You are on page 1of 47

ENAP Escola Nacional de Administrao Pblica

Mdulo 4
Estatstica

Diretoria de Desenvolvimento Gerencial Programa Avaliao Socioeconmica de Projetos

Curso Conceitos Essenciais para Avaliao Socioeconmica de Projetos

Apostila

ENAP

Mdulo 4
Estatstica

Braslia - 2013
1

ENAP

Fundao Escola Nacional de Administrao Pblica Presidente Paulo Sergio de Carvalho Diretor de Desenvolvimento Gerencial Paulo Marques Diretora de Formao Profissional Maria Stela Reis Diretor de Comunicao e Pesquisa Pedro Luz Costa Cavalcante Diretora de Gesto Interna Ala Vanessa de Oliveira Canado Coordenadora-Geral de Educao a Distncia: Natlia Teles da Mota Editor: Pedro Luz Costa Cavalcante; Coordenador-Geral de Comunicao e Editorao: Luis Fernando de Lara Resende; Reviso: Renata Fernandes Mouro, Roberto Carlos R. Arajo e Simonne Maria de Amorim Fernandes; Capa: Ana Carla Gualberto Cardoso; Editorao eletrnica: Maria Marta da R. Vasconcelos.

Ficha catalogrfica: Equipe da Biblioteca Graciliano Ramos/ENAP P4361e PEREIRA, Alexandre da Costa Estatstica / Alexandre da Costa Pereira. _ Braslia: ENAP/DDG, 2013. 46 p. (Curso Conceitos Essenciais para Avaliao Socioeconmica de Projetos, mdulo 4) Curso Conceitos Essenciais para Avaliao Socioeconmica de Projetos 1. Estatstica. 2. Amostragem. I. Ttulo. CDU 519.2

ENAP, 2013
ENAP Escola Nacional de Administrao Pblica

Diretoria de Comunicao e Pesquisa SAIS rea 2-A 70610-900 Braslia, DF Telefone: (61) 2020 3096 Fax: (61) 2020 3178

Sumrio

ENAP

UNIDADE 1 ESTATSTICA DESCRITIVA .................................................................................... 5 1. Objetivos da unidade ........................................................................................ 5 1.1. Dados Estatsticos ........................................................................................... 5 1.2. Distribuio de Frequncias ........................................................................... 7 1.3. Medidas de Posio ........................................................................................ 17 1.4. Medidas de Disperso .................................................................................... 21 UNIDADE 2 PROBABILIDADES E TCNICAS DE AMOSTRAGEM ......................................................... 24 2. Objetivos da unidade ........................................................................................ 24 2.1. Introduo ao Estudo das Probabilidades ....................................................... 24 2.2. Conceitos Fundamentais: Experimentos, Espao Amostral e Eventos ............. 26 2.3. Probabilidade de Ocorrncia de um Evento .................................................... 28 2.4. Consideraes sobre Anlise de Risco na Avaliao de Projetos ..................... 33 2.5. Conceitos Fundamentais sobre Amostragem .................................................. 38 2.6. Dimensionamento de Amostras ..................................................................... 43 REFERNCIAS ................................................................................................................. 46

Curso Conceitos Essenciais para Avaliao Socioeconmica de Projetos

ENAP

UNIDADE 1 ESTATSTICA DESCRITIVA


1. Objetivos da Unidade
Esta unidade tem por objetivo fazer com que voc tenha condies de descrever e apresentar os resultados de um conjunto de observaes de forma clara, objetiva e passando o mximo de informaes possvel. Para tal objetivo, sero abordadas questes relacionadas a dados estatsticos, distribuies de frequncias, representaes grficas, medidas de posio e disperso. Aps concluir esta unidade, espera-se que voc seja capaz de:

reconhecer a importncia dos mtodos estatsticos para o estudo de variveis; compreender os conceitos fundamentais da estatstica descritiva; analisar distribuies de frequncias para dados estatsticos e suas formas de
representao;

distinguir e saber aplicar as diversas medidas de posio; calcular a mdia, mediana e moda para uma amostra; distinguir e saber aplicar as diversas medidas de disperso; calcular a varincia, o desvio-padro e coeficiente de variao para uma amostra.
1.1. Dados Estatsticos A Estatstica pode ser definida como sendo parte da matemtica aplicada que fornece mtodos para a coleta, organizao, descrio, anlise e interpretao de dados e para a utilizao dos mesmos na tomada de decises.

ENAP

A Estatstica, portanto, uma cincia que se dedica coleta, anlise e interpretao de dados, preocupando-se com os mtodos de coleta, organizao, sntese, apresentao e interpretao dos dados, assim como tirar concluses sobre as caractersticas das fontes de onde estes foram retirados, para melhor compreender as situaes analisadas. Como podemos apreciar no portal do Instituto Brasileiro de Geografia e Estatstica (IBGE) (http://www.ibge.gov.br/brasil_em_sintese/), so diversos os dados considerados como de interesse para utilizao nos processos de planejamento e gesto de projetos e polticas pblicas, apresentando-se de forma destacada no site os dados referentes s temticas relacionadas populao, educao, trabalho, habitao, agropecuria, indstria, comrcio, servios e contas nacionais, bem como as sries estatsticas disposio no site (http:// seriesestatisticas.ibge.gov.br/apresentacao.aspx). O banco de dados Sries Estatsticas & Sries Histricas, disposio no site citado supra, tem por objetivo disseminar, para um pblico diversificado (instituies governamentais, setor privado, rea acadmica, estudantes, ONGs), informaes provenientes de dados oficiais oriundos de pesquisas do IBGE, em sua maior parte, e de outras fontes governamentais. Ordenadas segundo um intervalo de tempo, essas informaes constituem sries estatsticas histricas, sendo, em muitos casos, sries longas (perodos superiores a 20 anos). Os temas contemplados pelas sries estatsticas e sries histricas renem um acervo de informaes sobre a realidade brasileira em suas dimenses social (educao, habitao, trabalho, sade, organizao familiar), demogrfica (caractersticas da populao, dinmica demogrfica e indicadores demogrficos) e econmica (sistema de contas nacionais; ndices de preos, de produo, de comrcio e agropecuria) que, sem excluir os dados de anos recentes, cobrem perodos to longos quanto possvel, importantes enquanto dados estatsticos de interesse em atividades de avaliao socioeconmica de projetos. Na Figura 1 apresentada abaixo, podemos ver um dos resultados dos levantamentos de sries de dados estatsticos relacionados com a demografia brasileira, referentes srie sobre a evoluo dos anos de escolaridade para a parcela da populao com idade superior a 10 anos.

Figura 1: Evoluo da escolaridade da parcela da populao brasileira com idade > 10 anos1.
Fonte: http://seriesestatisticas.ibge.gov.br/series.aspx?no=4&op=0&vcodigo=ECE370&t=media-anosestudo-pessoas-10-anos.
1

Outro exemplo interessante de fonte de dados para sries histricas consiste na compilao de dados realizada por rgos da administrao direta, como o caso do registro feito pelo Ministrio da Sade para o nmero de bitos e de internaes de vtimas de acidentes do trnsito, cujos dados mais recentes indicam 42,8 mil bitos em 2010 e 174 mil feridos internados em 2011. A Figura 2 mostra a evoluo do nmero de bitos de 2001 a 2010, com crescimento de 40% no perodo.

ENAP

Figura 2: Srie de dados de bitos em acidentes de trnsito no perodo 2001-20102.


Para que grficos como os apresentados nas Figuras 3 e 4 possam ser produzidos, faz-se necessrio um esforo importante, com mobilizao de recursos humanos, materiais e financeiros de monta, para a coleta, tratamento e anlise de dados, conforme metodologia adequada, com o estudo das distribuies de frequncias e representaes grficas, medidas de posio e disperso. Assim, tais grficos podem ser adequadamente utilizados para atender, por exemplo, s necessidades do Estado, na formulao de polticas pblicas, fornecendo dados estatsticos demogrficos e econmicos. Passaremos, ento, apresentao dos fundamentos da Estatstica Descritiva, essenciais para a compreenso do processo estatstico utilizado na anlise de dados e adequado tratamento dos mesmos. Como primeiro tpico a ser trabalhado, teremos o estudo das distribuies de frequncias para os dados analisados objetivando a adequada compreenso de determinada varivel, luz da Estatstica.

1.2. Distribuies de Frequncias


Para o estudo do tema relacionado distribuio de frequncias para uma determinada varivel objeto de estudo, sero apresentados os conceitos referentes forma de

2 Fonte: http://www.vias-seguras.com/layout/set/print/os_acidentes/estatisticas/estatisticas_nacionais> consulta em 11/04/2013.

ENAP

organizao dos dados, com a adequada determinao do nmero de classes, amplitude das mesmas, obteno de suas frequncias absoluta e relativa, bem como as formas de representao grfica e de anlise para as variveis de estudo. Tipos de variveis e a determinao do nmero de classes (K) importante que a distribuio conte com um nmero adequado de classes. Se o nmero de classes for excessivamente pequeno, acarretar perda de detalhe e pouca informao se poder extrair da tabela. Por outro lado, se for utilizado um nmero excessivo de classes, haver alguma classe com frequncia nula ou muito pequena, no atingindo o objetivo de classificao, que tornar o conjunto de dados supervisionveis. Qualquer conjunto de dados, tais como a precipitao pluviomtrica em um determinado ms, o PIB de Municpios em um Estado, a ocorrncia de acidentes em uma rodovia etc., contm informao sobre algum grupo de indivduos. As possveis diferenas entre indivduos determinam a variao que est sempre presente na anlise de dados. Uma caracterstica que pode assumir diferentes valores de indivduo para indivduo denominada varivel, pois de outra forma seria denominada constante. As variveis podem ser classificadas em qualitativas e quantitativas. As variveis qualitativas so divididas em nominais e ordinais, enquanto as quantitativas so divididas em discretas e contnuas. Portanto, ao conjunto de distintos valores numricos que adota um carter quantitativo denomina-se varivel estatstica, que pode apresentar-se conforme dois tipos:

Variveis qualitativas ou categricas: que no se podem medir numericamente (ex:


nacionalidade, sexo, escolaridade, etc.).

Variveis quantitativas: possuem valor numrico (ex: idade, preo de um produto,


renda, etc.). As variveis tambm podem se classificar em:

Variveis unidimensionais: somente transmitem informao sobre uma caracterstica


(ex.: idade de alunos de uma turma).

Variveis bidimensionais: guardam informao sobre duas caractersticas da populao


(ex.: idade e renda de trabalhadores de uma cidade).

Variveis pluridimensionais: detm informao sobre trs o mais caractersticas (ex.:


idade, altura e peso de alunos de uma turma). Por sua parte, as variveis quantitativas podem classificar-se em discretas e contnuas:

Discretas: s podem tomar valores inteiros (ex: 1, 2, 8, -4, etc.), como o caso do
nmero de espcies de orqudeas em um determinado bioma.

Continuas: Podem tomar qualquer valor real dentro de um intervalo. Por exemplo, a
velocidade de um veculo em uma rodovia, que pode ser 70,4 km/h, 94,57 km/h... Quando se estuda o comportamento de uma varivel, necessrio que se proceda distino dos seguintes conceitos:

Individuo: qualquer elemento que porte informao sobre o fenmeno que se estuda.
Assim, se estudamos a altura dos alunos em uma turma, cada aluno um indivduo; se o objeto de estudo o preo de uma habitao, cada unidade de habitao um indivduo.

ENAP

Populao: conjunto de todos os indivduos (pessoas, objetos, animais) que portem


informao sobre o fenmeno que se estuda. Por exemplo, se estudamos o preo de habitaes em uma cidade, a populao ser o total de habitaes em dita cidade.

Amostra: subconjunto selecionado de una populao. Por exemplo, no caso do estudo


do preo de habitaes em uma cidade, o normal ser no obter informaes sobre todas as moradias da cidade, pois seria um trabalho muito complexo, mas selecionar um subgrupo (amostra) que se entenda suficientemente representativo. Convm destacar que, quando coletamos dados para uma pesquisa, estas observaes so chamadas de dados brutos. Um exemplo de dados brutos corresponde precipitao pluviomtrica mensal, medida em mm, consistindo em dados obtidos conforme metodologia utilizada na hidrologia, na forma em que foram coletados em uma determinada estao climatolgica, sendo, por esse motivo, denominados de dados brutos3. Geralmente, esse tipo de dado no possui as informaes que so requeridas pelo observador para a utilizao direta em um projeto. Para que se tirem concluses que auxiliem na tomada de deciso relativa avaliao de um dado problema a ser enfrentado, faz-se necessria a adequada organizao dos dados, visando a potencializar a sua capacidade de fornecer informaes teis ao analista e minimizar o risco de erro. A simples organizao dos dados em um rol4 aumenta muito a capacidade de informao destes. Ser possibilitada a verificao da amplitude total 5 de variao para os dados observados. Tambm ser possvel, ento, a organizao de rol crescente dos dados, com a identificao dos dados mais frequentes na amostra. Para a organizao de um conjunto de dados, recomenda-se a elaborao de tabela de distribuio de frequncias, em que so apresentadas as frequncias de cada uma das classes6, contando-se o nmero de observaes contidas em cada uma delas, obtendo-se a frequncia de classe. Denomina-se distribuio de frequncias disposio tabular dos dados agrupados em classes, associados s suas frequncias correspondentes. Para o caso, por exemplo, da precipitao pluviomtrica mensal em uma determinada regio, poder-se-ia incluir em uma nica classe os meses em que a precipitao pluviomtrica, para um certo perodo, estivesse compreendida no intervalo de 100 e 200mm.

3 4 5

Dados na forma em que foram coletados, sem nenhum tratamento. a mais simples organizao numrica. a ordenao dos dados em ordem crescente ou decrescente.

Corresponde diferena entre o maior e o menor valor observado em um conjunto de dados. Notaremos por A. Intervalos nos quais os valores da varivel analisada so agrupados.

ENAP

Considerando os dados de chuva referentes ao registro de observaes em estao climatolgica tomados como exemplo, ser possvel identificar conceitos presentes em uma distribuio de frequncias. Para a elaborao da distribuio de frequncias, necessrio que, primeiramente, se determine o nmero de classes (k) em que os dados sero agrupados. Por questes de ordem prtica e esttica, sugere-se utilizar de 5 a 20 classes. E uma recomendao de ordem prtica que poder ser seguida a definio do nmero de classes (k) em funo do nmero de observaes (n), segundo a expresso k = n. Quadro 1: Precipitao pluviomtrica mdia mensal para um perodo de 4 anos

Para n = 48 observaes, teremos, ento, o nmero de classes definido por k = 48 = 6,9, o que implicaria na definio de 7 classes.

Convm destacar que a definio do nmero de classes poder, inclusive, ser realizada conforme critrios fixados pelo prprio analista, respeitando-se o princpio de se evitar classes excessivamente ou fracamente populosas. Em seguida determinao do nmero de classes (k) para o agrupamento dos dados, se proceder determinao da amplitude7 do intervalo de classe (c), sendo necessria8, antes, a determinao da amplitude total dos dados (A), que corresponde diferena entre o maior valor observado e o menor valor observado. Para o clculo da amplitude total dos dados (A) para o exemplo considerado, que corresponde diferena entre o maior valor observado e o menor valor observado, teramos:
A = 294,5 - 0 = 294,5 mm

Intervalos abertos os limites da classe (inferior e superior) no pertencem a ela. Intervalos fechados os limites de classe (superior e inferior) pertencem classe em questo. Intervalos mistos um dos limites pertence classe, e o outro, no.
8

Existem outros procedimentos para determinao da amplitude do intervalo de classe que podem ser encontrados na literatura.

10

Para a amplitude do intervalo de classe (c), considerando o valor da amplitude total (A) calculado, teremos:
C = 294,5 / (7 - 1) = 49,1 mm

ENAP

O prximo passo, aps conhecida a amplitude de classes, ser a determinao dos intervalos de classe, mediante a definio dos limites inferior (LI) e superior (LS) das classes, escolhidos de modo que o menor valor observado esteja localizado no ponto mdio (PM) da primeira classe, ou seja:
PM = (LI + LS) / 2

Para o valor do limite inferior para um intervalo, teramos:


Limite Inferior = Menor Valor - c / 2

Como exemplo de clculo, o limite inferior da 1 Classe ser dado por:


Li = 0 - 49,1/2 = 24,5 mm

Convm destacar que o ponto mdio do intervalo para a primeira classe corresponder ao valor 0mm e, tendo em vista que no existe valor para precipitao pluviomtrica negativo (desconsiderando-se a evapotranspirao), teremos o Quadro 2 abaixo com as classes da nossa distribuio, basta que somemos a amplitude do intervalo de classe a cada limite inferior. Quadro 2: Definio dos limites inferior e superior de cada uma das classes determinadas para o universo de dados analisado Classe 1a 2a 3
a

LI -24,5 24,6 73,7 122,8 171,9 221 270,1

LS 24,6 73,7 122,8 171,9 221 270,1 319,2

4a 5a 6a 7a

11

ENAP

Poderemos, ento, elaborar um quadro de frequncias9 absolutas e relativas, conforme indicado no quadro apresentado a seguir: Quadro 3: Frequncias absoluta (fa) e relativa (fr) para cada uma das classes Classe 1a 2
a

LI -24,5 24,6 73,7 122,8 171,9 221 270,1

LS 24,6 73,7 122,8 171,9 221 270,1 319,2 Total

Fa 18 8 6 11 4 0 1 48

Fr 0,375 0,167 0,125 0,229 0,083 0,000 0,021 1,000

3a 4a 5
a

6a 7a

Em relao interpretao das informaes contidas no Quadro 3, pode-se observar que os valores para precipitao ocorrida nos 48 meses avaliados esto concentrados nas classes primeira, segunda e quarta, decrescendo em direo s classes do fim da tabela. A apresentao dos dados na forma de distribuio de frequncias facilita bastante o clculo manual de vrias medidas estatsticas de interesse, bem como a sua apresentao grfica, consistindo em ferramenta disposio do analista. Caso o interesse do analista, alm de determinao das frequncias absolutas e relativas, se dirija determinao da quantidade de observaes que existe acima ou abaixo de um determinado ponto na distribuio, teramos o recurso da utilizao da frequncia acumulada10. A frequncia acumulada, apresentada no Quadro 4, pode ser obtida da seguinte forma: abaixo do limite superior da primeira classe, temos 18 registros que esto presentes nessa classe, como pode ser visto na distribuio de frequncias absolutas. Quando consideramos a segunda classe, a frequncia acumulada corresponde ao nmero de pessoas que temos abaixo do limite superior dessa classe, ou seja, os 8 registros da segunda classe mais os 18 da primeira classe, totalizando 26 registros mensais de pluviometria abaixo de 122,8mm, correspondendo a 54,2% do total dos registros contidos na amostra. Para as outras classes, o raciocnio semelhante.

9 A frequncia absoluta (fa) corresponde ao numero de observaes que temos em uma determinada classe ou em um determinado atributo de uma varivel qualitativa, e a frequncia relativa (fr) corresponde proporo do nmero de observaes em uma determinada classe em relao ao total de observaes que temos. Essa frequncia pode ser expressa em termos porcentuais. Para isso, basta multiplicar a frequncia relativa obtida por 100. 10 Frequncia acumulada corresponde soma da frequncia daquela classe s frequncias de todas as classes abaixo dela.

12

Quadro 4: Frequncias acumuladas para cada uma das classes Classe 1a 2a 3


a

ENAP

LI -24,5 24,6 73,7 122,8 171,9 221 270,1

LS 24,6 73,7 122,8 171,9 221 270,1 319,2 Total

F acum. 0 18 26 32 43 47 47 48

F acum. 0,000 0,375 0,542 0,667 0,896 0,979 0,979 1,000

4a 5a 6a 7
a

Um exemplo tpico de aplicao das distribuies de frequncias acumuladas corresponde identificao de uma determinada frequncia abaixo ou acima de um determinado valor que no corresponde ao limite superior ou inferior de uma classe qualquer. Podemos, ento, querer verificar qual a porcentagem de registros mensais de chuva com intensidade superior a 122,8mm. Para isso, basta consultar diretamente a frequncia acumulada acima deste valor (100% 54,2% = 45,8%), pois o valor 122,8 mm/ms corresponde a um dos limites de classe apresentados nessa tabela. Para a determinao de frequncias acumuladas correspondentes a valores no coincidentes a limites superiores ou inferiores de classes, o procedimento o mesmo, bastando realizar a interpolao para a classe correspondente para encontrar a frequncia acumulada desejada. Por exemplo, para a determinao da frequncia acumulada para registros mensais de pluviometria com intensidade superior a 100mm nos 48 meses que constituem o intervalo de tempo referente amostra estudada, teramos:
73,7 mm ... 62,5% 100,00 mm ... X 122,8 mm ... 45,8%

Logo:
X = (122,8 - 100) . (62,5 - 45,8) / (122,8 - 73,7) + 45,8 = 16,7 . 22,8 / 49,1 + 45,8 = 53,6%

Ou seja, teramos a frequncia de 46,4% de registros mensais de precipitao pluviomtrica superior a 100mm no perodo de 48 meses em questo. Na Figura 3 apresentada abaixo teremos a representao grfica da distribuio de frequncias na forma relativa (percentuais) para o caso utilizado no exemplo, sendo destacado o valor correspondente frequncia de registros de precipitao pluviomtrica com intensidade superior a 100 mm/ms.

13

ENAP

Figura 3: Representao grfica da distribuio de frequncias Interessante ressaltar que, quando se trabalha com variveis qualitativas, os atributos so as variaes nominativas da varivel, bem como a construo do quadro consiste em contar as ocorrncias de cada atributo e o resultado da contagem definir a frequncia absoluta do atributo em questo. Para exemplificar o trabalho com variveis qualitativas, teramos o caso de pesquisa na qual se procurou avaliar o nmero de habitaes assistidas por esgotamento sanitrio em uma determinada populao, apresentando-se o Quadro 5. Quadro 5: Exemplo para frequncias absoluta e relativa para variveis qualitativas Esgotamento Sanitrio Atendimento No Atendimento Total Fa 20 60 80 Fr 0,25 0,25 1,0

Em relao s formas de representao grfica de tabelas de frequncia, importante destacar que, dependendo do tipo de varivel, h um grfico mais adequado a ser utilizado para a representao. Os diferentes tipos de grfico (histogramas, polgonos de frequncia, ogivas, grficos de setores, pictogramas e outros) permitem uma melhor visualizao de resultados.

14

ENAP

Os histogramas11 so grficos utilizados para representar tabelas intervalares. J o polgono de frequncia12, voc pode obter pela simples unio dos pontos mdios dos topos dos retngulos de um histograma, conforme mostra a Figura 4, que apresenta o histograma e os polgonos de frequncia absoluta e acumulada para a distribuio dos dados referentes s classes correspondentes contidas no Quadro 6. Quadro 6: Dados e frequncias absoluta (fa) e acumulada (facum.) para 6 classes. i 1 2 3 4 5 6 Classe 150 - 154 154 - 158 158 - 162 162 - 166 166 - 170 170 - 174 Xi 152 156 160 164 168 172 Total Fai 4 9 11 8 5 3 40 Facumi 4 13 24 32 37 40

11

Histogramas: so constitudos por um conjunto de retngulos, com as bases assentadas sobre um eixo horizontal, tendo o centro da mesma no ponto mdio da classe que representa, e cuja altura proporcional frequncia da classe.

Polgono de frequncias um grfico de anlise no qual as frequncias das classes so localizadas sobre perpendiculares levantadas nos pontos mdios das classes. Completa-se o polgono unindo as extremidades da linha que ligam os pontos representativos das frequncias de classe aos pontos mdios das classes, imediatamente, anterior e posterior s classes extremas, que tm frequncia nula.

12

15

ENAP

a) Histograma

b) Polgono de frequncia absoluta

c) Polgono de frequncias acumuladas Figura 4: Exemplos de histograma e de polgonos de frequncia Grficos para a representao de polgono de frequncias acumuladas so chamados de ogivas e correspondem a um grfico em que essas frequncias so localizadas sobre perpendiculares levantadas nos limites inferiores ou superiores das classes. Quando temos uma tabela de varivel qualitativa, um tipo de grfico adequado para apresentar os resultados corresponde ao grfico de setores, tambm popularmente conhecido como grfico tipo pizza (Figura 5), com construo simples, feita mediante a proporo entre o ngulo central do setor (fatia da pizza) e o valor para a varivel representada.

16

Composio da Frota

ENAP

Figura 5: Composio mdia do trfego para os postos de contagem na BR101-NE13 Aps o estudo das formas de determinao das distribuies de frequncias e grficos que as representam, voc dever ser capaz de organizar um conjunto de dados, por meio de uma distribuio de frequncias (absoluta, relativa, e acumuladas), represent-las graficamente e proceder anlise das informaes contidas nos mesmos.

1.4. Medidas de posio


As medidas de posio ou de tendncia central constituem uma forma mais sinttica de apresentar os resultados contidos nos dados observados, pois representam um valor central, em torno do qual os dados se concentram. As medidas de tendncia central mais empregadas so: mdia (aritmtica, ponderada e geomtrica), mediana e moda. Quando se estuda variabilidade, as medidas mais importantes so: amplitude, desvio padro e varincia. No Quadro 7, so apresentadas as expresses aritmticas para o clculo das principais medidas de posio:

13 Pesquisa realizada pelo Exrcito Brasileiro (2005), mediante parceria com o Departamento Nacional de Infraestrutura de Transportes DNIT, em oito postos de contagem considerados no levantamento estatstico para o projeto de duplicao da BR101-NE.

17

ENAP

Quadro 7: Expresses para as principais medidas de tendncia central.

A Utilizao da Mdia Sendo a distribuio normal uma das distribuies mais importantes e que surge com mais frequncia nas aplicaes (o que justifica a grande utilizao da mdia), a mdia consistir na melhor medida de localizao do centro para uma srie de dados. Entretanto, sendo a mdia uma medida bastante sensvel variabilidade dos dados, preciso ter cuidado com a sua utilizao, tendo em vista que pode propiciar uma imagem distorcida da amostra. A mdia possui uma particularidade bastante interessante, que consiste no seguinte: se calcularmos os desvios de todas as observaes relativamente mdia e somarmos esses desvios o resultado obtido igual a zero. Outra caracterstica da mdia que torna a sua utilizao vantajosa em certas aplicaes: quando o que se pretende representar a quantidade total expressa pelos dados, utilizase a mdia. Na realidade, ao multiplicar a mdia pelo nmero total de elementos, obtemos a quantidade pretendida. Moda Define-se moda como sendo o valor que surge com mais frequncia se os dados so discretos ou, ainda, o intervalo de classe com maior frequncia se os dados so contnuos.

18

Assim, da representao grfica dos dados, obtm-se imediatamente o valor que representa a moda ou a classe modal. Essa medida especialmente til para reduzir a informao de um conjunto de dados qualitativos, apresentados sob a forma de nomes ou categorias, para os quais no se pode calcular a mdia e por vezes a mediana. Para dados agrupados com classes, teramos o seguinte processo para a determinao do valor modal para uma determinada srie de dados: 1o Identificao da classe de maior frequncia: Para o exemplo apresentado no Quadro 6, teramos a 3 classe (158 |- 162). 2o passo: Clculo da Moda:
Mo = (Ii + Is) / = (158 + 162) / 2 = 160

ENAP

Sendo:
Ii: limite inferior da classe modal = 158 Is: limite superior da classe modal = 162

Mediana A mediana uma medida de localizao do centro da distribuio dos dados, definida do seguinte modo: ordenados os elementos da amostra, a mediana o valor (pertencente ou no amostra) que a divide ao meio, isto , 50% dos elementos da amostra so menores ou iguais mediana e os outros 50% so maiores ou iguais mediana. Para a sua determinao utiliza-se a seguinte regra, depois de ordenada a amostra de n elementos: se n mpar, a mediana o elemento mdio e, se n par, a mediana a semissoma dos dois elementos mdios. Teramos, ento, para dados no agrupados, o seguinte processo: a) Para nmero mpar de valores observados: Exemplo: considere o conjunto de dados: 1o) Colocar os valores em ordem crescente ou decrescente:
X = (1, 2, 3, 4, 5, 7, 10) X = (5, 2, 7, 10, 3, 4, 1)

2o) Determinar a ordem ou posio (P) da Mediana por P = (n+1)/2; portanto:


P = (7 + 1) / 2 = 4a posio)

O nmero que se encontra na 4 posio, consiste na mediana, portanto, Md = 4 b) Quando o nmero de valores observados par: Exemplo: considere o conjunto de dados:
X = (4, 3, 9, 8, 7, 2, 10, 6)

19

ENAP

1o) Colocar os valores em ordem crescente ou decrescente:


X = (2, 3, 4, 6, 7, 8, 9, 10)

2o) Determinar a ordem ou posio (P) para n/2 e para n/2 +1


P = 8/2 = 4a posio

P = 8/2 + 1 = 5a posio

Os nmeros so 6 (4 posio) e 7 (5 posio): 2, 3, 4, 6, 7, 8, 9, 10 Tira-se a mdia aritmtica entre os dois nmeros:


Md = (6 + 7) / 2 = 6,5

Consideraes a respeito de Mdia e Mediana Como medida de localizao, a mediana mais robusta do que a mdia, pois no to sensvel ao valor dos dados que compem a amostra. Dentre as observaes a respeito da comparao entre mdia e mediana, poderamos destacar as seguintes:

Quando a distribuio simtrica, a mdia e a mediana coincidem. A mediana no to sensvel, como a mdia, s observaes que so muito maiores ou
muito menores do que as restantes (outliers). Por outro lado, a mdia reflete o valor de todas as observaes. Assim, a mdia, ao contrrio da mediana, uma medida muito influenciada por valores muito grandes ou muito pequenos, mesmo que esses valores surjam em pequeno nmero na amostra. Esses valores so os responsveis pela m utilizao da mdia em muitas situaes em que teria mais significado utilizar a mediana. Portanto, teramos as seguintes consideraes sobre a influncia da forma da distribuio dos dados:

Quando for aproximadamente simtrica, a mdia aproxima-se da mediana.

Figura 5: Exemplos de distribuies simtricas Quando se apresentar de forma enviesada para a direita (alguns valores grandes como outliers), a mdia tende a ser maior que a mediana.

Caso a distribuio for enviesada para a esquerda (alguns valores pequenos como outliers), a mdia tende a ser inferior mediana.

20

ENAP

Figura 6: Exemplos de distribuies assimtricas

1.4. Medidas de Disperso


No item anterior foram apresentados conceitos de algumas medidas de localizao do centro de uma distribuio de dados. Veremos agora como medir a variabilidade presente num conjunto de dados. As medidas de disperso so utilizadas para medir o grau de variabilidade (disperso) dos valores observados em torno da mdia aritmtica. Servem para medir a representatividade da mdia e proporcionam conhecer o nvel de homogeneidade ou heterogeneidade dentro de cada grupo analisado. Assim, um aspecto importante no estudo descritivo de um conjunto de dados o da determinao da variabilidade ou disperso desses dados, relativamente medida de localizao do centro da amostra. Supondo ser a mdia a medida de localizao mais importante, ser relativamente a ela que se define a principal medida de disperso - a varincia, apresentada a seguir. Varincia Define-se a varincia como sendo a medida que se obtm somando os quadrados dos desvios das observaes da amostra, relativamente sua mdia, e dividindo pelo nmero de observaes da amostra menos um.
(x1 - mdia)2 n-1

Desvio-padro a raiz quadrada da varincia. Na frmula original para o clculo da varincia, observa-se que uma soma de quadrados, a unidade em que se exprime no a mesma que a dos dados. Por exemplo, se a unidade original for metro (m) o resultado ser metro ao quadrado (m2). Para retornar a unidade de medida original, extrai-se a raiz quadrada da varincia, passando a chamar-se de desvio-padro. Assim, para obter uma medida da variabilidade ou disperso com as mesmas unidades que os dados, tomamos a raiz quadrada da varincia e obtemos o desvio padro.

21

ENAP

(x1 - mdia) n-1

O desvio padro, portanto, uma medida que s pode assumir valores no negativos e, quanto maior for, maior ser a disperso dos dados. O desvio padro ser maior, quanto mais variabilidade houver entre os dados. Coeficiente de Variao O coeficiente de variao (CV) consiste em uma medida relativa de disperso, til para a comparao em termos relativos do grau de concentrao em torno da mdia de sries distintas. Para uma amostra, teramos a seguinte expresso:

CV

Desvio Padro / Mdia x 100 (%)

IMPORTANTE
O coeficiente de variao expresso em porcentagem, avaliado para amostras segundo a seguinte referncia: Baixa disperso: CV < 15% Mdia disperso: 15% < CV < 30% Grande disperso: CV > 30%

Distribuio Normal A distribuio normal a mais importante distribuio estatstica, considerando a questo prtica e terica, apresentando-se em formato de sino, unimodal, simtrica em relao a sua mdia. Considerando a probabilidade de ocorrncia, a rea sob sua curva soma 100%. Isso quer dizer que a probabilidade de uma observao assumir um valor entre dois pontos quaisquer igual rea compreendida entre esses dois pontos. Na figura apresentada a seguir, com as barras situadas logo abaixo do eixo das abscissas representando os desvios-padro, quanto mais afastado do centro da curva normal, mais rea compreendida abaixo da curva haver, ou seja, a um desvio-padro, temos 68,26% das observaes contidas, a dois desvios-padres, possumos 95,44% dos dados compreendidos e, finalmente, a trs desvios, temos 99,73% de probabilidade de ocorrncia.

22

ENAP

p(x) para n desvios-padro 68,26% => 1 desvio 95,44% => 2 desvios 99,73% => 3 desvios Figura 7: Relao entre o desvio-padro e a probabilidade de ocorrncia de um evento O desvio-padro, quando analisado isoladamente, no d margem a muitas concluses. Por exemplo, para uma distribuio cuja mdia 79,7, como o caso do exemplo com a srie de dados de precipitao pluviomtrica mensal, visto no incio do curso, que apresentou desvio padro de 76,9, considerado como bastante elevado, um desvio-padro de 5 mm/ ms seria pequeno, mas para uma distribuio cuja mdia fosse 10, esse desvio-padro j no seria to pequeno.

IMPORTANTE
Condies para se usar o desvio-padro ou varincia para comparar a variabilidade entre grupos: mesmo nmero de observaes; mesma unidade; e mesma mdia. Alm disso, se quisermos comparar duas ou mais amostras de valores expressos em unidades diferentes, no ser possvel fazer a comparao por meio do desvio-padro, pois ele expresso na mesma unidade dos dados.

23

ENAP

UNIDADE 2 PROBABILIDADES E TCNICAS DE AMOSTRAGEM


1. Objetivos da Unidade
Aps concluir esta unidade, espera-se que voc seja capaz de:

reconhecer a importncia do estudo das probabilidades e das tcnicas de amostragem na avaliao de projetos;

conhecer e saber aplicar os conceitos fundamentais de probabilidade e amostragem; calcular a probabilidade de ocorrncia de um evento; associar o estudo da probabilidade atividade de anlise de risco em projetos; e distinguir tcnicas de amostragem e identificar vantagens de determinada tcnica em
relao s demais.

2.1. Introduo ao estudo das probabilidades


Estudaremos agora a probabilidade, que uma ferramenta necessria para se fazer correlaes entre a amostra e a populao, de modo que a partir de informaes da amostra se possam fazer afirmaes sobre caractersticas da populao. A probabilidade consiste na ferramenta bsica da inferncia estatstica. Interessante observar que utilizamos, no nosso cotidiano, o conceito de probabilidade em situaes como:

pouco provvel que amanh chova. O risco do projeto elevado. Provavelmente fulano no conseguir se eleger. Diminuiu a chance do paciente se recuperar.
So fenmenos ou eventos com resultados no completamente conhecidos a priori. Mesmo que a chance da ocorrncia seja alta, os resultados no so conhecidos antes de ocorrer, mas, de certa forma, mantm certa regularidade, o que permite determinar a chance de ocorrncia: a probabilidade. A probabilidade um nmero entre zero e um, inclusive, o que significa que, no mnimo, no h nenhuma hiptese do evento acontecer e, no mximo, o evento sempre ocorrer. Isso pode ser representado pela frmula:
0 < P (E) < 1

24

ENAP

Normalmente representamos probabilidades atravs de fraes, mas tambm podemos represent-las por nmeros decimais ou por porcentagens. Por exemplo, em um projeto de embarcaes, na concepo estrutural dos navios a estimativa da altura da onda de projeto feita geralmente considerando-se como sendo 0,75 a probabilidade do navio encontrar ondas maiores que sua onda de projeto. A probabilidade acumulada a probabilidade de ocorrncia de todas as alturas menores que a determinada. Neste exemplo, mediante interpolao linear se pode obter a altura de onda correspondente probabilidade de 75%. Portanto, para a probabilidade acumulada da ocorrncia correspondente altura de onda de projeto, ter-se-ia o valor da altura de onda a ser utilizado no dimensionamento da estrutura naval em questo, como mostra a tabela a seguir: Tabela 1: Relao de probabilidades relativas para cada altura de onda, com a escolha do intervalo para interpolao e determinao da altura de onda de projeto14

14

Fonte: Exerccio contido no site <www.oceanica.ufrj.br> [consulta em 10/04/2012].

25

ENAP

Figura 1: Procedimento para a determinao da altura de onda de projeto15

2.2. Conceitos fundamentais: experimentos, espao amostral e tipos de eventos16


O estudo da probabilidade resulta da necessidade de, em certas situaes, prevermos a possibilidade de ocorrncia de determinados fatos. Ao comearmos o estudo da probabilidade, normalmente a primeira ideia que nos vem mente a da sua utilizao em jogos, mas podemos utiliz-lo em muitas outras reas. Um bom exemplo na rea da avaliao do risco de projetos, bem como na utilizao de mtodos de anlise de sensibilidade, em processos de tomada de deciso na seleo de projetos. Para iniciarmos o estudo da probabilidade, vamos a seguir definir alguns conceitos importantes sobre a matria, fazendo uso de exemplos clssicos para a compreenso dos fundamentos do clculo de probabilidades. Experimento Aleatrio Se lanarmos uma moeda ao cho para observarmos a face que ficou para cima, o resultado imprevisvel, pois tanto pode dar cara, quanto pode dar coroa. Se, ao invs de uma moeda, o objeto a ser lanado for um dado, o resultado ser mais imprevisvel ainda, pois aumentamos o nmero de possibilidades de resultado. A experimentos como estes, que, ocorrendo nas mesmas condies ou em condies semelhantes, podem apresentar resultados diferentes a cada ocorrncia, damos o nome de experimentos aleatrios.

15 16

Fonte: Exerccio contido no site <www.oceanica.ufrj.br> [consulta em 10/04/2012].

Contedo sobre noes de probabilidade adaptado do material instrucional contido no site http:// www.matematicadidatica.com.br/ProbabilidadeConceitos.aspx [consulta em 13/04/2012].

26

Espao Amostral Ao lanarmos uma moeda, no sabemos qual ser a face que ficar para cima, no entanto, podemos afirmar com toda certeza que ou ser cara ou ser coroa, pois uma moeda s possui estas duas faces. Neste exemplo, ao conjunto {cara, coroa} damos o nome de espao amostral, pois ele o conjunto de todos os resultados possveis de ocorrer neste experimento. Representamos um espao amostral, ou espao amostral universal como tambm chamado, pela letra S.

ENAP

Figura 2: Experimento de lanar moeda, com espao amostral S = {cara, coroa}17 Se, ao invs de uma moeda, o objeto a ser lanado for um dado, o espao amostral ser:
S = {1, 2, 3, 4, 5, 6}

Evento Quando lanamos um dado ou uma moeda, chamamos a ocorrncia deste fato de evento. Qualquer subconjunto de um espao amostral um evento. Em relao ao espao amostral do lanamento de um dado, veja o conjunto a seguir:
A = {2, 3, 5}

Note que A S (A est contido em S, sendo A um subconjunto de S). O conjunto A a representao do evento do lanamento de um dado, quando temos a face para cima igual a um nmero primo.

17

Fonte: http://revistaescola.abril.com.br [consulta em 13/04/2012]

27

ENAP

Classificao de Eventos Podemos classificar os eventos por vrios tipos. Vejamos alguns deles: Evento Simples: Classificamos assim os eventos que so formados por um nico elemento do espao amostral. Desta forma, A = {5} a representao de um evento simples do lanamento de um dado cuja face para cima divisvel por 5. Nenhuma das outras possibilidades so divisveis por 5. Evento Certo: Ao lanarmos um dado certo que a face que ficar para cima, ter um nmero divisor de 720. Este um evento certo, pois 720 = 6! = 6 . 5 . 4 . 3 . 2 . 1, obviamente qualquer um dos nmeros da face de um dado um divisor de 720, pois 720 o produto de todos eles. O conjunto A = {2, 3, 5, 6, 4, 1} representa um evento certo, pois ele possui todos os elementos do espao amostral S = {1, 2, 3, 4, 5, 6}. Evento Impossvel: No lanamento conjunto de dois dados qual a possibilidade de a soma dos nmeros contidos nas duas faces para cima, ser igual a 15? Este um evento impossvel, pois o valor mximo que podemos obter igual a doze. Podemos representlo por A = f, ou ainda por A = { }. Evento Unio: Seja A = {1, 3} o evento de ocorrncia da face superior no lanamento de um dado, mpar e menor ou igual a 3 e B = { 3, 5 }, o evento de ocorrncia da face superior, mpar e maior ou igual a 3, ento C = { 1, 3, 5 } representa o evento de ocorrncia da face superior mpar, que a unio dos conjuntos A e B, ou seja, C = AB. Note que o evento C contm todos os elementos de A e B. Evento Interseco: Seja A = {2, 4} o evento de ocorrncia da face superior no lanamento de um dado, par e menor ou igual a 4 e B = {4, 6}, o evento de ocorrncia da face superior, par e maior ou igual a 4, ento C = {4} representa o evento de ocorrncia da face superior par, que a interseco dos conjuntos A e B, ou seja, C = B. Veja que o evento C contm apenas os elementos comuns a A e B. Eventos Mutuamente Exclusivos: Seja A = {1, 2, 3, 6} o evento de ocorrncia da face superior no lanamento de um dado, ser um nmero divisor de 6 e B = {5}, o evento de ocorrncia da face superior, ser um divisor de 5. Os eventos A e B so mutuamente exclusivos, pois A B = , isto , os eventos no possuem elementos em comum. Evento Complementar: Seja A = {1, 3, 5} o evento de ocorrncia da face superior no lanamento de um dado igual a um nmero mpar. O seu evento complementar B = {2, 4, 6}, o evento de ocorrncia da face superior no lanamento de um dado, igual a um nmero par. Os elementos de B so todos os elementos do espao amostral S que no esto contidos em A, ento temos que B = S - A e ainda que S = A + B.

2.3. Probabilidade de ocorrncia de um evento


Passaremos a apresentar consideraes sobre os fundamentos para o estudo da probabilidade de ocorrncia de um determinado evento.

28

IMPORTANTE O ponto central em todas as situaes onde usamos probabilidade a possibilidade de quantificar quo provvel determinado EVENTO. As probabilidades so utilizadas para exprimir a chance de ocorrncia de determinado evento.

ENAP

Experimentos aleatrios, espao, amostral e evento Encontramos na natureza dois tipos de fenmenos: determinsticos e aleatrios. Os fenmenos determinsticos so aqueles em que os resultados so sempre os mesmos, qualquer que seja o nmero de ocorrncia destes. Se considerarmos o fenmeno, por exemplo, da flutuao de objeto imerso na gua, sabemos que caso o objeto possua peso especfico menor que a gua, ele flutuar. Esse exemplo caracteriza um fenmeno determinstico. Nos fenmenos aleatrios, os resultados no sero previsveis, mesmo que haja vrias repeties do mesmo fenmeno. Podemos considerar como experimentos aleatrios os seguintes exemplos de fenmenos produzidos pelo homem:

lanamento de uma moeda; lanamento de um dado; determinao da vida til de um componente eletrnico; previso do tempo.
A cada experimento aleatrio est associado o resultado do mesmo, que no previsvel, chamado evento aleatrio. Um conjunto S que consiste de todos os resultados possveis de um experimento aleatrio denominado espao amostral. Definio de Probabilidade A probabilidade de um evento A, denotada por P(A), um nmero de 0 a 1 que indica a chance de ocorrncia do evento A. Quanto mais prxima de 1 P(A), maior a chance de ocorrncia do evento A, e quanto mais prxima de zero, menor a chance de ocorrncia do evento A. A um evento impossvel atribui-se probabilidade zero, enquanto que um evento certo tem probabilidade 1,0. As probabilidades podem ser expressas de diversas maneiras, inclusive decimais, fraes e percentagens. Por exemplo, a chance de ocorrncia de um determinado evento pode ser expressa como 20%; 2 em 10; 0,20 ou 1/5. Assim, sendo E um evento, n(E) o seu nmero de elementos, S o espao amostral no vazio, e n(S) a quantidade de elementos do mesmo, temos que a probabilidade de E ocorrer igual a:
P(E) = n(E) / n(S), para n(S) 0

29

ENAP

Recorreremos ao exemplo clssico do lanamento de um dado para a utilizao da equao para o clculo de probabilidades: qual a probabilidade de obtermos um nmero divisor de 6 no lanamento de um dado? Como vimos acima, o espao amostral do lanamento de um dado :
S = {1, 2, 3, 4, 5, 6}

Como estamos interessados apenas nos resultados divisores de 6 , o evento E representado por:
E = {1, 2, 3, 6}

Ento n(E) = 4 e n(S) = 6, portanto:


P(E) =
n(E) n(S)

P(E) =

4 6

P(E) =

2 3

Podemos tambm apresentar o resultado na forma de uma porcentagem, portanto, a probabilidade de se obter um nmero divisor de 6 2/3 ou 66,67%. Considerando a tica da avaliao de projetos, admitindo que trs projetos, Alfa, Beta e Gama, lanaram um produto no mercado e supondo que as condies de retorno econmico para os trs projetos so as mesmas, qual a probabilidade de a empresa Alfa obter primeiro a meta do retorno socioeconmico? Como 3 o nmero total de projetos, ento o projeto Alfa tem 1 chance em 3 de obter primeiro o indicador econmico considerado, o que resultaria em uma probabilidade de 1 /3 em obter primeiro o retorno. A probabilidade de um evento ocorrer (o projeto Alfa obter retorno econmico primeiro) considerando-se um espao amostral (Alfa, Beta e Gama) igual a razo do nmero de elementos do evento (1, apenas Alfa) para o nmero de elementos do espao amostral (3, o nmero de projetos), desde que espao o amostral seja um conjunto equiprovvel, ou seja, todos os seus elementos tenham a mesma possibilidade de ocorrer (as condies de xito econmico so as mesmas para as trs empresas). Vamos, agora, exercitar a lgica da probabilidade conforme a classificao dos eventos aplicveis situao. Vimos que a probabilidade da unio de dois eventos pode ser calculada atravs da frmula:
P = (AB) = P(A) + P(B) - P(AB)

No caso da interseco dos eventos resultar vazia, ou seja, no haver elementos em comum aos dois eventos, poderamos simplesmente utilizar:
P = (AB) = P(A) + P(B)

30

Vamos a um exemplo: Na construo de usina hidreltrica trabalham 2.000 profissionais. Destes trabalhadores, 500 possuem mais de dez anos de experincia, 300 so pedreiros e 200 so pedreiros com mais de dez anos de experincia profissional. Selecionando-se um trabalhador com mais de dez anos de experincia, qual a probabilidade de ser um pedreiro o selecionado? Chamemos de A o evento que representa o ofcio do pedreiro e B o evento que representa mais de dez anos de experincia para o profissional. Podemos calcular a probabilidade de ocorrer A tendo ocorrido B atravs da frmula:
A P (B ) = n(AB )

ENAP

n( B)

Segundo o enunciado: n(AB) = 200 Portanto: P(A/B) = 200 / 500 = 2/5 IMPORTANTE Note que no caso da probabilidade condicional, ao invs de calcularmos a probabilidade em funo do nmero de elementos do espao amostral, calculamos em funo do nmero de elementos do evento que j ocorreu. Portanto, a probabilidade do pedreiro tambm possuir mais de dez anos de experincia profissional de 40%. Probabilidade no Caso da Unio de Eventos Considere A e B como dois eventos de um espao amostral S, finito e no vazio, temos ento: A e n(B) = 500

B
n(AB) = n(A) - (AB)

n(S)

n(AB) = n(A) + n(B) - n (AB)


n( S ) n(S) n(S)

31

ENAP

Logo:
P = (AB) = P (A) + P(B) - P(AB)

Probabilidade no Caso de Eventos Mutuamente Exclusivos A

S , nesse caso A e B sero denominados mutuamente , pois:

Considerando que exclusivos. Observe que


P(AB) = P(A) + P(B)

Caso da Probabilidade Condicionada Considere dois eventos A e B de um espao amostral S, finito e no vazio. A probabilidade de B condicionada a A dada pela probabilidade de ocorrncia de B sabendo que j ocorreu A. representada por P(B/A). Situao da Interseco de Eventos Portanto: Considerando A e B como dois eventos de um espao amostral S, finito e no vazio, logo:

Portanto:

32

Considerando A e B como eventos independentes, logo P(B/A) = P(B), P(A/B) = P(A), sendo assim:

ENAP

Para saber se os eventos A e B so independentes, podemos utilizar a definio ou calcular a probabilidade de AB. Representao:

ou

2.4. Consideraes sobre anlise de risco na avaliao de projetos


Evento de Risco De acordo com o PMBOK18 (2008), um evento de risco, uma ocorrncia discreta ou distinta que pode afetar o projeto para melhor ou pior. Quanto ao aspecto da probabilidade de ocorrncia, a mesma pode ter valores atribudos de forma subjetiva e de forma objetiva. Subjetivamente, a probabilidade uma porcentagem indicando o grau de confiana ou a estimativa pessoal quanto possibilidade de ocorrncia de um evento (probabilidade subjetiva). Como exemplo, temos afirmaes do tipo eu acho que h 50% de chance de perda, ou eu acredito que h somente uma chance em mil de uma inundao atingir nossa fbrica. Podemos, por outro lado, entender a probabilidade objetiva como sendo um nmero real, associado a um evento (E), destinado a medir sua possibilidade de ocorrncia.

18

Project Management Body of Knowledge.

33

ENAP

IMPORTANTE Todos os projetos tm algum risco, ou no seriam projetos. Os projetos so iniciados quando h algum elemento de risco e a gerncia busca, ento, o enfoque de um plano de projeto e uma equipe para realizar o trabalho. s vezes assume-se um grande risco quando no se tem a compreenso necessria dos elementos que podem levar ao fracasso do projeto, podendo at ser interpretado como um pequeno risco, que no pressiona as barreiras de custo, tempo e desempenho tcnico. O risco deve ser analisado por trs componentes: pelo evento, pela probabilidade de ocorrncia e pelo impacto do evento. Normalmente considerado como um evento de consequncias negativas, quanto ao custo, ao tempo e qualidade. Por este motivo os gerentes concentram suas foras em evit-los e em como lidar com eles. Eles esquecem que eventualmente, os riscos podem ter consequncias positivas. Riscos Internos O risco interno inerente ao projeto, controlado pelo lder, que pode reduzi-lo mediante aes diretas, como o desenvolvimento de planos de contingncia. Riscos internos constituem uma parte das limitaes estabelecidas para o projeto por meio da criao de metas. A data de entrega do produto pode ser otimista, e o plano precisa refletir esta data. O planejamento ter por base a data de entrega e o cronograma de trabalho visando assegurar a entrega. O custo constitui, em geral, uma rea com limitaes. O planejamento ir direcionar o tipo e a quantidade de recursos a serem utilizados no projeto, mesmo quando o oramento for menor do que o desejado. Solues tcnicas estaro em perigo quando o tempo de entrega for otimista, sendo, entretanto, os recursos financeiros, limitados. Dentre os riscos internos, podemos citar: custo, prazo, riscos gerenciais, perda de potencial e fluxo de caixa. Como exemplo dos riscos internos, devemos considerar que fluxos de caixa podem sofrer alteraes, e que estas devem ser avaliadas constantemente durante o andamento do projeto, para que possamos classific-las como relevantes e avaliar se iro adicionar valor empresa. Riscos Externos O risco externo encontra-se fora do controle dos lderes de projeto, como, por exemplo, as interfaces do projeto desconhecidas e cujas definies so feitas por terceiros. Os riscos externos do projeto podem ser influenciados pelo lder de projeto e, portanto previstos. No entanto, no h controle direto sobre as ocorrncias de riscos, que podem receber a influncia de acordos e contratos com terceiros. O grau de influncia exercido pelo lder do projeto determinado pela identificao de riscos externos e pela colaborao ampliada por terceiros, os quais poderiam ser outros lderes de projetos, gerentes funcionais, distribuidores e entidades contratantes. Dentre os riscos externos previsveis, podemos citar:

34

Taxa de cmbio: o risco associado a operaes internacionais em um mundo no qual


o valor relativo das moedas varia. Para um grande projeto, a gesto do risco de cmbio complicada pelo fato de que pode haver uma grande variedade de moedas diferentes envolvidas em suas inmeras atividades. muito provvel que uma variao de alguma taxa beneficie algumas reas e prejudique outras.

ENAP

Inflao: o risco macroeconmico da perda de renda disponvel de pessoas fsicas e


jurdicas, acarretando prejuzos ao fluxo de caixa e recusa do projeto.

Impactos sociais: o risco relacionado aos possveis efeitos sociais, econmicos,


culturais, sobre pessoas, grupos de pessoas ou comunidades.

Impactos ambientais: os riscos ambientais impactam diretamente os aumentos dos


custos do projeto, devido principalmente a: possveis impactos ambientais, com a aplicao de multas, licenas e regulamentaes, o uso de novos materiais desenvolvidos para no agredir o meio ambiente, risco de denegrir a imagem da empresa junto ao mercado devido a um possvel dano ambiental, limpeza de locais poludos, transporte e manuseio de materiais, o aumento do preo de recursos no renovveis ou ainda aumento de impostos sobre produtos poluentes.

Riscos operacionais: referem-se s perdas potenciais resultantes de sistemas


inadequados, m administrao, controles defeituosos ou falha humana. Tambm incluem as fraudes e os riscos de modelo, onde h o perigo de imperfeio nos modelos de controle.

Riscos do mercado: so aqueles que podem gerar resultados adversos em funo de


instabilidade em taxas de juros, taxas de cmbio, preos de aes, etc. Para analis-los devemos considerar: a existncia de um mercado local ou internacional, as projees de preo para os produtos, tarifas e barreiras alfandegrias, o acompanhamento de projetos e de produtos concorrentes, o acesso aos mercados em termos logsticos, comunicativos e comerciais, e a obsolescncia, caso haja uso de tecnologia de grande inovao. J para os riscos externos imprevisveis, podemos citar: medidas reguladoras, efeitos colaterais e desastres da natureza. Gerenciando os riscos do projeto com a matriz de probabilidade e impacto
Risco um evento ou uma condio incerta, que se ocorrer, tem um efeito em pelo menos um objetivo do projeto (PMBOK, 2008).

Entende-se por objetivos do projeto as reas de escopo, cronograma, custo e qualidade, que podem ser afetadas, como j comentado, negativamente ou positivamente, a depender da natureza do risco. Pode parecer estranho, mas so diversas as formas de um risco afetar um objetivo do projeto de forma positiva. Por exemplo, poderamos citar o caso de obra em que o tempo de durao foi definido em 24 meses, com custo orado em R$20 milhes. Devido eficincia do processo executivo utilizado, a obra foi entregue em 18 meses, consumindo 85% dos recursos planejados. Portanto, o impacto foi direto nos objetivos de custo e cronograma do projeto, porm o cliente ficou imensamente satisfeito pelos resultados alcanados. O resultado do risco em

35

ENAP

utilizar-se processo tecnolgico mais avanado foi positivo, pois menos recursos foram consumidos e a obra conduzir a benefcios mais rapidamente. Por outro lado, os riscos negativos esto diretamente associados a impactos no desejveis em algum objetivo do projeto. Por exemplo, o atraso na concesso de uma autorizao ambiental para incio das obras, com impacto negativo direto no cronograma do projeto. Os riscos podem ter maior ou menor grau de impacto e probabilidade de ocorrncia. Diante disso, torna-se necessrio prioriz-los, a fim de aumentar o desempenho do projeto. necessrio se concentrar nos riscos de alta prioridade, porm sem ignorar os riscos de menor grau de prioridade. Estes, por sua vez devem compor uma lista de observao. Mas essa anlise de impacto e probabilidade dos riscos no bastante subjetiva? Ora, afinal para mim um risco X pode ter um impacto ALTO no projeto, enquanto que, para outra pessoa esse mesmo risco considerado apenas MODERADO. A fim de mitigar esse risco da subjetividade da anlise, o PMBOK afirma que o estabelecimento de definies dos nveis de probabilidade e impacto pode reduzir a influncia de parcialidade. Uma sugesto a definio de uma escala de impactos para os quatro objetivos do projeto. Observemos a figura apresentada a seguir:

Figura 3: Exemplo de condies para definio de escalas de risco em projeto19

19

Fonte: Site http://danielettinger.files.wordpress.com/2011/06/ [consulta em 01/05/2012].

36

As definies dos nveis de probabilidade e impacto podem ser adaptadas a cada projeto de acordo com o ambiente organizacional. Tabelas semelhantes podem ser definidas para os riscos positivos do projeto. Diante dos riscos a que qualquer projeto encontra-se exposto, torna-se necessrio encontrar uma ferramenta que possibilite prioriz-los de forma, no mnimo, aceitvel. nesse cenrio que surge a matriz de probabilidade e impacto. Elas especificam as combinaes de probabilidade e impacto que resultam em uma classificao dos riscos como de prioridade BAIXA, MODERADA ou ALTA, conforme poderemos observar na tabela apresentada a seguir:

ENAP

Figura 4: Exemplo de definio de matriz de probabilidade e impacto em projetos20 Assim, as clulas em cinza escuro com maiores valores representam alto risco, enquanto que as preenchidas com cinza mdio so riscos baixos. As clulas em tonalidade cinza claro representam riscos moderados. Por exemplo, um risco negativo com probabilidade de ocorrncia estimada em 0,70 e impacto de 0,10 representa uma ameaa de valor 0,07, o que considerada como MODERADA. Atravs dessa ferramenta possvel ainda identificar reas do projeto que sofram mais ameaas ou oportunidades. Para isso torna-se necessria a categorizao dos riscos identificados no projeto, gerando assim uma estrutura hierrquica de riscos. A avaliao de probabilidade de riscos investiga a probabilidade de cada risco especfico ocorrer. A avaliao de impacto de riscos investiga o efeito potencial sobre um objetivo do projeto, como tempo, custo, escopo ou qualidade, inclusive os efeitos negativos das ameaas e os efeitos positivos das oportunidades. A probabilidade e o impacto seriam avaliados para cada risco identificado. Os riscos podem ser avaliados em entrevistas ou reunies com participantes selecionados por sua familiaridade com as categorias de risco da pauta.

Neste exemplo, ter-se-ia a definio de valores aceitveis para as probabilidades, para ameaas e oportunidades, graduadas no eixo das abscissas conforme o seu impacto no projeto (0,05 a 0,8), conduzindo a cdigo de cores para as classes de riscos em funo da prioridade (baixa, moderada ou alta).

20

37

ENAP

So includos os membros da equipe do projeto e, talvez, especialistas de fora do projeto. A opinio especializada necessria, pois podem existir poucas informaes sobre riscos no banco de dados de projetos passados da organizao. Um facilitador experiente pode liderar a discusso, pois os participantes podem ter pouca experincia em avaliao de riscos. A probabilidade de cada risco e seu impacto em cada objetivo so avaliados durante a entrevista ou reunio. Os detalhes da explanao, inclusive as premissas que justificam os nveis atribudos, tambm so registrados. As probabilidades e impactos de riscos so classificados de acordo com as definies fornecidas no plano de gerenciamento de riscos. s vezes, os riscos com probabilidade e impacto visivelmente baixos no sero classificados, mas sero includos em uma lista de observao para monitoramento futuro.

2.5. Conceitos fundamentais sobre amostragem


O processo de retirada de amostras de uma populao, denominado de amostragem, uma das etapas fundamentais na tomada de decises nos diversos nveis gerenciais, tendo em vista que uma amostragem mal executada geralmente conduz a estatsticas pouco confiveis, bem como a tomada de deciso associada a uma margem de erro importante. Este tpico tem por objetivo apresentar a voc alguns conceitos e definies essenciais para conduzir convenientemente uma operao de amostragem, visando principalmente coleta de dados socioeconmicos. Amostragem o processo que procura extrair da

No Probabilstica Acidental ou convenincia Intencional Tipos de Amostragem Quotas ou proporcional Desproporcional Probabilstica Aleatria simples Aleatria estratificada Conglomerado

38

populao elementos que atravs de clculos, probabilsticos ou no, consigam prover dados inferenciais da populao-alvo. Amostragem No Probabilstica A escolha de um mtodo no probabilstico, via de regra, sempre encontrar desvantagem frente ao mtodo probabilstico. No entanto, em alguns casos, se faz necessrio a opo por este mtodo. Convm ressaltar que no h formas de se generalizar os resultados obtidos na amostra para o todo da populao quando se opta por este mtodo de amostragem. Quando trabalhamos com a amostragem no probabilstica, no conhecemos a priori a probabilidade que um elemento da populao tem de pertencer amostra. Neste caso, no possvel calcular o erro decorrente da generalizao dos resultados das anlises estatsticas da amostra para a populao de onde a amostra foi retirada. Utiliza-se geralmente a amostragem no probabilstica pela simplicidade intrnseca ao processo, bem como pela impossibilidade de se obter uma amostra probabilstica, como seria desejvel. Os principais tipos de amostragem no probabilstica que temos so amostragem sem norma ou a esmo, intencional e por cotas. Amostragem a esmo Imagine um rebanho com 1.000 animais, integrantes de um lote de gado bovino a ser destinado para corte. A enumerao destes animais ficaria muito difcil, tornando-se a amostragem aleatria simples invivel. Assim, em situaes deste tipo, supondo que a populao de animais seja homognea, escolhemos a esmo a quantidade relativa ao tamanho da amostra, e quanto mais homognea for a populao, mais podemos supor a equivalncia com uma amostragem aleatria simples. Os animais, desta forma, sero escolhidos para compor a amostra de um determinado tamanho sem nenhuma norma ou a esmo, o que origina o nome deste tipo de amostragem. Acidental ou convenincia Indicada para estudos exploratrios. Frequentemente utilizados em supermercados para testar produtos. Intencional A amostragem intencional corresponde quela em que o responsvel pela amostragem escolhe, deliberadamente, determinados elementos para pertencer amostra, em funo de seu juzo de valor sobre a representatividade da populao. Um exemplo deste tipo de amostragem corresponde situao em que se deseja saber a aceitao em relao a uma nova marca de automvel de passeio a ser inserida no mercado de uma cidade. Somente entraro para compor a amostra pessoas que faam uso do automvel e que tenham condies financeiras de comprar esta nova marca (pblico-alvo). O entrevistador dirige-se a um grupo em especfico para saber sua opinio. Por exemplo, quando de um estudo sobre automveis, o pesquisador procura apenas oficinas.

ENAP

39

ENAP

Quotas ou proporcional Neste tipo de amostragem procedida a diviso da populao em grupos, selecionandose uma cota proporcional ao tamanho de cada grupo. Entretanto, dentro de cada grupo no feito sorteio, sendo procurados os elementos at que a cota de cada grupo seja alcanada. Em pesquisas eleitorais, a diviso de uma populao em grupos (considerando, por exemplo, o sexo, o nvel de escolaridade, a faixa etria e a renda) pode servir de base para a definio dos grupos, partindo da suposio de que estas variveis definem grupos com comportamentos diferenciados no processo eleitoral. Para se ter uma ideia do tamanho destes grupos, pode-se recorrer a pesquisas feitas anteriormente pelo IBGE (Instituto Brasileiro de Geografia e Estatstica). Na realidade, trata-se de uma variao da amostragem intencional. Necessita-se ter um prvio conhecimento da populao e sua proporcionalidade. Por exemplo, deseja-se entrevistar apenas indivduos da classe A, que representa 12% da populao. Esta ser a quota para o trabalho. Comumente tambm substratifica-se uma quota obedecendo a uma segunda proporcionalidade. Desproporcional Muito utilizada quando a escolha da amostra for desproporcional populao. Atribui-se pesos para os dados, e assim obtm-se resultados ponderados representativos para o estudo. Probabilstica Para que se possam realizar inferncias sobre a populao, necessrio que se trabalhe com amostragem probabilstica. o mtodo que garante segurana quando se investiga alguma hiptese. Normalmente os indivduos investigados possuem a mesma probabilidade de ser selecionado na amostra. Aleatria Simples Voc deve utilizar a amostragem aleatria simples somente quando a populao for homognea em relao varivel que se deseja estudar. Geralmente, atribumos uma numerao a cada indivduo da populao, e atravs de um sorteio aleatrio os elementos que vo compor a amostra so selecionados. Todos os elementos da populao tm a mesma probabilidade de pertencer amostra. Imagine que voc queira amostrar um nmero de pessoas que esto fazendo um determinado concurso com n inscritos. Como a populao finita, devemos enumerar cada um dos n candidatos e sortear n deles. o mais utilizado processo de amostragem. Prtico e eficaz, confere preciso ao processo de amostragem. Normalmente utiliza-se uma tabela de nmeros aleatrios e nomeiam-se os indivduos, sorteando-se um por um at completar a amostra calculada. Uma variao deste tipo de amostragem a sistemtica. Em um grande nmero de exemplos, o 40

pesquisador depara-se com a populao ordenada. Neste sentido, tem-se os indivduos dispostos em sequncia o que dificulta a aplicao exata desta tcnica. Amostragem Sistemtica de fundamental importncia que a varivel de interesse no apresente ciclos de variao coincidentes com os ciclos de retirada, pois este fato tornar a amostragem no aleatria. A tcnica de amostragem caracterizada pela coleta na populao de elementos que vo compor a amostra, de forma cclica (em perodos), se chama amostragem sistemtica, interessante de ser utilizada quando convm obter a amostra, por exemplo, quando os elementos da populao apresentam-se ordenados. Uma situao tpica quando se necessite retirar uma amostra de populao onde a varivel tempo condiciona caractersticas presentes nos elementos estudados, como o caso da anlise da evoluo dos ndices de preos para a considerao do efeito da inflao, durante certo perodo, sobre uma srie de pagamentos. Quanto ao procedimento, o primeiro passo ser o clculo da constante (K) que atuar como fator de ciclo para a definio do momento e perodo a considerar para a realizao da amostragem, o que possibilitar, em um segundo momento, a definio do intervalo de tempo para a coleta da amostra. Aps a definio do valor de K e definido o ponto inicial da amostragem, ou seja, um dos elementos do primeiro intervalo constitudo pelos elementos populacionais numerados de 1 at n. Escolhe-se o seguinte, que ser o elemento de ordem (i + K) , sempre somandose K ordem do elemento anterior, at completar a escolha dos n elementos que vo compor a amostra. Amostragem Aleatria Estratificada Quando se deseja guardar uma proporcionalidade na populao heterognea e a varivel de interesse apresenta uma heterogeneidade na populao, permitindo a identificao de grupos homogneos, poder a populao ser dividida em grupos (estratos) e proceder-se amostragem dentro de cada estrato, garantindo, assim, a representatividade de cada estrato na amostra. A estratificao em cada subpopulao poder ser realizada mediante critrios como classe social, renda, idade, sexo, entre outros. Conforme comenta Tavares (2007), podemos verificar que pesquisas eleitorais apresentam uma grande heterogeneidade em relao inteno de votos, quando consideramos, por exemplo, a faixa salarial ou o nvel de escolaridade. Ento, se fizssemos uma amostragem aleatria simples, poderamos incluir na amostra uma maior quantidade de elementos de um grupo, e, proporcionalmente, este grupo pequeno em relao populao. Desta forma, no teramos uma amostra representativa da populao a ser estudada. Ento, podemos dividir a populao em grupos (estratos) que so homogneos para a caracterstica que estamos avaliando, ou seja, neste caso, a inteno de votos. Destaca-se que como estamos dividindo a populao em estratos (grupos) que so homogneos dentro de si, podemos, ento, caracterizar a amostragem estratificada. Para

ENAP

41

ENAP

efetuarmos a amostragem estratificada de forma proporcional, precisamos primeiramente definir a proporo do estrato em relao populao. Proporo do estrato h ser igual ao nmero de elementos presentes neste estrato (Nh) dividido pelo tamanho da populao (N) (Nh/N). Aps obter esta proporo do estrato em relao populao, deve-se multiplicar o tamanho total da amostra (n) pela proporo de cada estrato na populao (Nh/N). Assim, teremos um tamanho de amostra em cada estrato, proporcional ao tamanho do estrato em relao populao. A figura apresentada a seguir mostra como feita a escolha dos elementos de cada estrato (A, B, C, D) usando amostragem aleatria simples, devido ao fato de os estratos serem homogneos individualmente, considerando a varivel de interesse.

Figura 07: Critrio para a escolha dos elementos de cada estrato (A, B, C, D) (Tavares, 2007) Conglomerado Em corriqueiras situaes, torna-se difcil coletar caractersticas da populao. Nesta modalidade de amostragem, sorteia-se um conjunto e procura-se estudar todo o conjunto. exemplo de amostragem por conglomerado, famlias, organizaes e quarteires. Destaca Tavares (2007) que apesar de a amostragem estratificada apresentar resultados satisfatrios, a sua implementao dificultada pela falta de informaes sobre a populao para fazer a estratificao, o que poder ser contornado mediante a utilizao de esquema de amostragem chamado amostragem por conglomerados, definidos em funo da experincia do gestor ou pesquisador. Comenta ainda Tavares (2007) que a utilizao da amostragem por conglomerados possibilita uma reduo significativa do custo do processo de amostragem. Portanto, um conglomerado um subgrupo da populao, que individualmente reproduz a populao, ou seja, individualmente os elementos que o compem so muito heterogneos entre si. Ressalta-se que este tipo de amostragem muito til quando a populao grande, por exemplo, no caso de uma pesquisa em nvel nacional. Para efetuarmos a amostragem por conglomerados, primeiramente definimos o conglomerado e assim dividimos a populao nos conglomerados, procedendo-se ao sorteio dos conglomerados por meio de um processo 42

aleatrio e assim so avaliados todos os indivduos presentes no conglomerado, em um estgio. IMPORTANTE Conglomerados so definidos geralmente segundo fatores geogrficos. A Pesquisa Nacional por Amostra de Domiclios (PNAD) do IBGE, por exemplo, feita por conglomerados, em trs estgios.

ENAP

2.6. Dimensionamento da amostra


Efetivamente, um dos temas mais importantes em uma anlise estatstica trata-se da determinao de qual o melhor tamanho de amostras que devemos ter, sabendo-se, que amostras grandes so dispendiosas e demandam mais tempo de manipulao e estudo, bem como, que amostras pequenas so menos precisas e pouco confiveis. Quando se deseja dimensionar o tamanho da amostra, o procedimento desenvolve-se em trs etapas distintas:

avaliar a varivel mais importante do grupo e a mais significativa; analisar se ordinal, intervalar ou nominal; verificar se a populao finita ou infinita.
Abaixo poderemos observar diversas expresses propostas para a determinao do tamanho da amostra: Varivel intervalar e populao infinita

Varivel intervalar e populao finita

Varivel nominal ou ordinal e populao infinita

Varivel nominal ou ordinal e populao finita

43

ENAP

Observa-se que a varivel d corresponde ao erro admissvel, sendo Z funo do nvel de confiana a ser considerado. Para os casos de populaes consideradas como finitas, a varivel N corresponde ao tamanho da populao. A proporo (p) ser a estimativa da verdadeira proporo de um dos nveis escolhidos para a varivel adotada. Por exemplo, 55% dos integrantes da populao do sexo feminino, ento p ser 0,55. A proporo (q) ser sempre 1 - p. Neste exemplo q, ser 0,45. O erro representado por d. Para casos em que no se tenha como identificar as propores confere-se 0,5 para p e q. Como exemplo, realizaremos o clculo do tamanho de amostra para o caso de populao considerada como infinita, recorrendo-se equao correspondente varivel intervalar. Observa-se que o tamanho da amostra depende do grau de confiana desejado, da margem de erro pretendida e do desvio padro (). Vamos ao exemplo: Queremos estimar a renda mdia no primeiro ano de um egresso de escola tcnica profissional. Para um nvel de confiana de 95% [a = 0,05 Z = 1,96; conforme relao Z = f(a)], quantas amostras deveremos ter para que a mdia esteja a menos que R$250,00 da renda mdia verdadeira da populao? Suponha conhecido e igual a R$800,00.

Caso fosse admissvel uma margem de erro de R$500, teramos:

Ou seja, caso o erro admissvel fosse o dobro, o tamanho da amostra poderia ser reduzido quarta parte. IMPORTANTE A utilizao de uma amostra probabilstica melhor para garantir a representatividade da amostra, pois o acaso ser o nico responsvel por eventuais discrepncias entre populao e amostra. Estas discrepncias so levadas em considerao nas inferncias estatsticas.

44

FINALIZANDO O MDULO
Terminamos o mdulo de Estatstica. Parabns! Para concluir o mdulo, necessrio fazer os exerccios. Volte tela inicial e clique em Exerccios de Fixao e em Exerccios Avaliativos. Lembre-se de que esta ltima uma atividade pontuada! Em seguida, verifique se voc atingiu os objetivos propostos, respondendo a Autoavaliao de Aprendizagem. Ao final, agradecemos sua colaborao em responder a Avaliao de Satisfao com o Mdulo.

ENAP

45

ENAP

Referncias bibliogrficas

UNIDADE 1 BARBETTA, P. A. Estatstica Aplicada s Cincias Sociais. 4 ed. Florianpolis: Ed. da UFSC, 2002. BRAULE, Ricardo. Estatstica Aplicada com Excel: para cursos de Administrao e Economia. Rio de Janeiro: Campus, 2001. BUSSAB, W. O.; MORETTIN, P. Estatstica Bsica. So Paulo: Atual, 2002. COSTA NETO, P. L. de O. Estatstica. So Paulo: Edgard Blcher, 2002. DOWNING, D.; CLARK, J. Estatstica Aplicada. So Paulo: Saraiva, 2000. FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade. Curso de Estatstica. Rio de Janeiro: LTC, 1982. FREUD, J. E.; SIMON, G. A. Estatstica Aplicada. Bookman, 2000, 403 p. LEVINE, D. M.; BERENSON, M. L.; STEPHAN, D. Estatstica: teoria e aplicaes (usando o Microsoft Excel em portugus). LTC, 2000, 812 p. MORETTIN, L. G. Estatstica Bsica: Probabilidade. V. 1. So Paulo: Makron Books, 1999. SOARES, J. F.; FARIAS, A. A.; CESAR, C. C. Introduo Estatstica. Rio de Janeiro: LTC, 1991. SPIEGEL, M. Probabilidade e Estatstica. Mc Graw Hill. 1993. TAVARES, M. Estatstica Aplicada Administrao. Secretaria de Educao Distncia do Ministrio da Educao Sistema Universidade Aberta do Brasil UAB. Diretoria do Departamento de Polticas em Educao a Distncia DPEAD. Braslia: MEC, 2007. TRIOLA, M. F. Introduo Estatstica. Rio de Janeiro: LTC, 1999. WONNACOTT, T. H., WONNACOTT, R. J. Estatstica Aplicada Economia e Administrao. Rio de Janeiro: LTC, 1981. UNIDADE 2 BARBETTA, P. A. Estatstica Aplicada s Cincias Sociais. 4 ed. Florianpolis: Ed. da UFSC, 2002. BRAULE, Ricardo. Estatstica Aplicada com Excel: para cursos de Administrao e Economia. Rio de Janeiro: Campus, 2001. BUSSAB, W. O.; MORETTIN, P. Estatstica Bsica. So Paulo: Atual, 2002. COSTA NETO, P. L. de O. Estatstica. So Paulo: Edgard Blcher, 2002. DOWNING, D.; CLARK, J. Estatstica Aplicada. So Paulo: Saraiva, 2000. FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade. Curso de Estatstica. Rio de Janeiro: LTC, 1982. FREUD, J. E.; SIMON, G. A. Estatstica Aplicada. Bookman, 2000, 403 p. LEVINE, D. M.; BERENSON, M. L.; STEPHAN, D. Estatstica: teoria e aplicaes (usando o Microsoft Excel em portugus). LTC, 2000, 812 p. MORETTIN, L. G. Estatstica Bsica: Probabilidade. V. 1. So Paulo: Makron Books, 1999. SOARES, J. F.; FARIAS, A. A.; CESAR, C. C. Introduo Estatstica. Rio de Janeiro: LTC, 1991. SPIEGEL, M. Probabilidade e Estatstica. Mc Graw Hill. 1993. STEVENSON, William J. Estatstica Aplicada Administrao. So Paulo: Harper, 1981. TAVARES, M. Estatstica Aplicada Administrao. Secretaria de Educao Distncia do Ministrio da Educao Sistema Universidade Aberta do Brasil UAB. Diretoria do Departamento de Polticas em Educao a Distncia DPEAD. Braslia: MEC, 2007. TRIOLA, M. F. Introduo Estatstica. Rio de Janeiro: LTC, 1999. WONNACOTT, T. H., WONNACOTT, R. J. Estatstica Aplicada Economia e Administrao. Rio de Janeiro: LTC, 1981.

46