade) for elevado, ento o acrscimo de nova informao
atravs de um processo de amostragem pode se tornar desejvel. O mtodo
geral para se incorporar nova informao, ou nova evidncia amostral, pode
164
Teoria da deciso
ser ilustrado pelo uso de dois tipos de informao amostral: (I) atravs da
especificao da confiabilidade da informao amostral; e (II) atravs da es-
pecificao do tamanho da amostra.
Anlise a posteriori:
uma ilustrao da especificao da confiabilidade
Retomando o exemplo do investimento em propaganda, a situao colo-
cada para o tomador de decises era a de decidir entre duas aes: A1 (inves-
tir em propaganda de um novo produto) e A2 (no investir em propaganda
de um novo produto).
Qual a ao que a diretoria deve tomar de forma a potencializar as suas

possibilidades de lucro, diante do quadro de retorno ou possveis ganhos?
A tabela abaixo resume a situao de retorno exposta, na qual os valo-

res so expressos em milhares de reais, isto , 90 representa um ganho de
R$90.000,00:
A1 = investir em A2 = no investir em
Eventos
propaganda (R$) propaganda (R$)
3 = venda fraca -4 2
Com base em avaliaes subjetivas, a diretoria estabelece a seguinte dis-

tribuio de probabilidades para os eventos em questo:
1 = venda forte 0,2
2 = venda moderada 0,5
3 = venda fraca 0,3
Total 1,0
Diante desses dados, foram determinados os valores esperados de ganhos

sob incerteza para a ao A1 de R$31.800,00 e para a ao A2 de R$17.600,00.
165
Associado a esses clculos, foi determinado o custo da incerteza (ou valor

esperado da perda de oportunidade) em R$1.800,00, considerado alto pela
diretoria. Decide-se ento por proceder a um levantamento amostral no sen-
tido de verificar os ganhos esperados para cada ao de forma que o custo
da incerteza possa ser reduzido atravs da incorporao de evidncias adi-
cionais e, portanto, com a diminuio da incerteza.
Vamos assumir que a pesquisa possa resultar em trs resultados amostrais,

denotados por x1, x2 e x3, correspondentes aos trs estados da natureza (even-
tos) 1, 2 e 3. Especificamente, os resultados da pesquisa podem ser: a amos-
tra indica vendas fortes (x1), vendas moderadas (x2) ou vendas fracas (x3).
A pesquisa foi realizada e a amostra indicou um nvel de venda moderada

para o produto, isto , x2 foi observado.
Suponha agora que, com base em pesquisas anteriores semelhantes, os

pesquisadores possam acessar a confiabilidade da evidncia amostral nos
seguintes termos: no passado, quando o nvel de venda real foi moderado,
a pesquisa amostral indicou corretamente venda moderada em 80% das
vezes. No entanto, quando o nvel real de vendas foi forte, em cerca de 20%
das pesquisas realizadas o nvel indicado foi erroneamente indicado como
moderado. E quando o nvel real de vendas foi baixo, cerca de 30% das pes-
quisas amostrais indicaram vendas moderadas.
Essas freqncias relativas representam probabilidades condicionais que as

evidncias indicassem nvel moderado de vendas, dados os trs possveis even-
tos de nvel de venda. Essas probabilidades podem ser representadas por:
P(x2/1) = 0,2
P(x2/2) = 0,8
P(x2/3) = 0,3
Com essa informao, a distribuio de probabilidades a priori original

pode ser revisada conforme indica a tabela a seguir:
166
Teoria da deciso
Probabilidade Probabilidade Probabilidade Probabilidade

a priori condicional conjunta a posteriori
Eventos i P(i) P(x2/i) P(i) P(x2/i) P(i/x2)
1 = venda forte 0,2 0,2 0,04 0,0755
2 = venda
0,5 0,8 0,40 0,7547
moderada
3 = venda fraca 0,3 0,3 0,09 0,1698
Total 1,0 0,53 1,0000
Observe a utilizao do Teorema de Bayes para cada um dos i:
P (1)P(x2 / 1)
P(1 / x2) =
P (i)P(x2 / i)
Na tabela, multiplicar cada probabilidade a priori P(i) pela sua correspon-

dente probabilidade condicional P(x2/i), obtendo-se assim as probabilida-
des conjuntas, cuja soma P(i) P(x2/i). Para calcular as probabilidades a
posteriori associadas a cada um dos eventos i, basta dividir a probabilidade
conjunta de cada evento pela soma das probabilidades conjuntas. Essa
uma forma confortvel de calcular as probabilidades a posteriori atravs do
uso do Teorema de Bayes.
Fica bem ilustrativo a diminuio do espao amostral com a corresponden-

te probabilidade de 0,53 e quanto dessa probabilidade ser destinada a cada
um dos eventos. Equivale, portanto, a considerar 0,53 como a totalidade (1,0)
e verificar quanto disso corresponde a cada um dos eventos.
Assim, com uma indicao amostral de vendas moderadas, a probabili-

dade a priori de 0,5 do evento vendas moderadas foi revisado e cresceu para
aproximados 0,75. Da mesma forma, as probabilidades 0,2 e 0,3, correspon-
dentes aos eventos venda fraca e venda forte, foram revisadas e declinaram
para 0,07 e 0,17.
167
Essas probabilidades revisadas podem ser agora utilizadas para os cl-

culos do ganho esperado a posteriori e da perda esperada de oportunidade a
posteriori ou custo esperado da incerteza. Ento, os resultados obtidos foram
de R$28.756,80 de ganho esperado para a ao A1 (investir em propaganda)
e R$12.416,60 para A2 (no investir em propaganda) e o custo esperado da
incerteza diminuiu de R$1.800,00 para R$1.018,80.
Ganho esperado a posteriori:

Evento Probabi- Resultado Probabi- Resultado
Resultado Resultado
lidade ponderado lidade ponderado
1 0,0755 90 6,795 0,0755 60 4,53
2 0,7547 30 22,641 0,7547 10 7,547
3 0,1698 -4 -0,6792 0,1698 2 0,3396
Total 1,0000 28.756,80 1,0000 12.416,60
Perda de oportunidade esperada a posteriori:
Probabi- Resultado Probabi- Resultado

Evento Resultado Resultado
lidade ponderado lidade ponderado
1 0,0755 0 0 0,0755 30 2,265
2 0,7547 0 0 0,7547 20 15,094
3 0,1698 6 1,0188 0,1698 0 0
Total 1,0000 1,0188 1,0000 17,3590
O diagrama de rvores seguinte descreve a situao para os ganhos es-

perados a posteriori.
168
Teoria da deciso
) R$90.000,00
755
R$28.756,60 (0,0
(0,7547)
R$30.000,00
A1 (0,1
698
2 )
R$28.756,60
R$4.000,00
) R$60.000,00
1 755
R$12,416,60 (0,0
A2
(0,7547)
R$10.000,00
(0,1
698
)
2
R$2.000,00
Como o ganho esperado sob A1 maior que o ganho esperado sob A2,
a melhor das duas aes continua sendo a de investir em propaganda. Ob-
serve, no entanto, que essa deciso poderia ter sido modificada aps o as-
sinalamento da distribuio de probabilidades a posteriori, com a incluso de
novas evidncias devidos ao processo de busca de dados na amostragem.
A amostragem indicada anteriormente indicou vendas moderadas, mas

se ela tivesse indicado vendas fracas ou vendas fortes, o mesmo procedi-
mento poderia ser realizado para o clculo dos novos valores de ganhos es-
perados e de custos da incerteza.
O custo da incerteza teve uma diminuio de R$1.800,00 para R$1.088,00.

Esse custo significa o quanto o tomador de decises estaria disposto a pagar para
ter a informao perfeita. Se esse valor tivesse crescido ao invs de diminudo,
significaria que a evidncia amostral no resultou em diminuio da dvida de
que ao tomar e que a nova situao no traria maior segurana na deciso.
Anlise a posteriori:
uma ilustrao da aceitao da amostragem
Como uma segunda ilustrao da anlise a posteriori, vamos considerar
o problema da aceitao da amostragem de um produto manufaturado.
Vamos assumir que a empresa ABC inspeciona artigos de componentes de
169
seus produtos vindos de certo fornecedor. Observando dados de inspees

passadas, a empresa verifica que 10%, 20% e 30% dos componentes do for-
necedor tinham defeitos.
Da experincia passada, a empresa ABC estabeleceu como critrio

de aceitao de lotes, com at 10% de peas de defeituosas, para retra-
balho, e rejeitar lotes com 20% e 30% de peas defeituosas. A questo
consiste em decidir se aceita ou no um novo lote atravs do exame de
uma amostra sua.
Essa deciso dever ser tomada com base em algumas informaes que
a empresa tem. Primeiro, com base em freqncias relativas, lotes com essas
percentagens de peas defeituosas ocorreram em 50%, 30% e 20% das vezes.
Ou seja, lotes com 10% de peas defeituosas ocorreram em 50% das entre-
gas. Outra informao que ser utilizada ser a matriz de resultados baseada
na matriz de perda de oportunidades em tomar a ao A1, de rejeitar o lote,
e a ao A2, de aceitar o lote. Com base em resultados anteriores, essa matriz
dada por:
Evento Ao A1 Ao A2
Proporo de defeituosas Rejeitar o lote Aceitar o lote
0,10 R$30,00 R$0,00
0,20 R$0,00 R$15,00
0,30 R$0,00 R$20,00
Seria mais realstico tomar eventos com propores de defeituosas va-

riando de 0%, 1% at 100%, ou mesmo considerar esta como uma varivel
contnua. Para efeito de simplificao de apresentao do mtodo, sero
consideradas somente essas trs possibilidades.
Com essas informaes e com base no resultado de uma amostra de, diga-
mos, 10 elementos de uma nova entrega, em que ser verificado o nmero de
peas defeituosas entre estas, a empresa decidir se aceita ou no o lote.
A empresa pode usar as freqncias relativas (50%, 30% e 20%) como dis-
tribuio a priori e determinar a perda esperada de oportunidade para cada
uma das duas aes possveis:
170
Teoria da deciso
Ao A1 - rejeitar o lote Ao A2 - aceitar o lote

Evento
p Perda de Perda Perda de Perda
P0(p) P0(p)
oportunidade ponderada oportunidade ponderada
0,10 0,50 30 15,00 0,50 0 0,00
0,20 0,30 0 0,00 0,30 15 4,50
0,30 0,20 0 0,00 0,20 20 4,00
Total 1,00 R$15,00 1,00 R$8,50
Quando ento utilizamos os dados do passado, verificamos que a perda

esperada de oportunidade a priori para ao A1 (R$15,00) supera a perda da
ao A2 (R$8,50). Assim, a ao tima a ao A2, de aceitar o lote.
Indo agora para a anlise a posteriori quando uma amostra de tamanho

10 com reposio dos itens do lote retirada para anlise. Verifica-se que trs
peas so defeituosas. Qual ser agora a melhor ao?
As evidncias amostrais devem ser utilizadas para revisar as probabilida-

des a priori das propores de peas defeituosas. Para aplicar o Teorema de
Bayes, necessrio determinar as probabilidades condicionais P(X = 3/n =
10, p). Aqui ser necessria a aplicao do clculo de probabilidades de um
processo de Bernoulli atravs da distribuio binomial. Ento:
P(X = 3/n = 10, p) = Cn,xpx (1 p)n x
Essas probabilidades sero iguais a 0,0574, 0,2013 e 0,2668 para p igual

a 0,10, 0,20 e 0,30 respectivamente. Seno, vejamos para p = 0,10, o mesmo
pode ser feito para p = 0,20 e p = 0,30:
P(X = 3/n = 10, p) = Cn, xpx (1 p)n x = C10, 3 (0,10)3.(0,9)7
(120).(0,001).(0,478297) = 0,057396 0,0574
Dessa forma, as probabilidades a posteriori podem ser determinadas di-

retamente pelo Teorema de Bayes atravs de uma tabela auxiliar. Como j
realizado anteriormente, denotaremos a probabilidade a priori por P0 e a
probabilidade a posteriori por P1:
171
Probabilidade Probabilidade Probabilidade Probabilidade

Eventos p a priori condicional conjunta a posteriori
P0(p) P(X=3/n=10,p) P(p) P(X=3/n=10,p) P1(p)

0,10 0,5 0,0574 0,02870 0,20147
0,20 0,3 0,2013 0,06039 0,42394
0,30 0,2 0,2668 0,05336 0,37459
Total 1,0 0,14245 1,00000
As perdas esperadas de oportunidade podem agora ser recalculadas uti-

lizando essas probabilidades a posteriori. O novo clculo das perdas espera-
das de oportunidade apresentado na tabela abaixo:
Ao A1: rejeitar o lote Ao A2: aceitar o lote

Evento
P Perda de Perda Perda de Perda
P1(p) P1(p)
oportunidade ponderada oportunidade ponderada
0,10 0,20147 30,00 6,04 0,20147 0,00 0,00
0,20 0,42394 0,00 0,00 0,42394 15,00 6,36
0,30 0,37459 0,00 0,00 0,37459 20,00 7,49
Total 1,00000 R$6,04 1,00000 R$13,85
A ao tima agora a de rejeitar o lote uma vez que a perda esperada de

oportunidade de A2 maior do que a perda esperada de oportunidade de A1.
Para efeito de comparao, pode-se verificar que se supusssemos que o

nmero de peas defeituosas na amostra de 10 itens fosse de 2 unidades, a
ao preferida seria A1 com perda de oportunidade de 12,41 contra 9,79 de
A2. E se houvesse uma nica defeituosa, a perda de oportunidade de A1 seria
de 19,47 contra 5,67 de A2.
Efeito do tamanho da amostra

Podemos analisar o efeito do tamanho da amostra no clculo das pro-
babilidades a posteriori. Suponha que uma amostra de tamanho 100 e no
mais de tamanho 10 seja retirada. Vamos assumir a mesma proporo de
defeituosas, 30% como no caso da amostra pequena. Ento, um nmero de
30 peas defeituosas foi encontrado no lote.
172
Teoria da deciso
Probabilidade Probabilidade Probabilidade

Eventos Probabilidade conjunta
a priori condicional a posteriori
p
P0(p) P(X=30/n=100,p) P(p) P(X=30/n=100,p) P1(p)
0,10 0,5 0,000000018 0,000000009 0,00000005
0,20 0,3 0,005189 0,0015567 0,082
0,30 0,2 0,086784 0,0173568 0,918
Total 1,0 0,018913509 1,000
A maior probabilidade, 91,8%, foi encontrada para o evento p= 0,30

depois que foi acrescentada informao que, na amostra de tamanho 100,
havia 30% de defeituosas. Pode-se generalizar esse resultado da seguinte
forma: medida que o tamanho da amostra cresce, a distribuio de pro-
babilidades a posteriori da varivel aleatria proporo de defeituosas
influenciada muito mais pelo tamanho da amostra do que pela distribuio
de probabilidades a priori.
As informaes a seguir devem ser utilizadas para a resoluo dos exerc-
cios de 1 a 5.
Um investidor tem R$50.000,00 e deve decidir entre trs portflios pre-

parados por um especialista. Os portflios so caracterizados como de alto,
mdio e baixo risco, e os retornos dependem da situao econmica. Assu-
mindo que somente duas situaes econmicas sejam consideradas (cresci-
mento e recesso) a probabilidade de recesso de 30%. Dada a seguinte
matriz de resultados (dada em centenas de reais), qual portflio o investidor
deveria escolher?
Portflio
Estados da natureza Risco alto Risco baixo
risco mdio
Crescimento 10 4 2
Recesso -15 -2 1
1. Qual dos trs portflios deve ser escolhido se o critrio utilizado for
o maximim?
173
2. Para o problema em questo, qual a crtica ao uso desse critrio?
3. Para o critrio ganho esperado sob incerteza, qual a deciso a ser to-
mada?
4. Calcule as perdas de oportunidade esperadas para cada portflio.
5. Faa a representao atravs do diagrama de deciso para o critrio

minimax.
6. Construa a distribuio de probabilidades acumulada atravs da uti-

lizao de dados de vendas do passado com relao aos nmeros de
pedidos e ao nmero de semanas em que eles foram feitos, conforme
tabela a seguir:
Nmero de Nmero de semanas Nmero de Nmero de semanas

equipamentos que o nmero de equipamentos em que o nmero de
vendidos ordens foi recebido vendidos ordens foi recebido
21 1 32 1
22 0 33 1
23 0 34 1
24 2 35 0
25 2 36 0
26 3 37 1
27 3 38 1
28 1 39 1
29 0 40 0
30 0 41 0
31 1 42 1
174
Teoria da deciso
Dados para os exerccios 7 e 8. Um novo curso est sendo ofertado em

uma faculdade. Seja p a proporo de estudantes que tiveram notas infe-
riores mdia no trabalho final do curso. Os estados da natureza e suas res-
pectivas probabilidades condicionais so as seguintes:
P P0(p)
0,05 0,30
0,10 0,40
0,15 0,20
0,20 0,10
7. Das informaes dadas, preencha as clulas em branco e interprete os

dados. O X o resultado da pesquisa de 1 000 empresas de construo.
Estados da natureza P0() P(X/) P0() P(X/) P1(/X)
1 = casas tero preos aumentados no

0,80
prximo ano.
1 = casas tero preos iguais ou diminudos

0,60
no prximo ano.
8. So dados os seguintes resultados de um experimento em que 1

produto superior e 2 produto igual ou inferior. Calcule as proba-
bilidades a priori.
Estados da natureza P(X/) P1(/X)

1 0,50 0,25
2 0,50 0,75
175
Anexos
TABELA A - Distribuio acumulada binomial
F( c ) = P(X c) = X=0,n Cn,X(p)x(1 p)nx
Exemplo: se p = 0,15, n = 5, c = 2, ento F(2) = P(X 2) = 0,9734.
n c 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
2 0 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4245 0,3600 0,3025 0,2500
1 0,9975 0,9900 0,9775 0,9600 0,9375 0,9100 0,8775 0,8400 0,7975 0,7500
3 0 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,1250
1 0,9928 0,9720 0,9393 0,8960 0,8438 0,7840 0,7183 0,6480 0,5748 0,5000
2 0,9999 0,9990 0,9966 0,9920 0,9844 0,9730 0,9571 0,9360 0,9089 0,8750
4 0 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625
1 0,9860 0,9477 0,8905 0,8192 0,7383 0,6517 0,5630 0,4752 0,3910 0,3125
2 0,9995 0,9963 0,9880 0,9728 0,9492 0,9163 0,8735 0,8208 0,7585 0,6875
3 1,0000 0,9999 0,9995 0,9984 0,9961 0,9919 0,9850 0,9744 0,9590 0,9375
5 0 0,7738 0,5905 0,4437 0,3277 0,2373 0,1681 0,1160 0,0778 0,0503 0,0313
1 0,9774 0,9185 0,8352 0,7373 0,6328 0,5282 0,4284 0,3370 0,2562 0,1875
2 0,9988 0,9914 0,9734 0,9421 0,8965 0,8369 0,7648 0,6826 0,5931 0,5000
3 1,0000 0,9995 0,9978 0,9933 0,9844 0,9692 0,9460 0,9130 0,8688 0,8125
4 1,0000 1,0000 0,9999 0,9997 0,9990 0,9976 0,9947 0,9898 0,9815 0,9688
6 0 0,7351 0,5314 0,3771 0,2621 0,1780 0,1176 0,0754 0,0467 0,0277 0,0156
1 0,9672 0,8857 0,7765 0,6554 0,5339 0,4202 0,3191 0,2333 0,1636 0,1094
2 0,9978 0,9842 0,9527 0,9011 0,8306 0,7443 0,6471 0,5443 0,4415 0,3438
3 0,9999 0,9987 0,9941 0,9830 0,9624 0,9295 0,8826 0,8208 0,7447 0,6563
4 1,0000 0,9999 0,9996 0,9984 0,9954 0,9891 0,9777 0,9590 0,9308 0,8906
5 1,0000 1,0000 1,0000 0,9999 0,9998 0,9993 0,9982 0,9959 0,9917 0,9844

n c 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
7 0 0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0152 0,0078
1 0,9556 0,8503 0,7166 0,5767 0,4449 0,3294 0,2338 0,1586 0,1024 0,0625
2 0,9962 0,9743 0,9262 0,8520 0,7564 0,6471 0,5323 0,4199 0,3164 0,2266
3 0,9998 0,9973 0,9879 0,9667 0,9294 0,8740 0,8002 0,7102 0,6083 0,5000
4 1,0000 0,9998 0,9988 0,9953 0,9871 0,9712 0,9444 0,9037 0,8471 0,7734
5 1,0000 1,0000 0,9999 0,9996 0,9987 0,9962 0,9910 0,9812 0,9643 0,9375
6 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9994 0,9984 0,9963 0,9922
8 0 0,6634 0,4305 0,2725 0,1678 0,1001 0,0576 0,0319 0,0168 0,0084 0,0039
1 0,9428 0,8131 0,6572 0,5033 0,3671 0,2553 0,1691 0,1064 0,0632 0,0352
2 0,9942 0,9619 0,8948 0,7969 0,6785 0,5518 0,4278 0,3154 0,2201 0,1445
3 0,9996 0,9950 0,9786 0,9437 0,8862 0,8059 0,7064 0,5941 0,4770 0,3633
4 1,0000 0,9996 0,9971 0,9896 0,9727 0,9420 0,8939 0,8263 0,7396 0,6367
5 1,0000 1,0000 0,9998 0,9988 0,9958 0,9887 0,9747 0,9502 0,9115 0,8555
6 1,0000 1,0000 1,0000 0,9999 0,9996 0,9987 0,9964 0,9915 0,9819 0,9648
7 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9993 0,9983 0,9961
9 0 0,6302 0,3874 0,2316 0,1342 0,0751 0,0404 0,0207 0,0101 0,0046 0,0020
1 0,9288 0,7748 0,5995 0,4362 0,3003 0,1960 0,1211 0,0705 0,0385 0,0195
2 0,9916 0,9470 0,8591 0,7382 0,6007 0,4628 0,3373 0,2318 0,1495 0,0898
3 0,9994 0,9917 0,9661 0,9144 0,8343 0,7297 0,6089 0,4826 0,3614 0,2539
4 1,0000 0,9991 0,9944 0,9804 0,9511 0,9012 0,8283 0,7334 0,6214 0,5000
5 1,0000 0,9999 0,9994 0,9969 0,9900 0,9747 0,9464 0,9006 0,8342 0,7461
6 1,0000 1,0000 1,0000 0,9997 0,9987 0,9957 0,9888 0,9750 0,9502 0,9102
7 1,0000 1,0000 1,0000 1,0000 0,9999 0,9996 0,9986 0,9962 0,9909 0,9805
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9992 0,9980
10 0 0,5987 0,3487 0,1969 0,1074 0,0563 0,0282 0,0135 0,0060 0,0025 0,0010
1 0,9139 0,7361 0,5443 0,3758 0,2440 0,1493 0,0860 0,0464 0,0233 0,0107
2 0,9885 0,9298 0,8202 0,6778 0,5256 0,3828 0,2616 0,1673 0,0996 0,0547
3 0,9990 0,9872 0,9500 0,8791 0,7759 0,6496 0,5138 0,3823 0,2660 0,1719
178
Anexos
n c 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
4 0,9999 0,9984 0,9901 0,9672 0,9219 0,8497 0,7515 0,6331 0,5044 0,3770
5 1,0000 0,9999 0,9986 0,9936 0,9803 0,9527 0,9051 0,8338 0,7384 0,6230
6 1,0000 1,0000 0,9999 0,9991 0,9965 0,9894 0,9740 0,9452 0,8980 0,8281
7 1,0000 1,0000 1,0000 0,9999 0,9996 0,9984 0,9952 0,9877 0,9726 0,9453
8 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9983 0,9955 0,9893
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9990
11 0 0,5688 0,3138 0,1673 0,0859 0,0422 0,0198 0,0088 0,0036 0,0014 0,0005
1 0,8981 0,6974 0,4922 0,3221 0,1971 0,1130 0,0606 0,0302 0,0139 0,0059
2 0,9848 0,9104 0,7788 0,6174 0,4552 0,3127 0,2001 0,1189 0,0652 0,0327
3 0,9984 0,9815 0,9306 0,8389 0,7133 0,5696 0,4256 0,2963 0,1911 0,1133
4 0,9999 0,9972 0,9841 0,9496 0,8854 0,7897 0,6683 0,5328 0,3971 0,2744
5 1,0000 0,9997 0,9973 0,9883 0,9657 0,9218 0,8513 0,7535 0,6331 0,5000
6 1,0000 1,0000 0,9997 0,9980 0,9924 0,9784 0,9499 0,9006 0,8262 0,7256
7 1,0000 1,0000 1,0000 0,9998 0,9988 0,9957 0,9878 0,9707 0,9390 0,8867
8 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9980 0,9941 0,9852 0,9673
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9993 0,9978 0,9941
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9995
12 0 0,5404 0,2824 0,1422 0,0687 0,0317 0,0138 0,0057 0,0022 0,0008 0,0002
1 0,8816 0,6590 0,4435 0,2749 0,1584 0,0850 0,0424 0,0196 0,0083 0,0032
2 0,9804 0,8891 0,7358 0,5583 0,3907 0,2528 0,1513 0,0834 0,0421 0,0193
3 0,9978 0,9744 0,9078 0,7946 0,6488 0,4925 0,3467 0,2253 0,1345 0,0730
4 0,9998 0,9957 0,9761 0,9274 0,8424 0,7237 0,5833 0,4382 0,3044 0,1938
5 1,0000 0,9995 0,9954 0,9806 0,9456 0,8822 0,7873 0,6652 0,5269 0,3872
6 1,0000 0,9999 0,9993 0,9961 0,9857 0,9614 0,9154 0,8418 0,7393 0,6128
7 1,0000 1,0000 0,9999 0,9994 0,9972 0,9905 0,9745 0,9427 0,8883 0,8062
8 1,0000 1,0000 1,0000 0,9999 0,9996 0,9983 0,9944 0,9847 0,9644 0,9270
9 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9992 0,9972 0,9921 0,9807
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9989 0,9968
179
n c 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998
13 0 0,5133 0,2542 0,1209 0,0550 0,0238 0,0097 0,0037 0,0013 0,0004 0,0001
1 0,8646 0,6213 0,3983 0,2336 0,1267 0,0637 0,0296 0,0126 0,0049 0,0017
2 0,9755 0,8661 0,6920 0,5017 0,3326 0,2025 0,1132 0,0579 0,0269 0,0112
3 0,9969 0,9658 0,8820 0,7473 0,5843 0,4206 0,2783 0,1686 0,0929 0,0461
4 0,9997 0,9935 0,9658 0,9009 0,7940 0,6543 0,5005 0,3530 0,2279 0,1334
5 1,0000 0,9991 0,9925 0,9700 0,9198 0,8346 0,7159 0,5744 0,4268 0,2905
6 1,0000 0,9999 0,9987 0,9930 0,9757 0,9376 0,8705 0,7712 0,6437 0,5000
7 1,0000 1,0000 0,9998 0,9988 0,9944 0,9818 0,9538 0,9023 0,8212 0,7095
8 1,0000 1,0000 1,0000 0,9998 0,9990 0,9960 0,9874 0,9679 0,9302 0,8666
9 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9975 0,9922 0,9797 0,9539
10 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9987 0,9959 0,9888
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9983
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
14 0 0,4877 0,2288 0,1028 0,0440 0,0178 0,0068 0,0024 0,0008 0,0002 0,0001
1 0,8470 0,5846 0,3567 0,1979 0,1010 0,0475 0,0205 0,0081 0,0029 0,0009
2 0,9699 0,8416 0,6479 0,4481 0,2811 0,1608 0,0839 0,0398 0,0170 0,0065
3 0,9958 0,9559 0,8535 0,6982 0,5213 0,3552 0,2205 0,1243 0,0632 0,0287
4 0,9996 0,9908 0,9533 0,8702 0,7415 0,5842 0,4227 0,2793 0,1672 0,0898
5 1,0000 0,9985 0,9885 0,9561 0,8883 0,7805 0,6405 0,4859 0,3373 0,2120
6 1,0000 0,9998 0,9978 0,9884 0,9617 0,9067 0,8164 0,6925 0,5461 0,3953
7 1,0000 1,0000 0,9997 0,9976 0,9897 0,9685 0,9247 0,8499 0,7414 0,6047
8 1,0000 1,0000 1,0000 0,9996 0,9978 0,9917 0,9757 0,9417 0,8811 0,7880
9 1,0000 1,0000 1,0000 1,0000 0,9997 0,9983 0,9940 0,9825 0,9574 0,9102
10 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9989 0,9961 0,9886 0,9713
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9978 0,9935
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9991
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
180
Anexos
n c 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
15 0 0,4633 0,2059 0,0874 0,0352 0,0134 0,0047 0,0016 0,0005 0,0001 0,0000
1 0,8290 0,5490 0,3186 0,1671 0,0802 0,0353 0,0142 0,0052 0,0017 0,0005
2 0,9638 0,8159 0,6042 0,3980 0,2361 0,1268 0,0617 0,0271 0,0107 0,0037
3 0,9945 0,9444 0,8227 0,6482 0,4613 0,2969 0,1727 0,0905 0,0424 0,0176
4 0,9994 0,9873 0,9383 0,8358 0,6865 0,5155 0,3519 0,2173 0,1204 0,0592
5 0,9999 0,9978 0,9832 0,9389 0,8516 0,7216 0,5643 0,4032 0,2608 0,1509
6 1,0000 0,9997 0,9964 0,9819 0,9434 0,8689 0,7548 0,6098 0,4522 0,3036
7 1,0000 1,0000 0,9994 0,9958 0,9827 0,9500 0,8868 0,7869 0,6535 0,5000
8 1,0000 1,0000 0,9999 0,9992 0,9958 0,9848 0,9578 0,9050 0,8182 0,6964
9 1,0000 1,0000 1,0000 0,9999 0,9992 0,9963 0,9876 0,9662 0,9231 0,8491
10 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9972 0,9907 0,9745 0,9408
11 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9981 0,9937 0,9824
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9989 0,9963
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
16 0 0,4401 0,1853 0,0743 0,0281 0,0100 0,0033 0,0010 0,0003 0,0001 0,0000
1 0,8108 0,5147 0,2839 0,1407 0,0635 0,0261 0,0098 0,0033 0,0010 0,0003
2 0,9571 0,7892 0,5614 0,3518 0,1971 0,0994 0,0451 0,0183 0,0066 0,0021
3 0,9930 0,9316 0,7899 0,5981 0,4050 0,2459 0,1339 0,0651 0,0281 0,0106
4 0,9991 0,9830 0,9209 0,7982 0,6302 0,4499 0,2892 0,1666 0,0853 0,0384
5 0,9999 0,9967 0,9765 0,9183 0,8103 0,6598 0,4900 0,3288 0,1976 0,1051
6 1,0000 0,9995 0,9944 0,9733 0,9204 0,8247 0,6881 0,5272 0,3660 0,2272
7 1,0000 0,9999 0,9989 0,9930 0,9729 0,9256 0,8406 0,7161 0,5629 0,4018
8 1,0000 1,0000 0,9998 0,9985 0,9925 0,9743 0,9329 0,8577 0,7441 0,5982
9 1,0000 1,0000 1,0000 0,9998 0,9984 0,9929 0,9771 0,9417 0,8759 0,7728
10 1,0000 1,0000 1,0000 1,0000 0,9997 0,9984 0,9938 0,9809 0,9514 0,8949
11 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9987 0,9951 0,9851 0,9616
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9991 0,9965 0,9894
181
n c 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9979
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
17 0 0,4181 0,1668 0,0631 0,0225 0,0075 0,0023 0,0007 0,0002 0,0000 0,0000
1 0,7922 0,4818 0,2525 0,1182 0,0501 0,0193 0,0067 0,0021 0,0006 0,0001
2 0,9497 0,7618 0,5198 0,3096 0,1637 0,0774 0,0327 0,0123 0,0041 0,0012
3 0,9912 0,9174 0,7556 0,5489 0,3530 0,2019 0,1028 0,0464 0,0184 0,0064
4 0,9988 0,9779 0,9013 0,7582 0,5739 0,3887 0,2348 0,1260 0,0596 0,0245
5 0,9999 0,9953 0,9681 0,8943 0,7653 0,5968 0,4197 0,2639 0,1471 0,0717
6 1,0000 0,9992 0,9917 0,9623 0,8929 0,7752 0,6188 0,4478 0,2902 0,1662
7 1,0000 0,9999 0,9983 0,9891 0,9598 0,8954 0,7872 0,6405 0,4743 0,3145
8 1,0000 1,0000 0,9997 0,9974 0,9876 0,9597 0,9006 0,8011 0,6626 0,5000
9 1,0000 1,0000 1,0000 0,9995 0,9969 0,9873 0,9617 0,9081 0,8166 0,6855
10 1,0000 1,0000 1,0000 0,9999 0,9994 0,9968 0,9880 0,9652 0,9174 0,8338
11 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9970 0,9894 0,9699 0,9283
12 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9975 0,9914 0,9755
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9981 0,9936
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9988
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
18 0 0,3972 0,1501 0,0536 0,0180 0,0056 0,0016 0,0004 0,0001 0,0000 0,0000
1 0,7735 0,4503 0,2241 0,0991 0,0395 0,0142 0,0046 0,0013 0,0003 0,0001
2 0,9419 0,7338 0,4797 0,2713 0,1353 0,0600 0,0236 0,0082 0,0025 0,0007
3 0,9891 0,9018 0,7202 0,5010 0,3057 0,1646 0,0783 0,0328 0,0120 0,0038
4 0,9985 0,9718 0,8794 0,7164 0,5187 0,3327 0,1886 0,0942 0,0411 0,0154
5 0,9998 0,9936 0,9581 0,8671 0,7175 0,5344 0,3550 0,2088 0,1077 0,0481
6 1,0000 0,9988 0,9882 0,9487 0,8610 0,7217 0,5491 0,3743 0,2258 0,1189
7 1,0000 0,9998 0,9973 0,9837 0,9431 0,8593 0,7283 0,5634 0,3915 0,2403
8 1,0000 1,0000 0,9995 0,9957 0,9807 0,9404 0,8609 0,7368 0,5778 0,4073
182
Anexos
n c 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
9 1,0000 1,0000 0,9999 0,9991 0,9946 0,9790 0,9403 0,8653 0,7473 0,5927
10 1,0000 1,0000 1,0000 0,9998 0,9988 0,9939 0,9788 0,9424 0,8720 0,7597
11 1,0000 1,0000 1,0000 1,0000 0,9998 0,9986 0,9938 0,9797 0,9463 0,8811
12 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9986 0,9942 0,9817 0,9519
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9987 0,9951 0,9846
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9990 0,9962
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
19 0 0,3774 0,1351 0,0456 0,0144 0,0042 0,0011 0,0003 0,0001 0,0000 0,0000
1 0,7547 0,4203 0,1985 0,0829 0,0310 0,0104 0,0031 0,0008 0,0002 0,0000
2 0,9335 0,7054 0,4413 0,2369 0,1113 0,0462 0,0170 0,0055 0,0015 0,0004
3 0,9868 0,8850 0,6841 0,4551 0,2631 0,1332 0,0591 0,0230 0,0077 0,0022
4 0,9980 0,9648 0,8556 0,6733 0,4654 0,2822 0,1500 0,0696 0,0280 0,0096
5 0,9998 0,9914 0,9463 0,8369 0,6678 0,4739 0,2968 0,1629 0,0777 0,0318
6 1,0000 0,9983 0,9837 0,9324 0,8251 0,6655 0,4812 0,3081 0,1727 0,0835
7 1,0000 0,9997 0,9959 0,9767 0,9225 0,8180 0,6656 0,4878 0,3169 0,1796
8 1,0000 1,0000 0,9992 0,9933 0,9713 0,9161 0,8145 0,6675 0,4940 0,3238
9 1,0000 1,0000 0,9999 0,9984 0,9911 0,9674 0,9125 0,8139 0,6710 0,5000
10 1,0000 1,0000 1,0000 0,9997 0,9977 0,9895 0,9653 0,9115 0,8159 0,6762
11 1,0000 1,0000 1,0000 1,0000 0,9995 0,9972 0,9886 0,9648 0,9129 0,8204
12 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9969 0,9884 0,9658 0,9165
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9969 0,9891 0,9682
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9972 0,9904
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9978
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9996
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
18 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
183
n c 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
20 0 0,3585 0,1216 0,0388 0,0115 0,0032 0,0008 0,0002 0,0000 0,0000 0,0000
1 0,7358 0,3917 0,1756 0,0692 0,0243 0,0076 0,0021 0,0005 0,0001 0,0000
2 0,9245 0,6769 0,4049 0,2061 0,0913 0,0355 0,0121 0,0036 0,0009 0,0002
3 0,9841 0,8670 0,6477 0,4114 0,2252 0,1071 0,0444 0,0160 0,0049 0,0013
4 0,9974 0,9568 0,8298 0,6296 0,4148 0,2375 0,1182 0,0510 0,0189 0,0059
5 0,9997 0,9887 0,9327 0,8042 0,6172 0,4164 0,2454 0,1256 0,0553 0,0207
6 1,0000 0,9976 0,9781 0,9133 0,7858 0,6080 0,4166 0,2500 0,1299 0,0577
7 1,0000 0,9996 0,9941 0,9679 0,8982 0,7723 0,6010 0,4159 0,2520 0,1316
8 1,0000 0,9999 0,9987 0,9900 0,9591 0,8867 0,7624 0,5956 0,4143 0,2517
9 1,0000 1,0000 0,9998 0,9974 0,9861 0,9520 0,8782 0,7553 0,5914 0,4119
10 1,0000 1,0000 1,0000 0,9994 0,9961 0,9829 0,9468 0,8725 0,7507 0,5881
11 1,0000 1,0000 1,0000 0,9999 0,9991 0,9949 0,9804 0,9435 0,8692 0,7483
12 1,0000 1,0000 1,0000 1,0000 0,9998 0,9987 0,9940 0,9790 0,9420 0,8684
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9985 0,9935 0,9786 0,9423
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9984 0,9936 0,9793
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9985 0,9941
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9987
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998
18 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
19 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Tabela B - Distribuio de probabilidades binomial
P(X = x) = Cn,x (px (1p) nx
Exemplo: se p = 0,15, n =4 e X =3, ento P(X = 3) = 0,0115.
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
1 0 0,9500 0,9000 0,8500 0,8000 0,7500 0,7000 0,6500 0,6000 0,5500 0,5000
1 0,0500 0,1000 0,1500 0,2000 0,2500 0,3000 0,3500 0,4000 0,4500 0,5000
184
Anexos
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
2 0 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4225 0,3600 0,3025 0,2500
1 0,0950 0,1800 0,2550 0,3200 0,3750 0,4200 0,4550 0,4800 0,4950 0,5000
2 0,0025 0,0100 0,0225 0,0400 0,0625 0,0900 0,1225 0,1600 0,2025 0,2500
3 0 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,1250
1 0,1354 0,2430 0,3251 0,3840 0,4219 0,4410 0,4436 0,4320 0,4084 0,3750
2 0,0071 0,0270 0,0574 0,0960 0,1406 0,1890 0,2389 0,2880 0,3341 0,3750
3 0,0001 0,0010 0,0034 0,0080 0,0156 0,0270 0,0429 0,0640 0,0911 0,1250
4 0 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625
1 0,1715 0,2916 0,3685 0,4096 0,4219 0,4116 0,3845 0,3456 0,2995 0,2500
2 0,0135 0,0486 0,0975 0,1536 0,2109 0,2646 0,3105 0,3456 0,3675 0,3750
3 0,0005 0,0036 0,0115 0,0256 0,0469 0,0756 0,1115 0,1536 0,2005 0,2500
4 0,0000 0,0001 0,0005 0,0016 0,0039 0,0081 0,0150 0,0256 0,0410 0,0625
5 0 0,7738 0,5905 0,4437 0,3277 0,2373 0,1681 0,1160 0,0778 0,0503 0,0313
1 0,2036 0,3281 0,3915 0,4096 0,3955 0,3602 0,3124 0,2592 0,2059 0,1563
2 0,0214 0,0729 0,1382 0,2048 0,2637 0,3087 0,3364 0,3456 0,3369 0,3125
3 0,0011 0,0081 0,0244 0,0512 0,0879 0,1323 0,1811 0,2304 0,2757 0,3125
4 0,0000 0,0005 0,0022 0,0064 0,0146 0,0284 0,0488 0,0768 0,1128 0,1563
5 0,0000 0,0000 0,0001 0,0003 0,0010 0,0024 0,0053 0,0102 0,0185 0,0313
6 0 0,7351 0,5314 0,3771 0,2621 0,1780 0,1176 0,0754 0,0467 0,0277 0,0156
1 0,2321 0,3543 0,3993 0,3932 0,3560 0,3025 0,2437 0,1866 0,1359 0,0938
2 0,0305 0,0984 0,1762 0,2458 0,2966 0,3241 0,3280 0,3110 0,2780 0,2344
3 0,0021 0,0146 0,0415 0,0819 0,1318 0,1852 0,2355 0,2765 0,3032 0,3125
4 0,0001 0,0012 0,0055 0,0154 0,0330 0,0595 0,0951 0,1382 0,1861 0,2344
5 0,0000 0,0001 0,0004 0,0015 0,0044 0,0102 0,0205 0,0369 0,0609 0,0938
6 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0018 0,0041 0,0083 0,0156
7 0 0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0152 0,0078
1 0,2573 0,3720 0,3960 0,3670 0,3115 0,2471 0,1848 0,1306 0,0872 0,0547
185
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
2 0,0406 0,1240 0,2097 0,2753 0,3115 0,3177 0,2985 0,2613 0,2140 0,1641
3 0,0036 0,0230 0,0617 0,1147 0,1730 0,2269 0,2679 0,2903 0,2918 0,2734
4 0,0002 0,0026 0,0109 0,0287 0,0577 0,0972 0,1442 0,1935 0,2388 0,2734
5 0,0000 0,0002 0,0012 0,0043 0,0115 0,0250 0,0466 0,0774 0,1172 0,1641
6 0,0000 0,0000 0,0001 0,0004 0,0013 0,0036 0,0084 0,0172 0,0320 0,0547
7 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0006 0,0016 0,0037 0,0078
8 0 0,6634 0,4305 0,2725 0,1678 0,1001 0,0576 0,0319 0,0168 0,0084 0,0039
1 0,2793 0,3826 0,3847 0,3355 0,2670 0,1977 0,1373 0,0896 0,0548 0,0313
2 0,0515 0,1488 0,2376 0,2936 0,3115 0,2965 0,2587 0,2090 0,1569 0,1094
3 0,0054 0,0331 0,0839 0,1468 0,2076 0,2541 0,2786 0,2787 0,2568 0,2188
4 0,0004 0,0046 0,0185 0,0459 0,0865 0,1361 0,1875 0,2322 0,2627 0,2734
5 0,0000 0,0004 0,0026 0,0092 0,0231 0,0467 0,0808 0,1239 0,1719 0,2188
6 0,0000 0,0000 0,0002 0,0011 0,0038 0,0100 0,0217 0,0413 0,0703 0,1094
7 0,0000 0,0000 0,0000 0,0001 0,0004 0,0012 0,0033 0,0079 0,0164 0,0313
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0017 0,0039
9 0 0,6302 0,3874 0,2316 0,1342 0,0751 0,0404 0,0207 0,0101 0,0046 0,0020
1 0,2985 0,3874 0,3679 0,3020 0,2253 0,1556 0,1004 0,0605 0,0339 0,0176
2 0,0629 0,1722 0,2597 0,3020 0,3003 0,2668 0,2162 0,1612 0,1110 0,0703
3 0,0077 0,0446 0,1069 0,1762 0,2336 0,2668 0,2716 0,2508 0,2119 0,1641
4 0,0006 0,0074 0,0283 0,0661 0,1168 0,1715 0,2194 0,2508 0,2600 0,2461
5 0,0000 0,0008 0,0050 0,0165 0,0389 0,0735 0,1181 0,1672 0,2128 0,2461
6 0,0000 0,0001 0,0006 0,0028 0,0087 0,0210 0,0424 0,0743 0,1160 0,1641
7 0,0000 0,0000 0,0000 0,0003 0,0012 0,0039 0,0098 0,0212 0,0407 0,0703
8 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0013 0,0035 0,0083 0,0176
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0008 0,0020
10 0 0,5987 0,3487 0,1969 0,1074 0,0563 0,0282 0,0135 0,0060 0,0025 0,0010
1 0,3151 0,3874 0,3474 0,2684 0,1877 0,1211 0,0725 0,0403 0,0207 0,0098
2 0,0746 0,1937 0,2759 0,3020 0,2816 0,2335 0,1757 0,1209 0,0763 0,0439
186
Anexos
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
3 0,0105 0,0574 0,1298 0,2013 0,2503 0,2668 0,2522 0,2150 0,1665 0,1172
4 0,0010 0,0112 0,0401 0,0881 0,1460 0,2001 0,2377 0,2508 0,2384 0,2051
5 0,0001 0,0015 0,0085 0,0264 0,0584 0,1029 0,1536 0,2007 0,2340 0,2461
6 0,0000 0,0001 0,0012 0,0055 0,0162 0,0368 0,0689 0,1115 0,1596 0,2051
7 0,0000 0,0000 0,0001 0,0008 0,0031 0,0090 0,0212 0,0425 0,0746 0,1172
8 0,0000 0,0000 0,0000 0,0001 0,0004 0,0014 0,0043 0,0106 0,0229 0,0439
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0016 0,0042 0,0098
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010
11 0 0,5688 0,3138 0,1673 0,0859 0,0422 0,0198 0,0088 0,0036 0,0014 0,0005
1 0,3293 0,3835 0,3248 0,2362 0,1549 0,0932 0,0518 0,0266 0,0125 0,0054
2 0,0867 0,2131 0,2866 0,2953 0,2581 0,1998 0,1395 0,0887 0,0513 0,0269
3 0,0137 0,0710 0,1517 0,2215 0,2581 0,2568 0,2254 0,1774 0,1259 0,0806
4 0,0014 0,0158 0,0536 0,1107 0,1721 0,2201 0,2428 0,2365 0,2060 0,1611
5 0,0001 0,0025 0,0132 0,0388 0,0803 0,1321 0,1830 0,2207 0,2360 0,2256
6 0,0000 0,0003 0,0023 0,0097 0,0268 0,0566 0,0985 0,1471 0,1931 0,2256
7 0,0000 0,0000 0,0003 0,0017 0,0064 0,0173 0,0379 0,0701 0,1128 0,1611
8 0,0000 0,0000 0,0000 0,0002 0,0011 0,0037 0,0102 0,0234 0,0462 0,0806
9 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0018 0,0052 0,0126 0,0269
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0007 0,0021 0,0054
12 0 0,5404 0,2824 0,1422 0,0687 0,0317 0,0138 0,0057 0,0022 0,0008 0,0002
1 0,3413 0,3766 0,3012 0,2062 0,1267 0,0712 0,0368 0,0174 0,0075 0,0029
2 0,0988 0,2301 0,2924 0,2835 0,2323 0,1678 0,1088 0,0639 0,0339 0,0161
3 0,0173 0,0852 0,1720 0,2362 0,2581 0,2397 0,1954 0,1419 0,0923 0,0537
4 0,0021 0,0213 0,0683 0,1329 0,1936 0,2311 0,2367 0,2128 0,1700 0,1208
5 0,0002 0,0038 0,0193 0,0532 0,1032 0,1585 0,2039 0,2270 0,2225 0,1934
6 0,0000 0,0005 0,0040 0,0155 0,0401 0,0792 0,1281 0,1766 0,2124 0,2256
7 0,0000 0,0000 0,0006 0,0033 0,0115 0,0291 0,0591 0,1009 0,1489 0,1934
8 0,0000 0,0000 0,0001 0,0005 0,0024 0,0078 0,0199 0,0420 0,0762 0,1208
187
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
9 0,0000 0,0000 0,0000 0,0001 0,0004 0,0015 0,0048 0,0125 0,0277 0,0537
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0008 0,0025 0,0068 0,0161
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010 0,0029
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002
13 0 0,5133 0,2542 0,1209 0,0550 0,0238 0,0097 0,0037 0,0013 0,0004 0,0001
1 0,3512 0,3672 0,2774 0,1787 0,1029 0,0540 0,0259 0,0113 0,0045 0,0016
2 0,1109 0,2448 0,2937 0,2680 0,2059 0,1388 0,0836 0,0453 0,0220 0,0095
3 0,0214 0,0997 0,1900 0,2457 0,2517 0,2181 0,1651 0,1107 0,0660 0,0349
4 0,0028 0,0277 0,0838 0,1535 0,2097 0,2337 0,2222 0,1845 0,1350 0,0873
5 0,0003 0,0055 0,0266 0,0691 0,1258 0,1803 0,2154 0,2214 0,1989 0,1571
6 0,0000 0,0008 0,0063 0,0230 0,0559 0,1030 0,1546 0,1968 0,2169 0,2095
7 0,0000 0,0001 0,0011 0,0058 0,0186 0,0442 0,0833 0,1312 0,1775 0,2095
8 0,0000 0,0000 0,0001 0,0011 0,0047 0,0142 0,0336 0,0656 0,1089 0,1571
9 0,0000 0,0000 0,0000 0,0001 0,0009 0,0034 0,0101 0,0243 0,0495 0,0873
10 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0022 0,0065 0,0162 0,0349
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0012 0,0036 0,0095
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0016
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
14 0 0,4877 0,2288 0,1028 0,0440 0,0178 0,0068 0,0024 0,0008 0,0002 0,0001
1 0,3593 0,3559 0,2539 0,1539 0,0832 0,0407 0,0181 0,0073 0,0027 0,0009
2 0,1229 0,2570 0,2912 0,2501 0,1802 0,1134 0,0634 0,0317 0,0141 0,0056
3 0,0259 0,1142 0,2056 0,2501 0,2402 0,1943 0,1366 0,0845 0,0462 0,0222
4 0,0037 0,0349 0,0998 0,1720 0,2202 0,2290 0,2022 0,1549 0,1040 0,0611
5 0,0004 0,0078 0,0352 0,0860 0,1468 0,1963 0,2178 0,2066 0,1701 0,1222
6 0,0000 0,0013 0,0093 0,0322 0,0734 0,1262 0,1759 0,2066 0,2088 0,1833
7 0,0000 0,0002 0,0019 0,0092 0,0280 0,0618 0,1082 0,1574 0,1952 0,2095
8 0,0000 0,0000 0,0003 0,0020 0,0082 0,0232 0,0510 0,0918 0,1398 0,1833
9 0,0000 0,0000 0,0000 0,0003 0,0018 0,0066 0,0183 0,0408 0,0762 0,1222
188
Anexos
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
10 0,0000 0,0000 0,0000 0,0000 0,0003 0,0014 0,0049 0,0136 0,0312 0,0611
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0010 0,0033 0,0093 0,0222
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0019 0,0056
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0009
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
15 0 0,4633 0,2059 0,0874 0,0352 0,0134 0,0047 0,0016 0,0005 0,0001 0,0000
1 0,3658 0,3432 0,2312 0,1319 0,0668 0,0305 0,0126 0,0047 0,0016 0,0005
2 0,1348 0,2669 0,2856 0,2309 0,1559 0,0916 0,0476 0,0219 0,0090 0,0032
3 0,0307 0,1285 0,2184 0,2501 0,2252 0,1700 0,1110 0,0634 0,0318 0,0139
4 0,0049 0,0428 0,1156 0,1876 0,2252 0,2186 0,1792 0,1268 0,0780 0,0417
5 0,0006 0,0105 0,0449 0,1032 0,1651 0,2061 0,2123 0,1859 0,1404 0,0916
6 0,0000 0,0019 0,0132 0,0430 0,0917 0,1472 0,1906 0,2066 0,1914 0,1527
7 0,0000 0,0003 0,0030 0,0138 0,0393 0,0811 0,1319 0,1771 0,2013 0,1964
8 0,0000 0,0000 0,0005 0,0035 0,0131 0,0348 0,0710 0,1181 0,1647 0,1964
9 0,0000 0,0000 0,0001 0,0007 0,0034 0,0116 0,0298 0,0612 0,1048 0,1527
10 0,0000 0,0000 0,0000 0,0001 0,0007 0,0030 0,0096 0,0245 0,0515 0,0916
11 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0024 0,0074 0,0191 0,0417
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0016 0,0052 0,0139
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010 0,0032
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
16 0 0,4401 0,1853 0,0743 0,0281 0,0100 0,0033 0,0010 0,0003 0,0001 0,0000
1 0,3706 0,3294 0,2097 0,1126 0,0535 0,0228 0,0087 0,0030 0,0009 0,0002
2 0,1463 0,2745 0,2775 0,2111 0,1336 0,0732 0,0353 0,0150 0,0056 0,0018
3 0,0359 0,1423 0,2285 0,2463 0,2079 0,1465 0,0888 0,0468 0,0215 0,0085
4 0,0061 0,0514 0,1311 0,2001 0,2252 0,2040 0,1553 0,1014 0,0572 0,0278
5 0,0008 0,0137 0,0555 0,1201 0,1802 0,2099 0,2008 0,1623 0,1123 0,0667
6 0,0001 0,0028 0,0180 0,0550 0,1101 0,1649 0,1982 0,1983 0,1684 0,1222
189
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
7 0,0000 0,0004 0,0045 0,0197 0,0524 0,1010 0,1524 0,1889 0,1969 0,1746
8 0,0000 0,0001 0,0009 0,0055 0,0197 0,0487 0,0923 0,1417 0,1812 0,1964
9 0,0000 0,0000 0,0001 0,0012 0,0058 0,0185 0,0442 0,0840 0,1318 0,1746
10 0,0000 0,0000 0,0000 0,0002 0,0014 0,0056 0,0167 0,0392 0,0755 0,1222
11 0,0000 0,0000 0,0000 0,0000 0,0002 0,0013 0,0049 0,0142 0,0337 0,0667
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0011 0,0040 0,0115 0,0278
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0008 0,0029 0,0085
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0018
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
17 0 0,4181 0,1668 0,0631 0,0225 0,0075 0,0023 0,0007 0,0002 0,0000 0,0000
1 0,3741 0,3150 0,1893 0,0957 0,0426 0,0169 0,0060 0,0019 0,0005 0,0001
2 0,1575 0,2800 0,2673 0,1914 0,1136 0,0581 0,0260 0,0102 0,0035 0,0010
3 0,0415 0,1556 0,2359 0,2393 0,1893 0,1245 0,0701 0,0341 0,0144 0,0052
4 0,0076 0,0605 0,1457 0,2093 0,2209 0,1868 0,1320 0,0796 0,0411 0,0182
5 0,0010 0,0175 0,0668 0,1361 0,1914 0,2081 0,1849 0,1379 0,0875 0,0472
6 0,0001 0,0039 0,0236 0,0680 0,1276 0,1784 0,1991 0,1839 0,1432 0,0944
7 0,0000 0,0007 0,0065 0,0267 0,0668 0,1201 0,1685 0,1927 0,1841 0,1484
8 0,0000 0,0001 0,0014 0,0084 0,0279 0,0644 0,1134 0,1606 0,1883 0,1855
9 0,0000 0,0000 0,0003 0,0021 0,0093 0,0276 0,0611 0,1070 0,1540 0,1855
10 0,0000 0,0000 0,0000 0,0004 0,0025 0,0095 0,0263 0,0571 0,1008 0,1484
11 0,0000 0,0000 0,0000 0,0001 0,0005 0,0026 0,0090 0,0242 0,0525 0,0944
12 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0024 0,0081 0,0215 0,0472
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0021 0,0068 0,0182
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0016 0,0052
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
190
Anexos
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
18 0 0,3972 0,1501 0,0536 0,0180 0,0056 0,0016 0,0004 0,0001 0,0000 0,0000
1 0,3763 0,3002 0,1704 0,0811 0,0338 0,0126 0,0042 0,0012 0,0003 0,0001
2 0,1683 0,2835 0,2556 0,1723 0,0958 0,0458 0,0190 0,0069 0,0022 0,0006
3 0,0473 0,1680 0,2406 0,2297 0,1704 0,1046 0,0547 0,0246 0,0095 0,0031
4 0,0093 0,0700 0,1592 0,2153 0,2130 0,1681 0,1104 0,0614 0,0291 0,0117
5 0,0014 0,0218 0,0787 0,1507 0,1988 0,2017 0,1664 0,1146 0,0666 0,0327
6 0,0002 0,0052 0,0301 0,0816 0,1436 0,1873 0,1941 0,1655 0,1181 0,0708
7 0,0000 0,0010 0,0091 0,0350 0,0820 0,1376 0,1792 0,1892 0,1657 0,1214
8 0,0000 0,0002 0,0022 0,0120 0,0376 0,0811 0,1327 0,1734 0,1864 0,1669
9 0,0000 0,0000 0,0004 0,0033 0,0139 0,0386 0,0794 0,1284 0,1694 0,1855
10 0,0000 0,0000 0,0001 0,0008 0,0042 0,0149 0,0385 0,0771 0,1248 0,1669
11 0,0000 0,0000 0,0000 0,0001 0,0010 0,0046 0,0151 0,0374 0,0742 0,1214
12 0,0000 0,0000 0,0000 0,0000 0,0002 0,0012 0,0047 0,0145 0,0354 0,0708
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0012 0,0045 0,0134 0,0327
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0011 0,0039 0,0117
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0009 0,0031
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
19 0 0,3774 0,1351 0,0456 0,0144 0,0042 0,0011 0,0003 0,0001 0,0000 0,0000
1 0,3774 0,2852 0,1529 0,0685 0,0268 0,0093 0,0029 0,0008 0,0002 0,0000
2 0,1787 0,2852 0,2428 0,1540 0,0803 0,0358 0,0138 0,0046 0,0013 0,0003
3 0,0533 0,1796 0,2428 0,2182 0,1517 0,0869 0,0422 0,0175 0,0062 0,0018
4 0,0112 0,0798 0,1714 0,2182 0,2023 0,1491 0,0909 0,0467 0,0203 0,0074
5 0,0018 0,0266 0,0907 0,1636 0,2023 0,1916 0,1468 0,0933 0,0497 0,0222
6 0,0002 0,0069 0,0374 0,0955 0,1574 0,1916 0,1844 0,1451 0,0949 0,0518
7 0,0000 0,0014 0,0122 0,0443 0,0974 0,1525 0,1844 0,1797 0,1443 0,0961
8 0,0000 0,0002 0,0032 0,0166 0,0487 0,0981 0,1489 0,1797 0,1771 0,1442
191
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
9 0,0000 0,0000 0,0007 0,0051 0,0198 0,0514 0,0980 0,1464 0,1771 0,1762
10 0,0000 0,0000 0,0001 0,0013 0,0066 0,0220 0,0528 0,0976 0,1449 0,1762
11 0,0000 0,0000 0,0000 0,0003 0,0018 0,0077 0,0233 0,0532 0,0970 0,1442
12 0,0000 0,0000 0,0000 0,0000 0,0004 0,0022 0,0083 0,0237 0,0529 0,0961
13 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0024 0,0085 0,0233 0,0518
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0024 0,0082 0,0222
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0022 0,0074
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0018
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
19 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
20 0 0,3585 0,1216 0,0388 0,0115 0,0032 0,0008 0,0002 0,0000 0,0000 0,0000
1 0,3774 0,2702 0,1368 0,0576 0,0211 0,0068 0,0020 0,0005 0,0001 0,0000
2 0,1887 0,2852 0,2293 0,1369 0,0669 0,0278 0,0100 0,0031 0,0008 0,0002
3 0,0596 0,1901 0,2428 0,2054 0,1339 0,0716 0,0323 0,0123 0,0040 0,0011
4 0,0133 0,0898 0,1821 0,2182 0,1897 0,1304 0,0738 0,0350 0,0139 0,0046
5 0,0022 0,0319 0,1028 0,1746 0,2023 0,1789 0,1272 0,0746 0,0365 0,0148
6 0,0003 0,0089 0,0454 0,1091 0,1686 0,1916 0,1712 0,1244 0,0746 0,0370
7 0,0000 0,0020 0,0160 0,0545 0,1124 0,1643 0,1844 0,1659 0,1221 0,0739
8 0,0000 0,0004 0,0046 0,0222 0,0609 0,1144 0,1614 0,1797 0,1623 0,1201
9 0,0000 0,0001 0,0011 0,0074 0,0271 0,0654 0,1158 0,1597 0,1771 0,1602
10 0,0000 0,0000 0,0002 0,0020 0,0099 0,0308 0,0686 0,1171 0,1593 0,1762
11 0,0000 0,0000 0,0000 0,0005 0,0030 0,0120 0,0336 0,0710 0,1185 0,1602
12 0,0000 0,0000 0,0000 0,0001 0,0008 0,0039 0,0136 0,0355 0,0727 0,1201
13 0,0000 0,0000 0,0000 0,0000 0,0002 0,0010 0,0045 0,0146 0,0366 0,0739
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0012 0,0049 0,0150 0,0370
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0003 0,0013 0,0049 0,0148
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0003 0,0013 0,0046
192
Anexos
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0011
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002
19 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
20 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
TABELA C - Distribuio de Poisson acumulada
Exemplo: se = 2, ento F(3)= 0,857.
0 1 2 3 4 5 6 7 8 9
0,02 0,980 1,000
0,04 0,961 0,999 1,000
0,06 0,942 0,998 1,000
0,08 0,923 0,997 1,000
0,10 0,905 0,995 1,000
0,15 0,861 0,990 0,999 1,000
0,20 0,819 0,982 0,999 1,000
0,25 0,779 0,974 0,998 1,000
0,30 0,741 0,963 0,996 1,000
0,35 0,705 0,951 0,994 1,000
0,40 0,670 0,938 0,992 0,999 1,000
0,45 0,638 0,925 0,989 0,999 1,000
0,50 0,607 0,910 0,986 0,998 1,000
0,55 0,577 0,894 0,982 0,998 1,000
0,60 0,549 0,878 0,977 0,997 1,000
0,65 0,522 0,861 0,972 0,996 0,999 1,000
0,70 0,497 0,844 0,966 0,994 0,999 1,000
0,75 0,472 0,827 0,959 0,993 0,999 1,000
0,80 0,449 0,809 0,953 0,991 0,999 1,000
0,85 0,427 0,791 0,945 0,989 0,998 1,000
193
0 1 2 3 4 5 6 7 8 9
0,90 0,407 0,772 0,937 0,987 0,998 1,000
0,95 0,387 0,754 0,929 0,984 0,997 1,000
1,00 0,368 0,736 0,920 0,981 0,996 0,999 1,000
1,10 0,333 0,699 0,900 0,974 0,995 0,999 1,000
1,20 0,301 0,663 0,879 0,966 0,992 0,998 1,000
1,30 0,273 0,627 0,857 0,957 0,989 0,998 1,000
1,40 0,247 0,592 0,833 0,946 0,986 0,997 0,999 1,000
1,50 0,223 0,558 0,809 0,934 0,981 0,996 0,999 1,000
1,60 0,202 0,525 0,783 0,921 0,976 0,994 0,999 1,000
1,70 0,183 0,493 0,757 0,907 0,970 0,992 0,998 1,000
1,80 0,165 0,463 0,731 0,891 0,964 0,990 0,997 0,999 1,000
1,90 0,150 0,434 0,704 0,875 0,956 0,987 0,997 0,999 1,000
2,00 0,135 0,406 0,677 0,857 0,947 0,983 0,995 0,999 1,000
2,20 0,111 0,355 0,623 0,819 0,928 0,975 0,993 0,998 1,000
2,40 0,091 0,308 0,570 0,779 0,904 0,964 0,988 0,997 0,999 1,000
2,60 0,074 0,267 0,518 0,736 0,877 0,951 0,983 0,995 0,999 1,000
2,80 0,061 0,231 0,469 0,692 0,848 0,935 0,976 0,992 0,998 0,999
3,00 0,050 0,199 0,423 0,647 0,815 0,916 0,966 0,988 0,996 0,999
3,20 0,041 0,171 0,380 0,603 0,781 0,895 0,955 0,983 0,994 0,998
3,40 0,033 0,147 0,340 0,558 0,744 0,871 0,942 0,977 0,992 0,997
3,60 0,027 0,126 0,303 0,515 0,706 0,844 0,927 0,969 0,988 0,996
3,80 0,022 0,107 0,269 0,473 0,668 0,816 0,909 0,960 0,984 0,994
4,00 0,018 0,092 0,238 0,433 0,629 0,785 0,889 0,949 0,979 0,992
4,20 0,015 0,078 0,210 0,395 0,590 0,753 0,867 0,936 0,972 0,989
4,40 0,012 0,066 0,185 0,359 0,551 0,720 0,844 0,921 0,964 0,985
4,60 0,010 0,056 0,163 0,326 0,513 0,686 0,818 0,905 0,955 0,980
4,80 0,008 0,048 0,143 0,294 0,476 0,651 0,791 0,887 0,944 0,975
194
Anexos
0 1 2 3 4 5 6 7 8 9
5,00 0,007 0,040 0,125 0,265 0,440 0,616 0,762 0,867 0,932 0,968
5,20 0,006 0,034 0,109 0,238 0,406 0,581 0,732 0,845 0,918 0,960
5,40 0,005 0,029 0,095 0,213 0,373 0,546 0,702 0,822 0,903 0,951
5,60 0,004 0,024 0,082 0,191 0,342 0,512 0,670 0,797 0,886 0,941
5,80 0,003 0,021 0,072 0,170 0,313 0,478 0,638 0,771 0,867 0,929
6,00 0,002 0,017 0,062 0,151 0,285 0,446 0,606 0,744 0,847 0,916
6,20 0,002 0,015 0,054 0,134 0,259 0,414 0,574 0,716 0,826 0,902
6,40 0,002 0,012 0,046 0,119 0,235 0,384 0,542 0,687 0,803 0,886
6,60 0,001 0,010 0,040 0,105 0,213 0,355 0,511 0,658 0,780 0,869
6,80 0,001 0,009 0,034 0,093 0,192 0,327 0,480 0,628 0,755 0,850
7,00 0,001 0,007 0,030 0,082 0,173 0,301 0,450 0,599 0,729 0,830
7,20 0,001 0,006 0,025 0,072 0,156 0,276 0,420 0,569 0,703 0,810
7,40 0,001 0,005 0,022 0,063 0,140 0,253 0,392 0,539 0,676 0,788
7,60 0,001 0,004 0,019 0,055 0,125 0,231 0,365 0,510 0,648 0,765
7,80 0,000 0,004 0,016 0,048 0,112 0,210 0,338 0,481 0,620 0,741
8,00 0,000 0,003 0,014 0,042 0,100 0,191 0,313 0,453 0,593 0,717
8,50 0,000 0,002 0,009 0,030 0,074 0,150 0,256 0,386 0,523 0,653
9,00 0,000 0,001 0,006 0,021 0,055 0,116 0,207 0,324 0,456 0,587
9,50 0,000 0,001 0,004 0,015 0,040 0,089 0,165 0,269 0,392 0,522
10,00 0,000 0,000 0,003 0,010 0,029 0,067 0,130 0,220 0,333 0,458
10,50 0,000 0,000 0,002 0,007 0,021 0,050 0,102 0,179 0,279 0,397
11,00 0,000 0,000 0,001 0,005 0,015 0,038 0,079 0,143 0,232 0,341
11,50 0,000 0,000 0,001 0,003 0,011 0,028 0,060 0,114 0,191 0,289
12,00 0,000 0,000 0,001 0,002 0,008 0,020 0,046 0,090 0,155 0,242
12,50 0,000 0,000 0,000 0,002 0,005 0,015 0,035 0,070 0,125 0,201
13,00 0,000 0,000 0,000 0,001 0,004 0,011 0,026 0,054 0,100 0,166
13,50 0,000 0,000 0,000 0,001 0,003 0,008 0,019 0,041 0,079 0,135
195
0 1 2 3 4 5 6 7 8 9
14,00 0,000 0,000 0,000 0,000 0,002 0,006 0,014 0,032 0,062 0,109
14,50 0,000 0,000 0,000 0,000 0,001 0,004 0,010 0,024 0,048 0,088
15,00 0,000 0,000 0,000 0,000 0,001 0,003 0,008 0,018 0,037 0,070
16,00 0,000 0,000 0,000 0,000 0,000 0,001 0,004 0,010 0,022 0,043
17,00 0,000 0,000 0,000 0,000 0,000 0,001 0,002 0,005 0,013 0,026
18,00 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,003 0,007 0,015
19,00 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,002 0,004 0,009
20,00 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,002 0,005
21,00 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,003
22,00 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,002
23,00 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,001
24,00 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
25,00 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
10 11 12 13 14 15 16 17 18 19
2,8 1,060
3 1,049
3,2 1,039
3,4 1,031 1,064
3,6 1,023 1,051
3,8 1,017 1,039 1,061
4 1,010 1,028 1,047
4,2 1,004 1,019 1,034
4,4 0,997 1,010 1,022 1,034
4,6 0,991 1,001 1,011 1,021
4,8 0,983 0,991 1,000 1,008
5 0,975 0,982 0,988 0,995 1,002
5,2 0,966 0,971 0,977 0,982 0,988
196
Anexos
10 11 12 13 14 15 16 17 18 19
5,4 0,956 0,960 0,965 0,969 0,974
5,6 0,945 0,948 0,952 0,956 0,959 0,963
5,8 0,932 0,935 0,938 0,941 0,944 0,947
6 0,919 0,921 0,924 0,926 0,928 0,931 0,933
6,2 0,904 0,906 0,908 0,910 0,912 0,914 0,916
6,4 0,887 0,889 0,891 0,892 0,894 0,896 0,897
6,6 0,870 0,871 0,873 0,874 0,875 0,877 0,878 0,880
6,8 0,851 0,852 0,854 0,855 0,856 0,857 0,858 0,859
7 0,831 0,832 0,833 0,834 0,835 0,836 0,837 0,838
7,2 0,810 0,811 0,812 0,813 0,813 0,814 0,815 0,816
7,4 0,788 0,789 0,790 0,790 0,791 0,791 0,792 0,793 0,793
7,6 0,765 0,766 0,766 0,767 0,767 0,768 0,768 0,769 0,769
7,8 0,742 0,742 0,742 0,743 0,743 0,744 0,744 0,744 0,745
8 0,717 0,717 0,718 0,718 0,718 0,719 0,719 0,719 0,720 0,720
8,5 0,653 0,653 0,654 0,654 0,654 0,654 0,654 0,655 0,655 0,655
9 0,588 0,588 0,588 0,588 0,588 0,588 0,588 0,588 0,589 0,589
9,5 0,522 0,522 0,522 0,522 0,522 0,522 0,522 0,522 0,522 0,523
10 0,458 0,458 0,458 0,458 0,458 0,458 0,458 0,458 0,458 0,458
10,5 0,397 0,397 0,397 0,397 0,397 0,397 0,397 0,397 0,397 0,397
11 0,341 0,341 0,341 0,341 0,341 0,341 0,341 0,341 0,341 0,341
11,5 0,289 0,289 0,289 0,289 0,289 0,289 0,289 0,289 0,289 0,289
12 0,242 0,242 0,242 0,242 0,242 0,242 0,242 0,242 0,242 0,242
12,5 0,201 0,201 0,201 0,201 0,201 0,201 0,201 0,201 0,201 0,201
13 0,166 0,166 0,166 0,166 0,166 0,166 0,166 0,166 0,166 0,166
13,5 0,135 0,135 0,135 0,135 0,135 0,135 0,135 0,135 0,135 0,135
14 0,109 0,109 0,109 0,109 0,109 0,109 0,109 0,109 0,109 0,109
14,5 0,088 0,088 0,088 0,088 0,088 0,088 0,088 0,088 0,088 0,088
15 0,070 0,070 0,070 0,070 0,070 0,070 0,070 0,070 0,070 0,070
197
10 11 12 13 14 15 16 17 18 19
16 0,043 0,043 0,043 0,043 0,043 0,043 0,043 0,043 0,043 0,043
17 0,026 0,026 0,026 0,026 0,026 0,026 0,026 0,026 0,026 0,026
18 0,015 0,015 0,015 0,015 0,015 0,015 0,015 0,015 0,015 0,015
19 0,009 0,009 0,009 0,009 0,009 0,009 0,009 0,009 0,009 0,009
20 0,005 0,005 0,005 0,005 0,005 0,005 0,005 0,005 0,005 0,005
21 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,003
22 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002
23 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001
24 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
25 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
20 21 22 23 24 25 26 27 28 29
8,5 0,655
9 0,589
9,5 0,523 0,523
10 0,458 0,458 0,459
10,5 0,397 0,397 0,397 0,398
11 0,341 0,341 0,341 0,341
11,5 0,289 0,289 0,289 0,289 0,289
12 0,242 0,242 0,242 0,242 0,242 0,242
12,5 0,201 0,201 0,201 0,201 0,201 0,201 0,201
13 0,166 0,166 0,166 0,166 0,166 0,166 0,166
13,5 0,135 0,135 0,135 0,135 0,135 0,135 0,135 0,135
14 0,109 0,109 0,109 0,109 0,109 0,109 0,109 0,109 0,109
14,5 0,088 0,088 0,088 0,088 0,088 0,088 0,088 0,088 0,088 0,088
15 0,070 0,070 0,070 0,070 0,070 0,070 0,070 0,070 0,070 0,070
16 0,043 0,043 0,043 0,043 0,043 0,043 0,043 0,043 0,043 0,043
198
Anexos
17 0,026 0,026 0,026 0,026 0,026 0,026 0,026 0,026 0,026 0,026
18 0,015 0,015 0,015 0,015 0,015 0,015 0,015 0,015 0,015 0,015
19 0,009 0,009 0,009 0,009 0,009 0,009 0,009 0,009 0,009 0,009
20 0,005 0,005 0,005 0,005 0,005 0,005 0,005 0,005 0,005 0,005
21 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,003
22 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002
23 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001
24 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
25 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
30 31 32 33 34 35 36 37 38 39
15 0,070
16 0,043 0,043
17 0,026 0,026 0,026
18 0,015 0,015 0,015 0,015 0,015
19 0,009 0,009 0,009 0,009 0,009 0,009
20 0,005 0,005 0,005 0,005 0,005 0,005 0,005 0,005
21 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,003
22 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002
23 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001
24 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
25 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
40 41 42 43
23 0,001 0,001
24 0,000 0,000 0,000
25 0,000 0,000 0,000 0,000
199
Tabela D - Probabilidade sob a rea da curva normal padro
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-4,0 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
-3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
-3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
200
Anexos
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
201
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
202
Anexos
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
4,0 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Tabela E - Distribuio t de Student
Exemplo: para 19 graus de liberdade, rea de 0,05 (bicaudal).
t = 2,093
bicaudal
0,1 0,05 0,02 0,01
1 6,314 12,706 31,821 63,656
2 2,920 4,303 6,965 9,925
3 2,353 3,182 4,541 5,841
4 2,132 2,776 3,747 4,604
5 2,015 2,571 3,365 4,032
6 1,943 2,447 3,143 3,707
7 1,895 2,365 2,998 3,499
8 1,860 2,306 2,896 3,355
9 1,833 2,262 2,821 3,250
10 1,812 2,228 2,764 3,169
11 1,796 2,201 2,718 3,106
12 1,782 2,179 2,681 3,055
13 1,771 2,160 2,650 3,012
14 1,761 2,145 2,624 2,977
15 1,753 2,131 2,602 2,947
16 1,746 2,120 2,583 2,921
17 1,740 2,110 2,567 2,898
18 1,734 2,101 2,552 2,878
19 1,729 2,093 2,539 2,861
203
bicaudal
0,1 0,05 0,02 0,01
20 1,725 2,086 2,528 2,845
21 1,721 2,080 2,518 2,831
22 1,717 2,074 2,508 2,819
23 1,714 2,069 2,500 2,807
24 1,711 2,064 2,492 2,797
25 1,708 2,060 2,485 2,787
26 1,706 2,056 2,479 2,779
27 1,703 2,052 2,473 2,771
28 1,701 2,048 2,467 2,763
29 1,699 2,045 2,462 2,756
30 1,697 2,042 2,457 2,750
40 1,684 2,021 2,423 2,704
60 1,671 2,000 2,390 2,660
120 1,658 1,980 2,358 2,617
Distribuio normal 1,645 1,96 2,326 2,576
0,05 0,025 0,01 0,005
Unicaudal
204
Gabarito
Probabilidades e distribuies
de probabilidades
1.
a) O complemento ser {1,4,5,6}.
b) O complemento ser extrair uma carta de ouros, ou de espadas ou

de paus.
c) O complemento ser retirar 10 ou mais defeituosos.
d) O complemento ser retirar no mximo 4 defeituosos (ou menos

de 5).
2)
a) A:{ (3,6) (4,5) (5,4) (6,3)}
B:{(4,1)(4,2)(4,3)(4,4)(4,5)(4,6)(5,1)(5,2)(5,3)(5,4)(5,5)(5,6)(6,1)(6,2)
(6,3)(6,4)(6,5)(6,6)}
b) Os elementos de AB sero os elementos de A mais os elementos

de B
AB = {(3,6)(4,1)(4,2)(4,3)(4,4)(4,5)(4,6)(5,1)(5,2)(5,3)(5,4)(5,5)(5,6)
(6,1)(6,2)6,3)(6,4)(6,5)(6,6)}
Os elementos de A B sero aqueles comuns aos dois conjuntos,

logo:
A B = {(4,5) (5,4) (6,3)}
Os elementos do complemento de A sero aqueles que no perten-

cem a A, mas pertencem ao demais conjuntos do espao amostral.:
(1,1)(1,2)(1,3)(1,4)(1,5)(1,6)(2,1)(2,2)(2,3)(2,4)(2,5)(2,6)
A=c (3,1)(3,2) (3,3)(3,4)(3,5)(4,1)(4,2)(4,3)(4,4)(4,6)(5,1)(5,2)
(5,3)(5,5)(5,6)(6,1)(6,2)(6,4)(6,5)(6,6)

3.
a) No so mutuamente exclusivos, pois existe A B = 0,15.
b) O complemento de B dado por: P(Bc) = 1 P(B), logo P(Bc) = 1

0,80 = 0,20.
c) P(AUB) = P(A) + P(B) P(AB) P(AUB)=0,30 + 0,80 0,15 = 0,95.
4.
3 0
a) C 8 .C12 = 0,049
3
C20
C 82 .C12
1
b) 3
= 0,295
C20
C 81 .C122
c) 3
= 0, 463
C20
5.
90 110
a) C 400 .C1100
200
C1500
C 400
0 200
.C1100 + C 400
1 199
.C1100 + C 400
2 198
.C1100
b) 1 200
C1500
6.
a) Este um caso de uma distribuio binomial, onde p= 0,80 e n=10,

sendo assim: P(X) = 7 = C10,7(0,8)7.(0,2)3 P(X = 7) = C10,7(0,8)7(0,2)3 =
120 . (0,2097) . (0,008) = 0,2013
b) Neste caso o valor de p=0,20 (probabilidade de no aumentar), en-

to pelo menos 3 no aumentarem a, P(X 3) = 1 P(X < 3) ou
seja, P( X 3) = 1 [P( X = 0) + P( X = 1) + P( X = 2)]
P( X 3) = 1 C 10 ,0 (0,2)0 .(0, 8)10 + C10,1(0,2)1.(0, 8)9 + C10,2 (0,2)2 .(0, 8)8
P( X 3) = 1 [0,1074 + 0,2684 + 0,3020 ] P( X 3) = 1 [0, 6778 ]= 0,3222
7. Este problema um caso de distribuio binomial onde o valor de p se

altera em funo do evento solicitado e n = 8, sendo assim em :
208
Gabarito
a) P(todos receberem o sinal verde) com p= 0,7 e n=8, logo
P( X = 8) = C 8,8 (0,7)8 .(0,3)0 = 0, 0576.
b) P(Pelo menos 2 lotes receberem o sinal vermelho) com p = 0,10 e

n=8, P( X 2) = 1 P( X < 2) = 1 [P( X = 0) + P( X = 1)]
P( X 2) = 1 C 8,0 (0,1)0 .(0, 9)8 + C 8,1(0,1)1.(0, 9)7
P( X 2) = 1 [0, 4305 + 0,3826 ]= 0,1869.
c) P(No mximo 3 receberem o sinal amarelo) com p=0,2 e n=8
P( X 3) = P( X = 0) + P( X = 1) + P( X = 2) + P( X = 3)
P( X 3) = C 8,0 (0,2)0 .(0, 8)8 + C 8,1(0,2)1.(0, 8)7 + C 8,2 (0,2)2 .(0, 8)6 + C 8,3 (0,2)3 .(0, 8)5
P( X 3) = [0,1678 + 0,3355 + 0,2936 + 0,1468 ]= 0, 9437.
8. Este problema trata de uma distribuio de Poisson, com mdia de 2,3

ocorrncias por dia. Sendo assim temos que:
(2,30 .e 2,3 )
a) P( X = 0) = = 0,1002 ou 10,02%.
0!
(2,32.e 2,3 )
b) P( X = 2) = = 0,2652 ou 26,52%.
2!
c) P( X 1) = 1 P( X < 1) = 1 P( X = 0) P( X 1) = 1 0,1002 = 0,8998ou

89,98%.
9. uma aplicao da distribuio binomial. Inicialmente devemos obter

a probabilidade de ocorrer algum defeituoso numa caixa, ou seja:
P(X 1) com n = 5 e p = 0,06 P(X 1) = 1 P(X < 1) = 1P(X = 0)
Logo:
P( X 1) = 1 C 5,0 (0, 06) .(0, 94)

0 5
P( X 1) = 1 [0,7339] = 0,2661ou
26,61%.
Como a empresa paga R$ 10,00 por caixa com algum defeito e o lote
contempla 5.000 caixas, ento a multa esperada ser dada por:
E(multa) = P(caixa com alguma defeituosa) x total de caixas x R$

10,00
E(multa) = 0,2661 x 5.000 x R$ 10,00 onde E(multa) = R$ 13.305,00.
209
10. um caso de aplicao de uma distribuio de Poisson, com mdia de

4,2 pedidos/dia.
a) P( X 5) = 1 P( X < 5) = 1 [P( X = 0) + P( X = 1) + P( X = 2) + P( X = 3) + P( X = 4)]

4,20 e 4 ,3 4,21 e 4 ,3 4,22 e 4 ,3 4,23 e 4 ,3 4,24 e 4 ,3
1 + + + +
0! 1! 2! 3! 4 !
=1 [0,5704] = 0,4296 ou 42,96%.
b) E(custo horas extras/ms) = P(realizar horas extras) x Custo/dia x

nmero de dias/ms onde E(custo horas extras/ms) = 0,4296 x R$
375,00 x 22 = R$ 3.544,20.
Amostragem
1.
a) A avaliao da instituio.
b) Os alunos da instituio.
c) Os 110 alunos respondentes.
2. Como p = 0,6 , N = 600 , d = 0,07 e z = 1,96 ento como a populao

2 2
finita, temos: n ' = z p.(1 p ) n ' 1, 96 (0,6)(0,4) = 189 onde
d 0, 07
devemos aplicar o fator de correo para populaes finitas, de tal for-
( N n) (600 189)
ma que: n = n ' onde n = 189. n = 157
(N 1) (600 1)
3.
a) Conglomerados
b) Estratificada
c) Convenincia
4.
a) O texto da questo tendencioso induz a resposta negativa.
b) O tamanho da amostra pequeno (20 unidades)
210
Gabarito
c) Os entrevistados foram auto-selecionados, ou seja, no houve uma

seleo aleatria por parte do jornal.
d) Como apenas 20 entrevistados responderam, ento os percentu-

ais obrigatoriamente devem ser mltiplos de 5. Logo, 87% e 13%
no so resultados possveis.
N 2.590
5. Como a frao amostral ser ento , f .a = = 74, isto significa
n 35
que os elementos da amostra foram retirados num intervalo de 74
unidades. Sendo assim pertencer amostra o elemento Xi em que
1546 X
74 = nmero inteiro (corresponde ao nmero de intervalos
de 74 unidades distante do valor 1546). Logo, o nico elemento que
satisfaz esta condio o 1.0280 conforme se observa no clculo:
1546 1028
74 = 7
6. Existem vrias formas de soluo para esta questo, mas basicamente

a idia que a amostra mantenha a representatividade da populao,
e sendo assim temos que:
Populao Amostra
N1= 80 n1= 12
N2= 120 n2= ?
N3= 60 n3= ?
N =260 n= ?
80 12
Ento; PropN1 = = 0,3077 logo n1=0,3077 de n n = , ento:
260 0,3077
120
como PropN2 = = 0,4615 logo n2=0,4615 de n n = (0,4615) . 39 = 18
260
Portanto: n2 = 18 e n3 = 39 12 18 = 9 .
7.
a) Nmeros selecionados: 46 21 28 15 31 36 35 56 88 65
Resistncias: 33 35 33 36 34 35 31 35 41 33
211
33 + 35 + 33 + 36 + 34 + 35 + 31+ 35 + 41+ 33 346

Resistncia Mdia = = = 34, 6
10 10
b) Sim, pois os valores das resistncias correspondentes ao fornece-

dor B tem uma diferena clara em relao aos do fornecedor A, no
entanto o comportamento homogneo dentro de cada um dos
fornecedores. Sendo assim podemos tratar como dois estratos.
O procedimento para a estratificao seria manter na amostra
a representatividade observada na populao, ou seja 70% de
componentes do fornecedor A e 30% de componentes do forne-
cedor B. Desta forma teramos numa amostra de tamanho 10, a
incluso de 7 componentes do fornecedor A e 3 componentes do
fornecedor B. No processo de seleo por meio da tabela de n-
meros aleatrios, os componentes ordenados de 01 a 70 seriam
do fornecedor A e de 71 a 100 (00) do fornecedor B. Partindo da
quinta linha com a oitava coluna, obteramos a seguinte amostra:
Nmeros Selecionados: 46(A) 21(A) 28(A) 15(A) 31(A) 36(A) 35(A)
como j esto contemplados 7 componentes do fornecedor A, so-
mente nos interessa a partir de agora a obteno dos componentes
do fornecedor B, logo apenas participaro da amostra elementos
que estejam entre 71 e 100 na seqncia da tabela de nmeros ale-
atrios. Sendo assim encontraremos os nmeros 88 86 e 98.
Resistncias: : 33 35 33 36 34 35 31 41 39 39
33 + 35 + 33 + 36 + 34 + 35 + 31+ 41+ 39 + 39 356
10 10
c) Neste caso foi utilizada uma amostra com 5 componentes de A e 5
de B. O procedimento correto para realizar a estimativa da mdia
populacional seria corrigir os valores mdios em funo da repre-
sentatividade na populao, ou seja:
(33,(33,
8).70 + (40,2).30
8).70 + (40,2).30
Resistncia Mdia ( X )( X=) = 35,72
= 35,72
100100
d) Como o 2 elemento pertence a amostra e como a frao de amostra-
gem 7 , ento a amostra composta dos seguintes elementos.
Nmeros Selecionados: 02 09 16 23 30 37 44 51 58 65
Resistncias : 38 32 33 33 36 35 35 33 30 33
38 + 32 + 33 + 33 + 36 + 35 + 35 + 33 + 30 + 33 338
10 10
212
Gabarito
Estimao
1.
a) P(0 < Z< 1,2) = P(Z < 1,2) P(Z < 0) = 0,8849 0,50 = 0,4849 ou
48,49%
b) P(0,9 Z 0) = P (Z < 0) P(Z < 0,9) = 0,50 0,1841 = 0,3159 ou

31,59%
c) P(1,21 Z < 1,75) = P (Z < 1,75) P(Z < 1,21) = 0,9599 0,8869 =
0,073 ou 7,3%
d) P(Z > 0,75) = 1 P(Z< 0,75) = 1 0,2266 = 0,7734 ou 77,34%
e) P(Z 1,35) = 0,9115 ou 91,15%
f) P(1,44 < Z < 0) = P(Z < 0) P(Z < 1,44) = 0,50 0,0749 = 0,4251
ou 42,51%
2.
a) Na tabela D encontramos o valor z0 = 0
b) A rea abaixo de z0 0,8645, logo a rea entre 0 e z0 ser de 0,8645

0,50 = 0,3645. Sendo assim, na tabela encontraremos z0 = 1,1 .
c) A rea abaixo de z0 0,95, logo a rea entre 0 e z0 ser de 0,95 0,50

= 0,45. Sendo assim, na tabela encontraremos z0 = 1,645 .
3.
a) = 1 500 e = 300, ento desejamos encontrar a P(X > 1860).
X m 1860 1500
Calculamos o valor de Z, onde Z = = = 1,2.
s 300
Sendo assim a
P(X > 1860) = P(Z > 1,2) P(Z > 1,2) = 1 P(Z < 1,2) = 1 0,8849=
0,1151 ou 11,51%
b) E (pessoas com renda inferior a R$1.050,00) = n. P(X<1050). A

X m 1050 1500
P(X < 1050) = P( Z < ) , onde P (X < 1050) = P( Z < ).
s 300
Sendo assim, a P (X < 1050) = P(Z < 1,5) = 0,067. O nmero esperado
de pessoas com renda inferior a R$1.050,00 ser de 50 x 0,067 =
3,35, ou seja, 3 pessoas.
213
4. Sendo = 150.000 e = 10.000 , ento:
a) P(140.000 X 165.000) = P( X 165.000) P( X 140.000) o n d e

140.000 150.000 165.000 150.000
z1 = = 1 e z 2 = = 1,5
10.000 10.000
logo a
P(140.000 X 165.000) = P( 1 Z 1,5) = ( Z 1,5) P( 1)
= 0,9332 0,1587 = 0,7745 ou 77,45%.
b) rea abaixo do valor de X corresponde a 99,8%. rea entre

0 e z0 = 0,998 0,50 = 0,498. Sendo assim o valor de z0 = 2,88 e
desta forma encontramos o valor de X por meio da expresso:
X 150.000
2, 88 = ou seja, X = 178.800 Km.
10.000
5.
a) Baseado no resultado obtido atravs da mdia amostral. Esta esti-

mativa ter como valor 3,44.
s2
b) O estimador utilizado X com distribuio normal ( m , )
n
c) Como = 5 e 2 = 12,96, ento:
I) P( X > 4) = 1 P(X 4)
4 -5
\z= = -1, 67 logo P(X > 4) = P(z 1,67) = 1 P(z
12, 96 / 36
1,67) = 1 0,0475 = 0,9525 ou 95,25%
6,5 - 5
II) P(X = 6,5) z = = 2,5 logo P(X 6,5) = P(z 2,5)
12, 96 / 36
P(z 2,5) = 0,9938 ou 99,38%
III) P(X = 2) = 0, pois numa distribuio contnua no possvel
calcular a probabilidade no ponto exato.
3,5 - 5
IV) P(3,5 < X 5) = P(X 5) P(X < 3,5) \ z1 = e
12, 96 / 36
5-5
z2 = ento z1 = 2,5 e z2 = 0. Desta forma a P(3,5 < X 5)
12, 96 / 36'
= P(2,5 < Z 0) = P(Z 0) P(Z<2,5) = 0,50 0,0062 = 0,4938 ou
49,38%
214
Gabarito
6.
a) n = 75; X = 8,2; S = 1,1. Como o tamanho da amostra maior que

30 ento utilizaremos a estatstica z para a construo do intervalo
de confiana com 1 = 90. O valor de z ser 1,645. Ento:
P( X - z .S X m X + z .S X ) = 1- a

1,1 1,1
P[8,2 (1, 645) m 8,2 + (1, 645) ] = 0, 90 \
75 75
P(8,2 0,21 m 8,2 + 0,21) = 0, 90
P(7, 99 m 8, 41) = 0, 90
Com 90% de confiana podemos afirmar que os aparelhos de te-

leviso desta populao tem um tempo mdio para substituio
entre 7,99 anos e 8,41 anos.
b) No, pois o estudo foi restrito aos aparelhos adquiridos h vrios

anos.
7. n = 20; X = 24; S = 1,3. Sendo o tamanho da amostra menor do que 30

e o desvio padro da populao desconhecido, ento utilizaremos a
estatstica t de student para a construo do intervalo de confiana
com 1 = 0,95 . Neste caso o valor de t ser dado por t1-; n-1 = t0,95; 19 =
2,093. Desta forma o intervalo de confiana ser obtido por meio da
expresso:
P( X - t .S X m X + t .S X ) = 1- a
1,3 1,3
P(2, 4 (2, 093) m 2, 4 + (2, 093) ) = 0, 95 \
20 20
P(2, 4 0, 61 m 2, 4 + 0, 61) = 0, 95
P(1,79 m 3, 01) = 0, 95
Ou seja, com 95% de confiana podemos afirmar que o tempo mdio

gasto por dia com servios burocrticos dos administradores desta
populao estar entre 1,79 horas e 3,01 horas.
f 440
8. N= 6.500 , n=625, f = 440 e 1 - = 90, ento p = = = 0,704 e z =
n 625
1,645. O intervalo de confiana ser dado pela expresso:
P( p - z .Sp p p + z .Sp ) = 1- a
215
p .(1- P ) (N - n)
Onde Sp = . ; a incluso do fator de correo
n (N -1)
para populaes finitas. (N - n) se deve ao fato de n> 5% da

(N -1)
p .(1- P ) (N - n)
populao (N). Sendo assim o valor de Sp =
ser .
n (N -1)
0,704.(0,296) (6500 - 625) = 0,017.
.
625 (6500 -1)
Portanto o intervalo de confiana ser: P[0,704 (1,645) . (0,017)

P 0,704 + (1,645) . (0,017)] = 0,90 P(0,676 P 0,732 P
0,732] = 0,90. Ou seja, com 90% de confiana podemos afirmar
que das pessoas desta populao , entre 67,6% e 73,2% preferem
o detergente da marca ABC.
9.
284
a) = 5%; n =36; X = = 7,89 e conhecido igual a 2.
36
Hipteses:
H0: = 8
H1: < 8
um teste unilateral esquerda, onde o valor crtico de z ser

-1,645. A estatstica calculada ser obtida por
X - m 7, 89 - 8
z calc = = = -0,33
s 2
n 36
Deciso: Como o valor de z calculado maior que z crtico ento
no se rejeita H0, portanto a empresa deve continuar fabricando o
produto.
b) Caso tivssemos = 10%, o valor de z crtico seria igual a 1,282,

logo manteramos a deciso encontrada anteriormente para 5%,
ou seja ainda assim no rejeitaramos H0.
10. Dados: (145)2

3531-
27 + 24 + 21+ 25 + 26 + 22 6 = 2,32
x= = 24,17 e S =
6 5
216
Gabarito
Hipteses:
H0: 0 = 23
H1: 1 > 23
= 10%; Como n < 30 e desconhecido, ento utilizaremos a esta-

tstica t de student com 5 graus de liberdade e 90% de confiana para
um teste unilateral. Neste caso o valor de t ser 1,476.
X - m0 24,17 - 23
O valor de t calculado ser dado por onde = 1,235
S 2,32
n 6
Deciso: Como o valor de t calculado 1,235 inferior ao valor do t cr-
tico 1,476, ento no se rejeita H0, portanto a afirmao do fabricante
de cigarros procede ao nvel de 10% de significncia.

1.
a) Substituindo X por 15 000 teremos que Y = 400 + 0,10 . (15 000),

em que Y = 1 100.
b) A explicao dada pelo fato de o estudo no ter contemplado

esse pblico em sua amostra. Logo, essa equao no cabe para
qualquer tipo de previso ou estimativa desse pblico.
2.
a) Desejamos ajustar a equao linear do modelo = + bX em que
( X . Y )
XY
n
= Y bX e b = . Obtendo os somatrios,
2 ( X )2
X
n
temos a seguinte tabela:
Y (Preo) X (Dia) XY X2
21,00 1 21,00 1
20,94 2 41,88 4
217
Y (Preo) X (Dia) XY X2
20,78 3 62,34 9
20,56 4 82,24 16
20,49 5 102,45 25
103,77 15 309,91 55
Logo, teremos X = 3 e Y = 20,75 e sendo assim:
( X . Y ) (15).(103,77)
XY 309, 91
n 5
b = b = = 0,14, e:
2 ( X )2 (15)2
X 55
n 5

a = Y bX a = 20,75 (0,14).(3) a = 21,17.
Sendo assim, a equao de regresso linear ser:
= 21,17 0,14 . X
b) A prxima tera-feira corresponder a X = 7 (considera-se apenas

os dias teis), logo: = 21,17 0,14 . (7) = 20,19
3.
a) A cada R$1,00 de aumento, a demanda decresce em 2,90 unidades

(valor de b).
b) Se, com o preo atual, a empresa coloca 80 unidades menos no

mercado e se, a cada R$1,00 de reduo no preo, a demanda au-
menta em 2,9 unidades, logo, o valor de reduo ser a razo entre
80
= R$ 27,59.
2, 90
4.
a) A equao de regresso ser dada por = a + bX em que:
( X . Y )
XY
n
a = Y bX e b =
2 ( X )2
X
n
218
Atravs dos somatrios apresentados na tabela a seguir, calcula-
mos as estimativas dos parmetros da equao:
X Y XY X2 Y2
74 139 10 286 5 476 19 321
45 108 4 860 2 025 11 664
48 98 4 704 2 304 9 604
36 76 2 736 1 296 5 776
27 62 1 674 729 3 844
16 57 912 256 3 249
246 540 25 172 12 086 53 458
( X . Y )
XY
Sendo assim, X = 41 e Y = 90 b = n
2 ( X )2
X
n
(246).(540)
25 172
6 em que b = 1,516 e a = 90 1,516.(41)
Logo, b =
(246)2
12 086
6
a = 27,84. Portanto, a equao de regresso ser: = 27,84 + 1,516 . X
aY + bXY n(Y)2
b) O valor de r2 ser obtido por r 2 = em que:
Y 2 n(Y)2
(27, 84).(540) + (1,516).(25 172) 6.(90)2

r2 = = 0, 9457 . Significaque
53 458 6.(90)2
o nmero de anncios explica 94,57% da variao das vendas
dos automveis, restando 5,43% para outros fatores no inseri-
dos no modelo.
c) Para uma venda Y = 200, qual a estimativa de anncios (X)? Ento, 200
= 27,84 + 1,516 . X.
200 27, 84
Sendo assim, X = = 113,56 114
1,516
d) O argumento bsico que nesse caso cada um anncio de acrsci-
mo impactar num aumento de 1,516 carros vendidos.

5.
a) A correlao forte entre os gastos com seguro e o nmero de

filhos.
6.
a) Nesse caso, o coeficiente de correlao a medida adequada para

obter essa informao. Sendo assim, o clculo de r dado por
( X )( Y )
XY n
r=
2 ( X )2 2 ( Y )2
X n Y n

Determinando os somatrios, temos a seguinte tabela:
X Y XY X2 Y2
95 98 9 310 9 025 9 604
92 94 8 648 8 464 8 836
103 110 11 330 10 609 12 100
115 125 14 375 13 225 15 625
77 82 6 314 5 929 6 724
79 84 6 636 6 241 7 056
105 112 11 760 11 025 12 544
94 99 9 306 8 836 9 801
85 93 7 905 7 225 8 649
101 107 10 807 10 201 11 449
106 114 12 084 11 236 12 996
120 132 15 840 14 400 17 424
118 129 15 222 13 924 16 641
75 79 5 925 5 625 6 241
99 105 10 395 9 801 11 025
1464 1563 155 857 145 766 166 715
220
Gabarito
Logo, substituindo os valores na expresso, temos que:

(1 464).(1 563)
155 857 15
r= r = 0,9935
(1 464)2 (1 563)2
145 766 15 . 166 715 15

Portanto, existe uma forte correlao positiva entre as despesas
promocionais relativas e as vendas relativas.
b) Sendo X = 97,6 e Y = 104,2, temos que:
(1 464).(1 563)
155 857 15
b= em que b = 1,149 e
(1 464)2
145 766 15

a = 104,2 1,149.(97,6) a = 7,942
Portanto, a equao de regresso = 7,942 + 1,149 . X
c) Sendo X = 100, temos que = 7,942 + 1,149 . (100) em que =

106,958 107
d) O valor de r2 ser obtido pelo quadrado do valor do coeficiente de

correlao, logo:
r2 = (0,9935)2 = 0,987
Portanto, os gastos promocionais relativos explicam 98,7% das

despesas promocionais relativas, restando 1,3% para outros fato-
res no contemplados.
Teoria da deciso
1. Critrio maximin de ganho
No critrio maximim, o tomador de deciso assume que uma vez que

uma ao seja escolhida a natureza escolher o estado da natureza
que minimize o rendimento sob a pior perspectiva.
Portflio
Estados da natureza Risco alto Risco baixo
risco mdio
Crescimento 10 4 2
Recesso -15 -2 1
221
Possveis aes: A1 = risco alto, A2 = risco mdio e A3 = risco baixo.
Se o investidor escolher A1, a natureza provocar a ocorrncia de 2

(recesso) e o resultado ser um prejuzo de R$15.000,00. Para a ao
A2 o resultado ser um prejuzo de R$2.000,00, e para A3 o resultado
ser um lucro de R$1.000,00.
O investidor deve escolher a ao que produza o maior rendimento.

Nesse caso, a ao A3 escolher o portflio de risco baixo.
2. Crtica ao critrio maximin
Esse um critrio pessimista. No caso em questo a deciso pelo

portflio de risco baixo d um retorno de R$2.000,00 se a situao for
de crescimento da economia e de R$1.000,00 para o caso de reces-
so. O investidor ganha nas duas situaes, mas ganha pouco.
Se houver uma situao de crescimento na economia, a aquisio dos

portflios de risco mdio e risco alto dariam resultados muito bons.
Valeria a pena ter informaes sobre as probabilidades de ocorrncia
dos vrios estados da natureza. Se houver uma boa probabilidade de
crescimento econmico, valer a pena outra opo.
3. Ganho esperado sob incerteza
Uma vez que a probabilidade de recesso de 30% ou 0,3, ento a

probabilidade de crescimento de 70% ou 0,7. Assim, a distribuio
de probabilidades pode ser expressa pela tabela:
1 = crescimento 0,7
2 = recesso 0,3
Total 1
O valor esperado de cada ao ser a mdia ponderada dos resultados

para cada ao, tendo como peso as probabilidades de ocorrncia de
cada evento:
222
Gabarito
Risco Resultado Risco Resultado Risco Resultado

Evento Prob.
alto ponderado mdio ponderado pequeno ponderado
1 0,7 10 70 4 2,8 2 1,4
2 0,3 -15 -45 -2 -0,6 1 0,3
Total 1,0 35 2,2 1,7
Resultado
R$35.000,00 R$2.200,00 R$1.700,00
esperado
Pelo critrio de ganho esperado sob incerteza, o tomador de decises

deve escolher aquela ao com maior resultado esperado. No proble-
ma, a ao a ser escolhida A1, ou seja, escolher o portflio de risco
alto, que deve ter como resultado o valor de R$35.000,00.
4. Perda de oportunidade esperada
Para determinar as Perdas de Oportunidade Esperada, necessrio

inicialmente determinar a tabela de perda de oportunidades. Esse cl-
culo o resultado da diferena entre o ganho daquele ato e o ganho
para o melhor ato que poderia ter sido selecionado.
Ganhos Perda de oportunidade

Evento
A1 A2 A3 A1 A2 A3
1 10 4 2 0 6 8
2 -15 -2 1 16 3 0
A partir da determinao das perdas de oportunidade, podemos cal-

cular agora as perdas de oportunidade esperada para cada ao.
Risco Resultado Risco Resultado Risco Resultado

Evento Prob.
alto ponderado mdio ponderado pequeno ponderado
1 0,7 0 0 6 4,2 8 5,6
2 0,3 16 4,8 3 1,8 0 0
Total 1,0 4,8 6,0 5,6
Resultado
R$4.800,00 R$6.000,00 R$5.600,00
Esperado
223
As perdas de oportunidade esperada para cada portflio so: risco

alto POE(A1) = R$4.800,00, risco mdio POE(A2) = R$6.000,00 e risco
pequeno POE(A3) = R$5.600,00.
5. Critrio minimax
A ao que minimiza a perda de oportunidade esperada a ao A1,

cuja perda de oportunidade esperada R$4.800,00, a menor das trs.
Portanto, a ao a ser tomada a de investir no portflio de risco alto.
6. So dados nmeros de aparelhos vendidos e a quantidade de ordens

recebidas. Ou seja, ocorreu somente em uma semana o pedido de 21
equipamentos. 24 equipamentos foram pedidos em duas semanas, e
assim por diante.

equipamentos em que o nmero de equipamentos em que o nmero de
21 1 32 1
22 0 33 1
23 0 34 1
224
Gabarito

24 2 35 0
25 2 36 0
26 3 37 1
27 3 38 1
28 1 39 1
29 0 40 0
30 0 41 0
31 1 42 1
Reorganizando a tabela e computando as freqncias relativas, teremos:
Nmero de Freqncia de Freqncia relativa

equipamentos vendidos ocorrncias de ocorrncias
21 1 0,05
24 2 0,10
25 2 0,10
26 3 0,15
27 3 0,15
28 1 0,05
31 1 0,05
32 1 0,05
33 1 0,05
34 1 0,05
37 1 0,05
38 1 0,05
39 1 0,05
42 1 0,05
225
Distribuio de freqncias relativas acumuladas:

21 0,05 32 0,70
22 0,05 33 0,75
23 0,05 34 0,80
24 0,15 35 0,80
25 0,25 36 0,80
26 0,40 37 0,85
27 0,55 38 0,90
28 0,60 39 0,95
29 0,60 40 0,95
30 0,60 41 0,95
31 0,65 42 1,00
O grfico da distribuio de freqncias acumuladas a ogiva de

Galton a seguir:
Distribuio acumulada
1
0,9
0,8
Probabilidade
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
226
Gabarito
7. Preenchendo os vazios:
Estados da
P0() P(X/) P0() P(X/) P1(/X)
natureza
1 = Casas tero
preos aumenta-
0,80 1,00 0,60 = 0,40 0,80 . 0,40 = 0,32 0,32/0,44 = 0,73
dos no prximo
ano
1 = Casas tero
preos iguais ou
1,00 0,80 = 0,20 0,60 0,20 . 0,60 = 0,12 0,12/0,44 = 0,27
diminudos no pr-
ximo ano
Total 1,00 1,00 0,32 + 0,12 = 0,44 0,73 + 0,27 = 1,00
Interpretao das probabilidades:
P0() probabilidades a priori dos estados da natureza. A probabilida-

de a priori de que as casas tero seus preos aumentados no prximo
ano de 80%. E de no terem seus preos aumentados de 20%.
P(X/) probabilidades determinadas atravs de observaes amos-

trais ou de dados do passado.
P1(/X) probabilidades a posteriori dos estados da natureza. So chama-

das de probabilidades revisadas com base em observaes amostrais.
8. Encontrar os valores de a e de b.
Estados da
P0() P0() P0() P0() P1(/X)
natureza
1 a 0,50 0,5 a 0,25
2 b 0,50 0,5 b 0,75
Total 0,5a + 0,5b
Sabemos que:
0,5a
0,5a + 0,5b = 0,25

0,5b = 0,75
0,5a + 0,5b
Resolvendo o sistema de duas equaes e duas incgnitas, chegamos
ao resultado que: a = P0(1) = 0,25 e que b = P0(2) = 0,75.
227
Referncias
Bussab, Wilton de O.; Morettin, Pedro A. Estatstica Bsica. 5. ed. So Paulo: Sa-
raiva, 2006.
Costa Neto, Pedro L.O. Estatstica. 2. ed. Rio de Janeiro: Edgard Blcher, 2002.
Hamburg, Morris. Statistical Analysis for Decison Making. University of Pennsyl-

vania, 1991.
Levine, David M, et al. Estatstica: teoria e aplicaes. 3. ed. Rio de Janeiro: LTC,
2005.
Ragsdale, Cliff T. Spread Sheet Making and Decision Analysis. South-Western

College Publishing, 2001.
Spiegel, Murray R. Estatstica. 3. ed. So Paulo: Makron, 1994.
Stevenson, William U. Estatstica Aplicada Administrao. So Paulo: Harbra,

2001.
Triola, Mario F. Introduo Estatstica. Rio de Janeiro: LTC, 2008.

Anotaes

Mtodos Estatsticos para Tomada de Decises
232
Anotaes
233
Mtodos Estatsticos para Tomada de Decises
234

Metodos Estatisticos para Tomada de Decisao Online

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Metodos Estatisticos para Tomada de Decisao Online

Uploaded by

Copyright:

Available Formats

Mtodos Estatsticos para

B796 Bracarense, Paulo Afonso; Guimares, Ubiratan Vieira. /

1. Investimentos Anlise. 2. Anlise de regresso. 3. Correla-

Todos os direitos reservados.

IESDE Brasil S.A

Este material parte integrante do acervo do IESDE BRASIL S.A.,

Ubiratan Vieira Guimares

Este material parte integrante do acervo do IESDE BRASIL S.A.,

17 | Axiomas e regras de probabilidades

Este material parte integrante do acervo do IESDE BRASIL S.A.,

Este material parte integrante do acervo do IESDE BRASIL S.A.,

para Tomada de Deciso

Este material parte integrante do acervo do IESDE BRASIL S.A.,

para Tomada de Deciso

Este material parte integrante do acervo do IESDE BRASIL S.A.,

O acidente ocorreu no meio da tarde de um dia de semana. Um casal de

O motorista alegou que esse fato no ocorreu e apresentou em sua defesa

O advogado da companhia de seguros tinha ouvido falar que as empre-

Diante das circunstncias, o advogado levantou o endereo das testemu-

Como ento determinar a probabilidade de as testemunhas de fato no

Este material parte integrante do acervo do IESDE BRASIL S.A.,

Depois de alguma reflexo, o estatstico pensou que poderia aproximar

Essa probabilidade pode ser calculada da seguinte forma: de quantas ma-

Se o bairro em que mora o motorista e suas testemunhas for a caixa que

A expresso geral para o clculo dessa probabilidade :

CN1,n C(N N1), (n n )

Resta ento verificar os valores de N, N1, n e n1. Depois de um trabalho in-

lugares sentados, ou seja, n = 30, e queremos calcular a probabilidade de

O clculo dessa probabilidade ento:

Ou seja, uma chance em 50 000. De fato, muito pequena.

Na avaliao feita, todos os benefcios de aproximao foram feitos a favor

Esse um problema tpico de modelagem com probabilidades. H muitos

uma medida objetiva, embora a forma de sua determinao seja subjetiva.

Esses trs enfoques foram apresentados porque sero usados indistinta-

Iniciaremos com a apresentao de uma srie de definies bsicas que

Como determinar a probabilidade de sair um nmero par? Pela teoria

Do ponto de vista freqentista, essa probabilidade pode ser calculada

Tambm se pode determinar intuitivamente, atravs de probabilidade

mento aleatrio. O evento sair um nmero par no lance de um dado um

Aos eventos no geral associa-se um conjunto, e a notao utilizada ser a

Tambm podemos pensar no caso da moeda, que o resultado do lance

No lance de um dado, o espao amostral ser o conjunto S = {1, 2, 3, 4, 5,

Observe que o espao amostral o conjunto de todos os elementos, ou o

Evento certo e eventos mutuamente exclusivos

Eventos mutuamente exclusivos so aqueles cujos elementos no podem

usual denotar o evento complementar de A como ou AC.

Embora probabilidade e percentagem sejam medidas de naturezas di-

A probabilidade de um evento A pode ser definida como o nmero de

No evento nmero par no lance de um dado, A = {2, 4, 6}, cujo nmero de

Probabilidade, chance e verossimilhana

Dizemos que a chance de se ganhar na mega-sena de aproximadamente

Por outro lado, a palavra verossimilhana tambm no tem o mesmo sig-

Na lngua inglesa, a palavra correspondente verossimilhana likelihood,

Axiomas e regras de probabilidades

(II) P(S) =1;

(III) P(A B) = P(A) + P(B) P(A B), se A e B no so eventos mutuamente

O primeiro axioma define probabilidade como uma medida no nega-

O segundo axioma informa que a probabilidade do espao amostral

O terceiro axioma diz que a probabilidade da unio de dois eventos a

No lance de um dado, seja A o evento sair um nmero par e B, o evento

necessrio fazer a subtrao porque caso contrrio o elemento 2 en-

Sejam os eventos A ={2, 4} e B { 3, 5} e S = {1, 2, 3, 4, 5, 6}, ento P(A B) =

Sejam os eventos A ={2, 4} e B { 2, 3, 5} e S = {1, 2, 3, 4, 5, 6}, ento P(A\B) = P(A)