Estat Stica Descritiva

Estatística descritiva
Fabíola Eugênio Arrabaça Moraes

© 2017 by Universidade de Uberaba
Todos os direitos reservados. Nenhuma parte desta publicação poderá ser

reproduzida ou transmitida de qualquer modo ou por qualquer outro meio,
eletrônico ou mecânico, incluindo fotocópia, gravação ou qualquer outro tipo de
sistema de armazenamento e transmissão de informação, sem prévia autorização,
por escrito, da Universidade de Uberaba.
Universidade de Uberaba
Reitor
Marcelo Palmério
Pró-Reitor de Educação a Distância

Fernando César Marra e Silva
Editoração
Produção de Materiais Didáticos
Capa
Toninho Cartoon
Edição
Universidade de Uberaba
Av. Nenê Sabino, 1801 – Bairro Universitário
Catalogação elaborada pelo Setor de Referência da Biblioteca Central UNIUBE
Moraes, Fabíola Eugênio Arrabaça.

M791e Estatística descritiva / Fabíola Eugênio Arrabaça Moraes. –
Uberaba: Universidade de Uberaba, 2017.
148 p.: il.
Programa de Educação a Distância – Universidade de Uberaba.
ISBN 978-85-7777-591-0
1. Estatística. 2. Pesquisa. I. Universidade de Uberaba.

Programa de Educação a Distância. II. Título.
CDD 519.5
Sobre os autores
Mestre em Estatística pela Universidade Federal de São Carlos (UFSCar).

Graduada em Matemática pela Faculdade de Educação São Luís de
Jaboticabal (FESL). É docente nos cursos de graduação, na modalidade
presencial e à distância, da Universidade de Uberaba (Uniube), nas áreas
afins de Matemática, Estatística e Bioestatística.
Sumário
Apresentação...........................................................................................
Capítulo 1 Estatística Descritiva: a importância da estatística no dia a dia.... 1

1.1 A importância da Estatística no dia a dia...................................................................4
1.2 Estatística descritiva – parte I ...................................................................................7
1.2.1 O que é população e o que é amostra? .........................................................8
1.2.2 Situações problema envolvendo a questão da representatividade ..................11
1.2.3 Apresentação dos dados ..............................................................................14
1.2.4 Representação tabular ..................................................................................15
1.2.5 Distribuição de frequência ............................................................................17
1.2.6 Dados brutos .................................................................................................17
1.2.7 Rol .................................................................................................................18
1.2.8 Distribuição de frequência para variável discreta (tabela de frequência) ....18
1.2.9 Distribuição de frequência para variável contínua (intervalo de classe) ......19
1.3 Representação gráfica.............................................................................................24
1.4 Estatística descritiva – parte II.................................................................................28
1.4.1 Medidas de tendência central .......................................................................28
1.5 Medidas de variabilidade.........................................................................................48
1.5.1 Amplitude total ou intervalo total ...................................................................48
1.5.2 Desvio padrão ...............................................................................................49
1.5.3 Variância ........................................................................................................50
1.5.4 Coeficiente de variação ................................................................................50
Capítulo 2 Conhecendo o cálculo da probabilidade............................. 61

2.1 Definições e notações básicas................................................................................64
2.2 Probabilidade...........................................................................................................67
2.2.1 Definição clássica .........................................................................................68
2.2.2 Definição frequentista....................................................................................69
2.2.3 Definição subjetiva ........................................................................................71
2.3 Axiomas da probabilidade........................................................................................72
2.3.1 Alguns dos principais teoremas de probabilidade ........................................73
2.3.2 Probabilidade condicional .............................................................................74
2.3.3 Teorema do produto ......................................................................................76
2.3.4 Independência estatística .............................................................................77
2.3.5 Teorema da probabilidade total .....................................................................79
2.3.6 Teorema de Bayes ........................................................................................80
Capítulo 3 Distribuições de probabilidade.................................................. 85
3.1 Distribuições de probabilidade.................................................................................87
3.2 Variável aleatória......................................................................................................90
3.2.1 Variável aleatória discreta .............................................................................91
3.2.2 Variável aleatória contínua ............................................................................92
3.2.3 Algumas características numéricas importantes em uma distribuição de
probabilidade .................................................................................................93
3.3 Distribuições discretas de probabilidade.................................................................94
3.3.1 Distribuição binomial .....................................................................................95
3.3.2 Distribuição de Poisson .................................................................................97
3.4.1 Distribuição normal .....................................................................................100
3.4 Distribuições contínuas de probabilidade..............................................................100
Capítulo 4 Amostragem...................................................................... 123

4.1 Noções sobre amostragem...................................................................................126
4.2 Noções de planejamento amostral........................................................................126
4.3 Formulação de hipóteses......................................................................................128
4.4 Coleta de dados.....................................................................................................128
4.5.1 Amostra casual simples ..............................................................................130
4.5 Principais métodos amostrais................................................................................130
4.5.2 Amostra aleatória sistemática .....................................................................134
4.5.3 Amostra aleatória estratificada ....................................................................135
4.5.4 Amostra por conglomerados ..............................................................................136
Apresentação
Quando ouvimos falar em Estatística, sempre vem ao nosso pensamento
números divulgados no dia a dia. A média de gols marcados por partida
do campeonato brasileiro de futebol noticiada por um comentarista de
um programa esportivo; a porcentagem das intenções de voto que um
candidato à Presidência da República reúne, divulgada no noticiário
da televisão; a quantidade de automóveis vendidos nos últimos doze
meses, publicada no jornal; o número de pessoas infectadas por gripe
nas regiões metropolitanas do país. Eis alguns exemplos de números
contidos nas informações que diariamente chegam até nós.
O que a Estatística significa para você? A Estatística apenas se resume

a números? A Estatística é muito mais do que isso. Segundo o Instituto
Brasileiro de Geografia e Estatística – IBGE, Estatística é o “conjunto
de técnicas e métodos de pesquisa que entre outros tópicos envolve o
planejamento do experimento a ser realizado, a coleta qualificada dos
dados, a inferência, o processamento, a análise e a disseminação das
informações”.
Este volume compreende o ramo da Estatística conhecido por Estatística

descritiva. A Estatística descritiva aborda a coleta, a classificação, o
resumo, a organização, a análise e a interpretação de dados. Tudo isso
com a finalidade de gerar informações.
No decorrer dos estudos deste livro, você aprenderá a organizar dados, a

descrevê-los, a calcular suas medidas representativas e a interpretá-los.
A área de aplicação da Estatística é, portanto, imensa. Abrange os mais

variados campos do saber, como as ciências biológicas e da saúde, as
ciências humanas, as ciências sociais aplicadas e as ciências exatas.
Os profissionais que sabem utilizá-la reconhecem sua importância na
formulação do raciocínio crítico no estudo, no trabalho e na vida diária.
Por isso, desejamos a você bons estudos.
Capítulo
Estatística Descritiva:
a importância da
1
estatística no dia a dia
Introdução
Neste capítulo, iniciaremos nosso percurso de Estatística. Em
particular, no primeiro momento, vamos refletir sobre a aplicação
de estatística no seu dia a dia, visando a compreensão dos
conceitos de forma clara e concisa.
Faremos uma introdução à Estatística Descritiva, que, em

geral, se ocupa do levantamento, organização, classificação e
descrição de dados em estudo. Você verificará que a descrição
dos dados facilitará a compreensão dos fatos envolvidos no
estudo. A descrição se apresenta por meio de tabelas, gráficos ou
outros recursos visuais, além abranger o cálculo de parâmetros
representativos desses dados.
É sabido que parâmetro (MORETTIN, 2009 p. 183) é a medida

usada para descrever uma característica numérica populacional.
Genericamente representaremos um parâmetro por θ (lê-se
theta). Especificamente, representaremos a média por µ (lê-se
mi), a variância por σ2 (lê-se sigma ao quadrado) e o coeficiente
de correlação por ρ (lê-se rô), os quais são alguns exemplos de
parâmetros populacionais.
Estudaremos os procedimentos estatísticos descritivos, os quais

permitem elucidar dúvidas, obter conclusões ou mesmo possibilitar
a tomada de decisões a respeito de características de interesse.
Por exemplo, imagine que no local em que você reside foi realizado
um estudo ambiental, e este estudo revelou a presença de um
2 UNIUBE
perigoso poluente no ar. Esta revelação, com certeza geraria

muitas dúvidas, quanto aos malefícios para a população! Você,
certamente, irá buscar mais explicações respeito. Dependendo
das conclusões do estudo, você, ou mesmo as autoridades
responsáveis pelo local, terão de tomar decisões a respeito dos
malefícios deste perigoso poluente para a sua família ou para a
população. Certo?
Com base nos dados obtidos a respeito da concentração de

poluentes, talvez você tenha que decidir pela saída imediata de
sua família deste local por certo tempo. Por isso mencionamos,
que os procedimentos descritivos também possibilitam a tomada
de decisões sobre as características de interesse.
Este exemplo e outros que estudaremos mostrarão o quanto a

Estatística está presente no seu cotidiano. Os exemplos estão
em todos os contextos e mostram a importância que a Estatística
assume cada vez mais em todas as áreas do conhecimento. De
modo geral, este capítulo permitirá a você se familiarizar com os
conceitos abordados por meio de exemplos, situações problema
e exercícios que enfocam a aplicação da estatística nas diversas
áreas do conhecimento.
Objetivos
Ao final deste capítulo, esperamos que você seja capaz de:
• determinar situações práticas nas quais a Estatística poderá

ser aplicada com propriedade, combinando as possíveis
interpretações e análises do fenômeno estatístico;
• expressar dados mediante representação tabular e representação
gráfica;
• estabelecer intervalos de diferentes tipos e medidas;
• calcular as principais medidas de posição e de variabilidade,
tanto para dados agrupados como para dados não agrupados;
• usar o método de resolução das várias situações problema mediante
a descrição, demonstração, aplicação, análise, desenvolvimento e
julgamento.
UNIUBE 3
Esquema
Para melhor entender a Estatística no âmbito dos principais tópicos
que serão abordados neste capítulo, acompanhe o esquema na
Figura 1.
Aplicação da
Estatística População Alvo
Amostra Resultados
Representativa Inferidos
Análise Exploratória Resultados

dos Dados Descritivos
Referências
Resumo
Figura 1: Esquema do capítulo.
TROCANDO IDEIAS!
Qual é a importância da Estatística no seu dia a dia?
Discuta com seus colegas, busque ouvir outras opiniões! Acreditamos

que isso será muito importante para você!
4 UNIUBE
1.1 A importância da Estatística no dia a dia

A utilização da Estatística é cada vez mais acentuada em qualquer
atividade profissional na vida moderna. Nos seus mais diversificados
ramos de atuação, as pessoas estão frequentemente expostas à
Estatística, utilizando a com maior ou menor intensidade. Isso se deve
às múltiplas aplicações que o método estatístico proporciona àqueles que
dele necessitam. Desde as ciências sociais de Psicologia e Sociologia até
áreas como educação, ciências humanas e físicas, ciências da saúde,
Administração, ciências contábeis, Economia, Engenharia, negócios,
Jornalismo, comunicações e artes de forma geral.
A seguir, você vai conferir alguns exemplos práticos, indicando a

importância da Estatística no seu dia a dia e como ela tem assumido um
papel bem mais abrangente nas últimas décadas.
EXEMPLIFICANDO!
Exemplo 1.1 Os institutos de pesquisa de opinião regularmente fazem

pesquisas para determinar o índice de popularidade de um governo em
exercício. Suponha que a pesquisa será conduzida na próxima semana com
2.500 indivíduos e eles serão questionados se o governo está fazendo uma
boa ou má administração.
Exemplo 1.2 Imagine que um nutricionista trabalha em uma escola e deseja
conhecer os hábitos alimentares das crianças em idade pré-escolar.
Exemplo 1.3 Suponha que você e seu sócio desejam decidir um negócio e
se deparam com uma análise de incerteza, ou seja, quais as chances de as
vendas de certo produto decrescerem se aumentarem os preços?
Exemplo 1.4 O engenheiro civil responsável pela concretagem de um
complexo industrial, suspeita que o concreto esteja fora das especificações
quanto à resistência, em determinado momento da usinagem. Este problema
o levará a indícios de falha no sistema de produção. Isso dará ao engenheiro
oportunidade para formular algumas hipóteses. Por exemplo, quanto aos
componentes usados na mistura, as máquinas utilizadas, ou, ainda, uma
possível falha humana, entre outras.
Observe que, neste Exemplo 1.4, a hipótese exemplificada e a necessidade
do engenheiro de pesquisar o problema surgiram a partir de um fato
encontrado em dados observados.
UNIUBE 5
PARADA PARA REFLEXÃO
O que é Estatística para você? Registre as suas ideias e continue os seus

estudos, pois, a seguir, preparamos várias informações e fatos curiosos do
seu dia a dia que estão intimamente relacionados à Estatística. Será que
você já não se deparou com alguns destes fatos?
A Estatística é uma área do conhecimento que utiliza teorias

probabilísticas para explicação de eventos, estudos e experimentos.
Tem por objetivo obter, organizar e analisar dados, determinando as
correlações que apresentem, tirando delas suas consequências para
descrição e explicação do que passou, apresentando uma previsão e
organização do futuro.
A Estatística também é considerada uma ciência e prática de

desenvolvimento de conhecimento humano através do uso de dados
empíricos. Baseia se na teoria estatística um ramo da Matemática
aplicada. Na teoria estatística, a aleatoriedade e incerteza são
modeladas pela teoria da probabilidade. Algumas práticas estatísticas
incluem, por exemplo, o planejamento, a sumarização e a interpretação
de observações. Porque o objetivo da Estatística é a produção da
“melhor” informação possível a partir dos dados disponíveis; alguns
autores sugerem que a Estatística é um ramo da teoria da decisão.
IMPORTANTE!
Fique atento! Após as considerações já mencionadas você percebeu

que, frequentemente, nos deparamos com terminologias e expressões
específicas da ciência em estudo. Portanto, torna-se impreterível aguçar
o seu interesse e compromisso em conhecer vocábulos ou expressões até
então desconhecidos, porém necessários aos seus estudos.
PESQUISANDO NA WEB
Sugerimos acessar o link a seguir para a profundar o seu conhecimento:

<http://www.ibge.gov.br/home/>
6 UNIUBE
Com as situações propostas a você até aqui, juntamente com as suas

experiências de vida, seu dia a dia com sua família, na ida para o seu
trabalho, a fila do caixa no supermercado, em seu momento de lazer,
acreditamos que você está refletindo em relação aos conhecimentos em
Estatística. Por exemplo, você poderá, em algum momento, se deparar
ou até concordar com a seguinte ideia:
Podemos, então, comparar a Estatística a um grande baú!
Com muita calma, é possível aprender e conquistar tudo o que ela pode
nos proporcionar, já que nos seus mais diversificados ramos de atuação,
nós estamos frequentemente expostos a ela, utilizando a com maior ou
menor intensidade!
Conheça, a seguir, um pouco da história da origem do termo Estatística.
O termo Estatística surgiu da expressão em latim statisticum collegium,

palestra sobre os assuntos do estado, de onde surgiu a palavra em língua
italiana Statista, que significa “homem de Estado”, ou político, e a palavra
alemã Statistik, designando a análise de dados sobre o Estado. A palavra
foi proposta pela primeira vez no século XVII, em latim, por Schmeitzel,
na Universidade de Lena, e adotada pelo acadêmico alemão Gottfried
Achenwall. Apareceu como vocabulário na enciclopédia Britânica, em
1797, e adquiriu um significado de coleta e classificação de dados no
início do século XIX.
SAIBA MAIS
Para saber um pouco mais sobre a história da Estatística e seus principais

componentes acesse o link: <http://www.mat.ufrgs.br/~vigo/historia.html>.
CURIOSIDADE
Em 1085, Guilherme, O Conquistador, ordenou que se fizesse um

levantamento estatístico da Inglaterra. Esse levantamento deveria incluir
informações sobre terras, proprietários, uso da terra, empregados e animais,
e serviria, também, de base para o cálculo de impostos. Tal levantamento
originou um volume intitulado Domesday Book. Com este fato talvez seja
mais fácil entender que o significado de Doomsday é Dia do juizo final!
UNIUBE 7
Outro fato curioso são as Tábuas de mortalidade. Você sabia que as

Tábuas de mortalidade usadas na atualidade pelas companhias de seguro
originaram-se de estudos realizados no século XVIII?
Sim, e isso por causa dos estudos de John Graunt (1620-1674) e William
Petty (1623-1687), aritméticos políticos mais destacados na época pela
busca de leis quantitativas que pudessem explicar o estudo numérico dos
fenômenos sociais e políticos. “Dessa forma, a escola dos aritméticos
políticos pode ser considerada o berço da Demografia”.
Fonte: Disponível em: <http://www.mat.ufrgs.br/~vigo/historia.html > Acesso em jun. 2016.
Acompanhe, a seguir, algumas noções gerais de Estatística descritiva.
1.2 Estatística descritiva – parte I
De início, propomos a você uma reflexão: o que um analista que dispuser

de dados de uma pesquisa deve fazer para extrair as informações de
que precisa?
Neste momento, acreditamos que você esteja construindo conhecimentos

a partir de várias curiosidades e indagações, o que será ótimo para sua
formação pessoal e profissional. Supõe se que você poderá em algum
momento se deparar ou até concordar com a seguinte ideia:
Os dados de uma pesquisa devem ser reduzidos até o ponto em que se

possa interpretá los mais claramente! De onde vem o termo Estatística
descritiva? O que ela descreve?
Pois bem, até aqui, acreditamos que você está conduzindo muito bem o
seu estudo! Está refletindo sobre as terminologias apresentadas. Ou seja,
nesse contexto, você começa a desenvolver a linguagem e o raciocínio
estatísticos. Em outras palavras, você está sendo professor de você
mesmo.
Em definição, a Estatística descritiva é o ramo da Estatística que

se preocupa em descrever os dados observados da amostra sem se
preocupar em fazer previsões sobre os parâmetros do universo. A
Estatística descritiva trata da coleta, da organização e da descrição dos
dados. Então, vamos entender o que é população e o que é amostra.
8 UNIUBE
1.2.1 O que é população e o que é amostra?
As pessoas de uma comunidade podem ser estudadas sob diversos

pontos de vista. Por exemplo, podem ser classificadas quanto ao sexo
(masculino ou feminino), quanto à estatura (baixa, média ou alta), quanto
à renda (pobres ou ricas), entre outras.
Portanto, sexo, estatura e renda são variáveis, isto é, são propriedades

às quais podemos associar conceitos ou números e, assim expressar,
de certa forma, informações sob forma de medidas.
E, para você, nome e sexo são formas de medida?
Reflita sobre essa questão! Em seguida, vamos para mais um desafio.

Exercite suas habilidades sobre o conceito de medida desenvolvendo a
atividade proposta a seguir.
AGORA É A SUA VEZ
Atividade 1.1
Para a realização dessa atividade escolha uma relação das pessoas que
convivem com você, por exemplo, em sua residência, na residência do
seu vizinho, ou em seu ambiente de trabalho. Agora, associe o nome das
pessoas que você escolheu ao sexo, de forma que isso se transforme em
medida.
Antes de propormos a atividade anterior, fazíamos referências às

variáveis, isto é, às propriedades para as quais podemos associar
conceitos ou números e, assim expressar, de certa forma, informações
sob forma de medidas. Logo, qualquer conjunto de informações que
tenham, entre si, uma característica em comum denotamos por
população (representaremos população por N maiúsculo).
Portanto, uma população é um conjunto de unidades (geralmente

pessoas, objetos, transações ou eventos) que nos interessa estudar
(MCCLAVE et al., 2009).
UNIUBE 9
São exemplos de população:
• todas as lâmpadas produzidas por uma indústria no primeiro trimestre

de determinado ano;
• todos os pacientes atendidos no PS do HUMP no primeiro ano de
sua inauguração (Pronto Socorro do Hospital Universitário Mário
Palmério, destinado ao atendimento da população de Uberaba e
região);
• todos os animais, de uma determinada espécie, prontos para abate;
• o número de unidades produzidas por um empregado de certa linha
de produção, durante os trinta dias que antecederam à pesquisa.
Os motivos de se estudar uma população são vários. Por exemplo, um

engenheiro agrônomo pode estar interessado em determinar o peso
médio de certa variedade de cana de açúcar cultivada em um determinado
estado do Brasil; ou um engenheiro de materiais pode desejar estudar
os tipos de polímeros adequados para a confecção de canos plásticos
(PVC), cujo intuito é aumentar a durabilidade com menor custo; ou um
ecologista pode ter o interesse de conhecer características de uma
população constituída por todas as áreas de reservas extrativistas.
O estudo de uma população muito grande, por exemplo, o conjunto de

todas as estaturas de uma comunidade, será um trabalho difícil de executar.
Nesse caso, o pesquisador terá um grande trabalho para estudá-la além de,
em alguns casos, ocorrerem falhas nos resultados.
A partir dessa ideia vamos aprender outro conceito.
Nos casos de populações muito grandes, o pesquisador recorre,

basicamente, a uma redução da população a dimensões menores,
sem perda das características essenciais, ou seja, extrai uma amostra
(representaremos amostra por n minúsculo) desta população.
Por exemplo, imaginemos uma pesquisa com 400 jogadores (no caso,
representando a população N em estudo) participantes do Campeonato
Brasileiro 2009, famoso Brasileirão. Esse estudo deseja verificar
qual é a estatura média destes jogadores. Para simplificar o trabalho
10 UNIUBE
colhemos uma amostra (n) de 40 jogadores, por exemplo, e estudamos

o comportamento da variável estatura somente destes 40 jogadores.
Assim, como escolhemos a variável estatura, poderíamos escolher
outras variáveis como, por exemplo, renda familiar, número de irmãos,
inteligência, tipo sanguíneo, grau de escolaridade, preferência musical,
entre outras.
Uma amostra para ser boa, necessariamente, tem que ser

representativa da população em estudo, ou seja, deve conter,
em proporção, tudo o que a população possui qualitativa e
quantitativamente. Todos os elementos da população devem ter
igual oportunidade de fazer parte da amostra. No exemplo dado,
não poderíamos escolher quem quiséssemos para a amostra.
Portanto, para garantir a representatividade e a imparcialidade
de urna amostra, é necessário seguir algumas regras. Veja estas
regras a seguir.
Regras a serem seguidas objetivando uma boa amostra:
I. Para assegurar a representatividade de uma amostra, devemos analisar

a população para ver se seus elementos distribuem se homogeneamente
ou se formam grupos com características peculiares. Caso observarmos
isso, devemos respeitar as proporções com que esses grupos integram
a população.
II. A imparcialidade em uma amostra é obtida por sorteio dos elementos
que farão parte desta amostra, mediante a utilização de uma máquina
geradora de números aleatórios ou de uma tabela de números
aleatórios.
No decorrer dos seus estudos em Estatística, você aprenderá

mais sobre a utilização de uma tabela de números aleatórios.
Essas tabelas são construídas de modo a garantir que cada
dígito, cada par de dígitos consecutivos, cada tema de dígitos
consecutivos, e assim por diante, apareçam com a mesma
frequência em uma longa sequência de números.
UNIUBE 11
1.2.2 Situações problema envolvendo a questão da representatividade
Voltemos ao exemplo da mensuração da estatura média de 40 jogadores

participantes do Campeonato Brasileiro 2009. Sabe se que a amostra
n só traz informações sobre a população da qual foi retirada, ou seja,
da população de 400 jogadores participantes do referido campeonato.
Para verificar o seu aprendizado sobre o significado prático da
representatividade, reflita sobre a questão a seguir. Lembre-se: não é
aconselhável seguir seus estudos com dúvidas a respeito de quaisquer
dos conceitos abordados!
Faz sentido para você estudar a estatura dos jogadores participantes do

Campeonato Brasileiro de determinado ano e considerar que as informações
deste estudo se aplicam para descrever a estatura de jogadores participantes
do campeonato italiano de futebol?
A resposta é não. Não faz sentido, pois as amostras em estudo integram

populações diferentes.
Após a reflexão estabelecida, observe que temos uma amostra

representativa da população inicial. As pessoas (na situação problema,
os jogadores) passam, a partir desse momento, a ser tratadas como
dados (estaturas) e podem dar origem ao estudo de diversas relações
estatísticas, como, por exemplo, a média aritmética, a mediana, a
moda, a variância, o desvio padrão, entre outras que, mais adiante,
farão parte de seus estudos.
Essas relações estatísticas possibilitam descrever, sob diversos ângulos,

o conjunto de dados representados pela amostra. Por essa razão,
constituem o campo da Estatística descritiva.
Lembre-se: o interesse do pesquisador está voltado para a população

da qual se originou a amostra. Ele estuda as características da amostra
pelo uso das relações estatísticas com o objetivo de atribuir estas
características à população, generalizando suas conclusões.
12 UNIUBE
IMPORTANTE!
A parte da Estatística em que o interesse está nas generalizações por

meio das transferências de conclusões das amostras para as populações
chama‑se Estatística inferencial. Nessas transferências de conclusões,
o pesquisador se vale de um poderoso recurso que é a teoria das
probabilidades, que lhe permite avaliar e controlar o quão ele pode “errar”
nessas generalizações, ou seja, nas inferências.
Você certamente está se perguntando: como o pesquisador pode cometer

“erros” nessas inferências? Será que não tem como o pesquisador
“controlar” esses erros?
Antes de respondermos a essas questões, você se lembra da

comparação que fizemos entre a Estatística e um grande baú? E que
com muita calma é possível aprender e conquistar tudo o que ela pode
nos proporcionar? Muito bem! Então saiba que o pesquisador tem como
aplicar recursos para manter o erro sob controle. Em seus estudos
subsequentes, você irá aprender como o pesquisador controla esses
erros. Vale a pena conferir. É muito interessante!
AGORA É A SUA VEZ
Atividade 1.2
Sobre o conteúdo até agora estudado, classifique em verdadeiro ou falso

as seguintes afirmações. Apresente um argumento para a sua escolha. Se
for verdadeiro, incremente mais informações ou exemplos. Se for falso,
reescreva a questão corretamente.
a) Estatística é um conjunto de técnicas destinadas a organizar um conjunto

de valores numéricos.
b) Uma população pode ser constituída de todo solo pertencente a uma área
bem definida.
c) A Estatística descritiva fornece uma maneira adequada de tratar um
conjunto de valores, numéricos ou não, com a finalidade de conhecermos
o fenômeno de interesse.
UNIUBE 13
d) No fenômeno coletivo da eleição para governador no Estado de Minas

Gerais, a amostra é o conjunto de todos os eleitores habilitados nesse
Estado.
e) Qualquer amostra representa, de forma adequada, uma população.
A seguir, vamos ressaltar a diferença entre dados e variáveis, e estudar

como a descrição dos dados facilitará a compreensão dos fatos envolvidos
no estudo, assim como apresenta-los por meio de tabelas ou gráficos.
Qual é a diferença entre dados e variáveis?
Antes de prosseguir com seus estudos, reflita sobre esta questão.

Acompanhe a ideia principal dessa diferença por meio do exemplo a seguir.
EXEMPLIFICANDO!
Exemplo 1.5 O gerente de certa empresa de transporte coletivo deseja

saber a opinião dos usuários sobre a qualidade dos serviços de transportes
diários que presta à comunidade. De acordo com a situação proposta,
identifique qual é a variável em estudo e quais são os dados neste caso.
Resolução: denomina‑se variável uma característica de interesse da

população em estudo. Portanto, no exemplo proposto, a variável de interesse
é a opinião dos usuários de transporte coletivo. E como sabemos, os dados
representam os valores da variável em estudo. Nesse caso, suponhamos
que o gerente, ao realizar a pesquisa, peça aos usuários que deem uma nota
de zero a três a cada serviço utilizado. Os dados coletados poderão ser, por
exemplo, precisão no horário de ônibus (nota 2), composição das linhas e
itinerários (nota 1), quadro funcional (motorista, cobrador, atendimento ao
usuário etc.) (nota 2), entre outros.
Agora que você já sabe a diferença entre dados e variáveis, saiba como
os dados devem ser apresentados.
14 UNIUBE
1.2.3 Apresentação dos dados
Para melhor entendermos a apresentação dos dados, primeiro

preparamos um esquema simples, conforme apresentado na Figura 2.
Em seguida, confira, em detalhes, os conceitos necessários e exemplos.
II
Discreto
Quantitativo ou
Numérico
Tipos de Dados
Contínuo
I
III
Nominal
Qualitativo ou
Categórico
Ordinal
Figura 2: Esquema de apresentação dos dados.
De acordo com a Figura 2, temos:
• Em I, os dados são classificados em dois tipos:
– Dados quantitativos ou numéricos – denotam as variáveis que

assumem valores numéricos.
– Dados qualitativos ou categóricos – denotam as variáveis que
assumem apenas valores categoriais.
• Em II, as variáveis podem ser classificadas, segundo sua natureza, em

discreta ou contínua.
– Variável discreta – (o domínio assume valores no conjunto dos números

naturais N ) – pode assumir apenas valores pertencentes a um conjunto
enumerável. Exemplo: o número de estudantes entre os habitantes de
uma cidade, a frequência cardíaca (batimentos/minuto) etc.
– Variável contínua – (o domínio assume valores no conjunto dos
números reais R ) – pode assumir qualquer valor em certo intervalo de
variação. Exemplo: a idade das pessoas residentes em um município,
o nível de glicemia (mg / 100 ml) etc.
UNIUBE 15
• Em III, as variáveis podem ser de natureza nominal ou ordinal.
– Variável nominal – quando, entre as categorias possíveis, apenas

podem-se estabelecer relações de igualdade ou diferença. Exemplo:
a variável “sexo”, a qual é composta de duas categorias possíveis:
“masculino” e “feminino”.
– Variável ordinal – quando, entre as categorias, podem se estabelecer

relações de ordem. Exemplo: (relação de idêntico, maior ou menor)
a variável “nível socioeconômico”, com três categorias: “baixo”, “médio”
ou “elevado”.
Conforme já mencionamos, a descrição dos dados facilitará a

compreensão dos fatos envolvidos no estudo. Agora, vamos estudar
como apresentá los por meio de tabelas ou gráficos.
IMPORTANTE!
Fique atento(a) para a apresentação e construção de tabelas! Você já

verificou a diferença entre construir um quadro e uma tabela? Confira!
1.2.4 Representação tabular
A representação tabular consiste em dispor os dados em linhas e

colunas distribuídas de modo ordenado. A elaboração de tabelas
obedece à Resolução n. 886, de 26 de outubro de 1966, do Conselho
Nacional de Estatística. As normas de apresentação são editadas pelo
Instituto Brasileiro de Geografia e Estatística – IBGE. Na sequência,
você acompanha o esquema de uma representação tabular, com
as denominações de seus elementos, e, logo após, um glossário
especificando um a um esses elementos.
16 UNIUBE
Representação esquemática
Título
Cabeçalho
Corpo
Rodapé
Elementos de uma tabela
Título: o título deve responder às seguintes questões:
• O quê? (Assunto a ser representado – fato).

• Onde? (O lugar onde ocorreu o fenômeno – local).
• Quando? (A época em que se verificou o fenômeno – tempo.)
Cabeçalho: parte da tabela na qual é designada a natureza do conteúdo

de cada coluna.
Corpo: parte da tabela composta de linhas e colunas.
• Linhas: parte do corpo que contém uma sequência horizontal de
informações.
• Colunas: parte do corpo que contém uma sequência vertical de
informações.
Coluna indicadora: coluna que contém as discriminações correspondentes
aos valores distribuídos pelas colunas numéricas.
Casa ou célula: parte da tabela formada pelo cruzamento de uma linha
com uma coluna.
Rodapé: é o espaço aproveitado em seguida ao fecho da tabela,
onde são colocadas as notas de natureza informativa (fonte, notas e
chamadas).
• Fonte: refere se à entidade que organizou ou forneceu os dados expostos.
• Notas e chamadas: denotam esclarecimentos contidos na tabela
(nota – conceituação geral; chamada – esclarecer minúcias em
relação a uma tabela).
UNIUBE 17
IMPORTANTE!
Antes de prosseguir com seus estudos, é muito importante e aconselhável

que você tenha sempre uma calculadora para efetuar os cálculos que forem
necessários.
1.2.5 Distribuição de frequência
Agora, os dados referentes a determinado fenômeno são apresentados

por meio de gradações, em que são feitas a correspondência entre
categorias ou valores possíveis e as respectivas frequências. A definição
de alguns conceitos será importante para o uso da linguagem apropriada
ao elaborarmos e analisarmos as distribuições de frequências. Vamos
estudar as definições de dados brutos, rol, distribuição de frequência para
a variável discreta (tabela de frequência) e distribuição de frequência para
a variável contínua (intervalo de classes).
1.2.6 Dados brutos
Como primeiro resultado de uma pesquisa, obtém se dados brutos, um

conjunto de números ainda sem nenhuma organização. Esse material é
então ordenado de forma crescente ou decrescente, com a indicação da
frequência, dando origem ao que chamamos de rol.
EXEMPLIFICANDO!
Exemplo 1.6 Uma pesquisa foi realizada numa cidade, do interior de Minas
Gerais, cujo intuito é saber o número de pessoas por residência. A amostra
é de 30 residências e as primeiras informações seguem no Quadro 1.
Quadro 1 – Número de pessoas por residência.

6 5 3 3 2 3 3 3 4 4
6 3 2 4 3 5 4 4 3 3
4 2 4 3 4 2 1 3 3 4
18 UNIUBE
Conforme podemos observar no Quadro 1, os valores estão dispostos de

forma desordenada. Em razão disso, pouca informação conseguimos obter
analisando os dados apresentados. Mesmo um a informação simples, como
saber os valores mínimos e máximos do número de pessoas por residência,
requer certo exame dos dados coletados.
1.2.7 Rol
O rol dos dados do Quadro 1 se apresenta arranjado no Quadro 2, a seguir.
Quadro 2 – Número de pessoas por residência.

1 2 2 2 2 3 3 3 3 3
3 3 3 3 3 3 3 4 4 4
4 4 4 4 4 4 5 5 6 6
O Quadro 2 apresenta vantagens concretas em relação aos dados

brutos no Quadro 1. O rol (crescente) torna possível visualizar, de forma
bem ampla, as variações dos dados, uma vez que os valores extremos
são percebidos de imediato. Porém, a análise pelo uso desse tipo de
disposição começa a se complicar quando o número de observações
tende a crescer.
1.2.8 Distribuição de frequência para variável discreta (tabela de

frequência)
Tabela 1 – Distribuição de frequência da variável número de pessoas por residência numa

cidade do interior de Minas Gerais.
Xi 1 2 3 4 5 6 Total (n)
ƒi 1 4 12 9 2 2 30
Em que:
Xi: denota os elementos da amostra (no caso, número de pessoas por
residência);
ƒi: denota a frequência ou peso de cada valor da amostra (n).
UNIUBE 19
1.2.9 Distribuição de frequência para variável contínua (intervalo

de classe)
Para estudarmos este outro conceito, vamos continuar com a mesma

pesquisa, ou seja, depois de elaborar o rol é necessário determinar
quantas faixas etárias terá a tabela de frequência. O passo seguinte
é subdividir os dados por classe ou categoria (no caso, o número de
pessoas por residência) e determinar o número de pessoas pertencentes
a cada uma, resultando na frequência de classe. Seja:
k: número de classes que a tabela de classe deverá conter.

n: número de elementos da amostra.
Portanto, se você tem uma amostra com 30 dados, pode organizá los em
uma tabela de distribuição de frequência, sendo k o número de classes.
Para encontrarmos o número de classe k, usamos o critério da raiz,
como é conhecido k ≅ n , ou pelo uso da fórmula de Sturges em que
log n , em que n é o número de elementos da amostra. Usando a
k= 1+
log 2
fórmula de Sturges, encontramos:
log 30
k ≅ 1+ ≅ 5,9 =
>k=6
log 2
Portanto, determinamos que a distribuição será composta de 6 classes.
Após encontrar o valor de k, é preciso determinar o intervalo de classes,

isto é, o tamanho que cada classe deverá ter. A determinação desta
amplitude de classe será denotada por h, a qual será constante, isto
é, todas as k classes deverão ter a mesma amplitude.
Como calcular h?
A
É simples. Fazemos
= A X máximo − X minimo . Logo, h = , em que,
k
A : denota a amplitude total, isto é, a diferença entre o maior e o menor
valor observado da variável em estudo.
X máximo : denota o maior valor observado da variável em estudo.
X mínimo : denota o menor valor observado da variável em estudo.
h : denota a amplitude do intervalo de classe.
20 UNIUBE
No exemplo apresentado, de acordo com o Quadro 2, temos,

A 5
A = X máximo − X minimo = 6 − 1 = 5. Portanto, h= = = 0,83 ≅ 1 .
k 6
Em seguida, o pesquisador determina os limites de cada classe, ou seja,

o limite superior (lsup) e o limite inferior (linf), aplicando um dos quatro
conceitos de intervalo que já estudamos. Escolhe se um ponto de partida,
de acordo com os interesses da pesquisa.
Por exemplo, decidimos que o limite inferior será de zero. E, a partir

dele, serão construídas as classes da tabela de frequência, que deverá
abranger todos os elementos do rol.
No caso da não abrangência de todos os elementos do rol, devemos

aumentar a amplitude do intervalo de classes (h) ou o número de
classes (k).
Desta forma, se k = 6 e h = 1 , com a primeira classe iniciada por zero,

temos a adição de h , a cada classe:
Tabela 2 – Intervalo de classes.
Classes
k fi
linf lsup
1 1 |--- 2 1
2 2 |--- 3 4
3 3 |--- 4 12
4 4 |--- 5 9
5 5 |--- 6 2
6 6 |--- 7 2
∑ ---------- 30
UNIUBE 21
Em que:
∑: lê‑se somatório. É uma letra grega (correspondente ao S latino)

usada para indicar a adição dos termos de uma série; assume a mesma
ideia do uso de total ( n ) .
Vamos juntos recordar as ideias principais em relação à construção

de tabelas de distribuição de frequência abrangendo os intervalos de
classes.
• Dado o tamanho da amostra , deve‑se encontrar o valor de k que

,
representa o número de classes.
• Na sequência, calcular a amplitude total A, isto é, a diferença entre o

maior e o menor valor observado da variável em estudo.
• Encontrar o valor de h , amplitude do intervalo de classes.
• E, por fim, escolhe‑se um ponto de partida, de acordo com os interesses

da pesquisa.
Acompanhe, agora, algumas regras importantes abrangendo a construção

dos intervalos de classe.
1. Geralmente, os intervalos de classe devem ser escritos de acordo

com a Resolução n. 886/66 do IBGE. Para representar uma classe,
utiliza‑se o símbolo ‫ —׀‬indicando a inclusão do limite inferior (linf) e
exclusão do superior (lsup). Ou lê‑se também um intervalo fechado à
esquerda e aberto à direita. Portanto, de acordo com a Tabela 2, uma
residência com 4 pessoas está incluída na quarta classe (linf = 4) e não
na terceira.
2. De acordo com o item “1”, é importante observar se os elementos

estão incluídos ou excluídos.
3. Sempre que possível, deve‑se evitar classe com frequência nula,

principalmente em relação aos valores da primeira e última classe,
ou com frequência relativa muito elevada.
22 UNIUBE
Todavia, mesmo em meio às ideias principais e algumas regras que

acabamos de apresentar; saiba que, às vezes, ainda é preciso algo
mais! Como por exemplo, “agir com bom senso” ou “levar em conta
a experiência pessoal no assunto”. Caso contrário, só as expressões
e/ou as regras podem não nos levar a uma decisão final mais sensata!
Mas fique tranquilo, isso é natural nos estudos estatísticos, e se deve à

natureza dos dados em estudo, da unidade utilizada para expressá‑los e,
principalmente, do objetivo que se tem em vista alcançar com a pesquisa.
Veja mais alguns cálculos e suas respectivas expressões utilizadas na

distribuição de frequência para variável contínua (intervalo de classe).
• Ponto médio (representaremos por Pmi a primeira letra maiúscula

e a segunda minúscula) Pmi – surge da necessidade de definir
um número para representar cada classe, em geral denominado
ponto médio ( Pmi ) , ou seja, a média entre os valores dos limites
de classe. Logo, sua expressão é denotada por:
linf + lsup
Pmi =
2
• Frequência relativa (representaremos por f “índice r” ambos

minúsculos) – a frequência relativa denota qual proporção cada
classe representa em relação ao total ( n ) e é obtida dividindo‑se
cada uma das frequências absolutas ( fi ) pelo tamanho da amostra
( n ) . A frequência relativa é representada pela expressão:
IMPORTANTE!
A soma das frequências relativas sempre deverá ser igual a 1. Caso os

valores aproximados contradigam essa regra, basta arredondar algum
desses valores (para mais ou para menos) de modo a obter a soma
necessária.
UNIUBE 23
• Frequência percentual (representaremos por f “índice p” ambos

p
minúsculos) – como o próprio nome sugere, a frequência porcentual
indica a porcentagem de cada classe e, para obtê‑la, basta multiplicar
f r por 100 (assim a soma da frequência porcentual deverá ser igual a
100%). Sendo assim, temos:
f=
p f r ⋅100
• Frequência acumulada (representaremos por F maiúsculo). A

frequência acumulada corresponde à soma da frequência absoluta ( fi )
de sua classe, mais a frequência acumulada das classes anteriores, caso
existir. Dessa forma, sua expressão é representada por:
F f iatual + Fanterior sendo, i = 1, 2, , k
=
IMPORTANTE!
O valor da frequência acumulada F representado na última classe deverá

ser igual ao valor de n , ou seja, ao total de elementos da amostra.
Com base no Exemplo 1.6 da pesquisa realizada numa cidade do

interior de Minas Gerais, cujo intuito é saber o número de pessoas por
residência, podemos construir uma nova tabela de frequência (ver Tabela
3), incluindo todos os cálculos relacionados anteriormente.
Tabela 3 – Cálculos em função das frequências observadas quanto ao número de pessoas por
residência, numa cidade, do interior de Minas Gerais.
Classes
fi linf + lsup
k lsup fi fr = f r ⋅100 ( % )
linf n
f=
p Pm =
2
F fiatual + Fanterior
=
1 1 --- 2 1 0,03 3 1,5 1

2 2 --- 3 4 0,13 13 2,5 5
3 3 --- 4 12 0,40 40 3,5 17
4 4 --- 5 9 0,30 30 4,5 26
5 5 --- 6 2 0,07 7 5,5 28
6 6 --- 7 2 0,07 7 6,5 30
∑ ---------- 30 1,00 100% ---- ----
24 UNIUBE
AGORA É A SUA VEZ
Atividade 1.3
Os funcionários da empresa FAJU‑CAMADE estão em um sistema de

horário flexível; eles podem iniciar sua entrada no trabalho a partir das 7h
até às 9h. Os dados seguintes representam uma amostra estatística do
horário de preferência, escolhido pelos funcionários.
7h 7h15 8h 8h45 7h 9h 7h 7h15 8h 8h

7h 8h 8h15 7h45 7h30 8h30 8h 8h15 7h45 9h
8h15 9h 8h30 7h 8h 7h15 7h 9h 7h30 7h45
Com base nas informações apresentadas responda as letras a seguir:
a) Construa uma tabela de distribuição de frequências simples, relativa,

percentual e acumulada (utilize as Normas da ABNT para a construção
da tabela)
b) Pode-se afirmar que 20% dos funcionários tem preferência para a entrada
no trabalho às 8 horas. Em caso afirmativo ou não, apresente os cálculos
necessários para sua conclusão.
1.3 Representação gráfica
A representação gráfica da distribuição de uma variável tem a vantagem

de, rápida e concisamente, informar sobre sua variabilidade. Entre os
vários tipos de representações gráficas, os melhores gráficos são os que
primam pela simplicidade e clareza.
Uma vez elaborada a tabela de frequência, prossegue‑se com o desenho

do gráfico, um recurso de visualização dos dados constantes na tabela.
Entre os tipos de gráfico, temos o histograma, o polígono de frequência
e o polígono de frequências acumuladas (ogivas de Galton).
UNIUBE 25
DICAS
Você tem conhecimento do Microsoft Office Excel?

É um programa de planilha eletrônica, e seus recursos incluem uma interface
intuitiva, além de capacitadas ferramentas de cálculo e de construção gráfica.
Confira! Afinal, além de prepararmos os conteúdos básicos para sua base
nos estudos estatísticos, também cuidamos para que você se intere das
possibilidades deste software para a resolução de problemas estatísticos.
Pois, independente da área de atuação, o mercado de trabalho almeja por
profissionais cada vez mais qualificados!
De acordo com as informações anteriores, o desenho gráfico é um

recurso de visualização dos dados constantes na tabela, certo? O
exemplo a seguir irá orientá lo e será muito importante para você concluir
o que lhe será proposto mais adiante. Confira!
EXEMPLIFICANDO!
Exemplo 1.7 Interprete as informações seguintes, de acordo com o contexto

em estudo.
Na Figura 3, estão representados os casos suspeitos ou confirmados de

uma lista parcial de distribuição das Doenças de Notificação Compulsória
(DNC), notificadas ao Serviço de Epidemiologia do Hospital dos Servidores
do Estado (H.S.E.) do Rio de Janeiro, segundo o sexo.
100%
80%
46,5 60,6
63,1
Frequência (%)
65 69,3 M
73,4 72,7
60%
F
40%
20% 35 26,6 40,7 27,3 46,9 53,5 49,4
0%
Rúbeola
Intoxicação
alimentar
H.I.V./AIDS
Meningite
Hepatite C
Dengue
Tuberculose
Doenças de Notificação Compulsória
Figura 3: Percentuais segundo o sexo versus doenças de notificação compulsória.
Nota: notificação compulsória é a notificação obrigatória de casos de doenças da listagem

de doenças de notificação compulsória. Além das DNC todo e qualquer surto ou epidemia,
assim como a ocorrência de agravo inusitado, independente de constar na lista de doenças
de notificação compulsória, deve ser notificado aos órgãos competentes.
26 UNIUBE
Apresentamos, a seguir, uma argumentação básica para o exemplo proposto

e ressaltamos que você certamente irá apresentar outras respostas, ou
análises escritas diferentes, como, por exemplo, iniciar sua análise pelo
sexo feminino. O importante é identificar o conteúdo e a coerência da
argumentação apresentada.
Resolução: de acordo com a análise gráfica, podemos notar maior

incidência de casos suspeitos ou confirmados de várias das Doenças de
Notificação Compulsória (DNC) no sexo masculino. Como, por exemplo, em
intoxicação alimentar e meningite; é possível observar que aproximadamente
72% dos casos são do sexo masculino, contra aproximadamente 26% do
sexo feminino. Logo depois, ainda com maior incidência no sexo masculino,
aparecem as demais doenças, como mostram as respectivas porcentagens:
Rubéola (65%), H.I.V./AIDS (59,3%), Hepatite C (53,1%) e Tuberculose
(50,6%). A incidência de casos suspeitos no sexo feminino se dá com as
seguintes porcentagens: Rubéola (35%), H.I.V./AIDS (40,7%), Hepatite C
(46,9%) e Tuberculose (49,4%). Apenas a Dengue ocorreu em maior número
de casos suspeitos ou confirmados no sexo feminino, em torno de 53,5%
contra 46,5% dos casos no sexo masculino.
Exemplo 1.8 Note que para resolver o exemplo proposto você poderá fazer
uma regra de três simples ou utilizar os conceitos de frequências (simples,
relativa e percentual).
O exemplo retrata um gráfico em colunas para representar o tempo (em dias)

de completo fechamento em cortes provenientes de cirurgia
Por exemplo, no final

dessa coluna referente ao
Para responder a tempo de 17 dias (eixo x)
letra B, observe o de completo fechamento
valor da frequência em cortes, observamos
(5 pacientes) para 8 uma frequência igual
14 dias de completo a 7 (eixo y), ou seja, 7
fechamento em 7 pacientes demoraram
cortes, num total esse tempo para completo
de 30 pacientes 6
fechamento em cortes.
(soma de todas as 5
Frequência
Dessa mesma forma

frequências: 5 + 7 + realizamos a leitura dos
6 + 7 + 5 = 30). 4 demais tempos.
3
2
1
0
14 15 16 17 18
Tempo(em dia)
UNIUBE 27
Com base nas informações apresentadas responda as letras a seguir:
a) Analisando os resultados do gráfico, observamos que um número maior

tempo (em dia) de completo fechamento em cortes provenientes de cirurgia
é de 15 dias e de 17 dias, em ambos os casos observamos uma frequência
de 7 pacientes cada? Em caso afirmativo ou não, apresente a sua análise
por extenso.
Resposta: Sim, é verdadeira conforme a análise das colunas referentes aos

dias 15 e 17, e o valor correspondente das frequências, em ambos os casos
observamos uma frequência de 7 pacientes cada.
b) Pode-se afirmar que 20% dos pacientes tiveram o completo fechamento

em cortes provenientes de cirurgia em 14 dias. Em caso afirmativo ou não,
apresente os cálculos necessários e descreva, por extenso, a análise para
o resultado encontrado.
5
= 0,17.100
Resposta: = 0,17 ou 16, 67% .
30
Portanto é falsa a afirmação, do total de 30 pacientes, pode-se afirmar que
14 dias de completo fechamento em cortes provenientes de cirurgia ocorreu
com aproximadamente 16,675 dos pacientes, conforme apresentado nos
cálculos acima.
AGORA É A SUA VEZ
Atividade 1.4
Procure, em jornais e revistas especializados, dois exemplos de histograma,

polígono de frequência e polígono dê frequências acumuladas. Reflita sobre
os resultados observados. Depois, analise os gráficos de acordo com o
conteúdo estudado.
Agora, você vai conhecer as principais e mais importantes medidas de

posição, entre elas a média, mediana e moda, e de variabilidade, como a
variância, coeficiente de variação e medidas separatrizes; tanto para dados
organizados em classes como para dados não organizados em classes
ou organizados em distribuição de frequências. É importante entender como
as fórmulas retratam ora uma medida de posição ora de variação, e saber
realizar os seus cálculos para encontrar os valores procurados. Mais do que
isso, você necessita compreender e interpretar esses valores.
28 UNIUBE
1.4 Estatística descritiva – parte II
Como você pôde observar até o momento, resumimos os valores

que uma variável pode assumir em forma de tabelas, distribuição de
frequências e gráficos. Agora, vamos aprender o cálculo de medidas que
possibilitam representar um conjunto de dados relativos à observação
de determinado fenômeno de forma resumida. São elas: medidas de
tendência central e medidas de variabilidade que serão abordadas a
seguir.
1.4.1 Medidas de tendência central
As medidas de tendência central são também chamadas de medidas

de posição e estabelecem o valor em torno do qual os dados se
distribuem. Podem ser utilizadas em conjunto para auxiliar a análise dos
dados ou, em determinadas situações, uma pode ser mais conveniente
do que a outra.
Por exemplo, se um ou mais valores são muito discrepantes em relação

aos demais valores observados, a média será muito influenciada por esse
valor discrepante, tornando se, assim, inadequada para representar o
conjunto de dados em estudo.
IMPORTANTE!
Para o cálculo dessas medidas, é necessário que a variável seja quantitativa
1.4.1.1 Média aritmética
A média aritmética representa o ponto de concentração dos valores de

um conjunto de dados ou uma sequência numérica. Entre as medidas
de tendência central, é a mais comumente utilizada para descrever
resumidamente uma distribuição de frequência. Observe, no Quadro 3,
as médias apresentadas, suas respectivas expressões e, na sequência,
as aplicações destes conceitos.
UNIUBE 29
Quadro 3 – Expressão para a média aritmética em relação ao tipo de dados analisados.
Tipos de dados
Média Expressão
analisados
Média aritmética simples Dados brutos ou em rol ∑x i

X= i =1
n
n
Dados não organizados em
Média aritmética
classes ou organizados em ∑x .f i i
ponderada X= i =1
distribuição de frequências n
Média
Dados organizados ∑ Pm . f i i
em classes X= i =1
n
Em que:
X : denota a média aritmética ( X – lê-se “X barra”).

xi : denota o valor genérico da observação.
n : denota o tamanho da amostra (número de observações, ou seja,
n = ∑ fi ).
fi : denota a frequência ou peso de cada valor da amostra ( n ) . Os valores

x1 , x2 , , xn serão ponderados pelas respectivas frequências absolutas
f1 , f 2 , , f n no cálculo da média aritmética ponderada.
Pmi : denota o ponto médio, ou seja, a média entre os valores dos limites
de classe. Expressão denotada por Pm = linf + lsup .
i
2
30 UNIUBE
EXEMPLIFICANDO!
Situação‑problema 1.1
Especialistas em Engenharia de Trânsito, ao realizar consultoria solicitada

por órgãos públicos, coletaram o número de acidentes de trânsito verificados
em certo cruzamento, no primeiro semestre de 2009, conforme indicados no
Quadro 4. Determine a média do número de acidentes de trânsito mensais
registrados pelos especialistas. Interprete o resultado obtido.
Quadro 4 – Registros de acidentes de trânsito.
Acidentes/mês 6 5 7 8 4 6
∑x i
6 + 5 + 7 + 8 + 4 + 6 36
Resolução: =
X i =1
= = = 6
n 6 6
Portanto, em média, o número de acidentes de trânsito mensais registrados

pelos especialistas, no primeiro semestre de 2009, foi de 6 acidentes.
Na situação‑problema 1.2 a seguir, observe que nos registros das

observações, mostrados no Quadro 5, ocorrem muitos valores repetidos. Em
um caso desses, o mais indicado é utilizar a média aritmética ponderada, em
que os valores x1 , x2 , , xn serão ponderados pelas respectivas frequências
absolutas f1 , f 2 , , f n . Confira a resolução detalhada!
Situação problema 1.2
Quadro 5 – Registro do número de peixes mortos por semana.
8 6 9 7 6 6 8 7 8
9 10 8 7 7 5 6 7 9
9 10 9 8 7 11 10
Resolução: De acordo com o conjunto de dados do Quadro 5 é aconselhável

a construção de uma tabela de frequência, como a seguir:
UNIUBE 31
Tabela 4 – Cálculos parciais para encontrar a média de peixes mortos por semana.
xi fi xi ⋅ fi
5 1 5
6 4 24
7 6 42
8 5 40
9 5 45
10 3 30
11 1 11
∑ 25 197
∑x .f i i
197
Assim, a média para esta situação será: =
X i =1
= = 7,88
n 25
Portanto, em média, morrem aproximadamente 8 peixes por semana.
Situação-problema 1.3
Suponha que você seja gestor de Recursos Humanos (RH) de uma Indústria
e Comércio de Embalagens Hospitalares e necessite alinhar as políticas de
RH com a estratégia da organização. Como consequência, você deverá
recrutar candidatos com determinada faixa etária para o setor de Controle de
Qualidade. A distribuição de frequência apresentada na Tabela 5 descreve
a faixa etária dos candidatos à procura de emprego de auxiliar de controle
qualidade, cuja função é de revisar embalagens hospitalares. Aponte, em
média, a idade dos candidatos à procura deste cargo. Apresente os cálculos
necessários e descreva, por extenso, a análise para o resultado encontrado.
Tabela 5 – Faixa etária dos candidatos.
Faixa etária fi
22 | --- 25 1
25 | --- 28 10
28 | --- 31 8
31 | --- 34 1
32 UNIUBE
Resolução: Para facilitar a resolução do problema, sugerimos que

você reescreva a Tabela 5. Para isso, basta acrescentar as colunas
necessárias para desenvolver os cálculos. É bem prático calcular
o ponto médio numa coluna, depois na coluna seguinte calcular o
produto deste valor pela frequência; assim a somatória dessa coluna
n
é um dos valores procurados, ∑ Pmi . fi . Verifique com atenção como

i =1
realizamos a resolução. Observe a Tabela 6.
Tabela 6 – Cálculos parciais para a média da faixa etária dos candidatos.
Classes Faixa etária fi Pmi Pmi ⋅ fi

1 22 |--- 25 1 23,5 23,5
2 25 |--- 28 10 26,5 265
3 28 | --- 31 8 29,5 236
4 31 |--- 34 1 32,5 32,5
Total ( n ) – 20 – 557
Observe que foi introduzida na Tabela 6 a coluna do ponto médio

da classe ( Pmi ) . Recordar conteúdos estudados fortalece o seu
aprendizado. Você se recorda do cálculo do ponto médio? O ponto
l +l
médio da classe expresso pela fórmula Pmi = inf sup .
2
n
Calculando a média, encontramos: =

∑ Pm . f i i
557
X i =1
= = 27,85
n 20
Concluímos que a idade média dos candidatos assume o valor de
27,85 anos, indicando que este é o valor em torno do qual as idades
destes candidatos se concentram, isto é, de aproximadamente 28
anos.
1.4.1.2 Mediana
A mediana corresponde ao valor que ocupa a posição central numa

sequência de números. Representaremos a mediana por Md .
UNIUBE 33
Supondo uma sequência numérica x1 , x2 , , x j , , xn , o elemento xj

representa a mediana, caso o número de elementos que o antecedem
seja igual ao número de elementos que o sucedem. Para calcular a
mediana, atente‑se para as situações apresentadas no Quadro 6:
Quadro 6 – Cálculo da mediana em relação ao tamanho da amostra assume valor ímpar ou par.
Valor da amostra
Se n é ímpar, temos que o rol admite apenas um termo central

ocupando a posição: n + 1 . O valor do elemento que ocupa esta
2
Mediana posição é a mediana.
n n
Se n é par, temos que o rol admite dois termos centrais: e +1 .
2 2
O valor da mediana será expresso através da média, destes dois termos
centrais.
IMPORTANTE!
Para os dados brutos ou rol, primeiro organizamos a sequência numérica

em ordem crescente ou decrescente. Depois, verificamos se o número
de elementos da amostra é par ou ímpar e adotamos os seguintes
procedimentos, conforme apresentados a seguir.
EXEMPLIFICANDO!
Exemplo 1.8 Seja a sequência numérica: 4, 12, 9, 1, 17, 14, 5, 15, e 3.

Primeiro, ordenamos os dados em ordem crescente (ou rol crescente): 1, 3,
4, 5, 9, 12, 14, 15, 17.
n +1 9 +1
Como n = 9 temos, = = 5 . Logo, o valor na sequência numérica
2 2
que representa o 5º elemento, em ordem crescente, é o valor 9. Portanto,
Md = 9 . Isso implica que 50% dos dados assume valor igual ou superior a
9, e 50% dos dados assume valor igual ou inferior a 9.
34 UNIUBE
O chefe do departamento de marketing de uma empresa compilou, no

Quadro 7, os dados mensais (em milhares de reais) das despesas com
propaganda, e deseja saber o valor mediano dessas despesas durante um
ano. Desenvolva os cálculos necessários para apresentar, por extenso, a
conclusão encontrada.
Quadro 7 – Dados mensais (em milhares de reais) das despesas com propaganda.
221 225,5 235 238 238 239

242 244 245 255 263 282,5
Resolução: Observe que os dados já se encontram em ordem crescente

(ou rol crescente).
n 12 n
Como n = 12 , temos = =6 e + 1 = 6 + 1 = 7 que a mediana situa‑se
2 2 2
entre o 6º e 7º elementos na amostra, ou seja, entre os valores 239 e 242
(em negrito, no Quadro 7). Logo, Md

239 + 242 481
= = = 240,5
2 2
Portanto, o chefe do departamento de marketing concluirá que o valor
mediano das despesas com propaganda, durante um ano, foi de $ 240,5
milhares de reais.
Observe uma situação-problema para os dados agrupados em intervalos

(variável contínua).
EXEMPLIFICANDO!
Uma comissão criada por donas de casa, Estamos de olho no preço, faz a
cotação e divulga entre os moradores do bairro onde residem os preços de
produtos em geral. A Tabela 7 apresenta os dados referentes à variação de
preço do macarrão em 19 supermercados ou lojas do gênero, pesquisados
durante 6 meses. A partir dos dados registrados na tabela, a que conclusão a
comissão de donas de casa chegou a respeito do preço mediano do pacote
de macarrão? Desenvolva os cálculos necessários e descreva, por extenso,
a análise para o resultado encontrado.
UNIUBE 35
Tabela 7 – Intervalo de classes em função do preço do pacote de macarrão.
Classes Preço fi Fi
1 1,32 |--- 1,34 2 2
2 1,34 |--- 1,36 5 7
3 1,36 |--- 1,38 8 15
4 1,38 |--- 1,40 3 18
5 1,40 |--- 1,42 1 19
Total (n) – 19 –
n
− Famterior
linf + 2
Resolução: Usaremos a expressão Md = ⋅ h , em que:
fi
linf : denota o limite inferior da classe da mediana.
Fanterior : denota a frequência acumulada anterior à classe da mediana, ou

seja, a soma dos valores de i anteriores à classe da mediana.
h : denota a amplitude da classe mediana.
fi : denota a frequência da classe da mediana.

n + 1 19 + 1
Temos = = 10 (10º elemento). A seguir, identificamos a classe da
2 2
mediana através da F e, como podemos observar, o 10º elemento pertence
a 3ª classe (os valores foram destacado em negrito na tabela). Em seguida,
substitui‑se os valores conhecidos na expressão da mediana, isto é:
n
− Fanterior ( 2,5) ⋅ 0, 02 =1,36 + 0, 01
9,5 − 7
Md = linf + 2 ⋅ h =1,36 + ⋅ 0, 02 =1,36 +
fi 8 8
Md = 1,37
Portanto, a comissão de donas de casa concluiu que 50% dos preços do pacote
de macarrão pesquisado se apresentam igual ou menor que R$1,37, e 50% dos
preços de macarrão pesquisados se apresentam igual ou maior que R$1,37.
36 UNIUBE
O rótulo em uma embalagem de detergente líquido afirma que a embalagem

contém 500 ml. O controle de qualidade do fabricante, ao inspecionar a
linha de produção, seleciona uma amostra de 12 recipientes desse produto,
para verificar se os recipientes estão dentro das normas especificadas
no rótulo da embalagem. Os dados obtidos estão registrados no Quadro
8. Sabendo-se que o controle de qualidade aceita uma produção que
esteja dentro de 500,02 ml do valor de mililitros especificados no rótulo
do recipiente, desenvolva os cálculos necessários para apresentar o valor
médio e mediano dos dados amostrais. Descreva, por extenso, as análises
para os resultados encontrados.
Quadro 8 – Dados de milimitros de embalagens de detergente líquido.
500,03 500,00 500,04 500,02

500,02 500,05 500,03 500,00
500,02 500,03 500,00 500,02
De acordo com a situação-problema 1.6, vamos juntos refletir para outros

aspectos importantíssimos com relação aos resultados desses valores
médios e medianos.
Sabe-se que o controle de qualidade aceita uma produção que esteja dentro
de 500,02 ml do valor de mililitros especificados no rótulo do recipiente, e
que, em média, o valor obtido está dentro do valor de aceitação. Que tal
fazermos neste momento uma reflexão a respeito de dois pontos de vista
distintos nesta situação?
Olhar do consumidor: quais benefícios você observa nessa realidade

apresentada?
Olhar do gestor: quais impactos positivos e negativos você nota quando
analisa essa situação pelo ponto de vista da empresa?
Acompanhe, em detalhes, a resolução do cálculo da média dos dados de

mililitros de embalagens de detergente líquido.
De acordo com os dados do Quadro 8, a construção de uma tabela irá

auxiliar no desenvolvimento dos cálculos. Lembre-se desta dica.
UNIUBE 37
Tabela 8 – Cálculos parciais da média em mililitros.
xi fi xi . fi Fi
500,00 3 1500,00 3
500,02 4 2000,08 7
500,03 3 1500,09 10
500,04 1 500,04 11
500,05 1 500,05 12
Total 12 6000,26 –
Assim, a média para esta situação será: ∑x .f i i

6000, 26
= X =
i =1
≅ 500, 02
n 12
Portanto, em média, o valor de mililitros por embalagem de detergente é de

aproximadamente 500,02 ml, embora o rótulo da embalagem de detergente
líquido afirme que o conteúdo é de 500 ml por embalagem. E, sabendo‑se
que o controle de qualidade aceita uma produção que esteja dentro de
500,02 ml do valor de mililitros especificados no rótulo do recipiente, conclui
‑se que através da média o resultado satisfaz o volume aceito pelo controle
de qualidade.
Acompanhe em detalhes o cálculo da mediana.
Sempre ordene os valores. Assim, em ordem crescente temos: 500; 500;

500; 500; 02; 500,02; 500,02; 500,02; 500,03; 500,03; 500,03; 500,04;
500,05.
n 12 n
Como n = 12 temos, = =6 e + 1 = 6 + 1 = 7. Logo, a mediana
2 2 2
apresenta ‑se entre o 6º e 7º elementos, ou seja, entre 500,02 e 500,02.
Assim, o valor mediano é:
500, 02 + 500, 02
=Md = 500, 02
2
38 UNIUBE
Portanto, concluiu‑se que 50% do valor de mililitros por embalagem de

detergente apresentam‑se menores ou iguais a 500,02 ml e 50% dos preços
do valor de mililitros por embalagem de detergente são maiores ou iguais
a 500,02.
1.4.1.3 Moda
A moda de um conjunto de dados é o valor que ocorre com maior

frequência, ou seja, é o valor que aparece mais vezes. Representaremos
a moda por Mo . A moda pode não existir e, mesmo que exista, pode
não ser única.
EXEMPLIFICANDO!
Situação 1. Dados brutos ou em rol
Exemplo 1.9 Seja a amostra: 2, 3, 3, 4, 5, 5, 5, 7 e 10. O elemento de maior

frequência é o número 5, portanto a moda Mo = 5 , daí a série ser chamada
de unimodal.
Exemplo 1.10 Seja a amostra 4, 6, 9, 11,13, e 14. Observe que todos os

elementos apresentam a mesma frequência, logo a amostra é amodal.
No exemplo 1.11, a moda existe e não é única. Observe.
Exemplo 1.11 Na série 6, 6, 7, 7, 9, e 10, os elementos de maior frequência

são os números 6 e 7, portanto temos Mo = 6 e Mo = 7, daí a série ser
chamada de bimodal.
Situação 2. Dados não organizados em classes ou organizados em

distribuição de frequências
Nesta situação, basta identificar o elemento de maior frequência. Observe a

exemplificação da Tabela 9, com o correspondente valor da moda.
Tabela 9 – Distribuição de frequência.

xi 1 5 6 8 13
fi 1 3 5 2 4
UNIUBE 39
Portanto, a moda, Mo = 6 . Isso implica que o valor 6 é o valor com maior

frequência, ou seja, ele se repete por 5 vezes.
Situação 3. Dados organizados em classes

Nesta situação, primeiro identificamos a classe modal, ou seja, aquela que
possui maior frequência. Em seguida, aplicamos a fórmula. Acompanhe o
exemplo da Tabela 10.
Tabela 10 – Intervalo de classes.

Classe Amostra fi
1 0 |-------10 1
2 10 |------ 20 3
3 20 |------ 30 6
4 30 |------ 40 2
Total – 12
Pela fórmula temos,

∆1
Mo
= l inf + .h
∆1 + ∆ 2
em que:
linf : denota o limite inferior da classe modal
∆1 : denota a diferença entre a frequência ( fi ) da classe modal e a

imediatamente anterior.
∆2 : denota a diferença entre a frequência ( fi ) da classe modal e a
imediatamente posterior.
h : denota a amplitude da classe.
Identificamos na Tabela 10 que a classe modal é a 3ª classe (em negrito),

ou seja, a terceira classe é a que exibe a maior frequência simples, isto é,
f = 6.
i
∆1 3
Portanto, Mo = l + ⋅ h = 20 + ⋅10 = 20 + 0, 43 ⋅10 = 24,3 ⇒ Mo = 24,3 .
inf
∆1 + ∆ 2 3+ 4
40 UNIUBE
1.4.1.4 Medidas separatrizes
As medidas separatrizes representam números reais que separam o rol

ou a distribuição de frequências em partes iguais. Assim, a mediana, que
divide a sequência ordenada em duas partes, cada uma delas contendo
50% dos valores da sequência, é também uma medida separatriz.
Além da mediana, estudaremos outras medidas separatrizes

denominadas quartis ( Qi , sendo i = 1, 2,3, 4 ) , quintis ( ki , sendo i = 1, 2,3, 4,5 ) ,
decis ( Di , sendo i = 1, 2,,10 ) e percentis ( Pi , sendo i = 1, 2,,100 ) . Observe,
com atenção, a representação esquemática de uma sequência ordenada
e, a seguir, relacione‑a com o enunciado denominado para cada divisão
desta sequência.
Decis: série ordenada dividida Quartis: série ordenada

em 10 partes, cada uma ficará dividida em 4 partes, cada
com 10% de seus elementos. uma ficará com 25% de
seus elementos.
P25 P50 P15
Q1 Q2 Q3
25% 50% 75%
0% 10% 20% 30% 40% 60% 70% 80% 90% 100%

D1 D2 D3 ... D7 D8 D9
K1 K2 K3 K4
... P20 ... P40 ... P60 ... P80 ...
Quintis: série ordenada dividida

em 5 partes, cada uma ficará
Percentis: (ou centis): série com 20% de seus elementos.
ordenada dividida em 100
partes, cada uma ficara com
1% de seus elementos.
Figura 4: Representação esquemática de uma sequência ordenada.

UNIUBE 41
em que:
Q1 : denominado primeiro quartil, separa a sequência ordenada

deixando 25% de seus elementos à esquerda e 75% de seus elementos
à direita.
Q2 : denominado segundo quartil, separa a sequência ordenada

à direita.
IMPORTANTE!
Observe que o Q2 é a mediana da série.
Q3 : denominado terceiro quartil, separa a sequência ordenada deixando

75% de seus elementos à esquerda e 25% de seus elementos à direita.
K1 : denominado primeiro quintil, separa a sequência ordenada

à direita.
..
.
D1 : denominado primeiro decil, separa a sequência ordenada deixando

10% de seus elementos à esquerda e 90% de seus elementos à direita.
..
.
P1 : denominado primeiro centil ou primeiro percentil, separa a

sequência ordenada deixando 1% de seus elementos à esquerda e 99%
de seus elementos à direita.
..
.
P20 : denominado vigésimo centil ou vigésimo percentil, separa a

sequência ordenada deixando 20% de seus elementos à esquerda e
80% de seus elementos à direita.
42 UNIUBE
SAIBA MAIS
Observe que o Q4 , K 5 , D10 e P100 separa a sequência ordenada

deixando 100% de seus valores à esquerda e correspondem
diretamente ao último valor da sequência.
Mais ainda: podemos estabelecer a fórmula de cálculo de percentis

onde todas as outras medidas podem ser identificadas como percentis,
basta observarmos que os quartis, quintis e decis são múltiplos dos
percentis. Dessa forma, observe as correspondentes colunas que
apresentamos a seguir:
=Q1 P=
25 K1 P=
20 D1 P10
=Q2 P50=K 2 P=
40 D2 P20
=Q3 P75=K 3 P=
60 D3 P30
=K 4 P=
80 D4 P40
D5 = P50
D6 = P60
D7 = P70
D8 = P80
Para fixarmos melhor o estudo das medidas separatrizes, entre elas,

o quartil, o quintil, o decil e o percentil (ou centil); vamos aprender a
calcular essas medidas por meio da equação geral quartílica. Acompanhe
o cálculo dessas equações:
• Quartis ( Qi ) – Genericamente, para encontrar a ordem ou posição do

quartil Qi a ser calculado usaremos a expressão
i.n
EQi =
4
em que:
EQi : denota o elemento quartílico.
i : denota o número do quartil a ser calculado, sendo i = 1, 2,3, 4 .
n : denota o número de observações.
UNIUBE 43
• Quintis ( Ki ) – De maneira geral, para encontrar a ordem ou

posição do Quintil ( Ki ) a ser calculado usaremos a expressão:
i.n
EKi =
5
em que:
EKi : denota o elemento quintílico.
i : denota o número do quintil a ser calculado, sendo i = 1, 2, ,5 .

• Decis ( Di ) – De maneira geral, para encontrar a ordem ou posição

do Decil ( Di ) a ser calculado usaremos a expressão:
i.n
EDi =
10
em que:
EDi : denota o elemento decílico.

i : denota o número do decil a ser calculado, sendo i = 1, 2, ,10 .
• Percentis ou Centis ( Pi ) – Para encontrar a ordem ou posição do

percentil ou Centil ( ) a ser calculado usamos a expressão:
i.n
EPi =
100
em que:
EPi : denota o elemento percentílico.

i : denota o número do percentil (ou centil) a ser calculado, sendo
i = 1, 2, ,10 .
Para o caso do i. n 100 for um número inteiro ou não, temos:
– se i. n 100 for um número inteiro ⇒ Pi é um dos valores da sequência

ordenada.
– se i. n 100 não for um número inteiro ⇒ Pi é definido como a média
dos valores que ocupam as posições aproximadas, pois Pi é um
elemento intermediário entre os elementos que ocupam estas posições.
44 UNIUBE
Para dados organizados em classes, encontraremos os quartis de

maneira semelhante à usada para o cálculo da mediana:
EQ − Fanterior
Qi =
linf + i ⋅h
em que: fi
Qi : denota o Quartil i , sendo i = 1, 2,3 .
linf : denota o limite inferior da classe que contém o quartil desejado ( Qi )

EQi : denota o elemento quartílico.
Fanterior : denota a frequência acumulada até a classe anterior à classe
mediana.
h : denota a amplitude do intervalo de classe.
fi : denota a frequência absoluta simples da classe quartílica.
Importante! Observe na expressão para dados organizados em

classes que primeiro é preciso encontrar a equação geral quartílica
desejada. Após o resultado encontrado na equação em estudo, devemos
ir para a frequência acumulada F , e verificar em qual classe (ou linha do
quadro ou tabela) se encontra esse valor obtido na equação quartílica.
Isso implica que nessa classe, no geral, se encontra o valor da medida
separatriz desejada.
Dessa forma para os dados organizados em classes, encontraremos

as outras medidas separatrizes, ou seja, os quintis, decis e percentis
de maneira semelhante à usada acima. Note que a mudança irá ocorrer
apenas na notação da medida separatriz ( Qi , Ki , Qi e Pi e na equação
geral quartílica desejada ( EQ , EK , ED e EP ) .
i i i i
EXEMPLIFICANDO!
Exemplo 1.13 Os dados do Quadro 9 informam a produção de barris de

petróleo bruto por mês de 16 poços de petróleo.
Quadro 9 – Dados da produção de barris de petróleo bruto por mês.
390 420 390 510 420 450 410 510

430 420 400 520 450 420 450 510
UNIUBE 45
Com base nas informações responda as letras a seguir:
a) Desenvolva os cálculos e apresente o valor do 1º quartil. Em seguida

apresente, por extenso, a análise para esse resultado sobre a produção de
barris de petróleo bruto por mês.
b) Desenvolva os cálculos e apresente o valor do 2º decil. Em seguida

apresente, por extenso, a análise para esse resultado sobre a produção de
barris de petróleo bruto por mês.
Resolução:
a) Ordenando a sequência, em rol crescente, temos: 390, 390, 400, 410,

420, 420, 420, 420, 430, 450, 450, 450, 510, 510, 510, 520.
Q1 = P25 , assim calculamos 25% de 16 ( n = 16 ) , obtendo:
Como sabemos,
i ⋅ n 25 ⋅16
EPi = = = 4 ⇒ P25 é o 4º elemento do rol crescente, ou seja, o
100 100
valor 4 indica a posição do vigésimo quinto percentil ( P25 ) que corresponde
ao primeiro quartil ( Q1 ) , ( Q1 = P25 ) , pedido na letra a.
A seguir, observando o rol crescente concluímos que o 4º elemento

corresponde ao valor 410. Portanto, Q
=1 P=
25 410 , ou seja, 25% dos
poços de petróleo produzem valores menores ou iguais a 410 barris de

petróleo bruto por mês, e 75% desses poços produzem valores maiores ou
iguais a 410.
b) Ordenando a sequência, em rol crescente, temos: 390, 390, 400, 410,

420, 420, 420, 420, 430, 450, 450, 450, 510, 510, 510, 520.
Como sabemos, D1 = P10 , assim calculamos 10% de 16 ( n = 16 ) , obtendo:
i ⋅ n 10 ⋅16
EPi = = = 1, 6 ≅ 2 ⇒ P10 é o 2º elemento do rol crescente, ou
100 100
seja, o valor 2 indica a posição do décimo percentil ( P10 ) que corresponde
ao primeiro decil ( D1 ) , ( D1 = P10 ) , pedido na letra b.

46 UNIUBE
A seguir, observando o rol crescente concluímos que o 2º elemento corresponde

ao valor 390. Portanto, D
=1 P=
10 390 , ou seja, 10% dos poços de petróleo
produzem valores menores ou iguais a 390 barris de petróleo bruto por mês, e
90% desses poços produzem valores maiores ou iguais a 390.
IMPORTANTE! Observe que o valor 390 é inferior ao valor 410, pois por se
tratar de medidas de posição, 10% dos dados ocupam valores inferiores a
25% dos dados.
Exemplo 1.14 A Tabela 11 informa a distribuição de frequência da

dimensão, em milímetros ( mm ) , de uma determinada peça.
INFORMAÇÃO! Antes de iniciar os cálculos fixe a calculadora em 2

casas decimais.
Tabela 11 – Distribuição de frequência da dimensão, em milímetros, de uma determinada peça.
Dimensão ( mm ) Nº de peças ( fi )
9,2 |--- 9,7 2
9,7 |--- 10,2 5
10,2 |--- 10,7 12
10,7 |--- 11,2 17
11,2 |--- 11,7 14
11,7 |--- 12,2 6
12,2 |--- 12,7 3
12,7 |--- 13,2 1
Após as informações sobre a distribuição de frequência da dimensão das

peças, desenvolva e apresente os cálculos necessários para encontrar
o valor do terceiro quartil. Descreva, por extenso, a conclusão para o
resultado encontrado.
Resolução:
EQ − Famterior
Usaremos a expressão Qi = linf + i ⋅ h , em que:
fi
linf : denota o limite inferior da classe da quartílica.
UNIUBE 47
Fanterior : denota a frequência acumulada anterior à classe quartílica, ou

seja, a soma dos valores de fi anteriores à classe quartílica.
h : denota a amplitude da classe quartílica.

fi : denota a frequência da classe quartílica.
i.n 3.60 3.60

Temos EQi = ⇒ EQ3 = ⇒ EQ3 = =45 (45º elemento da F , frequência
4 4 4
acumulada). A seguir, identificamos a classe quartílica através da F e,

como podemos observar, o 45º elemento pertence a 5ª classe (os valores
foram destacados em negrito na tabela). Em seguida, substitui‑se os
valores conhecidos na expressão da medida quartílica, isto é:
Qi = linf +
EQi − Fanterior
⋅ h =11, 2 +
45 − 36
⋅ 0,50 =11, 2 +
( 9 ) ⋅ 0,50 =11, 2 + 0,32
fi 14 14
Q3 = 11,52
Portanto, conclui-se que 75% das peças analisadas se apresentam com

dimensão igual ou inferior que 11,52 milímetros, e 25% das peças se
apresentam com dimensão igual ou superior que 11,52 milímetros.
Importante! Note que o valor encontrado 11,52 milímetros está localizado

no intervalo indicado (45º elemento da F , frequência acumulada),
quando calculamos a equação quartílica EQ , conforme proposto nesse

i
exemplo. Da mesma forma, devemos analisar para as demais medidas

separatrizes apresentadas.
AGORA É A SUA VEZ
Atividade 1.5
Fornecida a Tabela 11 com a distribuição de frequência do consumo médio
de eletricidade (km/hora) entre usuários de uma cidade do interior de Minas
Gerais, desenvolva e apresente os cálculos necessários para o valor do
primeiro quartil, do septuagésimo quinto centil e para o nono decil. Descreva,
por extenso, a conclusão para os resultados encontrados.
48 UNIUBE
Tabela 12 – Distribuição de frequência.

Consumo (kw/hora) Número de usuários (f1) F
5 |------ 25 4 4
25 |------ 45 6 10
45 |------ 65 14 24
65 |------ 85 26 50
85 |------ 105 14 64
105 |------ 125 8 72
125 |------ 145 6 78
145 |------ 165 2 80
Total 80 –
Para avaliar o grau de variabilidade ou dispersão dos valores de um conjunto

de números, lançaremos mão das estatísticas denominadas medidas de
variabilidade. Confira a seguir!
1.5 Medidas de variabilidade

As medidas de variabilidade nos proporcionarão um conhecimento
mais completo do fenômeno a ser analisado, permitindo estabelecer
comparações entre fenômenos da mesma natureza e mostrando até que
ponto os valores se distribuem acima ou abaixo da medida de tendência
central. São elas: a Amplitude Total ou Intervalo Total ( A ) , o Desvio-
Padrão ( S ) , a Variância ( S 2 ) e o Coeficiente de Variação ( CV ) .
1.5.1 Amplitude total ou intervalo total
Amplitude total, ou intervalo total, que denotaremos por A, é a diferença

entre o maior valor e o menor valor da série estudada. A amplitude
nos fornece a ideia do campo de variação destes valores. No entanto,
devemos frisar que a amplitude não é uma boa medida de variabilidade
porque seu cálculo se baseia apenas nos valores extremos da amostra
e não em todos os dados.
=A X máx − X min
UNIUBE 49
1.5.2 Desvio padrão
O desvio padrão, que denotaremos por S , é a medida de dispersão mais

usada e mais importante. O conceito estatístico de desvio corresponde
ao conceito matemático de distância. Em outras palavras, a dispersão
dos dados em relação à média de uma sequência pode ser avaliada
através dos desvios de cada elemento da sequência em relação à média
da sequência. Dessa forma, medimos a concentração dos dados em
torno da média. O desvio padrão é expresso pela soma dos quadrados
dos desvios em torno da média, dividida pelo número de observações.
Conforme apresentado no Quadro 10, seguem os tipos de dados
analisados e suas respectivas expressões
Quadro 10 – Expressão para o desvio padrão em relação ao tipo de dado analisado.
Tipos de dados analisados Expressão
∑ ( x − x)
2
i
Dados brutos ou rol
S= i =1
n −1
n
Dados não organizados em
∑ ( x − x)
2
i . fi
Desvio padrão classes ou organizados em
distribuição de frequências
S= i =1
n −1
∑ ( Pm − x )
2
i . fi
Dados organizados em classes
S= i =1
n −1
50 UNIUBE
IMPORTANTE!
Quando os valores vierem dispostos em uma tabela de frequência, o

cálculo do desvio padrão far-se-á por meio da expressão do desvio
padrão para dados agrupados.
1.5.3 Variância
A variância, denotada por , representa o quadrado do desvio padrão.

Conforme apresentado no Quadro 11, seguem os tipos de dados
analisados e suas respectivas expressões.
Quadro 11 – Expressão para a variância em relação ao tipo de dado analisado.

Tipos de dados analisados Expressão
n
∑ ( x − x)
2
i
Dados brutos ou rol
S2 = i =1
n −1
n
∑ ( x − x)
Dados não organizados em classes 2
i . fi
Variância ou organizados em distribuição de 2
S = i =1
frequências n −1
n
∑ ( Pm − x )
2
i . fi
Dados organizados em classes 2
S = i =1
n −1
1.5.4 Coeficiente de variação
O coeficiente de variação, que denotaremos por CV, é uma medida

relativa de variabilidade, útil para comparação em termos relativos do
grau de concentração em torno da média de diferentes conjuntos de
dados. O coeficiente de variação é expresso por:
S
CV = .100
X
UNIUBE 51
Como o CV é uma medida que exprime a variabilidade relativa à média,

é usualmente expresso em porcentagem.
A seguir, leia com atenção dois exemplos aplicados às medidas de

variabilidade que acabamos de apresentar. Observe que apresentamos
os cálculos desenvolvidos passo a passo, assim como a ideia para você
interpretar os resultados obtidos.
EXEMPLIFICANDO!
Exemplo 1.15 Um órgão que alista jovens do município de residência,

nos seis primeiros meses do ano em que completar dezoito anos, tem
cadastrados dados da distribuição de frequência das alturas (cm) de cem
desses jovens. De acordo com as informações do Quadro 12, determine o
cálculo da média e do desvio padrão dessas alturas. Interprete o resultado
obtido para ambos os cálculos.
Quadro 12 – Distribuição de frequência das alturas (cm) de cem jovens.

Altura Total
151---- 158 159---- 166 167--- 174 175--- 182 183 ---- 190
(cm) (n)
f1 5 18 42 27 8 100
Resolução: Como podemos observar, os dados estão agrupados com

intervalos (variável contínua). Então, vamos utilizar do seguinte cálculo para
a média para dados não organizados em classes ou organizados em
distribuição de frequências:
n
∑ Pm . f i i
X= i =1
n
Dica! Observe que a construção de um novo quadro com o acréscimo
de novas colunas para realizarmos alguns cálculos, que serão utilizados
nas fórmulas, tornará mais fácil e rápido o nosso trabalho. Neste exemplo,
para o cálculo da média, vamos somar o produto dos valores do ponto
médio de cada classe Pmi às suas respectivas frequências ( f i ) , ou seja,
 n 
 ∑ Pmi . f i  . Certo?
 i =1 
52 UNIUBE
Então, por que não adicionarmos uma coluna com o resultado do Pmi , e
outra com o resultado do produto de cada valor encontrado do ponto médio
pela sua frequência ( Pmi f i ) ?
Acompanhe nossa dica para a construção de um quadro e o

desenvolvimento dos cálculos necessários:
Quadro 13 – Desenvolvimento dos cálculos parciais necessários.
Alturas
( Pm − x ) ( Pm − x ) . f
2 2
Pmi Pmi . fi i i i
(cm)
151 ---158 5 154,5 772,5 295,84 1479,20

159 ---166 18 162,5 2925,0 84,64 1523,52
167 ---174 42 170,5 7161,0 1,44 60,48
175 ---182 27 178,5 4819,5 46,24 1248,48
183 ---190 8 186,5 1492,0 219,04 1752,32
n n
∑ ( Pm − x )
2
Total n = 100 –
∑ Pm . f
i =1
i i = – i . fi =
i =1
17170, 0 6064,0
Recordar que o Pmi é o número que vai representar cada classe, ou seja,
a média entre os valores dos limites de classe. Dado pela expressão:
linf + lsup
Pmi =
2
Logo, o valor do ponto médio que representa a primeira classe na tabela de

distribuição de frequência das alturas dos estudantes é:
linf + lsup 151 + 158 309
Pmi = > Pmi =
= == 154,5cm . E assim, sucessivamente,
2 2 2
para as demais classes.
= X
∑
=
i Pm 17.170, 0
= 171, 70cm.
Assim, a média para esta situação será ∑ fi 100
UNIUBE 53
O cálculo do desvio padrão para os dados organizados em classes será:

n
∑ ( Pm − x )
2
i . fi
S= i =1
n −1 .
Dica! Outra vez reforçamos a mesma ideia da inclusão de novas colunas

no quadro para tornar mais fácil e rápido o seu trabalho.
Atenção para o cálculo do ponto médio menos o valor da média

encontrada: Pmi − x ( )
Observe que Pmi − x , é necessário realizá‑lo para cada ponto médio
em cada i classe menos a média encontrada x = 171, 70 . Isto é,
Pmi = > (154,5 − 171, 70 ) =

154,5 = −17, 2 e assim sucessivamente até o
cálculo da última classe.
( )
2
( −17, 2 ) =
2
Depois, Pmi − x = 295,84 e assim sucessivamente até
o cálculo da última classe.
Com os cálculos desenvolvidos passo a passo, o desvio padrão é expresso

da seguinte forma:
100
∑ ( Pm − x )
2
i . fi
6.064 6.064
S= i =1
= = ≅ 61, 25 ≅ 7,83cm
n −1 100 − 1 99
Portanto, concluímos que a média das alturas dos jovens se apresenta em
torno de 171,70 cm . Observamos também, através do resultado do desvio
padrão que, em média, as alturas se distanciam 7,83 cm umas das outras.
Exemplo 1.16 Duas equipes de jogadores de basquete apresentaram os

seguintes resultados quanto às medidas das alturas de seus jogadores.
Qual equipe se apresenta relativamente mais estável em relação as suas
alturas? Apresente os cálculos necessários para essa análise, em seguida
descreva por extenso o resultado dessa análise. Os dados apresentam‑se
no Quadro 14.
54 UNIUBE
Quadro 14 – Dados das equipes I e II, em relação às médias e desvios padrão.
Equipe I X I = 191cm S I = 6, 04cm
Equipe II X II = 197cm S II = 16,19cm
Resolução: Os valores dos coeficientes de variação são, respectivamente:
SI 6, 04
Equipe I: CVI = ⋅100 ⇒ CVI = ⋅100 ≅ 3,16%
XI 191
S II 16,19
Equipe II: CVII = ⋅100 ⇒ CVII = ⋅100 ≅ 8, 21%
X II 197
Portanto, conclui‑se que, embora com menores medidas nas alturas, a

Equipe I se apresenta mais estável em relação às medidas das alturas dos
jogadores da Equipe!
Exemplo 1.17 (Aplicação dos Conceitos de Medidas de Posição: média,

desvio padrão e coeficiente de variação)
Uma Usina de Açúcar e Álcool realizou um experimento para comparar

2 programas de treinamento de funcionários para executar um serviço
especializado, em um dos seus setores. Entre os inscritos, 12 funcionários
foram selecionados ao acaso para serem treinados pelo método I e outros
12 para serem treinados pelo método II. Terminado o treinamento, todos os
funcionários realizaram o serviço e foi registrado o tempo em que cada um
desempenhou a tarefa. Os dados do tempo, em minutos, despendidos em
executar o serviço, segundo o método de treinamento são apresentados na
Tabela 13.
INFORMAÇÃO! Antes de iniciar os cálculos fixe a calculadora em zero casas

decimais.
UNIUBE 55
Tabela 13 – Dados do tempo, em minutos, despendidos por cada funcionário para executar
o serviço, segundo o método de treinamento I e II.
Método de Treinamento
I II
24 28
27 25
16 26
18 28
20 26
19 19
21 17
16 23
23 19
11 13
20 31
15 23
Com base nas informações do enunciado e os dados apresentados na Tabela

12, responda as seguintes letras:
a) Qual o tempo médio, em minutos, despendidos em executar o serviço,

segundo o método de treinamento I e II? Desenvolva os cálculos necessários
para encontrar esses valores, e apresente sua conclusão por extenso.
b) Pode-se afirmar que o resultado do desvio padrão despendidos por cada

funcionário para executar o serviço, segundo o método de treinamento I se
distanciam em 6 minutos uns dos outros. E para o método II se distanciam
em 3 minutos. Em caso afirmativo ou não justifique sua conclusão, por
extenso, apresentando os cálculos necessários para isso.
c) Qual o valor dos coeficientes de variação para o método I e II? Desenvolva

os cálculos necessários para encontrar esses valores.
d) Com base no resultado encontrado na letra c, para o valor dos coeficientes

de variação para o método I e II, pode-se afirmar que segundo o método de
treinamento I, os funcionários se apresentam relativamente mais estáveis,
em relação aos tempos despendidos por cada funcionário segundo o método
de treinamento II. Em caso afirmativo ou não justifique sua conclusão, por
extenso, apresentando os cálculos necessários para isso.
56 UNIUBE
Resolução:
Primeiro organizar os dados em rol (para essa atividade isso não é
necessário, mas dependendo da atividade proposta isso poderá lhe ajudar
a otimizar sua resposta. Lembre-se disso!)
Método I: 11, 15, 16, 16, 18, 19, 20, 20, 21, 23, 24, 27 (rol crescente).
Método II: 13, 17, 19, 19, 23, 23, 25, 26, 26, 28, 28, 31 (rol crescente).
Cálculos da média para o método I:
∑x .f i i (Média)
XI = i =1
n
12
∑x .f i i
11 + 15 + 2. (16 ) + 18 + 19 + 2.(20) + 21 + 23 + 24 + 27
=XI =
i =1
12 12
230
XI
= = 19
12
Portanto, o tempo médio, em minutos, despendidos por cada funcionário

para executar o serviço, segundo o método de treinamento I foi de 19
minutos.
Cálculo da média para o método II:
Método II: 13, 17, 19, 19, 23, 23, 25, 26, 26, 28, 28, 31 (rol crescente).
n
∑x .f i i (Média)
X II = i =1
n
12
∑x .f i i
13 + 17 + 2. (19 ) + 2.(23) + 25 + 2.(26) + 2.(28) + 31
X II
= =
i =1
12 12
278
X
= II = 23
12
UNIUBE 57
Portanto, o tempo médio, em minutos, despendidos por cada funcionário

para executar o serviço, segundo o método de treinamento II foi de
aproximadamente 23 minutos.
Cálculo do desvio padrão:
n
∑ ( x − x)
2
i . fi
S= i =1 (desvio padrão)
n −1
Atenção! Observe que sugerimos a construção de um quadro com o

acréscimo de colunas para a realização de alguns cálculos, que serão
utilizados nas fórmulas, isso tornará mais fácil e rápido o seu trabalho.
228
Lembre-se que o cálculo da média do método I é: = X I = 19
12
Acompanhe nossa dica para a construção de um quadro e o desenvolvimento

dos cálculos necessários:

Tempo Método I
( x − x) ( x − x) . f
2 2
fi i i i
(minutos)
(11 − 19 )
2
11 1 64
= 64.1 = 64
15 1 16 16
16 2 9 18
18 1 1 1
19 1 0 0
20 2 1 2
21 1 4 4
23 1 16 16
24 1 25 25
27 1 64 64
Total 12 – 210
∑ ( x − x)
2
. fi
Logo, i
210 210
= SI i =1
= = = 4
n −1 12 − 1 11
A afirmativa é falsa. Pois concluímos que através do resultado do desvio-

padrão que o tempo, em minutos, despendidos por cada funcionário para
executar o serviço, segundo o método de treinamento I se distanciam
aproximadamente em 4 minutos uns dos outros.
58 UNIUBE
Cálculo do desvio padrão para o método II:

278
Lembre-se que o cálculo da média do método II é: X
= II ≅ 23
12
Acompanhe a sugestão para a construção de um quadro e o desenvolvimento
dos cálculos necessários:
Tempo Método II
( x − x) ( x − x) . f
2 2
fi i i i
(minutos)
(13 − 23)
2
13 1 100
= 100.1 = 100
17 1 36 36
19 2 16 32
23 2 1 2
25 1 4 4
26 2 9 18
28 2 25 50
31 1 64 64
Total 12 – 306
∑ ( x − x)
2
i . fi
306 306
Logo,
= S II i =1
= = = 5
n −1 12 − 1 11
A afirmativa é falsa. Pois se conclui que através do resultado do desvio-

padrão que o tempo, em minutos, despendidos por cada funcionário para
executar o serviço, segundo o método de treinamento II se distanciam em
5 minutos uns dos outros.
Cálculo do coeficiente de variação para ambos os métodos:
SI 4
Método I: CVI = ×100 ⇒ CVI = ×100 =21%
XI 19
S II 5
Método II: CVII = ×100 ⇒ CVII = ×100 =22%
X II 23
UNIUBE 59
A afirmativa é verdadeira. Pois conclui-se que, com menor tempo despendido

para executar o serviço, os funcionários do método I se apresentam
relativamente mais estáveis, em relação aos tempos despendidos por
cada funcionário segundo o método de treinamento II, pois o resultado do
coeficiente de variação foi ligeiramente menor para o método I, isto é, foi de
21%, enquanto que para o método II foi de 22%.
Resumo
Iniciamos este capítulo apresentando a Estatística sob o olhar das

reflexões e aplicações no dia a dia, entre as diversas áreas do
conhecimento. Associados à introdução, propusemos os objetivos, entre
os quais destacamos aqui o reconhecimento dos métodos de resolução
das várias situações ‑problema mediante a descrição, demonstração,
aplicação, análise, desenvolvimento e julgamento.
Em seguida, apresentamos os conceitos gerais da Estatística descritiva

nas partes I e II. Na parte I, vimos os métodos tabulares e gráficos
para descrever dados. Em seguida, na parte II, foram apresentados a
você os métodos numéricos de descrição de dados, especificamente
representados pelas medidas de posição – média, mediana e moda –,
pelas medidas separatrizes – quartis, decis e percentis – e pelas medidas
de variabilidade – amplitude total, desvio padrão e variância.
IMPORTANTE!
Lembre‑se também das ferramentas de apoio para as suas dúvidas

disponíveis no Ambiente Virtual de Aprendizagem (AVA).
O objetivo desse capítulo foi proporcionar a você a introdução conceitual

básica da Estatística e suas aplicações. No entanto, tivemos o cuidado
de fornecer outras referências bibliográficas como sugestões de leitura
e aprimoramento de seus estudos.
60 UNIUBE
Referências
MCCLAVE, J. T.; BENSON G.; SINCICH Terry. Estatística para administração
e economia. São Paulo: Pearson Prentice Hall, 2009.
MOORE, David S. A Estatística básica e sua prática. 3. ed. Rio de Janeiro:

LTC, 2005.
MORETTIN, Luiz G. Estatística básica: probabilidade e inferência. Vol. único.

São Paulo: Pearson Prentice Hall, 2009.
TOLEDO, Geraldo L.; OVALLE, Ivo I. Estatística básica. 2. ed. São Paulo: Atlas,
2008.
Capítulo
Conhecendo o cálculo
da probabilidade
2
Introdução
Hoje em dia, os meios de comunicação de massa ou mídias,
entre eles os jornais, as revistas, o rádio, a televisão e, mais
recentemente a internet, popularizaram os conceitos e noções da
teoria das probabilidades. Este fato contribuiu para a interação
estimulante e flexível entre a teoria e o dia a dia das pessoas,
desmistificando a associação inicial de probabilidade com os
“jogos de azar”.
Historicamente, o propósito dos estudiosos da teoria das

probabilidades limitava-se aos estudos dos jogos de azar, cujo
interesse estava voltado em planejar estratégias de apostas. A
limitação no estudo da teoria das probabilidades retardou por
muito tempo o seu desenvolvimento como disciplina no campo
da Matemática. Até que Pierre-Simon de Laplace publica, em
1812, o livro Theorie Analytique des Probabilités, no qual aborda
a definição clássica de probabilidade. A partir daí o progresso
desta teoria não parou, novos estudos foram realizados ao
longo do tempo, proporcionando aos estudiosos a aplicação da
probabilidade na solução de diversos problemas presentes no
cotidiano das pessoas.
Hoje, podemos encontrar diversos exemplos que ilustram a

utilização e a aplicação das probabilidades. Por exemplo, a
previsão de produção de milho para o próximo ano, a constatação
de falha mecânica em um sistema de prevenção contra vazamento
em uma usina nuclear, o preparo de um orçamento – municipal,
62 UNIUBE
hospitalar etc., a avaliação do impacto de uma redução no número

de funcionários de determinado setor de uma empresa, o cálculo
dos custos da produção – cafeeira, de gado de corte etc., a
avaliação de associação entre implantes mamários e doença de
tecido conjuntivo.
Perceba, portanto, que a probabilidade está muito mais presente

na sua vida do que você, até então, poderia imaginar!
Neste capítulo, apresentaremos os conceitos básicos de probabilida

des, algumas definições e regras importantes e necessárias ao seu
entendimento e aplicação. O objetivo deste estudo é oferecer a você,
inicialmente, o entendimento intuitivo da teoria das probabilidades.
Você entenderá, por exemplo, porque as chances de um indivíduo
conseguir conquistar o cargo almejado são de uma em três.
Imaginamos que durante os seus estudos, você queira entrar em

contato conosco. Então, não se esqueça das ferramentas de apoio
para esclarecimento de suas dúvidas disponíveis no Ambiente
Virtual de Aprendizagem (AVA).
Objetivos
• definir probabilidade;
• identificar situações práticas às quais se aplica a probabilidade;
• definir experimento, espaço amostral e evento;
• distinguir as três definições de probabilidade: clássica,
frequentista e subjetiva;
• identificar situações práticas em que cada uma das definições
de probabilidade é aplicada;
• calcular probabilidades;
• aplicar o princípio básico da regra de Bayes na resolução de
situações‑problema.
UNIUBE 63
Probabilidade Definições e Notações Básicas
Clássica Experimento
Aleatório
Definição Frequentista
Espaço
Amostral
Subjetiva
Evento
Axiomas
Teoremas
Probabilidade Condicional
Teorema de Bayes
Resumo
Referências

Fonte: Acervo da autora.
Iniciaremos, agora, o estudo do conceito básico de probabilidade

e de algumas terminologias empregadas, enfatizando o quanto
esta ferramenta de auxílio e desenvolvimento de estratégias está
presente em nosso dia a dia.
64 UNIUBE
2.1 Definições e notações básicas
O que é probabilidade para você? Você se recorda de algum fato, momento

ou informações de seu cotidiano que transmite “ideias” de probabilidade?
Reflita sobre estas questões e registre as suas respostas.
Concluída a sua reflexão, compare com a definição que você criou de

probabilidade com o conceito que vamos apresentar. Observe que a
probabilidade traz consigo algumas terminologias importantes e que
necessariamente precisamos entender os seus significados. Confira, a
seguir, essas terminologias.
Probabilidade é a possibilidade ou chance de ocorrência, ou medida

de ocorrência, de um evento definido sobre um espaço amostral que,
por sua vez está relacionado a algum experimento aleatório ou não
determinístico. No cálculo da probabilidade, o resultado será um número
real compreendido entre 0 e 1, ou, o equivalente a dizer, entre 0 e 100%.
IMPORTANTE!
É comum em bibliografias e/ou contextos diferentes os autores usarem

escritas, símbolos ou formas de notação diferenciados, pois cada um
tem o seu estilo de escrita. O importante é você identificar o conteúdo
e acompanhar com coerência as ideias apresentadas. O contato com
diferentes estilos possibilitará a você mais capacidade de raciocínio,
conhecimento e domínio do conteúdo estudado, independente do texto que
lhe for apresentado.
Preparamos, a seguir, algumas questões sobre as quais você deverá

refletir antes de conferir as respostas. Responda cada uma delas com
suas palavras, sem medo de errar!
UNIUBE 65
DICAS
Componha um grupo de estudos, no qual cada um possa responder na

sua vez e depois, em conjunto, conferir quem chegou mais próximo da
resposta correta. Para decidir, no grupo de estudos, quem irá iniciar o “jogo
de perguntas e respostas”, utilize um dado equilibrado, por exemplo. Ao
lançar o dado, quem tirar o menor valor da face voltada para cima responde
primeiro. Interessante, não é?
Este é um exercício diferente que preparamos para você com o objetivo

de ressaltar algumas terminologias que farão parte das próximas
definições e regras para a obtenção de probabilidades.
O que é um modelo probabilístico para você?

Quais as principais ideias que devemos ter de um experimento
aleatório ou não determinístico?
O que é um espaço amostral?
O que é um evento?
Reflita sobre estas questões e confira, a seguir, as respostas
que preparamos.
Definimos modelo probabilístico como um modelo matemático utilizado

para descrever um experimento aleatório. As principais ideias que
representam um experimento aleatório são:
• todos os resultados possíveis são conhecidos previamente;

• antes de cada realização, não se conhece com certeza o resultado
que será obtido, daí a incerteza, conceito no qual se baseia a teoria de
probabilidade;
• por fim, o experimento aleatório pode ser repetido em condições
idênticas.
66 UNIUBE
Você pode relacionar essas ideias com um experimento. Por exemplo,

lançar uma moeda honesta. Se uma moeda é lançada, é certo que ela
cairá, mas não podemos afirmar se o resultado será cara ou coroa.
Definimos espaço amostral, geralmente representado por S ou Ω (lê‑se

Ômega), como o conjunto de todos os possíveis resultados, de natureza
quantitativa ou qualitativa, de um experimento aleatório. Por exemplo, no
lançamento de uma moeda honesta, o espaço amostral do experimento
é Ω ={cara, coroa} .
Evento (representaremos por E maiúsculo): é qualquer subconjunto

do espaço amostral de um experimento. Para exemplificar,
considere o lançamento de um dado honesto, cujo espaço amostral é
Ω ={1, 2,3, 4,5, 6}. Nesta ação, há diversos eventos possíveis, entre eles:
obter a face menor do que 4, ou seja, E = {1, 2,3} ou, ainda, obter a face
par, E = {2, 4, 6}
.
EXEMPLIFICANDO!
Exemplo 2.1 Um técnico de segurança do trabalho quer estimar o nível de

ruído, em decibéis, emitido por um prédio em construção na vizinhança.
Qual o espaço amostral desse experimento aleatório realizado pelo técnico
de segurança do trabalho?
Resolução:
O espaço amostral desse experimento aleatório, realizado pelo técnico de
segurança do trabalho, representa o conjunto de todos os números reais
positivos, e com isso assume valor contínuo.
Exemplo 2.2 Defina o espaço amostral Ω para o experimento aleatório em

que um engenheiro, responsável pelo controle de qualidade no processo de
produção, deseja escolher uma bateria para celulares e medir o seu tempo
de vida útil.
Resolução:
Portanto, o espaço amostral é= Ω {t / t ≥ 0} , em que t representa o tempo
de vida útil. E podemos notar que t = 0 inclui a possibilidade da bateria não
apresentar carga logo no início do teste.
UNIUBE 67
AGORA É A SUA VEZ
Agora é com você! Vamos verificar se você entendeu os conceitos que

estudamos até o momento. Para isso, resolva a atividade a seguir. Se achar
necessário, retome os conceitos já estudados. Sucesso!
Atividade 2.1
De acordo com os estudos sobre o conceito de espaço amostral responda
as letras a seguir:
a) Um engenheiro, responsável pelo controle de qualidade no processo

de produção, deseja escolher uma lâmpada comum e medir o seu
tempo de vida útil. Qual o espaço amostral para o experimento aleatório
apresentado?
b) Considere o experimento aleatório que consiste no lançamento de dois
dados. Qual o espaço amostral para esse experimento?
c) Um estagiário responsável pela produção de uma confecção pretende
conhecer o número de peças íntimas defeituosas produzidas durante 1
hora. Qual o espaço amostral para o experimento aleatório apresentado?
d) Um técnico de segurança do trabalho quer estimar o nível de ruído, em
decibéis, emitido por um prédio em construção na vizinhança. Qual o
espaço amostral para o experimento aleatório apresentado?
Neste momento, vamos estudar a origem das probabilidades e algumas

curiosidades interessantes a ela relacionadas. Para isto, é importante você
compreender que há três definições diferentes para calcular probabilidades,
a definição clássica, a definição frequentista e a definição subjetiva.
Você vai observar e estudar alguns exemplos que irão auxiliá-lo na distinção
entre as três definições citadas.
2.2 Probabilidade
Devemos ter muita atenção na escolha da definição de probabilidade

a ser aplicada, pois esta depende da natureza do fenômeno, ou seja,
dependendo da situação em estudo, é favorável aplicarmos uma
definição em relação às demais.
68 UNIUBE
2.2.1 Definição clássica
Quando iniciamos os principais conceitos de probabilidade por meio de

exemplos práticos, o fazemos com o intuito de enfatizar o quanto estes
conceitos probabilísticos estão presentes no seu dia a dia. Os exemplos
visam a orientá‑lo a desvendar, de forma intuitiva, a importância da
probabilidade aplicada nas suas atividades profissionais.
EXEMPLIFICANDO!
Exemplo 2.3 Considere o fenômeno “rolar um dado equilibrado”.

Observando o número que ocorre na face voltada para cima (ou superior),
qual a probabilidade de ocorrer o evento número par?
Resolução:
Denominando a probabilidade de “ocorrer número par” por:
P (ocorrer número par) = p
3
P ( ocorrer número par =
) p=
6
Portanto, obtivemos três resultados favoráveis, sobre os seis resultados
possíveis do espaço amostral Ω ={1, 2,3, 4,5, 6}. A probabilidade de ocorrer
o evento número par é de 0,5 ou 50%.
Com base no Exemplo 2.3, vamos agora conhecer a definição clássica

de probabilidade.
Equiprováveis Definição clássica: representa a proporção do

O termo número de resultados favoráveis ao evento em
equiprovável
(ou igualmente relação ao número total de resultados possíveis do
provável) significa fenômeno, quando todos estes são considerados
não preferir alguns
resultados em equiprováveis.
detrimento de
outros. Isso é fácil
observar quando
ocorre algum tipo
Esperamos que, por meio do exemplo apresentado,
de simetria no você tenha entendido com facilidade a definição
fenômeno estudado.
clássica.
UNIUBE 69
Historicamente, é na Idade Média, com Galileu, que se registrou pela

primeira vez a citação do termo equiprovável. Saiba que, mesmo em
épocas remotas, a definição clássica foi considerada muito restrita,
pois não respondia a questão: o que é probabilidade? Se observarmos
o exemplo estudado, a definição clássica só realiza o cálculo de
probabilidade de alguns eventos mais simples, utilizando, para isso, o
método de contagem.
Fique atento! Do mesmo modo que nos empenhamos em aprender e

entender um exemplo, é preciso nos empenhar para compreender uma
definição referente à parte teórica.
A próxima definição que vamos apresentar é a definição frequentista.

Antes de conhecermos sua teoria, vamos estudar alguns exemplos
práticos.
2.2.2 Definição frequentista
EXEMPLIFICANDO!
Exemplo 2.4 Suponha um experimento em que jogamos um percevejo,

usado para afixar painéis de aviso, sobre uma superfície lisa. Qual a
probabilidade dele cair apontado para cima?
Resolução:
Primeiro, é necessário entender que, neste caso, não podemos recorrer
para propriedades de simetria, pois no caso do percevejo elas não existem.
Portanto, pense: como calcular a probabilidade dele cair apontado para cima?
A ideia é aproximar a probabilidade p pela estimativa da probabilidade de

ocorrência do evento, ou seja, jogar o percevejo n vezes, mantendo-se as
mesmas condições (mesmo percevejo, mesmo indivíduo – “jogador”, mesma
superfície, etc.)
Para resolver este problema, devemos utilizar a expressão a seguir:

P ( cair apontado para cima ) = p
70 UNIUBE
número de vezes que cair apontado para cima

p≅
número total de observações ( n )
Desta forma, esta razão tende a estabilizar-se, isto é, aproximar-se de um

limite. Logo, a definição frequentista denota a probabilidade de um evento
E expressa por:
 número de ocorrências de E em n repetições independentes 

P ( E ) = lim  
n →∞
 número n de repetições do experimento 
Neste exemplo, poderíamos também considerar uma moeda não equilibrada
(isto é cara e coroa não são igualmente prováveis), ou um dado não honesto
(isto é os resultados 1, 2, 3, 4, 5 e 6 não são igualmente prováveis).
RELEMBRANDO
Você deve se recordar quando, neste capítulo, dissemos: “fique atento

para distinguir que a escolha da definição a ser aplicada depende muito da
natureza do fenômeno”. É possível observar que a definição frequentista
se baseia na estabilidade da frequência relativa. No exemplo estudado, o
percevejo deverá ser lançado diversas vezes e a frequência com que sua
ponta cai para cima atingirá, depois de várias repetições, um comportamento
que tende a estabilidade. Se lançado n vezes, o percevejo cair com
a ponta para cima em aproximadamente 70% das tentativas, este é o
comportamento esperado do evento. Portanto, sua probabilidade tende
a ser de 0,7 ou 70%.
EXEMPLIFICANDO!
Exemplo 2.5 Qual a chance de se retirar, de um baralho comum, uma carta

de ouros?
Logo:
E : retirar uma carta de ouros de um baralho comum

X : número de resultados favoráveis à ocorrência do evento E
T : número total de resultados igualmente possíveis do espaço amostral Ω
UNIUBE 71
Portanto:
n(E) 13 1
P(E) = ⇒ P ( carta de ouro ) = = 0, 25 ou 25%
=
n (Ω) 52 4
Se existem 13 cartas de ouros em 52 cartas totais, temos 25% de chance
de retirar uma carta de ouros de um baralho comum.
A seguir, vamos estudar a terceira e última definição para calcular

probabilidades, a definição subjetiva. Da mesma forma que as duas
anteriores, vamos apresentá-la por meio de exemplos. Confira!
2.2.3 Definição subjetiva
Suponhamos que um químico manipule um novo perfume para

mulheres e atribua uma probabilidade de aceitação deste perfume
junto às mulheres bastante diferente daquela atribuída pelo dono do
estabelecimento. Isso exemplifica a atribuição de probabilidades
subjetivas, ou seja, baseadas em experiências passadas, opiniões,
enfim, no poder de análise pessoal de uma situação específica. A esta
abordagem dá‑se o nome de definição subjetiva de probabilidade.
A probabilidade subjetiva é especialmente útil na tomada de decisões,

quando estas não puderem ser determinadas empiricamente.
Estude os exemplos a seguir, refletindo sua crença a respeito deles.
EXEMPLIFICANDO!
Exemplo 2.6 Qual é a probabilidade de você fechar sua nota na próxima

avaliação presencial?
Exemplo 2.7 Qual é a probabilidade de chover no fim de semana?
Exemplo 2.8 Qual é a probabilidade do enfermo se recuperar completamente?

72 UNIUBE
Assim, a definição subjetiva considera a avaliação da crença do

observador na ocorrência de um evento.
Você pode estar se perguntando: mas não existe, na definição subjetiva,

uma regra a ser seguida?
Para responder a esta pergunta, vamos retomar um dos exemplos

apresentados: qual é a probabilidade de chover no fim de semana?
Para que a teoria construída sobre esta ou outras questões subjetivas

(pessoais) tenha consistência (coerência) algumas regras gerais e de
comportamentos racionais são estabelecidas. Estas regras são baseadas
em alguns axiomas, ou seja, teorias que vamos apresentar ainda neste
capítulo. Mas, antes de conhecer estes axiomas, vamos conhecer
algumas terminologias e ideias básicas que os compõem.
2.3 Axiomas da probabilidade
Na definição axiomática de probabilidade, os eventos são representados

por conjuntos, os quais pertencem a uma estrutura matemática associada
ao conjunto de todos os possíveis resultados de um experimento.
É importante ressaltarmos, também, que o cálculo de probabilidades

a que se referem as três definições que estudamos anteriormente é
definido como uma medida nestes conjuntos.
Vamos, agora, estudar alguns axiomas de probabilidade.
Axioma 1: 0 ≤ P ( E ) ≤ 1
Axioma 2: P ( Ω ) =1
Axioma 3: Se E1 e E2 são eventos mutuamente exclusivos, então,

P ( E1 ou=
E2 ) P ( E1 ) + P ( E2 )
É sabido, portanto, que dois eventos E1 e E2 são disjuntos ou

mutuamente exclusivos quando não têm elementos em comum, isto
é, E1 ∩ E2 =
∅.
UNIUBE 73
2.3.1 Alguns dos principais teoremas de probabilidade
São teoremas de probabilidade:
I. O evento impossível possui probabilidade zero, isto é, P ( ∅ ) =0 .
II. Se E c representa o evento complementar de E , então P ( E c ) = 1 − P ( E ).
III. Para quaisquer eventos, supor A e B , temos que
(
P ( A )= P ( A ∩ B ) + P A ∩ B c .)
IV. Se A ⊆ B ⇒ P ( A ) ≤ P ( B ) .
V. Se associados a um espaço amostral Ω estiver dois eventos quaisquer,

A e B , temos que:
P ( A ∪ B=
) P ( A) + P ( B ) − P ( A ∩ B )
Caso os eventos A e B sejam mutuamente exclusivos, isto é,
A∩ B =∅ , temos do teorema V:
P ( A ∪ B=
) P ( A) + P ( B )
EXEMPLIFICANDO!
Exemplo 2.9
Para resolver o exemplo proposto considere a informação:

– Antes de iniciar os cálculos fixe a calculadora em 2 casas decimais.
Sejam A e B dois eventos associados a um espaço de probabilidades.

0,60 e P ( B ) = p .
Suponha que P ( A) = 0, 20 , P ( A ∪ B ) =
a) Apresente os cálculos e determine o valor de p , se A e B forem

mutuamente exclusivos.
b) Apresente os cálculos e determine o valor de p , se A e B forem
eventos independentes.
74 UNIUBE
Resolução:
a) Sabe-se que se associados a um espaço amostral Ω estiver dois eventos

quaisquer, A e B , temos que:
P ( A ∪ B=
) P ( A) + P ( B ) − P ( A ∩ B )
Caso os eventos A e B sejam mutuamente exclusivos, isto é,
P ( A ∩ B) =
0 , temos:
P ( A ∪ B=
) P ( A) + P ( B ) − P ( A ∩ B )
0, 60= 0, 20 + p − 0
0, 60 − 0, 20 = p ⇒ p = 0, 40
b) Caso os eventos A e B sejam independentes, isto é, P ( A ∩ B ) =

P ( A ) .P ( B ) ,
temos:
P ( A ∪ B=
) P ( A) + P ( B ) − P ( A ∩ B )
P ( A ∪ B=
) P ( A) + P ( B ) −  P ( A) .P ( B )
0, 60= 0, 20 + p − [ 0, 20. p ]
0, 60 − 0, 20 =−
p 0, 20. p
0,=
40 0,80. p ⇒=
p 0,50
2.3.2 Probabilidade condicional
Considerando dois eventos A e B associados a um espaço amostral

Ω . A probabilidade do evento A ocorrer dado que o evento B ocorreu é
representada pela expressão:
P ( A ∩ B)
=P ( A / B) , em que P ( B ) > 0
P ( B)
Quando calculamos a probabilidade P ( A / B ) , a ideia intuitiva que

podemos ter é que evento B seja um novo espaço amostral reduzido
dentro do qual queremos calcular a probabilidade do evento A .
UNIUBE 75
EXEMPLIFICANDO!
Exemplo 2.10

A Companhia de Seguros Viva com Segurança Ltda, analisou a frequência

com que 800 segurados usaram os serviços hospitalares no ano de 2015.
Os dados são apresentados no quadro a seguir.
Quadro 1 – Dados dos segurados que usaram os serviços hospitalares.

Sexo
Usa o hospital Total

Masculino Feminino
Sim 65 100 165

Não 325 310 635
Total 390 410 800
Com base nas informações do quadro apresentado, responda as letras a

seguir:
a) Qual a probabilidade de uma pessoa segurada ser do sexo feminino?

Apresente os cálculos e descreva, por extenso, a conclusão para o
resultado encontrado.
b) Qual a probabilidade de uma pessoa segurada não usar o hospital dado
que é do sexo masculino? Apresente os cálculos e descreva, por extenso,
a conclusão para o resultado encontrado.
Resolução:
a) Considerando o seguinte evento,
B : a pessoa segurada é do sexo feminino (isso implica o total que usa e

não usa o hospital)
76 UNIUBE
n ( B ) 410
P (=
B) = = 0,51 ou 51,25% (calculadora fixada em duas casas
n ( Ω ) 800
decimais)
Atenção! Observe no quadro o destaque da linha e da coluna, em

negrito, isso de acordo com as variáveis envolvidas na pergunta: “...
uma pessoa segurada ser do sexo feminino?”
Portanto, a probabilidade de uma pessoa segurada ser do sexo feminino é

de aproximadamente 51,25%.
b) Considerando os seguintes eventos,

A : a pessoa segurada não usa o hospital
C : a pessoa segurada é do sexo masculino
P ( A ∩ C ) 325
P ( A /=
C) = = 0,83 ou 83,33% (calculadora fixada em
P (C ) 390
duas casas decimais)
Atenção! Observe o destaque da linha e da coluna, em negrito, isso de

acordo com as variáveis envolvidas na pergunta: “... pessoa segurada
não usar o hospital dado que é do sexo masculino?”
Portanto, a probabilidade de uma pessoa segurada não usar o hospital dado

que é do sexo masculino é de aproximadamente 83.33%.
2.3.3 Teorema do produto

P ( A ∩ B)
Do conceito de probabilidade condicional P ( A / B ) = , em
P ( B)
que P ( B ) > 0 obtém-se o teorema do produto, também conhecido como
teorema da multiplicação.
P ( A ∩ B) =
P ( A / B ) .P ( B )
UNIUBE 77
Generalizando para n eventos temos:
P ( A ∩ B ∩ C...N ) P ( A ) P ( B / A ) .P ( C / A ∩ B ) ...P ( N / A ∩ B ∩ C...)

=
2.3.4 Independência estatística
Dois eventos A e B são independentes se a informação da ocorrência ou

não de B não altera a probabilidade de ocorrência de A, isto é:
P ( A / B ) P ( A) , P ( B ) > 0
=
O que equivale à expressão:
P ( A ∩ B) =
P ( A ) .P ( B )
Não é difícil verificar que se A é independente de B , então B é

independente de A . Além disso, o uso da expressão anterior nos permitiu
verificar que o evento vazio ( ∅ ) é independente de qualquer evento.
Importante! Não é difícil verificar que se A é independente de B ,

então B é independente de A . Além de, o uso da expressão acima
nos permitir verificar que o evento vazio ( ∅ ) é independente de
qualquer evento.
EXEMPLIFICANDO!
Para resolver o exemplo proposto considere as informações:
Exemplo 2.11 Sabe-se que uma indústria de enlatados apresenta

um processo de inspeção para controle de qualidade em três linhas de
produção, I, II e III. A probabilidade de uma lata passar em qualquer dessas
linhas de produção sem ser detectada é de aproximadamente 78%. Com
base nestas informações, qual a probabilidade de uma lata passar pelas três
linhas de produção sem ser detectada? Apresente os cálculos e descreva,
por extenso, a conclusão para o resultado encontrado.
78 UNIUBE
Resolução:
A situação apresentada na questão sugere a aplicação da definição de

eventos independentes, entre as três linhas de produção, assim podemos
escrever:
P ( I ∩ II ∩ III=
) P ( I ) ⋅ P ( II ) ⋅ P ( III )
P ( I ∩ II ∩ III=
) 0.783 ≅ 47, 46%
Portanto, com base nas informações obtidas, a probabilidade de uma lata
passar pelas três etapas de inspeção sem ser detectado é de aproximadamente
47,46%.
Para resolver o próximo exemplo proposto considere as informações:

– Considere l a confiabilidade do sistema de controle.
Exemplo 2.12 O MF-EA26 é o mais recente avião teleguiado produzido

por uma empresa americana. Testes são realizados e o índice de falha do
sistema de controle deste avião teleguiado é de 1 em 15.000. Supondo-se
que em cada avião produzido a partir do próximo ano seja instalado um
segundo sistema de controle, idêntico e independente do primeiro, para atuar
quando esse último falhar. Sabendo-se que a confiabilidade de um sistema
de controle é a probabilidade de o mesmo não falhar, qual a confiabilidade do
avião produzido a partir do próximo ano? Apresente os cálculos e descreva,
Resolução:
Primeiro denominamos o evento, depois com muita atenção definimos a
probabilidade de interesse:
Ai : avião falha ao decolar, em que i = 1, 2 .
P ( Ai ) 1/15.000
= = 0, 00007
UNIUBE 79
Assim, a probabilidade de os dois sistemas de controle falhar é expressa por:
P ( A1 ∩=
A2 ) P ( A1 ) .P (=
A2 ) 0, 00007
= 2
0, 000000004
Assim, a confiabilidade do avião produzido é expressa por:
l=
1 − 0, 000000004 =
0,999999996 ≅ 99,99999960%
Portanto, a probabilidade do avião produzido a partir do próximo ano não

falhar, ou seja, a sua confiabilidade é de aproximadamente 99,99999960%.
AGORA É A SUA VEZ
Atividade 2.2
Sabe-se que a Indústria FAJU ‑CAMADE, fabricante de sacos em tecido de

polipropileno (big bags), apresenta um processo de inspeção para controle
de qualidade em três etapas, I, II e III. A probabilidade de um produto
passar em qualquer dessas etapas de inspeção sem ser detectado e de
aproximadamente 82%. Com base nestas informações, qual a probabilidade
de um produto passar pelas três etapas de inspeção sem ser detectado?
Apresente os cálculos e descreva, por extenso, a conclusão para o resultado
encontrado.
2.3.5 Teorema da probabilidade total
Sejam E1 , E2 , E3 , , En eventos que constituem uma partição do espaço
amostral Ω , isto é:
E1 ∪ E2 ∪ E3 ∪  ∪ En =Ω
P ( Ei ) > 0, para todo i =

1, 2, , n
∅ para i ≠ j
Ei ∩ E j =
80 UNIUBE
Assim, se B representa um evento, temos o seguinte teorema, conhecido

como teorema da probabilidade total:
n n
( B)
P=
=i 1 =i 1
∑ P ( Ei ∩=
B) ∑ P(E )⋅ P(B / E )
i i
2.3.6 Teorema de Bayes
Considera A1 , A2 , A3 , , An eventos mutuamente excludentes cuja união

representa o espaço amostral Ω, isto é, um dos eventos necessariamente
deve ocorrer. Observe o diagrama seguinte:
A1
A3
A2
A4 A2
Assim, se B é um evento qualquer, temos o seguinte teorema, conhecido

como teorema de Bayes, representado pela expressão:
P ( Ai ) ⋅ P ( B / Ai )
P ( Ai / B ) = n
∑ P( A )⋅ P(B / A )
i =1
i i
Saiba que o teorema apresentado permite determinar as probabilidades

dos vários eventos A1 , A2 , A3 , , An que podem ser a causa da ocorrência
do evento B. Por causa disso, o teorema de Bayes é também conhecido
como teorema da probabilidade das causas.
UNIUBE 81
EXEMPLIFICANDO!
Para resolver o exemplo proposto considere as informações:
Exemplo 2.13 Após um levantamento de dados, o setor de qualidade

responsável pelas fábricas: A, B, C, que fabricam determinado produto
constatou que cada fábrica participa com 44%, 33% e 23%, respectivamente,
da produção total. A proporção de produtos com defeito é de 3% produzidos
pela fábrica A, 1% produzidos pela fábrica B e 2% produzidos pela fábrica C.
Uma análise desses produtos é realizada ao acaso na fábrica, o que permitiu
ao setor de qualidade verificar a existência de produtos com defeito.
Com base nas informações apresentadas, qual a probabilidade desses

produtos defeituosos terem sidos produzidos pela fábrica A? Apresente os
cálculos e descreva, por extenso, a conclusão para o resultado encontrado.
Resolução:
Primeiro denominamos cada um dos eventos, depois com muita atenção

definimos a probabilidade condicionada ao evento de interesse.
A: representa o evento “produzido pela fábrica A”

D: representa o evento “produto com defeito”
Pergunta: qual a probabilidade desses produtos com defeito terem sidos

produzidos pela fábrica A? Logo, queremos a probabilidade condicional de:
P ( A / D) = ?
P ( A ∩ D ) P ( D ) .P ( D / A )
P ( A / D)
= =
P ( D) P ( D)
IMPORTANTE! Não se esqueça de que os produtos com defeitos podem

provir de qualquer uma das três fábricas (e só de uma). Portanto, confira a
seguir como realizar os cálculos de P ( D ) , que representa a probabilidade
dos produtos considerados com defeitos.
82 UNIUBE
Como calcular P ( D ) ?
P ( D) =
P ( A ) ⋅ P ( D/ A ) + P ( B ) P ( D/ B ) + P ( C ) P ( D/ C )
P ( D ) = ( 0, 44 ) . ( 0, 03) + ( 0,33) . ( 0, 01) + ( 0, 23) . ( 0, 02 ) = 0, 0211
Assim,
P ( A ) P ( D/ A )
P ( A/ D ) =
P ( D)
P ( A / D) =
( 0, 44 )( 0, 03)
( 0, 44 )( 0, 03) + ( 0,33)( 0, 01) + ( 0, 23)( 0, 02 )
0, 0132
P (=
A / D) ≅ 0, 6256 ou 62,56%
0, 0211
Portanto, conclui-se que a probabilidade desses produtos com defeitos terem

sidos produzidos pela fábrica A é de 62,56%, aproximadamente.
AGORA É A SUA VEZ
Na próxima atividade, você ira aplicar o teorema de Bayes, o qual nos

fornece as probabilidades a posteriori utilizando as probabilidades a priori.
Atividade 2.3
Ambientalistas de uma ONG (Organização Não Governamental), apos

um levantamento de dados, constataram, em uma cidade, a existência
de três indústrias: I, II, III. Cada indústria participa com 40%, 35%, 25%,
respectivamente, da produção industrial da cidade. A proporção de gases
poluentes lançados na atmosfera e de 2% pela indústria I, 1% pela indústria
II e 3% pela indústria III. Uma analise da emissão de gases poluentes ou de
partículas solidas na atmosfera e realizada ao acaso nesta cidade, o que
permitiu aos ambientalistas verificar a existência de polução atmosférica.
Qual e a probabilidade dos gases considerados poluentes terem sidos
lançados pela indústria II? Apresente os cálculos e descreva, por extenso,
a conclusão para o resultado encontrado.
UNIUBE 83
IMPORTANTE!
Atenção! Lembre‑se das ferramentas de apoio para as suas dúvidas

disponíveis no Ambiente Virtual de Aprendizagem (AVA).
Resumo
Neste capítulo, introduzimos os conceitos básicos atribuídos às

probabilidades e determinamos situações práticas às quais ela se aplica.
Abordamos algumas definições e regras importantes e necessárias ao
entendimento e aplicação do cálculo de probabilidades. Entre elas, a
definição clássica, a definição frequentista e a definição subjetiva,
com a inserção de exemplos práticos e desenvolvidos passo a passo.
O objetivo deste capítulo é orientar você acerca das diversas áreas do

conhecimento, para a introdução de probabilidade e suas aplicações. No
entanto, tivemos o cuidado de fornecer outras referências bibliográficas
como sugestões de leitura e aprimoramento de seus estudos.
Referências
MOORE, David S. A estatística básica e sua prática. 3. ed. Rio de Janeiro:}

LTC, 2005.

TOLEDO, Geraldo L.; OVALLE, Ivo I. Estatística básica. 2. ed. São Paulo:
Atlas, 2008.
Capítulo Distribuições de
3 probabilidade
Introdução
Assim como no capítulo anterior, continua-
Espaço amostral
remos nossos estudos sobre probabilidade.
Desta vez, conhecendo as distribuições de O termo espaço
amostral,
probabilidade. geralmente
representado
por S ou Ω (lê-se
Para ter êxito neste estudo, e importante que, Ômega), é o
inicialmente, você conheça e domine alguns conjunto de todos
os possíveis
conceitos inerentes a probabilidade. Você resultados,
reconhecera uma variável aleatória que, em de natureza
quantitativa ou
síntese, representa uma função que associa qualitativa, de
valores reais aos resultados de um espaço um experimento
aleatório. Por
amostral. exemplo, no
lançamento de
uma moeda
Você estudará, neste capitulo, a diferença honesta, o espaço
entre variáveis aleatórias discretas e continu- amostral do
experimento é .
as. Em seguida, entendera que o objetivo
de uma distribuição estatística e descrever
o comportamento de uma variável aleatória, a qual, necessaria-
mente, e constituída de valores seguem alguma distribuição de
probabilidade.
Uma vez que você reconhece o conceito de distribuição estatística

e o seu objetivo, estudaremos as mais importantes distribuições
de probabilidade discretas e continuas. Neste capitulo, portanto,
vamos estudar a distribuição binomial e a distribuição de Poisson,
as quais compõem o grupo das distribuições de probabilidade
86 UNIUBE
discretas. Entre as continuas, estudaremos a distribuição Normal.

Aprenderemos a utilizar as tabelas de distribuição binomial,
Poisson e Normal para o cálculo de probabilidades. Você
percebera que estas tabelas são muito uteis, pois facilitam a
resolução de problemas envolvidos nestas distribuições.
Durante o estudo, caso você tenha dúvidas, use as ferramentas

de apoio para as suas dúvidas disponíveis no Ambiente Virtual de
Aprendizagem (AVA).
Lembre se: a estatística é útil e essencial na solução de problemas

nas mais diversas áreas do conhecimento. Por conseguinte, nosso
objetivo é que você se familiarize com os conceitos estatísticos
de forma bastante prazerosa e eficaz, principalmente porque
torcemos pelo seu sucesso pessoal e profissional.
Aposte que uma boa preparação irá lhe proporcionar inúmeras

oportunidades, tanto pessoais como profissionais.
Bom estudo!
Objetivos
• diferenciar variáveis aleatórias discretas e contínuas;

• identificar situações práticas nas quais as variáveis aleatórias
podem ser aplicadas com propriedade, conhecendo assim as
possíveis interpretações do experimento estatístico;
• explicar as diferenças básicas entre distribuições discretas e
contínuas de probabilidades;
• calcular probabilidades mediante aplicação da distribuição
binomial, Poisson e normal, tanto pelo uso de expressões,
como pelo uso de tabelas.
UNIUBE 87
Distribuições de
Probabilidade
Binomial
Discreta
Variável Aleatória
Poisson
Contínua Normal
Binomial
Distribuições de
Probabilidade
Tabelas de
Referências
Poisson
Resumo
Normal
Figura 1: Esquema dos principais tópicos abordados neste capítulo.

Fonte: Acervo da autora.
3.1 Distribuições de probabilidade
Antes de apresentarmos a definição de distribuições de probabilidade,

reflita sobre algumas situações práticas comuns em nosso do dia a dia.
Reflita sobre as seguintes questões:
• Se você trabalha em um açougue, então já observou vários quilogramas

de carnes vendidas.
• Caso você seja um profissional da área da saúde, então e comum para
você inferir o número de batimentos cardíacos de alguém.
• Certamente um professor do Ensino Fundamental lhe pediu para plantar
sementinhas de feijão em um algodão, por exemplo, e observar o que iria
ocorrer.
• Você se lembra do número de questões que acertou na última avaliação
presencial, ou se passou por algum outro exame com 50 questões, por
exemplo?
88 UNIUBE
Agora, siga com sua leitura para saber o porquê destas e outras reflexões
presentes no seu dia a dia. Vale destacar o quanto você está intimamente
ligado a Estatística, ou seja, o quanto você está exposto a experimentos
estatísticos.
Vai ser muito interessante iniciar o dia e já notar um experimento destes,

ou na ida para o trabalho, ou durante almoço; no momento de escolher
seu prato, ou em contar quanto tempo ficou na fila para pagar sua conta
de energia elétrica; ou na volta para casa, enquanto espera uma carona,
entre outras.
TROCANDO IDEIAS!
O que é uma distribuição de probabilidade?
Antes de seguir com a sua leitura, tente refletir qual é a ideia que você faz
ou sugere desta questão. Discuta com seus colegas, busque ouvir outras
opiniões. Utilize‑se das próprias palavras da questão que lhe foi formulada,
isto e, será que, muitas vezes, elas mesmas não nos esclarecem as
respostas que procuramos?
O que é uma distribuição para você? Qual é a ideia que você tem de
probabilidade?
Vamos analisar a seguinte questão:
Quem já não lançou um dado? Mesmo que em um brinquedo na

infância, em que “começaria o jogo quem lançasse o dado e obtivesse o
maior número da face voltada para cima”. Recordou?
Agora, por meio desta simples recordação, você imagina que podemos
conceituar função de probabilidade e distribuição de probabilidade?
Para entender esses dois conceitos, vamos considerar um experimento
que consiste no lançamento de um dado honesto, e na Tabela 1
vamos expor a variável X , que representa os pontos obtidos na face
voltada para cima. E P ( X ) , que representa a função discreta de
probabilidade ou função de probabilidade. Isto é, a função que associa
a cada valor assumido pela variável aleatória X à probabilidade do
UNIUBE 89
evento correspondente. Portanto, P ( X= 1=

) 1/ 6 , P ( X= 2=) 1/ 6 ,...,
P ( X= 6=
) 1/ 6 , ou seja, sendo este dado honesto, cada ponto tem a
mesma probabilidade de ocorrência.
Generalizando, a notação a ser utilizada é expressa por:

P(= i)
X x= p ( x=
i) pi , =
i 1, 2, , n
Assim, uma função de probabilidade satisfaz o intervalo: 0 ≤ pi ≤ 1 (em

que a probabilidade pi assume valores maiores ou no mínimo, iguais
a zero e menores ou no máximo iguais a um).
Segundo Morettin (2009, p.47), ao conjunto { xi , p ( xi ), i = 1,..., n} damos

o nome de distribuição de probabilidades da variável X como na
Tabela 1 (negrito e adaptação da autora).
Tabela 1 – Valores obtidos, na face voltada para cima, no lançamento de um dado honesto.
X 1 2 3 4 5 6 Total
P( X ) 1/6 1/6 1/6 1/6 1/6 1/6 1
IMPORTANTE!
Atenção! Você notou o valor da soma de P ( X ) ? Saiba que esta é uma

característica muito importante, isto é, para que haja uma distribuição de
probabilidades de uma variável aleatória X , a soma das probabilidades de
n
todos os valores de X é sempre igual a 1. Portanto, ∑ p( x ) = 1 .
i =1
i
Leia com atenção a próxima atividade que estamos lhe propondo.

Observe que as ideias básicas para sua realização você já estudou.
Caso sentir necessidade retome os conceitos, refaça os exemplos
desenvolvidos, depois volte na atividade proposta. Bom trabalho!
90 UNIUBE
AGORA É A SUA VEZ
Atividade 3.1
Certo experimento consiste no lançamento de dois dados e na observação

da soma dos pontos das faces superiores. Considere D1 : dado 1, D2 :
dado 2 e Z a soma dos pontos das faces superiores. Determine o espaço
amostral do experimento e a função de probabilidade de Z .
3.2 Variável aleatória
Vamos observar, a seguir, uma situação‑problema que representa de

forma natural uma definição de variável aleatória.
EXEMPLIFICANDO!
No experimento E (representaremos por E maiúsculo) que consiste

em tomar uma semente ao acaso, de girassol, por exemplo, e observar
se ela germina (representaremos por G maiúsculo) ou não germina
(representaremos por G , e lê-se “ G barra”). Tem-se então um espaço
amostral (representaremos por Ω , e lê-se Ômega), ou seja, com estas duas
{ }
possibilidades podemos definir Ω = G , G . E definir a variável aleatória,
que a partir de agora passaremos a referir por v.a. Assim,
0, se a semente germina

X=
1, caso contrário
Você notou que denominamos a v.a. por X ? Assim como poderíamos

denominá-la por outra letra, T , ou T , etc. Percebeu também que
associamos valores numéricos para as duas possibilidades: 0 ou 1? Agora
observe como vai ficar ainda mais interessante
Nesta situação-problema os valores numéricos associados aos resultados

de Ω são contáveis, portanto a v.a. é dita variável aleatória discreta.
UNIUBE 91
3.2.1 Variável aleatória discreta
Generalizando os conceitos, observe e compare todas as expressões

apresentadas com o experimento “que consiste em tomar uma semente
ao acaso”.
EXPLICANDO MELHOR
Seja Ω um experimento aleatório qualquer e, Ω o seu espaço amostral

denotado por Ω ={a1 , a2 , , an } . Qualquer função X que transforma
os valores de Ω , a1 , a2 , , an , em números reais é denotada variável

aleatória discreta.
Em seguida vamos supor outro experimento E em que a semente de

abóbora é sorteada ao acaso. Porém, esta semente sorteada é de uma
variedade híbrida (H – abreviatura de Híbrida), entre as quais: H1 , H 2 , H 3 .
Agora, reflita sobre as seguintes questões:
Neste caso, quais as possibilidades obtidas? Como você define a

variável aleatória?
Antes de seguir com a sua leitura, tente refletir qual e a ideia que você faz
ou sugere sobre essas questões.
As possibilidades obtidas, neste caso podem ser representadas pelo

seguinte espaço amostral:
Ω ={( H1 ) , ( H 2 ) , ( H 3 ) , ( H1 , H 2 ) , ( H1 , H 3 ) , ( H 2 , H 3 ) , ( H1 , H 2 , H 3 )}
E a variável aleatória definida, por exemplo, por:

Y = quantidade (ou número) de variedades que compõem a semente
sorteada.
92 UNIUBE
AGORA É A SUA VEZ
Atividade 3.2
A assistente de um Centro de Saúde, situado na região de Belo Horizonte,

baseada nos dados do último censo verifica que para as famílias dessa
região, 20% não têm filhos, 30% têm um filho, 35% têm dois e as restantes
se dividem igualmente entre três, quatro ou cinco filhos. Suponha que uma
família será escolhida, aleatoriamente, nessa região e o número de filhos
averiguado. Apresente a função de probabilidade que melhor represente o
comportamento da variável aleatória número de filhos.
A seguir, vamos estudar o conceito de variável aleatória contínua e, do

mesmo modo, vamos utilizar primeiro a ideia de um experimento muito
prático. Observe!
3.2.2 Variável aleatória contínua
Conforme já dissemos, imagine a ideia de um experimento E que consiste

em sortear uma semente. Tem‑se que a variável aleatória é definida por:
T = tempo decorrido do plantio até a germinação.
Portanto, neste caso observamos que os valores associados aos

resultados do espaço amostral Ω , ou seja, do plantio até a germinação
pertencem a uma escala contínua de valores. A variável aleatória é
denominada contínua.
É muito importante que você compreenda as relações entre dois

conceitos de Estatística e saiba como empregá‑los. São estes: estatística
e parâmetro.
Portanto, vamos recordar em síntese as definições destes conceitos.
• Estatística representa uma informação ou característica da amostra

( n ).
• Parâmetro representa uma medida utilizada para descrever uma

característica da população ( N ).
UNIUBE 93
A seguir, vamos conhecer a relação destes conceitos em algumas caracte-

rísticas numéricas importantes em uma distribuição de probabilidade.
3.2.3 Algumas características numéricas importantes em uma

distribuição de probabilidade
Para facilitar os seus estudos e a aplicação destas características, nas

mais diversas áreas, observe o Quadro 1.
Quadro 1 – Notações de estatísticas e parâmetros.
Notações
Estatísticas Parâmetros
Denominações
(Amostra) (População)
n N
n
∑x i
µX = E ( X ) Média
X= i =1
n
n
∑(x − X )
2
i
σ X 2 = Var ( X ) Variância
SX 2 = i =1
n −1
(x − X )
2
σ X = Var ( X )
n
∑
i
SX = Desvio-Padrão
i =1 n −1
Destacamos, a seguir, algumas destas características para a variável

aleatória discreta:
• Média de uma variável aleatória discreta ( µ ) – a média de uma v. a.

discreta é calculada pela expressão:
n
=µ ∑
= xi . p ( xi ), i 1, 2,..., n
i =1
94 UNIUBE
IMPORTANTE!
Fique atento! A média de X é também usualmente expressa por E ( X ) ,

denominada esperança matemática da variável aleatória X ou valor
esperado da variável aleatória X .
• Variância de uma variável aleatória discreta (σ 2 ) – a mesma

analogia existe entre a variância e desvio padrão de uma distribuição de
frequência e, a variância e desvio padrão de uma variável aleatória X .
A variância, Var ( X ) é representada pela expressão:
n 2
∑ ( xi − µ ) . p ( xi ) =
Var ( X ) =
i =1
σ2
3.3 Distribuições discretas de probabilidade
Quando aplicamos a Estatística na resolução de situações‑problema,

verificamos que muitas delas apresentam as mesmas características,
o que nos permite estabelecer um modelo estatístico teórico para a
determinação da resolução destas situações‑problema.
Este modelo estatístico teórico, também conhecido por distribuição de

probabilidades, apresenta algumas características principais, entre elas:
• os possíveis valores que a variável aleatória X pode assumir;

• a função de probabilidade associada à variável aleatória X ;
• a média (ou valor esperado) da variável aleatória X ;
• a variância e o desvio padrão da variável aleatória X .
UNIUBE 95
Neste contexto, vamos estudar algumas das principais distribuições

de probabilidades discretas, entre elas a distribuição binomial e a
distribuição de Poisson. E, entre as distribuições de probabilidades
contínuas, a distribuição Normal.
3.3.1 Distribuição binomial
A distribuição binomial apresenta algumas características fáceis de

ser interpretadas, isto é, supor um experimento E repetido n vezes
independentemente, sendo que em cada repetição a probabilidade de
sucesso se mantém igual a p e a de fracasso igual a q.
Agora, imagine que estamos interessados na ocorrência de x sucessos

e ( n − x ) fracassos, independente da ordem de ocorrência; dessa
forma, temos que a variável aleatória X admite distribuição binomial de
probabilidades.
A notação utilizada será X ~ b ( n, p ) (lê‑se a variável aleatória X tem

distribuição binomial com parâmetros n e p ).
n
)   . p x .q n− x , em que x = 0,1,, n .
Descrevendo temos: P ( X= x=
 x
µ ( X ) = n. p → média (ou valor esperado) da variável aleatória X .
σ 2 ( X ) = n. p.q → variância da variável aleatória X .
σ ( X ) = n. p.q → desvio-padrão da variável aleatória X .
Acompanhe o exemplo seguinte da aplicação da distribuição binomial,

desenvolvido passo a passo.
96 UNIUBE
EXEMPLIFICANDO!
Exemplo 3.1 Suponha o lançamento de uma moeda honesta 10 vezes.

Qual e a probabilidade de se obter 5 vezes o resultado cara? Apresente a
conclusão para o resultado obtido.
Resolução: no geral, denotamos cara por k e coroa por c, no entanto, para

o cálculo da expressão vamos utilizar x para representar obter 5 vezes o
resultado coroa.
Desejamos calcular a probabilidade de sair o resultado cara ( x ) 5 vezes.

Logo, n = 10 e p = 0,5 (probabilidade de se obter cara ( x ) em cada
lançamento de moeda).
n
Assim, P ( X= x=
)   . p x .q n− x
 x
10 
P ( X= 5=
)   . ( 0,5) . (1 − 0,5)
5 10 −5
5 
10!
P ( X= 5=
) . ( 0,5 ) . (1 − 0,5 )
5 10 −5
5!(10 − 5 ) !
10.9.8.7.6.5!
P ( X= 5=
) . ( 0,5 ) . (1 − 0,5 )
5 5
5!5!
10.9.8.7.6
P(X =
5) = . ( 0,5 ) . (1 − 0,5 ) =3.2.7.6. ( 0, 0313) . ( 0, 0313)
5 5
5.4.3.2.4.1
P ( X= 5=
) 0, 2461
De forma análoga, vamos utilizar a tabela de distribuição binomial
com valores tabelados para a variável aleatória discreta que apresentar
distribuição binomial, (disponível ao final deste capítulo). A vantagem da
utilização dos valores tabelados é viabilizar mais rápido e direto o resultado
do cálculo de probabilidade.
UNIUBE 97
Sendo assim, vamos fazer a leitura da intersecção destes valores, isto é,

temos que para n = 10 , p = 0,5 (que corresponde à última coluna dos
valores de p, à sua direita) e para o valor de (na coluna de x ); a
intersecção da linha de x = 5 com a coluna em p = 0,5 , concluímos o
resultado 0,2461.
10 
Logo, P ( X =
5) =
  . ( 0,5 ) . (1 − 0,5 ) =
5 5
0, 2461 ou 24, 61% .
5 
Portanto, no lançamento de uma moeda honesta 10 vezes, a probabilidade
de se obter 5 vezes o resultado cara é de aproximadamente 24%.
Acreditamos que você esteja construindo conhecimentos, aumentando

suas curiosidades e também indagações. Isso é muito importante para sua
formação pessoal e profissional. E supondo que você poderá em algum
momento se deparar ou até concordar com a seguinte ideia:
Hum! Mas este cálculo é muito fácil! Não temos que fazer contas.
Basta realizar a leitura correta da tabela da distribuição
binomial.
É isso mesmo. O cálculo é fácil e direto.
AGORA É A SUA VEZ
Atividade 3.3
Em um lote de peças, 5% são defeituosas. Qual a probabilidade de, em 20

dessas peças, haver, exatamente, uma defeituosa? Apresente os cálculos
e descreva, por extenso, a conclusão para o resultado encontrado.
3.3.2 Distribuição de Poisson
Uma variável aleatória X admite distribuição de Poisson sendo expressa por:

e−l ⋅ ( l )
x
P ( X= x=
) , x = 0,1, 2, 
x!
em que:
l : denota o parâmetro de interesse, sendo usualmente tratado como a
taxa de ocorrência.
98 UNIUBE
µ : denota a média
= ( µ E=
(X ) l) .
x : denota o número de ocorrências do evento de interesse.
A notação utilizada será X ~ Po ( l ) (lê ‑se a variável aleatória X tem

distribuição de Poisson com parâmetro lambda ( l ).
Temos que o único parâmetro ( l ) é a média ( µ ) , que pode assumir

valores contínuos, enquanto o número de ocorrências é sempre um
espaço discreto, ou apenas valores inteiros. E, para entendermos melhor
esta ideia vamos supor uma situação-problema.
EXEMPLIFICANDO!
Em uma central telefônica, o número de telefonemas, em média, pode

chegar a 2 chamadas por minuto ou 2,5 chamadas por minuto, ou 3 ou 3,5, e
assim por diante. Percebemos, então, que a média não precisa ser composta
apenas de valores inteiros. Entretanto, em um minuto, por exemplo, podem
chegar 2, 3, 4, 5 chamadas; sempre em números inteiros.
Você acompanhou as ideias básicas dos valores contínuos e

discretos que nos referimos anteriormente, através da situação-
problema proposta?
EXEMPLIFICANDO!
Exemplo 3.2 Em um minuto, numa central telefônica, chegam 2 chamadas.

Em outro minuto, chegam 3 chamadas. Qual a média de chamadas?
encontrado.
n
∑x i
2+3
Média
= X= i =1
= = 2,5
n 2
Portanto, a média de chamadas de aproximadamente 2, 5 chamadas

por minuto.
UNIUBE 99
IMPORTANTE!
A média da distribuição de Poisson pode assumir qualquer valor, mas o

número de ocorrências e sempre um número inteiro.
Para resolver o exemplo seguinte considere a informação:
Exemplo 3.3
Numa rodovia em trechos de 200 km há, em média, 6 postos de
abastecimentos. Qual a probabilidade de haver nenhum posto de
abastecimento num trecho de 50 km? Apresente os cálculos e descreva,
Resolução
Nota-se que é fornecido, em média, 6 postos num trecho de 200 km, no

entanto é pedido a probabilidade de haver nenhum posto num trecho de
50 km!
Assim é preciso calcular, em média, quantos postos poderá haver num

trecho de 50 km. Logo, realizamos uma regra de três simples e obtemos
a taxa média, l :
200 − 6
50 − l
l = 1,5
Pela distribuição de Poisson, temos,

e − l .l x e −1,5 .(1,5)0
P( X =
x) = ⇒ P( X =
0) = 0, 2231 ou 22,31%.
=
x! 0!
Verifique na tabela de distribuição de Poisson (disponível ao final deste

capítulo) que o valor encontrado após o desenvolvimento dos cálculos e
o valor tabelado é idêntico. Dessa forma você poderá utilizar a tabela de
distribuição para encontrar o valor da probabilidade, desde que o valor a
variável e o valor da taxa média se encontre disponíveis na tabela.
100 UNIUBE
Portanto, a probabilidade de haver nenhum posto de abastecimento num

trecho de 50 km é de aproximadamente 22,31%.
Outros exemplos da distribuição de Poisson:
• O número de unidades de sacos de cimento consumidos em uma

construção civil é de 5 unidades, em média, por dia.
• O número de unidades de DVDs vendidos em uma loja é de 6
unidades, em média, por dia.
• O número de colisões de veículos em certo cruzamento é de 3
colisões, em média, por semana.
• O número de pacientes atendidos por um médico é de 4 pacientes,
em média, por hora.
AGORA É A SUA VEZ
Atividade 3.4
Numa colheita mecanizada de cana-de-açúcar existem várias colheitadeiras

de certo tipo. Depois de muitas observações chegou-se à conclusão que
o número de colheitadeiras que se avariam em cada mês é uma variável
aleatória T com distribuição de Poisson de média l = 3 , T ~ Po ( 3) .
Qual a probabilidade para que durante um mês se avariem sete ou mais
colheitadeiras? Apresente os cálculos e descreva, por extenso, a conclusão
para o resultado encontrado.
3.4 Distribuições contínuas de probabilidade
Estudaremos, neste contexto, entre as várias distribuições contínuas de

probabilidade, a distribuição normal.
3.4.1 Distribuição normal
Uma variável aleatória contínua X tem distribuição normal com

parâmetros µ e σ 2 , assim considere X ~ N ( µ , σ 2 ) (Lê-se a variável
aleatória X tem distribuição Normal com média µ e variância σ 2 )
UNIUBE 101
No cálculo de probabilidade para variáveis aleatórias contínuas,

devemos resolver a integral da função densidade de probabilidade no
intervalo [a, b] de interesse, expressa por:
( X − µ )2
b 1 −
P (a ≤ X ≤ b) =
∫a σ . 2π .e 2σ 2
dx . Essa integral é resolvida de modo
aproximado e por cálculo numérico. Assim é fácil imaginar a complexidade

desse cálculo, por isso que as probabilidades estudadas para o modelo
Normal utilizam-se do auxílio da tabela de distribuição de probabilidade
Normal. No entanto para encontrar a probabilidade da variável X utiliza-se
X −µ
a transformação: Z = (essa transformação sempre nos leva ao
σ
cálculo de probabilidades com uma variável de parâmetros, ( µ , σ ) , igual
2
a (0, 1), ou seja, média 0 e variância 1). Mais adiante vamos apresentar
o desenvolvimento dos cálculos para se chegar nesses valores para a
média e para a variância.
É considerada a mais importante e frequente distribuição utilizada na

Estatística e, em quase todos os processos industriais o comportamento
da variável, em estudo, é semelhante ao apresentado pela distribuição
normal, ou seja, em um processo qualquer, com média µ (lê‑se mi) e
variância σ 2 (lê‑se sigma ao quadrado), observamos que:
• A maioria dos valores se concentra ao redor da média.
• 50% dos valores estão acima da média e 50%, abaixo da média.
• Os valores distribuem‑se simetricamente à esquerda e à direita em
relação à média.
• É praticamente nula a probabilidade de um valor afastar‑se muito da
média.
Considere X ~ N ( µ , σ 2 ) e, saiba como definir uma nova variável
X −µ
transformada: Z =
σ
Logo, pelas propriedades do valor esperado E ( X ) e da variância σ 2 ,

segue que:
 X −µ  1 1
E (=
Z) E =  E ( X −=
µ) E ( X ) −=
µ  0 .
 σ  σ σ
102 UNIUBE
X −µ 1 1
Var
= ( Z ) Var  = 2 Var ( X=
− µ) Var
= (X ) 1
 σ  σ σ2
Observe que a transformação realizada não “afeta” a normalidade e,

assim a variável terá distribuição normal com média 0 e variância 1, isto
é, Z ~ N ( 0,1) ,e será denotada de normal padrão ou normal reduzida.
Para determinarmos a probabilidade da variável aleatória X ∈ [ a, b ]

(Lê-se pertence ao intervalo fechado de a até b ), observe o
desenvolvimento a seguir:
P ( a ≤ X ≤ b )= P ( a − µ ≤ X − µ ≤ b − µ )
a−µ X −µ b−µ 
= P ≤ ≤
 σ σ σ 
a−µ b−µ 
= P ≤Z≤
 σ σ 
Dessa forma, quaisquer que sejam os valores de µ e σ, utilizamos

a normal padrão para obter probabilidades com distribuição normal.
Os valores para a probabilidade P ( 0 ≤ Z ≤ z ) , z > 0 são tabelados e
apresentados na tabela de distribuição Normal (disponível ao final
deste capítulo).
Note que a simetria também implica que a probabilidade de estar acima

(ou abaixo) de zero é 0,5. E como probabilidade é sempre um valor entre
0 e 1, a tabela de distribuição Normal contém apenas a parte decimal.
EXEMPLIFICANDO!
Exemplo 3.4 Considerando que determinado estudo segue uma distribuição

Normal, com X ~ N ( 2,9 ) , qual a probabilidade P ( a ≤ X ≤ b ) ? Suponha
que a variável aleatória X do estudo pertença ao intervalo, X ∈ [ 2,5] .

encontrado.
UNIUBE 103
Resolução:
(
Sabe-se que o estudo segue uma distribuição Normal: X ~ N µ , σ ⇒
2
)
X ~ N ( 2,9 )
X : variável aleatória do estudo
σ
µ = 2 (média) e = σ=
2
9 3 (desvio-padrão)
=
X ∈ [ 2,5]
P (a ≤ X ≤ b) =
?
P ( 2 ≤ X ≤ 5) =
?
Recordando: para encontrar a probabilidade da variável X utiliza-se a

X −µ
transformação: Z = (essa transformação sempre nos leva ao cálculo
σ
( )
de probabilidades com uma variável de parâmetros, µ , σ 2 , igual a (0, 1),
ou seja, média 0 e variância 1). Assim,
 2−2 5−2
P ( 2 ≤ X ≤ 5) =
P ≤Z≤ = P ( 0 ≤ Z ≤ 1)= 0,3413
 3 3 
Para encontrar o valor 0,3413; resultante da probabilidade P ( 0 ≤ Z ≤ 1)
na tabela de distribuição Normal, basta realizar a intersecção da linha z0
correspondente ao valor 1,0, com a coluna assumindo valor 0.
Portanto, a probabilidade do determinado estudo no intervalo X ∈ [ 2,5] é

de 0,3413 ou 34,13%.
Saiba também que podemos calcular as probabilidades de intervalos com

extremos negativos, utilizando os correspondentes intervalos na parte
positiva. Outro recurso importante no uso da tabela de distribuição normal é
a utilização do complementar.
Exemplo 3.5 Considerando que determinado estudo segue uma distribuição

Normal, com X ~ N ( 2,9 ) , qual a probabilidade P ( X ≥ 3) ? Apresente os
cálculos e descreva, por extenso, a conclusão para o resultado encontrado.
(
Sabe-se que o estudo segue uma distribuição Normal: X ~ N µ , σ ⇒
2
)
X ~ N ( 2,9 )
104 UNIUBE
X : variável aleatória do estudo
σ
µ = 2 (média) e = σ=
2
9 3 (desvio-padrão)
=
P ( X ≥ 3) =
?

X −µ
σ
( )
X −µ 3− 2 1
Z= = = + (esse resultado +1/3 implica que o estudo
σ 3 3
correspondentes ao valor 3 é equivalente a 1/3 do valor em estudo
padronizado (1/3 do desvio-padrão) acima da média aritmética ( µ = 2 )
Como se deseja a probabilidade a probabilidade de P ( X ≥ 3) , isso implica

na probabilidade: P ( Z ≥ 1/ 3) =P ( Z ≥ 0,33) =0,5 − 0,1293 =0,3707 ou
37,07%
Para encontrar o valor 0,1293; resultante da probabilidade

P ( 0 ≤ Z ≤ 1/ 3)= P ( 0 ≤ Z ≤ 0,33) na tabela de distribuição Normal, basta
realizar a intersecção da linha z0 correspondente ao valor 0,3, com a coluna

assumindo valor 3 (0,33 é resultado da aproximação da razão 1/3)
Portanto, a probabilidade do determinado estudo é de 0,3707 ou 37,07%.
Para resolver o exemplo seguinte considere a informação:
Exemplo 3.6 Uma rede de fábricas confecciona de artigos esportivos até trajes
para passeio e social. Com a chegada da próxima estação, a procura pelas
novas tendências torna-se um fascínio para muitos consumidores, e este é
um dos fatores que incita as vendas. A Diretora dessa rede de fábricas, como
boa dirigente, acompanha tudo bem de perto. A dirigente sabe que as vendas
seguem uma distribuição normal, com média de 1000 unidades e desvio-padrão
de 100 unidades, e deseja saber qual a probabilidade de que as vendas sejam
superiores a 1100 unidades no mês. Apresente os cálculos e descreva, por
extenso, a conclusão para o resultado encontrado.
UNIUBE 105
Resolução:
Pergunta: qual a probabilidade de que as vendas sejam superiores a 1100
unidades no mês?
(
Sabe-se que as vendas seguem uma distribuição Normal: X  N µ , σ 2 )
X : vendas de unidades no mês
µ = 1000 (média) e σ = 100 (desvio-padrão)
P ( X ≥ 1100 ) =
?

X −µ
σ
( )
X −µ 1100 − 1000
Z= = = +1(esse resultado + 1 implica que as vendas
σ 100
correspondentes a 1100 unidades é equivalente a 1 unidade
padronizada (1 desvio-padrão) acima da média aritmética ( µ = 1000 )
Como se deseja a probabilidade a probabilidade de que as vendas sejam

superiores a 1100 unidades no mês, isso implica na probabilidade:
P ( Z ≥ 1) = 0,5 − 0,3413 = 0,1587 ou 15,87%
Para encontrar o valor 0,3413; resultante da probabilidade P ( 0 ≤ Z ≤ 1)

na tabela de distribuição Normal, basta realizar a intersecção da linha z0
correspondente ao valor 1,0, com a coluna assumindo valor 0.
Portanto, a probabilidade é de 0,1587 ou 15,87% de que as vendas sejam

superiores a 1100 unidades no mês.
AGORA É A SUA VEZ
Atividade 3.5
Uma variedade de soja, sofrendo de certa praga, é submetida a um
controle intensivo cujo tempo foi modelado por uma densidade normal, com
média 15 e desvio padrão 2 (em dias). Qual a probabilidade P ( X > 17 ) ?
encontrado.
106 UNIUBE
Resumo
Neste capítulo abordamos o conceito de distribuições de probabilidade de
uma variável aleatória. Apresentamos a diferença entre variável aleatória
discreta e contínua, por meio de exemplos, fatos e situações‑problema
do dia a dia. Também foram abordadas algumas das características
numéricas importantes em uma distribuição de probabilidade, como a
média, a variância e o desvio padrão.
Ressaltamos a elaboração de um quadro‑síntese para facilitar os estudos

e as comparações destas características. Destacamos as distribuições
discretas e contínuas de probabilidade, entre elas exemplos e aplicações
da distribuição binomial, Poisson e Normal. Para concluir o cálculo
de probabilidades, também estudamos a utilização das tabelas das
distribuições binomial, Poisson e normal.
IMPORTANTE!
O objetivo de estudar este capítulo é proporcionar a você a compreensão

dos conceitos básicos referentes às principais distribuições de probabilidade
e suas aplicações, aprimorando assim os seus conhecimentos.
Referências
MOORE, David S. A estatística básica e sua prática. 3. ed. Rio de Janeiro:
LTC, 2005.

TOLEDO, Geraldo L.; OVALLE, Ivo I. Estatística básica. 2. ed. São Paulo:
Atlas, 2008.
UNIUBE 107
Tabela distruições
Distribuição normal: N(0,1) a
P(0 < Z < Z a ) =a

Z
0 Za
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
108 UNIUBE
TABELA I
Distribuição de Poisson
e–l ⋅ l x
Valores da função de probabilidade: f X ( x=
) P ( X= x=
)
x!
l 0,005 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
x
0 0,9950 0,9900 0,9802 0,9704 0,9608 0,9512 0,9418 0,9324 0,9231 0,9139
1 0,0050 0,0099 0,0196 0,0291 0,0384 0,0476 0,0565 0,0653 0,0738 0,0823
2 0,0000 0,0000 0,0002 0,0004 0,0008 0,0012 0,0017 0,0023 0,0030 0,0037
3 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001
l 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

x
0 0,9048 0,8187 0,7408 0,6703 0,6065 0,5488 0,4966 0,4493 0,4066 0,3679
1 0,0905 0,1637 0,2222 0,2681 0,3033 0,3293 0,3476 0,3595 0,3659 0,3679
2 0,0045 0,0164 0,0333 0,0536 0,0758 0,0988 0,1217 0,1438 0,1647 0,1839
3 0,0002 0,0011 0,0033 0,0072 0,0126 0,0198 0,0284 0,0383 0,0494 0,0613
4 0,0000 0,0001 0,0003 0,0007 0,0016 0,0030 0,0050 0,0077 0,0111 0,0153
5 0,0000 0,0000 0,0000 0,0001 0,0002 0,0004 0,0007 0,0012 0,0020 0,0031
6 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0003 0,0005
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
l 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2

x
0 0,3329 0,3012 0,2725 0,2466 0,2231 0,2019 0,1827 0,1653 0,1496 0,1353
1 0,3662 0,3614 0,3543 0,3452 0,3347 0,3230 0,3106 0,2975 0,2842 0,2707
2 0,2014 0,2169 0,2303 0,2417 0,2510 0,2584 0,2640 0,2678 0,2700 0,2707
3 0,0738 0,0867 0,0998 0,1128 0,1255 0,1378 0,1496 0,1607 0,1710 0,1804
4 0,0203 0,0260 0,0324 0,0395 0,0471 0,0551 0,0636 0,0723 0,0812 0,0902
5 0,0045 0,0062 0,0084 0,0111 0,0141 0,0176 0,0216 0,0260 0,0309 0,0361
6 0,0008 0,0012 0,0018 0,0026 0,0035 0,0047 0,0061 0,0078 0,0098 0,0120
7 0,0001 0,0002 0,0003 0,0005 0,0008 0,0011 0,0015 0,0020 0,0027 0,0034
8 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0003 0,0005 0,0006 0,0009
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002
UNIUBE 109
l 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3

x
0 0,1225 0,1108 0,1003 0,0907 0,0821 0,0743 0,0672 0,0608 0,0550 0,0498
1 0,2572 0,2438 0,2306 0,2177 0,2052 0,1931 0,1815 0,1703 0,1596 0,1494
2 0,2700 0,2681 0,2652 0,2613 0,2565 0,2510 0,2450 0,2384 0,2314 0,2240
3 0,1890 0,1966 0,2033 0,2090 0,2138 0,2176 0,2205 0,2225 0,2237 0,2240
4 0,0992 0,1082 0,1169 0,1254 0,1336 0,1414 0,1488 0,1557 0,1622 0,1680
5 0,0417 0,0476 0,0538 0,0602 0,0668 0,0735 0,0804 0,0872 0,0940 0,1008
6 0,0146 0,0174 0,0206 0,0241 0,0278 0,0319 0,0362 0,0407 0,0455 0,0504
7 0,0044 0,0055 0,0068 0,0083 0,0099 0,0118 0,0139 0,0163 0,0188 0,0216
8 0,0011 0,0015 0,0019 0,0025 0,0031 0,0038 0,0047 0,0057 0,0068 0,0081
9 0,0003 0,0004 0,0005 0,0007 0,0009 0,0011 0,0014 0,0018 0,0022 0,0027
10 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0004 0,0005 0,0006 0,0008
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0002
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
l 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9 4

x
0 0,0450 0,0408 0,0369 0,0334 0,0302 0,0273 0,0247 0,0224 0,0202 0,0183
1 0,1397 0,1304 0,1217 0,1135 0,1057 0,0984 0,0915 0,0850 0,0789 0,0733
2 0,2165 0,2087 0,2008 0,1929 0,1850 0,1771 0,1692 0,1615 0,1539 0,1465
3 0,2237 0,2226 0,2209 0,2186 0,2158 0,2125 0,2087 0,2046 0,2001 0,1954
4 0,1733 0,1781 0,1823 0,1858 0,1888 0,1912 0,1931 0,1944 0,1951 0,1954
5 0,1075 0,1140 0,1203 0,1264 0,1322 0,1377 0,1429 0,1477 0,1522 0,1563
6 0,0555 0,0608 0,0662 0,0716 0,0771 0,0826 0,0881 0,0936 0,0989 0,1042
7 0,0246 0,0278 0,0312 0,0348 0,0385 0,0425 0,0466 0,0508 0,0551 0,0595
8 0,0095 0,0111 0,0129 0,0148 0,0169 0,0191 0,0215 0,0241 0,0269 0,0298
9 0,0033 0,0040 0,0047 0,0056 0,0066 0,0076 0,0089 0,0102 0,0116 0,0132
10 0,0010 0,0013 0,0016 0,0019 0,0023 0,0028 0,0033 0,0039 0,0045 0,0053
11 0,0003 0,0004 0,0005 0,0006 0,0007 0,0009 0,0011 0,0013 0,0016 0,0019
12 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0003 0,0004 0,0005 0,0006
13 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0001 0,0002 0,0002
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
110 UNIUBE
l 4,1 4,2 4,3 4,4 4,5 4,6 4,7 4,8 4,9 5

x
0 0,0166 0,0150 0,0136 0,0123 0,0111 0,0101 0,0091 0,0082 0,0074 0,0067
1 0,0679 0,0630 0,0583 0,0540 0,0500 0,0462 0,0427 0,0395 0,0365 0,0337
2 0,1393 0,1323 0,1254 0,1188 0,1125 0,1063 0,1005 0,0948 0,0894 0,0842
3 0,1904 0,1852 0,1798 0,1743 0,1687 0,1631 0,1574 0,1517 0,1460 0,1404
4 0,1951 0,1944 0,1933 0,1917 0,1898 0,1875 0,1849 0,1820 0,1789 0,1755
5 0,1600 0,1633 0,1662 0,1687 0,1708 0,1725 0,1738 0,1747 0,1753 0,1755
6 0,1093 0,1143 0,1191 0,1237 0,1281 0,1323 0,1362 0,1398 0,1432 0,1462
7 0,0640 0,0686 0,0732 0,0778 0,0824 0,0869 0,0914 0,0959 0,1002 0,1044
8 0,0328 0,0360 0,0393 0,0428 0,0463 0,0500 0,0537 0,0575 0,0614 0,0653
9 0,0150 0,0168 0,0188 0,0209 0,0232 0,0255 0,0281 0,0307 0,0334 0,0363
10 0,0061 0,0071 0,0081 0,0092 0,0104 0,0118 0,0132 0,0147 0,0164 0,0181
11 0,0023 0,0027 0,0032 0,0037 0,0043 0,0049 0,0056 0,0064 0,0073 0,0082
12 0,0008 0,0009 0,0011 0,0013 0,0016 0,0019 0,0022 0,0026 0,0030 0,0034
13 0,0002 0,0003 0,0004 0,0005 0,0006 0,0007 0,0008 0,0009 0,0011 0,0013
14 0,0001 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0003 0,0004 0,0005
15 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0001 0,0001 0,0002
l 5,1 5,2 5,3 5,4 5,5 5,6 5,7 5,8 5,9 6

x
0 0,0061 0,0055 0,0050 0,0045 0,0041 0,0037 0,0033 0,0030 0,0027 0,0025
1 0,0311 0,0287 0,0265 0,0244 0,0225 0,0207 0,0191 0,0176 0,0162 0,0149
2 0,0793 0,0746 0,0701 0,0659 0,0618 0,0580 0,0544 0,0509 0,0477 0,0446
3 0,1348 0,1293 0,1239 0,1185 0,1133 0,1082 0,1033 0,0985 0,0938 0,0892
4 0,1719 0,1681 0,1641 0,1600 0,1558 0,1515 0,1472 0,1428 0,1383 0,1339
5 0,1753 0,1748 0,1740 0,1728 0,1714 0,1697 0,1678 0,1656 0,1632 0,1606
6 0,1490 0,1515 0,1537 0,1555 0,1571 0,1584 0,1594 0,1601 0,1605 0,1606
7 0,1086 0,1125 0,1163 0,1200 0,1234 0,1267 0,1298 0,1326 0,1353 0,1377
8 0,0692 0,0731 0,0771 0,0810 0,0849 0,0887 0,0925 0,0962 0,0998 0,1033
9 0,0392 0,0423 0,0454 0,0486 0,0519 0,0552 0,0586 0,0620 0,0654 0,0688
10 0,0200 0,0220 0,0241 0,0262 0,0285 0,0309 0,0334 0,0359 0,0386 0,0413
11 0,0093 0,0104 0,0116 0,0129 0,0143 0,0157 0,0173 0,0190 0,0207 0,0225
12 0,0039 0,0045 0,0051 0,0058 0,0065 0,0073 0,0082 0,0092 0,0102 0,0113
13 0,0015 0,0018 0,0021 0,0024 0,0028 0,0032 0,0036 0,0041 0,0046 0,0052
14 0,0006 0,0007 0,0008 0,0009 0,0011 0,0013 0,0015 0,0017 0,0019 0,0022
15 0,0002 0,0002 0,0003 0,0003 0,0004 0,0005 0,0006 0,0007 0,0008 0,0009
16 0,0001 0,0001 0,0001 0,0001 0,0001 0,0002 0,0002 0,0002 0,0003 0,0003
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0001 0,0001
UNIUBE 111
l 6,1 6,2 6,3 6,4 6,5 6,6 6,7 6,8 6,9 7

x
0 0,0022 0,0020 0,0018 0,0017 0,0015 0,0014 0,0012 0,0011 0,0010 0,0009
1 0,0137 0,0126 0,0116 0,0106 0,0098 0,0090 0,0082 0,0076 0,0070 0,0064
2 0,0417 0,0390 0,0364 0,0340 0,0318 0,0296 0,0276 0,0258 0,0240 0,0223
3 0,0848 0,0806 0,0765 0,0726 0,0688 0,0652 0,0617 0,0584 0,0552 0,0521
4 0,1294 0,1249 0,1205 0,1162 0,1118 0,1076 0,1034 0,0992 0,0952 0,0912
5 0,1579 0,1549 0,1519 0,1487 0,1454 0,1420 0,1385 0,1349 0,1314 0,1277
6 0,1605 0,1601 0,1595 0,1586 0,1575 0,1562 0,1546 0,1529 0,1511 0,1490
7 0,1399 0,1418 0,1435 0,1450 0,1462 0,1472 0,1480 0,1486 0,1489 0,1490
8 0,1066 0,1099 0,1130 0,1160 0,1188 0,1215 0,1240 0,1263 0,1284 0,1304
9 0,0723 0,0757 0,0791 0,0825 0,0858 0,0891 0,0923 0,0954 0,0985 0,1014
10 0,0441 0,0469 0,0498 0,0528 0,0558 0,0588 0,0618 0,0649 0,0679 0,0710
11 0,0244 0,0265 0,0285 0,0307 0,0330 0,0353 0,0377 0,0401 0,0426 0,0452
12 0,0124 0,0137 0,0150 0,0164 0,0179 0,0194 0,0210 0,0227 0,0245 0,0263
13 0,0058 0,0065 0,0073 0,0081 0,0089 0,0099 0,0108 0,0119 0,0130 0,0142
14 0,0025 0,0029 0,0033 0,0037 0,0041 0,0046 0,0052 0,0058 0,0064 0,0071
15 0,0010 0,0012 0,0014 0,0016 0,0018 0,0020 0,0023 0,0026 0,0029 0,0033
16 0,0004 0,0005 0,0005 0,0006 0,0007 0,0008 0,0010 0,0011 0,0013 0,0014
17 0,0001 0,0002 0,0002 0,0002 0,0003 0,0003 0,0004 0,0004 0,0005 0,0006
18 0,0000 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0002 0,0002 0,0002
19 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0001
l 7,1 7,2 7,3 7,4 7,5 7,6 7,7 7,8 7,9 8

x
0 0,0008 0,0007 0,0007 0,0006 0,0006 0,0005 0,0005 0,0004 0,0004 0,0003
1 0,0059 0,0054 0,0049 0,0045 0,0041 0,0038 0,0035 0,0032 0,0029 0,0027
2 0,0208 0,0194 0,0180 0,0167 0,0156 0,0145 0,0134 0,0125 0,0116 0,0107
3 0,0492 0,0464 0,0438 0,0413 0,0389 0,0366 0,0345 0,0324 0,0305 0,0286
4 0,0874 0,0836 0,0799 0,0764 0,0729 0,0696 0,0663 0,0632 0,0602 0,0573
5 0,1241 0,1204 0,1167 0,1130 0,1094 0,1057 0,1021 0,0986 0,0951 0,0916
6 0,1468 0,1445 0,1420 0,1394 0,1367 0,1339 0,1311 0,1282 0,1252 0,1221
7 0,1489 0,1486 0,1481 0,1474 0,1465 0,1454 0,1442 0,1428 0,1413 0,1396
8 0,1321 0,1337 0,1351 0,1363 0,1373 0,1381 0,1388 0,1392 0,1395 0,1396
9 0,1042 0,1070 0,1096 0,1121 0,1144 0,1167 0,1187 0,1207 0,1224 0,1241
10 0,0740 0,0770 0,0800 0,0829 0,0858 0,0887 0,0914 0,0941 0,0967 0,0993
11 0,0478 0,0504 0,0531 0,0558 0,0585 0,0613 0,0640 0,0667 0,0695 0,0722
12 0,0283 0,0303 0,0323 0,0344 0,0366 0,0388 0,0411 0,0434 0,0457 0,0481
13 0,0154 0,0168 0,0181 0,0196 0,0211 0,0227 0,0243 0,0260 0,0278 0,0296
14 0,0078 0,0086 0,0095 0,0104 0,0113 0,0123 0,0134 0,0145 0,0157 0,0169
15 0,0037 0,0041 0,0046 0,0051 0,0057 0,0062 0,0069 0,0075 0,0083 0,0090
16 0,0016 0,0019 0,0021 0,0024 0,0026 0,0030 0,0033 0,0037 0,0041 0,0045
17 0,0007 0,0008 0,0009 0,0010 0,0012 0,0013 0,0015 0,0017 0,0019 0,0021
18 0,0003 0,0003 0,0004 0,0004 0,0005 0,0006 0,0006 0,0007 0,0008 0,0009
19 0,0001 0,0001 0,0001 0,0002 0,0002 0,0002 0,0003 0,0003 0,0003 0,0004
20 0,0000 0,0000 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0002
21 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001
112 UNIUBE
l 8,1 8,2 8,3 8,4 8,5 8,6 8,7 8,8 8,9 9

x
0 0,0003 0,0003 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0001 0,0001
1 0,0025 0,0023 0,0021 0,0019 0,0017 0,0016 0,0014 0,0013 0,0012 0,0011
2 0,0100 0,0092 0,0086 0,0079 0,0074 0,0068 0,0063 0,0058 0,0054 0,0050
3 0,0269 0,0252 0,0237 0,0222 0,0208 0,0195 0,0183 0,0171 0,0160 0,0150
4 0,0544 0,0517 0,0491 0,0466 0,0443 0,0420 0,0398 0,0377 0,0357 0,0337
5 0,0882 0,0849 0,0816 0,0784 0,0752 0,0722 0,0692 0,0663 0,0635 0,0607
6 0,1191 0,1160 0,1128 0,1097 0,1066 0,1034 0,1003 0,0972 0,0941 0,0911
7 0,1378 0,1358 0,1338 0,1317 0,1294 0,1271 0,1247 0,1222 0,1197 0,1171
8 0,1395 0,1392 0,1388 0,1382 0,1375 0,1366 0,1356 0,1344 0,1332 0,1318
9 0,1256 0,1269 0,1280 0,1290 0,1299 0,1306 0,1311 0,1315 0,1317 0,1318
10 0,1017 0,1040 0,1063 0,1084 0,1104 0,1123 0,1140 0,1157 0,1172 0,1186
11 0,0749 0,0776 0,0802 0,0828 0,0853 0,0878 0,0902 0,0925 0,0948 0,0970
12 0,0505 0,0530 0,0555 0,0579 0,0604 0,0629 0,0654 0,0679 0,0703 0,0728
13 0,0315 0,0334 0,0354 0,0374 0,0395 0,0416 0,0438 0,0459 0,0481 0,0504
14 0,0182 0,0196 0,0210 0,0225 0,0240 0,0256 0,0272 0,0289 0,0306 0,0324
15 0,0098 0,0107 0,0116 0,0126 0,0136 0,0147 0,0158 0,0169 0,0182 0,0194
16 0,0050 0,0055 0,0060 0,0066 0,0072 0,0079 0,0086 0,0093 0,0101 0,0109
17 0,0024 0,0026 0,0029 0,0033 0,0036 0,0040 0,0044 0,0048 0,0053 0,0058
18 0,0011 0,0012 0,0014 0,0015 0,0017 0,0019 0,0021 0,0024 0,0026 0,0029
19 0,0005 0,0005 0,0006 0,0007 0,0008 0,0009 0,0010 0,0011 0,0012 0,0014
20 0,0002 0,0002 0,0002 0,0003 0,0003 0,0004 0,0004 0,0005 0,0005 0,0006
21 0,0001 0,0001 0,0001 0,0001 0,0001 0,0002 0,0002 0,0002 0,0002 0,0003
22 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
UNIUBE 113
l 9,1 9,2 9,3 9,4 9,5 9,6 9,7 9,8 9,9 10

x
0 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0000
1 0,0010 0,0009 0,0009 0,0008 0,0007 0,0007 0,0006 0,0005 0,0005 0,0005
2 0,0046 0,0043 0,0040 0,0037 0,0034 0,0031 0,0029 0,0027 0,0025 0,0023
3 0,0140 0,0131 0,0123 0,0115 0,0107 0,0100 0,0093 0,0087 0,0081 0,0076
4 0,0319 0,0302 0,0285 0,0269 0,0254 0,0240 0,0226 0,0213 0,0201 0,0189
5 0,0581 0,0555 0,0530 0,0506 0,0483 0,0460 0,0439 0,0418 0,0398 0,0378
6 0,0881 0,0851 0,0822 0,0793 0,0764 0,0736 0,0709 0,0682 0,0656 0,0631
7 0,1145 0,1118 0,1091 0,1064 0,1037 0,1010 0,0982 0,0955 0,0928 0,0901
8 0,1302 0,1286 0,1269 0,1251 0,1232 0,1212 0,1191 0,1170 0,1148 0,1126
9 0,1317 0,1315 0,1311 0,1306 0,1300 0,1293 0,1284 0,1274 0,1263 0,1251
10 0,1198 0,1210 0,1219 0,1228 0,1235 0,1241 0,1245 0,1249 0,1250 0,1251
11 0,0991 0,1012 0,1031 0,1049 0,1067 0,1083 0,1098 0,1112 0,1125 0,1137
12 0,0752 0,0776 0,0799 0,0822 0,0844 0,0866 0,0888 0,0908 0,0928 0,0948
13 0,0526 0,0549 0,0572 0,0594 0,0617 0,0640 0,0662 0,0685 0,0707 0,0729
14 0,0342 0,0361 0,0380 0,0399 0,0419 0,0439 0,0459 0,0479 0,0500 0,0521
15 0,0208 0,0221 0,0235 0,0250 0,0265 0,0281 0,0297 0,0313 0,0330 0,0347
16 0,0118 0,0127 0,0137 0,0147 0,0157 0,0168 0,0180 0,0192 0,0204 0,0217
17 0,0063 0,0069 0,0075 0,0081 0,0088 0,0095 0,0103 0,0111 0,0119 0,0128
18 0,0032 0,0035 0,0039 0,0042 0,0046 0,0051 0,0055 0,0060 0,0065 0,0071
19 0,0015 0,0017 0,0019 0,0021 0,0023 0,0026 0,0028 0,0031 0,0034 0,0037
20 0,0007 0,0008 0,0009 0,0010 0,0011 0,0012 0,0014 0,0015 0,0017 0,0019
21 0,0003 0,0003 0,0004 0,0004 0,0005 0,0006 0,0006 0,0007 0,0008 0,0009
22 0,0001 0,0001 0,0002 0,0002 0,0002 0,0002 0,0003 0,0003 0,0004 0,0004
23 0,0000 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0002 0,0002
24 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001
TABELA I
114
Distribuição Binomial
 n  x n− x
UNIUBE
Valores da função de probabilidade: f X ( x) = P ( X = x) =   ⋅ p ⋅ q

 x
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
1 0 0,9500 0,9000 0,8500 0,8000 0,7500 0,7000 0,6500 0,6000 0,5500 0,5000 0,4500 0,4000 0,3500 0,3000 0,2500 0,2000 0,1500 0,1000 0,0500
1 1 0,0500 0,1000 0,1500 0,2000 0,2500 0,3000 0,3500 0,4000 0,4500 0,5000 0,5500 0,6000 0,6500 0,7000 0,7500 0,8000 0,8500 0,9000 0,9500
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
2 0 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4225 0,3600 0,3025 0,2500 0,2025 0,1600 0,1225 0,0900 0,0625 0,0400 0,0225 0,0100 0,0025
2 1 0,0950 0,1800 0,2550 0,3200 0,3750 0,4200 0,4550 0,4800 0,4950 0,5000 0,4950 0,4800 0,4550 0,4200 0,3750 0,3200 0,2550 0,1800 0,0950
2 2 0,0025 0,0100 0,0225 0,0400 0,0625 0,0900 0,1225 0,1600 0,2025 0,2500 0,3025 0,3600 0,4225 0,4900 0,5625 0,6400 0,7225 0,8100 0,9025
p
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
3 0 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,1250 0,0911 0,0640 0,0429 0,0270 0,0156 0,0080 0,0034 0,0010 0,0001
3 1 0,1354 0,2430 0,3251 0,3840 0,4219 0,4410 0,4436 0,4320 0,4084 0,3750 0,3341 0,2880 0,2389 0,1890 0,1406 0,0960 0,0574 0,0270 0,0071
3 2 0,0071 0,0270 0,0574 0,0960 0,1406 0,1890 0,2389 0,2880 0,3341 0,3750 0,4084 0,4320 0,4436 0,4410 0,4219 0,3840 0,3251 0,2430 0,1354
3 3 0,0001 0,0010 0,0034 0,0080 0,0156 0,0270 0,0429 0,0640 0,0911 0,1250 0,1664 0,2160 0,2746 0,3430 0,4219 0,5120 0,6141 0,7290 0,8574
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
4 0 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625 0,0410 0,0256 0,0150 0,0081 0,0039 0,0016 0,0005 0,0001 0,0000
4 1 0,1715 0,2916 0,3685 0,4096 0,4219 0,4116 0,3845 0,3456 0,2995 0,2500 0,2005 0,1536 0,1115 0,0756 0,0469 0,0256 0,0115 0,0036 0,0005
4 2 0,0135 0,0486 0,0975 0,1536 0,2109 0,2646 0,3105 0,3456 0,3675 0,3750 0,3675 0,3456 0,3105 0,2646 0,2109 0,1536 0,0975 0,0486 0,0135
4 3 0,0005 0,0036 0,0115 0,0256 0,0469 0,0756 0,1115 0,1536 0,2005 0,2500 0,2995 0,3456 0,3845 0,4116 0,4219 0,4096 0,3685 0,2916 0,1715
UNIUBE
4 4 0,0000 0,0001 0,0005 0,0016 0,0039 0,0081 0,0150 0,0256 0,0410 0,0625 0,0915 0,1296 0,1785 0,2401 0,3164 0,4096 0,5220 0,6561 0,8145
115
p
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
116
5 0 0,7738 0,5905 0,4437 0,3277 0,2373 0,1681 0,1160 0,0778 0,0503 0,0313 0,0185 0,0102 0,0053 0,0024 0,0010 0,0003 0,0001 0,0000 0,0000
UNIUBE
5 1 0,2036 0,3281 0,3915 0,4096 0,3955 0,3602 0,3124 0,2592 0,2059 0,1563 0,1128 0,0768 0,0488 0,0284 0,0146 0,0064 0,0022 0,0005 0,0000
5 2 0,0214 0,0729 0,1382 0,2048 0,2637 0,3087 0,3364 0,3456 0,3369 0,3125 0,2757 0,2304 0,1811 0,1323 0,0879 0,0512 0,0244 0,0081 0,0011
5 3 0,0011 0,0081 0,0244 0,0512 0,0879 0,1323 0,1811 0,2304 0,2757 0,3125 0,3369 0,3456 0,3364 0,3087 0,2637 0,2048 0,1382 0,0729 0,0214
5 4 0,0000 0,0005 0,0022 0,0064 0,0146 0,0284 0,0488 0,0768 0,1128 0,1563 0,2059 0,2592 0,3124 0,3602 0,3955 0,4096 0,3915 0,3281 0,2036
5 5 0,0000 0,0000 0,0001 0,0003 0,0010 0,0024 0,0053 0,0102 0,0185 0,0313 0,0503 0,0778 0,1160 0,1681 0,2373 0,3277 0,4437 0,5905 0,7738
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
6 0 0,7351 0,5314 0,3771 0,2621 0,1780 0,1176 0,0754 0,0467 0,0277 0,0156 0,0083 0,0041 0,0018 0,0007 0,0002 0,0001 0,0000 0,0000 0,0000
6 1 0,2321 0,3543 0,3993 0,3932 0,3560 0,3025 0,2437 0,1866 0,1359 0,0938 0,0609 0,0369 0,0205 0,0102 0,0044 0,0015 0,0004 0,0001 0,0000
6 2 0,0305 0,0984 0,1762 0,2458 0,2966 0,3241 0,3280 0,3110 0,2780 0,2344 0,1861 0,1382 0,0951 0,0595 0,0330 0,0154 0,0055 0,0012 0,0001
6 3 0,0021 0,0146 0,0415 0,0819 0,1318 0,1852 0,2355 0,2765 0,3032 0,3125 0,3032 0,2765 0,2355 0,1852 0,1318 0,0819 0,0415 0,0146 0,0021
6 4 0,0001 0,0012 0,0055 0,0154 0,0330 0,0595 0,0951 0,1382 0,1861 0,2344 0,2780 0,3110 0,3280 0,3241 0,2966 0,2458 0,1762 0,0984 0,0305
6 5 0,0000 0,0001 0,0004 0,0015 0,0044 0,0102 0,0205 0,0369 0,0609 0,0938 0,1359 0,1866 0,2437 0,3025 0,3560 0,3932 0,3993 0,3543 0,2321
6 6 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0018 0,0041 0,0083 0,0156 0,0277 0,0467 0,0754 0,1176 0,1780 0,2621 0,3771 0,5314 0,7351
p
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
7 0 0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0152 0,0078 0,0037 0,0016 0,0006 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000
7 1 0,2573 0,3720 0,3960 0,3670 0,3115 0,2471 0,1848 0,1306 0,0872 0,0547 0,0320 0,0172 0,0084 0,0036 0,0013 0,0004 0,0001 0,0000 0,0000
7 2 0,0406 0,1240 0,2097 0,2753 0,3115 0,3177 0,2985 0,2613 0,2140 0,1641 0,1172 0,0774 0,0466 0,0250 0,0115 0,0043 0,0012 0,0002 0,0000
7 3 0,0036 0,0230 0,0617 0,1147 0,1730 0,2269 0,2679 0,2903 0,2918 0,2734 0,2388 0,1935 0,1442 0,0972 0,0577 0,0287 0,0109 0,0026 0,0002
7 4 0,0002 0,0026 0,0109 0,0287 0,0577 0,0972 0,1442 0,1935 0,2388 0,2734 0,2918 0,2903 0,2679 0,2269 0,1730 0,1147 0,0617 0,0230 0,0036
7 5 0,0000 0,0002 0,0012 0,0043 0,0115 0,0250 0,0466 0,0774 0,1172 0,1641 0,2140 0,2613 0,2985 0,3177 0,3115 0,2753 0,2097 0,1240 0,0406
7 6 0,0000 0,0000 0,0001 0,0004 0,0013 0,0036 0,0084 0,0172 0,0320 0,0547 0,0872 0,1306 0,1848 0,2471 0,3115 0,3670 0,3960 0,3720 0,2573
7 7 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0006 0,0016 0,0037 0,0078 0,0152 0,0280 0,0490 0,0824 0,1335 0,2097 0,3206 0,4783 0,6983
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
8 0 0,6634 0,4305 0,2725 0,1678 0,1001 0,0576 0,0319 0,0168 0,0084 0,0039 0,0017 0,0007 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
8 1 0,2793 0,3826 0,3847 0,3355 0,2670 0,1977 0,1373 0,0896 0,0548 0,0313 0,0164 0,0079 0,0033 0,0012 0,0004 0,0001 0,0000 0,0000 0,0000
8 2 0,0515 0,1488 0,2376 0,2936 0,3115 0,2965 0,2587 0,2090 0,1569 0,1094 0,0703 0,0413 0,0217 0,0100 0,0038 0,0011 0,0002 0,0000 0,0000
8 3 0,0054 0,0331 0,0839 0,1468 0,2076 0,2541 0,2786 0,2787 0,2568 0,2188 0,1719 0,1239 0,0808 0,0467 0,0231 0,0092 0,0026 0,0004 0,0000
8 4 0,0004 0,0046 0,0185 0,0459 0,0865 0,1361 0,1875 0,2322 0,2627 0,2734 0,2627 0,2322 0,1875 0,1361 0,0865 0,0459 0,0185 0,0046 0,0004
8 5 0,0000 0,0004 0,0026 0,0092 0,0231 0,0467 0,0808 0,1239 0,1719 0,2188 0,2568 0,2787 0,2786 0,2541 0,2076 0,1468 0,0839 0,0331 0,0054
UNIUBE
8 6 0,0000 0,0000 0,0002 0,0011 0,0038 0,0100 0,0217 0,0413 0,0703 0,1094 0,1569 0,2090 0,2587 0,2965 0,3115 0,2936 0,2376 0,1488 0,0515
8 7 0,0000 0,0000 0,0000 0,0001 0,0004 0,0012 0,0033 0,0079 0,0164 0,0313 0,0548 0,0896 0,1373 0,1977 0,2670 0,3355 0,3847 0,3826 0,2793
117
8 8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0017 0,0039 0,0084 0,0168 0,0319 0,0576 0,1001 0,1678 0,2725 0,4305 0,6634
p
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
118
9 0 0,6302 0,3874 0,2316 0,1342 0,0751 0,0404 0,0207 0,0101 0,0046 0,0020 0,0008 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
9 1 0,2985 0,3874 0,3679 0,3020 0,2253 0,1556 0,1004 0,0605 0,0339 0,0176 0,0083 0,0035 0,0013 0,0004 0,0001 0,0000 0,0000 0,0000 0,0000
UNIUBE
9 2 0,0629 0,1722 0,2597 0,3020 0,3003 0,2668 0,2162 0,1612 0,1110 0,0703 0,0407 0,0212 0,0098 0,0039 0,0012 0,0003 0,0000 0,0000 0,0000
9 3 0,0077 0,0446 0,1069 0,1762 0,2336 0,2668 0,2716 0,2508 0,2119 0,1641 0,1160 0,0743 0,0424 0,0210 0,0087 0,0028 0,0006 0,0001 0,0000
9 4 0,0006 0,0074 0,0283 0,0661 0,1168 0,1715 0,2194 0,2508 0,2600 0,2461 0,2128 0,1672 0,1181 0,0735 0,0389 0,0165 0,0050 0,0008 0,0000
9 5 0,0000 0,0008 0,0050 0,0165 0,0389 0,0735 0,1181 0,1672 0,2128 0,2461 0,2600 0,2508 0,2194 0,1715 0,1168 0,0661 0,0283 0,0074 0,0006
9 6 0,0000 0,0001 0,0006 0,0028 0,0087 0,0210 0,0424 0,0743 0,1160 0,1641 0,2119 0,2508 0,2716 0,2668 0,2336 0,1762 0,1069 0,0446 0,0077
9 7 0,0000 0,0000 0,0000 0,0003 0,0012 0,0039 0,0098 0,0212 0,0407 0,0703 0,1110 0,1612 0,2162 0,2668 0,3003 0,3020 0,2597 0,1722 0,0629
9 8 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0013 0,0035 0,0083 0,0176 0,0339 0,0605 0,1004 0,1556 0,2253 0,3020 0,3679 0,3874 0,2985
9 9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0008 0,0020 0,0046 0,0101 0,0207 0,0404 0,0751 0,1342 0,2316 0,3874 0,6302
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
10 0 0,5987 0,3487 0,1969 0,1074 0,0563 0,0282 0,0135 0,0060 0,0025 0,0010 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
10 1 0,3151 0,3874 0,3474 0,2684 0,1877 0,1211 0,0725 0,0403 0,0207 0,0098 0,0042 0,0016 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
10 2 0,0746 0,1937 0,2759 0,3020 0,2816 0,2335 0,1757 0,1209 0,0763 0,0439 0,0229 0,0106 0,0043 0,0014 0,0004 0,0001 0,0000 0,0000 0,0000
10 3 0,0105 0,0574 0,1298 0,2013 0,2503 0,2668 0,2522 0,2150 0,1665 0,1172 0,0746 0,0425 0,0212 0,0090 0,0031 0,0008 0,0001 0,0000 0,0000
10 4 0,0010 0,0112 0,0401 0,0881 0,1460 0,2001 0,2377 0,2508 0,2384 0,2051 0,1596 0,1115 0,0689 0,0368 0,0162 0,0055 0,0012 0,0001 0,0000
10 5 0,0001 0,0015 0,0085 0,0264 0,0584 0,1029 0,1536 0,2007 0,2340 0,2461 0,2340 0,2007 0,1536 0,1029 0,0584 0,0264 0,0085 0,0015 0,0001
10 6 0,0000 0,0001 0,0012 0,0055 0,0162 0,0368 0,0689 0,1115 0,1596 0,2051 0,2384 0,2508 0,2377 0,2001 0,1460 0,0881 0,0401 0,0112 0,0010
10 7 0,0000 0,0000 0,0001 0,0008 0,0031 0,0090 0,0212 0,0425 0,0746 0,1172 0,1665 0,2150 0,2522 0,2668 0,2503 0,2013 0,1298 0,0574 0,0105
10 8 0,0000 0,0000 0,0000 0,0001 0,0004 0,0014 0,0043 0,0106 0,0229 0,0439 0,0763 0,1209 0,1757 0,2335 0,2816 0,3020 0,2759 0,1937 0,0746
10 9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0016 0,0042 0,0098 0,0207 0,0403 0,0725 0,1211 0,1877 0,2684 0,3474 0,3874 0,3151
10 10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010 0,0025 0,0060 0,0135 0,0282 0,0563 0,1074 0,1969 0,3487 0,5987
p
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
11 0 0,5688 0,3138 0,1673 0,0859 0,0422 0,0198 0,0088 0,0036 0,0014 0,0005 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
11 1 0,3293 0,3835 0,3248 0,2362 0,1549 0,0932 0,0518 0,0266 0,0125 0,0054 0,0021 0,0007 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
11 2 0,0867 0,2131 0,2866 0,2953 0,2581 0,1998 0,1395 0,0887 0,0513 0,0269 0,0126 0,0052 0,0018 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000
11 3 0,0137 0,0710 0,1517 0,2215 0,2581 0,2568 0,2254 0,1774 0,1259 0,0806 0,0462 0,0234 0,0102 0,0037 0,0011 0,0002 0,0000 0,0000 0,0000
11 4 0,0014 0,0158 0,0536 0,1107 0,1721 0,2201 0,2428 0,2365 0,2060 0,1611 0,1128 0,0701 0,0379 0,0173 0,0064 0,0017 0,0003 0,0000 0,0000
11 5 0,0001 0,0025 0,0132 0,0388 0,0803 0,1321 0,1830 0,2207 0,2360 0,2256 0,1931 0,1471 0,0985 0,0566 0,0268 0,0097 0,0023 0,0003 0,0000
11 6 0,0000 0,0003 0,0023 0,0097 0,0268 0,0566 0,0985 0,1471 0,1931 0,2256 0,2360 0,2207 0,1830 0,1321 0,0803 0,0388 0,0132 0,0025 0,0001
11 7 0,0000 0,0000 0,0003 0,0017 0,0064 0,0173 0,0379 0,0701 0,1128 0,1611 0,2060 0,2365 0,2428 0,2201 0,1721 0,1107 0,0536 0,0158 0,0014
11 8 0,0000 0,0000 0,0000 0,0002 0,0011 0,0037 0,0102 0,0234 0,0462 0,0806 0,1259 0,1774 0,2254 0,2568 0,2581 0,2215 0,1517 0,0710 0,0137
11 9 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0018 0,0052 0,0126 0,0269 0,0513 0,0887 0,1395 0,1998 0,2581 0,2953 0,2866 0,2131 0,0867
11 10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0007 0,0021 0,0054 0,0125 0,0266 0,0518 0,0932 0,1549 0,2362 0,3248 0,3835 0,3293
11 11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0005 0,0014 0,0036 0,0088 0,0198 0,0422 0,0859 0,1673 0,3138 0,5688
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
12 0 0,5404 0,2824 0,1422 0,0687 0,0317 0,0138 0,0057 0,0022 0,0008 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
12 1 0,3413 0,3766 0,3012 0,2062 0,1267 0,0712 0,0368 0,0174 0,0075 0,0029 0,0010 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
12 2 0,0988 0,2301 0,2924 0,2835 0,2323 0,1678 0,1088 0,0639 0,0339 0,0161 0,0068 0,0025 0,0008 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000
12 3 0,0173 0,0852 0,1720 0,2362 0,2581 0,2397 0,1954 0,1419 0,0923 0,0537 0,0277 0,0125 0,0048 0,0015 0,0004 0,0001 0,0000 0,0000 0,0000
12 4 0,0021 0,0213 0,0683 0,1329 0,1936 0,2311 0,2367 0,2128 0,1700 0,1208 0,0762 0,0420 0,0199 0,0078 0,0024 0,0005 0,0001 0,0000 0,0000
12 5 0,0002 0,0038 0,0193 0,0532 0,1032 0,1585 0,2039 0,2270 0,2225 0,1934 0,1489 0,1009 0,0591 0,0291 0,0115 0,0033 0,0006 0,0000 0,0000
12 6 0,0000 0,0005 0,0040 0,0155 0,0401 0,0792 0,1281 0,1766 0,2124 0,2256 0,2124 0,1766 0,1281 0,0792 0,0401 0,0155 0,0040 0,0005 0,0000
12 7 0,0000 0,0000 0,0006 0,0033 0,0115 0,0291 0,0591 0,1009 0,1489 0,1934 0,2225 0,2270 0,2039 0,1585 0,1032 0,0532 0,0193 0,0038 0,0002
12 8 0,0000 0,0000 0,0001 0,0005 0,0024 0,0078 0,0199 0,0420 0,0762 0,1208 0,1700 0,2128 0,2367 0,2311 0,1936 0,1329 0,0683 0,0213 0,0021
UNIUBE
12 9 0,0000 0,0000 0,0001 0,0004 0,0015 0,0048 0,0125 0,0277 0,0537 0,0923 0,1419 0,1954 0,2397 0,2397 0,2581 0,2362 0,1720 0,0852 0,0173
12 10 0,0000 0,0000 0,0000 0,0000 0,0002 0,0008 0,0025 0,0068 0,0161 0,0339 0,0639 0,1088 0,1678 0,1678 0,2323 0,2835 0,2924 0,2301 0,0988
119
12 11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010 0,0029 0,0075 0,0174 0,0368 0,0712 0,0712 0,1267 0,2062 0,3012 0,3766 0,3413
12 12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0008 0,0022 0,0057 0,0138 0,0138 0,0317 0,0687 0,1422 0,2824 0,5404
p
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
120
13 0 0,5133 0,2542 0,1209 0,0550 0,0238 0,0097 0,0037 0,0013 0,0004 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
13 1 0,3512 0,3672 0,2774 0,1787 0,1029 0,0540 0,0259 0,0113 0,0045 0,0016 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
13 2 0,1109 0,2448 0,2937 0,2680 0,2059 0,1388 0,0836 0,0453 0,0220 0,0095 0,0036 0,0012 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
UNIUBE
13 3 0,0214 0,0997 0,1900 0,2457 0,2517 0,2181 0,1651 0,1107 0,0660 0,0349 0,0162 0,0065 0,0022 0,0006 0,0001 0,0000 0,0000 0,0000 0,0000
13 4 0,0028 0,0277 0,0838 0,1535 0,2097 0,2337 0,2222 0,1845 0,1350 0,0873 0,0495 0,0243 0,0101 0,0034 0,0009 0,0001 0,0000 0,0000 0,0000
13 5 0,0003 0,0055 0,0266 0,0691 0,1258 0,1803 0,2154 0,2214 0,1989 0,1571 0,1089 0,0656 0,0336 0,0142 0,0047 0,0011 0,0001 0,0000 0,0000
13 6 0,0000 0,0008 0,0063 0,0230 0,0559 0,1030 0,1546 0,1968 0,2169 0,2095 0,1775 0,1312 0,0833 0,0442 0,0186 0,0058 0,0011 0,0001 0,0000
13 7 0,0000 0,0001 0,0011 0,0058 0,0186 0,0442 0,0833 0,1312 0,1775 0,2095 0,2169 0,1968 0,1546 0,1030 0,0559 0,0230 0,0063 0,0008 0,0000
13 8 0,0000 0,0000 0,0001 0,0011 0,0047 0,0142 0,0336 0,0656 0,1089 0,1571 0,1989 0,2214 0,2154 0,1803 0,1258 0,0691 0,0266 0,0055 0,0003
13 9 0,0000 0,0000 0,0000 0,0001 0,0009 0,0034 0,0101 0,0243 0,0495 0,0873 0,1350 0,1845 0,2222 0,2337 0,2097 0,1535 0,0838 0,0277 0,0028
13 10 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0022 0,0065 0,0162 0,0349 0,0660 0,1107 0,1651 0,2181 0,2517 0,2457 0,1900 0,0997 0,0214
13 11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0012 0,0036 0,0095 0,0220 0,0453 0,0836 0,1388 0,2059 0,2680 0,2937 0,2448 0,1109
13 12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0016 0,0045 0,0113 0,0259 0,0540 0,1029 0,1787 0,2774 0,3672 0,3512
13 13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0013 0,0037 0,0097 0,0238 0,0550 0,1209 0,2542 0,5133
p
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
14 0 0,4877 0,2288 0,1028 0,0440 0,0178 0,0068 0,0024 0,0008 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
14 1 0,3593 0,3559 0,2539 0,1539 0,0832 0,0407 0,0181 0,0073 0,0027 0,0009 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
14 2 0,1229 0,2570 0,2912 0,2501 0,1802 0,1134 0,0634 0,0317 0,0141 0,0056 0,0019 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
14 3 0,0259 0,1142 0,2056 0,2501 0,2402 0,1943 0,1366 0,0845 0,0462 0,0222 0,0093 0,0033 0,0010 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000
14 4 0,0037 0,0349 0,0998 0,1720 0,2202 0,2290 0,2022 0,1549 0,1040 0,0611 0,0312 0,0136 0,0049 0,0014 0,0003 0,0000 0,0000 0,0000 0,0000
14 5 0,0004 0,0078 0,0352 0,0860 0,1468 0,1963 0,2178 0,2066 0,1701 0,1222 0,0762 0,0408 0,0183 0,0066 0,0018 0,0003 0,0000 0,0000 0,0000
14 6 0,0000 0,0013 0,0093 0,0322 0,0734 0,1262 0,1759 0,2066 0,2088 0,1833 0,1398 0,0918 0,0510 0,0232 0,0082 0,0020 0,0003 0,0000 0,0000
14 7 0,0000 0,0002 0,0019 0,0092 0,0280 0,0618 0,1082 0,1574 0,1952 0,2095 0,1952 0,1574 0,1082 0,0618 0,0280 0,0092 0,0019 0,0002 0,0000
14 8 0,0000 0,0000 0,0003 0,0020 0,0082 0,0232 0,0510 0,0918 0,1398 0,1833 0,2088 0,2066 0,1759 0,1262 0,0734 0,0322 0,0093 0,0013 0,0000
14 9 0,0000 0,0000 0,0000 0,0003 0,0018 0,0066 0,0183 0,0408 0,0762 0,1222 0,1701 0,2066 0,2178 0,1963 0,1468 0,0860 0,0352 0,0078 0,0004
14 10 0,0000 0,0000 0,0000 0,0000 0,0003 0,0014 0,0049 0,0136 0,0312 0,0611 0,1040 0,1549 0,2022 0,2290 0,2202 0,1720 0,0998 0,0349 0,0037
14 11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0010 0,0033 0,0093 0,0222 0,0462 0,0845 0,1366 0,1943 0,2402 0,2501 0,2056 0,1142 0,0259
14 12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0019 0,0056 0,0141 0,0317 0,0634 0,1134 0,1802 0,2501 0,2912 0,2570 0,1229
14 13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0009 0,0027 0,0073 0,0181 0,0407 0,0832 0,1539 0,2539 0,3559 0,3593
14 14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0008 0,0024 0,0068 0,0178 0,0440 0,1028 0,2288 0,4877
p
n x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95
15 0 0,4633 0,2059 0,0874 0,0352 0,0134 0,0047 0,0016 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
15 1 0,3658 0,3432 0,2312 0,1319 0,0668 0,0305 0,0126 0,0047 0,0016 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
15 2 0,1348 0,2669 0,2856 0,2309 0,1559 0,0916 0,0476 0,0219 0,0090 0,0032 0,0010 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
15 3 0,0307 0,1285 0,2184 0,2501 0,2252 0,1700 0,1110 0,0634 0,0318 0,0139 0,0052 0,0016 0,0004 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
15 4 0,0049 0,0428 0,1156 0,1876 0,2252 0,2186 0,1792 0,1268 0,0780 0,0417 0,0191 0,0074 0,0024 0,0006 0,0001 0,0000 0,0000 0,0000 0,0000
15 5 0,0006 0,0105 0,0449 0,1032 0,1651 0,2061 0,2123 0,1859 0,1404 0,0916 0,0515 0,0245 0,0096 0,0030 0,0007 0,0001 0,0000 0,0000 0,0000
15 6 0,0000 0,0019 0,0132 0,0430 0,0917 0,1472 0,1906 0,2066 0,1914 0,1527 0,1048 0,0612 0,0298 0,0116 0,0034 0,0007 0,0001 0,0000 0,0000
15 7 0,0000 0,0003 0,0030 0,0138 0,0393 0,0811 0,1319 0,1771 0,2013 0,1964 0,1647 0,1181 0,0710 0,0348 0,0131 0,0035 0,0005 0,0000 0,0000
15 8 0,0000 0,0000 0,0005 0,0035 0,0131 0,0348 0,0710 0,1181 0,1647 0,1964 0,2013 0,1771 0,1319 0,0811 0,0393 0,0138 0,0030 0,0003 0,0000
15 9 0,0000 0,0000 0,0001 0,0007 0,0034 0,0116 0,0298 0,0612 0,1048 0,1527 0,1914 0,2066 0,1906 0,1472 0,0917 0,0430 0,0132 0,0019 0,0000
15 10 0,0000 0,0000 0,0000 0,0001 0,0007 0,0030 0,0096 0,0245 0,0515 0,0916 0,1404 0,1859 0,2123 0,2061 0,1651 0,1032 0,0449 0,0105 0,0006
15 11 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0024 0,0074 0,0191 0,0417 0,0780 0,1268 0,1792 0,2186 0,2252 0,1876 0,1156 0,0428 0,0049
15 12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0016 0,0052 0,0139 0,0318 0,0634 0,1110 0,1700 0,2252 0,2501 0,2184 0,1285 0,0307
15 13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010 0,0032 0,0090 0,0219 0,0476 0,0916 0,1559 0,2309 0,2856 0,2669 0,1348
15 14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0016 0,0047 0,0126 0,0305 0,0668 0,1319 0,2312 0,3432 0,3658
UNIUBE
15 15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0016 0,0047 0,0134 0,0352 0,0874 0,2059 0,4633
121
Capítulo
Amostragem
4
Introdução
A utilização de amostragem e fato corrente no dia a dia. Nos
seus mais diversificados ramos de atuação, as pessoas
estão frequentemente expostas as técnicas de amostragem,
utilizando‑as, consciente ou inconscientemente, com maior ou
menor intensidade.
Estamos todos acostumados com diferentes tipos de amostragem

em nosso cotidiano. Amostramos o comportamento de nossos
conhecidos antes de decidirmos quais deles conhecer melhor;
quando vamos a compra de um imóvel, amostramos visualmente
as condições do mesmo antes de o comprarmos; quando vamos
as compras de frutas e vegetais amostramos, visualmente, a
qualidade destes antes de os comprarmos, entre outros.
Se descobrirmos que alguns “amigos” se “escondem atrás de uma

falsa fachada”, vamos nos aborrecer por estarmos expostos a
uma amostra “viciada” de comportamento. Se o corretor do imóvel
expõe para visita publica o melhor de suas locações, porém,
comercializa com melhores preços as locações com qualidade
inferior, solicitamos pela melhor locação ou procuramos outro
corretor. Ou, se o fornecedor de frutas e vegetais expõe o melhor
de seus produtos, porém nos vende aqueles com qualidade
inferior, protestamos pela amostra “viciada” ou mudamos de
fornecedor.
124 UNIUBE
Em síntese, você percebeu que pela própria natureza humana,

a ideia de vício segue paralelamente a ideia de amostragem.
Mesmo que excluíssemos a possibilidade de tais vícios, ainda
verificaríamos que alguns de nossos “amigos” são julgados
mais “confiáveis” que outros quanto ao comportamento frente a
determinadas situações; ou que alguns corretores de imóveis são
mais “confiáveis” que outros quanto a ter coerência nos preços dos
imóveis que comercializa; ou que alguns fornecedores são mais
“confiáveis” que outros na consistência da qualidade dos produtos
que oferecem.
Isto posto, qualidades como falta de vício e confiabilidade é

o que desejamos nas amostras em geral e, em particular, nos
levantamentos amostrais. Porém, caso desejarmos usar amostras
cientificamente, devemos torná‑las precisas e, para isso ocorrer,
precisamos de uma teoria que estabeleça regras e procedimentos
de tal natureza.
Neste capítulo, vamos estudar os princípios básicos de teoria

de amostragem. Serão fornecidos exemplos e atividades que
destacarão a importância de definir a população‑alvo e quais
os critérios para seleção de uma amostra representativa desta
população. Todavia, convém alertamos você que o assunto
amostragem aborda conceitos, regras e técnicas que vão bem
mais além do que nos propomos a apresentar neste capítulo.
Você está construindo habilidades necessárias à sua atuação

profissional. Por meio do estudo deste capítulo, certamente
outros conhecimentos serão construídos referentes aos métodos
estatísticos.
UNIUBE 125
Objetivos
• relacionar os termos população e amostra;

• descrever os princípios básicos das técnicas de amostragem;
• descrever os diversos métodos de obtenção de amostras
aleatórias;
• utilizar uma tabela de números aleatórios;
• identificar situações práticas às quais as técnicas e os
métodos estudados podem ser aplicados com propriedade.
Amostragem
Planejamento
Hipóteses
Amostra Casual
Simples
Coleta de Dados
Amostra Aleatória
Simples
Métodos Amostrais
Amostra Aleatória
Estratificada
Resumo
Amostra Aleatória por
Conglomerado
Referências
Tabela de Números
Aleatórios

126 UNIUBE
4.1 Noções sobre amostragem
Em geral, quando o assunto é Estatística, imaginamos imensas

quantidades de dados; tabelas e mais tabelas registrando estes dados;
índices; e estudos gráficos! Talvez você não saiba que a priori esta era a
ideia idealizada de Estatística antes de Fisher (1890‑1962).
PESQUISANDO NA WEB
Caso queira saber mais sobre as descobertas e contribuições de Sir

Ronald Aylmer Fisher (1890-1962), acesse o link <http://www-history.mcs.
st-andrews.ac.uk/history/Mathematicians/Fisher.html>.
4.2 Noções de planejamento amostral
Muitos dos conhecimentos que temos foram obtidos na Antiguidade

por acaso e, outros, por necessidades práticas, sem aplicação de
um método. Atualmente, a Estatística está muito além desta ideia, e
quase todo acréscimo de conhecimento resulta da observação e do
desenvolvimento de processos científicos para seu estudo. Ela consiste
principalmente no planejamento de métodos experimentais e
observacionais.
Você já está procurando definir estes métodos?

Qual a diferença que você estabelece entre os métodos científicos?
Método é um conjunto de meios dispostos convenientemente objetivando

chegar a um fim que se deseja. Dos métodos científicos, vamos destacar
o método experimental e o observacional.
I. Método experimental: consiste na coleta dos dados quando realizada

sob condições controladas pelo pesquisador. É método preferido nas
pesquisas em ciências exatas, como na Física e na Química.
II. Método observacional: ocorre quando não se tem controle sobre fatores
que possam influenciar os dados. Este método é frequentemente usado
nas ciências sociais.
UNIUBE 127
Para alcançar os objetivos propostos na pesquisa é necessário

planejamento. O planejamento consiste na especificação detalhada dos
processos a serem cumpridos no decorrer da pesquisa. Não é nosso
objeto de estudo o planejamento de uma pesquisa, porém acompanhe,
no Exemplo 4.1, aspectos que poderiam ser previstos na etapa de
planejamento.
EXEMPLIFICANDO!
Exemplo 4.1 Suponha que o objetivo de uma pesquisa seja descobrir como
os adultos estão utilizando a internet. Ao planejar a pesquisa poderiam ser
formuladas questões que possibilitam identificar entre os entrevistados:
• o número de adultos que sabem usar a internet;

• entre estes adultos pesquisados, quais usaram a internet para ingressar
num curso de graduação ou pós ‑graduação na Modalidade a Distância;
• quais são apenas usuários da internet;
• entre estes adultos quais usaram a internet nos últimos 12 meses.
Neste momento, acreditamos que você esteja construindo conhecimentos

e, nessa construção, ideias, curiosidades e indagações caminham juntas,
o que será ótimo para sua formação pessoal e profissional. Você deve
estar pensando: será que eu entendi? Será que é durante o planejamento
que procuramos identificar quais características (variáveis) devem ser
relacionadas com os objetivos propostos?
Muito bem! Fácil, não é? Você relacionou rapidamente as ideias conceituais

até aqui apresentadas, além de vinculá‑las a outras já estudadas.
É comum em qualquer estudo formularmos hipóteses que podem ser

verificadas diretamente ou indiretamente – isto é, por meio de suas
consequências. A seguir, esquematizaremos como estas hipóteses serão
testadas.
128 UNIUBE
4.3 Formulação de hipóteses
Formular hipóteses corretamente demanda prática. As hipóteses

representam afirmações, como as apresentadas nos seguintes exemplos.
EXEMPLIFICANDO!
1) Não há resposta à adubação nitrogenada na cana-de-açúcar.

2) O baixo peso de recém-nascidos é maior para mães que usam drogas
ilícitas durante a gestação.
3) O resultado do novo antibiótico apresenta a mesma eficácia intravenosa
quanto via oral.
4) A aplicação de zinco foliar é mais efetiva que a aplicação via solo na
cultura de citros.
Saiba que, às vezes, em um estudo, podemos não ter a ideia das

hipóteses a serem formuladas. Desta forma, procuramos levantar
questionamentos, dentro dos objetivos propostos, que serão respondidos
depois, com base nas informações dos dados e observações coletadas.
Este procedimento ocorre, no geral, em estudos exploratórios.
4.4 Coleta de dados
Como obter os dados? A coleta de dados é usada, por exemplo, nos

métodos observacionais, em que o planejamento é direcionado para a
retirada dos dados em uma parte (amostra n ) da população e que serão
posteriormente analisados.
RELEMBRANDO
Hora de recordar conceitos! É importante recordarmos que nos métodos

observacionais não existe a possibilidade de se obter os dados sob
condições controladas, pois já se apresentam dispostos em cada unidade
da população sob influência de um ou mais fatores.
UNIUBE 129
Ao realizarmos a escolha das unidades da população (amostras) que

serão submetidas às análises, devemos aplicar o chamado princípio da
aleatorização para evitar eventuais “vícios” de seleção. Desta forma, obtemos
uma amostra aleatória cujos resultados podem ser estendidos (inferidos)
para toda a população, segundo uma margem de erro e confiabilidade
conhecidas.
IMPORTANTE!
Em seus estudos subsequentes você irá conhecer mais sobre os termos

margem de erro e confiabilidade. Porém, a princípio, acreditamos que
você já relacionou as ideias à linguagem corrente. Correto?
Lembre-se de que você dispõe das ferramentas de apoio para as suas

dúvidas disponíveis no Ambiente Virtual de Aprendizagem (AVA).
Por exemplo, podemos selecionar uma amostra aleatória de plantas

daninhas que infestam determinada área, ou selecionar uma amostra
aleatória das notas obtidas pelos alunos por curso de opção no
Programa de Educação a Distância, no último vestibular da UNIUBE,
em determinado ano, entre outros.
Vamos retomar os conceitos estudados até o momento!

Observe que até agora tratamos da coleta de dados em métodos
observacionais, correto?
Agora vamos abordar os métodos experimentais.
O que representa a coleta dos dados por experimentação? Representa

o que ocorre nos métodos experimentais e, neste caso, realizamos
um planejamento orientado para obtermos os dados sob condições
controladas, sem descuidarmos da escolha dos métodos para a futura
análise dos dados.
Simultaneamente, procuramos aperfeiçoar alguns pontos importantes,

tais como os esforços despendidos na pesquisa, os custos necessários,
o tempo de realização, a qualidade das informações que vamos obter e
a análise dos dados obtidos.
130 UNIUBE
4.5 Principais métodos amostrais
Conforme já dissemos, torna‑se impossível ou impraticável observar

as características de interesse em toda a população. Desta forma,
escolhemos criteriosamente uma parte da população, que é representada
pela amostra. A amostra deve refletir o melhor possível as características
da população, para podermos inferir o seu resultado para a população
originária.
Sendo assim, as regras adotadas nas escolhas das unidades amostrais

devem ser objetivas e, de preferência, usando‑se mecanismos de sorteio.
É importante entender que, quando as unidades são sorteadas, as
amostras são chamadas amostras probabilísticas.
Em geral, na prática, ao realizarmos a amostragem probabilística ou aleatória

utilizamos um ou mais dos principais métodos amostrais probabilísticos,
entre os quais citamos: a amostra casual simples; a amostra aleatória
sistemática; a amostra aleatória estratificada; e a amostra aleatória por
conglomerados.
Estudaremos o método probabilístico de amostra casual simples, com

o intuito de apresentar formas para utilização da tabela de números
aleatórios. Para os demais métodos, vamos expor alguns exemplos com
o simples objetivo de apresentá‑los através de suas ideias básicas.
Para representar as simbologias necessárias à descrição dos métodos

amostrais probabilísticos, vamos representar o tamanho da população
por N maiúsculo e o tamanho da amostra por n minúsculo.
4.5.1 Amostra casual simples
O procedimento da A.C.S – abreviatura de amostra casual simples – é o

mais simples além de ser básico para os demais métodos supracitados.
É utilizado quando nada se sabe sobre a estrutura da população, salvo
o seu tamanho ( N ). Consiste na lista de um grupo de n unidades, entre
todos os possíveis grupos de n unidades que possam ser formados na
população de tamanho N , de modo que cada grupo tenha a mesma
chance de ser sorteado.
UNIUBE 131
EXEMPLIFICANDO!
Exemplo 4.2 Suponhamos que desejamos retirar uma amostra casual

simples ( A.C.S .) de professores de uma população de professores de
Estatística, que trabalhem nos três períodos na UNIUBE. Considere N = 6
e n = 2.
Resolução: Temos que a população pode ser representada por

U = {1, 2,3, 4,5, 6}. Assim, todos os possíveis grupos de n = 2 professores
que podem ser formados nesta população de tamanho N = 6 são:
(1, 2 ) (1,3) (1, 4 ) (1,5) (1, 6 ) Bem! Vamos refletir! Isto é fácil
entender! Como n = 2 , temos
( 2,3) ( 2, 4 ) ( 2,5) ( 2, 6 ) dois a dois todas as possíveis
amostras de professores de
( 3, 4 ) ( 3,5) ( 3, 6 ) Estatística, que trabalhem nos
três períodos na UNIUBE!
( 4,5) ( 4, 6 ) Correto?
( 5, 6 )
Desta forma temos a combinação de N elementos tomados n a n ,

sem reposição e expresso por,
 N  6 6! 6.5.4! 6.5 Possíveis grupos
=  =  = = = 15 → (amostras) de tamanho
 n   2  2!. ( 6 − 2 ) ! 2.4! 2
n = 2.
Para retirarmos uma A.C.S. de tamanho 2, podemos enumerá-los do 1 ao
15 e sortear, mediante algum mecanismo, um dos grupos como amostra.
Por exemplo, enumerar 15 papeizinhos, cada um representando um grupo,
e um mecanismo de sorteio. Após mistura-los bem e só realizar a escolha
de um destes papeizinhos ao acaso. Enumerar estes papeizinhos do 1 ao
15 denomina‑se de sistema de referencia.
Também podemos utilizar uma calculadora ou um computador que gera

números aleatórios para realizarmos o sorteio. Outra forma é utilizarmos uma
tabela de números aleatórios (TNA ‑ abreviatura de tabela de números
aleatórios).
132 UNIUBE
IMPORTANTE!
Antes de prosseguir em seus estudos, é muito importante e aconselhável

que você tenha sempre uma calculadora para efetuar os cálculos que forem
necessários.
4.5.1.1 Como utilizar uma tabela de números aleatórios
As TNAs são construídas com o intuito de garantir que cada dígito, ou

cada par de dígitos consecutivos ou cada terna de dígitos consecutivos,
e assim por diante, apareça com a mesma frequência em uma longa
sequência de dígitos.
EXEMPLIFICANDO!
Exemplo 4.3 Considere a Tabela 1 que representa parte de uma tabela de

números aleatórios.
Tabela 1 – Parte de uma tabela de números aleatórios.

28 67 96 25 68 36 24 72 03 85 49 24 85
86 94 78 32 59 51 82 86 43 73 84 40 10
60 09 05 88 78 44 63 13 58 25 94 55 89
Utilize como sistema de referência a numeração dos professores do

Exemplo 4.2.
Procedimentos de resolução:
No Exemplo 4.2, a população é constituída por números de um dígito, isto

é, 1, 2,3, 4,5,6 . Vamos usar a Tabela 1 para sortear dois destes números,
que representarão os professores da amostra n = 2.
Para realizarmos este sorteio, precisamos pré‑estabelecer as regras de

leitura da Tabela 1.
UNIUBE 133
Antes vamos enfatizar que para sortear 2 professores da população

de 6 pro fessores de Estatística, o sistema de referência será
dado pela numeração dos professores em U . Assim, considerando
1, 2,3, 4,5, 6 → Sistemade Referência , procedemos assim:

números de dígitos
Início da leitura na Tabela 1: iniciemos a leitura, por exemplo, na 3ª linha,

a partir do 9º dígito, da esquerda para a direita.
Número de dígitos que vamos ler de cada vez nesta Tabela 1: vamos
ler 1 dígito de cada vez para corresponder aos números do sistema de
referência adotado, isto é, a numeração dos professores em U .
Sequência de leitura dos números na Tabela 1: leiamos da esquerda
para a direita até o final da linha, reiniciando no começo da próxima linha
e assim sucessivamente até conseguirmos sortear todos os números da
amostra desejada.
Como proceder com os números repetidos na Tabela 1? Podemos
ignorá‑los se já foram considerados na primeira leitura.
Como proceder com os números só formados por dígitos zero?
Podemos adotar como regra é associá‑los ao último número do sistema de
referência que, neste Exemplo 4.2, é representado pelo número 6.
Sendo assim, de acordo com estas regras, a A.C.S . é expressa pela

sequência:
7 8 4 4 6
Reescrevendo a Tabela 1 com os dígitos da sequência obtida,

marcados em negrito, após as regras pré‑estabelecidas temos:
Tabela 1 – Parte de uma tabela de números aleatórios.

28 67 96 25 68 36 24 72 03 85 49 24 85
86 94 78 32 59 51 82 86 43 73 84 40 10
60 09 05 88 78 44 63 13 58 25 94 55 89
Início: “3ª linha a 4º Professor 6º Professor

partir do 9º dígito”
134 UNIUBE
Portanto, o sorteio utilizando a Tabela 1 apontou que uma amostra casual

simples ( A.C.S .) de uma população de professores de Estatística,
que trabalham nos três temas de referência dado pela numeração dos
professores em U , recordando que U = {1, 2,3, 4,5, 6} .
AGORA É A SUA VEZ
Atividade 4.1
Retome os exemplos 4.2 e 4.3, estudados na seção 4.5.1, e considere

agora que há 60 professores na população de professores de Estatística.
Retire uma amostra casual simples ( A.C.S .) de tamanho n = 6 , utilizando
a Tabela 1. A amostra obtida é composta por quais professores?
A tabela de números aleatórios, no final deste capítulo, é um exemplo para

que você exercite outras situações‑problema, como as apresentadas até o
momento. Saiba que existem outros geradores de números aleatórios, como
a planilha eletrônica Excel e os softwares estatísticos MINITAB e SPSS.
4.5.2 Amostra aleatória sistemática
Para exemplificar uma A. A.S . – abreviatura de amostra aleatória

sistemática –, imagine um lote de certo produto que será submetido a
um teste de aceitação‑rejeição em processo de inspeção de qualidade.
Este lote para análise encontra‑se em um armazém, estocado em 20
pilhas com 5 unidades em cada pilha. Portanto, a nossa população é de
100 unidades do produto.
Como retirar uma amostra aleatória sistemática ( A. A.S . ) para ser

submetida a testes?
Sabemos que a população de 100 unidades está dividida em 20 pilhas

de 5 unidades cada uma. Selecionaremos 1 elemento de cada pilha.
Considerando que a população está ordenada de 1 a 100, pelo sistema
de referência, selecionamos aleatoriamente pelo método ( A.C.S .) 1
unidade entre as 5 primeiras unidades ordenadas. Suponhamos que
no sorteio tivesse saído uma unidade que ocupa a 2ª posição. A partir
UNIUBE 135
daí, escolheríamos todas as unidades que ocupassem posições

equivalentes nas 19 pilhas subsequentes. Assim, em cada uma das
19 pilhas restantes, selecionaríamos sempre a 2ª unidade, completando
assim a amostra sistemática de 20 unidades.
Outro procedimento de selecionar as unidades que comporiam a amostra

seria, simplesmente, sortear uma das 20 pilhas e considerar todas as
5 unidades da pilha sorteada para serem submetidas a testes. Assim,
em cada sorteio de uma a uma das pilhas restantes, consideraríamos
sempre todas as 5 unidades da pilha sorteada, até completar a amostra
sistemática de unidades desejada. Por exemplo, para obter uma amostra
sistemática de 20 unidades, sortearíamos 5 pilhas apenas, entre as 20
do total.
A amostra aleatória sistemática A. A.S . pode apresentar problemas. Um

deles é a possibilidade de ocorrência de “vícios” sistemáticos coincidindo
com o intervalo de amostragem. No 2o procedimento do exemplo
apresentado, cada pilha de produto poderia estar estocando a produção
de uma única máquina (ou linha de montagem) e, dessa forma, a amostra
não estaria representando a produção das outras máquinas (ou linhas
de montagem). Entendeu?
4.5.3 Amostra aleatória estratificada
O método A. A.E. – abreviatura de amostra aleatória estratificada –

supõe que, caso soubermos que uma população é heterogênea em
relação à característica de interesse, podemos subdividi‑la em sub
‑população denominadas estratos. Este procedimento é realizado com
base no conhecimento do comportamento de outra característica auxiliar
fortemente relacionada à primeira. Algumas considerações:
• A amostragem é realizada por meio de amostra casual simples ( A.C.S .)

dentro de cada estrato.
• Dentro de cada estrato, a variabilidade, em relação à característica

de interesse, necessariamente deve ser a menor possível, embora
entre os estratos a variabilidade possa ser grande.
Veja, a seguir, exemplos de situações em que se aplica a amostragem

estratificada.
136 UNIUBE
EXEMPLIFICANDO!
Exemplos
1) Um estudo sobre como os indivíduos de várias categorias de renda

despendem com o lazer.
2) Uma pesquisa para verificar a porcentagem dos salários dos indivíduos
gasta em recreação.
3) Um estudo do volume de produção de certa variedade de cana-de-açúcar
comparada com os gastos com plantio; suponha que haja muitas usinas
incluídas no estudo.
4) Uma pesquisa feita com os alunos, de uma instituição de ensino, que
provém que provêm da zona central da cidade, da zona periférica e da
zona rural, com o objetivo de saber se o desempenho em Estatística pode
estar relacionado com a procedência do aluno (característica auxiliar).
4.5.4 Amostra por conglomerados
No caso da A. A.C. – abreviatura de amostra aleatória por conglomerado

–, pressupomos a disposição dos itens da população em subgrupos
heterogêneos representativos da população global. Em síntese, cada
conglomerado pode ser encarado como uma mini população.
Por exemplo, imagine que deva ser feito um estudo entre os proprietários
de imóveis de um país. Obter uma lista de todos os proprietários de
imóveis de um país seria muito difícil. Todavia, podemos obter uma lista
de cidades ou conglomerados. Ou então, os conglomerados podem
ser os quarteirões. Caso não possamos dispor de uma listagem das
residências de uma cidade, os quarteirões podem, geralmente, ser
identificados, realizando‑se a seleção por meio de mapas. Dessa forma,
os quarteirões sorteados podem ser visitados pelo pesquisador, que
identificará, assim, as residências que comporão a amostra.
UNIUBE 137
AGORA É A SUA VEZ
Atividade 4.2
Quando a vigilância sanitária de sua cidade faz uma pesquisa sobre a

incidência de mosquitos transmissores da Dengue, os agentes sanitários
visitam as residências, certo? Você já reparou que algumas casas não são
visitadas? A sua casa já foi visitada por um destes agentes? E a de seus
vizinhos?
Pesquise! Mas lembre-se de verificar se as visitas ocorreram para a mesma

pesquisa, pois o município pode realizar várias pesquisas durante um
período! Se for preciso se certifique com os profissionais da área, discuta
na sua comunidade. Acredite, essa interação será de grande valia em seus
estudos! Compare sua pesquisa com outras que você certamente tomará
conhecimento com seus colegas.
Resumo
Apresentamos as noções de planejamento amostral, dentro de um
contexto bastante exemplificado, por meio de comparações e exemplos
de aplicações de amostragem no dia a dia. Discutimos os princípios
básicos para formular hipóteses, coletar dados e os principais métodos
amostrais. Abordamos a amostra casual simples, por meio de exemplos
de como utilizar uma tabela de números aleatórios. Na sequência,
vimos os métodos da amostra aleatória sistemática, amostra aleatória
estratificada e amostra aleatória por conglomerado.
Referências
MCCLAVE, J. T.; BENSON G.; SINCICH T. Estatística para administração e

economia. São Paulo: Pearson Prentice Hall, 2009.
MORETTIN, Luiz G. Estatística básica: probabilidade e inferência. Vol. único. São

Paulo: Pearson Prentice Hall, 2009.
138 UNIUBE
TABELA DE NÚMEROS ALEATÓRIOS
5831 3593 7697 2402 7192 9763 2608 7666 4805 8983 0329 4626
1431 2626 2218 6421 4003 0693 4081 9964 0887 4587 2648 2129
0498 9704 4756 0118 1180 1277 1498 1963 4045 1073 6264 5038
4925 2853 1290 0099 9595 6956 2372 0274 2471 3788 9312 4956
7262 4057 4845 8640 0425 4696 4774 4046 0852 5475 7236 4777
5170 0203 4461 4874 1298 2457 2775 3462 6009 5119 7337 1302
4168 7779 4144 1390 9695 6552 9329 2647 2746 6260 3101 4268
6591 1320 8902 3486 9066 5121 9471 8821 4898 6327 2711 2013
0792 5373 4664 9335 6172 3755 5232 6237 9471 1128 2456 8640
3924 1947 1923 5535 1086 6247 5881 1976 5393 9006 9362 7370
1070 7911 0222 2388 2552 4188 4593 8292 3719 1226 9038 4724
1221 6165 0037 4000 5508 9928 8988 1470 5709 0600 3585 1096
4035 5872 3871 7458 6621 7333 2129 7857 7369 4400 8369 6732
8793 8982 8134 2611 4941 6740 8781 2886 2012 4945 0264 3763
1762 7386 6202 4037 9508 5436 8916 0458 7179 6309 4185 4682
6866 9907 9743 1329 4079 3955 9463 9986 5227 1770 2769 5101
5428 7775 7116 0745 7552 1681 5522 1667 4898 6958 5210 4028
8048 9149 3589 0240 3546 4945 4353 9374 7637 3488 0494 8868
6563 6774 9651 1073 5409 8034 3418 9449 5214 6998 4539 7871
5044 3203 4891 7862 8298 9234 7204 7190 6566 1856 2168 9239
0360 7198 2739 3830 3786 8491 9299 3728 7012 1126 3983 9363
1160 3338 6426 0725 6483 3444 1453 2868 4664 2212 1538 2411
7811 8247 8095 2753 6160 7533 6438 4394 3756 8422 4025 1408
1366 7558 9937 6569 7616 2278 7790 3027 0741 8139 5109 3346
1354 4499 9764 7151 7209 9928 4897 4321 7532 6877 3750 3949
1637 6059 6343 0849 8914 3694 3972 0833 8150 2178 2447 5433
3293 8925 7496 6506 4186 9895 0069 0818 3768 8880 3248 8456
8902 5854 4263 6916 4360 7137 4826 9219 1854 4410 0628 7700
Anotações
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
__________________________________________________________
_________________________________________________________
_________________________________________________________
__________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
__________________________________________________________
_________________________________________________________
_________________________________________________________
__________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________

Estat Stica Descritiva

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

Estat Stica Descritiva

Uploaded by

Copyright:

Available Formats

Estatística descritiva

Fabíola Eugênio Arrabaça Moraes

Todos os direitos reservados. Nenhuma parte desta publicação poderá ser

Pró-Reitor de Educação a Distância

Catalogação elaborada pelo Setor de Referência da Biblioteca Central UNIUBE

Moraes, Fabíola Eugênio Arrabaça.

Programa de Educação a Distância – Universidade de Uberaba.

1. Estatística. 2. Pesquisa. I. Universidade de Uberaba.

Mestre em Estatística pela Universidade Federal de São Carlos (UFSCar).

Capítulo 1 Estatística Descritiva: a importância da estatística no dia a dia.... 1

Capítulo 2 Conhecendo o cálculo da probabilidade............................. 61

Capítulo 4 Amostragem...................................................................... 123

O que a Estatística significa para você? A Estatística apenas se resume

Este volume compreende o ramo da Estatística conhecido por Estatística

No decorrer dos estudos deste livro, você aprenderá a organizar dados, a

A área de aplicação da Estatística é, portanto, imensa. Abrange os mais

Faremos uma introdução à Estatística Descritiva, que, em

É sabido que parâmetro (MORETTIN, 2009 p. 183) é a medida

Estudaremos os procedimentos estatísticos descritivos, os quais

perigoso poluente no ar. Esta revelação, com certeza geraria

Com base nos dados obtidos a respeito da concentração de

Este exemplo e outros que estudaremos mostrarão o quanto a

• determinar situações práticas nas quais a Estatística poderá

Análise Exploratória Resultados

Figura 1: Esquema do capítulo.

Qual é a importância da Estatística no seu dia a dia?

Discuta com seus colegas, busque ouvir outras opiniões! Acreditamos

1.1 A importância da Estatística no dia a dia

A seguir, você vai conferir alguns exemplos práticos, indicando a

Exemplo 1.1 Os institutos de pesquisa de opinião regularmente fazem

PARADA PARA REFLEXÃO

O que é Estatística para você? Registre as suas ideias e continue os seus

A Estatística é uma área do conhecimento que utiliza teorias

A Estatística também é considerada uma ciência e prática de

Fique atento! Após as considerações já mencionadas você percebeu

Sugerimos acessar o link a seguir para a profundar o seu conhecimento:

Com as situações propostas a você até aqui, juntamente com as suas

Podemos, então, comparar a Estatística a um grande baú!

Conheça, a seguir, um pouco da história da origem do termo Estatística.

O termo Estatística surgiu da expressão em latim statisticum collegium,

Para saber um pouco mais sobre a história da Estatística e seus principais

Em 1085, Guilherme, O Conquistador, ordenou que se fizesse um

Outro fato curioso são as Tábuas de mortalidade. Você sabia que as

Fonte: Disponível em: <http://www.mat.ufrgs.br/~vigo/historia.html > Acesso em jun. 2016.

Acompanhe, a seguir, algumas noções gerais de Estatística descritiva.

1.2 Estatística descritiva – parte I

De início, propomos a você uma reflexão: o que um analista que dispuser

Neste momento, acreditamos que você esteja construindo conhecimentos

Os dados de uma pesquisa devem ser reduzidos até o ponto em que se

Em definição, a Estatística descritiva é o ramo da Estatística que

1.2.1 O que é população e o que é amostra?

As pessoas de uma comunidade podem ser estudadas sob diversos

Portanto, sexo, estatura e renda são variáveis, isto é, são propriedades

PARADA PARA REFLEXÃO

E, para você, nome e sexo são formas de medida?

Reflita sobre essa questão! Em seguida, vamos para mais um desafio.

AGORA É A SUA VEZ

Antes de propormos a atividade anterior, fazíamos referências às

Portanto, uma população é um conjunto de unidades (geralmente

São exemplos de população:

• todas as lâmpadas produzidas por uma indústria no primeiro trimestre

Os motivos de se estudar uma população são vários. Por exemplo, um

PARADA PARA REFLEXÃO

O estudo de uma população muito grande, por exemplo, o conjunto de