2

F
i
n
a
n

a
s
Estatstica
A Estatstica a arte de torturar os nmeros at que eles se confessem A Estatstica a arte de torturar os nmeros at que eles se confessem A Estatstica a arte de torturar os nmeros at que eles se confessem A Estatstica a arte de torturar os nmeros at que eles se confessem
Jos Juliano de Carvalho Filho
A AA A morte morte morte morte de de de de uma uma uma uma pessoa pessoa pessoa pessoa uma uma uma uma tragdia tragdia tragdia tragdia; ;; ; a aa a de de de de milhes, milhes, milhes, milhes, uma uma uma uma estatstica estatstica estatstica estatstica
Joseph Stalin
Est Est Est Est provado provado provado provado que que que que fazer fazer fazer fazer aniversrio aniversrio aniversrio aniversrio saudvel saudvel saudvel saudvel. .. . Estatsticas Estatsticas Estatsticas Estatsticas mostram mostram mostram mostram que que que que as as as as
pessoas pessoas pessoas pessoas que que que que fazem fazem fazem fazemmais mais mais mais aniversrios aniversrios aniversrios aniversrios vivem vivem vivem vivemmais mais mais mais
S. den Hartog
Um Um Um Um estatstico aquele que, estatstico aquele que, estatstico aquele que, estatstico aquele que, estando com estando com estando com estando com a cabea a cabea a cabea a cabea num num num num forno e os ps enterrados forno e os ps enterrados forno e os ps enterrados forno e os ps enterrados
no gelo, no gelo, no gelo, no gelo, diz diz diz diz que na mdia est tudo que na mdia est tudo que na mdia est tudo que na mdia est tudo bem bem bem bem
K. Dunnigan
3
F
i
n
a
n

a
s
Estatstica
Dados Dados Dados Dados estatsticos estatsticos estatsticos estatsticos
Amostra e populao.
Distribuio de frequncias. Histogramas.
Medidas de tendncia central. Medidas de disperso. Outliers.
Correlao.
Probabilidade Probabilidade Probabilidade Probabilidade
Espao de resultados. Acontecimentos.
Medida de probabilidade: Definio e propriedades.
Probabilidade condicionada.
Funo Funo Funo Funo de de de de distribuio distribuio distribuio distribuio
Varivel aleatria.
Propriedades da funo de distribuio.
Funo probabilidade.
Distribuies Distribuies Distribuies Distribuies tericas tericas tericas tericas
Distribuies discretas. Distribuies contnuas.
Inferncia Inferncia Inferncia Inferncia estatstica estatstica estatstica estatstica
Estimao. Estimadores.
Intervalos de confiana. Testes de hiptese
4
F
i
n
a
n

a
s
Estatstica
Introduo Introduo Introduo Introduo Estatstica Estatstica Estatstica Estatstica
Bento Murteira. Carlos Silva Ribeiro. Joo Andrade e Silva. Carlos Pimenta
McGraw-Hill
Probabilidades Probabilidades Probabilidades Probabilidades e ee e Estatstica Estatstica Estatstica Estatstica
Cristina F. Nunes
Escolar Editora
5
F
i
n
a
n

a
s
Estatstica
1 prova
Dados estatsticos
Probabilidade
Funo de distribuio
2 prova
Distribuies tericas
Inferncia estatstica
2012.ABR.19
2012.JUN.21
0,5 1 0,5 2
6
F
i
n
a
n

a
s
Estatstica
Populao
Amostra3
Amostra2
Amostra1
7
F
i
n
a
n

a
s
Estatstica
o Estabelecimento do objectivo da anlise a efectuar
o Concepo de um procedimento adequado para a seleco de uma ou mais amostras
Convenincia
Subjectiva
o Recolha de dados
Primrios
Secundrios
o Anlise dos dados
o Estabelecimento de inferncias acerca da populao
8
F
i
n
a
n

a
s
Estatstica
Tipo de dados Tipo de dados Tipo de dados Tipo de dados
Qualitativos Quantitativos
Exaustivas
Exclusivas
No ordenveis
Nominal Ordinal Intervalo Absoluta
Escalas Escalas Escalas Escalas
Exaustivas
Exclusivas
Ordenveis
Origem
arbitrria
Origem
absoluta
Gnero
Localidade
Muito bom
Bom
Peso
Facturao
Temperatura
9
F
i
n
a
n

a
s
Estatstica
Dados quantitativos Dados quantitativos Dados quantitativos Dados quantitativos
Discretos Contnuos
Valores admissveis para os dados pertencema
umconjunto finito
Entre quaisquer dois valores dos dados
pode ser definido outro valor
Idade de uma pessoa Distncia
1
0
F
i
n
a
n

a
s
Estatstica
Classificados por categorias no ordenadas
Classificados por categorias ordenadas
Expressos numa escala numrica com origem arbitrria
Expressos numa escala numrica com origem fixa
Nominal
Ordinal
Intervalo
Absoluta
Dados Escalas
1
1
F
i
n
a
n

a
s
Estatstica
Amostras Amostras Amostras Amostras univariadas univariadas univariadas univariadas
Cada dado mede apenas umatributo
Formas de descrever amostras Formas de descrever amostras Formas de descrever amostras Formas de descrever amostras
Tabela de frequncias
Diagramas
Dados Qualitativos Dados Quantitativos
Tabela ou grficos de dados
Estatsticas amostrais
Grficos de estatsticas
1
2
F
i
n
a
n

a
s
Estatstica
Frequncia Frequncia Frequncia Frequncia absoluta absoluta absoluta absoluta

Nmero de dados contidos na categoria 1,2, ,

Nmero total de dados
Frequncia Frequncia Frequncia Frequncia relativa relativa relativa relativa
A frequncia relativa de ocorrncia da categoria

ou

100

1
3
F
i
n
a
n

a
s
Estatstica
Idade Altura
6 120,46
7 121,06
8 132,12
9 137,33
10 145,15
11 150,21
12 154,86
110,00
120,00
130,00
140,00
150,00
160,00
6 7 8 9 10 11 12
Cronograma Cronograma Cronograma Cronograma
Evoluo da altura mdia das crianas entre os 6 e os 12 anos
Representao Representao Representao Representao grfica grfica grfica grfica
1
4
F
i
n
a
n

a
s
Estatstica
0
2
4
6
8
10
12
14
16
18
1 2 3 4 5 6 7
Histograma Histograma Histograma Histograma
Idade das crianas que tiveram consulta em medicina dentria
peditrica entre os meses de Janeiro e Maro
Nmero de crianas: 100
Idade
Frequncia
Absoluta
Frequncia
Relativa
6 13 0,13
7 18 0,18
8 17 0,17
9 18 0,18
10 13 0,13
11 14 0,14
12 7 0,07
Representao Representao Representao Representao grfica grfica grfica grfica
1
5
F
i
n
a
n

a
s
Estatstica
Medidas Medidas Medidas Medidas de de de de disperso disperso disperso disperso
Medem o grau de concentrao ou disperso dos valores observados em torno das medidas de tendncia
central. Medemo grau de variabilidade independentemente das causas.
Absolutas
Distncia
Amplitude Amplitude Amplitude Amplitude | || | Amplitude Amplitude Amplitude Amplitude interquartis interquartis interquartis interquartis
Comparao
Desvio Desvio Desvio Desvio mdio mdio mdio mdio absoluto absoluto absoluto absoluto | || | Varincia Varincia Varincia Varincia | || | Desvio Desvio Desvio Desvio Padro Padro Padro Padro
Relativas
Coeficiente Coeficiente Coeficiente Coeficiente de de de de variao variao variao variao
Medidas Medidas Medidas Medidas de de de de localizao localizao localizao localizao
Localizamos valores observados
Medidas de tendncia central
Mdia Mdia Mdia Mdia | || | Moda Moda Moda Moda | || | Mediana Mediana Mediana Mediana
Medidas de tendncia no central
Quantis Quantis Quantis Quantis (Quartis (Quartis (Quartis (Quartis | || | Decis Decis Decis Decis | || | Percentis Percentis Percentis Percentis
Medidas Medidas Medidas Medidas de de de de assimetria assimetria assimetria assimetria
Mostra a forma como os dados se distribuem
na horizontal
Medidas Medidas Medidas Medidas de de de de achatamento achatamento achatamento achatamento ou ou ou ou curtose curtose curtose curtose
Mostra a forma como os dados se distribuem
na vertical
1
6
F
i
n
a
n

a
s
Estatstica
Medidas de localizao Medidas de localizao Medidas de localizao Medidas de localizao
Dados discretos no agrupados
Dados discretos agrupados

1

Dados contnuos agrupados

1

representa representa representa representa o oo o ponto ponto ponto ponto mdio mdio mdio mdio da da da da classe classe classe classe
A mdia mdia mdia mdia pode ser pensada como o centro de massa dos valores das observaes. Representa o ponto de
equilbrio das observaes.
1
7
F
i
n
a
n

a
s
Estatstica

2 1
(

2
2
A mediana mediana mediana mediana uma estatstica de ordem que representa o valor da amostra que tem 50% de observaes de
valor inferior e 50%de observaes de valor superior
A mediana um caso particular dos quantis
Um quantil de ordem (

, onde 0; 1 , o valor que tem observaes inferiores e

(1 observaes superiores
Medidas de localizao Medidas de localizao Medidas de localizao Medidas de localizao
1
8
F
i
n
a
n

a
s
Estatstica
Quando os dados amostrais foremdiscretos, a moda moda moda moda o valor dos dados que ocorre commaior frequncia.
Quando os dados amostrais forem contnuos, a moda moda moda moda o ponto central da clula com maior frequncia
(clula ou classe modal.
Se houver dois ou mais valores para os quais a frequncia seja mxima, teremos vrias modas.
Se todos os valores tiverem a mesma frequncia, no existe moda. Diz-se neste caso que a amostra
amodal amodal amodal amodal.
Medidas de localizao Medidas de localizao Medidas de localizao Medidas de localizao
1
9
F
i
n
a
n

a
s
Estatstica
Medidas de disperso Medidas de disperso Medidas de disperso Medidas de disperso

1

Varincia
(Erro quadrtico mdio

1
1
(

Varincia corrigida
A disperso mede os desvios do conjunto de dados relativamente mdia
Quando a amostra tem pequena
dimenso usa-se a varincia corrigida

1
1
(

Desvio padro corrigido

A varincia no tem a mesma ordem de grandeza dos dados. Para comparao directa com a mdia usa-se o
desvio padro desvio padro desvio padro desvio padro

1

Desvio padro

Coeficiente de variao
2
0
F
i
n
a
n

a
s
Estatstica
Dados na forma intervalar Dados na forma intervalar Dados na forma intervalar Dados na forma intervalar
Varincia corrigida
Tambm se pode usar para a varincia as frmulas Tambm se pode usar para a varincia as frmulas Tambm se pode usar para a varincia as frmulas Tambm se pode usar para a varincia as frmulas
Dados na forma completa Dados na forma intervalar

Medidas de disperso Medidas de disperso Medidas de disperso Medidas de disperso

Varincia

1
1

Varincia corrigida
Varincia
2
1
F
i
n
a
n

a
s
Estatstica

Covarincia Covarincia Covarincia Covarincia amostral amostral amostral amostral

Medidas de disperso Medidas de disperso Medidas de disperso Medidas de disperso
x
y

0
; (0; 0

Tambmse pode escrever

Avalia a variao conjunta de duas variveis
2
2
F
i
n
a
n

a
s
Estatstica

Coeficiente Coeficiente Coeficiente Coeficiente de de de de correlao correlao correlao correlao de de de de Pearson Pearson Pearson Pearson
Medidas de disperso Medidas de disperso Medidas de disperso Medidas de disperso
A covarincia depende dos valores absolutos que as variveis apresentam
Mede o grau de associao linear entre as variveis
-1
1
0
Forte (inversa
Fraca Forte
Se os dados no so quantitativos, utiliza-se a ordem do dado na coleco e tomando esse valor
aplica-se a mesma frmula
Coeficiente Coeficiente Coeficiente Coeficiente de de de de correlao correlao correlao correlao de de de de Spearman Spearman Spearman Spearman
2
3
F
i
n
a
n

a
s
Estatstica
caixa-de-bigodes
1 quartil
3 quartil
2 quartil mediana
Mnimo, mas maior do que
Q1 - 1,5(Q3-Q1
Mximo, mas menor do que
Q3 1,5(Q3-Q1
2
4
F
i
n
a
n

a
s
Estatstica
Valores que se afastam muito dos valores centrais
( ) ( )
1 3 1 1 3 3
3 3 Q Q Q x Q Q Q
i
< < +
outlier
A amplitude interquartis representa uma
medida de disperso mais resistente do
que o desvio padro
1 3
Q Q AIQ =
Compreende 50% das
observaes centrais dos
dados
2
5
F
i
n
a
n

a
s
Estatstica
Mtodo para quantificar a incerteza
A teoria da probabilidade a teoria matemtica que estuda os fenmenos aleatrios fenmenos aleatrios fenmenos aleatrios fenmenos aleatrios
2
6
F
i
n
a
n

a
s
Estatstica
qualquer processo que gera umresultado que pode ser diferente de cada vez que o processo
executado emiguais condies.
Designao Designao Designao Designao Experincia aleatria Experincia aleatria Experincia aleatria Experincia aleatria
E
1
Lanar uma moeda e observar o nmero de caras obtidas
E
2
Medio da resistncia de uma mola da suspenso de uma viatura
E
3
Contagem do nmero anual de acidentes de automvel na A1
Exemplos
2
7
F
i
n
a
n

a
s
Estatstica
conjunto de todos os resultados possveis de uma experincia aleatria
S diz-se:
Discreto Discreto Discreto Discreto se #S seja finito ou infinito numervel
Contnuo Contnuo Contnuo Contnuo se #S for infinito no numervel
e.a. e.a. e.a. e.a. Espao de resultados (S Espao de resultados (S Espao de resultados (S Espao de resultados (S Classificao de S Classificao de S Classificao de S Classificao de S
E
1
{0,1} Discreto (finito
E
2
R

Contnuo (infinito no numervel

E
3
{0,1,2,} Discreto (infinito numervel
Exemplos
2
8
F
i
n
a
n

a
s
Estatstica
Designao dada a qualquer subconjunto do espao amostral.
O evento A diz-se:
Elementar (ou simples quando constitudo por um nico elemento de S
Composto quando constitudo por mais do que um elemento de S
Certo quando AS
Impossvel quando A
e.a. e.a. e.a. e.a. Evento Evento Evento Evento
E
1
A ocorre uma cara ; A{1}
E
2
B resistncia superior a 8 unidades; B]8,[
E
3
C registo de mais de 5 acidentes anuais na A1; C{6,7,}
Exemplos
2
9
F
i
n
a
n

a
s
Estatstica
Operao Notao Descrio verbal Diagrama de Venn
Interseco AB Realizao simultnea de
A e B
Reunio AB Realizao de A ou B, i.e.,
de pelo menos um dos
dois eventos
Diferena A\B=A-B
B\A=B-A
Realizao de A sem que
se realize B
Realizao de B sem que
se realize A
Complementar No realizao de A
A B
AB
S
B
A
AB S
A B
A-B B-A
S
A
A
S
3
0
F
i
n
a
n

a
s
Estatstica
A e B so mutuamente exclusivos ou disjuntos ou incompatveis sse no
tiveremelementos comuns

S
A B
3
1
F
i
n
a
n

a
s
Estatstica
As operaes sobre eventos gozamde propriedades bemconhecidas tais como:
B A B A
B A B A
Morgan De de Leis
S A A
A A
=
=
=
= {}
Associatividade
Comutatividade
Distributividade
.
Algumas
Leis de De Morgan
3
2
F
i
n
a
n

a
s
Estatstica
Seja S um espao amostral. Sejam A
1
e A
i
, i1,2,, eventos quaisquer de S. Chama-se
probabilidade de A, PA), o nmero real associado a A que mede a verosimilhana com que A
ocorre e satisfaz os seguintes axiomas:
0 1
1

, ,

,
,

Consequncias elementares dos axiomas Consequncias elementares dos axiomas Consequncias elementares dos axiomas Consequncias elementares dos axiomas
= 0

= 1 ()
() ()
A definio de probabilidade indica 3 propriedades que qualquer medida de probabilidade de um evento
temque satisfazer, mas no fornece a forma de determinar o seu valor.
Temos que recorrer a mtodos consistentes para efectuar o seu clculo.
3
3
F
i
n
a
n

a
s
Estatstica
Considere-se uma e.a. comespao de resultados S comas seguintes particularidades:
S constitudo por n acontecimentos elementares (#S=n) distintos igualmente provveis e
emnmero finito.
Considere-se ainda que a realizao do acontecimento A passa pela ocorrncia de m dos n
eventos elementares de n, i.e.,#A=m
Ento
n
m
S
A
A P = = =
#
#
possveis casos de n
A de ocorrncia favorveis casos de n
) (
3
4
F
i
n
a
n

a
s
Estatstica
Limitaes Limitaes Limitaes Limitaes
Esta definio s vlida quando
#S< (nmero de eventos elementares finito)
S constitudo por eventos elementares igualmente provveis
Estes pressupostos so frequentemente violados na prtica
3
5
F
i
n
a
n

a
s
Estatstica
A probabilidade do evento A igual ao limite da frequncia relativa da ocorrncia do evento A:
N
A n
A P
N
) (
lim ) (
+
=
N representa o nmero de realizaes (em condies semelhantes) da experincia aleatria
n(A) representa o nmero de vezes que o evento A ocorre nas N realizaes da experincia aleatria
3
6
F
i
n
a
n

a
s
Estatstica
O efeito de saber que B ocorreu tornar B o espao amostral.
0 ) ( ,
) (
) (
) | ( >

= B P se
B P
B A P
B A P
S
A B
B ocorreu
B
AB
Sejam dois acontecimentos, A e B, subconjuntos do mesmo espao de resultados. A
probabilidade de A se realizar sabendo que B se realizou (probabilidade de A condicionada
por B) designa-se P(A|B) e definida por
3
7
F
i
n
a
n

a
s
Estatstica
Exemplo Exemplo Exemplo Exemplo
Um grupo de alunos de Informtica elaborou 100 programas. Constatou-se que:
20% possuem erros de Sintaxe,
30% possuem erros de Input/Output e
10% possuem erros de Sintaxe e Input/Output.
Admitamos que foi escolhido ao acaso um programa e que este possua erros de Sintaxe.
Qual a probabilidade do programa possuir erros Input/Output?
Definies:
A programa possuir erros de Sintaxe
B programa possuir erros de Input/Output
Dados do problema: P(A)=0.20; P(B)=0.30 e P(AB)=0.1
Resposta: P(B|A)=P(BA)/P(A)=0.1/0.2=0.5
3
8
F
i
n
a
n

a
s
Estatstica
Proposio Proposio Proposio Proposio Consequncias Consequncias Consequncias Consequncias
Sejam A e B eventos independentes tais que P(A)>0 e P(B)>0. Ento:
P(A|B)=P(A)
P(B|A)=P(B)
Os eventos A e B dizem-se independentes se e s se
) ( ) ( ) ( B P A P B A P =
Teorema Teorema Teorema Teorema: :: :
Se A e B so acontecimentos independentes ento tambmso:
B e A B e A B e A ; ;
3
9
F
i
n
a
n

a
s
Estatstica
Teorema Teorema Teorema Teorema Regra Regra Regra Regra da da da da probabilidade probabilidade probabilidade probabilidade total total total total
Se
; ;

uma partio do espao de resultados, e se

> 0 , ento, para qualquer

acontecimento B
=

(\

r k
B A P B P
B A P B P
A P
A B P
A B P
r
i
i i
k k k
k
,..., 2 , 1 ,
) | ( ) (
) | ( ) (
) (
) (
) | (
1
=

=
=
4
0
F
i
n
a
n

a
s
Estatstica
Varivel Aleatria (V.A.)
uma funo que a cada resultado possvel faz corresponder um nmero.
O conjunto de todos os valores que podem ser tomados por uma varivel aleatria
designa-se espao de amostragem.
Representa-se simbolicamente por
() ()
C1C2C3 3 0
C1C2E3 2 1
C1E2C3 2 2
C1E2E3 1 1
E1C2C3 2 1
E1C2E3 1 2
E1E2C3 1 1
E1E2E3 0 0
N Nmero de caras em 3 lanamentos
M Nmero de mudanas de face
Conceitos gerais Conceitos gerais Conceitos gerais Conceitos gerais
:
()
4
1
F
i
n
a
n

a
s
Estatstica
A funo : definida por
= ( )
Designa-se por funo distribuio de probabilidade da varivel aleatria x
0 1
F no decrescente, isto , > 0
lim

0 ; lim

1
, , >
F contnua direita, isto ,

lim

,
Propriedades
4
2
F
i
n
a
n

a
s
Estatstica
V.A. Discretas V.A. Discretas V.A. Discretas V.A. Discretas
V.A. Contnuas V.A. Contnuas V.A. Contnuas V.A. Contnuas
O seu espao de amostragem finito ou infinitamente numervel.
X Nmero de pontos obtido no lanamento de um dado
Y Nmero de acessos a um site, por minuto
O seu espao de amostragem no numervel. A v.a pode tomar todos
os valores intermdios numdado intervalo.
X Altura de um individuo cm)
Y Tempo de execuo de uma tarefa segundos)
1

) ,

4
3
F
i
n
a
n

a
s
Estatstica
x x
1
x
2
x
k

) p
1
p
2
p
k

1
0
=

i
i
i
p
; p
i
i i
x x se
x x se p
x X P x f

= = =
0
) ( ) (
Quadro de distribuio de probabilidade Quadro de distribuio de probabilidade Quadro de distribuio de probabilidade Quadro de distribuio de probabilidade
Funo de probabilidade: a funo real de varivel real Funo de probabilidade: a funo real de varivel real Funo de probabilidade: a funo real de varivel real Funo de probabilidade: a funo real de varivel real
Seja X uma varivel aleatria discreta podendo assumir os valores

, ,

,
Com probabilidades

, 1,2,3
Funo de distribuio: Funo de distribuio: Funo de distribuio: Funo de distribuio:

= = =
x x
k
k
x X P x X P x F ) ( ) ( ) (
4
4
F
i
n
a
n

a
s
Estatstica

= = =
i
i i
i
i i
) x ( f x p x ) X ( E

= = =
i
i i
p x X E X V
2 2 2
) ( ] ) [( ) (
) (X V + =
Definio: Valor Valor Valor Valor esperado esperado esperado esperado, valor mdio ou esperana matemtica
Seja X uma v.a discreta com o seguinte quadro de distribuio
Definio: Varincia Varincia Varincia Varincia
Definio: desvio padro desvio padro desvio padro desvio padro

=
=
i
i
i p x X E
onde
X E X E X V
2 2
2 2
] [
] [ ] [ ) (
Nota:
Parmetros caractersticos
x x
1
x
2
x
k

) p
1
p
2
p
k

4
5
F
i
n
a
n

a
s
Estatstica
xi 0 50 100 1000
pi 0.986 0.01 0.003 0.001
8 . 1 001 . 0 * 1000 003 . 0 * 100 01 . 0 * 50 986 . 0 0 ) ( = + + + = = =

i
i i
p x X E
1055 001 . 0 * 1000 003 . 0 * 100 01 . 0 * 50 ] [
43 . 32 76 . 1051 76 . 1051 8 . 1 1055 ] [
2 2 2 2 2
2 2 2 2 2
= + + = =
= = = = =

i
i
i p x X E
pois
X E
Numa rifa com bilhetes numerados de 0 a 999 existem 10 terceiros prmios de 50, 3 segundos prmios
de 100 e um grande prmio de 1000
O quadro de distribuio de probabilidade O quadro de distribuio de probabilidade O quadro de distribuio de probabilidade O quadro de distribuio de probabilidade
O valor esperado, ou ganho esperado para quem compra um bilhete O valor esperado, ou ganho esperado para quem compra um bilhete O valor esperado, ou ganho esperado para quem compra um bilhete O valor esperado, ou ganho esperado para quem compra um bilhete
X Ganho obtido comprando um bilhete euros)
Varincia e desvio padro Varincia e desvio padro Varincia e desvio padro Varincia e desvio padro
Exemplo Exemplo Exemplo Exemplo
4
6
F
i
n
a
n

a
s
Estatstica

= =
=
=
=
n
i
n
i
i i
) X ( E ) X ( E . P
. a . v X ) X ( kE ) X k ( E . P
. Const k k ) k ( E . P
1 1
3
2
1

= =
=
=
= = = =

n
k
i
n
k
i i
tes independen s ' a . v } X { se ) X ( V ) X ( V . P
) X ( V k ) X k ( V . P
] [ E ] k k [ E ] ]) k [ E k [( E pois ) k ( V . P
) X ( V . P
1 1
2
2
3
2
0 0 0 1
0 0
] ) [(
2 2
= X E
Valor mdio
Varincia
Propriedades Propriedades Propriedades Propriedades
4
7
F
i
n
a
n

a
s
Estatstica
Se x e y so duas variveis aleatrias, a distribuio de probabilidades de sua ocorrncia
simultnea pode ser representada pela funo com valores fx, y) para qualquer par de
valores x, y).
A esta funo chamamos
Distribuio de Probabilidade Distribuio de Probabilidade Distribuio de Probabilidade Distribuio de Probabilidade Conjunta de x e Conjunta de x e Conjunta de x e Conjunta de x e y yy y
4
8
F
i
n
a
n

a
s
Estatstica
A funo , a distribuio de probabilidade conjunta das variveis aleatrias x e y se:
1. , 0, , )
2. , 1

3. , ,
4. , , ,

1. , 0, , )
2. , 1

3. , , ,

Caso discreto
Caso contnuo
4
9
F
i
n
a
n

a
s
Estatstica
Binomial
Nmero sucessos em n provas
Em cada prova apenas dois resultados)
Poisson
Nmero de sucessos num intervalo tempo/espao)
ocorrncia de eventos raros)
5
0
F
i
n
a
n

a
s
Estatstica
Exemplos:
uma pea classificada como boa ou defeituosa;
o resultado de umexame mdico para deteco de uma doena positivo ou negativo;
umpaciente submetido a umtratamento durante umperodo de tempo fixo, cura-se ou no da doena;
umentrevistado concorda ou no coma afirmao feita;
no lanamento de umdado ocorre ou no a face 5.
Umcliente est satisfeito ou no comumservio
MODELO DE BERNOULLI
Na prtica, existemmuitos ensaios que admitemapenas dois resultados.
5
1
F
i
n
a
n

a
s
Estatstica
Varivel aleatria de Bernoulli
uma v.a. que assume apenas dois valores:
1 se ocorrer sucesso,
0 se ocorrer insucesso.
Geralmente, a probabilidade de sucesso representada por p, 0 1
Situaes com alternativas dicotmicas podem ser representadas, genericamente, por respostas do tipo
sucesso sucesso sucesso sucesso- -- -insucesso insucesso insucesso insucesso.
Essas provas se foremindependentes e coma mesma probabilidade de ocorrncia de sucesso) recebemo
nome de Ensaios de Bernoulli e originamuma v.a. comdistribuio distribuio distribuio distribuio de de de de Bernoulli Bernoulli Bernoulli Bernoulli. .. .
5
2
F
i
n
a
n

a
s
Estatstica
e sua funo probabilidade pode ser representada pela tabela
Repeties independentes de umensaio de Bernoulli do origemao modelo binomial.
Segue que
EX) p e VX) p1 p).
X ~ Bernoulli p) indica uma v.a. comdistribuio de Bernoulli comparmetro p, isto ,

=
" insucesso " ocorrer se ,
" sucesso " ocorrer se ,
X
0
1
5
3
F
i
n
a
n

a
s
Estatstica
Exemplo Exemplo Exemplo Exemplo: :: :
Umdado equilibrado lanado 3 vezes. Qual a probabilidade de se obter a face 5 duas vezes?
Denotamos,
S: sucesso, ocorre a face 5;
F: insucesso, no ocorre a face 5;
fcil ver que p Psucesso) 1/6 e q 1 p Pinsucesso) 5/6
{SSS, SSF, SFS, FSS, SFF, FSF, FFS, FFF}
5
4
F
i
n
a
n

a
s
Estatstica
Estamos interessados no nmero total de sucessos que, no caso, o nmero de vezes que a face 5
observada nos 3 lanamentos.
p
q
F
S
p
p
p
p
p
p
q
q
q
q
q
q
F
S
F
S
F
S
S
F
S
F
S
F
SSS) p
3
3
SSF) p
2
q 2
SFS) p
2
q 2
SFF) pq
2
1
FSS) p
2
q 2
FSF) pq
2
1
FFS) pq
2
1
FFF) q
3
0
Prob Prob Prob Prob X
5
5
F
i
n
a
n

a
s
Estatstica
A funo de probabilidade de X dada por
( )
!
! !
n
n
x n x x
| |
=
|

\
( ) 3 , 2 , 1 , 0 k , q p
k
3
k X P
k 3 k
=
|
|

\
|
= =

Podemos escrever esta funo como:
Probabilidades binomiais para n=3 e P(S)=1/6
N Sucessos Probabilidade P=1/6
0 0,5787
1 0,3472
2 0,0694
3 0,0046
3
q
2
3pq
q p
2
3
3
p
No exemplo
Probabilidades binomiais para n=3 e P(S)=1/6
N Sucessos Probabilidade P=1/6
0 0,5787
1 0,3472
2 0,0694
3 0,0046
3
q
2
3pq
q p
2
3
3
p
5
6
F
i
n
a
n

a
s
Estatstica
Experimento binomial: o experimento que consiste emn nn n ensaios ensaios ensaios ensaios de de de de Bernoulli Bernoulli Bernoulli Bernoulli, onde,
(i) os ensaios so independentes
(ii) a probabilidade de sucesso em cada ensaio sempre igual a p, 0 1
Distribuio binomial: A v.a. X, correspondente ao nmero de sucessos num ensaio binomial, tem
distribuio binomial comparmetros n e p comfuno de probabilidade
Notao: X ~ Bi(n; p)
e funo de distribuio
( )
( ) ( ) 1 , 0,1, 2, ,
n k
k
n
f k P X k p p k n
k
| |
= = = =
|
\
K
0 1 p
n k p p
k
n
k X P k F
j n j
k
j
,..., 2 , 1 , 0 ) 1 ( ) ( ) (
0
=
|
|

\
|
= =

=

5
7
F
i
n
a
n

a
s
Estatstica
Esperana mdia ou valor esperado:
E(X) = np
Varincia:

2
= V(X) = np(1-p)
Se X ~ Bi(n; p), ento
Esperana e Varincia da Distribuio Binomial Esperana e Varincia da Distribuio Binomial Esperana e Varincia da Distribuio Binomial Esperana e Varincia da Distribuio Binomial
( ) ( ) np p X E X E X E
n
1 i
n
1 i
i
n
1 i
i
= = = |

\
|
=

= = =
( ) ( ) ) p ( np ) p ( p X V X V X V
n
i
n
i
i
n
i
i
= = = |

\
|
=

= = =
1 1
1 1 1
5
8
F
i
n
a
n

a
s
Estatstica
Exemplo :
Considere uma prova com12 questes, cada uma com4 alternativas. Suponha que o aluno escolha a resposta ao
acaso.
Qual a probabilidade de que ele acerte pelo menos 6 questes?
Qual o nmero esperado de respostas certas?
X: n de questes que o aluno acertar
X ~ Bi(12; 0,25)
Funo Funo Funo Funo de de de de Probabilidade Probabilidade Probabilidade Probabilidade
x x x x P( X = x ) P( X = x ) P( X = x ) P( X = x )
0 0,0317 0 0,0317 0 0,0317 0 0,0317
1 0,1267 1 0,1267 1 0,1267 1 0,1267
2 0,2323 2 0,2323 2 0,2323 2 0,2323
3 0,2581 3 0,2581 3 0,2581 3 0,2581
4 0,1936 4 0,1936 4 0,1936 4 0,1936
5 0,1032 5 0,1032 5 0,1032 5 0,1032
6 0,0401 6 0,0401 6 0,0401 6 0,0401
7 0,0115 7 0,0115 7 0,0115 7 0,0115
8 0,0024 8 0,0024 8 0,0024 8 0,0024
9 0,0004 9 0,0004 9 0,0004 9 0,0004
10 10 10 10 0,0000 0,0000 0,0000 0,0000
Resposta:
P(X>=6)=0,0544
E(X) = np = 12x0,25 = 3
5
9
F
i
n
a
n

a
s
Estatstica
Uma empresa de cristais sabe por experincia que 10% das suas taas
so classificados como de 2 categoria.
i. Entre seis taas seleccionadas, qual a probabilidade de uma ser de 2 categoria.
ii. Entre seis taas seleccionadas, qual a probabilidade de no mnimo duas serem de 2 categoria.
Exemplo: Exemplo: Exemplo: Exemplo:
( )
6 1
1 1 5
6
6!
(1) ( 1) 0.1 1 0.1 0.1 0.9 0.354
1 5!1!
f P X
| |
= = = = =
|
\
( ) ( 2) 1 ( 0) ( 1) 1 0.885 0.115 P X P X P X = = + = = =
( )
6 0
0 6
6
(0) ( 0) 0.1 1 0.1 0.9 0.531
0
f P X
| |
= = = = =
|
\
( 1) 0.354 P X = =
n=6; p=0,1; k=1
n=6; p=0,1; k=2
Resoluo Resoluo Resoluo Resoluo
115 0 2 . ) X ( P =
6
0
F
i
n
a
n

a
s
Estatstica
Considerada em experincias nas quais a probabilidade de sucesso no se mantm constante.
As provas no so independentes.
Representa a distribuio de probabilidade que descreve a probabilidade de se retirar x elementos de um
tipo numa sequncia de n extraes de uma populao finita de tamanho N, com K elementos desse tipo N-
K elementos de outro tipo.
6
1
F
i
n
a
n

a
s
Estatstica
Exemplo:
Num lote de 20 pneus enviados a um fornecedor sabe-se que h 5 defeituosos. Um cliente vai a esse
fornecedor comprar 4 pneus.
Qual a probabilidade de levar 1 defeituoso?

Nmero de possibilidades de seleccionar umdefeituoso e 3 bons

Nmero de possibilidades de seleccionar quaisquer 4n pneus
6
2
F
i
n
a
n

a
s
Estatstica
Definio Definio Definio Definio
A varivel aleatria X que conta o nmero de sucessos numa experincia hipergeomtrica
uma uma uma uma varivel varivel varivel varivel aleatria aleatria aleatria aleatria hipergeomtrica hipergeomtrica hipergeomtrica hipergeomtrica de parmetros N, n e K
Representa-se por (, , )
= =

, (0, ) min (, )
6
3
F
i
n
a
n

a
s
Estatstica
Esperana: E(X) =

Varincia: =

Observao Observao Observao Observao

Quando n muito menor do que N, a probabilidade de sucesso emcada tiragemsemreposio
varia muito pouco de prova para prova , ento a distribuio binomial aproxima a distribuio
hipergeomtrica com =

6
4
F
i
n
a
n

a
s
Estatstica
Utilizada para modelar a ocorrncia de eventos raros (eventos de probabilidade de ocorrncia muito
pequena)
Os eventos de interesse (raros) ocorrem com uma taxa mdia de ocorrncia () em determinados
intervalos de tempo ou dentro de umespao limitado.
Exemplos:
N de chegadas a umpronto-socorro durante a madrugada
N de pessoas comleucemia numa cidade
N de acidentes de carro por dia na A28
6
5
F
i
n
a
n

a
s
Estatstica
X = nmero de eventos; = taxa mdia do processo
Uma varivel aleatria X, tem uma distribuio de Poisson de parmetro se a sua funo de probabilidade funo de probabilidade funo de probabilidade funo de probabilidade
for:
e a sua funo de probabilidade da distribuio funo de probabilidade da distribuio funo de probabilidade da distribuio funo de probabilidade da distribuio de Poisson for:
Funes de Probabilidade e de Distribuio Funes de Probabilidade e de Distribuio Funes de Probabilidade e de Distribuio Funes de Probabilidade e de Distribuio
= = =

, 0,1, , > 0
F = =

, 0,1, , > 0
~()
6
6
F
i
n
a
n

a
s
Estatstica
Esperana e Varincia da Distribuio de Poisson
Esperana mdia ou valor esperado: E(X) =
Varincia:
2
= V(X) =
6
7
F
i
n
a
n

a
s
Estatstica
Um hospital recebe em mdia quatro chamadas de urgncia por madrugada. Desejando melhor equip-lo
para suas funes, necessita-se conhecer qual a probabilidade de que o hospital receba:
i. oito chamadas na madrugada
ii. trs ou menos chamadas
Exemplo:
( )
8 4
4
8 !
X = 8 = 4 , e n t o : P X = 8 0 . 0 3
e

= =
( ) ( ) ( ) ( ) ( )
P X 3 P X=0 P X=1 P X=2 P X=3
0.018 0.073 0.147 0.195 0.433
= + + + =
= + + + =
Resoluo Resoluo Resoluo Resoluo
6
8
F
i
n
a
n

a
s
Estatstica
Suponha que o nmero de motoristas que viaja entre duas cidades durante um
determinado perodo de tempo tem uma distribuio de Poisson =20. Qual a
probabilidade de o n de motoristas ser:
i. No mximo 10?
ii. Exceder 20?
iii. Maior ou igual a 10 e menor ou igual a 20?
iv. Maior do que 10 e menor do que 20
Exemplo:
( ) P X 10 0.011 =
( ) ( ) P X>20 1 P X 20 1 0.559 0.441 = = =
( ) ( ) ( ) P 10 X 20 P X 20 P X 9 0.559 0.005 0.554 = = =
( ) ( ) ( ) P 10<X 20 P X 19 P X 10 0.470 0.011 0.459 < = = =
6
9
F
i
n
a
n

a
s
Estatstica
Associamos probabilidades a intervalos de valores da varivel.
Assume valores num intervalo de nmeros reais.
No possvel listar, individualmente, todos os possveis valores de uma v.a. contnua.
Varivel Aleatria Contnua:
7
0
F
i
n
a
n

a
s
Estatstica
Uma varivel aleatria X contnua caracterizada pela sua funo densidade de probabilidade f(x) com as
seguintes propriedades:
(i) f(x) 0, para todo x;
(ii) A rea sob a curva de f(x) 1, isto = 1

(iii) P(a X b) dada pela rea sob a curva de f(x) e acima do eixo x, entre os pontos a e b, ou seja
=

(iv) =

= 0,

constante
Assim, =
7
1
F
i
n
a
n

a
s
Estatstica
Exemplo Exemplo Exemplo Exemplo
Umgerador de nmeros aleatrios produz umnmero real entre 0 e 60.
A v.a. X que representa o nmero assim obtido tem a funo densidade de probabilidade representada na
figura seguinte
Determine o valor de k.
Calcule 20 40
Sabe-se que = 1 60 = 1 =

0 60
k
()
0 60
1/60
20 40
()
=
1
60
20 40 =
1
60
0,33

7
2
F
i
n
a
n

a
s
Estatstica
Seja X uma varivel aleatria contnua, a funo de distribuio de probabilidade F(x)
= =

Assim, =

() nos pontos onde () derivvel.

Verifica-se tambmque =
(uma vez que =

= 0,

constante)
7
3
F
i
n
a
n

a
s
Estatstica
0 60
1
()
Como Como Como Como calcular calcular calcular calcular ? ?? ?
Retomando o exemplo anterior, cuja varivel aleatria tem funo densidade de probabilidade com a
representao
=
1
60
0; 60
0 0; 60
Se 0
= = 0 = 0

Se 0 60
= =

Se > 60
= 1
=
0 0
1
60
0 60
1 > 60
7
4
F
i
n
a
n

a
s
Estatstica
Seja X uma v.a. contnua com funo densidade de probabilidade f(x) Ento
O valor mdio
= = ()

A varincia a quantidade

= =

As propriedades do valor esperado e da varincia so as mesmas do caso discreto As propriedades do valor esperado e da varincia so as mesmas do caso discreto As propriedades do valor esperado e da varincia so as mesmas do caso discreto As propriedades do valor esperado e da varincia so as mesmas do caso discreto
7
5
F
i
n
a
n

a
s
Estatstica
A distribuio Normal ou Gaussiana muito utilizada em anlises estatsticas. uma distribuio simtrica
emtorno da sua mdia.
Trata-se da distribuio mais importante dada a sua aplicabilidade na modelizao estocstica de muitos
fenmenos naturais.
Para dizer que uma varivel aleatria X tem uma distribuio Normal de mdia e varincia

, usamos a
notao:
~ ,

7
6
F
i
n
a
n

a
s
Estatstica
Funo densidade de probabilidade
=
1
2

,
Funo de distribuio
= =
1
2

7
7
F
i
n
a
n

a
s
Estatstica
Algumas caractersticas da funo densidade de probabilidade Normal:
O domnio
Tem a forma de sino e um nico mximo em =
simtrica relativamente a um eixo vertical em = (mdia), a mediana tambm ocorre em
=
Tem dois pontos de inflexo em = e =
o eixo dos xx uma assmptota
7
8
F
i
n
a
n

a
s
Estatstica
4 2 2 4
z
0.1
0.2
0.3
0.4
fz
Distribuio Normal Reduzida
Se ~(0,1) dizemos que tem distribuio normal reduzida
A sua funo densidade de probabilidade dada por
=
1
2

A funo distribuio

1
2

O clculo deste integral no temsoluo analtica pelo que tem

que ser integrado numericamente
7
9
F
i
n
a
n

a
s
Estatstica
Os valores apresentados correspondem rea
representada

Outros valores importantes
8
0
F
i
n
a
n

a
s
Estatstica
A soma de variveis normais ainda uma varivel normal com mdia igual soma das mdias e, se as
variveis forem independentes, com varincia igual soma das varincias, isto ,
Qualquer soma ou diferena de n variveis aleatrias normais ainda uma varivel aleatria normal

Um caso particular :
Se

so n v.a. Normais e independentes com o mesmo valor mdio e a mesma varincia

, ento

Propriedades
A mdia

de n variveis aleatrias normais, com a mesma distribuio uma varivel aleatria normal

~,

8
1
F
i
n
a
n

a
s
Estatstica
Trata-se de um dos resultados mais importantes em estatstica e indica que, para
amostras suficientemente grandes cuja distribuio da populao tenha varincia finita,
a distribuio da mdia amostral aproxima-se duma distribuio normal.
Dada a sucesso (

de variveis aleatrias independentes e identicamente

distribudas, com E

= e V

, 1 = 1, a sucesso (

converge em distribuio quando n tende para infinito, para uma varivel aleatria
normal reduzida. Na prtica considera-se vlida esta aproximao para 30.
8
2
F
i
n
a
n

a
s
Estatstica
( )
( )
( )
2
1
2
, ~
. . .

n n N X
grande n
X V
X E
d i i X
apr
n
i
i
i
i
i

=
=
( )
( )
|
|

\
|
=

=
=

=
n
N X
n
X
grande n
X V
X E
d i i X
apr
n
i
i
i
i
i
2
1
2
, ~
1
. . .

( )
( )
( ) 1 , 0 ~
. . .
2
N
n
X
grande n
X V
X E
d i i X
apr
i
i
i

=
=
Variveis aleatrias
identicamente
distribudas
8
3
F
i
n
a
n

a
s
Estatstica
( ) ( ) ( ) n X E X E X E X E
n
n
i
i
= + = |

\
|

=
2 1
1
( ) ( ) ( ) ( ) ( ) = + = |

\
|
=

=
n
n
i
i
X E X E X E
n
X
n
E X E
2 1
1
1 1
( ) ( ) ( )
2
2 1
1
n X V X V X V X V
n
n
i
i
= + = |

\
|

=
( ) ( ) ( ) ( ) ( )
n
n
n
X V X V X V
n
X
n
V X V
n
n
i
i
2
2
2
2 1
2
1
1 1
= = + = |

\
|
=

=
Notas:
8
4
F
i
n
a
n

a
s
Estatstica
Aproximaes Condies Mdia Desvio padro
~, 51 5
1
~ 20
8
5
F
i
n
a
n

a
s
Estatstica
Para estudar uma caracterstica de uma populao pode-se recorrer sua observao exaustiva,
denominada censo ou recenseamento. Mais geralmente, selecciona-se uma amostra.
Razes para preferir uma amostra a umcenso:
Para uma populao grande, o processo torna-se excessivamente caro e demorado.
Nalguns casos, as unidades que constituema amostra so destrudas.
Escassez de pessoas treinadas para levar a cabo um censo, leva a que haja uma menor
ocorrncia de erros humanos na amostragem.
Dificuldades na obteno de dados por parte de todos os indivduos como acontece nos
questionrios.
Mais geralmente, selecciona-se uma amostra por algum processo e extrapola-se as concluses
obtidas a partir desta para a populao. Est-se a fazer inferncia estatstica.
Para isso necessrio obter amostras finitas representativas da populao. Para que isso se
verifique necessrio que a caracterstica em estudo da populao esteja presente na amostra
comidntica distribuio.
8
6
F
i
n
a
n

a
s
Estatstica
O processo de amostragem, isto , o processo seguido para escolher os elementos da populao a incluir na
amostra, condiciona as inferncias ou as concluses permitidas a partir da amostra. Existem basicamente dois
tipos de amostras, casuais, probabilsticas ou aleatrias e no aleatrias ou dirigidas.
Amostra casual ou aleatria
Aquela em que qualquer indivduo da populao em estudo pode ser seleccionado ou tem uma
probabilidade, que pode ser determinada, de o ser (no implica que essa probabilidade tenha de ser
conhecida partida). Numa amostragem aleatria se a distribuio de probabilidade da populao for
conhecida, o processo de amostragemdever ser baseado nessa distribuio.
Amostra no aleatria ou dirigida
Aquela em que a escolha dos indivduos baseada em critrios subjectivos e muitas vezes de carcter
pessoal.
Esta subjectividade impede a determinao probabilstica da incluso de um indivduo na amostra,
incrementando o enviesamento dos resultados.
Desconhece-se com que grau de confiana so as concluses obtidas generalizveis populao.
8
7
F
i
n
a
n

a
s
Estatstica
Testes de hipteses
Tm como objectivo decidir, com base na informao fornecida pelos dados de uma
amostra, sobre a aceitao ou no de uma dada hiptese
Processos que conduzem a decises sobre as hipteses
Hiptese estatstica
Afirmao acerca dos parmetros de uma ou mais populaes (testes
paramtricos) ou acerca da distribuio da populao (testes de ajustamento).
uma conjectura sobre aspectos desconhecidos das populaes
Paramtricos No paramtricos
Supe-se conhecida, pelo menos
aproximadamente, a forma da distribuio e as
hipteses a formular dizem respeito aos
parmetros
No existe conhecimento sobre a
distribuio para o estudo dos parmetros,
as hipteses estabelecem algo sobre a
distribuio
8
8
F
i
n
a
n

a
s
Estatstica
Os testes de hipteses incluem tirar concluses sobre um parmetro, sobre a
distribuio de uma populao, ou sobre a validade de ummodelo.
As hipteses formuladas so confrontadas comdados recolhidos emamostras, sendo as
concluses tiradas combase na informao fornecida por estas.
Um teste permite verificar se os valores amostrais tm significncia estatstica ou so
apenas resultado do acaso ou de flutuaes prprias da amostragem.
Consistem em:
Formular duas hipteses estatsticas alternativas.
Usar um mtodo estatstico com base numa ou mais amostras para decidir
entre as hipteses.
8
9
F
i
n
a
n

a
s
Estatstica
Situao real

Deciso

Isento de erro
Erro de tipo II
(risco do consumidor)

Erro de tipo I
(risco do produtor)
Isento de erro
Tipos de erro
Se

verdadeira e rejeitada comete-se um erro de 1 espcie ou erro de tipo I.

A probabilidade associada a este erro designa-se por
Se

falsa e no rejeitada comete-se um erro de 2 espcie ou erro de tipo II.

A probabilidade associada a este erro designa-se por
9
0
F
i
n
a
n

a
s
Estatstica
A probabilidade de se cometer um erro do tipo I ou tipo II, depende do valor de um
parmetro desconhecido .

verdadeiro

falso
Potncia do teste

1
Significncia do teste
max
9
1
F
i
n
a
n

a
s
Estatstica
A formulao das hipteses deve ser anterior recolha da amostra, para que o
procedimento no seja enviesado.
a informao da amostra que vai ser confrontada com os critrios entretanto
estabelecidos para decidir da rejeio ou no da hiptese nula.
Problema
Queremos ter os dois tipos de erro o mais pequenos possvel,
todavia estes so concorrentes.
Soluo
Aumentar o tamanho da amostra
9
2
F
i
n
a
n

a
s
Estatstica
Comea-se por definir a hiptese alternativa, que pode ser:
a hiptese que se deseja verificar se verdadeira com elevada certeza
a hiptese que se julga verosmil
a hiptese que s dever ser aceite com evidncias muito fortes
a hiptese cuja rejeio errada tem consequncias menos nefastas
a hiptese mais especulativa
A hiptese nula (esta hiptese contm geralmente uma igualdade), pode ser:
a hiptese que se julga partida inverosmil
a hiptese que se dever aceitar se no houver evidncias fortes em contrrio
a hiptese cuja rejeio errada tem consequncias mais graves
a hiptese mais conservadora
9
3
F
i
n
a
n

a
s
Estatstica
Seja

uma amostra casual de uma populao. A regra de deciso consiste em

estabelecer uma regio tal que:
Se

rejeita-se

Se

no se rejeita

Regio crtica (ou de rejeio)

O aspecto fundamental da teoria do ensaio de hipteses prende-se com a escolha da regio
crtica que permita controlar a probabilidade de cometer cada umdos tipos de erro.
A determinao da regio crtica feita de acordo com uma regra de deciso baseada numa
estatstica amostral.
A esta estatstica chama-se estatstica de teste e costuma-se representar pela letra T.
9
4
F
i
n
a
n

a
s
Estatstica
Exemplo
Uma mquina de encher pacotes de acar est calibrada para que o peso de cada pacote seja
aproximadamente 8 ( 8).
A mquina est a funcionar correctamente?

: 8

: 8

: 8

: 8
Hiptese bilateral
Hiptese unilateral esquerda
Hiptese unilateral direita
Hiptese nula
Hiptese alternativa
9
5
F
i
n
a
n

a
s
Estatstica
X uma varivel aleatria que representa o peso do pacote de acar
Temos uma amostra de tamanho N
Faz sentido decidir sobre a hiptese combase em

extrado daquela amostra?

Aceitamos

se

estiver prximo de 8, rejeitamos de estiver afastado

Regio crtica Regio crtica Regio de aceitao
No rejeitar

Rejeitar

Rejeitar

9
6
F
i
n
a
n

a
s
Estatstica
Vamos supor que
0,5; 1; 10
8
7,5
8,5
Regio crtica Regio crtica Regio de aceitao
No rejeitar

Rejeitar

Rejeitar

Se ~ ; 1 ento

~ ;

7,5| 8

8,5| 8
7,5 8
0,1
1
8,5 8
0,1
0,1142
Probabilidade de rejeitar

sendo

verdadeira
9
7
F
i
n
a
n

a
s
Estatstica
7,5

8,5| 9
8,5 9
0,1

7,5 9
0,1
0,0571
7,5

8,5| 10
8,5 10
0,1

7,5 10
0,1
0
7,5

8,5| 7
8,5 7
0,1

7,5 7
0,1
0,0571
7,5

8,5| 6
8,5 6
0,1

7,5 6
0,1
0
O clculo de depende de
Probabilidade de aceitar

sendo

falsa
Potncia do teste para , ,
Probabilidade de sendo 9 a verdadeira mdia
ser detectada a diferena emrelao a 8
9
8
F
i
n
a
n

a
s
Estatstica
Consequncias
Se aumentar n para os mesmos valores crticos diminui
Se a regio crtica for menor para o mesmo n o aumenta e para cada diminui o
Se a regio crtica for maior para o mesmo n o dimunui e para cada aumenta o
mais fcil controlar do que (porque depende de ), assim,
Rejeitar

uma concluso forte (ou pelo menos podemos definir quo forte deve ser)
No rejeitar

uma concluso fraca

9
9
F
i
n
a
n

a
s
Estatstica

Regio de aceitao
No rejeitar

Teste unilateral

: 8

: 8
Regio crtica

: 8

: 8
Regio crtica

8
Ponto de vista do produtor:
parar a produo
Ponto de vista do consumidor:
cancelar a encomenda

: 8

: 8
Regio crtica

8
Teste bilateral
Soluo de compromisso
1
0
0
F
i
n
a
n

a
s
Estatstica
Procedimento Geral dos Testes de hipteses
1. Pelo contexto do problema identificar o parmetro de interesse
2. Especificar a hiptese nula -

3. Especificar uma hiptese alternativa apropriada -

(definindo tambm se o teste ser

unilateral ou bilateral)
4. Escolher o nvel de significncia -
5. Escolher uma estatstica de teste adequada
6. Fixar a regio crtica do teste
7. Recolher uma amostra e calcular o valor observado da estatstica de teste
8. Decidir sobre a rejeio ou no de

1
0
1
F
i
n
a
n

a
s
Estatstica
Means Calcula mdias de subgrupos e relaciona estatsticas de uma varivel dependente
dentro das categorias de uma ou mais variveis independentes.
One-Sample T Test Testa se a mdia de uma varivel difere de uma determinada constante.
Independent-Samples T Test Compara a mdia entre dois grupos de casos para uma varivel.
Paired-Samples T Test Compara as mdias de duas variveis para um nico grupo. Os resultados de cada
indivduo devemser emparelhados.
One-Way ANOVA Produz uma anlise de varincia para um factor de tratamento para testar a
hiptese de que vrias mdias so iguais. Alm de determinar que as diferenas
existem entre as mdias, determina o significado da diferena pela execuo
priori dos testes de contrasts ou post hoc. Usada sem medidas repetidas
quando a varivel independente temmais de dois nveis.
Testes paramtricos
em SPSS
1
0
2
F
i
n
a
n

a
s
Estatstica
Chi-Square Determina se duas amostras possuem a
mesma distribuio
Binomial Testa se a proporo de uma categoria de
uma varivel dicotmica tem determinado
valor
Runs Testa se a ordenao da varivel aleatria
1-Sample K-S Equivalente ao One-Sample T Test
2 Independent
Samples
Equivalente ao Independent-Samples T Test
K Independent
Samples
Equivalente ANOVA
2 Related
Samples
Equivalente ao Paired-Samples T Test
K Related
Samples
Equivalente ANOVA para medidas
repetidas
Testes no paramtricos
em SPSS
1
0
3
F
i
n
a
n

a
s
Estatstica
Objectivo
Comparar medidas de localizao para mais do que dois grupos de observaes
Paramtrica
One-Way ANOVA - Anlise de Varincia comumfactor
Os grupos so bemmodelados por distribuies Normais de igual varincia,
Comparamos as mdias entre os grupos
No Paramtrica
Teste de Kruskal-Wallis
Os pressupostos do teste paramtrico no se verificam
Comparamos as medianas entre os grupos
1
0
4
F
i
n
a
n

a
s
Estatstica
As observaes so classificadas segundo umfactor originando diversos grupos
Grupo 1 Grupo2 Grupo k

Tipo de seleco
Efeitos fixos - os grupos so pr-determinados partida
Efeitos aleatrios - os grupos so escolhidos aleatoriamente
Planeamento equilibrado
Nmero de observaes de cada grupo igual
1
0
5
F
i
n
a
n

a
s
Estatstica
Comparar a mdia de k grupos representados por n observaes de cada um
Teste Teste Teste Teste

, pelo menos para umi

;
Pressupostos Pressupostos Pressupostos Pressupostos
o Temos k grupos de observaes independentes k amostras aleatrias sendo os grupos
independentes entre si
o Cada grupo de observaes deve provir de uma distribuio Normal
o Existe homogeneidade de varincias a varincia das k populaes deve ser a mesma
1
0
6
F
i
n
a
n

a
s
Estatstica

Modela a variabilidade
dentro dos grupos
Modela a variabilidade
entre os grupos
Modelos para estimao da varincia
Independente da veracidade
da hiptese nula
Dependente da veracidade
da hiptese nula
Comparar
Se os grupos tiverem a mesma mdia os valores
devem ser semelhantes
1
0
7
F
i
n
a
n

a
s
Estatstica
Modelo que permite prever o comportamento de uma varivel dependente
(quantitativa) a partir de uma ou mais variveis independentes
Uma varivel independente
Modelo de Regresso linear simples (RLS)
Duas ou mais variveis independentes
Modelo de Regresso linear Mltipla (RLM)
1
0
8
F
i
n
a
n

a
s
Estatstica
O MLRS analisa a relao entre duas variveis quantitativas cuja
tendncia seja linear
i i i
X Y + + =
varivel dependente
ordenada na origem
Declive da recta
varivel independente
Resduo efeito em Y no
explicado por X
1
0
9
F
i
n
a
n

a
s
Estatstica
Diagrama de Disperso
Representa, num sistema de eixos coordenados, os pontos formados por cada par (X,Y)
Permite observar qual o tipo de equao que melhor descreve a relao entre as
variveis
Evidencia os pares (X,Y) que mais se
distinguem - Outliers
1
1
0
F
i
n
a
n

a
s
Estatstica
Hipteses do modelo para garantir a validade da extrapolao dos resultados
da amostra para a populao
Linearidade do fenmeno em estudo
Varivel dependente segue uma distribuio normal com mdia
+X e desvio padro
As observaes so independentes
As variveis residuais so independentes entre si e seguem
uma distribuio normal de mdia zero e desvio padro
1
1
1
F
i
n
a
n

a
s
Estatstica
O (MMQ) ajusta uma recta aos dados observados, de forma a minimizar
a soma dos quadrados das distncia entre o valor observado e o valor
obtido pela equao da recta,
Mtodo dos Mnimos Quadrados (MMQ)
1
1
2
F
i
n
a
n

a
s
Estatstica
Coeficientes de correlao e determinao
Coeficiente de correlao linear mede a
fora da ligao entre a varivel
dependente e a independente
-1 1 0
Forte (inversa) Fraca Forte
Coeficiente de determinao mede a
percentagem da variao da varivel
dependente explicada pelo modelo
r de Pearson
Se existir mais do que uma varivel
independente, usa-se o coeficiente de
determinao ajustado
1
1
3
F
i
n
a
n

a
s
Estatstica
Coefficients
a
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) 210,444 12,571 16,741 ,000
Preo dos culos de sol -1,578 ,176 -,943 -8,952 ,000
a. Dependent Variable: Vendas
Ordenada na origem
Declive da recta
1
1
4
F
i
n
a
n

a
s
Estatstica
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 ,943
a
,889 ,878 8,3600
a. Predictors: (Constant), Preo dos culos de sol
Coeficiente de correlao
Coeficiente de determinao
1
1
5
F
i
n
a
n

a
s
Estatstica
Validao do modelo Teste F
H
0
: =0
H
1
: 0
Rejeitamos H
0
1
1
6
F
i
n
a
n

a
s
Estatstica
Anlise dos Resduos
Resduo deve seguir distribuio normal de mdia nula
varincia constante e covarincia nula
Teste de Durbin-Watson
Cerca de 2 no existe auto-correlao entre os resduos
Cerca de 0 Auto-correlao positiva
Cerca de 4 Auto-correlao negativa
1
1
7
F
i
n
a
n

a
s
Estatstica
Stepwise
Introduo das variveis uma a uma, por ordem decrescente da correlao
parcial . Sempre que entra no modelo uma varivel que no explica
significativamente, retirada.
Remove
O modelo contm todas as variveis e vo-se retirando se estas no tiverem
capacidade de explicar a variao.
Backward
Entram todas as variveis e vo sendo retiradas quando no tm capacidade
explicativa (a partir do valor de F)
Forward
Inicia-se o processo com apenas a constante e introduz-se a varivel
independente uma a uma pela maior correlao com a varivel dependente.
O processo termina quando uma varivel ao ser introduzida no produz
efeito explicativo.
1
1
8
F
i
n
a
n

a
s
Estatstica
1
1
9
F
i
n
a
n

a
s
Estatstica
O que fazer quando no temos
ideias acerca do tipo de
funo?