2216

ESTATSTICA
E PESQUISA
IMOBILIRIA
Professora Me. Ariane Maria Machado de Oliveira
Professora Me. Ivnna Gurniski Carniel
Professora Esp. Daiana Aldrovande
GRADUAO
Negcios Imobilirios
Reitor
Wilson de Matos Silva
Vice-Reitor
Wilson de Matos Silva Filho
Pr-Reitor de Administrao
Wilson de Matos Silva Filho
Pr-Reitor de EAD
Willian Victor Kendrick de Matos Silva
Presidente da Mantenedora
Cludio Ferdinandi
NEAD - Ncleo de Educao a Distncia
Direo Comercial, de Expanso e
Novos Negcios
Marcos Gois
Direo de Operaes
Chrystiano Mincof
Coordenao de Sistemas
Fabrcio Ricardo Lazilha
Coordenao de Polos
Reginaldo Carneiro
Coordenao de Ps-Graduao, Extenso
e Produo de Materiais
Renato Dutra
Coordenao de Graduao
Ktia Coelho
Coordenao Administrativa/Servios
Compartilhados
Evandro Bolsoni
Coordenao de Curso
Jos Renato de Paula Lamberti
Gerncia de Inteligncia de Mercado/Digital
Bruno Jorge
Gerncia de Marketing
Harrisson Brait
Superviso do Ncleo de Produo de
Materiais
Nalva Aparecida da Rosa Moura
Superviso de Materiais
Ndila de Almeida Toledo
Design Educacional
Rossana Costa Giani
Fernando Henrique Mendes
Projeto Grfco
Jaime de Marchi Junior
Jos Jhonny Coelho
Editorao
Reginaldo Yoshida
Humberto Garcia da Silva
Reviso Textual
Jaquelina Kutsunugi, Keren Pardini, Maria
Fernanda Canova Vasconcelos, Nayara
Valenciano, Rhaysa Ricci Correa e Susana Incio
Ilustrao
Humberto Garcia da Silva
CENTRO UNIVERSITRIO DE MARING. Ncleo de Educao a
Distncia:
C397
Estatstica e pesquisa imobiliria / Ariane Maria Machado de Oli-
veira, Daiana Aldrovande, Ivnna Gurniski Carniel.
Reimpresso revista e atualizada, Maring - PR, 2014.
156 p.
Graduao em Negcios Imobilirios - EaD.

1. Estatstica. 2. Probabilidades. 3. Medidas de disperso. 4. Pes-
quisa imobiliria. 5. EaD. I. Ttulo.
ISBN: 978-85-8084-563-1
CDD - 22 ed. 519.5
CIP - NBR 12899 - AACR/2
Ficha catalogrfca elaborada pelo bibliotecrio
Joo Vivaldo de Souza - CRB-8 - 6828
Viver e trabalhar em uma sociedade global um
grande desafo para todos os cidados. A busca
por tecnologia, informao, conhecimento de
qualidade, novas habilidades para liderana e so-
luo de problemas com efcincia tornou-se uma
questo de sobrevivncia no mundo do trabalho.
Cada um de ns tem uma grande responsabilida-
de: as escolhas que fzermos por ns e pelos nos-
sos far grande diferena no futuro.
Com essa viso, o Centro Universitrio Cesumar
assume o compromisso de democratizar o conhe-
cimento por meio de alta tecnologia e contribuir
para o futuro dos brasileiros.
No cumprimento de sua misso promover a
educao de qualidade nas diferentes reas do
conhecimento, formando profssionais cidados
que contribuam para o desenvolvimento de uma
sociedade justa e solidria , o Centro Universi-
trio Cesumar busca a integrao do ensino-pes-
quisa-extenso com as demandas institucionais
e sociais; a realizao de uma prtica acadmica
que contribua para o desenvolvimento da consci-
ncia social e poltica e, por fm, a democratizao
do conhecimento acadmico com a articulao e
a integrao com a sociedade.
Diante disso, o Centro Universitrio Cesumar al-
meja ser reconhecida como uma instituio uni-
versitria de referncia regional e nacional pela
qualidade e compromisso do corpo docente;
aquisio de competncias institucionais para
o desenvolvimento de linhas de pesquisa; con-
solidao da extenso universitria; qualidade
da oferta dos ensinos presencial e a distncia;
bem-estar e satisfao da comunidade interna;
qualidade da gesto acadmica e administrati-
va; compromisso social de incluso; processos de
cooperao e parceria com o mundo do trabalho,
como tambm pelo compromisso e relaciona-
mento permanente com os egressos, incentivan-
do a educao continuada.
Seja bem-vindo(a), caro(a) acadmico(a)! Voc est
iniciando um processo de transformao, pois quan-
do investimos em nossa formao, seja ela pessoal
ou profssional, nos transformamos e, consequente-
mente, transformamos tambm a sociedade na qual
estamos inseridos. De que forma o fazemos? Criando
oportunidades e/ou estabelecendo mudanas capa-
zes de alcanar um nvel de desenvolvimento compa-
tvel com os desafos que surgem no mundo contem-
porneo.
O Centro Universitrio Cesumar mediante o Ncleo de
Educao a Distncia, o(a) acompanhar durante todo
este processo, pois conforme Freire (1996): Os homens
se educam juntos, na transformao do mundo.
Os materiais produzidos oferecem linguagem dial-
gica e encontram-se integrados proposta pedag-
gica, contribuindo no processo educacional, comple-
mentando sua formao profssional, desenvolvendo
competncias e habilidades, e aplicando conceitos
tericos em situao de realidade, de maneira a inse-
ri-lo no mercado de trabalho. Ou seja, estes materiais
tm como principal objetivo provocar uma aproxi-
mao entre voc e o contedo, desta forma possi-
bilita o desenvolvimento da autonomia em busca dos
conhecimentos necessrios para a sua formao pes-
soal e profssional.
Portanto, nossa distncia nesse processo de cres-
cimento e construo do conhecimento deve ser
apenas geogrfca. Utilize os diversos recursos peda-
ggicos que o Centro Universitrio Cesumar lhe possi-
bilita. Ou seja, acesse regularmente o AVA Ambiente
Virtual de Aprendizagem, interaja nos fruns e en-
quetes, assista s aulas ao vivo e participe das discus-
ses. Alm disso, lembre-se que existe uma equipe de
professores e tutores que se encontra disponvel para
sanar suas dvidas e auxili-lo(a) em seu processo de
aprendizagem, possibilitando-lhe trilhar com tranqui-
lidade e segurana sua trajetria acadmica.
Mestre em Teoria Econmica pela Universidade Estadual de Maring (2005)
e graduada em Cincias Econmicas pela Universidade Estadual de Londrina
(2002)
A
U
T
O
R
E
S
Possui graduao em Matemtica pela Universidade Estadual de Maring
(2004) e especializao em Estatstica Aplicada pela Universidade Estadual de
Maring (2006).
Mestre em Ensino de Cincias e Educao Matemtica da Universidade
Estadual de Londrina, especialista em Docncia no Ensino Superior pelo
Centro Universitrio Cesumar, graduada em Licenciatura em Matemtica pela
Universidade Estadual de Maring. Atualmente, professora de Matemtica do
Centro Universitrio Cesumar.
Seja bem-vindo(a) ao estudo da Estatstica! Esta disciplina muito interessante a partir
do momento em que o aluno a entenda e consiga enxergar sua aplicabilidade dentro
das diversas reas profssionais. Pensando nisso, esse material foi elaborado, de forma
que o aluno compreenda os principais conceitos e a importncia da estatstica no mun-
do moderno.
A Estatstica uma cincia que se dedica ao desenvolvimento e ao uso de mtodos para
a coleta, resumo, organizao, apresentao e anlise de dados. A origem da palavra
vem do latim status, signifcando o estudo do estado e, originalmente, era usada como
uma coleo de interesses objetivando o resumo de informaes para os governantes
conhecerem suas populaes.
Uma pergunta sempre surge quando comeamos a usar a estatstica: onde vou utiliz
-la? primeira instncia a resposta clara. A estatstica est de forma muito presente na
mdia, seja em jornais, revistas e meios de comunicao. Alm disso, uma vez que est
diretamente envolvida com pesquisa a partir dela que as decises so tomadas. Pode-
mos dizer que a estatstica uma ferramenta para qualquer pesquisador nas respostas
aos vrios problemas relacionados ao meio em que trabalha. Entretanto, para que ela
seja bem utilizada, necessrio conhecer os seus fundamentos, seus princpios e suas
ferramentas para que possamos utiliz-la de forma adequada. Alm disso, importante
que o pesquisador desenvolva tambm um esprito crtico e de anlise para poder utili-
zar com preciso a estatstica em suas tomadas de deciso.
Esse material foi separado em cinco unidades, sendo iniciado com a importncia da es-
tatstica bsica, passando por probabilidades e fnalizando com medidas de associao
e fnalizado com a aplicabilidade da estatstica na pesquisa imobiliria.
A unidade I vai do incio de sua utilizao at a importncia dos grfcos e das tabelas
na apresentao dos dados. Esta unidade trata basicamente dos conceitos que voc
precisar saber para entender a estatstica nas unidades posteriores.
Atualmente, a estatstica se tornou comum nas empresas, em rgos de pesquisa, em
rgos governamentais e tambm no comrcio e indstrias de forma geral. Portanto,
de fundamental importncia entend-la, estando assim um passo frente da con-
corrncia. At h pouco tempo, poucos conheciam a estatstica, suas aplicaes e sua
utilidade. Atualmente, faz parte dos parmetros curriculares nacionais e j utilizada na
educao infantil, dada sua importncia nos dias atuais. Em se tratando dos conceitos
fundamentais importante saber que o estudo da estatstica est em praticamente to-
das as pesquisas e em todas elas existem princpios que devem ser seguidos e, portanto,
conhecimentos bsicos so fundamentais para seu sucesso.
Ainda nessa unidade voc ver algumas abordagens dentro da estatstica, como a apli-
cao e utilizao de alguns tipos de grfcos. Podemos destacar que os grfcos em
seus mais variados tipos traduzem de forma rpida os dados que se quer mostrar dentro
de uma pesquisa. O intuito de todos os grfcos sempre o mesmo: traduzir dados em
informaes que sejam visveis e traduzveis aos olhos do pesquisador e do pblico de
forma geral. A utilidade dos grfcos e tabelas tambm mostra sua importncia, uma vez
APRESENTAO
ESTATSTICA E PESQUISA IMOBILIRIA
que a utilizao dessas ferramentas quase uma rotina nos meios de comunicao,
no objetivo de mostrar os resultados das pesquisas.
A unidade II mostrar as medidas de posio e disperso. Essas medidas so ampla-
mente empregadas dentro de pesquisas e tambm no dia a dia de qualquer cida-
do, sendo utilizadas em nvel cientfco e tambm nos problemas mais simples que
precisamos enfrentar no dia a dia. Dentre as medidas estatsticas, a principal e mais
utilizada a mdia que representa o conjunto de dados como um todo. Tambm
muito empregada como medida explicativa, podemos citar o desvio padro, que
mostra a variabilidade dos dados ou a disperso dos mesmos. interessante termos
sempre uma medida de posio como a mdia e uma de disperso, como o desvio
padro, nas anlises de dados. Uma representando o conjunto propriamente dito e
a outra mostrando a disperso do mesmo, mostrando assim, se temos homogenei-
dade ou heterogeneidade nos dados da pesquisa.
A unidade III tratar sobre probabilidades. Sabe-se que essa parte da estatstica
uma das mais complexas, portanto exigir de voc mais estudo e ateno. As pro-
babilidades podem tratar de eventos simples a extremamente complexos. De forma
abrangente, elas tratam das chances de fenmenos aleatrios que iro ocorrer. A
importncia de se estudar probabilidades est na verifcao de que alguns eventos
ocorrem com alguma facilidade maior que outros e assim, podemos nos prevenir,
apostar e ter alguns cuidados com eventos que ocorrem no nosso cotidiano.
A unidade abordar as probabilidades de forma geral, mostrando desde os clculos
mais simples, passando por suas propriedades e indo at as probabilidades con-
dicionais e distribuies de probabilidades. As principais distribuies so aquelas
que utilizamos com maior frequncia, uma vez que existem inmeros tipos. Essas
distribuies do comportamento da varivel com a qual estamos trabalhando im-
portante, pois por meio delas que determinamos como calcular probabilidades
de forma correta.
Na unidade IV trataremos das medidas de associao, mais especifcamente a corre-
lao e a anlise de regresso. Essas medidas medem a relao entre duas variveis.
Porm, a correlao informa a intensidade da relao e a anlise de regresso mos-
tra a quantidade de variao em uma por meio da variao em outra. Pela anlise
de correlao ou de regresso podemos dizer que duas variveis esto ligadas entre
si e como esto ligadas. Isso quer dizer que se uma varivel sofrer algum tipo de
variao e estiver de alguma forma associada outra, podemos dizer que a outra
tambm ir variar. Essas duas medidas trazem o sentido dessa variao e o quan-
to elas variam conjuntamente. importante o(a) acadmico(a) entender que nem
sempre uma associao entre variveis de fato signifcativa. A unidade mostrar
duas medidas para esta verifcao ou constatao.
Para entendermos como a estatstica pode contribuir na pesquisa imobiliria, a Uni-
dade V abordar o papel da estatstica no desenvolvimento da pesquisa cientfca,
buscando compreender a importncia da estatstica para a pesquisa do ramo imo-
bilirio.
Visualizaremos as principais formas de apresentao de dados estatsticos para
delimitar o perfl do consumidor, buscando entender a aplicabilidade da pesquisa
estatstica para a avaliao imobiliria e para a pesquisa de mercado. Finalizamos
o livro destacando a importncia da estatstica na tomada de decises do gestor
imobilirio.
Esse material est bastante sintetizado focando os pontos principais da estatstica.
So dadas noes bsicas de estatstica e probabilidades e o intuito do livro que
voc se identifque e veja a aplicao direta da estatstica na vida profssional e pes-
soal. Bons estudos!
Professoras: Daiana Aldrovande, Ivnna Gurniski Carniel
e Ariane Maria Machado de Oliveira
10 - 11
SUMRIO
10 - 11
UNIDADE I
CONCEITOS E IMPORTNCIA DA ESTATSTICA EM NEGCIOS
IMOBILIRIOS
17 Introduo
18 A Importncia da Disciplina de Estatstica
19 Conceitos Bsicos em Estatstica
20 Populao e Amostra
21 Amostragem
22 Amostragem Casual Simples
25 Tipos de Variveis
26 Formas de Descrio dos Dados
27 Tabelas
34 Grfcos
35 Grfcos para Variveis Qualitativas
41 Consideraes Finais
UNIDADE II
MEDIDAS DESCRITIVAS ASSOCIADAS A VARIVEIS QUANTITATIVAS
47 Introduo
47 Medidas Descritivas
48 Medidas de Posio ou de Localizao
56 Medidas Separatrizes
SUMRIO
12 - 13
61 Medidas de Disperso
UNIDADE III
PROBABILIDADES
73 Introduo
73 Probabilidades
87 Regras de Probabilidade
89 Distribuies de Probabilidade
90 Distribuies Discretas de Probabilidade
95 Distribuies Contnuas de Probabilidade
UNIDADE IV
CORRELAO LINEAR E REGRESSO
111 Introduo
112 Correlao Linear
112 Coefciente de Correlao Linear de Pearson
116 Anlise de Regresso
117 Regresso Linear Simples
SUMRIO
12 - 13
UNIDADE V
A APLICABILIDADE DA ESTATSTICA NA PESQUISA IMOBILIRIA
131 Introduo
132 A Aplicabilidade da Estatstica na Pesquisa Imobiliria
133 A Estatstica Aplicada ao Mercado Imobilirio
140 Pesquisa Hipottica
147 Concluso
151 Referncias
U
N
I
D
A
D
E
I
CONCEITOS E IMPORTNCIA
DA ESTATSTICA EM
NEGCIOS IMOBILIRIOS
Objetivos de Aprendizagem
Entender o que signifca estatstica.
Compreender a importncia da estatstica para os negcios
imobilirios.
Assimilar os principais conceitos dentro da estatstica.
Compreender as principais formas de apresentao de dados
estatsticos.
Plano de Estudo
A seguir, apresentam-se os tpicos que voc estudar nesta unidade:
A Importncia da Disciplina de Estatstica
A Necessidade do Domnio da Estatstica
Conceitos Estatsticos
Populao e Amostra
Censo
Parmetros
Variveis
Apresentao de Dados Estatsticos
CONCEITOS E IMPORTNCIA DA ESTATSTICA EM NEGCIOS IMOBILIRIOS
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
16 - 17
I
INTRODUO
Em pesquisas recentes, o Brasil foi apontado como o detentor do mercado imo-
bilirio mais efervescente do mundo. Com esta crescente expanso, a necessidade
de profssionais experientes para atuar na rea de negcios imobilirios grande.
Dentre as funes exercidas por um profssional desta rea, destacamos estu-
dar, planejar e tomar decises em investimentos. Um amplo leque de setores
como indstria da construo civil, empresas imobilirias, escritrios de cor-
retagem entre outros, carecem de pessoas habilitadas para o desenvolvimento
destas funes.
Saber conduzir negociaes, estudar o mercado, identifcar oportunidades
levam o gestor em negcios imobilirios a utilizar ferramentas estatsticas para
melhor aproveitamento das informaes e tomada de importantes decises.
Alm de coletar elementos e fazer previses, o profssional tem de saber
como apresentar de forma clara estas informaes.
Nesta unidade, sero apresentados conceitos bsicos de delineamento de pes-
quisa, desde a coleta at a apresentao das informaes disponveis no mercado.
Introduo
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
16 - 17
shutterstock
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
18 - 19
I
A IMPORTNCIA DA DISCIPLINA DE ESTATSTICA
A palavra Estatstica deriva do latim status, que signifca ESTADO. Os primei-
ros usos da estatstica se deram com base no conhecimento da populao em
relao s suas riquezas e na coleta de impostos. Posteriormente, foi empregada
no manuseio de dados que descreviam aspectos de um estado ou pas, da a ori-
gem da palavra estar relacionada a estado.
A estatstica est presente no dia a dia de qualquer indivduo, seja na abor-
dagem governamental em que somos questionados como ao censo demogrfco
ou ento quando somos abordados sobre qual o candidato iremos votar na pr-
xima eleio, quando nasce um indivduo, ou quando estamos consumindo
algum tipo de produto, em todas essas situaes, dentre tantas outras, estamos
fazendo parte da estatstica.
A anlise estatstica tem assim, por objetivo, a resoluo de problemas bem
como a produo de conhecimento que geram novos problemas e assim, pode-
mos dizer, que est envolvida diretamente em um processo iterativo sendo seu
principal objetivo auxiliar na tomada de deciso.
Segundo Rao (1999), a estatstica uma cincia que estuda e pesquisa tanto
o levantamento de dados quanto ao processamento destes para a quantifcao
Conceitos Bsicos em Estatstica
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
18 - 19
da incerteza existente na resposta para um determinado problema; e tomada
de decises sob condies de incerteza, sob o menor risco possvel.
A importncia da estatstica est presente em todos os segmentos ligados
pesquisa, de forma geral e abrangente. A maioria desses rgos possui depar-
tamentos ofciais destinados realizao de estudos estatsticos. A estatstica
tornou-se responsvel, nos ltimos tempos, pelo desenvolvimento cientfco e tec-
nolgico sendo que a partir dela que analisamos dados e tomamos as decises.
Ainda podemos dizer que ela fornece meios precisos e rigorosos na verif-
cao e anlise dos dados, transformando-os em informaes claras e a partir
das quais tomamos nossas decises baseados em comprovaes cientfcas e no
em achismos.
Dentre outros atributos podemos dizer ainda que o estudo da estatstica
justifca-se pela necessidade de desenvolver pesquisas e pela utilizao dos resul-
tados visando a comprovao de alguma hiptese e soluo de algum problema.
Ademais, atualmente as empresas tm procurado admitir profssionais que
tenham certo nvel de conhecimento em estatstica, pois este tem resultado em
diferena signifcativa nos processos decisrios. Torna-se fundamental para qual-
quer indivduo ter conhecimentos bsicos e que saibam aplic-los de maneira
coerente utilizando tcnicas estatsticas nos diferentes casos que podem surgir.
CONCEITOS BSICOS EM ESTATSTICA
A estatstica tem por objetivo fornecer mtodos e tcnicas para que se possa lidar
com situaes de incerteza e pode ser subdividida em trs reas: descritiva, pro-
babilstica e inferencial.
A estatstica descritiva se preocupa em descrever os dados. A estatstica infe-
rencial, fundamentada na teoria das probabilidades, se preocupa com a anlise
desses dados e sua interpretao (GUEDES et al., 2008).
A estatstica descritiva tem o objetivo de sintetizar um conjunto de dados
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
20 - 21
I
para que se tenha uma viso global desses valores. Assim, ela organiza e descreve
os elementos utilizando-se para isso de tabelas, grfcos e medidas resumo, que
veremos nas prximas unidades.
A estatstica inferencial se baseia em estudar uma populao tendo como
base uma parte da mesma, chamada de amostra, e ento estender as concluses
desta amostra populao.
Quando tratamos de dados estatsticos podemos optar por dois processos o
Censo e as Estatsticas que podem ser assim defnidos:
Censo: processo que consiste no exame de todos os elementos da popula-
o. Exemplo: Censo Demogrfco, Censo Industrial etc.
Estatsticas: utilizadas para avaliar os elementos de uma amostra.
A partir do Censo so encontradas medidas que descrevem toda a popu-
lao, os chamados Parmetros e, ao se trabalhar com amostras, so obtidas as
estimaes e, a partir dela, os estimadores como defnidos abaixo:
Parmetros: medidas descritivas de uma populao. Exemplo: a contagem
do nmero total de habitantes de uma regio.
Estimadores: medidas descritivas de uma amostra e que indiretamente
estima um parmetro pelo clculo de probabilidades. Exemplo: proporo de
votantes em certo candidato obtido por amostragem.
POPULAO E AMOSTRA
A Estatstica fornece vrios mtodos para organizar e resumir um conjunto de
dados e, com base nestas informaes, tirar concluses.
Quando se fala em conjunto de dados ou fatos coletados, se refere ao mate-
rial tomado a partir de um conjunto de elementos. Deve-se ento defnir de onde
esses dados sero tomados e assim surge o conceito de Populao.
Populao pode ser defnida como sendo uma coleo de elementos que
possuem alguma caracterstica em comum, podendo esses serem animados ou
inanimados.
Amostragem
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
20 - 21
Quando as informaes desejadas estiverem disponveis para todos os objetos
da populao, temos o chamado censo. Normalmente, impraticvel ou invivel
trabalhar com a populao quando se faz estatstica. Isto devido a alguns fatores:
Restrio de tempo ou recursos.
Populao infnita entre outros.
Assim, o procedimento comum coletar desta populao um subconjunto de
elementos, as chamadas Amostras.
Amostra pode ser defnida como uma parte da populao. Entretanto, este
conceito deve ir um pouco mais alm. Uma amostra deve ser representativa da
populao, ou seja, deve ter todas as caractersticas da populao de onde foi
extrada.
A partir do estudo do conjunto de dados obtido na amostra, faz-se uma
extrapolao dos seus resultados para a populao toda. Essa extrapolao
chamada Inferncia.
Um exemplo pode ser dado em estudos de opinio pblica, sobre a aceita-
o de um candidato s eleies, ou ento sobre a durabilidade de aparelhos,
resistncia de materiais etc.
A escolha das unidades que comporo a amostra feita por um processo
chamado Amostragem e este pode ser feito de vrias maneiras, dependendo
do que se tem em mos, por exemplo, do tamanho da populao e do conheci-
mento que se tem da mesma.
AMOSTRAGEM
Para que se obtenha uma amostra representativa da populao, o processo de
coleta deve ser feito de forma adequada onde cada situao exige uma maneira
apropriada.
Existem dois grandes grupos de tcnicas amostrais:
shutterstock
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
22 - 23
I
Probabilsticas: quando todos os elementos da populao tm probabili-
dade conhecida e diferente de zero, de pertencer amostra
No probabilsticas: quando nem todos os elementos da populao tm
probabilidade conhecida de pertencer amostra.
A amostragem probabilstica a mais recomendada para garantir a represen-
tatividade da amostra, pois implica um sorteio dos elementos, com regras bem
determinadas, sendo possvel apenas quando a populao fnita.
As principais tcnicas de amostragem probabilsticas so:
AMOSTRAGEM CASUAL
SIMPLES
Para ter uma amostra casual simples,
precisa-se de uma listagem com todos os
elementos da populao de origem. Os ele-
mentos que faro parte da amostra devem
ser obtidos de forma totalmente aleat-
ria, ou seja, por sorteio e sem restrio.
escrito cada elemento em um carto e
sorteados assim os participantes da amos-
tra. Todos os elementos da populao tm
igual probabilidade
|
.
|
\
|
N
n
de pertencer
amostra.
Esta tcnica de sorteio se torna invivel
quando a populao signifcativamente
grande.Neste caso, so necessrios o uso
de tabelas de nmeros aleatrios ou algo-
ritmos que geram nmeros aleatoriamente.
De forma geral, na amostragem
casual simples, sorteia-se um elemento
Amostragem Casual Simples
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
22 - 23
da populao, sendo que todos os elementos tm a mesma probabilidade de
serem selecionados. Repete-se o procedimento at que sejam sorteadas todas as
unidades da amostra.
Exemplo:
Para obter uma amostra representativa, de 10%, de uma populao de 100
apartamentos venda em uma cidade:
Numerar os apartamentos de 1 a 100.
Escrever os nmeros de 1 a 100 em pedaos de papel e coloc-los em
uma urna.
Retirar 10 pedaos de papel, um a um, da urna, formando a amostra.
Observe que cada apartamento tem a mesma probabilidade |
.
|
\
|
100
1
de
ser selecionado.
Amostragem Sistemtica
utilizada quando os elementos da populao se apresentam ordenados, sendo
a retirada dos elementos feita periodicamente para compor a amostra. Pode-se
dizer que uma forma simplifcada da amostragem casual simples.
Exemplo:
Para obter uma amostra de 20 casas de uma rua que contm 1000 casas:
Dividir 1000 por 20 (= 50).
Selecionar aleatoriamente uma casa entre as 50 primeiras, que ser o pri-
meiro elemento da amostra.
Considerar os demais elementos, periodicamente, de 50 em 50.
Suponha que a casa inicialmente escolhida seja a de posio 5. A amos-
tra ser formada pelas casas: 5, 55, 105, ...
Amostragem Estratifcada
Neste tipo de amostragem a populao deve ser dividida em subgrupos (estratos).
Dentro de cada subgrupo os indivduos devem ser semelhantes entre si. Assim,
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
24 - 25
I
pode-se obter uma amostra aleatria de pessoas em cada grupo. Este processo
pode gerar amostras bastante precisas, mas s vivel quando a populao pode
ser dividida em grupos homogneos devendo na composio da amostra, serem
sorteados elementos de todos os estratos.
Quando os extratos possuem aproximadamente o mesmo tamanho, sor-
teia-se igual nmero de elementos em cada estrato e a amostragem chamada
estratifcada uniforme. Caso contrrio, sorteia-se, em cada estrato, um nmero
de elementos proporcional ao nmero de elementos do estrato, chamada amos-
tragem estratifcada proporcional.
Exemplo:
Um corretor possui 200 imveis disposio, h 120 venda e 80 para loca-
o. Extrair uma amostra representativa, de 10%, dessa populao:
O tipo de investimento ( venda ou locao) permite identifcar 2 sub-
conjuntos nesta populao:
INVESTIMENTO POPULAO AMOSTRA (10%)
venda 120 12
Locao 80 8
Total 200 20
Portanto, a amostra com 20 elementos deve conter 12 imveis venda
e 8 para locao.
Sortear 12 elementos entre os 120 imveis venda e, 8 entre os 80 im-
veis para locao, formando a amostra da populao.
Amostragem por conglomerado
Nesta amostragem a populao dividida em diferentes grupos (conglomerados),
extraindo-se uma amostra apenas dos conglomerados selecionados, e no de toda
a populao. O ideal seria que cada conglomerado representasse tanto quanto
possvel o total da populao.
Tipos de Variveis
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
24 - 25
Exemplo:
Estudar a populao de uma cidade, dispondo apenas do mapa dos bairros.
Numerar os bairros e colocar os pedaos de papis em uma urna.
Retirar um pedao de papel da urna e realizar o estudo sobre o bairro
(conglomerado) selecionado.
importante saber que a amostra no pode conter vcios, ou seja, no ser vie-
sada ou tendenciosa. Deve ser selecionada com cuidado, aplicando a tcnica de
amostragem adequada com tamanho amostral (n) que seja informativo ao que
consta na populao. O tamanho da populao pode ser obtido por frmulas
encontradas facilmente na literatura ou pode ser dada pelo bom senso do pes-
quisador. O importante que a mesma seja representativa da populao.
No caso da amostra no ser representativa da populao devemos ter cui-
dado com o conjunto de dados para que no haja grandes erros de inferncia ou
ento no devemos fazer a inferncia.
TIPOS DE VARIVEIS
Os dados estatsticos se obtm aps a observao ou mensurao de determina-
das caractersticas da populao ou amostra; tais caractersticas so chamadas
de variveis porque originam valores com certo grau de variabilidade quando
mensuraes sucessivas so feitas.
Para descrever o grupo ou a amostra, h a necessidade de identifcar o tipo
dessa varivel para defnir a melhor metodologia de trabalho. As variveis podem
ser: Quantitativas ou Qualitativas.
Variveis Qualitativas ou Categricas so variveis que assumem como
possveis valores atributos ou qualidades. Se tais variveis assumem uma orde-
nao natural so chamadas de qualitativas ordinais (ex.: grau de escolaridade,
classe social); caso contrrio, so chamadas qualitativas nominais (ex.: cor dos
olhos, campo de estudo).
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
26 - 27
I
Variveis Quantitativas so variveis que assumem como possveis valores
os nmeros. Quando estas variveis so resultantes de contagens so chamadas
de quantitativas discretas (ex.: quantidade de irmos, de defeitos em um carro
novo); caso assumam qualquer valor em intervalos dos nmeros reais, so cha-
madas quantitativas contnuas (ex.: altura, peso, velocidade).
Exerccio:
Classifque as variveis abaixo como qualitativas ou quantitativas:
Em um apartamento: rea, padro (popular, baixo, regular, bom, timo), ga-
ragem, dormitrios, fachada, estrutura, conservao, idade do imvel, valor
venal.
FORMAS DE DESCRIO DOS DADOS
A estatstica descritiva a parte da estatstica que procura descrever um con-
junto de dados. Aps a defnio do problema a ser estudado e o planejamento
da pesquisa, os passos seguintes so:
Obteno dos dados: a coleta de dados feita por questionrio, entrevistas
ou observao direta de uma amostra ou populao.
Reviso crtica: este processo tem a fnalidade de eliminar erros, suprimindo
valores estranhos que podem ocorrer tanto por erro de quem coletou os dados
ou de quem foi abordado na pesquisa.
Resumo dos dados: para um melhor entendimento diante de grande quan-
tidade de dados adequado que se faa uma compilao dos mesmos para sua
apresentao.
Apresentao dos dados: os dados estatsticos podem ser apresentados de
3 formas: representaes grfcas, tabulares ou por meio de parmetros para
melhor e mais rpida visualizao dos mesmos.
Tabelas
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
26 - 27
Aps a organizao dos dados, a apresentao dos mesmos d uma ideia
do que est ocorrendo com a pesquisa. As formais mais comuns de apresentar
dados estatsticos so por meio de grfcos e tabelas.
TABELAS
shutterstock
Quando retiramos as informaes da pesquisa temos em mos os dados brutos.
A ideia transformar os dados brutos em informaes para que seu entendi-
mento e visualizao se tornem mais simples e rpido.
Existem normas nacionais para a organizao de tabelas, ditadas pela ABNT,
que no sero abordadas aqui, mas, convm saber que as tabelas so formadas
por ttulo, cabealho, corpo e fonte:
Ttulo: precede a tabela e resume o dado em estudo (O qu? Onde?
Quando?). Deve vir precedido da palavra tabela e de sua numerao. As
tabelas devem ser numeradas em ordem crescente maneira que apare-
cem no texto. Ex.: Tabela 1; Tabela 2 e assim por diante.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
28 - 29
I
Cabealho: especifca o contedo de cada coluna.
Corpo: formado por linhas e colunas contendo os dados.
Fonte: na parte inferior se informa a fonte da coleta de dados ou o autor.
A fonte cita o informante caracterizando a confabilidade dos dados.
As tabelas devero ser fechadas com traos horizontais nas bordas superior e
inferior, enquanto que nas bordas esquerda e direita no. Dentro das tabelas pode
haver traos verticais separao das colunas no corpo da tabela ou entre as
linhas. conveniente tambm que o nmero de casas decimais seja padronizado.
Uma tabela contm as categorias da varivel estudada e suas respectivas fre-
quncias. Essas frequncias podem ser absolutas (Fi) dada pela contagem do
nmero de ocorrncias de cada categoria; relativas (Fr) dada pela frequncia
absoluta em relao ao total de elementos; porcentagem (%) dada pela frequncia
relativa multiplicada por 100 e frequncia acumulada (Fac) dada pelas frequn-
cias absoluta, relativa ou porcentagem acumuladas de acordo com cada categoria.
Tabelas para Variveis Qualitativas
As variveis qualitativas apresentam-se em categorias e, portanto, a represen-
tao tabular deve ser feita por meio das frequncias referentes a cada uma das
categorias. Podem se apresentar de forma simples (com apenas uma varivel)
ou conjunta (com duas ou mais variveis).
Exemplo:
ANO COMERCIALIZAO (UNIDADES)
Dez 2010 7200
Dez 2009 5600
Dez 2008 3500
Dez 2007 3200
Tabela 1: Mercado de imveis residenciais novos na cidade de So Paulo
Fonte: Dados hipotticos
Outro exemplo:
Tabelas
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
28 - 29
GRUPO DE ATRIBUTOS PORCENTAGEM (%)
Localizao 27,47
Conforto 22,71
Segurana 20,51
Incorporao 17,58
Lazer 11,73
Tabela 2: Grupo de atributos que mais valorizam os imveis
Fonte: Dados hipotticos
Observe que na tabela abaixo foram tomadas 2 variveis: Regio e Ano.
REGIO 2005 2006 2007 2008 2009
Norte 870,2 893,4 921,0 923,1 925,7
Nordeste 574,4 573,6 573,8 571,1 582,0
Sudeste 659,2 670,4 671,5 680,9 681,4
Sul 1094,3 1112,0 114,6 1240,3 1500,4
Centro-
Oeste
897,5 902,4 909,5 1002,1 1004,9
Tabela 3: Custo mdio (R$/m) das reas geogrfcas de um dado pas
Fonte: Dados Hipotticos
Tabelas para Variveis Quantitativas
Para variveis quantitativas contnuas ou discretas com elevado nmero de valo-
res diferentes, a distribuio de frequncias apropriada apresentar os dados em
classes de valores.
Para esse procedimento, primeiramente, precisamos determinar o nmero
de classes. Uma classe uma linha da distribuio de frequncias.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
30 - 31
I
Nmero de classes
No h regras absolutas para a escolha do nmero de classes, geralmente entre 5
e 20 classes sero satisfatrias para a maior parte dos conjuntos de dados. Uma
regra prtica razovel :
Usar um nmero pequeno de classes poderia concentrar a maioria das observa-
es em uma ou duas classes. Se for usado um nmero grande de classes, muitas
delas tero frequncias iguais a zero.
Amplitude Total e Amplitude das Classes
Para determinar a variao dos dados dentro de cada classe, ser preciso encon-
trar a amplitude total:
AT=
Com o valor de AT, a variao de cada classe que chamaremos de amplitude das
classes determinada pela relao:
AC
k
AT
=
Construo das classes
O menor valor da classe denominado limite inferior (Li) e o maior valor da
classe, limite superior (Ls).
Para obteno da primeira classe, tomar como Li o menor valor. Ao Li somar
o valor da AC e assim se obtm o Ls. Para construo da segunda classe, repe-
tir o Ls da primeira classe, sendo que este, na segunda classe passa a ser o Li. A
este valor adicionar o valor de AC e se obtm o Ls. Para a terceira classe repetir
o procedimento. O Ls da segunda classe repetido na terceira classe e se torna
o Li. A esse Li adicionar o valor de AC e se obtm o Ls. Esse procedimento deve
ser repetido at que se obtenha o nmero de classes defnido. O Ls da ltima
classe deve obrigatoriamente ultrapassar o maior valor do conjunto de dados.
Exemplo:
Suponhamos uma pesquisa em que os dados foram coletados para conhecer
o perfl dos clientes que procuram uma determinada imobiliria para a compra
de um imvel residencial:
Tabelas
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
30 - 31
INDIVDUO SEXO
QUANTIDADE DE IMVEIS
VISITADOS
IDADE (ANOS)
1 Masculino 7 34
2 Feminino 16 32
3 Feminino 24 47
4 Feminino 2 17
5 Masculino 24 21
6 Masculino 11 25
7 Masculino 34 34
8 Feminino 44 39
9 Masculino 13 52
10 Masculino 4 41
11 Masculino 6 22
Observe que temos 11 indivduos, portanto o nmero ideal de classes dado por:
Amplitude Total
AT =
Amplitude das Classes
Assim, podemos montar a tabela de distribuio de frequncias para essa vari-
vel como segue:
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
32 - 33
I
CLASSES FI FR % FAC XI
2 |---- 16 6 0,545 54,5 54,5 9
16 |---- 30 3 0,273 27,3 81,8 23
30 |----| 44 2 0,182 18,2 100 37
Total 11 1 100 - -
Tabela 4: Distribuio de frequncias para a quantidade de imveis visitados por clientes de uma imobiliria
para efetuar uma compra
Para montarmos as classes o procedimento foi feito da seguinte maneira: na
primeira classe o Li foi o menor nmero obtido da planilha de dados referente
ao nmero de imveis visitados. A esse Li foi somada a AC (14) obtendo o Ls
da classe (16). Na segunda classe, repetiu-se o 16 e a ele somou-se a AC (14)
obtendo-se o valor 30. Da mesma forma, na terceira classe repetiu--se o 30 e a
ele somou-se a AC (14) fechando no maior valor do nmero de acessos que foi
o 44. Assim, montamos as trs classes abrangendo todos os valores da planilha.
Nessas tabelas, a Fi dada pela contagem do nmero de valores encontra-
dos dentro dos limites de cada classe.
Caso existam valores iguais a algum dos limites (Li ou Ls), ento ter que
ser defnida em qual das classes ele vai aparecer. Caso contrrio, o valor ir apa-
recer duas vezes. Assim, as classes so defnidas da seguinte maneira:
li |---- Li, onde o limite inferior da classe includo na contagem da fre-
quncia absoluta, mas o limite superior no.
li ----| Li, onde o limite superior da classe includo na contagem, mas
o inferior no.
li |----| Li, onde tanto o limite inferior quanto o superior so includos
na contagem.
li ---- Li, onde os limites no fazem parte da contagem.
Nesta Tabela se observa outra coluna representada por xi; este chamado de
ponto mdio da classe obtido da seguinte maneira:
Tabelas
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
32 - 33
Ponto Mdio das Classes

De acordo com a tabela 4, os pontos mdios foram dados da seguinte maneira:
Classes de mesma largura podem no ser uma boa escolha se o conjunto de
dados se estender para um lado ou outro.
Observe para a varivel idade como fcar a tabela:
17 ----| 29 4 0,364 36,4 36,4 18
29 ----| 41 4 0,364 36,4 72,8 35
41 ----| 53 3 0,273 27,3 100 47
Total 11 1 100 - -
Tabela 5: Distribuio de frequncias para a idade dos clientes de uma imobiliria para efetuar uma compra
** observe que no exemplo da idade o nmero 41 apareceu na planilha de dados.
Optamos por coloc-lo na classe em que o mesmo representa o Li como demons-
trado por li ----| Li, onde o limite superior da classe includo na contagem, mas
o inferior no.
shutterstock
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
34 - 35
I
GRFICOS
Grfcos so ferramentas de repre-
sentao dos dados que servem para
facilitar a visualizao dos mesmos.
Deve ter simplicidade e clareza para
permitir se chegar a concluses
sobre a evoluo do fenmeno
ou como se relacionam os valo-
res da srie.
Cotidianamente se observa
que meios de comunicao utilizam essa
ferramenta para mostrar as pesquisas. Isso se deve ao fato da facilidade de
interpretao demonstrada nos grfcos e da sua efcincia com que resume
informaes, embora, apresente menor grau de detalhes em relao s tabelas
dando uma ideia mais global dos dados.
Ao optar pela utilizao de um grfco em uma pesquisa devemos levar em
conta que sua construo exige cuidados, como escolher o tipo que melhor se
encaixe na representao dos dados.
Elementos Fundamentais dos Grfcos
Os elementos fundamentais de um grfco para que ele cumpra sua funo de
racionalizao das informaes so:
Ttulo: para indicar o que ele representa.
Legenda: para facilitar a leitura do grfco.
Fonte: para informar a origem dos dados.
A identifcao ou ttulo de um grfco deve aparecer na parte inferior do mesmo
precedido pela palavra Grfco seguida de seu nmero de ordem de ocorrncia
no texto. Se necessrio, uma legenda explicativa pode ser utilizada. Se os dados
observados no grfco forem extrados de terceiros, como dados obtidos de uma
revista, de uma fundao, prefeitura etc., ento obrigatrio o uso de sua fonte.
Grfcos para Variveis Qualitativas
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
34 - 35
GRFICOS PARA VARIVEIS QUALITATIVAS
Grfcos em colunas
Grfco formado por retngulos verticais, em que cada um dos retngulos repre-
senta a intensidade de um atributo. o grfco mais utilizado para representar
variveis qualitativas. Indicado quando as categorias so breves.
Exemplo:
Grfco 1: Pessoal ocupado por segmento do comrcio
Fonte: IBGE, Diretoria de Pesquisas, Coordenao de Servios e Comrcio, Pesquisa Anual do Comrcio 2009
No caso de estarmos trabalhando com duas variveis podemos utilizar os gr-
fcos comparativos.
Grfco 2: Tipos de domiclios 2007 a 2009
Fonte: IBGE, Diretoria de Pesquisas, Coordenao de Trabalho e Rendimento, Pesquisa Nacional por Amostra de
Domiclios 2007 a 2009
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
36 - 37
I
Para os grfcos comparativos, podemos utilizar as barras empilhadas, uma acima
da outra como visto abaixo:
Grfco 3: Proporo de domiclios com acesso Internet entre 2005 a 2009 por grandes regies do Brasil
Fonte: IBGE, Diretoria de Pesquisas, Coordenao de Trabalho e Rendimento, Pesquisa Nacional por
Amostra de Domiclios 2005 a 2009
importante observar neste tipo de grfco que cada espao dentro da coluna,
representa um ano com sua respectiva porcentagem. Por exemplo, a regio Norte
tem 42.5% de domiclios com acesso internet que est subdividido em cinco
anos e cada espao dentro dessa regio corresponde respectiva frequncia para
cada ano. Assim tambm foi feito para todas as outras regies.
Grfco em barras
Grfco formado por retngulos horizontais, em que cada um deles representa
a intensidade de um atributo. O objetivo deste grfco de comparar grandezas
e recomendvel para variveis cujas categorias tenham designaes extensas.
Exemplo:
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
36 - 37
Grfco 4: Nmero porcentual de computadores pessoais() instalados no Brasil sobre total de habitantes de
1998 a 2006
(1)Inclui PCs, laptops, notebooks etc., mas exclui terminais ligados a mainframes, minicomputadores de
uso compartilhado e smartphones.
Fonte: Computer Industry Almanac, ITU estimates e FGV/SP; MDG Indicators
Grfco de setores
Tambm conhecido como grfco de pizza. Neste tipo de grfco, a varivel em
estudo projetada em um crculo dividido em setores com reas proporcionais
s frequncias das suas categorias. recomendado para o caso em que o nmero
de categorias no grande e no obedece a alguma ordem especfca.
Exemplo:
Grfco 5: Pesquisa sobre mercado imobilirio. Vendas de unidades por nmero de dormitrios dezem-
bro/2009
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
38 - 39
I
Grfco de linhas
Grfco utilizado para representar dados relacionados ao tempo. feito colocando-
se no eixo vertical (y) a mensurao da varivel em estudo e no eixo horizontal
(x), as unidades da varivel em uma ordem crescente. Este tipo permite mos-
trar as futuaes da varivel ao longo do tempo alm de analisar tendncias.
Exemplo:
Grfco 6: Proporo de domiclios com acesso Internet no estado do Paran por ano
Este tipo de grfco ainda pode ser usado para indicar vrias categorias ao mesmo
tempo.
Exemplo:
Grfco 7: Proporo de domiclios com acesso Internet entre 2005 a 2009 por grandes regies do Brasil
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
38 - 39
Grfcos para Variveis Quantitativas
Se o conjunto de dados consiste de muitas observaes, seria trabalhoso
construir grficos como os j mencionados. Assim, para variveis quantita-
tivas, so usados outros dois grficos importantes: Histograma e Polgono
de Frequncia.
Histograma
Grfco de colunas, sendo dispostos no eixo horizontal os limites das classes da
varivel em questo segundo as quais os dados foram agrupados e no eixo ver-
tical as frequncias para cada agrupamento. Um detalhe importante que no
histograma as colunas so retngulos justapostos.
Grfco 8: Distribuio de frequncias para a quantidade de imveis visitados por clientes de uma imo-
biliria para efetuar uma compra
Polgono de Frequncia
Grfco de linha, onde os pontos mdios de cada classe so colocados no eixo
horizontal e no eixo vertical, as respectivas frequncias.
Os diversos tipos de grfcos sempre tm o mesmo objetivo: mostrar os da-
dos de forma resumida. A escolha do tipo de grfco a ser utilizado depende
da escolha e objetivo do pesquisador.
A interpretao adequada de um grfco ou tabela fundamental para o
entendimento da pesquisa. Ler o ttulo de forma minuciosa e observar valo-
res mximos, mnimos e suas variaes so pontos fundamentais para uma
interpretao adequada.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
40 - 41
I
Grfco 9: Mdias do tempo total de acesso (ms) realizado com pathping durante a transmisso de pacotes
do roteador de origem ao roteador de destino fnal
Fonte: Lopes e Santos (2008)
Consideraes Finais
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
40 - 41
CONSIDERAES FINAIS
A estatstica utilizada para coleta, organizao, descrio e anlise de infor-
maes obtidas de uma pesquisa sendo que a estatstica descritiva utilizada
para a descrio dos dados. O objetivo principal transformar os dados brutos
em informaes.
Alguns conceitos utilizados dentro da estatstica so fundamentais para
todo entendimento deste material. Nesta unidade voc viu os principais con-
ceitos utilizados dentro da estatstica descritiva, os principais tipos de amostras,
de grfcos e tabelas. Os primeiros conceitos vistos foram as defnies de censo
e parmetros; o censo consiste no exame de todos os elementos da populao e
suas medidas so chamadas de parmetros. Por exemplo, se coletamos dados da
contagem do nmero de habitantes de uma regio, ento a medida contagem se
chama parmetro. Entretanto, se for utilizado uma parte dessa populao, no
temos um parmetro e sim uma estatstica ou um estimador. Um estimador
uma medida tomada em uma parte dessa populao, mas no nela toda, embora
este estimador represente o parmetro.
Tambm vimos os conceitos de Populao e Amostra. Populao no sentido
estatstico pode ser defnida como um conjunto de elementos que possuem alguma
caracterstica em comum. Como na maioria das vezes invivel ou impossvel
trabalharmos com populao, utilizamos uma parte dela. A esta parte chama-
mos de amostra. Essa amostra deve, porm, representar a populao, ou seja,
deve ter as mesmas caractersticas da populao que se ir amostrar.
Para que a amostra seja representativa da populao, o processo de coleta,
tambm conhecido como amostragem deve ser feito de forma casual ou ale-
atria. Existem algumas formas de se fazer uma amostragem e para cada
situao existe um processo ideal. Nesta unidade, foram explicados os prin-
cipais tipos de amostras utilizadas nas pesquisas sendo que a escolha do tipo
deve ser feita de modo que as mesmas representem de fato a populao e
sejam no tendenciosas.
O nmero de elementos da populao chamado de N e o nmero de ele-
mentos da amostra de n. O tamanho da amostra deve ser feito utilizando-se o
bom senso ou clculos adequados. Esse tamanho da amostra obtido de acordo
42 - 43
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
42 - 43
I
com o tipo de caracterstica que se deseja estudar. Para cada tipo existe uma fr-
mula adequada.
Aps a coleta da amostra necessrio descrever os dados. Para isso, primeiramente,
deve-se saber com quais tipos de variveis esta sendo trabalhado para assim esco-
lher qual melhor maneira de apresentar a pesquisa.
Finalizando, importante que a apresentao dos dados seja feita de forma
precisa. As duas formas vistas nesta unidade foram tabelas e grfcos e o uso
correto das formas de apresentao dos dados fundamental para o sucesso da
pesquisa.
42 - 43 42 - 43
1. Defna estatstica, estatstica descritiva e estatstica inferencial.
2. Apresente os conceitos para os termos abaixo relacionados e d
um exemplo para cada um deles:
Populao.
Amostra.
Censo.
Estimao.
Variveis.
3. Explique os principais tipos de amostras.
4. Comente as vantagens de apresentar resultados de pesquisa
por meio de tabelas grfcos.
5. Cite os principais tipos de grfcos utilizados, diferenciando os
utilizados para variveis qualitativas e quantitativas.
MATERIAL COMPLEMENTAR
Saiba um pouco mais sobre a histria da Estatstica assistindo o vdeo abaixo:
<http://www.youtube.com/watch?v=jCzMPL7Ub2k>.
Estatstica Bsica
Wilton de O. Bussa e Pedro A. Morettin
Editora: Saraiva
Para saber mais sobre a tabela de nmeros aleatrios ver Bussab e
Morettim (2003) em Estatstica Bsica, captulos 9 e 10 (Problemas e
complementos).
Estatstica Bsica
Wilton de O. Bussa e Pedro A. Morettin
Editora: Saraiva
Para saber mais sobre algoritmos para gerar nmero aleatrios ver Barbetta
et al. (2010) Captulo 1.
Anlises Estatsticas no Excel Guia Prtico
Jos Ivo Ribeiro Jnior
Editora: UFV
Utilize planilhas eletrnicas como as do programa Excel para fazer
grfcos e tabelas.
U
N
I
D
A
D
E
II
MEDIDAS DESCRITIVAS
ASSOCIADAS A VARIVEIS
QUANTITATIVAS
Compreender as principais medidas estatsticas de posio, disperso
e separatrizes.
Entender a aplicao das medidas estatsticas de posio, disperso e
separatrizes.
Plano de Estudo
Apresentao dos Dados Estatsticos
Medidas de Posio
Mdia aritmtica simples
Mdia ponderada
Moda
Mediana
Medidas Separatrizes
Quartis
Decis
Percentis
Medidas de Disperso
Amplitude Total
Varincia
Desvio Padro
Coefciente de variao
46 - 47
Introduo
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
46 - 47
INTRODUO
Com o mercado imobilirio em crescente expanso, diversos setores da indstria
de construo civil, empresas imobilirias, administradoras de imveis, condo-
mnios, escritrios de corretagem entre outros setores, cada vez mais buscam
profssionais qualifcados para atuar na Gesto de Negcios Imobilirios.
O profssional tem de estar habilitado para estudar condies de mercado,
identifcar oportunidades de negcios, bem como planejar, operar e controlar a
negociao de bens imveis.
Para guiar suas recomendaes de investimento, um consultor desta rea
deve utilizar uma srie de informaes estatsticas. Iniciar uma pesquisa o pri-
meiro processo, seja ela bibliogrfca, observacional ou ainda experimental. As
pesquisas bibliogrfcas so baseadas apenas em literatura, entretanto as obser-
vacionais ou experimentais so baseadas em levantamento de dados e na anlise
dos mesmos.
Aps a coleta dos dados, estes precisam ser representados de forma resu-
mida. Nesta unidade, sero apresentadas as medidas de posio e de disperso
utilizadas para descrever dados quantitativos. Essas medidas so muito impor-
tantes na representao dos dados. As medidas de posio mostram o centro de
uma distribuio de dados, nos dando uma noo do que est ocorrendo com
os mesmos. J as medidas de disperso indicam a variabilidade do conjunto de
dados, mostrando se o mesmo homogneo ou heterogneo.
MEDIDAS DESCRITIVAS
Para sumarizar as informaes de um conjunto de observaes, muitas vezes
necessrio utilizar medidas que resumem em um s nmero certas caractersti-
cas. Assim, temos as medidas de posio, disperso, assimetria e curtose. Se as
medidas so calculadas para dados a partir de uma amostra, so chamadas de
estatsticas da amostra; se so calculadas a partir de uma populao, so chama-
das de parmetros da populao.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
48 - 49
II
As principais medidas de posio e as principais medidas separatrizes so:
As principais medidas de disperso so:
MEDIDAS DE POSIO OU DE LOCALIZAO
As medidas de posio servem para representar o ponto central de equilbrio
de um conjunto de observaes ordenadas segundo suas grandezas. Dentre as
medidas de posio, destacamos: mdia, mediana e moda sendo que a medida
a ser escolhida para representar coerentemente os dados depende das caracte-
rsticas dos mesmos.
Mdia aritmtica
A mdia de uma varivel a medida mais importante e mais simples de ser cal-
culada. Esta fornece uma medida de posio central. Se os dados so de uma
amostra, a mdia denotada por x ; se os dados so de uma populao, a mdia
denotada pela letra grega .
A mdia de um conjunto de dados encontrada somando seus valores e
dividindo pelo nmero de observaes. Seja x
1
, x
2
,.....x
n
, um conjunto de dados
a mdia ser dada por:
Medidas de Posio ou de Localizao
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
48 - 49
Populao Amostra

N
x
N
1 i
i
=
=

n
x
x
n
1 i
i
=
=
Exemplo:
Supondo que estamos estudando a idade das pessoas de uma famlia, dada
em anos. Foram observadas 5 pessoas e as idades foram: 5; 10; 12; 35; 38. Qual
a idade mdia dessa famlia?

n
......x x x

n
x
x
n 2 1
n
1 i
i
+ +
= =
=
n
x
x
n
1 i
i
=
= = anos
Exerccio: calcule a mdia para a quantidade de atendimentos realizados em um
ms pelos corretores de uma imobiliria:
18, 19, 20, 21, 21, 22, 24, 34, 35, 37
R: 25,1
Mdia aritmtica ponderada
Existem situaes em que no temos todos os dados disponveis ou ento temos
pesos diferentes para os dados considerados. Nestes casos, utilizamos o que
chamamos de mdia aritmtica ponderada para obtermos a mdia, cujas frmu-
las para Populao e Amostra so dadas da seguinte maneira:
Populao Amostra

N
x F
i i.
=

n
x F
x
i i.
=
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
50 - 51
II
Se a situao for a de dados agrupados, a mdia obtida a partir de uma pon-
derao em que os pesos so as frequncias absolutas (Fi) de cada classe e xi o
ponto mdio da classe i. Observe o exemplo abaixo:
2 |---- 16 6 0,545 54,5 54,5 9
16 |---- 30 3 0,273 27,3 81,8 23
30 |----| 44 2 0,182 18,2 100 37
Total 11 1 100 - -
A mdia ponderada ser dada por:
imveis visitados
Exerccio: calcule a mdia ponderada para a seguinte situao:
17 ----| 29 4 0,364 36,4 36,4 18
29 ----| 41 4 0,364 36,4 72,8 35
41 ----| 53 3 0,273 27,3 100 47
Total 11 1 100 - -
R: 32,09
Existem situaes em que os dados no esto agrupados, mas existem pesos
diferentes para cada um deles. Vejamos um exemplo.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
50 - 51
Exemplo: a mdia da nota bimestral dos alunos da Cesumar composta pela
nota de uma prova (com peso 8) e pela nota dos trabalhos (com peso 2). Calcule
a mdia bimestral do aluno que tirou as seguintes notas:
Prova: 7 (peso 8) Trabalho: 9 (peso 2)
A mdia ser dada por:
7,4
Exerccio: calcule as mdias ponderadas das notas bimestrais dos alunos abaixo:
ALUNO PROVA TRABALHO
Joo 5,0 3,0
Antonio 7,0 4,0
*Considere que o peso da prova seja igual a 9,0 e o peso do trabalho seja igual a 1,0.
R: 4,8 e 6,7
A mdia a medida mais importante dentro de um conjunto de dados e possui
algumas propriedades importantes. So elas:
1. a mdia nica em um conjunto de dados;
2. a mdia afetada por valores extremamente pequenos ou grandes;
3. a mdia depende de todos os valores observados, assim qualquer modi-
fcao nos dados far com que a mdia fque alterada;
4. a soma das diferenas dos valores observados em relao mdia zero:
=
) x (x
i
0
Veja um exemplo para ilustrar melhor em: GUEDES, T. A. et al. Projeto de
Ensino: Aprender Fazendo Estatstica.
Disponvel em: <www.des.uem.b>, pp. 29-30.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
52 - 53
II
A propriedade 2 importante, pois em conjunto de dados muito heterogneo a
mdia torna-se uma medida no apropriada para representar os dados, devendo
o pesquisador optar por uma outra medida.
A propriedade 4 importante na defnio de varincia, uma medida de dis-
perso que veremos na unidade seguinte.
Moda
Chamamos de moda o valor que aparece com maior frequncia em um con-
junto de dados. Para o caso de valores individuais, a moda pode ser determinada
observando-se o rol dos dados.
Exemplos:
Observe as notas da prova de estatstica da turma de Negcios Imobilirios:
4; 5; 6; 6; 6; 6; 7; 7; 7; 8.
A moda 6, pois esse o valor que ocorreu com maior frequncia.
Essa sequncia unimodal, pois tem apenas uma moda.
Veja essa outra sequncia:
4; 5; 5; 5; 6; 7; 7; 7; 8; 9.
Nesta existem duas modas (5 e 7), ela bimodal.
Essa outra:
1; 2; 3; 4; 5; 6; 7; 8; 9; 10
No existe moda, nenhum valor aparece com maior frequncia, amodal ou
antimodal.
Quando os dados esto agrupados em classes, primeiramente necessrio
identifcar a classe modal que apresenta a maior frequncia e calcular ento a
moda da seguinte maneira:
Mo =
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
52 - 53
Em que:
i a ordem da classe modal;
l
i
o limite inferior da classe modal;
h a amplitude da classe modal;
F
i
a frequncia absoluta da classe modal;
F
i1
a frequncia absoluta da classe anterior classe modal;
F
i+1
a frequncia absoluta da classe posterior classe modal.
Se o conjunto de dados apresentar todos seus elementos com a mesma frequ-
ncia absoluta no existir a Moda. Se ocorrer vrias frequncias iguais, ento
teremos uma distribuio com mais de uma moda.
A Moda tem o atributo de no ser afetada pelos valores extremos no con-
junto de dados.
Exemplo:
2 |---- 16 6 0,545 54,5 54,5 9
16 |---- 30 3 0,273 27,3 81,8 23
30 |----| 44 2 0,182 18,2 100 37
Total 11 1 100 - -
= =11,33 imveis visitados
Exerccio: Calcular a Moda para o seguinte conjunto de dados:
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
54 - 55
II
17 ----| 29 4 0,364 36,4 36,4 18
29 ----| 41 4 0,364 36,4 72,8 35
41 ----| 53 3 0,273 27,3 100 47
Total 11 1 100 - -
R: 29
Mediana
Corresponde ao valor central, ou a mdia aritmtica dos dois valores centrais,
de um conjunto de observaes organizadas em ordem crescente. Ou seja, 50%
das observaes so inferiores a mediana e 50%, superiores.
Exemplo:
Uma pesquisa em uma empresa apresentou os seguintes dados relacionados
ao tempo de trabalho de seus funcionrios:
5, 13, 12, 3, 15, 17, 8, 15, 6, 16, 9
Para encontrarmos a mediana primeiramente devemos ordenar os dados
brutos transformando-os em um rol:
3, 5, 6, 8, 9, 12,13, 15, 15, 16, 17
Depois localizamos o elemento central, no caso 12, pois esquerda dele
temos 5 elementos e direita tambm. Assim temos:
Md = 12.
Quando o rol tiver nmero par de elementos a mediana ser a mdia arit-
mtica entre os dois elementos centrais. Vejamos, por exemplo, um rol com 10
elementos (nmero par de elementos):
3, 5, 6, 8, 9, 13, 14, 15, 15, 16
Md = = 11
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
54 - 55
Assim, considerando n o nmero de elementos da srie, o valor mediano ser
dado pelo termo de ordem dado pelas seguintes frmulas:
Se n for mpar: Md =
2
1 n +
Se n for par: Md =
2
1
. 1
2
n

2
n
(
|
.
|
\
|
+ +
|
.
|
\
|
(mdia entre dois nmeros)
Exerccio: calcule a mediana para as Notas dos alunos nas duas situaes seguintes:
6.0, 4.5, 5.0, 7.0, 6.5;
4.8, 6.3, 8.9, 9.5, 6.0, 7,8;
R: 6.0 e 7.05
Para os dados em distribuio de frequncias em classes, tem-se:
Md = e
Em que:
onde p = indica a posio central da srie
i = a ordem da classe que contm o menor valor de F
ai
, tal que F
ai
p
F
ai - 1
= a frequncia acumulada da classe anterior a da mediana.
Exemplo:
2 |---- 16 6 0,545 54,5 54,5 9
16 |---- 30 3 0,273 27,3 81,8 23
30 |----| 44 2 0,182 18,2 100 37
Total 11 1 100 - -
Tabela 10: Distribuio de frequncias para a quantidade de imveis visitados por clientes de uma imo-
p = logo o nmero 5,5 est inserido na 1 classe.
Para qualquer assunto que trate de dados numricos sempre trabalhamos
com uma medida de posio, normalmente usamos a mdia que a medida
mais conhecida. Observe tambm como essas medidas so importantes no
seu cotidiano.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
56 - 57
II
Sendo assim:
Md = = imveis visitados
Exerccio: calcule a mediana para a seguinte situao:
17 ----| 29 4 0,364 36,4 36,4 18
29 ----| 41 4 0,364 36,4 72,8 35
41 ----| 53 3 0,273 27,3 100 47
Total 11 1 100 - -
Tabela 11: Distribuio de frequncias para a idade dos clientes de uma imobiliria para efetuar uma com-
pra
R: 33,5
MEDIDAS SEPARATRIZES
As separatrizes so os valores que dividem as sries em partes iguais. As prin-
cipais medidas separatrizes so: a mediana (j estudada) e os quartis, os decis
e os percentis.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
56 - 57
Quartis
Chamamos de quartis os valores que dividem a distribuio em 4 partes iguais
e podem ser obtidos da seguinte maneira:
Temos trs quartis:
Primeiro quartil (Q1) o valor que tem 25% dos dados sua esquerda
e o restante (75%) direita.
Segundo quartil (Q2) tem 50% dos dados de cada lado, coincide com
a mediana.
Terceiro quartil (Q3) tem 75% dos dados sua esquerda e 25% direita.
Frmulas:
1 Quartil (Q
1
) P=0,25(n +1)
2 Quartil (Q
2
) P=0,50(n +1)
3 Quartil (Q
3
) P=0,75(n +1)
Decis
Chamamos de decis os valores que dividem uma srie em dez partes iguais.
Portanto, temos nove decis, o primeiro tem 10% dos dados sua esquerda e 90%
sua direita, o segundo tem 20% dos dados sua esquerda e 80% sua direita e
assim por diante at o nono decil que tem 90% dos dados sua esquerda e 10%
sua direita.
1 Decil (D
1
) P=0,10(n +1)
2 Decil (D
2
) P=0,20(n +1)
3 Decil (D
3
) P=0,30(n +1)
4 Decil (D
4
) P=0,40(n +1)
5 Decil (D
5
) P=0,50(n +1)
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
58 - 59
II
6 Decil (D
6
) P=0,60(n +1)
7 Decil (D
7
) P=0,70(n +1)
8 Decil (D
8
) P=0,80(n +1)
9 Decil (D
9
) P=0,90(n +1)
Percentis
Chamamos de percentis os noventa e nove valores que separam uma srie em
100 partes iguais. O clculo dos percentis est relacionado com percentagem.
No quadro abaixo so mostrados alguns percentis:
5 Percentil (P
5
) P=0,05(n +1)
25 Percentil (P
25
) P=0,25(n +1)
50 Percentil (P
50
) P=0,50(n +1)
75 Percentil (P
75
) P=0,75(n +1)
90 Percentil (P
90
) P=0,90(n +1)
Para os dados em rol, o clculo das medidas separatrizes a mesma que a da
mediana, a saber:
S
k
= x
Ip
+ F
p
(x
Ip + 1
- x
Ip
)
Em que:
Ip a parte inteira de p;
Fp a parte fracionria (ou decimal).
Exemplo: calcule o 3 quartil (Q
3
) e o 90 percentil (P
90
) para a idade mdia
de um grupo de indivduos que tm as seguintes idades:
18, 19, 20, 21, 21, 22, 24, 24, 25, 27, 30, 33, 38
Primeiramente, calculamos a posio do dado:
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
58 - 59
Para o Q3 temos:
p = 0,75(13 + 1) = 10,5
Como a posio do elemento quartil decimal, encontrar o valor correspon-
dente a posio da parte inteira e a imediatamente posterior a ela:
10 posio: 27
11 posio: 30
Encontrar a diferena entre estes valores:
30 27 = 3
O quartil ser o menor valor somado ao produto da parte decimal pela dife-
rena encontrada.
Q3 = 27 + (0,5 . 3) = 28,5 anos
Pode-se afrmar que 75% dos indivduos tm idade inferior a 28,5 anos
Para o P
90
temos:
P = 0,90(13 + 1) = 12,6
12 posio: 33
13 posio: 38
38 33 = 5
P
90
= 33 + (0,6 . 5) = 36 anos
Dizemos que 90% dos indivduos tm idade inferior a 36 anos.
Para os dados em distribuio de frequncias em classes, o clculo das medi-
das separatrizes feito da seguinte maneira:
S
k
=
Fi
F p h
l
ai
i
) (
1
+
Em que:
, com k =1, 2, 3, para determinao dos quartis;
, k =1,2,..,9 para o clculo dos decis; e
, k =1, 2,...,99 para os percentis;
i a ordem da classe que contm o menor valor de F
ai
, tal que F
ai
p ;
F
ai - 1
a frequncia acumulada da classe anterior da separatriz.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
60 - 61
II
Exerccio: considerando o exemplo da tabela abaixo, calcular o Q
1
e Q
3
e o D
6
2 |---- 16 6 0,545 54,5 54,5 9
16 |---- 30 3 0,273 27,3 81,8 23
30 |----| 44 2 0,182 18,2 100 37
Total 11 1 100 - -
Para o Q
1
:
Q
1
= = imveis visitados
Para o Q
3
:
p = 8,25 F
ai
7 i = 2
Q
3
= = imveis visitados
Para o D
6
:
p = = 6,6 F
ai
7 i = 2
D
6
= = mveis visitados
Medidas de Disperso
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
60 - 61
MEDIDAS DE DISPERSO
As medidas de disperso mostram a variabilidade de um conjunto de obser-
vaes em relao regio central. Essas medidas indicam se um conjunto de
dados homogneo ou heterogneo. Alm disso, mostram se a medida de ten-
dncia central escolhida representa bem o conjunto de dados que est sendo
trabalhado pelo pesquisador. Vejamos um exemplo:
Considere as idades de trs grupos de pessoas A, B e C:
A: 15; 15; 15; 15; 15
B: 13; 14; 15; 16; 17
C: 5; 10; 15; 20; 25
A mdia aritmtica do conjunto A 15, do B 15 e do C tambm 15.
A mdia aritmtica a mesma para os trs conjuntos acima, porm o grau
de homogeneidade entre eles muito diferente, ou seja, a variao dos seus ele-
mentos em relao mdia bem distinta. O conjunto A no tem disperso, o
B tem certo grau de variabilidade e o conjunto C tem grande variabilidade. Por
isso, devemos estudar as medidas de disperso. Pois conjuntos de dados dife-
rentes podem ter mdias iguais, porm isso no indica que so iguais, pois a
variabilidade entre eles pode ser diferente.
Amplitude Total
A amplitude total de um conjunto de dados a diferena entre o maior e o
menor valor. Essa medida nos diz muito pouco, pois embora fcil de ser cal-
culada, baseada em somente duas observaes sendo altamente infuenciada
pelos valores extremos; quanto maior a amplitude, maior ser a variabilidade.
Veja sua frmula abaixo:
AT = x
max
x
min
Em que:
x
max
o maior valor no conjunto de dados
x
min
o menor valor no conjunto de dados
Verifque o exemplo em que foram medidas as idades das pessoas de uma fam-
lia sendo elas: 5; 10; 12; 35; 38. Qual Amplitude das idades nessa famlia?
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
62 - 63
II
AT = 38 5 = 33 anos
Esta medida de disperso no leva em considerao os valores intermedi-
rios perdendo a informao de como os dados esto distribudos.
Exerccio: calcule a Amplitude total dos seguintes conjuntos de dados:
A: 15; 15; 15; 15; 15
B: 13; 14; 15; 16; 17
C: 5; 10; 15; 20; 25
R: 0; 4; 20
Varincia
A varincia uma medida de variabilidade que utiliza todos os dados. calcu-
lada considerando o quadrado dos desvios em relao mdia aritmtica dos
dados em estudo.
Se os dados so para uma populao, a varincia denotada pelo smbolo
grego 2 e sua defnio dada como segue:
N
) (x
N
1 i
2
i
2
Onde a mdia da populao e N o nmero de observaes.

Se os dados so para uma amostra, a varincia, denotada por s
2
, defnida
como:
1 - n
) x (x
n
1 i
2
i
2
= s
Onde x a mdia da amostra e n o nmero de observaes. O uso de (n 1)
neste denominador, necessrio para que a varincia da amostra resultante for-
nea uma estimativa no induzida da varincia da populao.
Na maioria das vezes trabalhamos nas pesquisas com dados amostrais.
Portanto, iremos nos basear sempre na varincia amostral.
Exemplo:
Continuando com o exemplo das idades das pessoas de uma famlia sendo
elas: 5; 10; 12; 35; 38, calcule a varincia amostra para este conjunto de dados.
Primeiramente, calculamos a mdia sendo esta igual a 20.
Medidas de Disperso
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
62 - 63
Vamos s contas:
s
2
=
s
2
= 234,5 anos
2
A unidade da varincia a mesma unidade da caracterstica, entretanto, por sim-
bologia apenas, devemos colocar o smbolo do quadrado junto unidade. Assim,
dizemos que a varincia dada em unidades quadrticas, o que difculta a sua
interpretao. O problema resolvido extraindo-se a raiz quadrada da varin-
cia, defnindo-se, assim, o desvio padro.
Desvio padro
O desvio padro d a ideia de distribuio dos desvios ao redor do valor da mdia.
Para obtermos o desvio padro basta que se extraia a raiz quadrada da varin-
cia e, seguindo a notao adotada para as varincias de populao e amostra, s
denotara o desvio padro da amostra enquanto , o desvio padro da popula-
o. Assim:
Populao Amostra

N
) (x
N
1 i
2
i
=

1 n
) x (x
s
n
1 i
2
i
=
De forma mais simplifcada...
2
=

2
s s =
Considerando o caso acima em que a varincia foi s
2
= 234,5 anos
2
, o clculo do
desvio padro (s) fca bastante simples, ou seja:
s = 5 , 234 = 15,31 anos
Esta medida interpretvel e dizemos que a disperso mdia entre os indivduos
desta famlia de 15,31 anos.
Para saber se o desvio padro est alto ou baixo vamos compar-lo com o
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
64 - 65
II
valor da mdia. Quanto maior o valor do desvio padro em relao mdia,
maior ento ser a variao dos dados e mais heterognea o nosso conjunto
de observaes.
Coefciente de variao
O Coefciente de Variao (CV) envolve clculos percentuais, por isso uma
medida relativa e no absoluta. Assim, observe as frmulas abaixo:
Populao Amostra
CV =
.100 CV =
x
s
.100
A partir do valor do coefciente de variao podemos verifcar se o conjunto de
dados homogneo e tambm conseguimos saber se a mdia uma boa medida
para representar o conjunto de dados. Outra utilizao para esta medida com-
parar conjuntos com unidades de medidas distintas, uma vez que o CV dado
em porcentagem (%).
O CV tem o problema de deixar de ser explicativo da variao quando a mdia
est perto de zero, pois esta situao pode deix-lo alto demais. Um coefciente de
variao alto sugere alta variabilidade ou heterogeneidade do conjunto de obser-
vaes. Quanto maior for este valor, menos representativa ser a mdia. Se isto
acontecer deve-se optar para representar os dados por outra medida, podendo
ser essa a mediana ou moda, no existindo uma regra prtica para a escolha de
uma dessas. Fica ento essa escolha a critrio do pesquisador. Ao mesmo tempo,
quanto mais baixo for o valor do CV, mais homogneo o conjunto de dados e
mais representativa ser sua mdia.
Quanto representatividade em relao mdia, podemos dizer que quando
o coefciente de variao (CV) ou est:
Menor que 10%: signifca que um timo representante da mdia, pois
existe uma pequena disperso (desvio padro) dos dados em torno da mdia.
Entre 10% e 20%: um bom representante da mdia, pois existe uma boa
Medidas de Disperso
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
64 - 65
disperso dos dados em torno da mdia.
Entre 20% e 35%: um razovel representante da mdia, pois existe uma
razovel disperso dos dados em torno da mdia.
Entre 35% e 50%: representa fracamente a mdia, pois existe uma grande
disperso dos dados em torno da mdia.
Acima de 50%: no representa a mdia, pois existe uma grandssima dis-
perso dos dados em torno da mdia.
Exemplo: de acordo com o exemplo das idades das pessoas de uma famlia sendo
elas: 5; 10; 12; 35; 38, calcule o coefciente de variao para este conjunto de dados.
Considerando o clculo da mdia e do desvio padro j feitos sabemos que:
Verifca-se uma grande variao, ou seja, uma alta disperso dos dados e assim
a mdia no seria uma boa representante para este conjunto de dados.
Exerccio: calcule as medidas de disperso para um grupo de indivduos que
tm as seguintes idades: 18, 19, 20, 21, 21, 22, 24, 24, 25, 27, 30, 33 e verifque se
a mdia uma medida que representa bem este conjunto de dados.
R: 15; 20,43; 4,52; 19,07%
Observe que para dados agrupados h uma pequena diferena nas frmu-
las de varincia da populao e amostra:
Populao Amostra

N
) (x
N
1 i
2
i
2
=
i
F

1 n
) x (x
s
n
1 i
2
i
2
=
i
F
Em que cada x
i
o ponto mdio de cada classe estudada e F
i
a
frequncia respectiva a cada classe, sendo e x as mdias populacional e
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
66 - 67
II
amostral, respectivamente.
Observe que a nica diferena que com dados agrupados os desvios ao
quadrado devem ser multiplicados por suas respectivas frequncias.
Exemplo:
2 |---- 16 6 0,545 54,5 54,5 9
16 |---- 30 3 0,273 27,3 81,8 23
30 |----| 44 2 0,182 18,2 100 37
Total 11 1 100 - -
A mdia ponderada ser dada j calculada na anteriormente x = 17,91 im-
veis visitados. Logo:

S
2
= 128,29 imveis visitados
Desvio Padro
Para calcular o desvio padro, o procedimento continua sendo o mesmo, ou
seja, basta extrairmos a raiz quadrada da varincia. Assim, observe as frmulas:
Populao Amostra

N
) (x
N
1 i
2
i
=
=
i
F

1 n
) x (x
s
n
1 i
2
i
=
i
F
De forma mais simplifcada...
Medidas de Disperso
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
66 - 67
2
=

2
s s =
Exemplo: considerando a situao exposta acima em que a varincia foi igual a
s
2
= 128,29 o desvio padro ser:
S = = 11,33 imveis visitados
E consequentemente o Coefciente de variao ser:
CV =
Exerccio: calcule as medidas de disperso para dados agrupados considerando
a tabela abaixo:
17 ----| 29 4 0,364 36,4 36,4 18
29 ----| 41 4 0,364 36,4 72,8 35
41 ----| 53 3 0,273 27,3 100 47
Total 11 1 100 - -
Tabela 14: Distribuio de frequncias para a idade dos clientes de uma imobiliria para efetuar uma com-
pra
R: 149,49; 12,23; 38,11%
68 - 69
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
68 - 69
II
CONSIDERAES FINAIS
Nas pesquisas, aps a coleta e organizao dos dados, convm verifcar o que
ocorre com os mesmos. Nos dados quantitativos, a principal forma de anlise
calcular as medidas de posio e disperso. Essas medidas do uma indicativa
de representao e variao dos dados e por meio delas que saberemos o que
de fato ocorreu com a pesquisa.
Nesta unidade voc aprendeu a calcular as principais medidas de Posio e
Disperso, alm das medidas Separatrizes.
As principais medidas de posio dentro da estatstica so mdia aritm-
tica, moda, mediana e separatrizes. Pelo menos uma dessas medidas sempre deve
estar presente na descrio das informaes coletadas. J as principais medidas
de disperso so varincia, desvio padro e coefciente de variao.
De todas essas medidas vistas, as mais utilizadas nas pesquisas so a mdia
e o desvio padro. Essas so representativas da populao e da amostra tambm.
As medidas representaro sempre os dados, portanto, fundamental que
saibamos qual ou quais as medidas mais adequadas para o tipo de informao
que temos em mos.
68 - 69 68 - 69
1. Das medidas de posio vistas na unidade, explique:
a) qual a mais utilizada e por qu;
b) quais os problemas que a mdia pode ter em sua utilizao como medida
representativa de um conjunto de dados.
2. Em uma determinada semana uma imobiliria disponibilizou apartamentos
para locao contendo uma sute simples e 2 quartos em vrios bairros da cida-
de de Maring-PR, com os seguintes preos (mil R$):
850 910 950 980 1050 1000 1000 1200
Demonstre:
a) a mdia aritmtica, a moda e a mediana;
b) a varincia, o desvio padro;
c) o coefciente de variao (interprete);
d) o 3 quartil e o 8 decil.
3. Considere a seguinte tabela de distribuio de frequncias com os tempos (em
dias) que um corretor demora a concluir um negcio, observado em 40 opera-
es:
TEMPO (DIAS) FI FAC XI
0 2,5 2 2 1,25
2,5 5,0 3 5 3,75
5,0 7,5 25 30 6,25
7,5 10,0 10 40 8,75
total 40 - -
Demonstre:
a. a mdia aritmtica, a moda e a mediana;
b. a varincia, o desvio padro;
c. o coefciente de variao (interprete);
d. o 3 quartil e o 4 percentil.
Assista ao vdeo abaixo e compreenda melhor alguns conceitos essenciais para a Pesquisa de
Mercado.
<http://www.youtube.com/watch?v=-feamp8yc1i>.
U
N
I
D
A
D
E
III
PROBABILIDADES
Entender os conceitos relacionados a probabilidades.
Saber aplicar as probabilidades nas diversas situaes.
Compreender probabilidade condicional.
Conhecer as principais distribuies de probabilidades.
Plano de Estudo
Regras Bsicas de Probabilidade
Operaes com Eventos
Probabilidade Condicional
Distribuio de Probabilidade
72 - 73
Introduo
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
72 - 73
INTRODUO
Probabilidade deriva do Latim probare (provar ou testar) e designa eventos incer-
tos, ou mesmo sorte, risco, azar, incerteza ou duvidoso.
A Probabilidade como ramo da matemtica data de mais de 300 anos e se
aplicava a jogos de azar, em que jogadores que tinham mais conhecimento sobre
suas teorias planejavam estratgias para levar vantagem nos jogos. Hoje, essa
prtica ainda utilizada, porm, tambm passou a ser empregada por governos,
empresas e organizaes profssionais nas suas tomadas de decises ou ainda na
escolha de produtos, sendo teis tambm para o desenvolvimento de estratgias.
As decises nos negcios so frequentemente baseadas na anlise de incer-
tezas, tais como: chances de um investimento ser lucrativo, chances das vendas
decrescerem se o preo for aumentado, probabilidade de projetos terminarem no
prazo etc. As probabilidades medem o grau de incerteza, assim, no podemos ante-
cipar o evento, mas lidar com as chances maiores ou menores do mesmo ocorrer.
Nesta unidade sero apresentados conceitos bsicos de probabilidade, como
a probabilidade pode ser interpretada e como suas regras podem ser utilizadas
para calcular as possibilidades de ocorrncia de eventos futuros.
PROBABILIDADES
As probabilidades so utilizadas para delinear a chance de ocorrncia de deter-
minado evento. Seus valores so sempre atribudos em uma escala de 0 a 1. A
probabilidade prxima de 1 indica um evento quase certo, enquanto que a pro-
babilidade prxima de zero indica um evento improvvel de acontecer.
Ao discutirmos probabilidade, defnimos experimentos como qualquer ao
ou processo que gera resultados bem defnidos. Os experimentos aleatrios so
aqueles que repetidos vrias vezes apresentam resultados imprevisveis. Ao des-
crever um experimento aleatrio, deve-se sempre especifcar o que dever ser
observado.
Shutterstock
shutterstock
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
74 - 75
III
Exemplos: queremos estudar a ocorrncia das faces de um dado. Esse seria o
experimento aleatrio. A partir do conhecimento de que o dado tem 6 faces,
sendo o dado equilibrado, de modo a no favorecer nenhuma das faces, pode-
mos construir o modelo probabilstico da seguinte maneira:
FACE 1 2 3 4 5 6
Frequncia 1/6 1/6 1/6 1/6 1/6 1/6
Se o experimento aleatrio for o lanamento de uma moeda. Sabendo que s
shutterstock
Probabilidades
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
74 - 75
podem ocorrer duas situaes ao lanamento da mesma: cara ou coroa. Assim,
o modelo probabilstico para esta situao seria:
FACE CARA COROA
Frequncia 1/2 1/2
Se um grupo for composto por 20 homens e 30 mulheres e um deles for sorte-
ado ao acaso para ganhar um determinado prmio, o modelo probabilstico ser:
FACE HOMEM MULHER
Frequncia 20/50 30/50
Verifcamos que em todos os exemplos mostrados precisamos ter um modelo
probabilstico sendo que o mesmo envolve:
Espao amostral
Quando especifcamos todos os resultados experimentais possveis, identifca-
mos o espao amostral () de um experimento:
={1, 2,.... n}, sendo que cada elemento de chamado de um ponto
amostral.
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
76 - 77
III
Exemplos:
Em um experimento o lanamento de uma moeda. Os possveis resul-
tados so cara ou coroa, ento, ={cara, coroa}. Com N = 2 possveis
resultados.
Em dois lanamentos de uma moeda, sendo interessante observar a ordem
dos resultados, os possveis resultados so: cara e cara; cara e coroa; coroa
e cara; coroa e coroa. O espao amostral : = {(Ca,Ca), (Ca,Co), (Co,Ca)
e (Co,Co)}. Com N igual a 4 possveis resultados.
Eventos
Chamamos de evento um subconjunto do espao amostral de um experimento
aleatrio. O evento dito simples se consistir de um nico resultado, ou com-
posto se consistir em mais de um resultado.
Exemplo:
No lanamento de uma moeda = {cara, coroa}. Um evento de interesse A
pode ser obter cara no lanamento de uma moeda e ento A = {cara} e o n para
este evento ser 1, sendo n o nmero de resultados para o evento.
No lanamento de um dado, o evento de interesse A pode ser obter face par
e ento A ser igual a:
A = {2; 4, 6} e n = 3.
Probabilidade de um evento
Podemos fazer clculos de probabilidades utilizando trs formas distintas:
Mtodo clssico quanto o espao amostral tm resultados equiprovveis.
Mtodo emprico baseado na frequncia relativa de um grande nmero
de experimentos repetidos.
Mtodo subjetivo se baseia em estimativas pessoais de probabilidade
com certo grau de crena.
Utilizaremos aqui o mtodo clssico.
Considerando um experimento aleatrio em que se queira um determinado
evento A. A probabilidade deste evento ocorrer dada por P(A).
Probabilidades
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
76 - 77
Assim: a probabilidade de A ocorrer ser dada por:
, para qualquer evento discreto. Ou seja,
Exemplo:
No lanamento de um dado construir o espao amostral e calcular a proba-
bilidade de sair face mpar (evento A) e sair as face 2 e 5 (evento B).
= {1, 2, 3, 4, 5, 6} N = 6
A = {1, 3, 5} n(A) = 3
B = {2, 5} n(A) = 2
Assim:
0,5
6
3
P(A) = = ou em porcentagem 0,5 x 100 = 50%
0,33
6
2
P(B) = = ou em porcentagem 0,33 x 100 = 33%
Regras Bsicas
Tendo um modelo probabilstico e conhecendo suas frequncias relativas, pode-
mos estabelecer no clculo das probabilidades algumas regras:
A probabilidade dever ser um valor que varie entre 0 e 1, sendo repre-
sentado por:
0 < P(A) < 1
Um evento impossvel um conjunto vazio () e atribui-se probabilidade
0, enquanto que um evento certo tem probabilidade 1 assim:
P() = 1 P()= 0
A soma das probabilidades para todos os resultados experimentais tem
de ser igual a 1.
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
78 - 79
III
Operaes com Eventos
Nos clculos de probabilidades, algumas vezes, o interesse do pesquisador est na
determinao da probabilidade de combinao dos eventos relacionados ao experi-
mento aleatrio. Podemos ter dois tipos de combinaes dados dois eventos A e B:
O evento interseo de A e B, denotado AB, o evento em que A e B
ocorrem simultaneamente.
O evento reunio de A e B, denotado A B, o evento em que A ocorre
ou B ocorre (ou ambos).
O evento complementar de A, denotado Ac, o evento em que A no
ocorre.
Assim:
A probabilidade de um ou outro evento ocorrer dada por P(A B).
A probabilidade de ambos os eventos ocorrerem simultaneamente P(AB).
Exemplo: duas cidades so questionadas sobre o servio de esgoto sanitrio.
Perguntas possveis seriam: Qual a probabilidade de ambas terem o servio de
esgoto sanitrio? Qual a probabilidade de uma ou outra cidade ter o servio de
esgoto sanitrio?
Ambas implica em P(A e B)
Uma ou outra implica em P(A ou B)
Regra da adio
Essa regra leva em considerao a ocorrncia do evento A ou a ocorrncia do
evento B ou ainda de ambos os eventos. denotada matematicamente por P(A
B) e dizemos unio de A e B que a probabilidade de ocorrncia de pelo menos
um dos dois eventos representados pela fgura abaixo.
Probabilidades
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
78 - 79
No clculo dessa probabilidade surgem duas situaes:
A primeira quando os eventos A e B so mutuamente excludentes (no tem
elementos em comum). Nesta situao a frmula dada por:
P(A B) = P(A) + P(B)
A segunda quando os eventos A e B no so mutuamente excludentes (tem
elementos em comum). Nesta situao a frmula dada por:
P(A B) = P(A) + P(B) - P(A B), em que:
P(A B) a probabilidade de A e B ocorrerem simultaneamente; a inter-
seco entre os eventos A e B.
Complemento de um evento
Dado um evento A, o complemento de A (Ac) um evento que consiste de todos
os pontos amostrais que no esto em A. O diagrama abaixo ilustra o conceito.
A rea retangular representa o espao amostral; o crculo representa o evento A
e a regio com preenchimento, os pontos do complemento de A
O clculo da probabilidade usando o complemento feito por meio da relao:
P(AC) = 1 - P(A) para todo evento A
Exemplo:
= {1,2,3,4,5,6}
Eventos A = {2, 4, 6}, B = {4, 5, 6} e C = {1, 3, 5}
A B = {2, 4, 6} {4, 5, 6} = {4, 6}
A C = {2, 4, 6} {1, 3, 5} =
A B = {2, 4, 5, 6}
Ac = {1, 3, 5} = C
Exerccios:
1. Demonstre o espao amostral no lanamento de um dado.
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
80 - 81
III
2. Considere o experimento aleatrio do lanamento de dois dados e:
a. Encontre
b. Demonstre o n(A) e P(A) nos casos abaixo
A1: apaream faces iguais.
A2: a segunda face o dobro da primeira.
A3: apaream somente nmeros mpares.
A4: apaream faces iguais ou a segunda face o quadrado da primeira.
A5: a soma das faces igual a 7.
3. Um consultor est estudando dois diferentes tipos de imveis quanto a
quantidades disponveis venda, por regio, em uma determinada cidade.
Os dados so mostrados a seguir:
REGIO
TIPO DE IMVEL
TOTAL
APARTAMENTO CASA
Norte 30 28 58
Sul 40 56 96
Leste 38 34 72
Oeste 52 22 74
Total 160 140 300
Indique Norte por N; Sul por S; Leste por L; Oeste por O; Apartamento por
A e Casa por C.
Calcule as seguintes probabilidades:
P(N) =
P(S) =
P(L) =
P(O) =
P(A) =
Probabilidades
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
80 - 81
P(C) =
P(N A) =
P(S C) =
P(L A) =
P(O C) =
P(N A) =
P(S C) =
P(L A) =
P(O C) =
Respostas:
1. = {1, 2, 3, 4, 5, 6}
2. a) = {(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2)
(5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)}
b) A1 = {(1,1) (2,2) (3,3) (4,4) (5,5) (6,6)}
P(A1) = 6/36 = 0,17
A2 = {(1,2) (2,4) (3,6)}
P(A2) = 3/36 = 0,08
A3 = {(1,1) (1,3) (1,5) (3,1) (3,3) (3,5) (5,1) (5,3) (5,5)}
P(A3) = 9/36 = 0,25
A4 = {(1,1) (2,2) (2,4) (3,3) (4,4) (5,5) (6,6)}
P(A4) = 7/36 = 0,19
A5 = {(1,6) (2,5) (3,4) (4,3) (5,2) (6,1)}
P(A5) = 6/36 = 0,17
3. 0,193; 0,32; 0,24; 0,257; 0,533; 0,467; 0,1; 0,187; 0,127; 0,073; 0,627; 0,6;
0,647; 0,64
shutterstock
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
82 - 83
III
Probabilidade condicional
Frequentemente, a probabilidade de um evento infuenciada pela ocorrncia de
um evento paralelo. Seja A um evento com probabilidade P(A). Se obtivermos a
informao extra que o evento B ocorreu paralelamente, iremos tirar vantagem
dela no clculo de uma nova probabilidade para o evento A. Esta ser escrita
como P(A | B) e lida como probabilidade de A dado B.
Neste caso, podemos utilizar esta informao extra para realocar proba-
bilidades aos outros eventos. Vamos utilizar o exemplo da tabela do exerccio
anterior nmero 3.
REGIO
TIPO DE IMVEL
TOTAL
APARTAMENTO CASA
Norte 30 28 58
Sul 40 56 96
Leste 38 34 72
Oeste 52 22 74
Total 160 140 300
Se soubermos que o imvel um Apartamento, qual a chance de ser da regio
Norte? Reformulando a pergunta, poderamos ter o interesse de saber: dado
que o imvel um Apartamento, qual a probabilidade de pertencer a regio
Norte? Observe que estamos impondo uma condio ao evento.
Sabemos que o imvel um apartamento, essa a condi-
o imposta. Quando impomos alguma condio em
probabilidade dizemos ento que a probabilidade
condicional e assim, reduzimos ento o espao amos-
tra condio imposta.
Assim, escrevemos:
P(N|A) e l-se probabilidade de N dado A, sendo
a condio A, ou seja, ser Apartamento, sendo que:
Probabilidades
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
82 - 83
P(N|A) =
De forma geral, para dois eventos quaisquer A e B, sendo P(B) > 0, defnimos a pro-
babilidade condicional de A | B como sendo P(A | B) dado pela seguinte frmula:
P(A|B) =
Caso a condio seja A:
P(B|A) =
Para o exemplo acima mencionado, se N e A indicam, respectivamente,
Norte, para regio e Apartamento para tipo, ento:
P(N|A) = = como mostrado acima.
Observe que se trocarmos a condio para ser do tipo A dado que a regio
Norte, a condio agora ser da regio Norte e o problema fcaria da seguinte maneira:
P(A|N) = =
Exerccios:
Baseado na tabela acima calcular as seguintes probabilidades:
a. P(S | C) =
b. P(C | S) =
c. P (L | A) =
d. P(A | L) =
e. P(O | C) =
f. P(C | O) =
R: 0,4; 0,583; 0,238; 0,528; 0,157; 0,297
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
84 - 85
III
Eventos independentes
Dois eventos A e B so independentes se P(A | B) = P(A) ou P(A | B) = P(B).
Caso contrrio, os eventos so dependentes.
Regra da multiplicao
A relao geral mostrada acima foi:
P(A B) =
Desta relao obtemos a regra do produto das probabilidades em que:
P(A B) = P(B) . P(A | B).
Observe que a probabilidade de A e B ocorrerem conjuntamente est sob uma
condio, pois a probabilidade de A est sob a condio de B, mostrando que
h uma dependncia de uma probabilidade em relao ao evento ocorrido
anteriormente.
Em caso de A e B serem eventos no independentes, ou seja, a probabili-
dade de um evento no depender da ocorrncia do outro evento, nesta condio
a probabilidade de A e B ocorrer dada pela probabilidade de A vezes a proba-
bilidade de B.
P(A B) = P(A) . P(B)
Exemplo:
Uma urna contm duas bolas brancas e trs bolas pretas. Sorteamos duas
bolas ao acaso sem reposio. Isto quer dizer que sorteamos a primeira bola,
verifcamos sua cor e no a devolvemos urna. As bolas so novamente mistu-
radas e sorteamos ento a segunda bola. Para resolver as probabilidades nesta
situao ilustraremos as mesmas por um diagrama de rvore em que em cada
galho da rvore esto indicadas as probabilidades.
Probabilidades
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
84 - 85
RESULTADOS PROBABILIDADES
BB 2/5 x 1/4 = 2/20
BP 2/5 x 3/4 = 6/20
PB 3/5 x 2/4 = 6/20
PP 3/5 x 2/4 = 6/20
Total 1,0
Observe que o clculo das probabilidades, na segunda retirada, fcaria condicio-
nado aos resultados da primeira retirada. Assim, indicando B por branca e P
por preta, vejamos o clculo das probabilidades.
a) Qual a probabilidade de sair bola branca na primeira retirada?
P(B) = 2/5
b) Qual a probabilidade de sair bola branca na primeira retirada e bola preta
na segunda retirada?
P(B na 1 P na 2 ) = 6/20
c) Qual a probabilidade de sair bola preta na segunda retirada dado que saiu
branca na primeira retirada?
P(P na 2 | B na 1 ) = 3/4
d) Qual a probabilidade de sair bola branca na segunda retirada dado que
saiu preta na primeira retirada?
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
86 - 87
III
P(B na 2 | P na 1 ) = 2/4
e) Qual a probabilidade de sair bola preta na segunda retirada?
P(P na 2) = 6/20 + 6/20 = 12/20
Vejamos agora o exemplo acima, porm, aps a retirada da primeira bola, a mesma
sendo devolvida urna para a retirada da segunda. Nesse caso, dizemos que a
extrao das duas bolas com reposio, o que torna as extraes independentes.
RESULTADOS PROBABILIDADES
BB 2/5 x 2/5 = 4/25
BP 2/5 x 3/5 = 6/25
PB 3/5 x 2/5 = 6/25
PP 3/5 x 3/5 = 9/25
Total 1,0
Observe que os clculos das probabilidades, na segunda retirada, no fcariam
condicionados aos resultados da primeira retirada. Assim, indicando B por
branca e P por preta, vejamos o clculo das probabilidades.
a) Qual a probabilidade de sair bola branca na primeira retirada?
P(B) = 2/5
Regras de Probabilidade
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
86 - 87
b) Qual a probabilidade de sair bola branca na primeira retirada e bola preta
na segunda retirada?
P(B na 1 P na 2 ) = 6/25
c) Qual a probabilidade de sair bola preta na segunda retirada dado que saiu
branca na primeira retirada?
P(P na 2 B na 1 ) = 3/5
d) Qual a probabilidade de sair bola branca na segunda retirada dado que
saiu preta na primeira retirada?
P(B na 2 | P na 1 ) = 2/5
e) Qual a probabilidade de sair bola preta na segunda retirada?
P(P na 2 ) = 6/25 + 9/25= 15/25 = 3/5
Observe que as probabilidades da segunda retirada no so alteradas pela extra-
o da primeira bola.
Assim, P(P na 2 | B na 1 ) = 3/5 = P(P na 2 )
Nesse caso, dizemos que o evento A independe do evento B e:
P(A B) = P(A) . P(B)
REGRAS DE PROBABILIDADE
P(A ou B), para eventos no mutuamente excludentes:
P(A ou B ou ambos) = P(A) + P(B) P(A e B)
Para eventos mutuamente excludentes:
P(A ou B) = P(A) + P(B)
Para eventos independentes:
P(A e B) = P(A) . P(B)
Para eventos dependentes:
P(A e B) = P(B).P(A | B) ou P(A).P(B | A)
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
88 - 89
III
Exerccios:
1. Uma urna contm 5 bolas pretas e 4 azuis. Em duas extraes conse-
cutivas, sem reposio, determine os resultados esperados e calcule as
seguintes probabilidades:
a) de retirar a primeira azul e a segunda preta;
b) de retirar a primeira azul e a segunda azul;
c) de retirar a segunda azul dado que a primeira foi preta.
2. Em um lote de 15 peas sendo 5 so defeituosas. Retira-se uma pea e
inspeciona-se. Qual a probabilidade:
a) Da pea ser defeituosa.
b) Dela no ser defeituosa.
3. Uma loja dispe de cartuchos de tintas novas e recondicionadas. Entre
30 cartuchos, sabe-se que 10 so recondicionados.
a) Se um cliente levar um cartucho, qual a probabilidade de que ele seja
recondicionado?
b) Se um cliente levar dois cartuchos, qual a probabilidade de que ambos
sejam recondicionados?
c) Se um cliente levar 4 cartuchos, qual a probabilidade de que todos
sejam recondicionados?
Respostas:
1. a) 0,278
b) 0,167
c) 0,5
2. a) 0,333
b) 0,667
3. a) 0,333
b) 0,103
c) 0,008
Distribuies de Probabilidade
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
88 - 89
DISTRIBUIES DE PROBABILIDADE
Os mtodos de anlise estatstica requerem sempre que sejam enfocados certos
aspectos numricos dos dados (mdia, desvio-padro,...), independentemente
do experimento originar resultados qualitativos ou quantitativos.
Um meio para descrever por valores numricos os resultados experimen-
tais o conceito de Varivel Aleatria.
Uma varivel aleatria permite passar cada um dos resultados do experi-
mento para uma funo numrica dos resultados. Para ilustrar, em uma amostra
de componentes, ao invs de manter o registro de falhas individuais, o pesqui-
sador pode registrar apenas quantos apresentaram falhas dentro de mil horas.
Em geral, cada resultado associado por um nmero, especifcando-se uma
regra de associao.
Uma varivel aleatria pode ser classifcada como discreta ou contnua,
dependendo dos valores numricos que ela assume. Uma varivel aleatria :
Discreta: quando pode assumir tanto um nmero fnito de valores como
uma infnita seqncia de valores tais como 0, 1, 2, ..., n.
Contnua: quando pode assumir qualquer valor numrico em um inter-
valo ou associao de intervalos.
Observe o exemplo do lanamento de uma moeda duas vezes. A varivel alea-
tria o nmero de caras em duas jogadas. Considerando C como sair cara e
K como sair coroa, os possveis resultados so:
RESULTADOS
VALOR DA VARIVEL ALEATRIA
(SAIR CARA)
PROBABILIDADE
DO RESULTADO
C C 2 x =
C K 1 x =
K C 1 x =
K K 0 x =
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
90 - 91
III
A distribuio de probabilidades fcar:
VALOR DA VARIVEL
ALEATRIA (SAIR CARA)
PROBABILIDADE DO
RESULTADO
0
1 + = 2/4
2
Total 1,0
Para cada possvel evento associamos um nmero e, em seguida, montamos o
modelo probabilstico. Assim, conhecemos a distribuio de probabilidades que
essa varivel aleatria (v.a.) segue.
DISTRIBUIES DISCRETAS DE PROBABILIDADE
Existem experimentos cujos resultados, refetidos em uma varivel aleatria,
seguem um comportamento previsvel em relao s suas probabilidades de ocor-
rncia, e, portanto, podem ser modelados por uma equao especfca.
Dentre as principais distribuies discretas, se destacam a Distribuio de
Bernoulli, Distribuio Binomial e Distribuio de Poisson.
Distribuio de Bernoulli
A distribuio de Bernoulli consiste em uma distribuio em que a varivel ale-
atria assume apenas dois possveis resultados: sucesso (o evento se realiza) ou
fracasso (o evento no se realiza).
Exemplos:
Lanamento de uma moeda: o resultado cara ou no.
Uma pea escolhida ao acaso: o resultado defeituosa ou no.
Distribuies Discretas de Probabilidade
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
90 - 91
Uma cidade tem esgotamento sanitrio: sim ou no.
Deve fcar claro que nem sempre o que bom o sucesso, mas sim o que se
est estudando o sucesso. Assim, o fato da pea ser defeituosa, por exemplo,
seria o sucesso da pesquisa em si.
Em todos os casos temos que defnir uma varivel aleatria X que s assuma
dois possveis valores: 1 em caso de sucesso e 0 em caso de fracasso. Seja p a pro-
babilidade de sucesso e q a probabilidade de fracasso, com p + q = 1.
Defnindo a seguinte varivel discreta: X: nmero de sucessos em uma nica
tentativa do experimento. A funo de probabilidade de Bernoulli dada por:
P(X = x) = p
x
. q
1 x
P(0) = P(X = 0) = q = 1 p
P(1) = P(X = 1) = p
Tambm, Esperana (mdia): E(X) = p e Varincia: Var(X) = p(1 p) = p.q
Exemplo: supondo que a probabilidade de venda amanh seja de 0,8.
Seja a varivel aleatria vender temos que:
P(X = 0) = 1 0,8 = 0,2
P(X = 1) = 0,8
E(X) = 0,8
Var (X) = 0,8(1 0,8) = 0,16
Desvio padro =
Distribuio Binomial
Um experimento Binomial aquele que consiste em uma sequncia de n ensaios
idnticos e independentes. Cada tentativa pode resultar em apenas dois resul-
tados possveis: sucesso e fracasso e a probabilidade de sucesso constante de
uma tentativa para outra.
Exemplos:
Lanamento de uma moeda 5 vezes e observarmos o nmero de caras.
10 peas so escolhidas ao acaso e observarmos as falhas;
5 cidades so observadas quanto ao acesso a rede de internet.
Designando por X: o nmero total de sucessos em n tentativas, com probabi-
lidade p de sucesso, sendo 0 < p < 1. Os possveis valores de X so 0, 1, 2,....n e
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
92 - 93
III
os pares (x, p(x)), em que p(x) = P(X = x), constituem a distribuio Binomial
de modo que :
P(X = k) =
k n k.
.q p
k
n
|
|
.
|
\
|
P(X = k) =
Em que:
k = nmero de sucessos.
n = nmero de elementos da amostra.
p = probabilidade de sucesso.
q = probabilidade de fracasso.
A mdia e a varincia de uma distribuio binomial so dadas por:
E(x) = np
Var (x) = npq
Exemplos:
Um processo industrial na fabricao de monitores opera com mdia de 5%
de defeituosos. Baseado em amostras de 10 unidades, calcule as probabilidades
de uma amostra apresentar:
a) a) Nenhum monitor com defeito
P(x = 0) = = 0,598 ou 59,8%
Observe que:
n = 10
k = 0
p = 5% ou 0,05
q = 1 0,05 = 0,95
Distribuies Discretas de Probabilidade
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
92 - 93
Aps a retirada dos dados, basta ento que joguemos esses valores na frmula.
Vejamos um outro exemplo:
b) 3 monitores com defeito
P(x = 3) = = 0,010 ou 1%
c) Pelo menos 9 monitores terem defeito
P(x 9) = P(x = 9) + P(x =10)
P(x = 9) = = 1,85 x 10
11
P(x = 10) = = 9,76 x 10
-14
P(x 9) = 1,85 x 10
11
+ 9,76 x 10
-14
= 1,86 x 10
-11
ou 0,0000000000186 ou
0,00000000186%
d) No mximo 2 monitores com defeito
P(x 2) = P(x = 0) + P(x = 1) + P(x = 2)
P(x = 0) = = 0,598 ou 59,8%
P(x = 1) = = 0,315 ou 31,5%
P(x = 2) = = 0,074
P(x 2) = 0,598 + 0,315 + 0,074 = 0,987 ou 98,7%
A mdia e a varincia de monitores defeituosos sero:
E(X) = 10 x 0,05 = 0,5
Var (X) = 10 x 0,05 x 0,95 = 0,475
Desvio padro = 0,689
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
94 - 95
III
Distribuio de Poisson
A distribuio de Poisson frequentemente til para estimar o nmero de ocor-
rncias sobre um intervalo de tempo ou de espaos especfcos. A probabilidade
de uma ocorrncia a mesma para qualquer um dos dois intervalos de igual
comprimento e a ocorrncia ou no em um intervalo independente da ocor-
rncia ou no em qualquer outro intervalo.
Exemplos:
Nmero de chamadas telefnicas durante 10 minutos.
Nmero de falhas de uma mquina durante um dia de operao.
Nmero de acidentes ocorridos numa semana.
Nmero de mensagens que chegam a um servidor por segundo
Defeitos por m etc.
Dizemos que a varivel aleatria tem distribuio de Poisson com parme-
tro > 0 se:
P (X) =
! k
e
k

, k = 0, 1, 2,... em que:
P(X) = probabilidade de X ocorrncias em um intervalo
= nmero esperado de ocorrncias em um intervalo
e = constante matemtica (aproximadamente 2,71828)
X = nmero de sucessos por unidade
O valor mdio pela distribuio de Poisson dado pela sua esperana em que:
E(X) =
A varincia para a distribuio de Poisson dada por:
Var (X) = ,
Sendo que representa o nmero mdio de eventos ocorrendo num intervalo
considerado.
Vale ressaltar que a Distribuio de Poisson no tem um limite superior, ou
seja, o nmero de ocorrncias x pode assumir uma infnita sequncia de valores.
Exemplos:
1. Um departamento de polcia recebe 5 solicitaes por hora em mdia
relacionadas a crimes cometidos. Qual a probabilidade de receber:
Distribuies Contnuas de Probabilidade
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
94 - 95
a) 2 solicitaes em uma hora selecionada aleatoriamente?
P (X) =
! 2
5 . 71828 , 2
2 5
= 0,0842 ou 8,42%
b) No mximo 2 solicitaes em uma hora selecionada aleatoriamente?
P (X 2) =P(x = 0)+ P(x = 1) + P(x = 2)
P(x = 0) =
! 0
5 . 71828 , 2
0 5

= 0,0068 ou 0,68%
P(x = 0) =
! 1
5 . 71828 , 2
1 5
= 0,034 ou 3,4%
P (X) =
! 2
5 . 71828 , 2
2 5
= 0,0842 ou 8,42%
P (X 2) = 0,0068 + 0,034 + 0,0842 = 0,125 ou 12,5%
2. Em um posto de gasolina sabe-se que em mdia 10 clientes por hora
param para colocar gasolina em uma bomba. Pergunta-se:
a) Qual a probabilidade de 3 clientes pararem qualquer hora para abastecer?
P (X) = = 0,0076 ou 0,76%
b) Qual o valor esperado, a mdia e o desvio padro para esta distri-
buio?
Valor mdio = E(X) = 10
Varincia = Var (x) = 10 Desvio padro =
DISTRIBUIES CONTNUAS DE PROBABILIDADE
As variveis aleatrias contnuas so aquelas que assumem qualquer valor num-
rico em um intervalo de nmeros reais. Como este tipo de varivel pode assumir
infnitos valores dentro de um intervalo e, por consequncia, infnitos valores
de probabilidade, no faz sentido tratar as variveis contnuas da mesma forma
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
96 - 97
III
que so tratadas as variveis discretas.
Por exemplo, supondo que quisssemos calcular a probabilidade de, em um
grupo, uma pessoa ter 170 cm de altura. Observe que a varivel aleatria agora
a altura e X pode assumir qualquer valor entre 0 e infnito. Assim, se cada ponto
fosse uma probabilidade, iramos obter probabilidades com valores tendendo a
zero. O valor para probabilidade citada no exemplo seria 1/. Assim, para cal-
cular a probabilidade X, usamos o artifcio de que X esteja compreendido entre
dois pontos quaisquer. Exemplo: podemos calcular a probabilidade de um indi-
vduo medir entre 160 cm e 180 cm. Podemos fazer isso por meio da construo
de um histograma, como pode ser visto abaixo:
Com o conhecimento da rea na qual o intervalo 160 180 est compreendido
sabemos a probabilidade correspondente de um indivduo ter entre 160 cm e
180 cm. Para o clculo da rea usamos o artifcio matemtico chamado de inte-
gral. Assim, defnidos dois pontos [a, b], a probabilidade da varivel estar entre
a e b dado por:
P(a X < b) =
A funo ) (x f chamada densidade de probabilidade (f.d.p) da varivel ale-
atria X. Assim, podemos construir modelos tericos para variveis aleatrias
contnuas, escolhendo adequadamente as funes densidade de probabilidade.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
96 - 97
Distribuio uniforme
A Distribuio Uniforme uma das mais simples de se conceituar. usada em
situaes em que a funo densidade de probabilidade constante dentro de um
intervalo de valores da varivel aleatria X.
Usualmente, associamos uma distribuio uniforme a uma determinada
varivel aleatria, simplesmente por falta de informao mais precisa, alm do
conhecimento do seu intervalo de valores. A fgura abaixo representa a funo
dada.
Sendo que:
f(x) =
As frmulas para o valor esperado e para a varincia so:
E(x) =
2
b a +
Var (x) =
Distribuio Exponencial
A Distribuio Exponencial de Probabilidade uma distribuio contnua muito
til para descrever o tempo que se leva para completar uma tarefa.
A funo densidade de probabilidade que identifca uma varivel expo-
nencial :
f(x) = , x > 0 sendo que:
= mdia
x = tempo
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
98 - 99
III
A esperana e varincia de x so dadas por:
E(x) =
Var (x) =
Considere o exemplo:
Em uma grande empresa de computadores, as conexes dos usurios ao sis-
tema tm mdia de 20 conexes por hora. Qual a probabilidade de no haver
conexes em um intervalo de 0,6 minutos?
6 minutos = 0,1 hora...assim,
F (x> 0,1) = 2,71
-20.0,1
= 0,136
A esperana e a varincia x sero dadas por:
E(x) = = 0,05 ou 3,0 minutos
Var(x) = = 0,0025 Desvio padro = = 0,05 horas ou 3,0
minutos.
Observe que a probabilidade de no haver conexo no intervalo de 6 minutos
0,136 independente do tempo inicial do intervalo, pois o processo supe que
os eventos ocorram uniformemente por meio do intervalo de observao, no
ocorrendo agrupamentos de eventos. Assim, a probabilidade de ocorrncia da
primeira ligao aps 12:00 ser depois de 11:06 a mesma probabilidade de
conexo depois das 12:00 ocorrer aps 12:06.
Distribuio Normal de Probabilidade
A distribuio de probabilidade contnua mais importante e mais utilizada na
prtica a Distribuio Normal. A forma desta distribuio ilustrada por uma
curva em forma de sino, cujo ponto mais alto est na mdia, que tambm a
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
98 - 99
mediana e a moda da distribuio. Seu formato simtrico em relao mdia
e seus extremos se estendem ao infnito em ambas as direes e teoricamente
nunca tocam o eixo horizontal.
O desvio-padro determina a curva, curvas mais largas e planas resultam de
valores maiores de desvio-padro, mostrando maior variabilidade dos dados.
Tambm, a rea total sob a curva para a Distribuio Normal 1.
Para simplifcar a notao de uma varivel aleatria com distribuio nor-
mal, com mdia e varincia utiliza-se:
X ~ N(, s
2
)
Dizemos que a varivel aleatria X tem distribuio normal com parme-
tros m e s
2
se sua densidade dada por:
f(x) =
2 2
2 / ) (
2
1

x
e
e = constante matemtica (aproximada por 2,71828)
= constante matemtica (aproximada por 3,14159)
= mdia aritmtica da populao
= desvio padro da populao
x = qualquer valor da varivel aleatria contnua onde - < X <
Enquanto a Distribuio Discreta de Poisson fornece uma descrio do n-
mero de ocorrncias por intervalo, a Distribuio Exponencial Contnua de
probabilidade fornece uma descrio do comprimento do intervalo entre as
ocorrncias.
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
100 - 101
III
Distribuio Normal Padro
Para calcular P(a X b) quando X uma varivel aleatria normal com par-
metros e , devemos calcular:
Quando uma varivel aleatria tem uma distribuio normal com mdia zero e
desvio-padro 1, tem uma distribuio normal padro de probabilidade.
Nenhuma das tcnicas de integrao padro pode ser usada para calcular a
integral acima. Assim, quando = 0 e = 1, esta expresso foi calculada e tabu-
lada para valores determinados de a e b. Nesta tabela se entra com a varivel
reduzida ou varivel padronizada Z e se encontra f(Z) ou vice-versa.
A partir dessas integrais obtidas numericamente e utilizando a curva nor-
mal padronizada podemos obter as probabilidades por meio de tabelas prontas
que mostram a rea sob a curva normal correspondente. A tabela para utiliza-
o das probabilidades mostrada abaixo:
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
100 - 101
Vale ressaltar, que tabelas com diferentes integrais calculadas podem ser encon-
tradas. A tabela acima fornece sempre a seguinte rea sob a curva.
A tabela anterior retorna a probabilidade de ocorrncia de um evento entre 0 e z.
Na margem esquerda h o valor de z com uma decimal e, se for necessrio con-
siderar a segunda decimal, deve-se procur-la na margem superior.
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
102 - 103
III
Exemplos:
Para calcular a probabilidade de z entre 0 e 1, procuramos na margem
esquerda a linha que tem z = 1,0 e a coluna 0,00, e encontramos o valor
0,3413. Isto signifca que a probabilidade de encontrar um valor de x entre
a mdia zero e z = 1,0 0,3413, ou 34,13%.
Por outro lado, para se obter a probabilidade de z maior que 1, calcula-
mos a probabilidade de z entre 0 e 1, que 0,3413, e a seguir fazemos 0,5
- 0,3413 = 0,1587, ou 15,87%.
Para se obter a probabilidade de z entre 0 e 1,87, procuramos a clula cuja
linha 1,8 e coluna 0,07. O resultado o valor 0,4693 ou 46,93%.
Valores procurados abaixo da mdia, ou seja, abaixo de 0, iro aparecer
como negativo, porm observe que na tabela no h valores negativos.
Como a curva simtrica, valores negativos so equivalentes aos valo-
res positivos, ou seja, a rea procurada a mesma equivalente aos valores
positivos.
Para utilizar a tabela, as variveis aleatrias x precisam ser padronizadas. A fr-
mula usada para esta converso :
z =
x
i
x
i
= ponto que se deseja converter em z
= mdia da normal original
= desvio padro da normal original
Vejamos o exemplo:
Suponha que a mdia da taxa de falhas de dados transmitida em lotes.
Sabe-se que essa caracterstica segue uma distribuio normal com mdia de 2,0
e desvio padro igual a 0,3. Calcule as seguintes probabilidades:
De tomarmos um lote ao acaso e este ter uma taxa de falhas entre 2,0 e 2,5.
Traduzindo para linguagem probabilstica queremos:
P(2,0 < x < 2,5) = ?
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
102 - 103
Primeiramente, vamos padronizar os dados.
Lembre-se que a frmula da padronizao :
Z =
x
i
e que m = 2,0 s = 0,5

Assim:
Z = 1
5 , 0
0 , 2 5 , 2
=
Z = 0
5 , 0
0 , 2 0 , 2
=
Novamente traduzimos para a linguagem probabilstica, mas agora usando os

dados padronizados:
P(2,0 < x < 2,5) = P(0 < z < 1) = 0,3413 ou 34,13%
Queremos uma rea que esteja entre 0 e 1 desvios padro.
Essa rea exatamente o que a tabela nos d. Basta olhar, como explicado
acima, no valor da linha 1,0 e na linha 0,0 e obtemos o valor 0,3413.
Assim, dizemos que a chance de tomarmos um lote que tenha uma taxa de
falhas de dados entre 2,0 e 2,5 de 34, 13%
Vamos ver outra probabilidade:
De tomarmos um lote ao acaso e ter menos que uma taxa de falhas de 2,5.
P(x < 2,5) = P(z < 1) = 0,5 0,3413 = 0,1587 ou 15,87%
De tomarmos um lote ao acaso e ter mais que uma taxa de falhas de 2,5.
P(x > 2,5) = P(z > 1) = 0,5 + 0,3413 = 0,8413 ou 84,13%.
De tomarmos um lote ao acaso e ter uma taxa de falhas entre 1,25 e 2,0
falhas.
P(1,25 < x < 2,0) = P(-1,5<z<0) = 0,4332 ou 43,32%
Observe que a rea desejada est entre a mdia (0) e 1,5 desvios abaixo da
mdia. Olhamos no 1,5 na linha e no 0 na coluna que me dar a rea entre 0 e
1,5 equivalente a rea entre 1,5 e 0.
PROBABILIDADES
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
104 - 105
III
De tomarmos um lote ao acaso e este ter uma taxa de falhas entre 1,25 e 2,5
P(1,25 < x < 2,5) = P(-1,5 < z < 1) = 0,4332 + 0,3413 = 0,7745
Observe que quando olhamos no valor 1,5 na tabela, estamos tomando a rea
entre 0 e 1,5; quando olhamos no 1 na tabela, estamos tomando a rea entre 0 e
1. Se somarmos as duas reas, ento temos a rea compreendida entre 1,5 e 1,0
que condizente com os valores de lotes com falhas entre 1,25 e 2,5.
CONSIDERAES FINAIS
Vimos nesta unidade a importncia das probabilidades no nosso cotidiano.
A teoria das probabilidades tenta quantifcar a noo de provvel sendo
uma ferramenta estatstica de grande utilidade quando se trabalha com in-
meros eventos relacionados a pesquisas em empresas, rgos governamentais
e instituies de ensino. Essa ferramenta lida com as chances de ocorrncias de
algo que vai acontecer e ento dizemos que ela lida com fenmenos aleatrios.
Portanto, necessrio conhecer o material de estudo para poder calcular essas
chances ou probabilidades de maneira correta e ento tomarmos nossas deci-
ses com base em nossas estimativas.
Um efeito importante da teoria da probabilidade no cotidiano est na avalia-
o de riscos. Normalmente, governos, por exemplo, esto utilizando processos
envolvidos em probabilidades para suas tomadas de decises. Uma aplicao
importante das probabilidades a questo da confabilidade como, por exemplo,
no lanamento de algum produto, nas chances dos mesmos falharem.
Para inferir sobre probabilidades necessrio saber com que tipo de vari-
vel aleatria est sendo trabalhado. Cada varivel aleatria possui um tipo de
comportamento que chamado de distribuio de probabilidades. Isso impor-
tante, pois cada distribuio de probabilidade possui algumas caractersticas e
as mesmas devem ser respeitadas para que se possa chegar a resultados preci-
sos e ento concluses vlidas possam ser tomadas sobre aquilo que estamos
Consideraes Finais
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
104 - 105
estudando. Vimos nesta unidade os conceitos bsicos de probabilidades, a forma
clssica de calcul-la e tambm vimos as principais distribuies de probabili-
dades utilizadas.
Deve-se entender que razovel pensar ser de extrema importncia com-
preender como estimativas de chance e probabilidades so feitas e como elas
contribuem para reputaes e decises em nossa sociedade.
106 - 107
1. Explique espao amostral e eventos.
2. Uma mquina de fabricao de computadores tem probabilidade de produzir
um item defeituoso de 10%. Em uma amostra de 6 itens calcule a probabilidade
de:
a) haver no mximo um item defeituoso;
b) haver 3 itens defeituosos;
c) determine a mdia e a varincia do experimento.
3. A qualidade de CDs foi avaliada sobre a resistncia a arranhes e adequao de
trilhas. Os resultados foram:
RESISTNCIA A
ARRANHES
ADEQUAO DE TRILHAS
TOTAL
APROVADO REPROVADO
Alta 700 140 840
Baixa 100 60 160
Total 800 200 1000
Fonte: Adaptado de Barbetta et al. (2010)
Se um CD for selecionado aleatoriamente deste lote qual a probabilidade de:
a) ter resistncia alta a arranhes;
b) ter resistncia baixa a arranhes;
c) ser aprovado na avaliao das trilhas;
d) ter resistncia alta ou ser aprovado;
e) ter resistncia baixa ou ser reprovado;
f ) ter resistncia alta dado que seja reprovado;
g) ter resistncia baixa dado que seja aprovado.
4. Um sistema de banco de dados recebe em mdia 80 requisies por minuto,
segundo uma distribuio de Poisson. Qual a probabilidade de que no prximo
minuto ocorram 100 requisies? Determine a mdia e a varincia para essa
varivel aleatria.
106 - 107
5. Uma empresa de computao observou as falhas obtidas na
produo das mquinas e verifcou que, em mdia, ocorre 5
por ano e que o tempo entre falhas segue distribuio expo-
nencial. Pergunta-se:
a) Qual a probabilidade do equipamento falhar no prximo ano?
b) Qual o valor mdio esperado de falhas?
c) Qual a varincia e desvio padro para falhas?
6. A distribuio da durao de monitores pode ser aproximada
por uma distribuio normal de mdia = 6 anos e desvio pa-
dro = 2 anos. Determine a probabilidade de um monitor
durar:
a) entre 6 e 9 anos;
b) acima de 9 anos;
c) entre 4 e 9 cm;
d) acima de 4 cm.

U
N
I
D
A
D
E
IV
CORRELAO LINEAR E
REGRESSO
Conhecer o coefciente de correlao linear.
Entender associao entre duas variveis.
Saber interpretar correlao positiva e negativa.
Compreender a correlao e aplicao da correlao de Pearson.
Conhecer a utilizao da regresso linear.
Entender a predio de uma varivel por meio de outra.
Plano de Estudo
Coefciente de Correlao (r)
Aspectos Gerais da Correlao Linear
Correlao de Pearson
Anlise de Regresso
Regresso Linear Simples
110 - 111
Introduo
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
110 - 111
INTRODUO
A estatstica apresenta muitas ferramentas para descrever e analisar dados de
pesquisas. A escolha das ferramentas a serem utilizadas na pesquisa depende
dos objetivos das mesmas, bem como do tipo de varivel com a qual se trabalha.
Como visto na unidade I as variveis podem ser qualitativas e quantitativas.
Esta distino importante uma vez que as ferramentas utilizadas para um tipo
de varivel nem sempre podem ser utilizadas para o outro tipo. importante tam-
bm saber que nas pesquisas se utiliza no s uma, mas um grupo de variveis.
Em alguns casos, algumas variveis podem estar relacionadas de alguma
forma e a variao de uma depender da variao da outra.
As decises gerenciais geralmente so baseadas nas relaes entre duas ou
mais variveis. Por exemplo, aps considerar a relao entre gastos com publi-
cidade e vendas, um gerente poderia tentar prever as vendas de acordo com o
nvel de gastos com a publicidade.
O fato de duas variveis estarem ligadas permite tomar decises se baseando
em uma varivel, porm esperando resposta em outra que seja de difcil mensu-
rao ou s possa ser medida tardiamente.
Existem algumas medidas estatsticas que permitem medir o grau de associa-
o entre duas variveis. Nesta unidade iremos ver duas delas: a correlao linear
e a regresso linear. Entretanto, essas duas ferramentas s podem ser utilizadas
quando as variveis medidas so quantitativas. Assim, nesta unidade voc estar
vendo como podemos verifcar a associao entre variveis ou a dependncia de
uma varivel em funo da outra e tambm como quantifcar esta associao.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
112 - 113
IV
CORRELAO LINEAR
Em diversas situaes, o objetivo apenas estudar o comportamento conjunto
de duas variveis e verifcar se elas esto relacionadas, ou seja, saber se as altera-
es sofridas por uma das variveis so acompanhadas por alteraes nas outras.
Em estatstica, o termo correlao usado para indicar a fora que mantm
unidos dois conjuntos de valores. O estudo da correlao tem como objetivo
estudar a existncia ou no e seu grau de relao entre as variveis.
Uma medida do grau da correlao e sua direo dada pela covarincia
entre duas variveis aleatrias, mas mais conveniente medir o grau da correla-
o por meio do Coefciente de Correlao Linear de Pearson.
COEFICIENTE DE CORRELAO LINEAR DE PEARSON
O coefciente de correlao uma medida que dimensiona a correlao, repre-
sentado pela letra r e dado pela seguinte frmula:
r =
O valor de r no depende de qual das duas variveis em estudo chamada de
xe de y e independe das unidades com as quais as variveis so medidas.
A intensidade do coefciente de correlao pode variar entre -1 e 1, sendo
que quanto mais prximo de -1 ou de 1, mais forte ser a associao entre as duas
variveis e, quanto mais prximo de 0, mais fraca ser a associao. Quando r =
1, todos os pares (x, y) estaro alinhados em linha reta com coefciente angular
positivo e quando r = -1, todos os pares (x, y) estaro alinhados com coefciente
angular negativo.
Coefciente de Correlao Linear de Pearson
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
112 - 113
Quanto ao direcionamento entre as duas variveis, o coefciente de correla-
o pode ser positivo ou negativo. Se a correlao entre duas variveis for positiva
dizemos que as duas variveis variam para o mesmo sentido.
Exemplo: se sabemos que a correlao entre renda familiar e gastos com ali-
mentao positiva, podemos dizer que medida que a renda familiar aumenta,
tambm aumenta os gastos com alimentao, ou medida que a renda familiar
diminui, tambm diminuem os gastos com alimentao. Entretanto, se dizemos
que o conhecimento e tempo gasto para aprender a operar uma mquina tm
uma correlao negativa, ento podemos pensar que medida que o conheci-
mento aumenta o tempo gasto para aprender a operar uma mquina diminui
ou vice-versa.
Se o coefciente de correlao for igual a 0 dizemos que no existe associa-
o linear entre as duas variveis.
Outra forma de representao das correlaes por meio do diagrama de
disperso mostrando a variao conjunta entre as duas variveis. Observe os dia-
gramas de disperso abaixo:
Exemplo: verifque se existe correlao linear entre nmero de nascidos vivos e
taxa de mortalidade infantil na regio de Maring-PR.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
114 - 115
IV
REGIONAL DE SADE E MUNICPIOS
NASCIDOS
VIVOS *
TOTAL MENOR
DE 01 ANO
Astorga 289 6
Colorado 246 2
Floresta 68 1
Itamb 67 1
Mandaguau 251 4
Mandaguari 423 6
Marialva 378 5
Nova Esperana 423 9
Paiandu 443 4
So Jorge do Iva 59 0
Fonte: SESA/ISEP/CIDS Departamento de Sistemas de Informao em Sade
Inicialmente interessante traar um diagrama de disperso para as duas vari-
veis para nos dar uma ideia de como ocorre a variao conjunta dos dados.
T
a
x
a

d
e

m
o
r
t
a
l
i
d
a
d
e
Grfco 10: Disperso da taxa de mortalidade at 1 ano e o nmero de nascidos vivos na regio de Maring
Por meio do diagrama de disperso podemos notar que h uma variao cres-
cente entre as duas variveis.
Coefciente de Correlao Linear de Pearson
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
114 - 115
As maiores correlaes positivas e negativas so obtidas somente quando
todos os pontos esto bem prximos a uma linha reta.
O prximo passo calcular o coefciente de correlao entre as duas vari-
veis. Podemos utilizar uma tabela para organizar os dados:
CIDADE
NASCIDOS
VIVOS (X)
TAXA DE
MORTALIDADE (Y)
X.Y X
2
Y
2
Astorga 289 6 1734 83521 36
Colorado 246 2 492 60516 4
Floresta 68 1 68 4624 1
Itamb 67 1 67 4489 1
Mandaguau 251 4 1004 63001 16
Mandaguari 423 6 2538 178929 36
Marialva 378 5 1890 142884 25
Nova Esperana 423 9 3807 178929 81
Paiandu 443 4 1772 196249 16
So Jorge do Iva 59 0 0 3481 0
Soma 2647 38 13372 916623 216
Agora vamos calcular o r:
r =
Observe que o valor do coefciente de correlao foi 0,84. Assim, pode-
mos concluir que existe uma forte correlao ou associao entre o nmero de
nascidos vivos e a taxa de mortalidade antes de 1 ano de idade, uma vez que o
valor 0,84 um valor prximo de 1. Em seguida, podemos verifcar que, como
mostrado no diagrama de disperso, o valor dessa correlao positivo, ento
podemos pensar que se aumenta o nmero de nascidos vivos, tambm h um
aumento na taxa de mortalidade at 1 ano de idade.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
116 - 117
IV
Coefciente de Determinao
O coefciente de determinao expressa a porcentagem de variao dos valo-
res de Y em funo do valor X, ou seja, este coefciente mostra at que ponto
a variao conjunta dos dados de fato linear. Esse coefciente varia de 0 a 1,
sendo que quanto mais perto de 1, maior variao conjunta das duas variveis
e mais a varivel y poder ser explicada pela varivel x. O coefciente de deter-
minao dado por R2, ou seja, o smbolo do coefciente de determinao
dado por R maisculo e dado pelo valor encontrado para a correlao linear
de Pearson ao quadrado.
Utilizando um exemplo em que r = 0,84 o coefciente de determinao ser
dados por:
R
2
= 0,84
2
= 0,7056
Isso mostra que a variao conjunta dos dados boa, ou seja, a variao taxa
de mortalidade pode ser explicada pela variao no nmero de nascidos vivos.
Observe que os dados retirados pela estatstica se encaixam.
ANLISE DE REGRESSO
A anlise de regresso uma tcnica estatstica cujo objetivo investigar e des-
crever a relao entre variveis mediante um modelo matemtico. Esta relao
explorada de modo que se possam obter informaes sobre uma varivel, por
meio dos valores conhecidos das outras.
Primeiramente, preciso estudar a dependncia de uma varivel em rela-
o outra e, assim, indicar a varivel independente para o eixo x e a varivel
dependente para o eixo y. medida que a varivel independente (ou explica-
tiva) varia, provoca uma mudana na varivel dependente (ou resposta).
Aplicaes da regresso:
Estimar valores de uma varivel com base em valores conhecidos de
outra varivel.
[...] a correlao entre beber um copo de vinho por dia e a menor chance de
infarto do miocrdio um bom exemplo. Estudos recentes mostram que ela
no se deve ao vinho e ao lcool, mas sim ao betacaroteno, corante contido
na uva. Para infelicidade de muitos, tomar suco de uva d o mesmo resul-
tado que beber vinho tinto (Jornal do Brasil, 08/01/1999 apud Cntia Paese
Giacomello Probabilidade e Estatstica apostila).
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
116 - 117
Situaes em que as duas variveis medem aproximadamente a mesma
situao, mas uma delas relativamente dispendiosa ou difcil de lidar,
enquanto a outra no.
Explicar valores de uma varivel em termos da outra, isto , pode-se sus-
peitar de uma relao de causa e efeito.
Predizer valores de uma varivel para a anlise de regresso:
Resta saber como o tipo dessa relao.
REGRESSO LINEAR SIMPLES
A regresso linear simples assim chamada quando duas variveis, X e Y, (num-
ricas e contnuas), esto relacionadas linearmente isso quer dizer que medida
que X aumenta Y tambm aumenta ou medida que X aumenta Y diminui. Essa
relao dada por uma equao que chamamos de equao de regresso linear:
y= a + bx
Em que:
y = valor predito da varivel resposta.
a = constante de regresso que representa o intercepto entre a linha de
regresso e o eixo y.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
118 - 119
IV
b = coefciente linear de regresso da varivel resposta y em funo da
varivel explicativa x; inclinao da reta; taxa de mudana na varivel y
por unidade de mudana na varivel x.
x = valor da varivel explicativa.
O coefciente de regresso b fornece uma estimativa da variao esperada de y
a partir da variao de uma unidade em X (BARBETTA et al., 2010).
A partir dessa equao possvel encontrar os valores preditos para y e a
reta de regresso. Alm disso, a relao entre x e y pode ser mostrada por um
diagrama de disperso. Vejamos o diagrama de disperso abaixo mostrando a
relao entre as variveis x e y, bem como o exemplo de uma reta de regresso.
O diagrama de disperso mostra o tipo de relao que existe entre x e y e tam-
bm verifca se o modelo proposto (y = a + bx) explica bem a variao dos dados.
O modelo explicar melhor quanto mais perto dos dados ou pontos (visto no
grfco) a reta estiver.
O mtodo mais usado para ajustar uma linha reta a um conjunto de pontos
conhecido como mtodo dos mnimos quadrados que nos fornece os seguin-
tes resultados para estimarmos a e b:
b = e a = x b y
Em que x e y so as mdias de y e x, respectivamente.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
118 - 119
Exemplo:
REGIONAL DE SADE E
MUNICPIOS
NASCIDOS VIVOS *
TOTAL MENOR DE
01 ANO
Astorga 289 6
Colorado 246 2
Floresta 68 1
Itamb 67 1
Mandaguau 251 4
Mandaguari 423 6
Marialva 378 5
Nova Esperana 423 9
Paiandu 443 4
So Jorge do Iva 59 0
Nesse caso a varivel x o nmero de nascidos vivos a varivel y a taxa de mor-
talidade, uma vez que evidente que a taxa de mortalidade depende do nmero
de nascidos vivos. A partir dessa defnio necessria a estimao dos par-
metros da equao a e b.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
120 - 121
IV
CIDADE
NASCIDOS
VIVOS (X)
TAXA DE
MORTALIDADE (Y)
X.Y X
2
Astorga 289 6 1734 83521
Colorado 246 2 492 60516
Floresta 68 1 68 4624
Itamb 67 1 67 4489
Mandaguau 251 4 1004 63001
Mandaguari 423 6 2538 178929
Marialva 378 5 1890 142884
Nova Esperana 423 9 3807 178929
Paiandu 443 4 1772 196249
So Jorge do Iva 59 0 0 3481
Soma 2647 38 13372 916623
Assim, o valor de b e de a sero:
b = = 0,015
= 264,7 =3,8
a = 3,8 0,015 x 264,7 = -0,17
De acordo com o valor de b, dizemos que a cada 1 nascido vivo esperamos um
aumento (b positivo) de 0,015% na taxa de mortalidade em crianas de at 1
ano de idade.
Assim, a equao da reta de regresso dada por:
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
120 - 121
As equaes de regresso mostram as taxas de mortalidades preditas em funo
do nmero de nascidos vivos como segue:
NMERO DE NASCIDOS VIVOS (X) A + BX
59 - 0,17 + 0,015 . 59 0,715
67 - 0,17 + 0,015 . 67 0,835
68 - 0,17 + 0,015 . 68 0,85
246 - 0,17 + 0,015 . 246 3,52
251 - 0,17 + 0,015 . 251 3,595
289 - 0,17 + 0,015 . 289 4,165
378 - 0,17 + 0,015 . 378 5,5
423 - 0,17 + 0,015 . 423 6,175
443 - 0,17 + 0,015 . 443 6,475
Para cada nmero de nascidos vivos temos uma taxa de mortalidade prevista.
A representao grfca para esta situao pode ser observada no diagrama de
disperso abaixo.
Grfco 11: Diagrama de disperso para a taxa de mortalidade prevista em funo do nmero de nascidos
vivos
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
122 - 123
IV
Observe que para cada nmero de nascidos vivos foi construda uma equao
e obtido uma taxa de mortalidade prevista. No grfco 2 mostrada a reta que
descreve os dados e a ttulo de exemplifcao foi mostrado um ponto no gr-
fco em que o nmero de nascidos vivos (disposto no eixo x) foi 378 e a taxa de
mortalidade (disposta no eixo y) prevista de 5,41.
Vimos que a correlao linear de Pearson mostrou um valor alto para a rela-
o entre o nmero de nascidos vivos e a taxa de mortalidade (0,84) e que foi
verifcada uma correlao populacional acima de 0. Na anlise de regresso uti-
lizamos tambm o coefciente de determinao para verifcar a preciso da reta
de regresso e dizer se ela explica bem ou no a variao dos dados.
Como vimos:
R2 = 0,7056
A explicao para a anlise de regresso ser:
70,56% da variao observada na taxa de mortalidade explicada pela reta
de regresso. Isto mostra que a reta se aproxima bem dos pontos observados. A
reta de regresso mostra as equaes de regresso previstas e os pontos so os
valores observados.
Grfco 12: Diagrama de disperso para a taxa de mortalidade prevista e taxa de mortalidade observada em
funo do nmero de nascidos vivos
A anlise de regresso tambm pode ser feita com vrias variveis indepen-
dentes sobre uma nica varivel dependente. A esse tipo de anlise damos
o nome de anlise de regresso mltipla que muito utilizada em aplica-
es fnanceiras como renda, poupana e juros. Para ver um exemplo ler
Barbetta et al. (2010, p. 346).
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
122 - 123
Os pontos em vermelho nos mostram as taxas de mortalidade observadas.
Observe que os pontos esto prximos da reta de regresso. Isso, associado ao
coefciente de determinao, indica boa preciso de a reta linear explicar a varia-
o dos dados.
A partir da equao dada acima e tambm do diagrama de disperso podemos
fazer predies para a varivel dependente em funo da varivel independente.
Como exemplo, podemos prever a taxa de mortalidade em funo de qualquer
nmero de nascidos vivos dentro do intervalo estudado (59 a 443). Supondo
que quisssemos saber a taxa de mortalidade esperada para um nmero de 300
nascidos vivos. Se substituirmos esse valor na equao de regresso estimada
temos que:
4,33% de mortalidade esperada
No entanto, essas predies devem seguir alguns critrios:
S podemos fazer predies em casos de valores dentro do intervalo tra-
balhado para a varivel independente.
S devemos fazer essas predies caso de fato a varivel independente
explique a variao da varivel dependente.
124 - 125
Exerccios:
Resultado de um teste (de 0 a 100) sobre conhecimento (X) e tempo gasto (minutos)
para aprender a operar uma mquina (Y) para oito indivduos.
INDIVDUO TESTE (X) TEMPO (Y)
A 45 343
B 52 368
C 61 355
D 70 334
E 74 337
F 76 381
G 80 345
H 90 375
Responda:
1. Construa um diagrama de disperso entre as variveis teste e tempo.
2. Calcule os valores do coefciente de regresso linear b e do intercepto a.
3. Demonstre os valores das equaes para o tempo esperado ou previsto para todos
os valores do teste.
4. Demonstre o diagrama de disperso para as duas variveis utilizando os y preditos.
5. Demonstre o valor do tempo esperado quando o valor do teste for igual a 69.
R: 2) a = 316,462 e b = 0,548
(Retirado de: <www.inf.ufsc.br/~ogliari/arquivos/Correlacao.ppt#320,10,Slide 10>.
Acesso em: 27 dez. 2012).
Consideraes Finais
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
124 - 125
CONSIDERAES FINAIS
Estudar o grau de relacionamento entre duas variveis de grande importncia
dentro das anlises estatsticas. Para verifcar o grau de associao entre duas
variveis h necessidade de conhecer os mtodos estatsticos utilizados para tal
procedimento.
Vimos nesta unidade duas ferramentas importantes para estudar o grau
de associao entre duas caractersticas numricas: a correlao e a regresso.
Entretanto, antes de conceituarmos correlao e regresso estatstica deve-se
saber por que us-las. De forma mais simples, na estatstica, estuda-se casos com
1 varivel. No estudo de Correlao e Regresso deve-se levar em conta 2 ou
mais variveis. Dentre esse estudo o principal objetivo investigar a existncia
ou no de relao entres essas variveis, quantifcando a fora dessa relao por
meio da correlao; ou explicitando a forma dessa relao por meio da regresso.
As correlaes podem ser positivas, quando o aumento de uma varivel cor-
responde ao aumento da outra; negativas quando o aumento de uma varivel
corresponde diminuio da outra; Linear quando possvel ajustar uma reta,
que pode ser forte (quanto mais prximas da reta) ou fraca (quanto menos pr-
ximas da reta) e ainda no linear quando no possvel ajustar uma reta.
Aps estabelecida uma relao linear e uma boa correlao entre as variveis,
deve-se agora determinar uma frmula matemtica para fazer predies de uma das
variveis por meio da outra, e a essa tcnica damos o nome de anlise de regresso.
importante entender que nem sempre duas variveis esto de fato asso-
ciadas. Para isso, h necessidade da avaliao do coefciente de determinao na
anlise de regresso. tambm importante termos bom senso na hora de calcular
algumas medidas, uma vez que estamos trabalhando com frmulas matemticas
para explicar fenmenos. Assim, sempre algum valor ser extrado numerica-
mente, porm nem sempre esses valores podem ser explicados biologicamente
ou socialmente. Portanto, cabe ao pesquisador escolher quais variveis devem
participar das anlises.
Pode-se concluir que Correlao e Regresso linear so duas ferramentas de
grande importncia e aplicabilidade, dentro de vrias reas, inclusive nas reas
ligadas negcios e sua utilizao depende do conhecimento do pesquisador.
126 - 127
1. Um estudo foi desenvolvido para verifcar o quanto o compri-
mento de um cabo da porta serial de microcomputadores in-
fuencia na qualidade da transmisso de dados, medida pelo
nmero de falhas em 10000 lotes de dados transmitidos (taxa
de falha) (BARBETTA et al., 2010).
Os resultados foram:
COMPRIMENTO DO CABO (M) TAXA DE FALHA
8 2,2
8 2,1
9 3,0
9 2,9
10 44,1
10 4,5
11 6,2
11 5,9
12 9,8
12 8,7
13 12,5
13 13,1
14 19,3
14 17,4
15 28,2
Desenvolva os exerccios abaixo:
a. Explique quem a varivel independente (x) e a dependente
(y).
b. Demonstre e interprete o valor da correlao entre o compri-
mento do cabo e a taxa de falha.
c. Demonstre os valores de b e de a na anlise de regresso linear.
d. Demonstre os valores das equaes de predio (y = a + bx) para
todos os comprimentos de cabo mostrados na tabela.
e. Demonstre o diagrama de disperso entre os valores dos compri-
126 - 127
mentos dos cabos (x) e das taxas de falhas preditas ( y ).
f. Calcule e interprete o coefciente de determinao e de aliena-
o.
g. Explique a diferena entre a anlise de correlao linear e de
regresso linear.
2. Uma pesquisa foi realizada para verifcar o efeito da rea (m2)
sobre o preo de terrenos na cidade de Mogimirim-SP. Conside
a equao y = 20 + 0,5x para estimar os preos em funo da
rea. Considerando terrenos com 200, 300 e 400 m2, estime o
preo de cada terreno.
3. Sabe-se que a idade de um imvel e seu preo esto negativa-
mente correlacionados. Explique essa correlao.
4. Pode-se afrmar que existe uma correlao positiva entre o pre-
o dos imveis e o tamanho do imvel, considerando imveis
de mesmo padro. Fornea uma explicao para a correlao
citada.

U
N
I
D
A
D
E
V
A APLICABILIDADE DA
ESTATSTICA NA PESQUISA
IMOBILIRIA
Delimitar o papel da estatstica no desenvolvimento da pesquisa
cientfca.
Compreender a importncia da estatstica para a pesquisa do ramo
imobilirio.
Visualizar as principais formas de apresentao de dados estatsticos
para delimitar o perfl do consumidor.
Entender a aplicabilidade da pesquisa estatstica para a avaliao
imobiliria e para a pesquisa de mercado.
Destacar a importncia da estatstica nas tomadas de deciso do
gestor imobilirio.
Plano de Estudo
O uso da estatstica na pesquisa cientfca
A estatstica aplicada ao mercado imobilirio
Perfl do consumidor
Avaliao imobiliria
Pesquisa de Mercado
A importncia da estatstica nas tomadas de deciso do gestor
imobilirio
130 - 131
Introduo
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
130 - 131
INTRODUO
A satisfao e a confana dos clientes diante de uma proposta oferecida um
instrumento de diferenciao diante de um mercado competitivo. Dessa forma,
poder utilizar de alguns instrumentos para visualizar melhor o comportamento
e a satisfao do nosso consumidor fundamental para o sucesso de um empre-
endimento. Medidas estatsticas, se bem utilizadas, contribuem substancialmente
para este sucesso; torna vlida a suspeita de um empreendedor e atribui confana
para suposies feitas ante a um mercado que cresce a cada dia, o MERCADO
IMOBILIRIO.
Para verifcar o perfl de um consumidor ou para verifcar resultados de
pesquisas, comparar componentes etc., podemos lanar mo de artifcios esta-
tsticos simples e que contribuem muito nas tomadas de nossas decises. Esses
artifcios podem vir em forma de tabelas, grfcos, de medidas como a mdia, o
desvio padro e tantos outros instrumentos que voc aprende nesse livro e que
pode utilizar em sua vida profssional. Ser um profssional conhecedor de estats-
tica bsica, hoje em dia, de fundamental importncia e torna esse profssional
diferenciado no meio de trabalho.
Foi mostrado nas primeiras unidades algumas maneiras de utilizao da esta-
tstica no seu campo de trabalho. Neste livro constam basicamente ferramentas
da estatstica descritiva como tabelas e grfcos, medidas de posio e medidas
de disperso e ainda constam as duas principais medidas de associao que so
a correlao e a regresso linear.
A presente unidade vai abordar ento a aplicabilidade da estatstica na pes-
quisa cientfca, mais especifcamente, no setor imobilirio. Falaremos sobre o
uso da estatstica na pesquisa cientfca, sua aplicabilidade na pesquisa imobili-
ria e analisaremos um estudo de caso com uma pesquisa hipottica realizada
por uma imobiliria.
Lembre-se, a estatstica lida com incertezas e assim, podemos incorrer ao
erro. Portanto, ao se fazer uso de algum teste estatstico, a margem de erro, que
deve ser pequena, deve ser estabelecida a critrio do pesquisador.
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
132 - 133
V
A APLICABILIDADE DA ESTATSTICA NA PESQUISA
IMOBILIRIA
O uso da estatstica na pesquisa cientfca
No de hoje que a coleta e a anlise de informaes ajudam nas tomadas de
decises. Hoje, as coletas de dados ajudam no desenvolvimento de muitas ativi-
dades. Na Antiguidade, a contagem da populao ajudava a estimar os impostos
e tambm o poderio militar dos povos.
Vrios setores industriais, bem como a indstria alimentcia, por exemplo,
costuma contratar empresas especializadas para verifcar o grau de aceitao de
determinado alimento. Para isso, so feitas perguntas para os pesquisados a res-
peito de tamanho, formato, cor, sabor e textura do alimento. Dependendo do
resultado da pesquisa, a indstria analisa se deve ou no modifcar o seu pro-
duto a fm de obter uma clientela maior.
Pode-se descrever a pesquisa estatstica como um conjunto de metodologias
cientfcas aplicadas na coleta dos dados (que sero organizados e resumidos),
na anlise e interpretao e na apresentao da concluso. Essas atividades esto
sempre associadas a um planejamento, que visa quantifcar e/ou qualifcar fen-
menos coletivos para futuras tomadas de decises.
A importncia dos dados estatsticos na tomada de deciso dentro de uma
organizao fundamental para o alcance de seus objetivos. Pois a partir da coleta
de dados, permite um levantamento de prioridades e geram oportunidades de
crescimento, melhorias e minimizam os equvocos, que podem ser ocasionados
por aes tomadas a partir do senso comum.
Estes dados vo muito alm de nmeros e informaes.
Segundo Ramos (2012, on-line):
A estatstica no um ramo da matemtica onde se investigam os
processos de obteno, organizao e anlise de dados sobre uma
determinada populao. A estatstica tambm no se limita a um
conjunto de elementos numricos relativos a um fato social, nem a
nmeros, tabelas e grfcos usados para o resumo, a organizao e
apresentao dos dados de uma pesquisa, embora este seja um aspec-
to da estatstica que pode ser facilmente percebido no cotidiano. Ela
shutterstock
A Estatstica Aplicada ao Mercado Imobilirio
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
132 - 133
uma cincia multidisciplinar, que permite a anlise estatstica de
dados de um fsico.
So informaes, dados que podem ajudar na resposta de um determinado pro-
blema e ajudar na tomada de deciso sob condies de incerteza, se utilizando
destas informaes se reduz os riscos. A sua utilizao feita para otimizao
de recursos econmicos, na tomada de deciso, aumento da qualidade e produ-
tividade dentre inmeras reas.
A ESTATSTICA APLICADA AO MERCADO IMOBILIRIO
Perfl do consumidor
A estatstica muito utilizada para se traar o perfl do consumidor, seja de que
ramo for. Para os estudiosos do comportamento do cliente, importante entender
que se por um lado existe nas empresas uma viso imediatista
quanto obteno do lucro, diretamente por meio das ven-
das, por outro lado, ao trabalhar de forma direcionada as
aes de marketing, em ltima instncia, consegue-se atin-
gir objetivos de curto prazo e ainda aumentar a propenso
lealdade do consumidor quanto a marca ou a organizao
e levar recompra e indicao.
134 - 135
O Novo perfl dos Corretores de Imveis do Brasil
Eles esto mais preparados, mais jovens e
menos desiguais. Enquanto a participao
feminina e a escolaridade crescem entre
os mais de 160 mil corretores espalhados
por todo o Pas, a idade mdia desses pro-
fssionais est diminuindo. Os destaques
aparecem na edio 2011 do Perfl dos Cor-
retores de Imveis e Imobilirias do Brasil,
iniciativa do Sistema Cofeci-Creci divulgado
em primeira mo pelo Estado.
Este o terceiro levantamento realizado
pela entidade federal responsvel pela
fscalizao profssional da corretagem
de imveis. As outras duas pesquisas do
gnero foram feitas em 2005 e 1995 res-
pectivamente.
A partir de 2004, tivemos uma mudana
muito grande no mercado com a chegada
dos fnanciamentos. Houve um salto qua-
litativo e quantitativo nos profssionais,
diz o presidente do Conselho Federal dos
Corretores de Imveis (Cofeci), Joo Teo-
doro da Silva.
Para o presidente da Associao Brasileira
de Defesa dos Corretores de Imveis (ABCI),
Francisco Zagari, h 42 anos no mercado,
a maior parte dos novos trabalhadores
entrou no mercado por euforia. So cor-
retores que fcam nos plantes de vendas.
Quase 70% dos inscritos nos conselhos
regionais, de acordo com a pesquisa, esto
h menos de 10 anos na atividade, e ape-
nas 16% tm vnculos h mais de dez anos
e menos de 20.
Escolaridade. Os profssionais que se decla-
raram com ao menos formao superior
passaram de 51% em 2005 para 53,5% no
levantamento do ano passado caso do
corretor paulista Jos Antnio Macedo
Rodrigues, o Everton. Depois de uma vida
dedicada ao comrcio exterior na aviao
civil, ele enveredou pela corretagem antes
no mercado de seguros e, desde julho de
2011, no de imveis.
Pretendo seguir na rea o resto da minha
vida. Na realidade, no uma profsso que
limita pela idade, diz. Aos 55 anos, ele inte-
gra o grupo mais numeroso de profssionais
na rea: 53% de todos os corretores ouvidos
pela pesquisa tinham entre 40 e 60 anos
no momento de inscrio nos conselhos
regionais.
Mudanas. A idade mdia desses trabalha-
dores entre 2010 e 2011 fcou em 39 anos,
dois a menos do que o resultado obtido
entre 2000 e 2009, segundo o Cofeci. A
diminuio da faixa etria na categoria tem
sido tendncia nos ltimos anos. Hoje, h
pessoas que vm receber autorizao do
Creci aos 18 anos de idade. Para elas, essa
a primeira profsso, uma opo de vida.
E isso puxa a mdia para baixo, diz o presi-
dente do Conselho Regional de Corretores
de Imveis de So Paulo (Creci-SP), Jos
Augusto Viana Neto.
Os homens ainda dominam a corretagem,
mas a presena feminina cresceu desde
2005. Antes elas representavam 21% de
todos dos profssionais. Hoje, chegam a
quase 33%.
Viana Neto acredita que a postura aten-
ciosa das mulheres d a elas vantagem nas
vendas de imveis. Em 8 de maro, dia inter-
nacional da mulher, a entidade paulista
realizar uma cerimnia para a entrega de
134 - 135
inscries a alunas do curso tcnico em
negcios imobilirios necessrio para a
regulamentao trabalhista na atividade.
Sete em cada dez profssionais em ativi-
dade do Pas atuam como autnomos,
ou seja, no tm vnculo empregatcio
tradicional essa uma caracterstica da
categoria e, em geral, no causa descon-
tentamentos.
fato que, no mercado de hoje, muitos
corretores acham que tm que ter carteira,
mas tradicionalmente o corretor quer estar
livre. Quando se coloca um salrio, limita-
se o ganho, diz o presidente do Creci-SP.
A maior parte dos profssionais mostra-se
satisfeita com as perspectivas profssionais
da rea. A aprovao supera os 50% entre
os corretores consultados na pesquisa.
Mesmo com o otimismo, os represen-
tantes da corretagem ainda enxergam
desafos: Temos de consolidar a profsso
no mbito da sociedade, diz Viana Neto.
Fonte: <http://www.publicidadeimobiliaria.com/2012/02/novo-perfl-dos-corretores-de-
imoveis.html>. Acesso em: 27 dez. 2012
136 - 137
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
136 - 137
V
Avaliao imobiliria
A avaliao de imveis, sejam urbanos ou rurais, faz-se presente na maioria dos
negcios, pendncias entre pessoas, empresas ou ambos. Geralmente necessrio
avaliar imveis para a compra e venda dos mesmos, na determinao do preo
real de empresas, em atendimento legislao, na partilha de heranas, divr-
cios, no lanamento de impostos, nas hipotecas imobilirias, na demarcao de
terras, nas indenizaes, enfm, em um nmero expressivo de aes inerentes aos
relacionamentos humanos, onde o valor de um bem assume importncia crucial.
Toda vez que uma empresa necessita tomar dinheiro emprestado para inves-
timento em qualquer segmento com o intuito de aumentar os bens ou obter
capital de giro, recorre a bancos de desenvolvimento, os quais atendem a essas
solicitaes desde que o solicitante apresente garantias reais, isto , tenha bens
com valores iguais ou superiores ao valor do emprstimo. Entende-se por garan-
tias reais, imveis, mquinas e equipamentos, entre outros.
Sendo assim, toda vez que se toma capital emprestado em bancos de desen-
volvimento, h a necessidade de emisso de um laudo de avaliao do imvel,
mquina ou equipamento, para que possam denotar garantias reais. Neste trabalho
estudado o caso de avaliao do valor de imveis urbanos: casas, apartamen-
tos e terrenos.
Apesar do conceito de valor ser de difcil defnio, sujeito e suscetvel s
mudanas flosfcas, importante que sejam adotados critrios para que haja
justia na determinao do valor de bens. Desse modo, avaliar imveis pode ser
defnido como uma sequncia de operaes que tm como resultado a forma-
o de juzo sobre o valor de um imvel ou algum direito sobre ele.
Pesquisa de Mercado
A concorrncia e a competitividade esto cada vez mais acirradas e a informao
torna-se o grande diferencial entre os bons e os maus profssionais. O mercado
de hoje exige decises rpidas e seguras. A evoluo tecnolgica vem promo-
vendo uma revoluo e necessrio que voc faa o diferencial neste processo
to vasto e to rpido. A estatstica no o nico mtodo para sua tomada de
decises, mas ela contribui substancialmente e uma ferramenta fundamental
para qualquer profssional nos dias de hoje.
136 - 137 136 - 137
Setor imobilirio aposta em pesquisa de mercado
19 de Novembro de 2012
Para profssionais do setor imobilirio,
investir em pesquisa aumenta a compe-
titividade e a credibilidade.
Informao poder, afrma Henry Alster,
presidente do GRI(Global Real Estate Insti-
tute) durante entrevista no Brasil GRI 2012,
maior evento internacional do setor imobi-
lirio que acaba de acontecer em So Paulo,
Henry que conhecido como o mestre do
networking por seus eventos GRI famosos
em todo o mundo imobilirio, prossegue,
dizendo: Estamos muito felizes por ter
o patrocnio da Datastore. As pesquisas
feitas pela empresa aumentam a informa-
o sobre o mercado imobilirio de toda
a cadeia produtiva. Isso facilita o desen-
volvimento de projetos adequados ao
mercado. Esta uma grande contribuio
para o setor, conclui.
Ganho de credibilidade
A opinio de Henry compartilhada por
empresas de diferentes regies do pas
presentes no evento. Este o caso daLongi-
tude Investimentos, sediada em Indaiatuba,
interior de So Paulo. De acordo com Gon-
alo Matarazzo, diretor da Longitude, a
pesquisa desenvolvida pela Datastore
mostrou existir demanda para 720 apar-
tamentos de 2 e 3 dormitrios projetados
em Salto. O estudo contribuiu para agre-
gar incorporadores que se basearam nos
resultados do levantamento para investir,
ou seja, fez o projeto ganhar credibilidade,
afrma. Gonalo conta que a pesquisa foi
bastante abrangente. Levantou desde a
demanda total e preferncias relacionadas
s dependncias dos apartamentos, at o
valor das parcelas mais adequado ao bolso
do consumidor. Resultado O empreendi-
mento que deve ser lanado no incio de
2013 ganhou competitividade no preo.
Demanda X Oferta
Nem sempre o estudo de uma praa esti-
mula o investimento. SegundoJos Marques,
gerente executivo da Politec Incorpora-
dora, sediada em Braslia, uma pesquisa
encomendada Datastore para um empre-
endimento forada capital federal mostrou
que a demanda era pequena para o tama-
nho da oferta. O custo para entrar naquela
praa seria muito grande e o projeto foi can-
celado, comenta.
Para 2013 Marques conta que a perspectiva
da empresa lanar um empreendimento
em Braslia e dois em outras praas desde
que a pesquisa de mercado indique serem
boas opes de empreendimento. Na opi-
nio dele no possvel trabalhar no setor
imobilirio sem um estudo de mercado por-
que as perdas podem ser muito grandes. Por
isso, j indicou o servio da Datastore para
outra empresa e s lana empreendimen-
tos que apresentem boas perspectivas no
estudo de mercado.
Venda aquecida no nordeste
Pesquisa da Datastore mostra que a
demanda imobiliria no nordeste se
mantm aquecida mesmo depois da
desacelerao do mercado em So Paulo
iniciada em 2011. Prova disso foi o sucesso
em janeiro deste ano alcanado por um
138 - 139 138 - 139
condomnio fechado beiramar da Spel
Empreendimentos que est sediada em
Rio Grande do Norte. De acordo Paulo Vas-
concelos de Paula, presidente da empresa,
no existia condomnios semelhantes em
Natal, onde o projeto foi desenvolvido. Por
isso, a empresa no tinha noo do tama-
nho dos lotes. Por indicao da pesquisa
diminumos o tamanho dos lotes e tive-
mos um sucesso espetacular vendemos
80% do empreendimento no pr-lana-
mento. Segundo Paulo o sucesso no foi
surpresa para a Spel porque j conhecia
o trabalho da Datastore h algum tempo.
Outra empresa nordestina que vem inves-
tindo em pesquisa de mercado h 2 anos
a LM Participaes sediada em Recife.
De acordo com Leucio Marques, diretor
da empresa o sucesso alcanado depois
de seguir as recomendaes de um estudo
de mercado realizado h dois anos fez com
que a empresa investisse em uma nova pes-
quisa h seis meses. Novamente fomos
bem sucedidos. Por isso, acredito que este
um investimento muito bom que deve
estar na conta de todo empreendimento
imobilirio, afrma.
Novasoportunidades
De acordo com Marcus Araujo, presidente
da Datastore, h um grande potencial no
mercado imobilirio residencial a ser explo-
rado. A maior demanda para quem ganha
at 6 salrios mnimos so os imveis de
dois quartos. Acima de 6 salrios so os
imveis de trs quartos. A varanda gourmet
com ligao com a cozinha, sala de eletr-
nicos, TV, Internet, vaga extra de garagem
e reas verdes sero tendncias para 2013.
Cai em desuso dependncias de empre-
gada e reas de lazer com muitos itens que
as pessoas no usam e que geram custos
extras de condomnio. A questo o eixo
das oportunidades que est apontando
para as cidades de menor porte onde sur-
gem novas oportunidades geradas pelas
classes emergentes.
Fonte: <http://www.datastore.com.br/2012/11/19/setor-imobiliario-aposta-em-pesquisa-
de-mercado/>.
Acesso em: 27 dez. 2012.
shutterstock
A Estatstica Aplicada ao Mercado Imobilirio
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
138 - 139 138 - 139
A importncia da estatstica nas tomadas de deciso do gestor
imobilirio
Para todo e qualquer gestor imobilirio, faz-se necessrio a utilizao de um
sistema automatizado de coleta de dados para compor a tomada de deciso, e
a partir destas, recorrer s vrias formas de processamento e anlise de dados,
facilitando o estudo e interpretao para o processo decisrio.
Segundo Zeleny (1994 apud GOMES; ALMEIDA, 2002) a tomada de deci-
so um esforo para tentar solucionar problemas de objetivos confitantes, cuja
presena impede a existncia da melhor soluo e conduz a procura do melhor
compromisso.
Segundo Zeleny (1994 apud GOMES; ALMEIDA, 2002) a tomada de deci-
so um esforo para tentar solucionar problemas de objetivos confitantes, cuja
presena impede a existncia da melhor soluo e conduz a procura do melhor
compromisso.
Pois dentro das empresas as decises podem estar ligadas a uma oportuni-
dade de ganhos e percas. O fato de possuir dados estatsticos auxilia na tomada
de deciso e, consequentemente, reduz os custos da organizao.
Fonte: <http://rekadu.com.br/?p=143>
140 - 141
PESQUISA HIPOTTICA
Considere uma situao exemplo e que servir para todo o nosso trabalho
conclusivo.
Suponha uma pesquisa feita em uma imobiliria (hipottica) que deseja fazer
um levantamento de seus imveis disponveis. Foram observados 15 imveis
desta imobiliria. Aps a coleta voc disponibiliza esses dados em uma plani-
lha da seguinte maneira:
IMVEL
TIPO DE
IMVEL
BAIRRO
IDADE
(ANOS)
PREO
(MIL R$)
1 Casa Coqueiros 5 250
2 Apartamento Coqueiros 10 180
5 Apartamento Estreito 6 200
8 Casa Estreito 10 160
12 Casa Estreito 2 260
Fonte: Imobiliria Casa Nova Curitiba - PR
140 - 141
Como objetivo deste trabalho, queremos conhecer o perfl dos imveis desta
imobiliria. Se voc olhar para a tabela acima, vai verifcar que existem muitas
informaes e precisamos deixar claro o que est ocorrendo com nossa pesquisa.
Se quisermos descrever este conjunto de dados, podemos lanar mo de alguns
artifcios estatsticos. Observe que a caracterstica Tipo de imvel e Bairro so
variveis qualitativas. Vamos fazer uma tabela e um grfco para essas variveis
conjuntamente.
TIPO DE IMVEL
BAIRRO
COQUEIROS ESTREITO
Casa 5 (33,3%) 2 (13,3%)
Apartamento 3 (20%) 5 (33,3%)
Tabela 15: Caracterizao dos imveis disponveis na imobiliria Casa Nova Curitiba-PR quanto ao Tipo
e Bairro
Fonte: Imobiliria Casa Nova Curitiba - PR
Observe que eu coloquei um ttulo na tabela e a fonte de onde foram retiradas as
informaes. bastante til na interpretao de tabelas, alm da contagem dos
valores, a incluso da porcentagem. Mas como foi feita essa porcentagem? A por-
centagem se faz por regra de trs. Est lembrado? Vou mostrar melhor, observe:
15 ___________100%
3____________x
logo, x = 3 x 100 = 20%
15
E assim voc fazer para o restante dos nmeros ok!
A porcentagem til ao se comparar tabelas ou pesquisas diferentes. Quando
o conjunto de dados tem nmero de elementos diferentes, a comparao pela
contagem pode resultar em afrmaes erradas, j pela porcentagem no, pois
os porcentuais totais so iguais (100%).
Se fssemos fazer uma tabela simples, apenas com uma varivel, faramos
basicamente a mesma coisa: contaramos cada item e depois calcularamos a
porcentagem.
Podemos agora fazer um grfco para ilustrar melhor nossa pesquisa.
142 - 143
Lembre-se: um grfco para uma varivel qualitativa pode ser o de colunas o de
barras ou o de setores (pizza). Voc deve escolher aquele que se adapta melhor
a sua pesquisa.
Figura 1: Caracterizao dos imveis disponveis na imobiliria Casa Nova Curitiba-PR quanto ao Tipo e
Bairro
Fonte: Imobiliria Casa Nova Curitiba-PR
Eu usei para descrever os imveis desta imobiliria um grfco de colunas e
observe que coloquei o ttulo abaixo dele, seguindo as normas ABNT, e a fonte
abaixo do ttulo.
Agora vamos fazer uma concluso da tabela e do grfco apresentados.
Observa-se que no bairro Coqueiros h uma maior quantidade de imveis resi-
denciais e que esta situao se inverte no bairro estreito onde a maior parte dos
imveis so apartamentos.
Para as variveis idade e preo temos que ter certo cuidado, pois vamos cons-
truir as classes de dados. Vamos ver como funciona com a varivel preo ok!
Primeiro calculamos a Amplitude das Classes.
Amplitude das classes = maior valor menor valor
N de classes (k)
AC = 280 130 = 50
3
3 classes foi um nmero de classes escolhido por ser um nmero razovel, con-
siderando-se 15 observaes. Se houver muitas classes, o resumo no constituir
142 - 143
grande melhoria com relao aos dados brutos. Se houver poucas, muitas infor-
maes se perdero. A variao dentro das classes chamada de Amplitude das
classes e a igualdade dessa variao no uma regra, porm, essa igualdade faci-
lita as comparaes entre as classes.
CLASSES CONTAGEM (N) %
130___180 6 40
180___230 5 33,33
230___280 4 26,67
Tabela 2 Caracterizao dos imveis disponveis na imobiliria Casa Nova Curitiba-PR quanto ao Preo
Como eu citei na introduo as classes so construdas com a AC. Na primeira
classe o 1 nmero (130) o menor deles e o 2 (180) dado por 130 + 50,
sendo 50 a AC. Na segunda classe eu repeti o 180 e a ele acrescentei o 50, na
terceira classe eu repeti o 230 e acrescentei o 50. Observe que a terceira classe
fechou com o maior nmero (280). Para fazer a contagem, eu fui at a tabela 1
e contei quantos preos existiam de 130 a 180, porm eu no contei o 180 na
primeira classe, eu o contei na segunda classe. Voc sempre ter que padro-
nizar isso quando um nmero aparecer duas vezes. E assim tambm foi feito
para as segunda e terceira classes. Para calcular a porcentagem usei o proce-
dimento da regra de trs simples.
144 - 145 144 - 145
Agora, vou representar isso que acabei de fazer por meio de um histograma
que o grfco adequado para este conjunto de dados.
Figura 2: Caracterizao dos imveis disponveis na imobiliria Casa Nova Curitiba-PR quanto ao Preo
Observe que a maior parte dos imveis est na faixa dos R$ 130 a 180 mil. 73,33%
correspondem a imveis custando entre R$ 130 a 230 mil, e uma menor parte
custando entre R$ 230 a 280 mil.
Assim, a pesquisa est caracterizada e descrita por meio de um grfco e de
uma tabela. Voc poder ser criativo na construo desses dois artifcios estats-
ticos. Invente, use cores, faa novos grfcos, crie novas tabelas!
De forma geral, a tabela resume as observaes. Os grfcos so formas de
apresentao das informaes da varivel em estudo. Este um recurso que repre-
senta uma varivel e o que est ocorrendo dentro dela. muito utilizado nos
meios televisivos ou cientfcos. O fato de grfcos serem recursos amplamente
utilizados decorre da capacidade de refetir rapidamente o padro dos dados
amostrados. Entretanto, os grfcos fornecem menos detalhes que as tabelas,
porm, a compreenso global dados mostrados por meio de um grfco mais
rpida. Na montagem de um grfco voc deve lembrar que o mesmo deve ter
simplicidade e veracidade nas informaes.
Consideraes Finais
R
e
p
r
o
d
u
o

p
r
o
i
b
i
d
a
.

A
r
t
.

1
8
4

d
o

C
d
i
g
o

P
e
n
a
l

e

L
e
i

9
.
6
1
0

d
e

1
9

d
e

f
e
v
e
r
e
i
r
o

d
e

1
9
9
8
.
144 - 145 144 - 145
CONSIDERAES FINAIS
Como j sabemos, caro(a) aluno(a), a estatstica uma parte da Matemtica
Aplicada que fornece mtodos para coleta, organizao, descrio, anlise e
interpretao de dados e para a utilizao dos mesmos na tomada de decises.
A Unidade V abordou a aplicabilidade da estatstica na pesquisa imobiliria.
Atualmente, as informaes chegam at ns rapidamente e no podemos
deixar de pensar o quanto a Estatstica til para quem precisa tomar decises.
O mundo passa por transformaes econmicas, polticas e sociais que tm nos
levado a adotar estratgias para elevar a qualidade dos nossos trabalhos. Essas
transformaes esto ocorrendo mundialmente devido globalizao verif-
cando-se inovaes tecnolgicas fazendo com que tenhamos um mundo cada
vez mais competitivo.
Nesse sentido, a estatstica aparece como suporte na compreenso dos fatos,
dando base para o seu entendimento e compreenso adequada dos mesmos.
Assim, podemos dizer que importante conhecermos a estatstica, de onde ela
surgiu, seus mtodos e aplicaes no mundo atual, pois isso enriquece nosso
conhecimento e aumenta nosso poder de discusso perante o meio em que
vivemos.
Entenda como ocorre a Valorizao dos Imveis e como a estatstica contribui em tal
anlise.
<http://www.youtube.com/watch?v=NKUIJljPyEE>.
146 - 147 146 - 147
1. Discorra sobre a importncia da estatstica para a pesquisa cientfca.
2. Pesquise e cite exemplos de estudos desenvolvidos no mercado imobilirio, que
tiveram a estatstica como base para a interpretao dos dados.
3. Extraia do estudo de caso exposto na Unidade V, que variveis e clculos estats-
ticos foram utilizados.
4. Descreva qual a contribuio da pesquisa imobiliria para este segmento
146 - 147
CONCLUSO
146 - 147
Caro(a) aluno(a)!
Este material foi feito para contribuir com seu processo de formao enquanto pes-
quisador ou mesmo enquanto analista.
Tratamos de alguns pontos importantes no ensino da estatstica. O primeiro ponto
tratou da importncia da estatstica, seus conceitos e da aplicao de algumas de
suas ferramentas. A estatstica se preocupa com dados. Em qualquer pesquisa seja
ela de ordem observacional ou experimental, pesquisas eleitorais ou sobre aceita-
o de algum produto, pesquisas comparativas, dentre tantas outras, utilizamos a
estatstica.
Outro ponto visto em nosso material foram as formas de apresentao dos dados
estatsticos. Basicamente, foi mostrada a estruturao e interpretao de grfcos e
tabelas. Essas duas ferramentas estatsticas so valiosas. Basta abrirmos uma revista
ou jornal para observar alguma tabela ou grfco mostrando a sntese de alguma
pesquisa realizada. Assim, de grande utilidade entender o processo de construo
bem como o de anlise de uma fgura ou de uma tabela que trazem informaes
importantes sobre pesquisas que so feitas no Brasil e no mundo.
A estatstica descritiva foi vista como uma rea da estatstica que tem como objetivo
bsico sintetizar uma srie de valores de mesma natureza, permitindo que se tenha
uma viso global da variao desses valores, organizando e descrevendo os dados
de trs maneiras: por meio de tabelas, grfcos e medidas resumo.
Em geral voc pde perceber que a Estatstica Descritiva utilizada na etapa inicial
da anlise quando tomamos contato com os dados pela primeira vez. Dados que
constituem a matria-prima do estudo e so informaes coletadas a partir de um
conjunto de elementos que possuem alguma caracterstica em comum. Para expli-
car como isso ocorre, a Unidade I abordou fatores importantes sobre a populao
e a amostra.
Primeiramente conceituamos o termo varivel, como o conjunto de resultados pos-
sveis de um fenmeno. Como em qualquer estudo estatstico, pretende-se pesqui-
sar uma ou mais caractersticas dos elementos de alguma populao, denominada
como um conjunto de indivduos com caractersticas comuns, sendo a amostra um
subconjunto fnito de uma populao. Mas, para as inferncias serem corretas, ne-
cessrio garantir que a amostra seja representativa da populao, isto , a amostra
deve possuir as mesmas caractersticas bsicas da populao, no que diz respeito ao
fenmeno que desejamos pesquisar. preciso, pois, que a amostra ou as amostras
que vo ser usadas sejam obtidas por processos adequados.
Defnidos a amostra e os elementos participantes desta, bem como de posse dos
dados, resta defnir as tcnicas adequadas para a representao dos dados e como
transform-los em observaes claras.
Abordamos tambm o conceito e as especifcidades das sries estatsticas, defnidas
CONCLUSO
148 - 149
como toda tabela que apresenta a distribuio de um conjunto de dados estatsti-
cos em funo da poca, do local ou da espcie.
O texto nos levou a compreender tambm que a pesquisa estatstica pode abranger
anlises de pocas especfcas, locais especfcos ou at mesmo de categorias distin-
tas. No mercado imobilirio, por exemplo, podemos analisar dados dos preos dos
imveis em um perodo especfco, em uma regio especfca ou at mesmo tipos de
imveis especfcos (casas/apartamentos).
Como j deve ter observado, por mais diversa que seja a fnalidade que se tenha em
vista, os dados devem ser apresentados sob forma adequada tabelas e grfcos
tornando mais fcil o exame daquilo que est sendo objeto de tratamento esta-
tstico. Portanto a organizao dos dados em tabelas de frequncia uma maneira
efcaz de se analisar o comportamento das caractersticas de interesse, podendo
inclusive obter melhor visualizao por meio de grfcos.
Vimos a defnio de grfco como um recurso visual da estatstica usado para re-
presentar um fenmeno. Foi destacada no decorrer do texto, a capacidade que os
grfcos tm de refetir padres gerais e particulares do conjunto de dados em ob-
servao, com facilidade de interpretao e a efcincia com que resume tais in-
formaes. Isso justifca sua utilizao em larga escala pelos diferentes meios de
comunicao.
Conclumos com as informaes e caractersticas apresentadas que os grfcos for-
necem menos detalhes do que as tabelas, mas permitem uma compreenso geral
dos dados, evidenciando aspectos importantes da pesquisa. Conforme o perfl das
informaes e o gosto do pesquisador, podemos utilizar os diferentes formatos de
grfcos apresentados nesta unidade. Bom, portanto, caro(a) aluno(a), o pesquisa-
dor dever sempre utilizar recursos visuais, dentre os vrios apresentados, para faci-
litar o entendimento dos resultados da pesquisa.
Conclumos nesta Unidade que uma distribuio de frequncia um mtodo de
grupamento de dados em classes, ou intervalos, de tal forma que se possa determi-
nar o nmero ou a percentagem de observaes em cada classe, sendo que o n-
mero ou percentagem em uma classe chama-se frequncia de classe. Observou que
uma distribuio de frequncia pode ser apresentada sob forma grfca ou tabular?
Para melhor visualizao e entendimento do que vem a ser uma distribuio de fre-
quncia, foram abordados os conceitos de classes de frequncia, limites de classes
e amplitude ou intervalo de classes, importantes para a aplicabilidade da pesquisa
estatstica, seja no mercado imobilirio ou em outro qualquer.
Portanto, prezado(a) aluno(a), o processo de construo de uma distribuio de fre-
quncia para determinado conjunto de dados depende do tipo de dados em es-
tudo. O tratamento dos dados a prxima fase, aps a coleta e organizao dos
mesmos.
Vimos na Unidade II como as tendncias caractersticas de cada distribuio po-
CONCLUSO
148 - 149
dem ser apresentadas por meio de nmeros e de elementos tpicos da distribui-
o. Para tanto, abordamos as diferentes medidas de posio, de variabilidade ou
disperso.
Como foi visto anteriormente, podemos sintetizar um conjunto de observaes em
alguns valores representativos como mdia, mediana, moda e quartis. Em vrias si-
tuaes, torna-se necessrio visualizar como os dados esto dispersos e para isso
estudamos as medidas de disperso ou variabilidade na segunda Unidade.
Portanto, caro(a) aluno(a), para qualifcar os valores de uma dada varivel ressaltan-
do a maior ou menor disperso ou variabilidade entre esses valores e a sua medida
de posio, vimos que a Estatstica recorre s medidas de disperso ou de variabili-
dade, que acabamos de conhecer por amplitude total, varincia, desvio padro e o
coefciente de variao.
Pudemos observar mediante o exposto, que a amplitude total tem a desvantagem
de s levar em conta os dois valores extremos, por isso apenas uma indicao
aproximada da disperso. Outra desvantagem que a amplitude total apresenta
muita variao de uma amostra para outra, mesmo que ambas sejam extradas da
mesma populao. Portanto, voc deve trabalhar com uma medida que leve em
considerao todas as observaes, sendo, por exemplo, a varincia e o desvio pa-
dro medidas que fogem a essa falha. Chegamos a concluso que tais medidas so
geralmente mais empregadas pois levam em considerao a totalidade dos valores
da varivel em estudo, o que faz delas ndices de variabilidade bastante estveis.
Para contornar difculdades e limitaes das medidas de disperso, o texto destaca
que podemos caracterizar a disperso ou variabilidade dos dados em termos relati-
vos a seu valor mdio atravs do que vimos ser o coefciente de variao.
Ao fnal desta parte de medidas de posio e disperso, voc deve ser capaz de
calcular as medidas de posio e disperso, e interpret-las. Caso no consiga, voc
deve voltar ao texto e fxar melhor os conceitos.
O conceito e aplicao da probabilidade tambm so essenciais para o uso ade-
quado da estatstica na pesquisa imobiliria. Vimos ento na Unidade III, conceitos
relacionados a probabilidades e como aplica-la em diversas situaes. Lembre-se
de rever as Regras Bsicas de Probabilidade, Operaes com Eventos, Probabilidade
Condicional e a Distribuio de Probabilidade, pois tais abordagens so relevantes
na aplicabilidade da estatstica.
A Unidade IV nos mostrou que quando consideramos observaes de duas ou mais
variveis e estas apresentam relaes entre si, as medidas estudadas tornam-se in-
sufcientes.
Lembre-se de que sendo a relao entre as variveis de natureza quantitativa, a cor-
relao o instrumento adequado para descobrir e medir essa relao. Vimos tam-
bm que a relao existente, deve ser descrita por meio de uma funo matemtica
e que a regresso o instrumento adequado para a determinao dos parmetros
150 - 151
CONCLUSO
150 - 151
desta funo.
Conforme voc pde observar, a estatstica apresenta muitas tcnicas, como: ex-
trair informaes de dados brutos e transform-las em dados interpretveis; fazer
inferncias de uma populao a partir de dados de uma amostra; predizer taxas
de ocorrncias de eventos aleatrios, dentre outros tantos atributos por ela per-
mitidos.
Para fnalizarmos nosso contedo, a Unidade V descreveu fatores importantes que
devem ser considerados na aplicabilidade da estatstica na pesquisa imobiliria. Vi-
mos, portanto um pouco sobre a importncia da estatstica para a pesquisa cientf-
ca, focando principalmente o mercado imobilirio.
Informaes importantes como o perfl do consumidor, a determinao do preo
dos imveis e as pesquisas de mercado so extradas a partir de dados estatsticos,
facilitando na adequada tomada de deciso do gestor.
Portanto, caro(a) acadmico(a), extraia deste contedo o conhecimento necessrio
para a aplicabilidade da estatstica na pesquisa imobiliria e ser um gestor comple-
to, com amplo conhecimento do mercado em que est atuando.
REFERNCIAS
150 - 151 150 - 151
BARBETTA, P. A. et al. Estatstica para os cursos de engenharia e informtica. 3.
ed. So Paulo: Atlas, 2010.
BUSSAB, W. O.; MORETTIN, P. A. Estatstica Bsica. So Paulo: Editora Saraiva, 2003.
GIACOMELLO, Cintia Paese. Probabilidade e Estatstica. Jornal do Brasil. Universi-
dade de Caxias do Sul.
GOMES, L. F. A. M.; GOMES, C. F. S.; ALMEIDA, A. T. Tomada de Deciso Gerencial:
Enfoque Multicritrio. So Paulo: Atlas, 2002.
GUEDES, T. A. et al. Projeto de Ensino: Aprender Fazendo Estatstica. Disponvel em:
<www.des.uem.br>. Acesso em: 15 jun. 2012.
IBGE. Disponvel em: <http://www.ibge.gov.br/home/estatistica/populacao/
trabalhoerendimento/pnad2007/comentarios2007.pdf>. Acesso em: 15 jun. 2012.
MAGALHES, M. N.; LIMA, A. C. P. de. Noes de Probabilidade e Estatstica. So
Paulo: IME-USP, 2008.
MONTGOMERY, D. C.; RUNGER, G. C. Estatstica Aplicada e Probabilidade para En-
genheiros. Rio de Janeiro: Livros Tcnicos e Cientfcos Editora S.A., 2003.
RAMOS, Edson Marcos Leal Soares. Estatstica: poderosa cincia ao alcance de
todos. Disponvel em: <http://www.ufpa.br/beiradorio/arquivo/Beira21/opiniao.
html>. Acesso em: 18 dez. 2012.
STEEN, L. A. Why numbers count: quantitative literacy for tomorrows America. USA:
College Entrance Examination Board, 1997.
TOLEDO, G. L.; OVALLE, I. I. Estatstica Bsica. So Paulo: Atlas, 1997.
TRIOLA, Mrio F. Introduo Estatstica. Rio de Janeiro: LTC, 1999.
Site:
<www.inf.ufsc.br/~ogliari/arquivos/Correlacao.ppt#320,10,Slide 10>. Acesso em:
16 jun. 2012.
Unidade I
1. Estatstica pode ser defnida como uma
parte da matemtica que auxilia na
coleta, organizao, descrio, an-
lise e interpretao de um conjunto
de dados.
A estatstica descritiva apenas descreve
os dados.
A estatstica inferencial se preocupa
com a anlise dos dados e sua interpre-
tao. Ela analisa os dados com base na
amostra e ento estende as concluses
desta amostra populao.
2. Populao conjunto de elementos
que possuem alguma caracterstica
em comum.
Amostra parte da populao devendo
ser representativa da mesma.
Censo levantamento de dados de
toda uma populao.
Estimao obteno de valores de
uma amostra.
Variveis caractersticas tomadas em
uma populao ou amostra como, por
exemplo: sexo, idade, regio de proce-
dncia, peso etc.
3. Principais tipos de amostras:
Amostra casual simples aquela em
que todos os elementos da populao
tm igual probabilidade de pertencer
amostra. Pode ser obtida sorteando
os elementos a partir da populao
de estudo.
Amostra Sistemtica uma forma
simplifcada da amostragem casual
simples, podendo ser utilizada quando
os elementos da populao se apre-
sentam ordenados, sendo a retirada
dos elementos para compor a amostra
feita com certa periodicamente.
Amostra Estratifcada uma amos-
tra em que a populao separada em
grupos ou estratos e dentro de cada
estrato os indivduos so sorteados e
devendo os mesmos ser semelhantes
entre si dentro de cada estrato.
Amostra por conglomerado uma
amostra em que a populao divi-
dida em diferentes conglomerados
extraindo-se uma amostra apenas dos
conglomerados selecionados e no de
toda a populao.
4. Representar os dados por meio de
grfcos e tabelas: os dados so apre-
sentados de forma resumida em que
h uma visualizao rpida e fcil dos
mesmos por meio do pblico. H um
entendimento melhor dos dados,
fcando fcil de sabermos o que est
ocorrendo com os dados coletados.
5. Para as variveis qualitativas podemos
utilizar os grfcos de colunas, de bar-
ras e de setores, fcando a escolha a
critrio do pesquisador.
Para as variveis quantitativas discretas
podemos utilizar o grfco de bastes
e para as quantitativas contnuas o his-
tograma ou o polgono de frequncias.
O que deve fcar claro que exis-
tem outros tantos grfcos que ainda
RESPOSTAS DAS ATIVIDADES DE AUTOESTUDO
152 - 153
podem ser utilizados. A escolha ir
depender da melhor forma de apre-
sentarmos os dados para melhor
visualizao do pblico.
Unidade II
1.
a) A mdia mais utilizada, pois a
medida mais precisa, nica num con-
junto de dados e sempre existe.
b) Os problemas da mdia ocorrem
porque ela afetada por medidas
extremas, ou seja, valores muito altos
ou muito baixos, destoando da maioria
dos outros valores podem compro-
meter o valor da mdia. Alm disso,
em conjuntos de dados muito hete-
rogneos ela no uma medida que
representa bem o conjunto de dados.
2.
a)
= x
992,8
Mo = 1000
Md = 1015
b) s2 = 10792,86
s = 103,89
c) CV = 10,47%
d) Q3 = 1000 e D8 = 1040
3.
a) = x 6,44 dias
Mo = 6,48
Md = 6,5
b) s2 = 3,33
s = 1,82
c) CV = 28,26%
d) Q3 = 7,5 e P4 = 2
Unidade III
1. Espao amostral o conjunto de todos
os possveis resultados do experi-
mento aleatrio.
Eventos: um dos possveis resultados
do experimento aleatrio e o qual se
deseja saber a probabilidade de ocor-
rncia.
2.
a) 0,53 + 0,35 = 0,88 ou 88%
b) 0,53 ou 53%
c) Mdia = 0,6 Varincia = 0,54
3.
a) ter resistncia alta a arranhes
840/1000.
b) ter resistncia baixa a arranhes
160/1000.
c) ser aprovado na avaliao das tri-
lhas 800/1000.
d) ser reprovado na avaliao das tri-
lhas 200/1000.
e) ter resistncia alta ou ser aprovado
P(A AP)= = 940/1000.
f ) ter resistncia baixa ou ser reprovado
P(B R) = = 300/1000
g) ter resistncia alta dado que seja
reprovado
P(A/R) = 140/200.
h) ter resistncia baixa dado que seja
aprovado 100/800.
4.
P (X) = =0,0039
ou 0,39%
E(x) = 80
Var (x) = 80
5.
F(x> 1) = 0,0068 ou 0,68%
A esperana e a varincia x sero dadas
por:
E(x) = = 0,2 anos
Var(x) = = 0,04
Desvio padro = = 0,2 anos
6.
a) 0,4332 ou 43,32%
b) 0,0668
c) 0,3413 + 0,4332 = 0,77 ou 77%
d) 0,8413 ou 84,13%
Unidade IV
1.
a) A varivel independente o com-
primento do cabo x e a varivel
dependente a varivel taxa de falhas
y, ou seja, a taxa de falhas depende do
comprimento do cabo.
b) 0,47 verifca-se uma correlao
mediana e positiva entre as duas vari-
veis a mostrando que quanto maior
o comprimento do cabo maior a taxa
de falhas.
c) b = 2,4 a = -15,2
Comprimento do cabo(m)
Y
8 4,08
9 6,49
10 8,9
11 11,31
12 13,72
13 16,13
14 18,54
15 20,95

d) Diagrama de disperso
154 - 155
Diagrama de disperso entre o compri-
mento do cabo e as taxas de falhas preditas
f) R2 = 0,472 = 0,22 k = 0,78
22% dos dados explicado pela equa-
o linear de regresso.
Pelo coefciente de alienao observa-
mos que h mais ausncia que relao
entre as duas variveis.
g) Na correlao linear medimos
somente o grau de associao linear
entre duas variveis. J na anlise de
regresso medimos o quanto de varia-
o de uma varivel que explicada
pela outra; podemos tambm fazer
predies de uma varivel baseada
em outra. Explique a diferena entre
a anlise de correlao linear e de
regresso linear.
2. 120; 170; 220

2216

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

2216

Enviado por

Direitos autorais:

Formatos disponíveis

ESTATSTICA

Onde a mdia da populao e N o nmero de observaes.

e que m = 2,0 s = 0,5

Novamente traduzimos para a linguagem probabilstica, mas agora usando os

Você também pode gostar