1

FACULDADE DE CINCIAS HUMANAS E SOCIAIS DE IGARASSU - FACIG

Mantida pela ASSOCIAO IGARASUENSE DE EDUCAO E CULTURA
Autorizada pela Portaria n 584 de 26.06.1998 - DOU de 29.06.1998
Cursos: Bacharelados em Administrao, Cincias Contbeis e Direito.
Licenciaturas em Matemtica com nfase em Informtica e Pedagogia.

















APOSTILA

DE

ME TODOS QUANTITATIVOS








Prof. Adalberto de Oliveira Freitas










- 2013
2

SUMRIO
1. PROBABILIDADE 03
1.1. EVENTOS ALEATRIOS 03
1.2. CLCULO DE PROBALIDADES 04
1.3. PROBABILIDADE DOS EVENTOS 06
1.3.1 Teorema da soma - eventos mutuamente excludentes 06
1.3.2 Teorema da soma - eventos no mutuamente excludentes 06
1.3.3 Teorema da multiplicao - eventos independentes 07
1.3.4 Teorema da multiplicao - eventos dependentes 08
1.3.5 Teorema de Bayes 09
1.3.6 Sntese 11
1.4 0 AMOSTRAGEM 12
1.4.1 Amostragem sem reposio 12
1.4.2 Amostragem com reposio 12
2.0 ANLISES COMBINATRIAS 13
2.1 Arranjos simples 13
2.2 Combinao simples 14
2.3 Permutao simples 14
3.0 VARIVEIS ALEATRIAS 15
3.1 Varivel aleatria discreta 15
3.2 Principais Distribuies de Probabilidades 15
3.2.1 Distribuio de Bernoulli 15
3.2.2 Distribuio Binomial 16
3.2.3 Distribuio de Poisson 18
4.0 NMEROS NDICES 19
4.1Frmula 19
4.2 Preo relativo 19
4.3 Quantidade relativa 19
4.4 Valor relativo. 19
5.0 NDICES AGREGATIVOS 20
5.1 ndices Agregativos Simples 20
5.1.1 dice de Dutot 20
5.2 DICES AGREGATIVOS PONDERADOS 21
5.2.1 ndice Aritmtico de Sauerbeck 22
5.2.2 ndice Geomtrico de Sauerbeck 22
5.2.3 ndice Harmnico de Sauerbeck 22
5.3 ndices agregativos ponderados (Laspeyere) 25
6.0 CORRELAO E REGRESSO LINEAR SIMPLES 31
6.1 COEFICIENTE DE CORRELAO LINEAR 32
6.1.1 Mtodos dos Mnimos Quadrados 35
6.2 COEFICIENTE DE EXPLICAO 31
6.3 FUNES LINEARIZVEIS 36
BIBLIOGRAFIA 39
3

1.0 PROBABILIDADE

De modo geral, os autores concordam que as aplicaes iniciais da matemtica
da probabilidade referiam-se quase todas aos jogos de azar. Assim que:

O primeiro trabalho escrito de que se tem notcia e que envolve a noo de probabilidade
data de 1477. Trata-se de um comentrio feito Divina Comdia (Dante), onde h
referncia s probabilidades associadas aos vrios resultados decorrentes do jogo de 3
dados (COSTA, p. 90).

Pode-se recorrer ao clculo da probabilidade sempre que, independente de
qual seja a aplicao em particular, exista um elemento de acaso, ou de
incerteza, quanto ocorrncia ou no de um evento futuro.

A probabilidade faz parte da Estatstica Indutiva, ou seja, lastreia-se em
processo de inferncia atravs do qual, pelo correto exame de uma amostra
pode-se inferir o que ocorrer com a populao. A maior utilidade da
probabilidade, como menciona STEVENSON (p. 55) auxiliar o
desenvolvimento de estratgias, quantificando o quo provvel determinado
evento.

No campo Administrativo e contbil essa utilidade pode ser vista com facilidade
no campo oramentrio e no campo da previso de cenrios, onde, baseado
em dados histricos, devidamente mensurados e com apoio matemtico para
prever uma tendncia (probabilidade) pode-se definir por este ou aquele
cenrio.

COSTA (p. 92) sintetiza que "probabilidade o nmero que resulta da diviso
do nmero de casos favorveis a um evento pelo nmero total de casos
possveis". Diante dessa definio, o nmero resultante desse clculo somente
pode estar compreendido entre 0 e 1, porque o maior nmero de casos
favorveis possvel corresponde ao nmero total de casos possveis e, em
sentido inverso, o menor nmero possvel de casos favorveis 0, ou seja,
quando no h possibilidade de ocorrer um evento favorvel.

SPIEGEL (p. 127) diz que a definio quanto probabilidade da ocorrncia do
evento (denominado sucesso) definida por:
p (E) =


.

Toda probabilidade de um evento (denominado sucesso) igual a um
p(E) = 1.
Por outro lado, a probabilidade do chamado insucesso, representada da
seguinte forma: 1 p (E).

1.1 EVENTOS ALEATRIOS

GUERRA e DONAIRE (p. 14) ensinam que, para que um evento possa ser
considerado aleatrio, devem estar presentes duas condies essenciais, quais
sejam:
4

a) deve ser sempre possvel repetir as experincias indefinidamente fixadas
certas condies iniciais;
b) mesmo mantendo as condies iniciais, deve ser impossvel influenciar no
resultado de uma particular repetio da experincia.
Como exemplos de eventos aleatrios podem ser considerados o lanamento
de uma moeda honesta ou o lanamento de um dado no viciado.

1.2 CLCULOS DE PROBALIDADES

Tomando como parmetro a frmula proposta por SPIEGEL (p. 127) pode-se
concluir que o nmero de resultados associados ao evento (A) dividido pelo
nmero total de resultados possveis corresponde probabilidade desse
evento ocorrer.

Tomando como paradigma de exemplificao uma moeda, constata-se que a
mesma tem duas faces (cara e coroa). Logo, quando se arremessa, a chance
de obter cara corresponde a 1/2 porque a moeda possui uma face
denominada como cara, de modo que s h uma possibilidade de resultado
que atenda ao requisito do lanamento (obter a face cara). De outro lado, como
a moeda possui duas faces, h duas possibilidades de resultados (cara ou
coroa).

No exemplo supram, as probabilidades so complementares, por que:
P(cara) =

e P(coroa) =

, de modo que, somando-se esses dois eventos,

obtm-se a totalidade dos eventos possveis, ou seja:

= 1 ou 100%
Vrios outros exemplos poderiam ser citados, pelo que destacamos os
seguintes:


Evento esperado
Resultados
associados ao
evento esperado
Total de
resultados
Possveis

Formulao
Obter cara no lanamento
de uma moeda

Uma face

Duas faces
P(cara) =

= 50%
Obter a face 6 no
lanamento de um dado

Uma face

seis faces
P(6) =

= 16,67%
Obter uma face impar
qualquer no lanamento
de um dado

trs faces

seis faces
P(mpar) =

= 50%
Extrair uma carta de copas
em um baralho completo

13 cartas de copa

52 cartas
P(6) =

= 25%

Quando se fala em evento necessrio observar seus tipos e associaes,
para o que, apoiamo-nos na classificao e nos exemplos de GUERRA
e DONAIRE (p. 16), quais sejam:

a) Evento simples: aquele formado por um nico elemento do espao
amostral.
Exemplo: no lanamento de moedas h dois eventos simples: ou cara ou
coroa: E1 = {K} E2 = {C}.
5

b) Evento composto: aquele formado por dois ou mais elementos do
espao de amostragem.

Exemplo: no lanamento de dados podem ser considerados os nmeros pares,
ou os mpares, ou os dois primeiros nmeros e, assim por diante:
E1 = {2, 4, 6} E2 = {1, 3, 5} E3 = {1, 2}.E4 = {1, 2}

c) Evento certo: aquele que ocorre sempre, isto , em todas as
realizaes da experincia.

Exemplo: obter qualquer das faces de 1 a 6 no lanamento de dados.

d) Evento impossvel: aquele que nunca ocorre, isto , em nenhuma
realizao de experincia.

Exemplo: obter face maior que 6 no lanamento de um dado.

e) Evento soma (ou evento unio): o evento que consiste na realizao
de pelo menos um dos eventos E1 e E2.

Exemplo: na retirada de uma carta do baralho quer-se que seja uma carta de
ouro ou uma carta s.

f) Evento produto (ou evento interseco): o evento que consiste na
realizao de ambos os eventos E1 e E2, isto , eles devem ocorrer
simultaneamente.

Exemplo: na retirada das cartas de um baralho quer-se um s de ouro.

g) Evento condicionado: o evento que consiste na realizao do evento
E1 sob a condio de ter-se realizado o evento E2 isto , com a
informao adicional de que o evento E2 j ocorreu.

Exemplo: na retirada de uma carta do baralho, quer-se que ocorra uma carta
s, sabendo-se que a carta de ouro.

h) Eventos mutuamente exclusivos: dois eventos, associados a uma
experincia aleatria, so ditos mutuamente exclusivos se a ocorrncia
de um deles exclui a possibilidade de ocorrncia do outro, isto , no
ocorrem simultaneamente.

Exemplo: no lanamento de uma moeda, os eventos cara e coroa so
mutuamente exclusivos.

i) Evento complementar (ou contrrio): define-se como evento
complementar de um evento E, associado a uma experincia aleatria, e
denota-se por E ,ao evento que s ocorre se E deixar de ocorrer, isto ,
o evento formado por todos os elementos do espao amostral que no
pertencem a E.

6

Exemplos: no lanamento de uma moeda os eventos cara e coroa so
mutuamente exclusivos e tambm so complementares. J, no lanamento de
um dado, os eventos 1 e 4 so mutuamente exclusivos mas no so
complementares.

j) Eventos independentes: dois eventos, associados a uma experincia
aleatria, so ditos independentes quando a ocorrncia de um deles no
depende (ou no condicionada ou no se vincula) ocorrncia do
outro, isto , a informao adicional de que um dos elementos j ocorreu
em nada altera a possibilidade de ocorrncia do outro.

Exemplo: suponhamos que duas pessoas atirem numa caa; os eventos que
consistem em que cada uma das pessoas acerte so independentes, pois o
fato da primeira pessoa acertar em nada influencia no fato da outra tambm
acertar.

1.3 PROBABILIDADES DOS EVENTOS
STEVENSON (p. 74) sintetiza as seguintes regras das propriedades:

1.3.1 Teorema da soma - eventos mutuamente excludentes

P (A ou B), para eventos mutuamente excludentes: P(A ou B
ocorrer) = P(A) + P(B)

Exemplo: Lanar um dado e obter 1 na face ou par

Na situao proposta, observamos que:

a) P(A) = obter a face 1 =

b) P(B) = obter um nmero par =

c) Aplicando a frmula, obtemos: P = P(A) + P(B) =

= 0,67=67%.

Pode-se destacar outro exemplo: um jogo de dado em que se quer obter a face
1 ou a face 3.
Observe-se que os eventos so excludentes porque, se sair face 1 no sair
face 3 e vice versa. Para as duas faces, a probabilidade de xito a mesma,
ou seja,

para cada uma.

Consequentemente, a probabilidade de xito nessa situao, em que duas de 6
faces atingem o objetivo o resultado da seguinte soma:

= 0,33=33%..

1.3.2 Teorema da soma - eventos no mutuamente excludentes.

P (A ou B), para eventos no mutuamente excludentes: P(A ou B
ou ambos ocorrero) = P(A) + P(B) P (A e B).

7

Exemplo: Lanar um dado e obter a face 1 ou 2 ou par.

A aplicao da frmula e o desenvolvimento do mtodo, observar que h um
elemento no espao amostral que atende tanto uma quanto outra condio,
qual seja, o nmero 2.

Chamando a primeira condio como P(A) e a segunda como P(B), temos:

a) P(A) =

referente ocorrncia do nmero 1 ou do nmero 2

b) P(B) =

atinente ocorrncia de um nmero par

c) P(A/B) =

referente provvel ocorrncia do nmero 2

d) Aplicando a frmula, temos:

P = P(A) + P(B) - P(A/B) =

= 0,67=67%.

Outro exemplo: num jogo de cartas, quer-se uma carta 10 ou uma carta de
copas. Observe-se que essa segunda opo no exclui a primeira posto que,
mesmo a carta 10 pode ser de copas. Isoladamente, a probabilidade de sair
carta 10 corresponde a

enquanto que a probabilidade de sair uma carta de

10 de copas corresponde a

. Aqui h um cuidado a ser tomado, que o

seguinte: pelo fato da carta 10 poder ser uma carta de copas, na probabilidade
de sair uma carta desse naipe, j est computada a probabilidade de sair
carta 10, valendo dizer que a simples soma das duas probabilidades implicar
em cmputo duplo dessa carta, sendo necessrio um ajuste. Logo, nessa
situao, somam-se as probabilidades e exclui-se o elemento comum, qual
seja a probabilidade de sair carta 10 de copas

Numericamente

= 0,31= 31%.

1.3.3 Teorema da multiplicao - eventos independentes

P (A e B), para eventos independentes: P(A e B ocorrem ou no
- sem interferncia de um sobre o outro) = P(A) . P (B);




Pode-se exemplificar esse tipo de clculo com a seguinte situao:
Em 70% das ocasies um motorista excede a velocidade mxima em uma
determinada via pblica. Sabe-se, tambm, que em 30% das ocasies, o
Departamento de Trnsito coloca um radar mvel nessa mesma via. O
A B
8

motorista deseja saber qual a probabilidade de que ele exceda a velocidade
mxima em um dia em que o radar estiver na via. Pois bem, chamando o
excesso de velocidade de P(A) e a presena do radar de P(B), aplicamos a
frmula do seguinte modo: P = P(A) . P(B) = 0,70 . 0,30 = 0,21 = 21%.

Admita-se outro, exemplo em que um determinado aluno chegue atrasado
aula em 25% das ocasies e que, por outro lado, o professor falte em 10% das
aulas. Nessa situao, qual a probabilidade do aluno chegar atrasado e o
professor ter faltado aula.
Observamos que um evento no depende e tampouco se relaciona com o
outro, posto que ambos possam ocorrer, ambos podem no ocorrer e pode
ocorrer um sem que ocorra o outro, sendo, tambm importante, que um no
afeta a probabilidade de ocorrncia do outro.
Para aferir a probabilidade de ocorrncia simultnea desses eventos h que se
efetuar a multiplicao das probabilidades, ento: 0,25 x 0,10 = 0,025 ou 2,5%.

1.3.4 Teorema da multiplicao - eventos dependentes (probabilidade
condicional)

P (A e B), para eventos dependentes: P(A e B ocorrem ou no -
com interferncia de um sobre o outro)
P(A) . P (A\B) ou P (B) . P (B \ A).




Essa a chamada probabilidade condicional, em que os dois eventos devem
ocorrer (ou no), havendo uma relao de dependncia entre os mesmos, ou
seja, a ocorrncia (ou no) de um afetar de modo direto a probabilidade de
ocorrncia (ou no do outro).
Citamos o seguinte exemplo: numa determinada urna existe 5 bolas, sendo 2
pretas e 3 brancas. Qual a probabilidade de retirada de duas bolas, apenas,
as quais devero ser pretas, sendo que no haver reposio da bola retirada.

Pois bem: a probabilidade inicial de retirar uma bola preta corresponde a

,
pois existem 2 bolas pretas dentre as 5 bolas que esto na urna. Contudo, na
hiptese da primeira bola retirada ser preta, a probabilidade da segunda
tambm ser preta corresponder a

, posto que, nessa ocasio haver apenas 4

bolas, das quais somente uma preta.
Assim, temos que a probabilidade, nessa situao, corresponder a:

. = 10%

Numa outra situao, uma empresa possui 10 veculos, sendo que 7 so do
tipo passeio e 3 so utilitrios. Essa empresa deseja fazer uma inspeo nos
veculos. Sem que exista reposio, qual a probabilidade de que a empresa
escolha, em duas amostras, dois veculos utilitrios? Pois bem, chamando a
9

probabilidade de retirar o primeiro veculo utilitrio como P(A) e a de escolher o
segundo veculo utilitrio como P(A/B), temos:

P(A) =

pois h 3 utilitrios em um universo de 10 veculos

P(A/B) =

pois, aps a escolha do 1 veculo remanescero 9 veculos, dos

quais 2 so utilitrios.

Aplicando a frmula, temos:

P = P(A) . P (A\B) =

= 0,06666 = 6,67%.

A diferena bsica entre o clculo de probabilidade para eventos dependentes
e para eventos independentes, com o teorema da multiplicao que, na
primeira situao (eventos dependentes) a probabilidade de ocorrncia (ou
no) de determinado evento no se altera com a ocorrncia do outro evento.
J, na probabilidade condicional (eventos dependentes) a ocorrncia de um
altera a probabilidade do outro. Nos nossos exemplos verifica-se que aps o
primeiro evento houve alterao do espao amostral, modificando a
probabilidade de ocorrncia de qualquer outro evento.

1.3.5 Teorema de Bayes - (teorema da probabilidade das causas ou
parties).

LIPSCHUTZ (p. 90) alude que o Teorema de Bayes, tambm conhecido como
parties ou Teorema das Probabilidades das Causas tem como fundamento a
suposio de que vrios eventos formam uma partio num dado espao
amostral S.







Conforme a disposio da figura anterior, dentro do evento X o teorema (por
essa razo chamado como Teorema da Probabilidade das Causas) indica
qual a probabilidade de que o citado evento tenha sido originado de A ou B
ou D e E, assim por diante.

OLIVEIRA (1999:96) esclarece que o teorema permite determinar as
probabilidades dos vrios eventos A1, A2, A3, ...An, que podem ser a causa da
ocorrncia de B
8
. Acrescenta:
Sejam A
1
, A
2
, A
3
, ...A
n
, eventos mutuamente excludentes cuja unio o
espao amostral , ou seja, um dos eventos necessariamente deve
ocorrer.

10

LIPSCHUTZ (p. 90) apresenta a seguinte frmula para o teorema:






A frmula supra sintetizada por OLIVEIRA (1999:96) da seguinte maneira:






Aplicando o teorema, podemos utilizar o seguinte exemplo, destacado por
GUERRA e DONAIRE (p. 28):

Exemplo:

Numa fbrica existem trs mquinas destinadas produo de parafusos. A 1
mquina produz diariamente 1.000 parafusos, a 2 mquina 4.000 e a 3
mquina 5.000. Sabendo-se que a 1 mquina produz 4% de parafusos
defeituosos, a 2 mquina 3% e a terceira 1% e, tendo-se, ao final do dia,
encontrado um parafuso defeituoso, qual a probabilidade dele ter sido
produzido em cada uma dessas mquinas?

Resoluo:
Sejam:
No nosso exemplo, A
1
, A
2
, A
3
, ...A
n
so substitudos por A, B, C, D, E, F e G o
espao amostral B substitudo por X.

A = evento de ser parafuso produzido na 1 mquina
B = evento de ser parafuso produzido na 2 mquina
C = evento de ser parafuso produzido na 3 mquina
X = evento de ser parafuso defeituoso.

Ento:

P(A) = 1.000/10.000 = 0,10

P(B) = 4.000/10.000 = 0,40

P(C) = 5.000/10.000 = 0,50

P(X/A) = 0,04

P(X/B) = 0,03

P(X/C) = 0,01

P(A
i
/B) =
()(

)
()(

P(A
1
/B) =
()(

)
()(

) ()(

) ()(

) ()(

)


11

P(A/X) =
()(

)
()(

) ()(

) ( )(

)


P(A/X) =


= 0,19 = 19%
P(B/X) =
()(

)
()(

) ()(

) ( )(

)


P(B/X) =


= 0,57 = 57%
P(C/X) =
()(

)
()(

) ()(

) ( )(

)


P(C/X) =


= 0,24 = 24%
Aplicando a frmula temos:

EVENTO A








EVENTO B










EVENTO C









Atendendo questo formulada, pode-se observar que a probabilidade do
parafuso defeituoso ter sido produzido pela mquina A corresponde a 19%,
pela mquina B corresponde a 57% e, para a mquina C a probabilidade de
24%. Somando-se essas trs probabilidades obtm-se a totalidade do espao
amostral (19% + 57% + 24% = 100%).



1.3.6 Sntese

Genericamente quando a definio do problema permite uma opo,
montando-se o esquema com a figura de um ou outro evento, estamos diante
de um caso de soma de probabilidades. De outra parte, quando o problema
impe condies atingveis ao mesmo tempo, encontramos uma situao de
multiplicao das probabilidades.



12

1.4 AMOSTRAGEM

SPIEGEL (p. 175) define que a teoria da amostragem um estudo das
relaes existentes entre uma populao e as amostras dela extradas. Por
vrias razes utilizam-se das tcnicas de amostragem, destacando-se as de
razo econmica e aquelas derivadas de outro exemplo curioso de
STEVENSON (p. 158): voc no precisa beber todo o ponche para saber que
gosto ele tem!.

Exsurge da a importncia do processo de inferncia que caracteriza a
estatstica indutiva, posto que o propsito da amostragem seja permitir inferir
generalizaes a cerca da populao.

As populaes pem ser finitas (nmero de alunos de uma universidade,
nmero de casa de um bairro, nmero de automveis de uma frota) ou infinitas
(jogadas de moeda cara e coroa, nascimento de insetos, extrao de bolas
de uma urna com reposio) e, o conhecimento da natureza da populao que
se quer estudar interfere, de modo direto, na escolha do tipo de amostragem
De modo geral, existem duas formas de amostragem: com reposio e sem
reposio.

1.4.1 Amostragem sem reposio

Amostragem sem reposio aquela em que o item retirado para estudo e
anlise no retorna base de dados ou populao, de sorte que no pode
ser novamente retirado.

STEVENSON (p. 159) aponta as seguintes razes pelas quais deve ser
utilizada a amostra sem reposio:

(1) Os efeitos so desprezveis quando a amostra pequena em relao
populao;

(2) Se o teste tem carter destrutivo, impossvel repor os itens examinados;

(3) Na amostragem industrial, pode ser difcil convencer os inspetores no
treinados em estatstica a reporem na populao os itens examinados,
principalmente os itens defeituosos;

(4) Quando se repe um item examinado na populao, h chance de ele ser
novamente escolhido em extrao futura. Assim, alguns itens so examinados
mais de uma vez. Se o processo de amostragem dispendioso, conveniente
evitar o exame repetido de um ou mais itens.

1.4.2 Amostragem com reposio

A amostragem com reposio aquela em que aps o exame feito no item
colhido na amostra, o mesmo retorna imediatamente populao, podendo ser
novamente extrado, inclusive de forma sucessiva.

13

A
n,p

( )


SPIEGEL (p. 176) destaca um fato interessante: a amostragem com reposio
em uma populao finita faz com que ela, no aspecto terico, se transforme em
infinita, visto que qualquer nmero de amostras pode ser extrado sem exaurir
a populao.

2.0 ANLISE COMBINATRIA

LEMOS, HIGUCHI e FRIDMAN (p. 115) esclarecem que: Dado um conjunto,
existem vrias maneiras de agruparmos os seus elementos. Estes
agrupamentos podem ser formados levando-se em conta a quantidade, a
ordem e a natureza dos elementos.

Na anlise combinatria podemos encontrar arranjos simples, combinaes
simples e permutaes, os quais tem como premissa de clculo o fatorial, que
consiste em um nmero n qualquer, inteiro e maior que a unidade.

Representa-se assim:




2.1 Arranjos simples

Quando se quer calcular a quantidade de agrupamentos possveis em um
determinado conjunto, onde um grupo diferente do outro pela ordem e pela
natureza dos elementos, estamos diante de uma situao de arranjos
simples.

Os arranjos simples so representados atravs da seguinte frmula:





Aplicando-se a frmula, podemos destacar o seguinte exemplo: quanto nmero
de trs algarismos, sem repetio, obtm-se com os algarismos do conjunto
{1,2,3,4,5,6,7,8,9}?

Soluo:

a) Toma-se uma resposta qualquer, por exemplo: 679
b) Inverte-se a ordem de dois elementos: 976
c) Obtivemos uma nova resposta, portanto, trata-se de um problema de
arranjos simples.
d) A
n,p

( )
, Onde n = 9 e p = 3.

e) A
9,3

( )

= 504
n! = n . (n-1) . (n-2) ... 3.2.1
14

C
n,p

( )


Portanto, existem 504 nmeros de trs algarismos sem repetio, formados
com os elementos do conjunto dado.

2.2 Combinaes simples

Na combinao simples, um grupo diferente do outro apenas pela sua
natureza. Assim, a ordem dos elementos no importa porque o grupo continua
a ser o mesmo.

LEMOS, FUGUCHI e FRIDMAN (p. 119) ensinam que, para calcular a
quantidade de agrupamentos chamados combinaes simples de n
elementos tomados p a p, utilizamos a frmula:





Tomando uma situao exemplificativa, pergunta-se: quantas comisses de 4
membros so possveis de se formar com 10 indivduos?

Soluo:

Seja {A,B,C,D,E,F,G,H,I,J} o conjunto de 10 pessoas.

a) Toma-se uma resposta qualquer, por exemplo: ABCD.

b) Inverte-se a ordem de dois elementos: BACD.

c) Obtivemos a mesma resposta ( a mesma comisso); portanto, trata-se de
um problema de combinao simples.

d) C
n,p

( )
Onde n = 10 e p = 4
e) Substituindo temos: C
10,4

()

210

Portanto, podemos formar 210 comisses de 4 membros com um grupo de 10
indivduos.

2.3 PERMUTAO SIMPLES

H situaes, em problemas de arranjos, em que o nmero de elementos dos
agrupamentos igual ao nmero total dos elementos do grupo, como
explicitam LEMOS, HIGUCHI e FRIDMAN (p. 121).

Nessa situao diz-se que p = n e, essa particular situao do arranjo simples
denominada como permutao simples, que pode ser calculada por:

P
n
= n!

15

Tal qual em relao aos itens anteriores da anlise combinatria, vamos aplicar
um exemplo11: quanto nmero de 4 algarismos, sem repetio, obtm-se com
os algarismos do conjunto {1,2,3,4}?

Soluo:

a) Observe que n = p = 4.
b) Trata-se de um problema de arranjos simples, mas como n = p, um
problema que rotulamos de permutaes simples.
c) Pn = n! , donde P4 = 4! = 4.3.2.1. = 24.

Portanto, existem 24 nmeros de quatro algarismos sem repetio formados
com os elementos do conjunto dado.

3.0 VARIVEIS ALEATRIAS

Uma varivel aleatria (v.a.) associa um valor numrico a cada resultado de um
fenmeno aleatrio e uma distribuio de probabilidade associa uma
probabilidade a cada valor de uma varivel aleatria.

3.1 Varivel aleatria discreta

Uma varivel aleatria que pode assumir um nmero finito de valores ou uma
quantidade enumervel de valores, cujas probabilidades de ocorrncia so
conhecidas denominada varivel aleatria discreta.

A funo que atribui a cada valor da varivel aleatria sua probabilidade
denominada funo discreta de probabilidade ou funo de probabilidade, isto
: P(X = x
i
) = p(x
i
) = p
i
, i = 1, 2, . . .

Uma funo de probabilidade satisfaz as duas condies seguintes:

i) 0 p
i
1;

ii) p
i
= 1.

3.2 Principais Distribuies de Probabilidades

A distribuio de probabilidade de uma varivel descreve como as
probabilidades esto distribudas sobre os valores da varivel aleatria. A
seguir veremos as distribuies de probabilidade Bernoulli, Binomial e Poisson
para variveis aleatrias discretas e a distribuio Normal para uma varivel
aleatria contnua.

3.2.1 Distribuio de Bernoulli

Em situaes em que o fenmeno aleatrio realizado uma s vez e a varivel
de interesse assume somente dois valores, tais como: um gestor de informao
reconhece uma determinada editora ou no, um paciente sobrevive a um
16

P(X = x) = (

) p
x
q
n-x

(

) =

()


(X)
= np
2 = npq
transplante de medula-ssea ou no, um equipamento eletrnico classificado
como bom ou defeituoso.
Estas situaes tm alternativas dicotmicas, ou seja, podem ser
representadas por respostas do tipo sucesso com probabilidade p que se
atribui o valor 1 ou fracasso com probabilidade q que se atribui o valor 0.
Podemos definir estes experimentos como ensaios de Bernoulli.

Uma varivel X tem distribuio de Bernoulli e sua funo discreta de
probabilidade dada por:

P(X = x) = p
x
q
1x
, x = 0, 1.

Exemplo. Uma caixa tem 20 bolas azuis e 30 verdes. Retira-se uma bola dessa
caixa. Seja X o nmero de bolas verdes. Determinar P(X).

Para x = 0 temos q =

= 0, 4 e para x = 1, p =

= 0, 6.

Logo, P(X = x) = 0, 6
x
0, 4
1x
.

3.2.2 Distribuio Binomial

Consideremos n tentativas independentes de ensaios de Bernoulli. Cada
tentativa admite apenas dois resultados complementares: sucesso com
probabilidade p ou fracasso com probabilidade q, de modo a se ter p + q = 1.
As probabilidades de sucesso e fracasso so as mesmas para cada tentativa.
A varivel aleatria X que conta o nmero total de sucessos denominada
Binomial.
Para indicar qual a varivel aleatria X segue o modelo Binomial, usaremos a
notao X b(n, p), em que n e p so denominados parmetros dessa
distribuio. A sua funo de probabilidade dada por:


x = 0, 1, 2, . . . , n,
em que,



sendo
n = nmero de tentativas,
x = nmero de sucessos,
p = probabilidade de sucesso,
q = probabilidade de fracasso e
P(x)= a probabilidade de se obter exatamente x sucessos em n provas.
Para uma varvel aleatria X com distribuio binomial a mdia e sua varincia
so dadas, respectivamente, por:

Mdia

Varincia
17

Exemplo. Uma moeda lanada 6 vezes. Qual a probabilidade de:


a) Exatamente duas caras ocorrerem?

X = 2 , p =

e q =

P(X = 2) = (

) p
2
q
6-2
= (

) (

()
(

) (

) = 15.

= 0,23


b) Ocorrerem pelo menos 4 caras?

P(X 4) = P(X = 4) + P(X = 5) + P(X = 6)

P(X 4) = (

) p
4
q
6-4
+ (

) p
5
q
6-5
+ (

) p
6
q
6-6

= (

) (

+ (

) (

+ (

) (

()
(

()
(

()
(

) (

) +

) (

) +

) . 1

= 15 . (

) + 6 . (

) + 1 . (

)
=

= 0,34





18

P(X = x) =

c) Pelo menos 1 cara?

P(X 1) = 1 P(X = 0)
P(X 1) = 1 (

) p
0
q
6-0

= 1 (

) (

= 1

= 1

= 1

= 0,98


3.2.3 Distribuio de Poisson

Como aplicao da distribuio de Poisson podemos citar: estudos de
acidentes com veculos; nmero de mortes por derrame cerebral por ano, numa
cidade, nmero de reclamaes que chegam em uma operadora telefnica por
hora, nmero de clientes que chegam numa loja durante uma hora de
promoo relmpago e nmero de usurios de computador ligados `a Internet.

A distribuio de Poisson uma distribuio discreta de probabilidade,
aplicvel a ocorrncia de um evento em um intervalo especificado (tempo,
distncia, rea, volume ou outra unidade anloga). A probabilidade do evento
ocorrer x vezes em um intervalo dada a seguir:







P(X = x) =

19

q
b,c
=
( )
( )
. 100
v
b,c
=
( )
( )
. 100
P
b,c
=
( )
( )
. 100
4.0 NMEROS NDICES

Nmeros ndices a relao entre o valor da varivel em duas datas
diferentes.
O primeiro valor posicionado no numerador, chamado de valor
considerado ou corrente;
O segundo valor posicionado no denominador, designado de
valor-base ou referncia.
4.1Frmula




Os Nmeros ndices so expressos na forma percentual.

Como os nmeros ndices relacionam o valor de uma varivel socioeconmica
num instante considerado com o seu valor numa data, os nmeros ndices
tambm so designados de Valores Relativos ou simplesmente de Relativos.

Um relativo o nmero ndice mais simples, relacionando o preo, a
quantidade ou valor de um produto numa data considerada (c) com uma data-
base ( b ).
Assim, para um produto em que:

P
b
o preo na data-base;

P
c
o preo na data considerada;

q
b
a quantidade na data-base;

q
c
a quantidade na data considerada;

v
b
o preo na data-base;

v
c
o preo na data considerada.

4.2 Preo relativo




4.3 Quantidade relativa




4.4 Valor relativo


I
b,c
=
( )
( )
. 100

20

Exemplo:

Em 2006 uma empresa vendeu 625 unidades de um produto ao preo unitrio
de R$ 60,00. Em 2007, vendeu 1.000 unidades do mesmo produto ao preo
unitrio de R$ 90,00. Determine os relativos de preo, de quantidade e valor
para o produto, tomando com base o ano de 2006.

Soluo:

Relativo de preo:

P
b,c
=

. 100 =

. 100 = 150% concluso houve um aumento de 50%.

Relativo de quantidade:

q
b,c
=

. 100 =

. 100 = 160% concluso houve um aumento de 60%.

Relativo de preo:

v
b,c
=

. 100 =


.100 = 240% concluso houve um aumento de 140%
Os resultados indicam que, 2007, houve aumento: no preo de 50%, na
quantidade em 60% e no valor de vendas em 140%, em relao ao de 2006.
5.0 NDICES AGREGATIVOS

Considerando que uma variao geral dos preos relativos provoca uma
mudana no nvel de vida das unidades sociais.
Os ltimos trs sculos, cientistas sociais tem tentado, mas sem sucesso
absoluto, at o momento, que a variao necessria nas rendas para que tal
nvel se mantenha relativamente constante ao longo do tempo.

O que os ndices agregativos de preos procuram captar o efeito global
devido evoluo dos preos de uma cesta de bens e servios entre duas
datas, pressupondo que as preferncias dos consumidores no se alteram
significativamente ao longo dos perodos analisados.


5.1 ndices Agregativos Simples


5.1.1 ndice de Dutot

ndice Dutot foi estabelecido em 1738, definido como sendo a relao entre
os somatrios dos valores de um conjunto de variveis em duas datas
diferentes (data-base e a considerada).

21

D
p
=

. 100

Sua expresso de clculo :






Trata-se de um ndice de fcil aplicao, que apresenta as seguintes
limitaes:

a) No leva em considerao a importncia relativa dos itens, exemplo:
feijo e lagosta tem a mesma importncia de custo;
b) No h homogeneidade entre as unidades dos diversos itens, exemplo:
o caf pode vir em quilos e o leite em litros, assim por diante.

Exemplo:

A tabela a seguir apresenta os preos de quatro produtos em duas datas
diferentes.
Tabela Preos de produtos em duas datas diferentes


Produtos Data 1 Data 2
Leite 0,99 1,34
Po 0,15 0,20
Azeite de oliva 7,20 7,90
Farinha 0,88 1,03
9,22 10,47

O ndice agregativo simples, segundo Dutot :

D
p
=

. 100 =

. 100 = 113,56% houve um aumento de 13,56%.

Em geral os ndices agregativo simples apresentam desvantagem o fato de no
existir um peso diferente para cada item que compe o ndice, de acordo com
sua importncia. Alm disso, o ndice agregativo simples muito afetado pelo
alto preo unitrio, influenciando o clculo.


5.2 NDICES AGREGATIVOS PONDERADOS

o ndice que dar uma ponderao a cada item da cesta de produtos peso
de tal forma que cada um deles influencie mais ou menos o clculo final.

Em princpio h um ndice para cada tipo de mdia conhecida.
No caso especfico das mdias ponderadas comum adotar;
a) Como fator de produo, a frequncia absoluta de cada classe;
b) Como valor da varivel, o ponto mdio da classe.


22

S
a
=
(

. 100

S
g
=

. 100
S
h
=

)
. 100
5.2.1 ndice Aritmtico de Sauerbeck

dado pela mdia aritmtica dos relativos, isto, :




Os termos da frmula ndice de Sauerbeck
f a frequncia absoluta da i-sima classe;
X
c
o valor do i-simo item na data considerada ou o ponto mdio da i-sima
classe;
X
b
o valor do i-simo item na data-base ou o ponto mdio da i-sima classe;
o somatrio;
f =n o nmero de itens considerados no estudo.

5.2.2 ndice Geomtrico de Sauerbeck

dado pela mdia geomtrica dos relativos, isto, :





Os termos da frmula ndice de Sauerbeck

f a frequncia absoluta da i-sima classe;
X
c
o valor do i-simo item na data considerada ou o ponto mdio da i-
sima classe;
X
b
o valor do i-simo item na data-base ou o ponto mdio da i-sima
classe;
o somatrio;
f =n o nmero de itens considerados no estudo;

o produtrio.

5.2.3 ndice Harmnico de Sauerbeck

dado pela mdia harmnica dos relativos, isto, :




Os termos da frmula ndice de Sauerbeck

f a frequncia absoluta da i-sima classe;
X
c
o valor do i-simo item na data considerada ou o ponto mdio da i-
sima classe;
X
b
o valor do i-simo item na data-base ou o ponto mdio da i-sima
classe;
f =n o nmero de itens considerados no estudo;

o somatrio.
23

Exemplo:
Tabela 1- Preo de produtos em duas datas diferentes
Produto Unidade Preo 1 Quantidade 1 Preo 2 Quantidade 2

Carne Kg 8,20 4,5 9,90 5,0

Feijo Kg 1,40 5,0 1,40 4,5

leo Lata 2,89 4,0 3,15 3,0

Po 50g 0,15 40,0 0,20 55,0

Margarina Pote 2,10 2,0 2,38 3,0

Farinha Kg 1,99 3,0 2,49 2,0

Total 16,73 19,52

Com os valores da Tabela acima, podemos calcular os respectivos relativos.
Tabela 2 - Relativos obtidos com os dado da tabela acima
Valor Relativo
Data 1 Data 2 Preo Quantidade Valor
36,90 49,50 120,73 111,11 134,15
7,00 6,30 100,00 90,00 90,00
11,56 9,45 109,00 75,00 81,75
6,00 11,00 133,33 137,50 183,33
4,20 7,14 113,33 150,00 170,00
5,97 4,98 125,13 66,67 83,42
71,63 88,37 701,52 630,28 742,64

Dos valores das Tabelas 1e 2, decorrem os seguintes valores:

a) ndices de Sauerbeck de preos

ndice aritmtico
S
a
=
(

. 100 =

. 100 = 115,92

ndice geomtrico

S
g
=

100=(

) (

) (

) (

) (

) (

. 100
=()()()()()()

. 100 = . 100 = 116,33

ndice harmnico

S
h
=

)
. 100 =

)(

)(

)(

)(

)(

)
. 100=
=

. 100 = 115,83



24

b) ndices de Sauerbeck de qualidade

ndice aritmtico

S
a
=
(

. 100 =

. 100 = 105,05

ndice geomtrico

S
g
=

100=(

) (

) (

) (

) (

) (

. 100

=()()()()()()

. 100 = 1,0064 . 100 = 100,64

ndice harmnico

S
h
=

)
. 100 =

)(

)(

)(

)(

)(

)
. 100=

=

. 100 = 96,15

c) ndices de Sauerbeck de valor

ndice aritmtico

S
a
=
(

. 100 =

. 100 = 123,78

ndice geomtrico

S
g
=

100=(

) (

) (

) (

) (

) (

. 100

=()()()()()()

. 100 = 1,1701 . 100 = 117,01

ndice harmnico

S
h
=

)
. 100 =

)(

)(

)(

)(

)(

)
. 100=

=

. 100 = 110,86




25

Quadro-resumo dos ndices

Varivel
Sauerbeck
Aritmtica Geomtrica Harmnica
Preo 116,92 116,33 115,83
Quantidade 105,05 100,64 96,15
Valor 123,78 117,01 110,86

5.3 ndices agregativos ponderados (Laspeyeres )

a fixao de um peso para cada item, que permitiro calcular e interpretar as
variaes de preo, de quantidade e de valor dos itens.

Existem vrios mtodos para determinar o ndice ponderado. Estudaremos o
de Laspeyeres.

5.3.1 Peso Relativo

A ponderao basear na participao de cada item no preo total gasto na
transao em que esto presente vrios itens.






Em que:

o relativo do i-simo item, i o item e d a data-base;

o preo do i-simo item;

a quantidade do i-simo item;

( ) o total gasto na aquisio de vrios itens

Exemplo:

Na tabela a seguir, temos uma relao de itens que foram adquiridos em duas
datas diferentes. Na data 1, temos o preo p
1
e, na data 2, temos o preo p
2
.
Nas duas compras a quantidade q foi mantida constante.

Cesta de itens adquiridos nas data 1 e 2

I Produto Unidade q
i
p
i
1
p
i
2
p
i
1 .
q
i
p
i
2 .
q
i

1 Arroz Kg 5 1,60 2,04 8,00 10,20
2 Feijo Kg 3 1,10 1,48 3,30 4,44
3 Carne Kg 10 8,40 10,50 84,00 105,00
4 Cerveja Lata 12 1,04 1,48 12,48 17,76
107,78 137,40

)
. 100
26

Observe que, na data 1 (data-base) a cesta de produtos custou R$ 107,78.
Qual a participao do relativa do arroz no custo total?

)

Em que i o nmero inteiro e positivo variando de 1 at n e d a data-base.

)
=

= 0,0742

Podemos apresentar o resultado em porcentagem, ou seja:

= 7,42%
O arroz teve 7,42% de peso relativo na compra efetuada na data 1.

Qual a participao dos itens 2, 3 e 4?

Participao do feijo

)
=

= 0,0306 ou 3,06%

Participao da carne

)
=

= 0,7793 ou 77,93%

Participao da cerveja

)
=

= 0,1158 ou 11,58%

Ao somarmos os percentuais encontrados, necessariamente deveremos obter
1,00 ou 100%.

Para aquisio dos mesmos itens na data 2 (data atual) gastou-se o valor de
R$ 137,40. Qual foi o percentual de aumento?

Vamos calcular os relativos na data 2 considerando-se o total gasto na data 1.

Ento, temos:

Participao do arroz

)
=

= 0,0946 ou 9,46%
27

Participao do feijo

)
=

= 0,0412 ou 4,12%

Participao da carne

)
=

= 0,9742 ou 97,42%

Participao da cerveja

)
=

= 0,1648 ou 16,48%


Ao somarmos os percentuais, encontramos 127,48%, o que nos mostra que
houve um aumento de 27,48% nos preos dos itens considerados.

Podemos chegar ao mesmo resultado se dividindo o total gasto na data 2 pelo
total gasto na data 1.

5.3.2 ndice de Laspeyres

Ernst Louis Etienne Laspeyres economista alemo, professor de estatstica,
hoje conhecido por ter desenvolvido em 1871 o ndice de Laspeyres para
determinar a inflao.

Laspeyres props que fosse adotada, como data de referncia para as
ponderaes a data-base. Assim, o ndice de Laspeyres tambm
denominado MTODO DA POCA BSICA.

Ento, usando as quantidades do perodo base, os pesos so calculados pela
frmula:







Em que i o nmero inteiro e positivo variando de 1 at n e d a data-base.

O ndice de Laspeyres, a mdia aritmtica ponderada dos relativos, em que o
fator de ponderao igual participao relativa de cada itens diante do valor
total dos itens adquiridos na data-base.

)

28

.100
Sua frmula no perodo 1 e 2, :



Sabemos que

= 1. Ento:


5.3.2.1 ndice de Laspeyres de preo (

)

O ndice Laspeyres de preo determinado pela frmula:

)
=
(

)
(

)



Onde:

o ndice de Laspeyres de preo;

o preo do item i , na data 1

o preo do item i , na data 2;

a quantidade do item i na data 1.

i o nmero de itens, inteiro positivo, variando de 1 at n.

Exemplo:

Dada a tabela abaixo, calcule o ndice Laspeyres de preo.

Cesta de itens adquiridos nas data 1 e 2.
i Produto Unidade Quantidade 1 Preo 1 Quantidade 2 Preo 2
1 gasolina Litro 50 1,90 42 2,90
2 leo de milho Litro 8 3,99 12 4,89
3 morango Caixa 6 2,50 8 3,90

=
(

)
(

)
.100

=
( )( )( )
( )( )( )
.100 =

.100 =

.100 = 1,1748 . 100 = 117,48%

O ndice nos mostra que houve uma variao de 17,48% nos preos do
conjunto dos itens considerado. No caso, houve um aumento nos preos.

=
(

)
(

)
.100
29

5.3.2.2 ndice de Laspeyres de quantidade (

)

O ndice Laspeyres de preo determinado pela frmula:

)
=
(

)
(

)



Onde:

o ndice de Laspeyres de preo;

o preo do item i , na data 1

o preo do item i , na data 2;

a quantidade do item i na data 1.

a quantidade do item i na data 2

i o nmero de itens, inteiro positivo, variando de 1 at n.

Exemplo:

Dada a tabela abaixo, calcule o ndice Laspeyres de preo.

Cesta de itens adquiridos nas data 1 e 2.
i Produto Unidade Quantidade 1 Preo 1 Quantidade 2 Preo 2
1 gasolina Litro 50 1,90 42 2,90
2 leo de milho Litro 8 3,99 12 4,89
3 morango Caixa 6 2,50 8 3,90

=
(

)
(

)
.100

=
( )( )( )
( )( )( )
.100 =

.100 =

.100 = 1,0344 . 100 = 103,44%

Para o clculo desse ndice, consideramos os preos da data-base como os
fatores de ponderao.
Como nas datas consideradas, variamos as quantidades adquiridas em cada
item e mantivemos o preo constante, verificamos que houve 3,44% a mais de
gasto na data atual em relao data-base.

=
(

)
(

)
.100
30

5.3.2.3 ndice de Laspeyres de valor (

)

O ndice Laspeyres de preo determinado pela frmula:

)
=

Onde:

o ndice de Laspeyres de preo;

o preo do item i , na data 1

a quantidade do item i na data 1.

a quantidade do item i na data 2

i o nmero de itens, inteiro positivo, variando de 1 at n.

Exemplo:

Dada a tabela abaixo, calcule o ndice Laspeyres de preo.

Cesta de itens adquiridos nas data 1 e 2.
i Produto Unidade Quantidade 1 Preo 1 Quantidade 2 Preo 2
1 gasolina Litro 50 1,90 42 2,90
2 leo de milho Litro 8 3,99 12 4,89
3 morango Caixa 6 2,50 8 3,90

=
(

)
(

)
.100

=
( )( )( )
( )( )( )
.100 =

.100 =

.100 = 1,2420 . 100 = 124,20%

Aqui, verificamos que como tanto as quantidades adquiridas de cada item
quanto os preos variam, na data atual gastou-se 24,20% a mais que na data-
base.

=
(

)
(

)
.100
31

6.0 CORRELAO E REGRESSO LINEAR SIMPLES

Correlao
o grau de relacionamento existente entre variveis.
A correlao pode ser classificada segundo o nmero de variveis envolvidas e
segundo a complexidade das funes de ajuste.

Correlao simples quando for considerada uma varivel independente;

Correlao mltipla quando for considerada mais de uma varivel
independente.

Linear quando o ajustamento feito por uma funo do primeiro grau.

No Linear quando o ajustamento feito por uma funo de grau maior que
um.

Regresso linear simples

o mtodo de anlise da relao existente entre duas variveis: uma
dependente e uma independente.

A regresso linear simples normalmente utilizada para o estudo da relao
existente entre variveis, com o propsito de fazer previses a partir dos
resultados obtidos nelas.

Correlao linear simples

a descrio do relacionamento entre duas variveis, sendo pelo menos uma
delas aleatria.

Vamos ordenar esses pares segundo valores crescentes da primeira varivel.
Podem ocorrer diversos valores da segunda para cada valor da primeira. Para
auxiliar nosso julgamento, podemos representar graficamente esses pares. A
representao grfica resultante chamado: Diagrama de Disperso do par
de variveis.

Exemplo 1: Diagrama de Disperso

Dados histricos
X 2 3 5 8 3 8 5 10 8
Y 40 50 60 50 70 40 50 60 70

Dados ordenados
X 2 3 3 5 5 8 8 8 10
Y 40 50 70 60 50 50 40 70 60




80

60

40

20

00
1 2 3 4 5 6 7 8 9 10

32

r =

Correlao linear forte Correlao linear forte Correlao linear fraca
(positiva) (negativa) (positiva)


6.1 COEFICIENTE DE CORRELAO LINEAR

uma medida, proposta por Karl Pearson e seu clculo dado pela relao:







Se representarmos por:

()

()

, podemos escrever o coeficiente de correlao mais

simples:




O coeficiente de Pearson tem variao entre 1 e 1 ou, -1 r 1.

r = -1 indica correlao linear negativa perfeita.
r = 0 os pontos no esto em correlacionados.
r = 1 indica correlao positiva perfeita.

Exemplo:
As variveis x e y apresentam os seguintes pares de valores no
levantamento amostral:

x 2 4 5 7 12
y 40 50 60 50 70

Construir um diagrama de disperso e calcular o coeficiente de correlao,
comentando os resultados.





r =

()

()

33

Soluo:












Calculamos os valores:

= 117

()

=
( )

= 58

()

=
( )

= 242
r =

= 0,9876

Comentrio:
O coeficiente de correlao r = 0,9876 confirma a impresso visual
fornecida pelo diagrama de disperso. As variveis so altamente
correlacionadas positivamente.

Exerccios

1. Construir o diagrama de disperso para os dados::

X 3 5 8 10 11 15
Y 8 12 20 20 26 32

Calcular o coeficiente de correlao para os dados. Observando o
diagrama de disperso, voc teria estimado um valor para o coeficiente
prximo ao encontrado? Por que?

2. Usando os dados do exerccio 1, se voc tivesse que estimar o valor de
y para x = 9, qual valor voc escolheria?

a) Um valor menor que 19.
b) Um valor maior que 19.
c) No possvel fazer uma previso para x = 9.
Justifique sua resposta.
n X Y xy x
2
y
2
1 2 20 40 4 400
2 4 25 100 16 625
3 5 24 120 25 576
4 7 31 217 49 961
5 12 40 480 144 1.600
30 140 957 238 4.162

40

30

20

00
2 4 5 7 12



34

3. A tabela a seguir mostra um conjunto de dados levantados em um
perodo para as variveis x, y e z.

X 3 8 12 20 22 35 40
Y 12 26 22 30 25 40 41
z 8 10 12 15 14 27 25

a) Calcule o coeficiente de correlao para as variveis (x, y), (x, z), (y,
z)
b) Se voc precisasse escolher uma das duas variveis x ou y para
estimar a varivel z, qual das duas escolheria? Por que?
c) Usando a varivel x para estimar z, para x = 25, que valor voc
atribuiria a z?
d) Usando a varivel y para estimar z, para y = 27, que valor voc
atribuiria a z?

4. A tabela a seguir mostra um conjunto de dados levantados em um
perodo para as variveis x, y e z.

X 4 8 10 12 15 17 22
Y 130 110 100 90 75 65 40

a) Qual o coeficiente de correlao das variveis x e y?
b) possvel estimar com preciso o valor de y para x = 20? Por que?

5. A venda de um produto foi pesquisada para vrios nveis de preos e
vrios nveis de rendas dos consumidores:

X 3 8 12 20 22 35 40
Y 12 26 22 30 25 40 41
Z 8 10 12 15 14 27 25

Qual a varivel de controle que melhor se relaciona com as vendas? Por
que?


Regresso Linear Simples

um mtodo de previso que permite uma avaliao confivel no
relacionamento de duas variveis e a parte das incertezas transformam em
risco.

Vamos considerar o caso do relacionamento de duas variveis x e y com as
caractersticas:

x : a varivel cujos os valores controlaremos. Os valores de x so, portanto,
determinados e independentes aos valores da varivel y. Ela ser conhecida
ainda por varivel de deciso. ( seu valores depende de nossa deciso;
atribuiremos seu valores).
35

= a + b. x
b =

()

a =

b .

b =

a = b .


y : varivel aleatria. a varivel que queremos prever. Seu valor depende do
valor atribudo a x, embora para cada valor de x possamos ter diversos valores
para y, devido a sua caracterstica aleatria. Ainda assim, diremos que y
varivel dependente da varivel x.

6.1.1 Mtodo dos Mnimos Quadrados

A ideia do mtodo dos mnimos quadrados construir uma estimativa
para a verdadeira reta de regresso, tornando o menor possvel a soma das
diferenas (y
i
) entre os pontos observados y
i
e o correspondente valor sobre
a reta estimada (y chapu).

A reta estimada tem a forma funcional:

onde: o estimador de ;
a e b so estimadores de e .
= a + b. x onde :

e
ou seja:

e

Exemplo:

Calcular, usando o mtodo dos mnimos quadrados, a reta que ajusta o
conjunto de pontos observados. Construa o grfico de disperso.











Soluo:

= 17

()

=
( )

= 10

b =

= 1,70 e a =

b .

1,70 .

= 8,90
N X y xy x
2
y
2
1 1 10 10 1 100
2 2 12 24 4 144
3 3 16 48 9 256
4 4 15 60 16 225
5 5 17 85 25 289
15 70 227 55 1.014
36

R
2
= b .

R
2
=

()

portanto: = a + b. x = 8,90 + 1,70 . x





















6.2 COEFICIENTE DE EXPLICAO

a percentagem da variao dos valores y em relao a sua mdia que
pode ser explicada pela regresso de y em x.

O coeficiente de explicao R
2
pode ser definido como sendo a
percentagem da variao total representada pela variao explicada



ou




6.3 FUNES LINEARIZVEIS

usadas quando os pontos apresentam uma tendncia no linear, isto uma
curva bem definida em torno do qual os pontos parecem agrupar.
Felizmente, existe um grupo de funes que apresentam grficos ajustveis a
muitas dessas tendncias, e que possuem a qualidade de poder transformar-se
em funes lineares com aplicao de logaritmos ou por mudana de varivel.





17
16
15


12

10









0
1 2 3 4 5



37

Funo Potncia
Y = a . x
b
, com x 0 , a 0 e b 0
y y



b 1 0 b 1

x x
Crescente Decrescente
Concavidade para cima Concavidade para baixo
Contm a origem Contm a origem

Se x = 0, ento y = 0.
Para x 0, aplicando o logaritmo, temos: y = a + b . x

Funo Exponencial
Y = a . b
x
, com a 0 , b 0 e x 0
y y


a
b 1 0 b 1

a
x x
Crescente Decrescente
Concavidade para cima Concavidade para baixo
x = 0 y = a x = 0 y = a

Aplicando o logaritmo, temos: y = a + b . x
Por meio do grfico de disperso ( x, b ) e do coeficiente de correlao
apresentado podemos julgar se devemos adotar a regresso correspondente.

Funes Logaritmo
Y = a + b.x, x 0
y y


a
b 0 b 0


x x

Crescente Decrescente
Concavidade para baixo Concavidade para cima
x = 0 y = a x = 0 y = a

38

Aplicando o logaritmo, temos: y = a + b . x
Por meio do grfico de disperso ( , y ) e do coeficiente de correlao
apresentado podemos julgar a adequao do uso dessa forma funcional.

Exemplo:

Usando os dados do exemplo anterior, calcular o coeficiente de explicao da
regresso de y sobre x.

Soluo:

= 17

=
()

= 34 b = 1,70 ento, temos:

R
2
= b .

= 1,70 .

= 0,85
O resultado indica 85% das variaes de y a partir de sua mdia so
explicados pela regresso de y sobre x. Os outros 15% das variaes so
ditados por fatores imponderveis.

Exerccios:
1. Um estudo sobre a oferta ao mercado de um produto revelou as
quantidades que os produtos estariam dispostos a oferecer a vrios
nveis de preos:


X= preo 10,00 10,50 11,00 11,50 12,00 12,50 13,00 13,50
Y= oferta
(em 1.000 un.)
427 440 447 453 460 465 470 472

a) Construa o grfico de disperso para os dados da tabela;
b) Calcule o coeficiente de correlao linear das variveis;
c) O diagrama de disperso sugere o uso de alguma forma linearizvel
para ajustar os pontos;
d) Construa o grfico da forma linear correspondente funo
escolhida em c;
e) Calcule o coeficiente de correlao dos pares em (d);
f) Comente os resultados obtidos;
g) Calcule a regresso de y sobre x para a funo de maior correlao;
h) Calcule o coeficiente de explicao para a funo escolhida em (g);
i) Calcule a oferta esperada para 15,00.


39

BIBLIOGRAFIA

COSTA, Srgio Francisco. Introduo Ilustrada Estatstica (com muito
humor!). 2 ed. So Paulo: Harbra, 1992.

GUERRA, Mauri Jos; DONAIRE, Denis. Estatstica Indutiva - teoria e
aplicaes. 3 ed. So Paulo: LCTE, 1986.

LEMOS, Alusio Andrade. HIGUCHI, Fidefico. FRIDMAN, Salomo.
Matemtica. So Paulo: Moderna, 1976.

LIPSCHUTZ, Seymour. Probabilidade. 4 ed. rev. So Paulo: Makron Books,
1993.

MEDRI, Waldir. Mtodos quantitativos aplicados Contabilidade. Londrina:
UEL, 2003.

OLIVEIRA, Francisco Estevam Martins de. Estatstica e Probabilidade
Exerccios resolvidos e propostos. 1 ed. So Paulo: Atlas, 1995
_________
_. Estatstica e Probabilidade. 2 ed. So Paulo: Atlas, 1999.

SPIEGEL, Murray. Estatstica. 2 ed. So Paulo: Mc Graw-Hill do Brasil, 1985.

STEVENSON, William J. Estatstica aplicada administrao. 1 ed. So
Paulo: 1981.