Apostila PeE

U NIVERSIDADE DE C AXIAS DO S UL
P ROFESSORA : C ÍNTIA P AESE G IACOMELLO
Probabilidade e Estatística
Índice
1 Introdução _____________________________________________________1
1.1 Amostragem ________________________________________________________ 2
1.2 Tipos de variáveis ____________________________________________________ 4
2 Séries estatísticas _______________________________________________5
3 Gráficos _______________________________________________________6
4 Distribuições de freqüências ______________________________________12
4.1 Construção de distribuição de freqüência para dados contínuos ______________ 12
4.2 Gráficos das distribuições de freqüência _________________________________ 13
4.3 Construção de distribuição de freqüência para dados discretos ______________ 15
4.4 Construção de uma distribuição de freqüência acumulada___________________ 17
4.5 Distribuições de freqüência para dados nominais e por postos _______________ 18
4.6 Gráficos para distribuições de freqüência ________________________________ 19
5 Medidas de tendência central _____________________________________20
5.1 Média _____________________________________________________________ 20
5.2 Mediana ___________________________________________________________ 23
5.3 Moda _____________________________________________________________ 25
5.4 Relação entre as medidas de tendência central ___________________________ 26
6 Medidas de variabilidade ________________________________________28
6.1 Amplitude _________________________________________________________ 28
6.2 Variância __________________________________________________________ 29
6.3 Desvio padrão ______________________________________________________ 29
6.4 Coeficiente de variação ______________________________________________ 30
7 Medidas de assimetria e curtose __________________________________31
8 Introdução à probabilidade_______________________________________33
8.1 Experimento aleatório _______________________________________________ 33
8.2 Espaço amostral ____________________________________________________ 34
8.3 Eventos ___________________________________________________________ 34
8.4 A probabilidade de um evento _________________________________________ 34
8.5 Cálculo das probabilidades ____________________________________________ 37
9 Distribuições de probabilidade ____________________________________43
10 Teoria elementar da amostragem ________________________________56
10.1 Amostragem com e sem reposição ____________________________________ 56
10.2 Distribuições amostrais _____________________________________________ 56
Prof. Cíntia Paese Giacomello 2

11 Estimação ___________________________________________________62
12 Testes de hipóteses ___________________________________________68
12.1 Teste de hipóteses para médias ______________________________________ 70
12.2 Testes de duas amostras para médias _________________________________ 72
12.3 Teste para proporções _____________________________________________ 72
12.4 Teste do qui-quadrado (k amostras para proporções) ____________________ 73
13 Análise de variância (ANOVA - Analysis of Variance) _________________79
13.1 Formulário para solução ____________________________________________ 83
13.2 Exemplo de solução no Excel ________________________________________ 85
14 Regressão e correlação ________________________________________90
Regressão ______________________________________________________________ 91
14.1 Aplicações da regressão ____________________________________________ 91
14.2 Classificação das regressões_________________________________________ 91
14.3 Modelo linear _____________________________________________________ 91
Correlação ______________________________________________________________ 94
14.4 Objetivo da correlação _____________________________________________ 94
14.5 O coeficiente r de Pearson (correlação)________________________________ 94
14.6 Coeficiente de determinação ________________________________________ 94
14.7 Exemplo de solução no Excel ________________________________________ 96
14.8 Outros modelos __________________________________________________ 100
15 Tabelas ____________________________________________________106

1 I ntrodução
Estuda-se estatística para aplicar seus conceitos como auxílio nas tomadas de decisão
diante de incertezas, justificando cientificamente as decisões.
Os princípios estatísticos são utilizados em uma grande variedade de situações – no
governo, nos negócios e na indústria, bem como no âmbito das ciências sociais, biológicas
e físicas.
Estatística é a ciência ou método científico que estuda os fenômenos multicausais,
coletivos ou de massa e procura inferir as leis que os mesmos obedecem.
Método estatístico é um processo para se obter, apresentar e analisar características ou
valores numéricos para uma melhor tomada de decisão em situações de incerteza. Os
passos da metodologia estatística são os seguintes:
• Definição cuidadosa do problema
• Formulação de um plano para coleta das unidades de observação
• Coleta, resumo e apresentação das unidades de observação ou de seus valores
numéricos
• Análise dos resultados
• Divulgação de relatório com as conclusões, de tal modo que estas sejam facilmente
entendidas por quem as for usar na tomada de decisões.
Em geral, é aceita a divisão da estatística em dois grandes grupos: estatística descritiva e

indutiva.
Descritiva: corresponde aos procedimentos relacionados com a coleta, elaboração,
tabulação, análise, interpretação e apresentação dos dados. Isto é, inclui as técnicas que
dizem respeito à sintetização e à descrição de dados numéricos. Tais métodos podem ser
gráficos e envolvem a utilização de recursos computacionais. O objetivo da estatística
descritiva é tornar as coisas mais fáceis de entender, relatar e discutir.
Indutiva (ou inferencial): parte de uma ou mais amostras (subconjuntos da população) e
conclui sobre a população. Utiliza técnicas como a teoria das probabilidades, inferência
estatística, amostragem.
Com maior freqüência utilizamos o estudo da amostra do que da população, não só por
serem menos dispendiosas e consumirem menos tempo no processamento dos dados, mas
também porque muitas vezes não dispomos de todos os elementos da população.

Definições:
População: coleção completa de todos os elementos (valores, pessoas, medidas,...) a
serem estudados.
Amostra: subcoleção de elementos extraídos da população.
Censo: coleção de dados relativos a todos os elementos de uma população.
Amostragem: coleção de dados relativos a elementos de uma amostra.
Exemplo:
População Amostra
Parâmetro: medida numérica que descreve uma característica de uma população

Estatística: medida numérica que descreve uma característica de uma amostra
1.1 Amostragem
O objetivo da amostragem é permitir fazer inferências sobre uma população após inspeção
de apenas parte dela. Fatores como custo, tempo, ensaios destrutivos e populações
infinitas tornam a amostragem preferível a um estudo completo (censo).
Os principais tipos de amostragem utilizados são os probabilísticos, onde todos os
indivíduos da população têm a mesma chance de serem selecionados. Os planos de
amostragem probabilística são delineados de tal modo que se conhece todas as
combinações amostrais possíveis e suas probabilidades, podendo-se então determinar o
erro amostral.
Os métodos mais comuns de amostragem probabilística são:
• Amostragem aleatória simples: os elementos de uma população são escolhidos de
tal forma que todos tenham a mesma chance de serem escolhidos. Pode-se utilizar
uma tabela de números aleatórios ou um programa de geração de números
aleatórios.
• Amostragem estratificada: subdivide-se a população em, no mínimo, dois estratos
(subpopulações) que compartilham a mesma característica e em seguida escolhe-se
uma amostra de cada. Exemplo: homens e mulheres.
• Amostragem sistemática: escolhe-se um ponto de partida e então,
sistematicamente, selecionam-se os outros. Por exemplo: o 3°, 403°, 803°,
1203°,... indivíduos

• Amostragem por conglomerados: divide-se a população em conglomerados (áreas),
em seguida sorteiam-se algumas áreas e analisam-se todos os elementos dos
conglomerados escolhidos. Por exemplo: bairros.
Fonte: Triola, Mário. 1999, 11.
Amostragens não probabilísticas são utilizadas quando a população em estudo é muito

pequena ou de difícil obtenção. Neste caso a análise de uma amostra poderia causar
distorções. Uma pessoa familiarizada com a população pode indicar melhor as unidades
amostrais. Este tipo de amostragem não permite avaliar o erro amostral. EX: doença rara.

1.2 Tipos de variáveis
Alguns conjuntos de dados consistem em números, enquanto outros são não numéricos.
Utiliza-se a nomenclatura de dados (ou variáveis) qualitativos e quantitativos.
Variáveis
Quantitativas Qualitativas
Discretas Contínuas
Exercícios:
Identifique cada número como discreto ou contínuo
1. Cada cigarro Camel tem 16,13 mg de alcatrão
2. O altímetro de um avião da American Airlines indica uma altitude de 21.359 pés
3. Uma pesquisa efetuada com 1015 pessoas indica que 40 delas são assinante de um
serviço de informação on-line.
4. O tempo total gasto anualmente por um motorista de táxi de Nova York ao dar
passagem a pedestres é de 2367 segundos.
Apresente dois exemplos de dados discretos ou contínuos de sua empresa / pesquisa.

2 Séries estatístic as
Consiste no agrupamento dos dados estatísticos em tabelas.
Em qualquer série estatística são observados três elementos fundamentais:
• O fato, isto é, o que está sendo observado
• O espaço geográfico
• A época
Estes elementos criam classificações para as séries: específicas, temporais ou geográficas.
Séries temporais (ou históricas)

Os dados estão reunidos de acordo com o tempo, que varia. Os outros dois fatores - local
e fato - permanecem inalterados.
Séries geográficas
Os dados estão reunidos de acordo com o local, que varia. Os outros dois fatores - fato e
data - permanecem inalterados.

Séries específicas
Os dados estão reunidos de acordo com o evento, que varia. Os outros dois fatores - local
e data - permanecem inalterados.
As séries podem ainda apresentar-se sob a forma mista, resultante da combinação dos
fatores.
3 Gráficos
Os gráficos consistem em uma forma de apresentação dos dados, usualmente utilizada
pois facilita a interpretação dos resultados.
São elementos complementares de um gráfico:
• Título geral, época e local
• Escalas e respectivas unidades de medida
• Indicação das convenções adotadas (legenda)
• Fonte de informação dos dados

Principais tipos de gráficos: (Fonte: Site da Microsoft – www.microsoft.com.br)
Colunas
Um gráfico de colunas mostra as alterações
de dados em um período de tempo ou
ilustra comparações entre itens. As
categorias são organizadas na horizontal e
os valores são distribuídos na vertical, para
enfatizar as variações ao longo do tempo.
Gráficos de colunas empilhadas mostram o relacionamento de itens individuais com o todo

. O gráfico de colunas em perspectiva 3D Vendas por local
compara pontos de dados ao longo dos dois
eixos.
Nesse gráfico 3D, você pode comparar o
desempenho das vendas de quatro
trimestres na Europa com o desempenho de
outras duas divisões.
Barras
Um gráfico de barras ilustra comparações
entre itens individuais. As categorias são
organizadas na vertical e os valores na
horizontal para enfocar valores de
comparação.
Vendas por produto
Gráficos de barras empilhadas mostram o

relacionamento de itens individuais com o
todo.

Linha
Um gráfico de linhas mostra Valor de venda do produto X
tendências nos dados em
intervalos iguais.
A união dos pontos faz sentido
pois a variável é contínua.
Meses usualmente são
tratados como variáveis
contínuas
Pizza
Um gráfico de pizza mostra o tamanho
proporcional de itens que constituem uma série
de dados para a soma dos itens. Ele sempre
mostra somente uma única série de dados, sendo
útil quando você deseja dar ênfase a um
elemento importante.
Totaliza a informação (100%). Cada faixa do
gráfico é proporcional à informação.
Para facilitar a visualização de fatias pequenas, você pode

agrupá-las em um único item do gráfico de pizza e
subdividir esse item em um gráfico de pizza ou de barras
menor, ao lado do gráfico principal.
Diagrama de Dispersão (Dispersão XY)

Um gráfico xy (dispersão) mostra a Relação entre tempo e temperatura
relação existente entre os valores
numéricos em várias séries de dados ou
plota dois grupos de números como uma
série de coordenadas xy. Esse gráfico
mostra intervalos irregulares ou clusters
de dados e é usado geralmente para
dados científicos.

Histograma
É um gráfico de colunas, porém utilizado
para apresentar distribuições de Distribuição da quantidade produzida
freqüências. 0.30
0.25
% das árvores
0.20
Apresenta as classes ao longo do eixo 0.15
horizontal e as freqüências (absolutas ou 0.10
0.05
relativas) ao longo do eixo vertical. As 0.00
3a8 8 a 13 13 a 18 18 a 23 23 a 28 28 a 33
fronteiras das “barras” coincidem com os Safras (alq.)
pontos extremos dos intervalos de classe.
Área
Um gráfico de área enfatiza a
dimensão das mudanças ao longo do
tempo. Exibindo a soma dos valores
plotados, o gráfico de área mostra
também o relacionamento das partes
com um todo.
Nesse exemplo, o gráfico de área
enfatiza o aumento das vendas em
Washington e ilustra a contribuição
de cada estado para o total das
vendas.
Superfície
Um gráfico de superfície é útil quando
você deseja localizar combinações
vantajosas entre dois conjuntos de dados.
Como em um mapa topográfico, as cores e
os padrões indicam áreas que estão no
mesmo intervalo de valores.
Esse gráfico mostra as várias combinações
de temperatura e tempo que resultam na
mesma medida de resistência à tração.

Radar
Um gráfico de radar compara os
valores agregados de várias séries de
dados.
Nesse gráfico, a série de dados que

cobre a maior parte da área, Marca A,
representa a marca com o maior
conteúdo de vitamina.
Ações
O gráfico de alta-baixa-fechamento é usado muitas vezes para ilustrar preços de ações.
Esse gráfico também pode ser usado com dados científicos para, por exemplo, indicar
mudanças de temperatura. Você deve organizar seus dados na ordem correta para criar
esse e outros gráficos de ações.
Um gráfico de ações que mede o volume tem dois eixos de valores: um para as colunas,
que medem o volume, e outro para os preços das ações. Você pode incluir volume em um
gráfico de alta-baixa-fechamento ou de abertura-alta-baixa-fechamento.

Bolhas
Um gráfico de bolhas é um tipo de gráfico xy (dispersão). O tamanho do marcador de
dados indica o valor de uma terceira variável.
Para organizar seus dados, coloque os valores de x em uma linha ou coluna e insira os
valores de y e os tamanhos das bolhas correspondentes nas linhas ou colunas adjacentes.
O gráfico nesse exemplo mostra que a Empresa A tem a maioria dos produtos e a maior
fatia do mercado, mas não necessariamente as melhores vendas.
Cone, cilindro e pirâmide

Os marcadores de dados em forma de cone, cilindro e pirâmide podem dar um efeito
especial aos gráficos de colunas e de barras 3D.
Rosca
Como um gráfico de pizza, o gráfico de
rosca mostra o relacionamento das partes
com o todo, mas pode conter mais de uma
série de dados. Cada anel do gráfico de
rosca representa uma série de dados.

4 Distribuições de freqüências
Distribuição de freqüência é uma tabela resumida na qual os dados são organizados em
grupos de classe ou categorias convenientemente estabelecidas e numericamente
ordenadas.
As distribuições de freqüências são series heterógrafas, isto é, séries na qual o fenômeno
ou fato apresenta graduações ou subdivisões. Embora fixo, o fenômeno varia de
intensidade.
Nas distribuições de freqüência, os dados são agrupados segundo um critério de
magnitude, em classe ou pontos, permanecendo constante o fato, local e tempo, de tal
forma que se possa determinar a percentagem ou número, de cada classe. É um tipo de
apresentação que condensa uma coleção de dados conforme as freqüências ou repetições
de seus valores.
A construção da distribuição de freqüência depende do tipo de dado com os quais se está

lidando: contínuos ou discretos.
4.1 Construção de distribuição de freqüência para dados contínuos

Os principais estágios são:
1. Estabelecer a quantidade de classes ou intervalos de grupamento dos dados. O
número de classes deve variar entre 5 e 15. Aconselha-se utilizar n onde n é o
número de observações.
2. Determinar a amplitude das classes. Aconselha-se fazer amplitude / n o de classes.
(OBS: amplitude = maior valor – menor valor)
3. Enquadrar os dados nas classes, mediante contagem e apresentar os resultados em
uma tabela ou gráfico
Exemplo:
Os dados a seguir representam o tempo (em minutos) que 45 operadores de máquina
demoraram para fazer o setup de uma máquina.
6,5 4,0 7,1 8,3 5,4 7,6 9,0 15,7 16,7
6,4 5,0 8,5 5,7 7,7 7,2 12,4 7,1 5,5
9,7 4,4 7,0 6,3 8,3 6,9 5,7 7,6 7,9
7,9 6,0 8,2 10,4 9,9 3,9 9,8 8,2 5,6
7,9 6,4 7,4 7,0 13,0 8,7 6,4 6,7 7,4
1 – Número de classes 45 valores 45 =6,7 ≅ 7 classes

2 – Amplitude das classes 16,7 – 3,9 = 12,8 (Maior valor = 16,7; Menor valor =
3,9). Logo, tem-se a amplitude das classes 12,8 / 7 = 1,83 ≅ 2

3 – Escrever as classes e contar os valores
Tempo Número de % de
(minutos) operadores operadores
3 –| 5 equivale a 3 < x ≤ 5
3 –| 5 4 8,9% Ou seja, são contados no
intervalo todos os valores
5 –| 7 15 33,3%
superiores a 3 e inferiores ou
7 –| 9 18 40,0% iguais a 5.
9 –| 11 4 8,9%
11 –| 13 2 4,4%
13 –| 15 0 0,0%
15 –| 17 2 4,4%
Total 45 100%
A freqüência absoluta (f i ) corresponde ao número de operadores

A freqüência relativa (f ri ) corresponde ao percentual de operadores
4.2 Gráficos das distribuições de freqüência

Histograma de freqüências
Análise dos tempos para fazer o setup da máquina
20 18
18
15
Número de operadores
16
14
12
10
8
6 4 4
4 2 2
2 0
0
3 –| 5 5 –| 7 7 –| 9 9 –| 11 11 –| 13 13 –| 15 15 –| 17
Tempo (minutos)
Uma alternativa ao histograma de freqüências é o polígono de freqüências, construído

mediante a conexão dos pontos médios dos intervalos do histograma, com linhas retas.

Análise dos tempos para fazer o setup da máquina
20
18 18
Número de operadores 16
15
14
12
10
8
6
4 4 4
2 2 2
0 0
3 –| 5 5 –| 7 7 –| 9 9 –| 11 11 –| 13 13 –| 15 15 –| 17
Tempo (minutos)
OBS: uma vez que a área do polígono deve ser 100%, deve-se ligar o primeiro e o último
pontos médios com o eixo horizontal, de modo a cercar a área da distribuição observada.
Exercícios:
1. A tabela de dados representa o peso de 30 sacos de arroz da marca A selecionados
aleatoriamente em um supermercado. Construa a distribuição de freqüências e
apresente em um gráfico. (para facilitar os dados já estão ordenados)
922 930 936 950 954 954 958 965 968 974
977 979 987 989 1001 1006 1008 1010 1013 1017
1018 1034 1034 1035 1042 1044 1044 1048 1070 1116
2. Construa a distribuição de freqüência e o polígono de freqüências.

6,2 9,0 12,2 14,7 7,9 9,8 8,0 13,3 13,3 8,9
8,8 8,3 11,8 11,8 14,7 8,5 7,7 11,4 11,2 10,6

4.3 Construção de distribuição de freqüência para dados discretos
Na construção de uma distribuição de freqüência utilizando dados contínuos, perde-se
certa quantidade de informação porque os valores individuais perdem sua identidade
quando são agrupados em classes. Isso pode ou não ocorrer com dados discretos,
dependendo da natureza dos dados e os objetivos do analista.
Consideremos os seguintes dados relativos ao número de acidentes diários em um grande

estacionamento, durante o período de 50 dias.
1 6 3 6 2 4 5 3 7 9
5 4 5 3 4 5 6 0 8 4
4 1 9 5 7 5 5 4 5 8
4 5 3 2 6 7 4 3 1 4
0 0 5 4 2 6 6 2 8 7
Note que os dados estão entre 0 e 9.

Podemos construir uma distribuição de freqüência sem perda dos valores originais,
utilizando os próprios valores.
Freqüência % dos
Classe
dias dias
0 3 0,06
12
1 3 0,06
10
2 4 0,08
Número de dias
8
3 5 0,10
6
4 10 0,20
4
5 10 0,20
2
6 6 0,12
0
7 4 0,08 0 1 2 3 4 5 6 7 8 9
8 3 0,06
9 2 0,04
50 1,00
Não houve perda de informação, ou seja, poderíamos construir a tabela original a partir da
distribuição de freqüências.

Por outro lado, poderíamos usar como classes 0-1, 2-3, 4-5, 6-7 e 8-9.
Freqüência % dos
Classe dias dias
25
0-1 6 0,12
20
Número de dias
2-3 9 0,18 15
4-5 20 0,40 10
5
6-7 10 0,20
0
8-9 5 0,10 0-1 2-3 4-5 6-7 8-9
50 1,00
De modo geral prefere-se uma distribuição de freqüência sem perda de informação

quando:
• Os dados são constituídos de valores inteiros.
• Há menos de, digamos, 16 classes.
• Há suficientes observações para originar uma distribuição significativa
Por outro lado, prefere-se uma distribuição de freqüência com perda da informação
quando:
• Estão em jogo inteiros e não inteiros
• Só existem inteiros, porém em número muito alto para permitir uma distribuição
útil.
• A perda da informação é de importância secundária (por exemplo, o
arredondamento do peso de um caminhão ou da renda anual para a unidade mais
próxima)

4.4 Construção de uma distribuição de freqüência acumulada
Uma distribuição de freqüência acumulada tem por objetivo indicar o número ou
percentual de itens menores do que, ou iguais a , determinado valor.
No caso dos acidentes podemos construir distribuições acumuladas para a distribuição com
e sem perda da informação.
Sem perda da informação
Freqüências
Classe N° dias % dias
acumuladas
0 3 0,06 0,06
1 3 0,06 0,12
2 4 0,08 0,20
3 5 0,10 0,30
4 10 0,20 0,50
5 10 0,20 0,70
6 6 0,12 0,82
7 4 0,08 0,90
8 3 0,06 0,96
9 2 0,04 1,00
50 1,00
Com perda da informação
Freqüências
Classe N° dias % dias
acumuladas
0-1 6 0,12 0,12
2-3 9 0,18 0,30
4-5 20 0,40 0,70
6-7 10 0,20 0,90
8-9 5 0,10 1,00
50 1,00
Podemos, pela primeira tabela, concluir que 90% dos dados correspondem a valores
menores ou iguais a 7. ou seja, Em 90% dos dias o número de acidentes não excede 7.

1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.0 0.0
0 1 2 3 4 5 6 7 8 9 0-1 2-3 4-5 6-7 8-9
Os polígonos de freqüências acumuladas são também chamados de ogivas.
1,0
0,8
% dos dias
0,6
0,4
0,2
0,0
0 1 2 3 4 5 6 7 8 9
N. acidentes
4.5 Distribuições de freqüência para dados nominais e por postos

As distribuições de freqüências para dados nominais se assemelham às distribuições de
freqüência normais, porém apresentam as categorias em lugar das classes.
Por exemplo:
Vendas Vendas
absolutas relativas
Limão 600 0,375

Laranja 400 0,250
Melão 300 0,188
Melancia 200 0,125
Abacaxi 100 0,063
Total 1600 1,000
Usa-se o gráfico de barras ou colunas para representar dados nominais.

4.6 Gráficos para distribuições de freqüência
A distribuição de freqüência é muitas vezes utilizada para determinar o formato da
distribuição. A distribuição dos dados pode ser simétrica ou não.
Distribuições discretas
Assimétrica à direita Simétrica Assimétrica à esquerda
Exercício:
Construa a distribuição de freqüência e desenhe o histograma dos dados a seguir. Qual é
o formato da distribuição?
20,7 18,7 26,2 21,7 18,8 20,6 20,7 20,2
18,5 21,3 19,3 18,3 25,1 18,8 24,3 28,4
23,3 25,3 20,4 18,3 24,0 21,2 19,4 20,6
18,9 26,6 22,4 18,9 22,6 21,4 27,0 23,6
28,3 20,3 21,7 18,2 20,3 19,2 24,7 18,4

5 Medidas de ten dência central
As medidas de tendência central são usadas para indicar um valor que tende a representar
melhor um conjunto de números. As três medidas mais usadas são a média, a mediana e a
moda.
5.1 Média
5.1.1 Média aritmética
A média aritmética é o resultado da divisão da soma de todos os valores da amostra pela

quantidade total de valores.
∑x
i =1
i
∑x
x= ou simplesmente x =
n n
n
OBS: x lê-se X barra e significa média. ∑x
i =1
i lê-se somatório de x i , i variando de 1 a n.
∑x
i =1
i = x1 + x 2 + ... + x n
Se um estudante faz quatro provas, obtendo as notas 70, 60, 80 e 75, sua média é: 71,25.
Algumas propriedades da média

• A média de um conjunto de dados pode ser sempre calculada.
• Para um dado conjunto de números, a média é única.
• A média é sensível a (ou afetada por) todos os valores do conjunto, assim, se um
número se modifica, a média também se modifica.
• Somando-se uma constante a cada valor do conjunto, a média ficará aumentada do
valor constante. Analogamente, extraindo-se um valor constante de cada valor do
conjunto, a média também ficará diminuída desse valor.
• A soma dos desvios dos números de um conjunto a contar da média é zero.

5.1.2 Média ponderada
A fórmula anterior para calcular a média aritmética supõe que cada observação tenha a
mesma importância. A média ponderada considera que as informações não tem a mesma
importância, ou seja, devem ser levados em conta o peso das informações.
∑w xi =1
i i
Média ponderada = n
∑w
i =1
i
Onde w i é o peso da observação de ordem i.
Consideremos que um professor informe a classe de que haverá dois exames parciais,
valendo cada um 30% da nota e um exame final valendo 40%. Um aluno obtém
desempenho 70 na primeira avaliação, 65 na segunda e 80 no exame final.
n
∑wx
i =1
i i
70x 0,30 + 65x 0,30 + 80x 0,40
Média ponderada = n
= = 72,50
1,00
∑w
i =1
i
5.1.3 Média geométrica
A média geométrica é utilizada quando se deseja fazer a média de taxas de juro, por
exemplo. Neste caso, multiplicam-se os n termos e em seguida extraí-se a raiz de ordem
n.
A média geométrica é o resultado da raiz de ordem n do produto de todos os valores da
amostra.
n
Média geométrica = n
∏x i =1
i
n
OBS: ∏x
i =1
i = x1x 2 x 3...x n lê-se produtório de x i , i variando de 1 a n.
5.1.4 Média harmônica
A média harmônica de um conjunto de n números é a recíproca da média aritmética dos

recíprocos dos números.

1 n
Média harmônica = n
=
1 1 1
∑
n i −1 xi
∑x
5.1.5 Relação entre as médias aritmética, geométrica e harmônica
A média geométrica de um conjunto de números positivos é menor ou igual à sua média

aritmética, mas é maior ou igual à sua média harmônica.
Em símbolos: H≤G≤x
O sinal de igualdade vale somente quando todos os números forem iguais.
Exemplo: o conjunto 2,4 e 8 tem média aritmética 4,67, média geométrica 4 e média
harmônica 3,43.
5.1.6 Cálculo da média para uma distribuição de freqüência
A média de uma distribuição de freqüência é calculada com base valor e na freqüência de

cada classe.
x =
∑ fx i i
Onde f i é a freqüência da classe i.

Para dados com perda da informação, utiliza-se em lugar de x i o ponto médio do intervalo.
Exemplo:
Ponto médio
Classe N° dias (f i ) f i xi
(x i )
0-1 0,5 6 3,0
2-3 2,5 9 22,5

x=
∑ fx i i
=
223
= 4,46
4-5 4,5 20 90,0 n 50
6-7 6,5 10 65,0
8-9 8,5 5 42,5
n = 50 223

Classe (x i ) N° dias (f i ) f i xi
0 3 0
1 3 3
2 4 8
3 5 15
4 10 40 x =
∑ fx i i
=
222
= 4,44
5 10 50 n 50
6 6 36
7 4 28
8 3 24
9 2 18
50 222
Se fizéssemos a média a partir da tabela original obteríamos o valor de 4,44.
5.2 Mediana
A principal característica da mediana é dividir o conjunto de números em dois grupos
iguais: a metade terá valores inferiores ou iguais à mediana e a metade terá valores
superiores ou iguais à mediana.
Para calcular a mediana inicia-se ordenando os valores em ordem crescente. Em seguida
conta-se até a metade deles. Em geral a mediana ocupa a posição (n+1)/2.
Para número ímpar de valores a mediana é o valor do meio. Para amostras com número
par de unidades, a mediana é a média dos dois valores centrais.
Exemplos:
Amostra Número de elementos Dados ordenados Mediana
2 3 34 25 14 5 9 elementos ímpar 1 2 23 3 4 45 5 3
2 4 31 73 89 24 10 elementos par 1 2 23 34 47 89 3,5
3 4 23 15 32
6 7 32 52 36 21

Uma medida semelhante à mediana é o quartil. Os quartis dividem o conjunto ordenado de
dados em quatro grupos iguais. 25% dos valores são inferiores ao primeiro quarti (Q 1 ),
25% estão entre Q 1 e a mediana, 25% estão entre a mediana e o terceiro quartil (Q 3 ).
OBS: o segundo quartil corresponde à mediana (Q 2 =mediana).
LI Q1 Q 2 =mediana Q3 LS
LI = Limite inferior LS=Limite superior
5.2.1 Cálculo da mediana para uma distribuição de freqüência
Da mesma forma que para dados apresentados em série, a mediana é o ponto que divide
as informações ao meio.
A mediana pode ser obtida por interpolação, e é dada pela fórmula.
n 
 − ( ∑ f )1 
Mediana = L1 +  2  c
 f mediana 
 
 
onde: L 1 = limite inferior da classe mediana, isso é, da classe que contém a mediana
n = número de itens dos dados (freqüência total)
( Σ f) 1 =soma de todas as freqüências das classes anteriores à mediana
f mediana = freqüência da classe mediana
c = amplitude do intervalo da classe mediana
Exemplo:
No caso dos acidentes, temos 50 observações, logo a mediana deve estar localizada na
posição (50+1)/2 = 25,5, ou seja, a classe que contém a mediana é a classe 4-5.
O limite inferior da classe mediana é 4. Antes da classe mediana (( Σ f) 1 ) haviam “passado”
15 dados. A classe mediana contém 20 observações e a amplitude da classe mediana é 1.
Então
 50 
 − 15 
Mediana = 4 +  2  x1 = 4 + 0,5 = 4,5
 20 
 
 

5.3 Moda
A moda é o valor que aparece com maior freqüência na amostra. Um conjunto de dados
pode não apresentar moda, apresentar uma moda, duas modas (bimodal), três modas
(trimodal) ou mais modas (polimodal).
Exemplo:
A moda do conjunto 2 3 4 3 2 3 5 1 2 é 3, pois o três é o valor que mais vezes aparece.
5.3.1 Cálculo da moda para uma distribuição de freqüência
Quando não há perda da informação, a moda é idêntica ao valor da classe modal, que é a
classe com maior freqüência.
Quando há perda da informação, a moda representa o(s) valor(es) de X
correspondente(m) ao(s) ponto(s) de ordenada(s) máxima(s) da curva e pode ser
calculada pela fórmula:
 ∆1 
Moda = L 1 +   c
 ∆1 + ∆ 2 
onde: L 1 =limite inferior da classe modal (isto é, a classe que contém a moda)
∆ 1 =excesso da freqüência modal sobre a da classe imediatamente anterior
∆ 2 = excesso da freqüência modal sobre a da classe imediatamente posterior
c = amplitude da classe modal
Exemplo:
No caso dos acidentes....
Classe N° dias (f i )
0-1 6 Classe modal
2-3 9
4-5 20
6-7 10
8-9 5
n = 50
 11 
Moda = 4 +  1 = 4 + 0 ,52 = 4 ,52
 11 + 10 

A distribuição pode ter mais de uma moda, sendo bimodal ou de modas múltiplas. OBS: as
duas modas não precisam, necessariamente, ter a mesma freqüência. Isso acontece
quando há um deslocamento da distribuição.
Moda Classe modal Classes modais Classes modais
5.4 Relação entre as medidas de tendência central

Para as curvas de freqüência unimodal moderadamente inclinadas (assimétricas) vigora a
relação empírica
Média – Moda = 3 (Média – Mediana)
Moda
Moda
Mediana Moda
Mediana
Média Mediana
Média
Média
Exercícios:
1. Para os seguintes conjuntos de dados, determine os valores da média aritmética,
média geométrica, média harmônica, mediana e moda.
a) 12 15 16 15 12 15 15 5 7 14
b) 2 6 3 6 3 3 4
c) 2 8 3 10 2 1 6 9 4 3
d) 38 38 70 92 22 17

2. Determine Q 1 , Q 2 e Q 3 nos conjuntos de dados que seguem:
a) 15 15 4 7 16 16 4 11 7
8 19 7 6 12 17 16 9 20
16 14 3 12 4 9 8 3 16
b) 4 12 4 7 4 9 11 12 5 8 9 4
3. Qual seria o efeito sobre a média de um conjunto de dados se se adicionasse 10:

a) a um dos números? b) a cada um dos números?
4. João possui 5 imóveis localizados nesta cidade. Ele deseja saber qual o valor
médio, por metro quadrado, das suas propriedades. Sabendo que imóveis no centro
valem R$ 450,00/m 2 e imóveis em bairros valem R$ 300,00/m 2 , calcule o valor
médio por m 2 do seu capital.
Apartamento de 80 m 2 no centro
Pavilhão de 450 m 2 no bairro
Casa de 280 m 2 no centro
Apartamento de 120 m 2 no bairro
Casa de 320 m 2 no bairro

6 Medidas de vari abilidade
As medidas de variabilidade ou dispersão indicam se os valores estão relativamente
próximos ou não uns dos outros.
Na análise de um conjunto de dados é necessário que sejam observados tanto as
informações relativas à localização (medidas de tendência central) quanto as informações
de dispersão (medidas de variabilidade).
Exemplo:
Pequena variabilidade
Grande variabilidade
Exemplo:
Duas máquinas estão sendo comparadas. A seguir está descrita a produção de cada uma
durante 5 dias.
Produção Média
Máq 1 10 10 10 10 10 10
Máq 2 5 18 8 3 16 10
Você acha que a programação da produção para as duas máquinas pode ser a mesma
durante 1 semana? Por quê?
Consideraremos quatro medidas de dispersão: amplitude, variância, desvio padrão e

coeficiente de variação. Todas elas, exceto a amplitude, têm na média o ponto de
referência. Em cada caso, o valor zero indica ausência de variação; a dispersão aumenta à
proporção que aumenta o valor da medida (intervalo, variância, etc.).
6.1 Amplitude
Também conhecida como intervalo.
A amplitude de um grupo de dados é, de modo geral, mais simples de calcular e de
entender. Consiste na diferença entre o maior e o menor valor, ou seja, entre os valores
extremos.
Amplitude = X max - X mín

A maior limitação da amplitude é o fato de só levar em conta os valores extremos de um
conjunto, nada informado sobre os outros valores.
Exemplo:
1. Calcule a amplitude dos seguintes conjuntos de dados. Você acha que a dispersão
dos conjuntos é igual?
a) 15 15 12 14 16 16 4 15
b) 5 4 5 4 6 5 16 4
6.2 Variância
Calcula-se a variância de uma amostra elevando-se as diferenças de cada um dos valores
em relação à média, somando-se estas diferenças e dividindo-se por n-1.
s 2
=
∑ (x i − x)2
x
n −1
Quando se deseja a variância populacional, deve-se substituir n-1 por n na fórmula.

Usualmente iremos utilizar a variância amostral.
Exemplo:
Cálculo da variância do conjunto de dados 2,4,6,8, e 10.
xi x xi − x ( xi − x )2
2 6 -4 16
4 6 -2 4
6 6 0 0 s 2
=
∑ (x i − x)2
=
40
= 10
x
n −1 5 −1
8 6 2 4
10 6 4 16
Somas 0 40
6.3 Desvio padrão

O desvio padrão é simplesmente a raiz quadrada da variância. Assim se a variância é 81, o
desvio padrão será 9.


∑ (
xi
2
 )
∑ x − 
2

n 
∑ (x
i
i − x)2  
sx = =
n −1 n −1
Como anteriormente, a substituição de n-1 por n produz as fórmulas para a população.

A unidade na qual o desvio padrão é expresso é a mesma dos dados originais, ou seja, se
os dados são em Reais, o desvio padrão também vai ser em reais (e a variância em
reais 2 ).
Exemplo:
Cálculo do desvio padrão do conjunto de dados 20, 5, 10, 15 e 25.
Usando a fórmula normal:
xi x xi − x ( xi − x )2
20 15 5 25
5 15 -10 100
sx =
∑ (x i − x)2
=
250
= 62,5 = 7,91
10 15 -5 25 n −1 5 −1
15 15 0 0
25 15 10 100
Somas 0 250
Usando a fórmula simplificada:
∑x i = 20 + 5 + 10 + 15 + 25 = 75
∑x 2
i = 202 + 52 + 102 + 152 + 252 = 1375

∑ i
x( )
2

∑ x −2
i
n  1375 − 75
2
  = 5 = 250
sx = = 7,91
n −1 5 −1 5 −1
6.4 Coeficiente de variação

O coeficiente de variação é uma medida de variação útil para comparar conjuntos de
dados diferentes. Ele é usualmente expresso em percentual.
O coeficiente de variação é dado pelo quociente entre o desvio padrão e a média dos
dados.

Desvio padrão S x
CV = =
Média X
Exemplo:
Entre os conjuntos de dados a seguir apresentados, qual apresenta maior variabilidade?
Conjunto A Conjunto B
12 3
25 4
16 5
23 2
Desvio Padrão A 6,06
Solução: CVA = = = 0,3187
MédiaA 19
Desvio Padrão B 1,29
CVB = = = 0,3688
MédiaB 3,5
Então o conjunto que possui maior variabilidade é o conjunto B.
Exercícios:
1. O desvio padrão pode ser zero? Explique. Pode ser negativo? Explique.
2. Calcule a média e o desvio padrão para as vendas diárias.

R$ 8100 R$ 9000 R$ 4580 R$ 5600 R$ 7680 R$ 4800 R$ 10640
3. Consideremos os seguintes dados correspondentes a preços de propostas.

26,5 27,5 25,5 26,0 27,0 23,4 25,1 26,2 26,8
Calcule a amplitude, a variância, o desvio padrão, a média, moda, mediana e os
quartis
7 Medidas de a ssi metria e curtose

As medidas de assimetria e curtose indicam qual o formato da distribuição dos dados em
relação à distribuição normal (descrita adiante).
Assimetria é o grau de desvio, ou afastamento da simetria, de uma distribuição. Ela
retorna a distorção de uma distribuição. O valor enviesado caracteriza o grau de assimetria
de uma distribuição em torno de sua média. Um valor positivo indica uma distribuição com
uma ponta assimétrica que se estende em direção a valores mais positivos. Um valor

negativo indica uma distribuição com uma ponta assimétrica que se estende em direção a
valores mais negativos. No excel a função correspondente é distorção .
3
n  xi − x 
Assimetria =
(n − 1)(n − 2)
∑ 
 s 

Assimétrica positiva Simétrica Assimétrica negativa

a>0 a=0 a<0
A curtose é o grau de achatamento de uma distribuição e caracteriza uma distribuição em

cume ou plana se comparada à distribuição normal (chamada mesocúrtica). A curtose
positiva indica uma distribuição relativamente em cume (chamada leptocúrtica). A curtose
negativa indica uma distribuição relativamente plana (chamada platicúrtica). A função
correspondente no excel chama-se CURT, e calcula a curtose de um conjunto de dados de,
no máximo, 30 valores.
 n(n + 1)  x i − x  
4
3(n − 1) 2
Curtose = 
 (n − 1)(n − 2)(n − 3)
∑  s   (n − 2)(n − 3)
  −

Leptocúrtica Mesocúrtica Platicúrtica
c>0 c=0 c<0

8 I nt r oduç ão à p robabilid ad e
As origens da probabilidade remontam ao século XVI. As aplicações iniciais referiam-se

quase todas a jogos de azar. Os jogadores aplicavam o conhecimento da teoria das
probabilidades para planejar estratégias de apostas.
Atualmente a utilização das probabilidades ultrapassou de muito o âmbito desses jogos.
Hoje os governos, as empresas, as organizações profissionais incorporam a teoria das
probabilidades em seus processos diários de deliberações.
Independentemente de qual seja a aplicação em particular, a utilização das probabilidades
indica que existe um elemento de acaso, ou de incerteza, quanto à ocorrência ou não de
um evento futuro. Assim é que, em muitos casos, pode ser virtualmente impossível afirmar
por antecipação o que ocorrerá, mas é possível dizer o que pode ocorrer.
Há numerosos exemplos de tais situações no campo dos negócios e do governo. A previsão
da procura de um novo produto, o cálculo dos custos da produção, a previsão das safras,
a compra de apólices de seguros, a avaliação da redução de impostos sobre a inflação. As
probabilidades são úteis pois ajudam a desenvolver estratégias.
O ponto central em todas as situações é a possibilidade de quantificar quão provável é
determinado evento.
As probabilidades são utilizadas para exprimir a chance de ocorrência de determinado
evento. O estudo das probabilidades é importante pois elas são a base para o estudo
estatístico.
8.1 Experimento aleatório

Experimentos aleatórios são aqueles que, mesmo repetidos várias vezes sob condições
semelhantes, apresentam resultados imprevisíveis.
Características dos experimentos aleatórios:
1. Podem ser repetidos indefinidamente sob as mesmas condições.
2. Não se pode adiantar um resultado particular, mas pode-se descrever todos os

resultados possíveis
3. Se repetidos muitas vezes apresentarão uma regularidade em termos de
freqüência de resultados.
Exemplos : lançamento de uma moeda, lançamento de um dado, aposta na loteria, ....
Ao descrever um experimento aleatório deve-se especificar não somente que operação ou

procedimento deva ser realizado, mas também o que deverá ser observado. (Note a diferença
entre o 2 o e o 3 o )
• Joga-se um dado e observa-se o número obtido na face superior.

• Joga-se uma moeda 4 vezes e o observa-se o número de caras obtido.

• Joga-se uma moeda 4 vezes e observa-se a seqüência de caras e coroas.
• Um lote de 10 peças contém 3 defeituosas. As peças são retiradas uma a uma
(sem reposição) até que a última defeituosa seja encontrada. Conta-se o
número de peças retiradas.
• Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar.
• Lança-se uma moeda até que ocorra uma cara e conta-se então o número de
lançamentos necessários.
• Lançam-se dois dados e anota-se o total de pontos obtidos.
• Lançam-se dois dados e anota-se o par obtido.
8.2 Espaço amostral

O espaço amostral (S) de um experimento aleatório é o conjunto de todos os possíveis
resultados do experimento.
n(S) é o número de elementos do conjunto S, ou o número de resultados possíveis.
Exemplo : um experimento é o lançamento de uma moeda. Os possíveis resultados são

cara ou coroa, então, S={cara, coroa}.
Em dois lançamentos de uma moeda, sendo interessante observar a ordem dos resultados,
os possíveis resultados são: 1) cara e cara, 2) cara e coroa, 3) coroa e cara e 4) coroa e
coroa. O espaço amostral é S={(Ca,Ca), (Ca,Co), (Co,Ca) e (Co,Co)}. n(S)=4
8.3 Eventos
Chama-se de evento qualquer subconjunto do espaço amostral S de um experimento
aleatório, ou seja, qualquer resultado do espaço amostral.
n(A) é o número de resultados associados ao evento A.
Exemplo : no lançamento de uma moeda S={cara, coroa}. Um evento de interesse A pode

ser “obter cara no lançamento de uma moeda” e n(A)=1.
No lançamento de um dado, o evento de interesse (A) pode ser obter face par e n(A)=3.
8.4 A probabilidade de um evento

Seja A um evento. A probabilidade deste evento ocorrer é dada por P(A), que é um
número entre 0 e 1. Quanto mais próxima a probabilidade estiver de 1, maior será sua
chance de ocorrência. A um evento impossível atribui-se probabilidade 0, enquanto que
um evento certo tem probabilidade 1.
Há três maneiras diferentes de calcular ou estimar probabilidades: o método clássico,
quanto o espaço amostral tem resultados igualmente prováveis. O método empírico, que

se baseia na freqüência relativa de ocorrência de um evento num grande número de
provas repetidas e o método subjetivo, que utiliza estimativas pessoais de probabilidade,
baseadas num certo grau de crença. Em geral vamos utilizar o método clássico de cálculo
de probabilidades.
Quando os resultados são equiprováveis, a probabilidade de cada resultado é função do

número de resultados possíveis:
número de resultados associados ao evento A
P( A ) =
número total de resultados possíveis
Exemplo:
Experimento: lançar um dado e observar a face superior
Espaço amostral: S={1,2,3,4,5,6} n(S)=6
Evento A: face par n(A)=3
P(A)= 3/6 = ½ = 0,5 ou 50%
OBS: existe uma pequena diferença entre probabilidade e chance de um evento. A probabilidade
relaciona o número de resultados de A com o número de resultados total, enquanto que chance
compara o número de resultados de A com o número de resultados de outro evento (B ou C).
Em uma urna com 5 bolas brancas, 3 vermelhas e 2 azuis,
A probabilidade de selecionar uma bola branca é P(branca)=5/10=0,5 ou 50%
E a chance de selecionar uma bola branca é 5:5, que é semelhante a 1:1, o que significa que existe a
mesma chance de retirar uma bola branca ou uma bola de outra cor.
Exercícios:
1. Escreva o espaço amostral no lançamento de um dado. Ache a probabilidade
associada a cada evento.
2. Extrai-se uma carta de um baralho de 52 cartas. Determine a probabilidade de:

a) um valete
b) uma carta vermelha
c) um dez de paus
d) uma figura
e) uma carta de ouros
f) um nove vermelho

3. Complete a tabela com os valores calculados da probabilidade dos eventos
ocorrerem
Experimento Evento P(Evento)

Lançar uma moeda uma vez Cara
Lançar um dado uma vez Face 3
Extrair uma carta de um baralho com

6 vermelho
52 cartas
Extrair uma carta de um baralho de 52
Valete de ouros
cartas
4. Encontre n(S), n(A) e P(A) no lançamento de dois dados

Experimento: Lançar dois dados e observar a seqüência dos resultados
S={(1,1), (1,2), (1,3),.....,(6,4),(6,5),(6,6)}
N(S)=36
a. A: apareçam faces iguais
b. A: a segunda face é o dobro da primeira
c. A: apareçam somente números ímpares
d. A: apareçam faces iguais ou a segunda face é o quadrado da primeira
e. A: a soma das faces é igual a 7
5. Há 50 bolas numa urna: 20 azuis, 15 vermelhas, 10 pretas e 5 verdes. Misturam-se

as bolas. Determine a probabilidade da bola escolhida ser:
a) Verde
b) Azul
c) Verde ou azul
d) Não-vermelha
e) Vermelha ou verde
f) Amarela
g) Não-amarela

6. Um motorista tem uma marca num de seus pneus, e 20% do pneu é visível. Ao
parar, qual a probabilidade da marca ficar na parte visível?
7. Um motor tem 6 velas, e uma está defeituosa, devendo ser substituída. Duas estão
em posição de difícil acesso, o que torna difícil a substituição.
a) Qual a probabilidade de a vela defeituosa estar em posição difícil?
b) Qual a de não estar em posição difícil?
8. Os dados compilados pela gerência de um supermercado indicam que 915 dentre

1500 clientes compradores de domingo gastam mais de R$ 40,00 em suas compras.
Estime a probabilidade de um comprador em qualquer domingo gastar mais de R$
40,00.
9. Uma pesquisa de tráfego levada a efeito das 5 às 6 horas da manhã num trecho de
uma rodovia federal revelou que, de 200 carros que pararam para uma verificação
rotineira de segurança, 25 tinham pneus em más condições. Estime a probabilidade
de um carro que pare naquele trecho ter seus pneus em boas condições
8.5 Cálculo das probabilidades

Muitas aplicações da estatística exigem a determinação da probabilidade de combinações
dos eventos. Há duas características de combinações. Pode ser necessário determinar a
probabilidade de ambos os eventos acontecerem P(A e B) ou a probabilidade de um deles,
A ou B, ou seja, P(A ou B).
Em um prédio com 2 elevadores, poderíamos perguntar: Qual a probabilidade de ambos

elevadores estarem em serviço? Ou então, Qual a probabilidade de um ou outro elevador
estar em serviço?
Ambos implica P(A e B)

Um ou outro implica P(A ou B)

Regra da adição:
A regra da adição leva em conta a ocorrência do evento A ou do evento B ou de ambos os
eventos e é denotada por P(A∪B).
A B
P(A ou B) = P(A) + P(B) – P(A e B)
Quando os eventos são mutuamente excludentes (não tem elementos em comum), então a
probabilidade de ambos é nula e o termo P(A e B) será zero.
Se A e B são mutuamente excludentes P(A ou B) = P(A) + P(B)
OBS: Para apresentar os eventos utilizam-se os Diagramas de Venn [apresentados por John Venn
(1834-1923)], que representam os espaços amostrais e os eventos como círculos, quadrados, ou outra
figura geométrica conveniente.
Exercícios:
1. Numa urna existem 10 bolas numeradas de 1 a 10. Retira-se uma bola ao acaso.
Qual a probabilidade do número ser par ou maior que 4?
2. Numa urna existem 10 bolas numeradas de 1 a 10. Retira-se uma bola ao acaso.
Qual a probabilidade do número ser um número primo ou maior que 8?

Regra da multiplicação
Considerando-se dois eventos A e B de um mesmo espaço amostral, a probabilidade de A e
B ocorrerem P(A∩B) é dada por:
A B
A probabilidade de A e B é igual à probabilidade de A, dado B, vezes

a probabilidade de B.
P(A e B) = P(A|B) P(B)
Onde P(A|B) é a probabilidade de A ocorrer dado que B tenha ocorrido.
Quando a probabilidade de B ocorrer não depender de A ter ocorrido, dizemos que A e B

são independentes, e P(B| A)=P(B)
Se A e B são independentes P(A e B)=P(A)P(B)
Exemplo 1: Deve-se inspecionar uma grande caixa de peças. Os registros indicam que 2%
das caixas acusam conteúdo inferior ao estipulado. Escolhidas duas caixas aleatoriamente,
qual a probabilidade de ambas acusarem conteúdo inferior, admitindo-se que a remessa
inspecionada é semelhante as anteriores (isto é, 2% de deficientes)?
P(ambas deficientes)=P(deficiente)P(deficiente)
=0,02 x 0,02
=0,0004 ou seja, 0,04% de probabilidade das caixas serem defeituosas.
Exemplo 2: Suponha que 20 canetas estão expostas numa papelaria. Seis são vermelhas e
14 azuis. Do conjunto de 20, iremos escolher 2 canetas aleatoriamente. Qual a
probabilidade de que as duas canetas selecionadas sejam vermelhas?
Neste caso os eventos não são independentes, pois a cor da primeira caneta
selecionada vai determinar a probabilidade da segunda caneta ser vermelha.
Seja A=a segunda caneta selecionada é vermelha
B=a primeira caneta selecionada é vermelha
 5  6   30 
Desejamos P(A e B) = P(A|B) P(B) =    =   = 0,0789
 19  20   380 

Regras de probabilidade
P(A ou B), Para eventos não mutuamente excludentes:
P(A ou B ou ambos) = P(A) + P(B) – P(A e B)
para eventos mutuamente excludentes:
P(A ou B) = P(A) + P(B)
P(A e B), para eventos independentes:
P(A e B) = P(A) . P(B)
Para eventos dependentes
P(A e B) = P(B).P(A/B) ou P(A).P(B/A)
Outra forma de apresentar os eventos é através de tabelas de contingência (tabelas com

cruzamento de classificações).
Por exemplo:
Vermelha Preta Totais
Ás 2 2 4
Não ás 24 24 48
Totais 26 26 52
Exercícios
1. Uma urna contém 6 bolas vermelhas e 4 azuis. Em duas bolas consecutivas, sem
reposição, determine a probabilidade de retirar a primeira azul e a segunda
vermelha.
2. Uma urna contém 6 bolas vermelhas e 4 azuis. Em duas bolas consecutivas, com
reposição, determine a probabilidade de retirar a primeira azul e a segunda
vermelha.
3. Em um lote de 12 peças, quatro são defeituosas. Retira-se uma peça e inspeciona-

se. Qual a probabilidade:
a. Da peça ser defeituosa
b. Dela não ser defeituosa

4. Uma loja dispõe de pneus novos e recapados. Entre 100 pneus, sabe-se que 30 são
recapados.
a. Se um cliente levar um pneu, qual a probabilidade de que ele seja recapado?
b. Se um cliente levar dois pneus, qual a probabilidade de que ambos sejam

recapados?
c. Se um cliente levar 4 pneus, qual a probabilidade de que todos sejam

recapados?
5. Um dado é lançado 3 vezes. Calcule a probabilidade de que se obtenha face 6 nos 3

lançamentos.
6. Uma urna contém 50 bolas numeradas de 1 a 50. Serão selecionadas 5 bolas, sem
reposição. Qual a probabilidade de que uma pessoa que tenha feito um jogo
anotando os 5 número acerte todos?

7. Nos últimos anos, as empresas de cartões de crédito intensificaram esforços no
sentido de abrir mais contas para alunos de faculdade. Suponha que uma amostra
de 200 alunos em sua faculdade apresentou as seguintes informações em termos
de o aluno possuir cartão de crédito bancário e/ou cartão de crédito de viagem e
entretenimento:
CC de viagem e entretenimento
Totais
Sim Não
Sim 60 60 120
CC bancário
Não 15 65 80
Totais 75 125 200
a. Se um aluno é selecionado aleatoriamente, qual a probabilidade de que o

aluno possua um cartão de crédito bancário?
b. Se um aluno é selecionado aleatoriamente, qual a probabilidade de que o

aluno não possua um cartão de crédito bancário?
c. Se um aluno é selecionado aleatoriamente, qual a probabilidade de que o

aluno possua um cartão de crédito bancário e um cartão de viagem e
entretenimento?
d. Se um aluno é selecionado aleatoriamente, qual a probabilidade de que o

aluno não possua um cartão de crédito bancário nem cartão de viagem e
entretenimento?
e. Se um aluno é selecionado aleatoriamente, qual a probabilidade de que o

aluno possua um cartão de crédito bancário ou possua um cartão de viagem
e entretenimento?
f. Suponha que um aluno possui um cartão de crédito bancário. Qual a

probabilidade de que ele possua um cartão de viagem e entretenimento?
g. Suponha que o aluno não possui um cartão de viagem e entretenimento.

Qual a probabilidade de que ele ou ela possua um cartão de crédito
bancário?
h. Os dois eventos, possuir um cartão de crédito bancário e possuir um cartão

de viagem e entretenimento, são estatisticamente independentes? Explique.

9 Distribuições de probabilidade
O histograma é usado para apresentar dados amostrais (Amostra=conjunto de

observações extraídas de uma população)
Por exemplo, 50 valores de satisfação dos clientes são interpretados como uma amostra
da satisfação de todos os clientes.
O uso de métodos estatísticos permite que se analise essa amostra e se tire alguma
conclusão sobre a satisfação dos clientes.
Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor
da variável em estudo com a sua probabilidade de ocorrência.
Há dois tipos de distribuição de probabilidade

1. Distribuições Contínuas: Quando a variável que está sendo medida é expressa
em uma escala contínua, como por exemplo, o peso de peças produzidas, diâmetro, etc.
2. Distribuições Discretas: Quando a variável que está sendo medida só pode
assumir certos valores, como por exemplo os valores inteiros 0, 1, 2, etc.
No caso de distribuições discretas, a probabilidade que a variável X assuma um valor

específico x o é dada por: P {X = x o } = P(x o )
No caso de variáveis contínuas, as probabilidades são especificadas em termos de

b
{ }
intervalos: P a ≤ x ≤ b = ∫a f ( x ) dx
Relembrando: uma variável aleatória é uma função com valores numéricos, cujos
valores são determinados por fatores de chance.
Uma variável aleatória é considerada discreta se toma valores que podem ser
contados.
Uma variável aleatória é considerada contínua quando pode tomar qualquer valor
em determinado intervalo.

Os gráficos a seguir apresentam exemplos de distribuições de probabilidades discreta e
contínua.
Exemplo:
Distribuição de probabilidade para a variável aleatória “número de caras em duas jogadas
de uma moeda”.
Número de Número de
Prob. do Prob. do
Resultado caras caras
resultado resultado
Valor da V.A. Valor da V.A
Cara Cara 2 ½ x ½=¼ 0 ¼
Cara Coroa 1 ½ x ½=¼
1 ¼ +¼ =½
Coroa Cara 1 ½ x ½=¼
Coroa Coroa 0 ½ x ½=¼ 2 ¼
Soma = 1 Soma = 1
O valor esperado, ou esperança matemática, de uma variável aleatória é E(x), que consiste
no valor esperado para ela, ou seja, o valor médio da variável.
n
E( x ) = ∑px
i =1
i i se X é v.a. discreta
ou
∞
E( X) = ∫ x. f(x) dx
−∞
se X é v.a. contínua
E a variância de X é dada por Var( X ) = E( X 2 ) − [E( X )]2 .
O desvio padrão é Var ( X)

Neste exemplo, o valor esperado é 0 . ¼ + 1 . ½ + 2 . ¼ = 1.
E a variância é Var(X)=E(X 2 )-[E(X)] 2 = E(X 2 ) - 1= (0 2 .¼ + 1 2 .½ + 2 2 .¼) –1 =1,5-1=0,5 E
o desvio padrão = 0,71
Exemplo: um investidor julga que tem 0,4 de probabilidade de ganhar $ 25.000 e 0,6 de
perder $ 15.000. Seu ganho esperado é de:
E(X) = 0,4 (25.000) + 0,6 (-15.000) = $ 1.000.
E a variância é Var(X)=E(X 2 )-[E(X)] 2
= E(X 2 ) – 1.000 2
=(0,4.25.000 2 + 0,6.(-15.000) 2 )-1.000 2
=(0,4 x 625.000.000 + 0,6 x 225.000.000)-1.000 2
= 250.000.000+ 135.000.000 –1.000 2
= 385.000.000 –1.000.000
= 384.000.000
Desvio padrão = $ 19.595,92
Exercícios:
1. O número de chamadas telefônicas recebidas por uma mesa e suas respectivas
probabilidades para um intervalo de 3 minutos são:
Número de chamadas 0 1 2 3 4 5 Total
Freqüência relativa 0,60 0,20 0,10 0,04 0,03 0,03 1,00
Em média, quantas chamadas podem ser esperadas num intervalo de três minutos?
2. Um bilhete de loteria tem 0,00001 de chance de dar um prêmio de $ 100.000,

0,00002 de chance de dar um prêmio de $ 50.000 e 0,004 de chance de um prêmio
de $ 25. Qual seria o preço justo de venda do bilhete?
3. Uma confeitaria estabeleceu um registro de vendas para certo tipo de bolo.

Determine o número esperado de bolos encomendados.
N ° bolos/dia 0 1 2 3 4 5 6 7 8 9 Total
Freqüência relativa 0,02 0,07 0,09 0,12 0,20 0,20 0,18 0,10 0,01 0,01 1,00

9.1.1 Distribuições discretas mais importantes
As principais distribuições discretas são a Distribuição de Bernoulli, Distribuição

Binomial e Distribuição Poisson.
Distribuição de Bernoulli
A distribuição de Bernoulli consiste em uma distribuição adequada à variável aleatória de
Bernoulli, que por sua vez é uma v.a. que assume apenas os valores 0 e 1, com função de
probabilidade tal que:
P(0) = P(X=0) = 1- p
P(1) = P(X=1) = p
Então, E(X)= p e Var(X)= p (1- p )
Distribuição Binomial
Seja um processo composto de uma seqüência de observações independentes, onde o
resultado de cada observação pode ser um sucesso ou uma falha.
Se a probabilidade de sucesso é constante e igual a p, a distribuição do número de
sucessos seguirá o modelo Binomial.
A distribuição Binomial é usada com freqüência no controle de qualidade. É o modelo
apropriado quando a amostragem é feita sobre uma população infinita ou muito grande.
A distribuição binomial possui quatro propriedades essenciais:

1. As observações possíveis podem ser obtidas através de dois diferentes
métodos de amostragem. Cada observação pode ser considerada como se
tivesse sido selecionada a partir de uma população infinita sem reposição ou
a partir de uma população finita com reposição.
2. Cada observação pode ser classificada em uma de duas categorias
mutuamente excludentes e coletivamente exaustivas, usualmente chamadas
sucesso ou falha.
3. A probabilidade de uma observação ser classificada como sucesso ( p ) é
constante de observação para observação. Assim sendo, a probabilidade de
fracasso 1-p também é constante.
4. O resultado (isto é, sucesso ou fracasso) de qualquer observação
independe do resultado de qualquer outra observação.
Em aplicações de controle da qualidade, x em geral representa o número de defeituosos

observados em uma amostra de n itens.

n n n!
P ( x ) =   p x (1 − p ) n − x e   =
x x x ! ( n − x )!
n
onde   representa o número de combinações de n objetos tomados x de cada vez
x
P(X) = probabilidade de X sucessos uma vez que n e p são conhecidos
n = tamanho da amostra
p = probabilidade de sucesso 1-p = probabilidade de falha
X = número de sucessos na amostra (X=0, 1, 2, ..., n)
A média de uma variável aleatória com distribuição binomial é µ = np e a variância é
x
dada por σ 2 = np(1-p) onde p é proporção de sucessos na amostra p =
n
Exemplo:
Um processo industrial opera com média de 1% de defeituosos. Baseado em amostras de
100 unidades, calcule as probabilidades de uma amostra apresentar 0 , 1 , 2 , 3 e 4
defeituosos. Plote a distribuição de probabilidade correspondente.
Como a variável aleatória pode apresentar apenas duas possibilidades, ser boa ou
defeituosa, a distribuição que melhor se ajusta é a distribuição binomial, com
parâmetros p=0,01 e n=100.
Então, a probabilidade de uma amostra de tamanho n = 100 apresentar 0
defeituosos é
n  100 
P( x ) =  p x (1 − p)n − x P(x=0) = P(0) =   0 ,010 (1 − 0 ,01)100 − 0 = 0,366
x  0 
100 1
P(x=1) = P(1) =  0,01 (1 − 0,01)100−1 = 0,370
 1 
100 
P(x=2) = P(2) =  0,012 (1 − 0,01)100 − 2 = 0,185
 2 
100 
P(x=3) = P(3) =  0,01 (1 − 0,01)
3 100 − 3
= 0,061
 3 
100 
P(x=4) = P(4) =  0,014 (1 − 0,01)100 − 4 = 0,015
 4 

0,4
0,3
P(x)
0,2
0,1
0
x=0 x=1 x=2 x=3 x=4
Exercícios:
1. Um processo opera segundo uma chance de falha de 2%. Coletando amostras de 25
unidades, qual a probabilidade de uma amostra selecionada apresentar 2
defeituosos ou menos.
2. Imagine que para o processo anterior, fossem coletadas amostras de 50 unidades e

o critério para parar o processo e procurar causas especiais fosse X=1 ou mais.
Calcule a percentagem de vezes que o processo seria interrompido logo após a
amostragem.
Distribuição de Poisson
A aplicação típica da distribuição de Poisson no controle da qualidade é como um modelo

para o número de defeitos (não-conformidades) que ocorre por unidade de produto (por
m 2 , por volume ou por tempo)
Diz-se que existe um processo de Poisson se pudermos observar eventos discretos numa
área de oportunidade – um intervalo contínuo (de tempo, de comprimento, de área, ...) de
maneira tal que, se encurtarmos a área de oportunidade ou intervalo suficientemente:
1. A probabilidade de se observar exatamente um sucesso no intervalo é
estável

2. A probabilidade de se observar mais de um sucesso no intervalo é zero
3. A ocorrência de um sucesso em qualquer intervalo é estatisticamente
independente da ocorrência em qualquer outro intervalo
A distribuição de Poisson tem um parâmetro λ (lambda) que é a média ou o número

esperado de sucessos por unidade. A variância desta distribuição é σ 2 = λ . O número de
sucessos X da variável aleatória de Poisson varia de 0 a ∞ .
A expressão matemática para a distribuição de Poisson para se obterem X sucessos, dado

que λ sucessos são esperados é:
e − λ λx
P( x ) = onde x=0,1,2,....
x!
onde P(X) = probabilidade de X sucessos, dado o conhecimento de λ
λ = número esperado de sucessos
e = constante matemática (aproximadamente 2,71828)

X = número de sucessos por unidade
Exemplo:
Suponha que o número de defeitos no cordão de solda de uma carroceria siga uma
distribuição de Poisson com λ = 2.
Então a probabilidade de uma carroceria apresentar mais de 3 defeitos será:
P(X> 3) = 1 – P(x ≤ 3) = 1-[ P(x=0) + P(x=1) + P(x=2) + P(x=3)]
e − λ λx e −2 2 0
Onde P( x ) = P(0) = = 0,135
x! 0!
e −2 21
P(x=1) = P(1) = = 0,271
1!
P(x=2) = P(2) = 0,271 P(x=3) = P(3) = 0,180
Logo,
P(X> 3) = 1 – P(x ≤ 3) = 1-[ P(x=0) + P(x=1) + P(x=2) + P(x=3)]
= 1 – [0,135+0,271+0,271+0,180]
= 1 – [0,857]
=0,143 14%
A probabilidade de uma carroceria apresentar mais de três defeitos é 14%.
Exemplo 2:

Se chegam em média 2 carros por minuto em um posto de gasolina, qual a probabilidade
de que cheguem exatamente 5 carros em dois minutos?
Neste caso o tempo é diferente do tempo correspondente ao λ. Então deve-se transformar
o λ para que ele corresponda ao tempo de 2 minutos. Chegam em média 2 carros por
minuto chegam em média 4 carros em 2 minutos
λ =4
e − λ λx e −4 45
P( x ) = P (5) = = 0,1563 = 15,63%
x! 5!
Exercícios:
1. O setor financeiro de uma loja de departamentos está tentando controlar o número
de erros cometidos na emissão das notas fiscais. Suponha que esses erros sigam o
modelo de Poisson com média λ = 0,03. Qual a probabilidade de uma nota
selecionada ao acaso conter 1 ou mais erros?
2. Em uma indústria automotiva, defeitos superficiais de pintura ocorrem a uma taxa

de 0,15 defeitos/unidade. Encontre a probabilidade que uma unidade escolhida ao
acaso apresente 1 ou mais defeitos superficiais.
3. Em uma empresa industrial ocorrem, em média, 3 acidentes por mês. Qual a

probabilidade de que em um determinado mês, ocorra apenas um acidente?
4. Dez por cento das ferramentas produzidas por um certo processo de fabricação
revelaram-se defeituosas. Determinar a probabilidade de, em uma amostra de 10
ferramentas escolhidas ao acaso, exatamente duas serem defeituosas mediante o
emprego da distribuição de Poisson.
5. Se a probabilidade de um indivíduo sofrer uma reação nociva, resultante da injeção

de um determinado soro é 0,001, qual a probabilidade de, entre 2000 indivíduos,
a) exatamente 3 sofrerem aquela reação? b) Mais de 2 sofrerem a reação?

9.1.2 Distribuições contínuas
A distribuição mais importante e mais utilizada na prática é a Distribuição Normal.

Outros modelos importantes de distribuições contínuas são: Uniforme, Exponencial, Gama,
Qui-Quadrado, t de Student e F de Snedecor.
Distribuição Normal
A Distribuição Normal é essencialmente importante na estatística por três razões
principais:
1. Inúmeros fenômenos contínuos parecem seguí-la ou podem ser aproximados por
meio dela
2. Podemos utilizá-la para aproximar várias distribuições de probabilidade discretas
3. Ela oferece a base para a inferência estatística clássica, devido à sua afinidade
com o teorema do limite central
Os parâmetros da distribuição Normal são a média e o desvio padrão. Trata-se de uma

distribuição simétrica, unimodal, em forma de sino.
A função de probabilidade da distribuição normal é dada por:

2
−1  x − µ 
 
1 2  σ 
f ( x) = exp
σ 2π
onde: e = constante matemática (aproximada por 2,71828)

π = constante matemática (aproximada por 3,14159)
µ = média aritmética da população
σ = desvio padrão da população
X = qualquer valor da variável aleatória contínua onde - ∞ < X < ∞

99,73%
95,44%
68,26%
-1σ +1σ
-2σ +2σ
-3σ +3σ
Para simplificar a notação de uma v.a.c. com distribuição normal, com média µ e variância
2
σ utiliza-se:
X~ N( µ, σ 2 )
A distribuição Normal acumulada é obtida calculando a probabilidade de X ser menor que
um dado valor a :
a
P( x ≤ a) = F(a) = ∫ f (x)dx
−∞
Função densidade acumulada
Essa integral não pode ser resolvida em forma fechada, mas a solução está apresentada
em tabelas onde se entra com a variável reduzida ou variável padronizada Z e
encontra-se F(Z) ou vice-versa.
 a − µ
P( x ≤ a) = P Z ≤  = F(Z )
 σ 
Valor tabelado (Procurar na tabela da distribuição Normal padronizada)

Exemplo:
O peso de um produto é uma característica muito importante. Sabe-se que o peso segue
um modelo normal com média 1000 gramas e desvio padrão 40 gramas. Se a especificação
técnica estabelece que o peso deve ser maior que 950 gramas, qual a probabilidade de
que um pacote selecionado aleatoriamente satisfaça a especificação?
OBS: este esquema equivale
 950 − 1000 
P(x>950) = P Z >  = P(Z > −1,25) = 0,3944 + 0,5000 = 0,8944
 40 
Tabelado
X=950 µ =1000 Z=-1,25 µ =0
σ =40 σ =1
A probabilidade de que um pacote selecionado aleatoriamente satisfaça a especificação é

de 89%.
Exemplo 2: Sabe-se que X representa medições feitas em um processo que segue o

modelo Normal com média 100 e desvio padrão 10. Se forem feitas 4000 medições,
quantas estarão entre 95 e 112?
 95 − 100 112 − 100 

P(95<x<112)= P  <Z< 
 10 10 
= P(-0,5<Z<1,2)
µ =100
=0,1915+0,3849 Valores tabelados
σ =10
=0,5764 Aproximadamente 58% estarão entre 95 e 112.
Se forem feitas 4000 medições, aproximadamente 2305 estarão entre 95 e 112. (4000 x
57,64%)

Exercícios:
1. A resistência à tração do papel usado em sacolas de supermercado é uma
característica de qualidade importante. Sabe-se que essa resistência segue um
modelo Normal com média 40 psi e desvio padrão 2 psi. Se a especificação
estabelece que a resistência deve ser maior que 35 psi, qual a probabilidade que
uma sacola produzida com este material satisfaça a especificação?
2. O diâmetro do eixo principal de um disco rígido segue a distribuição Normal com

média 25,08mm e desvio padrão 0,05mm. Se as especificações para esse eixo são
25,00 ± 0,15mm (isto é, varia de 24,85 a 25,15mm), determine o percentual de
unidades produzidas em conformidades com as especificações.
3. A resistência à tração de isoladores cerâmicos apresenta distribuição Normal com

média 95 Kg e desvio padrão 4 Kg. Se são produzidas 10.000 unidades desses
isoladores, quantos apresentarão resistência inferior a 85 Kg? E quantos
apresentarão resistência superior a 90 Kg?
4. A saída de uma bateria segue o modelo Normal com média 12,15 V e desvio padrão
0,2 V. Encontre o percentual que irá falhar em atender às especificações 12 V ±
0,5 V.

5. A vida útil de lavadora de pratos automáticas é de 1,5 anos, com desvio padrão 0,3
anos. Se os defeitos se distribuem normalmente, qual é a probabilidade de uma
lavadora necessitar conserto antes de expirar o período de 1 ano de garantia?
6. O tempo necessário, em uma oficina, para o conserto de transmissão para certo

carro é normalmente distribuído com média 45 min e desvio padrão 8 min. O
mecânico planeja começar o conserto do carro 10 min após o cliente deixá-lo na
oficina, comunicando que o carro estará pronto em 1 h. Qual a probabilidade de
que o cliente tenha que esperar caso o mecânico esteja enganado e o cliente fique
esperando?
7. Sabe-se que o conteúdo de uma lata de cerveja é 350 ml e que tem distribuição
aproximadamente normal com média 350 ml e desvio padrão 10 ml.
a. Que % de latas tem menos que 345 ml de conteúdo?
b. Que % de latas tem mais que 360 ml de conteúdo?
8. Uma fábrica de pneus fez um teste para medir o desgaste de pneus e verificou que
ele seguia o comportamento de uma curva normal com média 48.000 km e desvio
padrão de 2.000 km. Calcule a probabilidade de um pneu escolhido ao acaso:
a. Dure mais que 47.000 km?
b. Dure entre 45.000 e 51.000 km?
c. Até que quilometragem duram 90% dos pneus?
9. Descreva um exemplo de aplicação da distribuição normal na sua profissão. Qual

seria a média dos dados e o desvio padrão?

1 0 T e o r i a e l e m e n t a r d a a m o s t r a g em
A teoria da amostragem é o estudo das relações existentes entre uma população e as

amostras dela extraídas. É muito utilizada para a estimação das grandezas desconhecidas
da população ( parâmetros ) através de conhecimento das grandezas correspondentes nas
amostras ( estatísticas amostrais ).
A teoria da amostragem é também útil para determinar se as diferenças observadas entre
duas amostras são devidas a uma variação casual ou são verdadeiramente significativas.
Por exemplo: queremos testar se os tempos de processamento da matéria prima de dois
sistemas de produção são diferentes ou não. A resposta a esta questão implica o uso de
testes de hipótese, que será visto mais adiante.
Denomina-se inferência estatística a inferência de parâmetros (da população) com base
nos resultados obtidos na amostra.
Para que as conclusões sejam válidas, é necessário que a amostra selecionada seja
representativa da população. Para isso podem ser utilizados os métodos de amostragem
probabilísticos apresentados no capítulo 1: aleatória, sistemática, estratificada ou por
conglomerados. O método mais utilizado é o por amostragem aleatória.
10.1 Amostragem com e sem reposição

Quando selecionamos uma amostra devemos analisar se esta amostragem é com ou sem
reposição. Na amostragem com reposição o mesmo elemento pode ser escolhido mais de
uma vez. Na amostragem sem reposição cada elemento só pode ser selecionado uma única
vez.
Exemplo: uma urna contém dez bolas, numeradas de 0 a 9. Retira-se a primeira bola,
anota-se o número, 3 por exemplo, e não se recoloca a bola na urna. Os outros números
que podem ser sorteados são 0, 1, 2, 4, 5, 6, 7, 8 e 9. Este sistema é o sistema sem
reposição. Entretanto, se tivéssemos recolocado a bola 3 na urna, então todos os números
poderiam ser selecionados na segunda extração, inclusive o 3. Este sistema é chamado
sistema com reposição.
Em geral, quando uma amostragem é sem reposição, dizemos que a população é finita.
Quando uma amostragem é com reposição, então dizemos que a população é infinita, pois
a população nunca será exaurida. Para fins práticos a amostragem de uma população finita
muito grande pode ser considerada infinita.
10.2 Distribuições amostrais

Consideremos todas as amostras possíveis de tamanho n que podem ser retiradas de uma
população dada (com ou sem reposição). Para cada amostra podemos calcular uma
grandeza estatística, por exemplo, a média. Deste modo obtemos a distribuição amostral
da média. Da mesma forma podemos calcular a distribuição amostral do desvio padrão, da
variância, das proporções, ...

Distribuição amostral das médias
Uma distribuição amostral de médias é uma distribuição de probabilidade que indica quão
prováveis são diversas médias amostrais. A distribuição é função da média, do desvio
padrão da população e do tamanho da amostra. Para cada combinação da média, desvio
padrão e tamanho da amostra haverá uma única distribuição amostral de médias.
Sejam:
µ x = média da população = µ
µ x = média da distribuição amostral
σ x = desvio padrão da população = σ
σ x = desvio padrão da distribuição amostral
N = tamanho da população
n = tamanho da amostra
Admita-se que todas as amostras possíveis de tamanho n sejam retiradas de uma

população finita de tamanho N>n. Então:
σ N−n
População Finita: µx = µ e σx =
n N −1
Se a população for infinita, ou se amostragem for tomada com reposição, os resultados

serão:
µx = µ σ
População Infinita: e σx =
n
A fórmula do desvio padrão nos diz que a quantidade de dispersão na distribuição amostral
depende de dois fatores:
- a dispersão da população
- o tamanho da amostra (utilizando raiz quadrada)
Por exemplo, em qualquer população, o aumento do tamanho das amostras extraídas
resultará em menor variabilidade entre as possíveis médias amostrais. E se o mesmo
tamanho de amostra é usado com diferentes populações, as populações com maior
quantidade de dispersão σ x tenderão a gerar maior quantidade de variabilidade entre as
médias de amostras extraídas delas.
Para amostras grandes n>30 a distribuição amostral das médias é aproximadamente

normal, com média µx e desvio padrão σx, independente da população, desde que a
variância e a média da população sejam finitas e o tamanho da população seja, no
mínimo, o dobro da amostra. Este resultado para população infinita é um caso especial do
teorema do limite central da teoria avançada de probabilidade, que mostra que a precisão
da aproximação melhora quando n cresce. Isto é indicado, algumas vezes, dizendo-se que
a população é assintoticamente normal. No caso da população ser normalmente
distribuída, a distribuição amostral das médias também o será, mesmo para pequenos
valores de n (n<30).
Teorema do limite central

1. Se a população sob amostragem tem distribuição normal, a
distribuição das médias amostrais também será normal para
todos os tamanhos de amostra.
2. Se a população básica é não normal, a distribuição de médias
amostrais será aproximadamente normal para grandes
amostras.
Exemplos:
Calcule o desvio padrão da distribuição amostral de médias onde o desvio padrão da
distribuição populacional é 2 e o tamanho da amostra é 40.
σx 2
σx = = = 0,3162
n 40
Determine a média das distribuições de médias amostrais, sendo que a média populacional
é 678.
µ x = µ x = 678
A média de uma distribuição amostral de médias é 50 e seu desvio padrão é 10 (desvio

padrão da distribuição amostral das médias). Suponha normal a distribuição amostral.
Que percentagem das médias amostrais estará entre 45 e 55?

O procedimento é análogo ao visto no capítulo referente à distribuição normal,
entretanto deve-se utilizar o valor de µ x = 50 e σ x =10.
Então P(45< µ x <55)=0,3830
Um fabricante de baterias alega que seu artigo de primeira categoria tem uma vida
esperada (média) de 50 meses. Sabe-se que o desvio padrão correspondente é de 4
meses. Que percentagem de amostras de 36 observações acusará vida média no intervalo
de 1 mês em torno de 50 meses, admitindo ser de 50 meses a verdadeira vida média das
baterias?
Sabemos que, como n>30, a distribuição das médias amostrais será
aproximadamente normal com média igual à média populacional e desvio padrão
igual ao desvio padrão populacional dividido pela raiz quadrada do tamanho da

amostra. Além disso vamos pressupor população infinita, pois a produção de baterias
não termina (teoricamente!)
???
49 50 51
Meses
µx
A solução envolve a determinação do número de desvios padrões que 49 e 51 distam

da média (amostral).
Determinemos primeiro o desvio padrão da distribuição amostral:
σx 4
σx = = = 0,67 para n=36
n 36
Então devemos trabalhar com x ∼ N(50;0,67)
x−x 49 − 50
P(49< x <51) z = = −1,5
σx 0,67
51 − 50
= +1,5
0,67
P(49< x <51)=P(-1,5<z<1,5) = 0,4332+0,4332=0,8664
Então o percentual de amostras que apresentará problemas entre 49 e 51 meses é
de 87%.

Distribuição amostral das proporções
Sendo a probabilidade de ocorrência de um evento p (sucesso) e a probabilidade de não
ocorrência 1-p (fracasso).
Consideram-se todas as amostras possíveis de tamanho n de uma população infinita e,
para cada amostra, determina-se a proporção de sucessos. Assim obtém-se a distribuição
amostral das proporções.
A média da distribuição amostral é sempre igual à proporção p = p onde
p = proporção populacional
p = média da distribuição amostral das proporções
Quando a população é muito grande ou infinita, o desvio padrão da distribuição amostral

se calcula
p(1 − p)
σp =
n
e pode-se fazer uma aproximação para a distribuição normal quando n>30.
Exemplos:
Determine a média da distribuição de proporções amostrais, quando a proporção na
população é 72,3%
p =p=72,3%
Determine o desvio padrão da distribuição amostral de proporções para n=100 e uma

proporção populacional de 60%
p(1 − p) 0,6(1 − 0,6)

σp = = = 0,049
n 100
Verificou-se que 2% das ferramentas produzidas por uma certa máquina são defeituosas.
Qual a probabilidade de que, em uma remessa de 400 dessas ferramentas, 3% ou mais
revelarem-se defeituosas?
p(1 − p) 0,02 * 0,98

p =p=0,02 eσp = = = 0,007
n 400
Como n>30 pode-se utilizar a distribuição normal, então
0,03 − 0,02
P(p>0,03)=P( z > ) = P(z > 1,43) = 0,07636 = 7,636%
0,007

Exercícios:
1. Determine a média da distribuição das proporções amostrais quando a proporção na
população é ....
a. 30%
b. 99%
c. 54%
2. Calcule o desvio padrão da distribuição amostral de médias para cada um dos

seguintes casos:
a. σ x =6, n=6
b. σ x =6, n=20
c. σ x =6, n=40
d. σ x =6, n=100
3. Certas válvulas fabricadas por uma companhia têm vida média de 800 horas e
desvio padrão de 60 horas. Determinar a probabilidade de uma amostra aleatória
de 16 válvulas, retiradas do grupo, ter vida média a) entre 700 e 810 horas;
b)inferior a 785 horas; c) superior a 820 horas; d) entre 770 e 830 horas.
4. Um fabricante faz a remessa de 1000 lotes de 100 lâmpadas elétricas cada um. Se
5% das lâmpadas são normalmente defeituosas, em quantos lotes pode-se esperar
que existam; a) menos de 90 lâmpadas boas; b) 98 ou mais lâmpadas boas

11 Estimação
A estimação é o processo que consiste em utilizar dados amostrais para estimar

parâmetros populacionais.
As estatísticas amostrais são utilizadas como estimadores de parâmetros populacionais.
Assim, uma média amostral é usada como estimativa da média populacional, a proporção
de defeituosos de uma caixa é utilizada para estimar a proporção de defeituosos na
produção toda, etc.
Tais estimativas chamam-se estimativas pontuais, porque originam apenas uma única
estimativa do parâmetro. Em virtude da variabilidade amostral, é usual incluir uma
“estimativa intervalar” para acompanhar a estimativa pontual. Esta nova estimativa
proporciona um intervalo, ou âmbito, de possíveis valores do parâmetro populacional.
Estimativa pontual: estimativa única de um parâmetro populacional

Estimativa intervalar: intervalo de valores possíveis, o qual se admite que esteja
contendo o parâmetro.
Um intervalo de confiança dá um intervalo de valores, centrado na estatística amostral, no

qual julgamos, com um risco conhecido de erro, estar o parâmetro da população.
Exemplos:
Parâmetro Tipo de estimativa
populacional Pontual Intervalar
Média Um carro de motor 1.0 anda, em Um carro de motor 1.0 anda, em

média, 14 km com um litro de média, entre 12 e 16 km com 1
combustível litro de combustível
Proporção A proporção de peças defeituosas A proporção de peças defeituosas

é de 2% está entre 1,5 % e 2,5 %
Desvio padrão O desvio padrão da temperatura O desvio padrão da temperatura

numa piscina não aquecida é da numa piscina não aquecida está
ordem de 2 o C entre 1 o C e 3 o C
Os intervalos de confiança podem ser unilaterais (por exemplo, a proporção de defeitos é

maior de 3%) ou bilaterais (a proporção de defeitos está entre 2% e 4%).

A capacidade de estimar parâmetros populacionais por meio de dados amostrais está
ligada diretamente ao conhecimento da distribuição amostral da estatística que está sendo
usada como estimador.
Os intervalos de confiança para os parâmetros são construídos de forma que se considera
uma variação em torno do valor amostral e, assim, pode-se escrever que o parâmetro
situa-se entre dois limites:
Valor do parâmetro = estimativa pontual ± erro de amostragem
O erro de amostragem depende da distribuição amostral do parâmetro, do nível de
confiança adotado e do tamanho da amostra.
A tabela a seguir apresentada resume as informações necessárias para intervalos de
confiança.
População
Infinita Finita
Estimativa de médias
Pontual x x
Intervalar σ x conhecido σx σx N−n
x±z x±z
n n N −1
σ x desconhecido sx sx N−n
x±t x±t
n n N −1
Estimativa das proporções
Pontual x x
p = p =
n n
Intervalar p(1 − p) p(1 − p) N − n
p±z p±z
n n N −1
Onde:
z representa o valor tabelado da distribuição Normal, com nível de confiança α.
t representa o valor tabelado da distribuição t de Student, com nível de confiança α e GL
graus de liberdade1
N é o tamanho da população
n é o tamanho da amostra
1
O valor da distribuição t de Student depende do número de graus de liberdade
Exemplo:
Intervalo de confiança para a média µ quando se conhece a variância de população σ x
Seja uma amostra de tamanho 36 de uma população infinita, sabe-se que σ x =3 e x =24,2
Confiança Z
Fórmula Cálculo E Intervalo
desejada (tabelado)
σx 3
90% 1,65 x±z 24,2 ± 1,65 24,2 ± 0,825 23,375 a 25,025
n 36
σx 3
95% 1,96 x±z 24,2 ± 1,96 24,2 ± 0,980 23,220 a 25,180
n 36
σx 3
99% 2,58 x±z 24,2 ± 2,58 24,2 ± 1,290 23,110 a 25,690
n 36
Tamanho da amostra
Uma das perguntas mais freqüentes em estatística é: “Qual o tamanho da amostra que
devemos tomar?”
O tamanho da amostra dependerá do grau de confiança desejado (z), da quantidade de
dispersão entre os valores individuais ( σ x ), e de certa quantidade específica de erro
tolerável (e).
“O tamanho da amostra que você afinal selecionará dependerá de
seu orçamento, da importância econômica das decisões e da
variabilidade na população. Desses três problemas, dois são de
ordem gerencial, cabendo a você a decisão; apenas o terceiro
(variabilidade) está fora do seu controle .”(Brenda Landy, citada no
livro Pesquisa de Marketing – Naresh Malhotra. - 2001)
A fórmula do erro pode ser resolvida em relação a n. Assim, para o caso de estimação de
médias, tem-se:
2
σx σx  σ 
e=z n=z n =  z x 
n e  e 
E, para estimação de proporções

2
p(1 − p)  p(1 − p)  z 2p(1 - p)
e=z e =  z
2


n=
n  n  e2

Que tamanho de amostra será necessário para produzir um intervalo de 90% de confiança
para a verdadeira média da população, com erro de 1,0 em qualquer dos sentidos, se o
desvio padrão da população é 10?
Sabemos que σ x =10 e e=1 e queremos um intervalo 90% de confiança para a
média, o que implica utilizar um valor de z=1,65.
2 2
 σ   10 
n =  z x  n = 1,65  = 272,25 tamanho da amostra 273.
 e   1
As companhias de seguro estão ficando preocupadas com o fato de que o número

crescente de telefones celulares resulte em maior número de colisões de carros. Estão, por
isso, pensando em cobrar prêmios mais elevados para os motoristas que utilizam celulares.
Desejamos estimar, com uma margem de erro de três pontos percentuais, a percentagem
de motoristas que falam ao celular enquanto dirigem. Supondo que se pretende um nível
de confiança de 95% nos resultados, quantos motoristas devem ser investigados?
Suponha que não tenhamos nenhuma informação sobre p.
z 2p(1 - p) 1,96 2 0,5(1 - 0,5)

n= n= = 1067,11 tamanho da amostra 1068.
e2 0,032
Exercícios:
1. Os dados a seguir representam a temperatura coletada aleatoriamente em 15

cidades do estado. Determine o intervalo de confiança 90% para a temperatura
média. Não dispomos da variância populacional, mas sabemos que a população é
infinita. Dispomos apenas das seguintes informações.
23 40 30 21 34
20 38 26 23 38
33 32 24 21 24
2. Uma amostra aleatória de 40 contas não comerciais na filial de um banco acusou

saldo médio diário de R$ 140 com desvio padrão de R$ 30.
a. Construa um intervalo de 90% de confiança para a verdadeira média
b. Construa um intervalo de 95% de confiança para a verdadeira média
c. Construa um intervalo de 99% de confiança para a verdadeira média

3. Uma firma emprega diversos vendedores. Numa amostra aleatória de 15 notas de
despesa numa semana de dezembro, um auditor constatou uma despesa média de
R$ 220, com desvio padrão de R$ 20.
a. Qual a estimativa pontual da despesa média?
b. Construa um intervalo de 99% de confiança para a quantia de despesa
média por vendedor.
c. Admitindo-se 200 vendedores, qual seria a estimativa pontual média para o
total de despesas?
d. Construa um intervalo de 99% de confiança para a quantia de despesa total.
4. Uma amostra aleatória de 40 homens trabalhando num grande projeto de

construção revelou que 6 não usavam capacetes protetores.
a. Construa um intervalo de 95% de confiança para a verdadeira proporção dos
que não estão utilizando capacetes neste projeto.
b. Se há 1000 operários no projeto, converta o percentual em número de
capacetes necessários para que todos estejam seguros.
5. Uma amostra aleatória de 1000 fregueses da parte da manhã de um supermercado

revelou que apenas 10 não incluem leite em suas compras.
a. Qual seria a estimativa pontual da percentagem dos que compram leite?
b. Construa um intervalo de 90% de confiança para a verdadeira proporção dos
que compram leite.
6. Qual o tamanho de amostra necessário para estimar o tempo médio de que um

vendedor de uma loja de móveis gasta com cada cliente, admitindo erro de 1
minuto, para mais ou para menos, para obter um nível de confiança de 99%.
Suponha σ x=12 minutos.

7. Determine o número de observações necessário para estimar o tempo médio de
serviço de atendimento a chamadas de um bombeiro hidráulico, se o erro máximo
deve ser de 0,6 hora para um nível de confiança de 95%, sabendo que o tempo de
atendimento tem um desvio padrão de 1 hora. Suponha normalidade na população.
8. Um engenheiro deseja estimar a quantidade de açúcar existente nos alimentos

produzidos pela empresa. Ele coletou uma amostra de 18 unidades do alimento e
verificou média 24 gr de açúcar, com desvio padrão de 5 gr. Construa o intervalo
de confiança de 90% para a quantidade de açúcar presente nos alimentos.
9. Numa pesquisa com funcionários de uma empresa questionou-se a satisfação com a

política desenvolvida pela diretoria. De 300 funcionários, 36 estavam insatisfeitos.
Construa uma estimativa para a proporção de funcionários insatisfeitos, com 95%
de confiança.
10. O IBOPE está interessado em estimar a proporção de residências que assistem ao

programa do Faustão. Qual o número mínimo de residências que se deve analisar
para ter 95% de confiança e margem de erro máxima de 0,03 para a estimativa?

12 Testes de h ipóteses
Os testes de hipóteses são também conhecidos como testes de significância.
A finalidade dos testes de hipóteses é avaliar afirmações sobre os valores de parâmetros
populacionais.
Os testes de hipóteses e a estimação são dois ramos principais da inferência estatística.
Enquanto o objetivo da estimação é estimar algum parâmetro populacional, o objetivo dos
testes de hipóteses é decidir se determinada afirmação sobre um parâmetro populacional é
verdadeira. Por exemplo, podemos querer determinar se são verdadeiras as afirmações:
- o tempo médio de realização do teste é 80 minutos
- três por cento da população (de determinado item) é defeituosa
- os percentuais de não conformes dos dois processos são iguais
Utilizam-se duas hipóteses, sendo chamadas de hipótese nula (H 0 ) e hipótese alternativa

(H 1 )
A hipótese nula H 0 é uma afirmação que diz que o parâmetro

populacional é tal como especificado (isto é, a afirmação é
verdadeira)
A hipótese alternativa H 1 é uma afirmação que oferece uma
alternativa à alegação (isto é, o parâmetro é maior (ou menor)
que o valor alegado)
Exemplo: O estudo de uma amostra de tamanho 55 peças indicou que o diâmetro médio é
de 27,5 mm. Então:
H 0 : o diâmetro médio da população (de peças) é 27,5 mm
H 1 : o diâmetro médio da população (de peças) é diferente de 27,5 mm
Os testes de hipótese utilizam a significância adotada pelo pesquisador. A significância é a

probabilidade de uma hipótese nula ser rejeitada, quando verdadeira. Que coincide com o
erro tipo I.
Ao testar uma hipótese, há dois tipos de erros que podemos cometer:

α = P {rejeitar H 0 / H 0 é verdadeira} = erro do tipo I
β = P {aceitar H 0 / H 0 é falsa} = erro do tipo II
O procedimento usual é fixar o valor de α e verificar o valor de β . O risco β é uma função

do tamanho da amostra, e é controlado indiretamente. Quanto maior o tamanho da
amostra, menor será o risco β .

Se H 0 é
Verdadeira Falsa
Aceitar H 0 Decisão correta Erro tipo II ( β )

Ação
Rejeitar H 0 Erro tipo I ( α) Decisão correta
Basicamente os testes de hipótese envolvem as seguintes etapas:

1. Estabelecer as hipóteses nula e alternativa;
2. Identificar a distribuição amostral adequada;
3. Escolher um nível de significância (e assim os valores críticos);
4. Calcular a estatística do teste e compará-la com os valores críticos;
5. Rejeitar a hipótese de nulidade se a estatística do teste excede o(s) valor (es)
crítico(s); caso contrário, aceitá-la.
Os testes de hipótese podem ser unilaterais ou bilaterais. Nos testes unilaterais a hipótese
alternativa H 1 é do tipo µ>33 ou µ<33, por exemplo. Nos testes bilaterais a hipótese
alternativa é do tipo µ≠ 33. A hipótese nula permanece igual nos dois casos. A área de
rejeição é dividida quando o teste é bilateral.
H 1 : µ<33 H 1 : µ≠ 33 H 1 : µ>33
α α/2 α/2 α
Rejeitar H 0 Rejeitar Rejeitar Rejeitar H 0

H0 H0
Exercícios
1. Para cada um dos seguintes casos, trace uma curva normal, indicando a área de
rejeição na figura.
a) H 0 : µ=10, H 1 : µ≠ 10, α=0,02
b) H 0 : µ=120, H 1 : µ≠ 120, α =0,05
c) H 0 : µ=2000, H 1 : µ≠ 2000, α=0,01
d) H 0 : µ=2000, H 1 : µ>2000, α=0,01
e) H 0 : µ=2000, H 1 : µ< 2000, α=0,01

2. Um fornecedor de mancais comprometeu-se a enviar para uma firma lotes que não
contenham mais de 2% de defeituosos. O comprador extrai amostras ao receber a
remessa, para verificar a qualidade. Indique H0 e H1.
3. Um engenheiro acredita que o tempo para produção de um motor é de 5 horas. Ele

analisa uma amostra para verificar se está certo ou não. Escreva H0 e H1
12.1 Teste de hipóteses para médias
σ x conhecido
Quando se conhece o desvio padrão da população, a distribuição amostral adequada é a

distribuição normal. Se a população é normal, a distribuição amostral será normal para
todos os tamanhos de amostra. Se a população é não normal, ou se sua forma é
desconhecida, pode-se usar um teste de uma amostra só para tamanhos de amostras
superiores a 30 observações. Assim, pequenas amostras de população não normais não
podem ser tratadas por este processo.
Suponha que X é uma variável aleatória com média µ desconhecida e variância σ 2 x

conhecida. E queremos testar a hipótese de que a média é igual a um certo valor
especificado µ0 . O teste de hipótese pode ser formulado como segue:
H 0 : µ = µ0
H 1 : µ ≠ µ0
Para testar a hipótese, toma-se uma amostra aleatória de n observações e calcula-se a
estatística
x − µo
z teste =
σx E H 0 é rejeitada se |Z teste | > Z α /2 (obtido em uma tabela da
n
distribuição normal).

Exemplo:
Uma máquina de usinagem deveria produzir entalhes com 0,85 mm de profundidade. O
engenheiro desconfia que os entalhes que estão sendo produzidos são diferentes que o
especificado.
Uma amostra de 8 valores foi coletada e indicou X = 0,847 . Sabendo que o desvio padrão
é σ =0,010, teste a hipótese do engenheiro usando um nível de significância α=0,05.
H o : µ = 0,850
H1 : µ ≠ 0,850
0,847 − 0,850
Z teste = = −0,85
0,010 / 8
Como Z teste = −0,85 > −Z 0 ,025 = −1,96 H 0 não pode ser rejeitada.
Conclusão: não podemos afirmar que os entalhes sejam diferentes que o especificado, ao
nível de significância de 0,05.
σ x desconhecido
Quando não se conhece o desvio padrão da população, deve-se estimá-lo a partir dos
dados amostrais usando o desvio padrão amostral. Quando isso ocorre (na maioria das
situações reais σ x é desconhecido), a distribuição t é a distribuição amostral adequada.
Suponha que X é uma variável aleatória Normal com média µ e variância σ 2
desconhecidas. Para testar a hipótese de que a média é igual a um valor especificado µo ,
formulamos:
Ho : µ = µ 0
H1 : µ ≠ µ o
Esse problema é idêntico àquele da seção anterior, exceto que agora a variância é
desconhecida.
Como σ X não é conhecido, usa-se a distribuição de Student para construir a estatística do

teste:
x − µo
t teste =
sx
n
E a hipótese nula H 0 é rejeitada se |t teste |>t α /2 , onde t α /2, n-1 é um valor limite da
distribuição de Student tal que a probabilidade de se obter valores externos a t α /2 é α.

12.2 Testes de duas amostras para médias
Os testes de duas amostras são usados para decidir se as médias de duas populações são
iguais. Exigem-se amostras independentes, ou seja, uma de cada população. Eles são
freqüentemente utilizados para comparar dois métodos de ensino, duas cidades, duas
marcas, duas fábricas, ....
OBS: dados provenientes de antes-depois são dependentes, não podendo, portanto, serem
tratados por este método.
σ x conhecido
Quando há duas populações com médias desconhecidas, digamos µ a e µ b e desvios

padrões conhecidos, σ a e σ b , o teste para verificar a hipótese que as médias sejam iguais
é o seguinte:
Ho : µ1 = µ 2
H1 : µ1 ≠ µ 2
X1 − X 2
Z teste =
σ 12 σ 22
+
n1 n2
E rejeita-se H 0 se |Z teste | > Z α /2
σ x desconhecido
Similarmente, quando , σ a e σ b , não são conhecidos, o teste para verificar a hipótese que
as médias sejam iguais é:
X1 − X 2
t teste =
S 2x1 S 2x 2
+
n1 n2
E rejeita-se H 0 se |t teste | > t α /2, n1+n2-2
12.3 Teste para proporções

Este tipo de teste é apropriado quando os dados sob análise consistem de contagem ou
freqüências de itens em duas ou mais classes. A finalidade de tal teste é avaliar
afirmações sobre a proporção (ou percentagem) de uma população. O teste se baseia na
premissa de que uma proporção amostral será igual à verdadeira proporção populacional,
a menos da variabilidade amostral. O teste foca na diferença entre o número esperado de
ocorrências (supondo-se verdadeira uma afirmação) e o número efetivamente observado.
A diferença é então comparada com a variabilidade prescrita por uma distribuição amostral
baseada na hipótese de que H 0 é realmente verdadeira.

Quando a finalidade da amostragem é julgar a validade de uma alegação acerca de uma
proporção populacional, é apropriado o teste para proporções.Onde:
H0: p = p0
H1: p ≠p0
O valor da estatística de teste é dado por

x −p
z teste = n 0
p0 (1 − p0 ) / n
e deve ser comparada com o valor crítico de Z (retirado de uma tabela da distribuição
normal)
Exemplo:
Um fabricante afirma que uma remessa de pregos contém menos de 1% de defeituosos.
Uma amostra aleatória de 200 pregos acusa 4 defeituosos. Teste a afirmação ao nível
0,01.
H 0 : p = 1%
H 1 : p > 1% pois desejamos evitar a aceitação de uma remessa com mais de
1% de defeituosos, mas nada há contra aceitar o fato da remessa apresentar
qualidade superior à acordada.
x −p 4 − 0,01
z teste = n 0
= z teste = 200 = 1,42
p0 (1 − p0 ) / n 0,01(1 − 0,01) / 200
Na tabela da distribuição normal, z 0,01 =2,33

Aceita-se H 0 , e pode-se dizer que a quantidade de pregos defeituosos é 1% ou
menos, ao nível de significância 0,01.
12.4 Teste do qui-quadrado (k amostras para proporções)

A finalidade de um teste de k amostras é avaliar se as proporções de k amostras
independentes provenham de populações que contenham a mesma proporção de
determinado item. Conseqüentemente, tem-se:
H 0 : As proporções populacionais são todas iguais
H 1 : As proporções populacionais não são iguais
Ou seja, estamos testando se as duas variáveis são ou não associadas, por exemplo, se
queremos testar se a proporção de mulheres e de homens que trabalham no horário

noturno em uma fábrica são iguais, automaticamente estaremos testando se sexo e turno
de trabalho são variáveis associadas.
Este teste baseia-se na distribuição qui-quadrado, onde o valor calculado deve ser
comparado com o valor tabelado. A decisão de aceitar ou rejeitar H 0 dependerá da
comparação deste valor com o valor tabelado da distribuição qui-quadrado.
Por exemplo, tem-se a distribuição de peças produzidas por turno e se essas peças são
boas ou apresentam algum tipo de defeito. No turno da manhã foram produzidas 967
peças, onde 183 apresentaram algum tipo de defeito.
Turno de produção
Total
Manhã Tarde Noite
Peças com algum defeito 183 30 11 224

Peças boas 784 264 308 1356
Total 967 294 319 1580
O teste baseia-se na pressuposição que, se as duas variáveis fossem independentes, então

o valor esperado de cada célula poderia ser encontrado fazendo-se:
(total _ linha) x (total _ coluna)

Frequência _ Esperada =
total _ geral
Neste caso, a tabela com as freqüências esperadas seria:
Tabela de freqüências esperadas
Turno de produção
Total
Manhã Tarde Noite
Peças com algum defeito 137,1 41,7 45,2 224

Peças boas 829,9 252,3 273,8 1356
Total 967 294 319 1580
224 x 967
Freq _ esperada = = 137,1
1580

O teste de independência qui-quadrado é obtido utilizando-se a estatística
(O − E) 2
χ2 = ∑ E
Se o valor obtido for maior que o valor crítico obtido na tabela χ 2 então diz-se que as
variáveis NÃO são independentes. Se o valor encontrado for menor, então diz-se que as
variáveis são independentes.
O valor dos GRAUS DE LIBERDADE é obtido através do cálculo:
graus de liberdade = (colunas-1)(linhas-1)
No exemplo apresentado:
2 (183 − 137,1) 2 (30 − 41,7) 2 (308 − 273,8) 2

χ = + + ... + = 51,88
137,1 41,7 273,8
e o valor crítico encontrado na tabela para (2-1)x(3-1)=2 graus de liberdade e nível de
significância 0,05 é 5,991.
Tem-se valor calculado > valor tabelado então diz-se que as variáveis NÃO são
independentes. OU SEJA, a proporção de peças boas produzidas depende do turno de
trabalho. A proporção de peças boas no turno da manhã é 81%, na tarde 90% e na noite
97%.
Exercícios:
1. Um fornecedor apresenta uma caixa, e afirma que o peso médio desta caixa é de
368 gramas. De experiências anteriores sabe-se que o desvio padrão da população
vale 15 g e que os valores se comportam segundo a distribuição Normal. Para
verificar se a afirmação é verdadeira, verifica-se uma amostra de 25 caixas, pesa-se
e calcula-se o peso médio da amostra, achando 372,5 g. Qual a conclusão a
respeito da afirmação do fornecedor, ao nível de significância 0,01?
2. Uma agência de empregos alega que os candidatos à diretoria por ela colocados
nos últimos seis meses têm salários de R$ 9000, em média. Uma agência
governamental extraiu uma amostra aleatória daquele grupo, encontrando salários
médios de R$ 8000, com desvio padrão de R$ 1000, com base em 50 empregados.
Teste a afirmação da agência, contra a alternativa, de que o salário médio é
inferior a R$ 9000, ao nível de significância 0,05.

3. O gerente de marketing de uma fábrica de automóveis está interessado em
determinar a proporção de novos proprietários de carros compactos que teriam
adquirido um air-bag inflável para o lado do passageiro se o mesmo estivesse
disponível a um custo adicional de $ 300,00. Por informações anteriores, o gerente
acredita que a proporção é 30%. Suponha que é feito um levantamento com 200
novos proprietários de carros compactos e 79 indiquem que teriam comprado os
air-bags infláveis. No nível de significância de 0,05, há evidencias de que a
proporção da população é diferente de 0,3?
4. Suponha que o diretor de produção de uma fábrica de tecidos precise determinar se

uma nova máquina está produzindo um tipo de tecido de acordo com as
especificações do fabricante. As especificações indicam que o tecido devia ter uma
resistência de rompimento superior a 70 libras (1 libra = 433,59 gramas) e um
desvio padrão de 3,5 libras. Uma amostra de 36 peças revela uma média aritmética
da amostra igual a 69,7 libras. Há evidências de que a máquina não está atendendo
às especificações, em termos da média da resistência de rompimento? (utilize um
nível de significância de 0,05)
5. Uma rede de postos de gasolina afirma que, em seus estabelecimentos não se

vende gasolina adulterada. Sabe-se que, de acordo com os padrões de qualidade, a
gasolina não pode conter mais de 240 ml de álcool por litro. O órgão de fiscalização
colheu 25 medições do produto nos postos dessa rede, obtendo a partir delas uma
média de 240,75 ml de álcool/litro. Admitindo-se que a quantidade de álcool
presente na gasolina tem uma distribuição normal com desvio-padrão de 2,5
ml/litro. Ao nível de significância 5%, pode-se afirmar que a gasolina é adulterada?

6. Um psicólogo de indústrias deseja estudar os efeitos da motivação nas vendas, em
determinada empresa. Foi selecionada uma amostra aleatória de 24 indivíduos, 12
de cada grupo. Os dados a seguir representam o volume de vendas (em milhares
de reais) alcançado durante o primeiro mês de emprego. Há evidências de que o
volume médio de vendas seja diferente entre os grupos? (utilize nível de
significância 0,05)
Por hora Comissão
256 207 224 285
212 219 261 225
239 228 254 237
216 225 228 232
222 241 273 277
236 230 234 245
7. No caso judicial EUA versus Cidade de Chicago, foram postas em dúvida as práticas
honestas de emprego. Um grupo minoritário (A) e um grupo majoritário (B) fizeram
o exame para capitão do corpo de bombeiros, com os seguintes resultados:
Aprovados Reprovados
Grupo A 10 14
Grupo B 417 145
Com os resultados acima, e com nível de significância de 5%, teste a afirmação de
que o sucesso no teste é independente do grupo.
8. Solicitou-se a quatro amostras de 30 funcionários de uma grande empresa que

opinassem sobre a nova direção da empresa. Ao nível de significância 0,01, o que
se pode concluir?
Estagiários Treinees Técnicos Gerentes
Aprovam 5 4 20 27
Desaprovam 25 26 10 3

9. Um estudo de usuários e não usuários do cinto de segurança resultou nos dados
amostrais aleatórios resumidos na tabela a seguir. Teste a afirmação de que a
quantidade de fumo é independente do uso do cinto de segurança. Uma teoria
plausível é que as pessoas que fumam mais estão menos preocupadas com a sua
saúde e segurança, sendo assim, menos propensas a usar cintos. Com nível de
significância 0,01, os dados amostrais apóiam esta teoria?
Número de cigarros fumados por dia
0 1-14 15-34 35 ou +
Usam cinto de segurança 175 20 42 6
Não usam cinto de segurança 149 17 41 9
10. A tabela abaixo apresenta dados relativos ao time vencedor em diferentes esportes.
Com o nível de 0,05 de significância, teste a afirmação de que as vitórias
casa/visitante são independentes do esporte.
Basquete Beisebol Hockey Futebol
O time da casa ganha 127 53 50 57
O time visitante ganha 71 47 43 42

13 Anális e de vari ância (ANOVA - Analys is of Var ianc e)
Há situações onde se deseja comparar várias médias, cada uma oriunda de um grupo
diferente. Esses grupos, também chamados tratamentos, poderiam ser 5 máquinas de
corte, ou 4 pressões de operação, ou 4 layouts , 5 planos econômicos do governo, taxas
de câmbio em 3 diferentes países, resultados da implantação de um novo sistema em duas
filiais, etc.
Exemplo:
Para verificar se existe diferença significativa entre os salários médios dos economistas da
Região Sul, o sindicato da classe resolveu analisar os dados de algumas amostras. Assim
foram selecionados aleatoriamente 5 economistas de cada estado.
Econ.1 Econ.2 Econ.3 Econ.4 Econ.5
Rio Grande do Sul 370 420 280 340 410

Santa Catarina 280 350 430 290 405
Paraná 325 400 295 350 380
Exemplo:
Uma classe com 24 crianças foi dividida em três grupos. Cada grupo de crianças aprendeu
a ler de acordo com um método (três métodos diferentes). Após 3 meses as crianças
foram testadas, utilizando uma escala de 1 a 10. Os resultados foram
Método A 5 0 3 5 4 5 8 2
Método B 4 5 4 7 5 10 3 10
Método C 3 5 0 3 3 9 4 9

Nesses casos, os dados foram tabelados conforme aparecem a seguir:
Tratamento Observações
1 Y11 , Y12 ... Y1n1
2 Y21 , Y22 ... Y2n2
: :
: :
: :
k Yk1 , Yk2 ... Yknk
Os resultados poderiam ser representados por um modelo aditivo:
Yij = µ + τi + εij ; i = 1,....., k

j = 1, ..., ni
Onde Y ij é a observação j medida no tratamento i;
µ é a média geral de todas as observações;

τi é o efeito do tratamento i;
ε ij é o erro aleatório. (OBS: Para fins de testes de hipótese, supomos que o
erro aleatório ε ij segue um modelo normal com média 0 e variância σ 2
aproximadamente igual para todos os tratamentos)
Nosso objetivo será testar a hipótese referente ao efeito dos tratamentos e estimar esses
efeitos, ou seja, verificar se existe diferença significativa entre os resultados apresentados
por cada grupo.
Existem dois tipos de problemas a serem abordados:

Modelo a níveis fixos: quando o efeito de cada tratamento é fixo, como no caso em que
os tratamentos são 4 pressões de operações, ou 4 layouts fixados pelo engenheiro;
Modelo a níveis aleatórios: quando o efeito de cada tratamento é aleatório, como no
caso em que os tratamentos são k lotes de produção, ou k operadores escolhidos
aleatoriamente.

No modelo a níveis fixos, os efeitos dos tratamentos são definidos como desvios da média
geral, tais que:
H 0 : µ1 = µ 2 = ..... = µ k
H 1 : µi ≠ µ j para alguns i, j
Na H o (hipótese nula) supõe-se que todas as médias sejam iguais, ou seja, os

economistas têm o mesmo salário nos três estados (e as diferenças entre os seus salários
são devidas ao acaso) ou os três métodos de ensino são equivalentes.
A H 1 (hipótese alternativa) indica que pelo menos uma das médias difere, ou seja,
existem pelo menos dois estados com salários diferentes entre si ou pelo menos dois
métodos de ensino diferem.
O procedimento utilizado para comparar simultaneamente todos os grupos é chamado de

Análise de Variância, que será visto a seguir.
A análise de variância é uma técnica que pode ser

usada para determinar se as médias de duas ou mais
populações são iguais. O teste se baseia numa
amostra extraída de cada população.
A Análise de Variância é uma técnica para investigar quanto de variabilidade em um

conjunto de observações (dados) pode ser descrito por diferentes causas.
Os cálculos associados à Análise de Variância são apresentados em uma tabela, chamada

de Tabela de Análise de Variância ou Tabela ANOVA
Fonte de variação SQ GDL MQ Teste F
Entre grupos SQG k-1 MQG MQG/MQR

Dentro de grupos SQR N-k MQR
Total SQT N-1
onde k é o número de níveis do fator.

N é a quantidade total de observações

A Análise de Variância se baseia na decomposição da variabilidade total. Mais
especificamente, os desvios das observações individuais em relação à média global podem
ser escritos como:
(Yij − Y.. ) = (Y i. ) (
− Y.. + Yij − Y i . ) (1)
onde:
(Y i. − Y .. ) é o desvio da média do tratamento i em relação à média global;
(Yij − Y i. )
é o desvio da observação individual em relação à média do tratamento
correspondente;
Elevando ao quadrado ambos os termos da equação (1) e efetuando o somatório, resulta:

2 2 2
∑ (Yij − Y .. ) = ∑ ni (Y i. − Y.. ) + ∑ (Yij − Yi. )
i, j i ij
(2)
Na equação (2), identificamos as seguintes somas quadradas:
SQT = SQG + SQR
onde:
SQT é a soma dos quadrados totais, decomposta em:
SQG soma dos quadrados dos grupos (tratamentos), associada exclusivamente a um
efeito dos grupos;
SQR soma dos quadrados dos resíduos, devida exclusivamente ao erro aleatório, medida
dentro dos grupos.
As divisões das somas de quadrados (SQ) pelos graus de liberdade fornecem as médias
quadradas (MQ), que são as estimativas de variabilidade de cada parcela.
Os graus de liberdade são obtidos através do número de níveis do fator e da quantidade

de repetições para cada nível, ou seja, se o fator tem 5 níveis, terá 4 graus de liberdade
(k-1). Os graus de liberdade totais são obtidos através do total de observações menos 1
(N-1) e os graus de liberdade dentro dos grupos será a diferença entre eles (N-1)-(k-1) =
(N-k).
Para testar a hipótese referente ao efeito dos grupos, usamos a distribuição F :
MQG
F=
MQR

O valor resultante do teste F deve ser comparado com uma tabela de valores F, que indica
o valor máximo da estatística no caso de H o ser verdadeira, a um determinado nível de
confiança.
Como o valor tabelado de F é contínuo e depende da combinação dos graus de liberdade
do numerador e do denominador, é usual apresentar seus valores apenas para os níveis de
confiança 0,05 e 0,01. Os graus de liberdade para a determinação do valor F são os
mesmos apresentados na tabela da ANOVA.
Os valores constantes na tabela F são valores críticos: apresentam a linha divisória entre a
variação aleatória e a não aleatória. Ao fazer a análise de variância, utilizam-se as duas
estimativas amostrais da variância para calcular uma razão F. Compara-se então o número
resultante com o número tabelado. Se o valor calculado é maior que o valor tabelado,
rejeita-se a hipótese nula. Se o valor calculado é menor que o valor tabelado, a hipótese
nula não pode ser rejeitada.
Distribuição F
Concluir pelo Concluir pelo

acaso não-acaso
Aceitar Ho Rejeitar Ho
Nível de significância = área da cauda
Valor tabelado
13.1 Formulário para solução

Para o cálculo das Somas Quadradas é recomendado o uso do seguinte formulário:
TC = ( T .. )2 N
SQT = ∑ ( Yij2 ) − TC
SQG = ∑ ( Ti 2. ni ) − TC
SQR = ∑ ( Yij2 ) − ∑ ( Ti .2 ni ) = SQT − SQG
onde
TC é o termo de correção
T.. é a soma de todas as observações
Ti. é a soma das observações no grupo i

Resolvendo o exemplo dos métodos de ensino através deste formulário obtém-se:
Método A 5 0 3 5 4 5 8 2
Método B 4 5 4 7 5 10 3 10
Método C 3 5 0 3 3 9 4 9
k = 3 (três níveis do fator, método A, B e C)

N = 24 (oito alunos por método)
T.. = 5 + 0 + 3 + ... + 4 + 9 = 116 (somar todas as observações)
T A. = 5 + 0 + 3 + 5 + 4 + 5 + 8 + 2 = 32 (somar as observações do método A)
T B. = 48 (somar as observações do método B)
T C. = 36 (somar as observações do método C)
TC = 116 2 / 24 = 560,67
SQT = (5 2 + 0 2 + 3 2 + ... + 4 2 + 9 2 ) – 560,67 = 738 – 560,67 = 177,33
 322 482 362 
SQG =  + +  − 560,67 = 578,00 - 560,67 = 17,33
 8 8 8 
SQR = SQT – SQG = 177,33 – 17,33 = 160,00
Então a tabela da ANOVA ficaria:
Entre grupos 17,33 2 8,67 1,14

Dentro de grupos 160,00 21 7,62
Total 177,33 23
O valor de F tabelado com 2 e 21 graus de liberdade no numerador e denominador,

respectivamente, e nível de significância de 0,05 é F 0,05 ≈ 3,49. Como F calculado < F
tabelado, concluímos que não há evidências de que os métodos de ensino alterem a
aprendizagem das crianças, ou seja, os métodos de ensino devem ser equivalentes.

Utilizando o Excel
Clique em Ferramentas e depois em Análise de Dados. (OBS: Se no seu
computador não aparecer Análise de Dados é porque este suplemento não está
ativado. Vá em Ferramentas, depois Suplementos. Disponibilize Análise de
Dados e Análise de Dados VBA.)
Selecione ANOVA – Fator único.

Preencha com as informações que forem necessárias.
13.2 Exemplo de solução no Excel

Método A 5 0 3 5 4 5 8 2
Método B 4 5 4 7 5 10 3 10
Método C 3 5 0 3 3 9 4 9
Os dados devem agrupados em linhas ou colunas.
ou
No menu Ferramentas e Análise de Dados, após selecionar ANOVA fator único.

Na janela da ANOVA informar as questões que forem solicitadas.
Os resultados estarão localizados na planilha chamada resultados.
Anova: fator único

RESUMO
Grupo Contagem Soma Média Variância
Método A 8 32 4,0 5,714
Método B 8 48 6,0 7,429
Método C 8 36 4,5 9,714
Tabelado
Calculado
ANOVA
Fonte da variação SQ gl MQ F valor-P F crítico
Entre grupos 17,33 2 8,67 1,14 0,340 3,47
Dentro dos grupos 160,00 21 7,62
Total 177,33 23

Exercícios:
1. Suponha que o valor crítico de F na análise de variância seja 1,99 ao nível de 0,05.
Com base na figura: a) Como você interpretaria uma estatística de teste maior que
1,99? b) Como você interpretaria uma estatística de teste menor que 1,99?
Distribuição F
0,05
0
1,99
2. Duas turmas de pilotos de corrida de automóveis estão sendo treinadas para uma
grande corrida no domingo. Cada turma faz cinco provas de troca dos quatro pneus
num carro. As turmas são equivalentes ou uma delas é superior, ao nível de
significância 0,05? Complete a tabela da ANOVA e conclua a respeito.
Entre grupos
Dentro de grupos 0,12
Total 0,22
3. Realiza-se um experimento para determinar-se as produções de cinco variedades de

trigo: A, B, C, D e E. São atribuídos quatro lotes de terra para cada variedade e as
produções, em toneladas, estão apresentadas na tabela. Supondo-se que os lotes
possuem fertilidades semelhantes e que as variedades são atribuídas aos lotes
aleatoriamente, determinar se existe diferença entre as produções ao nível de
significância 0,01.
A 20 12 15 19
B 17 14 12 15
C 23 16 18 14
D 15 17 20 12
E 21 14 17 18

4. Uma empresa deseja testar quatro tipos diferentes de pneus: K, L, M e N. Suas
durações, determinadas pelas bandas de rodagem, estão na tabela (em milhares de
quilômetros), onde cada tipo foi testado, aleatoriamente, em seis automóveis
semelhantes. Determinar de existe diferença significante entre os pneus ao nível de
K 33 38 36 40 31 35
L 32 40 42 38 30 34
M 31 31 37 35 33 30
N 29 34 32 30 33 31
5. Um professor deseja testar três métodos diferentes de ensino I, II e III. Para isso são
escolhidos aleatoriamente três grupos de cinco estudantes, e cada grupo é instruído
por um método diferente. É dada a mesma prova a todos os estudantes e os graus
obtidos constam na tabela. Determinar se existe diferença entre os métodos de ensino
ao nível de significância 0,01.
I 75 62 71 58 73
II 81 85 68 92 90
III 73 79 60 75 81
6. A tabela apresenta os dados sobre a ferrugem acumulada sobre o ferro, que foi tratado
quimicamente com os produtos A, B ou C. Determinar se existe diferença significativa
nos tratamentos ao nível de 0,05.
A 3 5 4 4
B 4 2 3 3
C 6 4 5 5
7. Um experimento mede os quocientes de inteligência (QI) de estudantes do sexo

masculino de estaturas alta, média e baixa, cujos resultados aparecem na tabela.
Determinar se existe qualquer diferença nas contagens do QI em relação às diferentes
alturas ao nível de significância de 0,01.
Alta 110 105 118 90

Média 95 103 119 104
Baixa 108 112 104 93

8. A fim de produzir um tipo superior de ração para galinhas, adicionou-se à ração
tradicional quatro quantidades diferentes de um mesmo produto químico. Cada
quantidade de ração é dada a 8 pintos e o peso das aves após 3 meses é anotado.
Concluir se houve diferença entre as quantidades do produto químico ao nível de
20 mg 46 46 46 45 45 45 46 46
30 mg 48 48 47 47 47 47 47 48
40 mg 49 49 50 50 49 50 50 49
50 mg 52 53 52 52 52 52 53 53
9. Uma empresa deseja estudar três tipos de enxerto para ver se todos apresentam o
mesmo crescimento anual. O que se pode concluir a respeito? (use nível de
significância 0,05)
Enxerto 1 Enxerto 2 Enxerto 3

14,4 10,8 11,1
14,8 12,2 9,5
12,7 11,2 10,8
12,2 12,8 12,7
10,9 13,0 10,9
10. Os dados abaixo dão a vida observada dos pneus de quatro caminhões distribuidores
de sorvete, conforme a posição. Supondo comparáveis os caminhões e os motoristas,
poderemos afirmar que a duração média é independente da posição do pneu no
veículo? (use nível de significância 0,01). Disponha os cálculos numa tabela ANOVA.
Qual a importância da comparabilidade dos motoristas e veículos?
Dianteiro direito 17 19 20 24
Dianteiro esquerdo 25 27 18 22
Traseiro direito 22 21 19 26
Traseiro esquerdo 26 24 30 28

14 Regressão e co rrelação
A análise de regressão e de correlação compreende a análise de dados amostrais para

saber se e como duas ou mais variáveis estão relacionadas uma com a outra em uma
população.
A análise de correlação fornece o número A análise de regressão apresenta como

(coeficiente) que resume o grau de resultado uma equação matemática que
relacionamento entre duas variáveis. descreve um determinado relacionamento.
Os valores para a análise de regressão e correlação provêm de observações e, para um

problema com duas variáveis, cada observação dá origem a dois valores, uma para cada
variável. Uma das variáveis será a dependente e a outra independente.
Exemplos:
Notas 2 o Notas
Família Renda Gastos Peso Altura Aluno
grau faculdade
1 R$ 1550 R$ 1350 56 179 A 80 85
2 R$ 2000 R$ 1970 67 176 B 75 70
3 R$ 1000 R$ 550 89 180 C 95 95
... 58 170 D 60 65
n R$ 770 R$ 690 45 130 E 70 80
Uma maneira de apresentar os resultados é através do diagrama de dispersão.
Relação linear Relação linear X e y positivamente X e y negativamente X e y não

positiva perfeita negativa perfeita correlacionados correlacionados correlacionados

Regressão
14.1 Aplicações da regressão

1. Estimar valores de uma variável com base em valores conhecidos de outra variável.
(Situações em que as duas variáveis medem aproximadamente a mesma situação, mas
uma delas é relativamente dispendiosa ou difícil de lidar, enquanto a outra não.)
2. Explicar valores de uma variável em termos da outra, isto é, pode-se suspeitar de
uma relação de causa e efeito.
3. Predizer valores de uma variável.
OBS: A análise da regressão apenas indica qual relacionamento matemático pode existir, se
existir algum. Ou seja, nem a regressão, nem a correlação podem mostrar que uma variável
tenda a causar certos valores de outra variável, não garantido que exista relação de causa e
efeito.
“... a correlação entre beber um copo de vinho por dia e a menor chance de infarto do
miocárdio é um bom exemplo. Estudos recentes mostram que ela não se deve ao vinho e
ao álcool, mas sim ao betacaroteno, corante contido na uva. Para infelicidade de
muitos, tomar suco de uva dá o mesmo resultado que beber vinho tinto.” Jornal do
Brasil, 08/01/1999
14.2 Classificação das regressões

Quanto ao número de variáveis: Simples (uma variável independente explica bem o
fenômeno) ou Múltipla (mais de uma variável independente são necessárias para explicar
bem o fenômeno)
Quanto à qualidade da relação: Linear (os fenômenos podem ser bem explicados por
equações de primeiro grau) ou Não lineares (os fenômenos não podem ser bem explicados
por equações de primeiro grau, exigindo funções de ordem superior).
14.3 Modelo linear
14.3.1 A equação da linha reta
Forma da equação linear: ŷ = a + bx

Duas características importantes são:
• A ordenada da reta (valor de em y) determinado ponto (quando x=0) a
• A inclinação da reta (coeficiente angular) b
O método mais usado para ajustar uma linha reta a um conjunto de pontos é conhecido
como método dos mínimos quadrados .

n( ∑ xy ) − ( ∑ x )( ∑ y ) ∑ y − b∑ x
b= a=
n( ∑ x 2 ) − ( ∑ x ) 2 n
14.3.2 Erro padrão da estimativa linear
Uma vez que as estimativas a e b são funções de variáveis aleatórias (x e y são variáveis
aleatórias) é necessário verificar a precisão das estimativas, conhecendo o erro padrão das
estimativas.
SE =
∑y 2
− ( a ∑ y + b∑ xy )
n−2
14.3.3 Intervalo de confiança para a estimativa
Para criar intervalos de confiança com base nos estimadores utiliza-se a equação:
yint ervalo = ŷ ± t S E
Onde: ŷ é obtido da equação.

t é o valor da distribuição t de Student para n-2 graus de liberdade e nível de
confiança determinado (tabelado)
e S E é o erro padrão da estimativa
Exemplo:
Seja y o consumo pessoal médio e x o PIB do Brasil em anos consecutivos. Encontre o
Intervalo de confiança 90% para a estimativa quando o PIB for 10,0.
x y x2 xy
7,0 10,1 49,00 70,70
7,3 10,6 53,29 77,38
7,8 11,3 60,84 88,14
8,6 12,4 73,96 106,64
8,1 11,9 65,61 96,39
8,3 11,9 68,89 98,77
8,2 11,5 67,24 94,30
8,6 12,1 73,96 104,06
9,0 13,1 81,00 117,90
9,6 14,1 92,16 135,36
9,1 14,6 82,81 132,86
Σx = 91,6 Σy = 133,6 Σ x 2 = 768,76 Σ xy = 1122,50

É ideal que sempre se inicie o estudo de regressão com o gráfico de dispersão dos valores.
Consumo pessoal em função do PIB
Consum o pessoal
14,0
12,0
10,0
8,0
6,5 7,5 8,5 9,5 10,5
PIB
E o cálculo de a e b fica:
b= 11 (1122,5) - (91,6) (133,6)
= 1,668 133,6 - (1,668) 91,6
11 (768,76) - (91,6)2 e a= = −1,744
11
ŷ = −1,744 + 1,668 x , ou Consumo = −1,744 + 1,668 PIB ou seja, para cada unidade
acrescida do PIB, o consumo pessoal aumentará 1,668 unidades.
E o intervalo de confiança para y quando x=10 será:
1641,28 − (( −1,744 )( 133 ,6 ) + 1,668( 1122 ,50 ))

SE = = 0 ,4653
11 − 2
Valor de t tabelado
ŷ = −1,744 + 1,668( 10 ) = 14 ,936

yint ervalo = 14,936 ± 1,833 (0,4653)
yint ervalo = 14,936 ± 0,853
Ou seja, quando o PIB estiver em 10,0 o Consumo Pessoal poderá variar na faixa entre
14,083 e 15,789, com 90% de confiança.

Correlação
14.4 Objetivo da correlação

O objetivo da correlação é determinar a força do relacionamento entre duas observações
emparelhadas, porque indica até que ponto os valores de uma variável estão relacionados
com os valores da outra variável.
O resultado da análise de correlação é chamado de coeficiente de correlação – um valor
que quantifica o grau de correlação.
O método mais comum de análise de correlação envolve observações em valores
numéricos. Neste caso utiliza-se o coeficiente r de Pearson.
14.5 O coeficiente r de Pearson (correlação)

O coeficiente r de Pearson mede o grau de associação linear em duas variáveis. Ele
possui duas propriedades importantes:
• Seu sinal. Positivo indica correlação linear positiva, ou seja, à medida que uma variável
cresce, a outra cresce também. Sinal negativo indica correlação linear negativa, ou
seja, à medida que uma variável cresce, a outra decresce.
• Sua grandeza indica quão próximos da reta estão os pontos individuais caso fosse
ajustada uma reta de regressão. O valor do coeficiente pode variar de –1 a 1.
-1 0 1
Correlação Inexistência Correlação
negativa de positiva
forte correlação forte
O cálculo do valor do coeficiente r de Pearson pode ser obtido através da equação:
∑ xy − ∑ n ∑
( x )( y )
r=
∑ x − ∑  ∑ y − ∑
 ( x )  2
( y) 2

2 2 
 n  n 
  
14.6 Coeficiente de determinação

O coeficiente de determinação ou de explicação (r 2 ) indica quantos por cento a variação
explicada pela regressão representa da variação total.
r 2 = r.r e 0 ≤ r2 ≤ 1

Exemplo:
Prosseguindo o exemplo anterior, sendo y o consumo pessoal médio e x o PIB do Brasil em
anos consecutivos.
x y x2 y2 xy
7,0 10,1 49,00 102,01 70,70
7,3 10,6 53,29 112,36 77,38
7,8 11,3 60,84 127,69 88,14
8,6 12,4 73,96 153,76 106,64
8,1 11,9 65,61 141,61 96,39
8,3 11,9 68,89 141,61 98,77
8,2 11,5 67,24 132,25 94,30
8,6 12,1 73,96 146,41 104,06
9,0 13,1 81,00 171,61 117,90
9,6 14,1 92,16 198,81 135,36
9,1 14,6 82,81 213,16 132,86
Σx = 91,6 Σy = 133,6 Σ x 2 = 768,76 Σ y 2 = 1641,28 Σ xy = 1122,50
O cálculo do coeficiente de correlação é dado por:

( 91,6 )( 133,6 )
1122 ,5 −
r= 11 = 0,9446
 ( 91,6 ) 
2
( 133,6 ) 2 
768 ,76 −  1641,28 − 
 11  11 
Ou seja, existe uma correlação forte positiva entre os valores do PIB e do consumo
pessoal.
O valor do coeficiente de determinação é: r 2 = 0,9446 x 0,9446 = 0,8923, o que significa
que 89% da variação total é explicada por este modelo.
Utilizando o Excel
Maneira 1: A equação é da forma y = a + b x para os valores dos pares (x,y) e
os coeficientes da reta são calculados utilizando o método dos mínimos
quadrados.Após colocar os valores em duas colunas (valores de x e valores de
y) vá ao “Assistente de Função” e escolha as funções “INCLINAÇÃO” para
determinar o valor de b e “INTERCEPÇÃO” para calcular o valor de a. Os
passos seguintes devem ser feitos seguindo as indicações do programa. Para o
cálculo da correlação utiliza-se no “Assistente de Função” o CORREL. Em
Matriz1 devem ser colocadas as células referentes à variável x em Matriz2 as
células referentes à variável y.
Maneira 2: Selecionar “Ferramentas” e “Análise de dados” e então
“Regressão”. Informar o que for solicitado.

14.7 Exemplo de solução no Excel
A velocidade máxima de automóveis de fórmula 1 com motores de mesma potência é
função, entre outras variáveis, do peso do veículo, no intervalo entre 700 e 800 Kg. Assim,
verificou-se qual a velocidade máxima atingida em uma reta de 1.200 m. Os resultados
foram:
Peso(Kg) 750 755 777 782 793
Veloc.Máx.(Km/h) 380 354 348 330 320
a) Construa o gráfico dos dados

b) Qual a velocidade esperada para um veículo de 760 Kg?
GRÁFICO DOS DADOS (Diagrama de dispersão)
Relação entre velocidade e peso dos veículos de F1
390
y = -1,181x + 1257,173
370 2
Velocidade
R = 0,865
350
330
310
740 750 760 770 780 790 800
Peso
RESUMO DOS RESULTADOS
Estatística de regressão R
R múltiplo 0,930
R-Quadrado 0,865
Se
R-quadrado ajustado 0,820
Erro padrão 9,851
Observações 5

Se F de significação < 0,05, então o
modelo linear ajustado aos dados é
válido. Se F > 0,05 o modelo não se
ajusta adequadamente aos dados.
ANOVA (teste de significância para o modelo linear ajustado)
gl SQ MQ F F de significação
Regressão 1 1864,051 1864,051 19,207 0,022

Resíduo 3 291,149 97,050
Total 4 2155,200
Testes para a e b
Valores de a e b Se valor-P < 0,05, então a estimativa é
válida, caso contrário é significativamente
nula
Coefici- Erro 95% 95% Inferior Superior

Stat t valor-P
entes padrão inferiores superiores 95,0% 95,0%
Interseção 1257,173 207,862 6,048 0,009 595,662 1918,685 595,662 1918,685
Peso(Kg) -1,181 0,269 -4,383 0,022 -2,038 -0,323 -2,038 -0,323
A equação linear de relacionamento dos dados é Velocidade =1257,173 – 1,181 Peso

Então, a velocidade estimada para um veículo com 760 kg é Velocidade=1257,173–
1,181(760) = 359,61 km /hora

Exercícios
1. Determinar o coeficiente de correlação dos dados a seguir:
X 1 2 3 6 9
Y 4 7 7 9 15
Se os dados forem correlacionados, estimar a reta de regressão:
2. A tabela a seguir apresenta os valores dos investimentos administrados on-line a partir

de 1998. Verifique se existe correlação entre os anos (x) e os investimentos (y), caso
exista correlação, apresente o intervalo de confiança de 95% para o valor dos
investimentos no ano de 2002 e 2003.
Ano Investimento
1998 374
1999 555
2000 908
2001 1010
3. Os gráficos e a tabela indicam o número de anos de escolaridade das chefes de família

(x) e a participação feminina na renda familiar (y) em alguns anos
Número
Participação na renda
de anos de
(%)
estudo
1976 4,7 8,4
1990 5,7 16
1993 6,3 19
1996 6,6 21
a) Caso exista associação, quantos anos de estudo serão necessários para que a
participação da mulher na renda familiar chegue a 50% ?
b) E qual será a participação da mulher na renda familiar quando ela tiver 12 anos de
estudo?
c) Você poderia estimar o ano em que a mulher irá participar com 50% da renda?

4. Após uma regulagem eletrônica um veículo apresenta um rendimento ideal no que
tange o consumo de combustível. Contudo, com o passar do tempo esse rendimento
vai se degradando. Os dados a seguir representam o rendimento medido mês a mês
após a regulagem. Ajuste um modelo linear a estes dados. Calcule o coeficiente de
correlação. Interprete os resultados.
x: Meses após a regulagem 1 2 3 4 5 6

y: Rendimento 10,7 10,9 10,8 9,3 9,5 10,4
x: Meses após a regulagem 7 8 9 10 11 12

y: Rendimento 9,0 9,3 7,6 7,6 7,9 7,7
5. O gerente de uma indústria localizada em um país tropical suspeita que há uma

correlação entre a temperatura do dia e a produtividade. Dados coletados
aleatoriamente ao longo de um período de seis meses revelaram o seguinte.
Temperatura 21,2 20,3 22,7 22,0 22,3 23,5 24,8 24,2 25,5 25,2 25,5 25,8
Produtividade 142 148 131 132 145 138 144 136 141 124 133 128
Temperatura 27,5 26,3 28,2 28,6 29,0 29,7 30,7 30,3 30,2 31,4 32,5 32,7
Produtividade 132 137 124 117 122 131 124 111 119 129 123 116
Plote um gráfico de dispersão e visualize a natureza da correlação entre temperatura e

produtividade. Depois estime a equação da reta de regressão e calcule o valor do
coeficiente de correlação. Interprete os resultados.
Estime a produtividade quando a temperatura estiver em 35 graus. Construa um
Intervalo de Confiança de 90% para esta produtividade.
6. Suponha que os valores obtidos para o desempenho de alunos em uma determinada

disciplina e as rendas familiares sejam os que seguem.
Aluno X Y
(renda) (desempenho)
1 750 5
2 690 8
3 400 4
4 900 9
5 200 2
6 1000 10
7 300 3
8 600 6
9 1200 10
Os dados são correlacionados? Justifique sua resposta. Se forem, estime a reta de
regressão.

7. A revista Exame Melhores e Maiores apresentou as maiores empresas do comércio, por
vendas no ano anterior. Entre as que pertencem ao setor de comércio varejista estão
destacadas as 11 maiores. Através da análise da tabela e do gráfico, o que você pode
concluir?
Número de Vendas
Empresa
funcionários (Milhões US$)
Carrefour 37.004 4.582,4
Pão de Açúcar 39.642 3.976,4
Casas Bahia 11.508 1642,2
Sendas 16.990 1391,7
Ponto Frio 5.395 1223,6
Sonae 22.638 1083,9
Bompreço 13.225 1062,7
L. Americanas 12.485 900,6
McDonalds Não informou 726,7
AgipLiquigás 3.804 693,1
Pernambucanas 10.787 619,1
Fonte: Revista Exame
V e nd as no an o d e 1999 das 11 m aior e s e m pr e s as d o

Br as il do s e tor de co m é r cio var e jis ta
5.000
4.500
4.000
y = -42 ,4 62 + 0 ,10 15 x
3.500 R 2 = 0 ,80 1
M ilhõ e s US$
3.000
2.500
2.000
1.500
1.000
500
-
- 5.000 10.000 15.000 20.000 25.000 30.000 35.000 40.000
Núm e r o d e fu ncion ár ios
14.8 Outros modelos

Muitas vezes a forma funcional entre as variáveis x e y não é linear. Alguns modelos,
mesmo não sendo lineares, são facilmente linearizáveis. Este procedimento busca facilitar
o cálculo dos coeficientes da equação.
No entanto, o uso de softwares estatísticos, calculadoras e planilhas eletrônicas auxilia na
obtenção dos coeficientes.
O valor de r 2 serve como uma forma de comparação entre os modelos. O modelo que
apresentar maior valor de r 2 é o que apresenta melhor ajuste dos dados.
14.8.1 Função exponencial - y = ab x
a>0 0<b<1 a>0 b>1 a<0 0<b<1 a<0 b>1
Utilizando as propriedades dos logaritmos pode-se chegar a Y = A + Bx onde

Y = log y , A = log a e B = log b
Pelo método dos mínimos quadrados obtém-se A e B e depois convertem-se os valores
para a e b .
a = 10 A e b = 10 B
Exemplo
Uma empresa fabricante de brinquedos registrou suas vendas nos últimos 10 anos,
obtendo os valores apresentados a seguir.
Ano (x) Vendas (y) Vendas do brinquedo, por ano

1 450
10.000
2 500
8.000
3 600
Ve n d as
4 800 6.000
5 1.200 4.000
6 1.700 2.000
7 2.100 0
8 4.000
0 1 2 3 4 5 6 7 8 9 10 11
9 5.000 An o
10 7.000
O diagrama de dispersão dos dados indica que a relação não é linear.

Para ajustar uma função exponencial, inicia-se com o cálculo dos somatórios de Y, x, Y 2 ,
x 2 e xY, onde Y = ln (y)
x y Y=ln(y) x2 xY Y2
1 450 6,11 1 6,11 37,32
2 500 6,21 4 12,43 38,62
3 600 6,40 9 19,19 40,92
4 800 6,68 16 26,74 44,68
5 1.200 7,09 25 35,45 50,27
6 1.700 7,44 36 44,63 55,33
7 2.100 7,65 49 53,55 58,52
8 4.000 8,29 64 66,35 68,79
9 5.000 8,52 81 76,65 72,54
10 7.000 8,85 100 88,54 78,39
Total: 55 23.350 73,25 385,00 429,64 545,39
Então,
10( 429 ,64 ) − ( 55 )( 73 ,25 )
B= = 0,3245
10( 385 ) − ( 55 ) 2
73,25 − 0 ,325( 55 )
A= = 5 ,5399
10
b = exp( B ) = exp( 0 ,3245 ) = 1,3903 e a = exp( A ) = exp( 5 ,5399 ) = 254 ,42
Logo, a equação final será

Vendas =(254,42)(1,3903) ano
Observe como os valores estimados pela equação estão próximos dos valores reais,
observados na série de dados.
8.000
7.000
V endas
6.000
obs ervadas
5.000
4.000
V endas
3.000
estim adas pela
2.000
equaç ão
1.000
0
1 2 3 4 5 6 7 8 9 10

14.8.2 Função geométrica ou de potência - y = ax b
a>0 b ímpar a>0 b par a<0 b ímpar a<0 b par
Utilizando as propriedades dos logaritmos pode-se chegar a Y = A + bX onde

Y = log y , A = log a e X = log x
Pelo método dos mínimos quadrados obtém-se A e b e depois convertem-se os valores
para a .
a = 10 A
Exemplo
Os dados a seguir apresentam a produção de veículos automotivos (y) ao longo do tempo
(x). Para estes dados ajuste um modelo de potência
ano 59 60 61 62 63 64 65
produção 96,1 133,0 145,6 191,2 174,2 183,7 185,2
ano 66 67 68 69 70 71 72
produção 224,6 225,4 278,5 349,5 416,0 516,0 609,0
O diagrama de dispersão dos dados sugere que um modelo potencial é indicado.
P rodução automobilística anual

700,0
600,0
Milhares de unidade
500,0
400,0
300,0
200,0
100,0
0,0
55 60 65 70 75
An o

Cálculo dos parâmetros:
Ano Produção Y=ln(y) X=ln(x) Y2 X2 XY

59 96,1 4,565 4,078 20,843 16,626 18,616
60 133,0 4,890 4,094 23,916 16,764 20,023
61 145,6 4,981 4,111 24,809 16,899 20,476
62 191,2 5,253 4,127 27,597 17,033 21,681
63 174,2 5,160 4,143 26,628 17,166 21,379
64 183,7 5,213 4,159 27,179 17,296 21,682
65 185,2 5,221 4,174 27,263 17,426 21,796
66 224,6 5,414 4,190 29,315 17,553 22,684
67 225,4 5,418 4,205 29,353 17,679 22,781
68 278,5 5,629 4,220 31,690 17,804 23,753
69 349,5 5,857 4,234 34,299 17,928 24,797
70 416,0 6,031 4,248 36,369 18,050 25,621
71 516,0 6,246 4,263 39,014 18,170 26,625
72 609,0 6,412 4,277 41,111 18,290 27,421
Totais: 76,292 58,522 419,386 244,684 319,335
Assim,
14( 319 ,335 ) − ( 58 ,522 )( 76 ,292 )
b= = 7,970
14( 244 ,684 ) − ( 58 ,522 ) 2
76 ,292 − 7 ,970( 58 ,522 )
A= = −27 ,868
14
a = exp( A ) = exp( −27 ,868 ) = 7 ,889 E − 13
Y=A+bX Y=-27,868+7,970X onde Y e X são, respectivamente, ln(x) e ln(y)
7,970
Ou então, y=7,889E-13 x
Logo, a equação final será

7,970
Produção de automóveis = 7,889E-13 (ano)
O gráfico comparativo entre os valores observados para a produção e os estimados através

da curva Produção de automóveis = 7,889E-13 (ano) 7,970 é:

700,0
600,0
Produção real
500,0
Produção estimada
400,0
pela equação
300,0
200,0
100,0
0,0
59 60 61 62 63 64 65 66 67 68 69 70 71 72
Exercícios
1. Aos dados a seguir ajuste um modelo exponencial e um polinomial. Estime a
quantidade de vendas para o ano de 2003, supondo que o comportamento dos dados
seja mantido. DICA: utilize os números de 1 a 11 para os anos e calcule o valor de y quando x
for 14.
Ano 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
Vendas 15 16 17 18 25 28 32 42 55 76 93
2. Se você tivesse uma série de dados como expressa no diagrama de dispersão a seguir,
que modelo de regressão você utilizaria? O que você poderia dizer a respeito dos
valores dos parâmetros?
3. Uma companhia de energia elétrica estimou o consumo médio de energia das famílias
(kwh) de acordo com a renda (R$). Ajuste os seguintes modelos: y=ax b , y=ab x e
y=a+bx.
Renda 197 286 243 218 241 200 215 198 129 157 296 302
Consumo 1234 1432 1678 1300 1467 1245 1214 1200 770 890 2020 2100

15 Tabelas

Apostila PeE

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apostila PeE

Uploaded by

Copyright:

Available Formats

U NIVERSIDADE DE C AXIAS DO S UL

P ROFESSORA : C ÍNTIA P AESE G IACOMELLO

Prof. Cíntia Paese Giacomello 2

Prof. Cíntia Paese Giacomello 3

Em geral, é aceita a divisão da estatística em dois grandes grupos: estatística descritiva e

Prof. Cíntia Paese Giacomello 1

Parâmetro: medida numérica que descreve uma característica de uma população

Prof. Cíntia Paese Giacomello 2

Fonte: Triola, Mário. 1999, 11.

Amostragens não probabilísticas são utilizadas quando a população em estudo é muito

Prof. Cíntia Paese Giacomello 3

Apresente dois exemplos de dados discretos ou contínuos de sua empresa / pesquisa.

Prof. Cíntia Paese Giacomello 4

Séries temporais (ou históricas)

Prof. Cíntia Paese Giacomello 5

Prof. Cíntia Paese Giacomello 6

Gráficos de colunas empilhadas mostram o relacionamento de itens individuais com o todo

Vendas por produto

Gráficos de barras empilhadas mostram o

Prof. Cíntia Paese Giacomello 7

Para facilitar a visualização de fatias pequenas, você pode

Diagrama de Dispersão (Dispersão XY)

Prof. Cíntia Paese Giacomello 8

Prof. Cíntia Paese Giacomello 9

Nesse gráfico, a série de dados que

Prof. Cíntia Paese Giacomello 10

Cone, cilindro e pirâmide

Prof. Cíntia Paese Giacomello 11

A construção da distribuição de freqüência depende do tipo de dado com os quais se está

4.1 Construção de distribuição de freqüência para dados contínuos

1 – Número de classes 45 valores 45 =6,7 ≅ 7 classes

Prof. Cíntia Paese Giacomello 12

A freqüência absoluta (f i ) corresponde ao número de operadores

4.2 Gráficos das distribuições de freqüência

Análise dos tempos para fazer o setup da máquina

Uma alternativa ao histograma de freqüências é o polígono de freqüências, construído

Prof. Cíntia Paese Giacomello 13

2. Construa a distribuição de freqüência e o polígono de freqüências.

Prof. Cíntia Paese Giacomello 14

Consideremos os seguintes dados relativos ao número de acidentes diários em um grande

Note que os dados estão entre 0 e 9.

Prof. Cíntia Paese Giacomello 15

De modo geral prefere-se uma distribuição de freqüência sem perda de informação

Prof. Cíntia Paese Giacomello 16

Sem perda da informação

Com perda da informação

0-1 6 0,12 0,12

2-3 9 0,18 0,30

4-5 20 0,40 0,70

6-7 10 0,20 0,90

8-9 5 0,10 1,00

Prof. Cíntia Paese Giacomello 17

Os polígonos de freqüências acumuladas são também chamados de ogivas.

4.5 Distribuições de freqüência para dados nominais e por postos

Limão 600 0,375

Total 1600 1,000

Usa-se o gráfico de barras ou colunas para representar dados nominais.

Prof. Cíntia Paese Giacomello 18

Assimétrica à direita Simétrica Assimétrica à esquerda

Prof. Cíntia Paese Giacomello 19

5.1.1 Média aritmética

A média aritmética é o resultado da divisão da soma de todos os valores da amostra pela

Algumas propriedades da média

Prof. Cíntia Paese Giacomello 20