@estatística Apostila Final

Coordenao Geral de Educao a Distncia
Estatstica Aplicada Avaliao Socioeconmica de Projetos
Curso ASP Estatstica
Braslia-DF, maio de 2013.

Prof. Alexandre da Costa Pereira
-1-

SUMRIO
Pg.
UNIDADE 1 Estatstica Descritiva
Objetivo ...................................................................................................... 04
Dados Estatsticos ..................................................................................... 05
Distribuio de Freqncias....................................................................... 08
Medidas de Posio................................................................................... 21
Medidas de Disperso................................................................................ 26
Unidade 2 Probabilidades e Tcnicas de Amostragem
Objetivos da Unidade..................................................................................... 04
Introduo ao Estudo das Probabilidades .................................................... 05
Conceitos Fundamentais: Experimentos, Espao Amostral e Eventos ........ 07
Probabilidade de Ocorrncia de um Evento .................................................. 10
Consideraes sobre Anlise de Risco na Avaliao de Projetos ................ 16
Conceitos Fundamentais sobre Amostragem ................................................ 22
Dimensionamento de Amostras ..................................................................... 29
REFERNCIAS ............................................................................................... 32
-2-

UNIDADE 1 ESTATSTICA DESCRITIVA

OBJETIVOS DA UNIDADE
Esta unidade tem por objetivo fazer com que voc tenha condies de descrever e
apresentar os resultados de um conjunto de observaes de forma clara, objetiva e
passando o mximo de informaes possveis.
Para tal objetivo, sero abordadas questes relacionadas a dados estatsticos,
distribuies de freqncias, representaes grficas, medidas de posio e
disperso.
Aps concluir esta unidade, espera-se que voc seja capaz de:
Reconhecer a importncia dos mtodos estatsticos para o estudo de variveis;
Compreender os conceitos fundamentais da estatstica descritiva;
Analisar distribuies de freqncias para dados estatsticos e suas formas de
representao;
Distinguir e saber aplicar as diversas medidas de posio;
Calcular a mdia, mediana e moda para uma amostra;
Distinguir e saber aplicar as diversas medidas de disperso;
Calcular a varincia, o desvio-padro e coeficiente de variao para uma
amostra;
-3-

1.1. DADOS ESTATSTICOS

A Estatstica pode ser definida como sendo parte da matemtica aplicada que fornece
mtodos para a coleta, organizao, descrio, anlise e interpretao de dados e
para a utilizao dos mesmos na tomada de decises.
A estatstica, portanto, uma cincia que se dedica coleta, anlise e interpretao

de dados, preocupando-se com os mtodos de coleta, organizao, sntese,
apresentao e interpretao dos dados, assim como tirar concluses sobre as
caractersticas das fontes donde estes foram retirados, para melhor compreender as
situaes analisadas.
Como podemos apreciar no portal do Instituto Brasileiro de Geografia e Estatstica
IBGE (http://www.ibge.gov.br/brasil_em_sintese/), so diversos os dados considerados
como de interesse para utilizao nos processos de planejamento e gesto de projetos
e polticas pblicas, apresentando-se de forma destacada no site os dados referentes
s temticas relacionadas populao, educao, trabalho, habitao, agropecuria,
indstria, comrcio, servios e contas nacionais, bem como as sries estatsticas
disposio no site http://seriesestatisticas.ibge.gov.br/apresentacao.aspx.
O banco de dados Sries Estatsticas & Sries Histricas, disposio no site citado
supra, tem por objetivo disseminar, para um pblico diversificado (instituies
governamentais, setor privado, rea acadmica, estudantes, ONGs), informaes
provenientes de dados oficiais oriundos de pesquisas do IBGE, em sua maior parte, e
de outras fontes governamentais.
Ordenadas segundo um intervalo de tempo, essas informaes constituem Sries

Estatsticas Histricas sendo, em muitos casos, sries longas (perodos superiores a
20 anos).
-4-

Os temas contemplados pelas Sries Estatsticas & Sries Histricas renem um

acervo de informaes sobre a realidade brasileira em suas dimenses social
(educao,
habitao,
trabalho,
sade,
organizao
familiar),
demogrfica
(caractersticas da populao, dinmica demogrfica e indicadores demogrficos) e

econmica (sistema de contas nacionais; ndices de preos, de produo, de comrcio
e agropecuria) que, sem excluir os dados de anos recentes, cobrem perodos to
longos quanto possvel, importantes enquanto dados estatsticos de interesse em
atividades de avaliao socioeconmica de projetos.
Na Figura 01 apresentada abaixo, podemos ver um dos resultados dos levantamentos

de sries de dados estatsticos relacionados com a demografia brasileira, referente
srie para a evoluo dos anos de escolaridade para a parcela da populao com
idade
superior
10
anos.
Figura 01- Evoluo da escolaridade da parcela da populao brasileira com idade > 10 anos .
Fonte: http://seriesestatisticas.ibge.gov.br/series.aspx?no=4&op=0&vcodigo=ECE370&t=media-anosestudo-pessoas-10-anos.
-5-

Outro exemplo interessante de fonte de dados para sries histricas consiste na

compilao de dados realizada por rgos da Administrao Direta, como o caso do
registro feito pelo Ministrio da Sade para o nmero de bitos e de internaes de
vtimas de acidentes do trnsito, cujos dados mais recentes indicam 42.800 bitos em
2010, 174.000 feridos internados em 2011.
A Figura 02 abaixo mostra a evoluo do nmero de bitos de 2001 a 2010, com

crescimento de 40% no perodo.
Figura 02- Srie de dados de bitos em acidentes de trnsito no perodo 2001-2010 .
Para que grficos como os apresentados nas Figuras 03 e 04 possam ser produzidos,
faz-se necessria a mobilizao de um esforo importante, com mobilizao de
recursos humanos, materiais e financeiros de monta, para a coleta, tratamento e
anlise de dados, conforme metodologia adequada, com o estudo das distribuies de
freqncias e representaes grficas, medidas de posio e disperso, para que
possam ser adequadamente utilizados para atender, por exemplo, s necessidades do
Fonte: http://www.vias-seguras.com/layout/set/print/os_acidentes/estatisticas/estatisticas_nacionais>
consulta em 11/04/2013.
-6-

Estado, na formulao de polticas pblicas, fornecendo dados estatsticos

demogrficos e econmicos.
Passaremos, ento, apresentao dos fundamentos da estatstica descritiva,

essenciais para a compreenso do processo estatstico utilizado para a anlise de
dados e o adequado tratamento dos mesmos.
Como primeiro tpico a ser trabalhado, teremos o estudo das distribuies de

frequncias para os dados analisados para a adequada compreenso de determinada
varivel, luz da Estatstica.
1.2. DISTRIBUIES DE FREQUNCIAS

Para o estudo do tema relacionado distribuio de freqncias para uma
determinada varivel objeto de estudo, sero apresentados os conceitos referentes
forma de organizao dos dados, com a adequada determinao do nmero de
classes, amplitude das mesmas, obteno de suas freqncias absoluta e relativa,
bem como as formas de representao grfica e de anlise para as variveis de
estudo.
Tipos de Variveis e a Determinao do Nmero de Classes (K)
importante que a distribuio conte com um nmero adequado de classes. Se o

nmero de classes for excessivamente pequeno acarretar perda de detalhe e pouca
informao se poder extrair da tabela. Por outro lado, se for utilizado um nmero
excessivo de classes, haver alguma classe com freqncia nula ou muito pequena,
no atingindo o objetivo de classificao que tornar o conjunto de dados
supervisionveis.
-7-

Qualquer conjunto de dados, tais como a precipitao pluviomtrica em um

determinado ms, o PIB de municpios em um Estado, a ocorrncia de acidentes em
uma rodovia, etc., contm informao sobre algum grupo de indivduos. As possveis
diferenas entre indivduos determinam a variao que est sempre presente na
anlise de dados.
Uma caracterstica que pode assumir diferentes valores de indivduo para indivduo
denominada varivel, pois de outra forma seria denominada constante. As variveis
podem ser classificadas em qualitativas e quantitativas. Os dados qualitativos so
divididos em nominais e ordinais; enquanto os dados quantitativos so divididos em
discretas e contnuas.
Portanto, ao conjunto de distintos valores numricos que adota um carter quantitativo

denomina-se varivel estatstica, que podem apresentar-se conforme dois tipos:
Variveis qualitativas ou categricas: que no se podem medir numericamente

(ex: nacionalidade, sexo, escolaridade).
Variveis quantitativas: Possuem valor numrico (ex: idade, preo de um
produto, renda...).
As variveis tambm podem se classificar em:
Variveis unidimensionais: somente transmitem informao sobre uma

caracterstica (ex: idade de alunos de uma turma).
Variveis bidimensionais: guardam informao sobre duas caractersticas da
populao (ex: idade e renda de trabalhadores de uma cidade).
Variveis pluridimensionais: detm informao sobre trs o mais caractersticas
(ex: idade, altura e peso de alunos de uma turma).
-8-

Por sua parte, as variveis quantitativas podem classificar-se em discretas e

contnuas:
Discretas: s podem tomar valores inteiros (ex: 1, 2, 8, -4, etc.), como o caso
do nmero de espcies de orqudeas em um determinado bioma.
Continuas: Podem tomar qualquer valor real dentro de um intervalo. Por
exemplo, a velocidade de um veculo em uma rodovia, que pode ser 70,4 km/h,
94,57 km/h...
Quando se estuda o comportamento de uma varivel, necessrio que se proceda

distino dos seguintes conceitos:
Individuo: qualquer elemento que porte informao sobre o fenmeno que se

estuda. Assim, se estudamos a altura dos alunos em uma turma, cada aluno
um indivduo; se o objeto de estudo o preo de uma habitao, cada unidade
de habitao um indivduo.
Populao: conjunto de todos os indivduos (pessoas, objetos, animais,...) que
portem informao sobre o fenmeno que se estuda. Por exemplo, se
estudamos o preo de habitaes em uma cidade, a populao ser o total de
habitaes em dita cidade.
Amostra: subconjunto que, selecionado de una populao, por exemplo, no
caso do estudo do preo de habitaes em uma cidade, o normal ser no
obter informaes sobre todas as moradias da cidade, pois seria um trabalho
muito complexa), mas selecionar um subgrupo (amostra) que se entenda
suficientemente representativo.
Convm destacar que quando coletamos dados para uma pesquisa, estas
observaes so chamadas de dados brutos. Um exemplo de dados brutos
corresponde precipitao pluviomtrica mensal, medida em mm, consistindo em
-9-

dados obtidos conforme metodologia utilizada na hidrologia, na forma que foram

coletados em uma determinada estao climatolgica, sendo, por este motivo,
denominados de dados brutos3.
Geralmente, este tipo de dado no possui as informaes que so necessrias pelo

observador para a utilizao direta em um projeto, ou concluses que o auxiliem na
tomada de deciso, que somente poder ser viabilizada aps a adequada organizao
dos dados, visando potencializar a sua capacidade de fornecer informaes teis ao
analista e minimizar o erro na tomada de deciso na avaliao de um dado problema a
ser enfrentado.
A simples organizao dos dados em um rol4 aumenta muito a capacidade de
informao destes. Ser possibilitada a verificao da amplitude total5 de variao da
para os dados observados, tambm ser possvel, ento, a organizao de rol
crescente dos dados, com a identificao dos dados mais freqentes na amostra.
Para a organizao de um conjunto de dados, recomenda-se a elaborao de tabela

de distribuio de freqncias, onde so apresentadas as freqncias de cada uma
das classes6, contando-se o nmero de observaes contidas em cada uma delas,
obtendo-se a freqncia de classe. Denomina-se distribuio de freqncias
disposio tabular dos dados agrupados em classes, associados s suas freqncias
correspondentes.
Para o caso, por exemplo, da precipitao pluviomtrica mensal em uma determinada

regio, poder-se-ia incluir em uma nica classe os meses em que a precipitao
pluviomtrica, para um certo perodo, estivesse compreendida no intervalo de 100 e
200mm.
3
Dados na forma em que foram coletados, sem nenhum tratamento.

a mais simples organizao numrica. a ordenao dos dados em ordem crescente ou decrescente.
5
Corresponde diferena entre o maior e o menor valor observado em um conjunto de dados. Notaremos
por A.
6
Intervalos nos quais os valores da varivel analisada so agrupados.
4
- 10 -

Considerando os dados de chuva referentes ao registro de observaes em estao

climatolgica, tomado como exemplo, ser possvel identificar conceitos presentes em
uma distribuio de freqncias. Para a elaborao da distribuio de freqncias
necessrio que, primeiramente, se determine o nmero de classes (k) em que os
dados sero agrupados.
Por questes de ordem prtica e esttica, sugere-se utilizar de 5 a 20 classes, e uma

recomendao de ordem prtica que poder ser seguida a definio do nmero de
classes (k) em funo do nmero de observaes (n), segundo a expresso k = n.
Quadro 01: Precipitao pluviomtrica mdia mensal para um perodo de 4 anos.

Ms/Ano
jan/08
fev/08
mar/08
abr/08
mai/08
jun/08
jul/08
ago/08
set/08
out/08
nov/08
dez/08
P (mm)
70,9
0,9
154,4
219,6
111,3
294,5
146,1
204,8
25,0
23,6
3,5
1,8
Ms/Ano
jan/09
fev/09
mar/09
abr/09
mai/09
jun/09
jul/09
ago/09
set/09
set/09
nov/09
dez/09
P (mm)
103,3
154,2
131,8
145,6
160,6
190,6
139,5
146,7
26,5
0,2
2,0
2,6
Ms/Ano
jan/10
fev/10
mar/10
abr/10
mai/10
jun/10
jul/10
ago/10
set/10
set/10
nov/10
dez/10
P (mm)
25,5
21,7
15,3
94,3
69,7
62,7
22,8
9,9
0,0
0,3
34,7
2,6
Ms/Ano
jan/11
fev/11
mar/11
abr/11
mai/11
jun/11
jul/11
ago/11
set/11
set/11
nov/11
dez/11
P (mm)
139,8
75,9
89,5
169,1
168,9
194,1
122,8
33,8
2,3
5,3
2,7
2,6
Obs. P correspondendo a precipitaes totais mensais, em mm.
Para n = 48 observaes, teremos, ento, o nmero de classes definido por k = 48 =

6,9, o que implicaria na definio de 7 classes.
Convm destacar que a definio do nmero de classes, poder, inclusive, ser

realizada conforme critrios fixados pelo prprio analista, respeitando-se o princpio de
evitar-se classes excessivamente ou fracamente populosas.
- 11 -

Em seguida determinao do nmero de classes (k) para o agrupamento dos dados,

se proceder determinao da amplitude7 do intervalo de classe (c), sendo
necessria8, antes, a determinao da amplitude total dos dados (A), que corresponde
diferena entre o maior valor observado e o menor valor observado. Para o clculo
da amplitude total dos dados (A) para o exemplo considerado, que corresponde
diferena entre o maior valor observado e o menor valor observado, teramos:
Para a amplitude do intervalo de classe (c), considerando o valor da amplitude total (A)
calculado, teremos:
O prximo passo, aps conhecida a amplitude de classes, ser a determinao dos

intervalos de classe, mediante a definio dos limites inferior (LI) e superior (LS) das
classes, escolhidos de modo que o menor valor observado esteja localizado no ponto
mdio (PM) da primeira classe, ou seja:
Para o valor do limite inferior para um intervalo, teramos:
Como exemplo de clculo, o limite Inferior da 1 Classe ser dado por:

7
Intervalos abertos os limites da classe (inferior e superior) no pertencem a ela. Intervalos

fechados os limites de classe (superior e inferior) pertencem classe em questo. Intervalos
mistos um dos limites pertence classe, e o outro, no.
8
Existem outros procedimentos para determinao da amplitude do intervalo de classe que
podem ser encontrados na literatura.
- 12 -

Convm destacar que o ponto mdio do intervalo para a primeira classe

corresponder ao valor 0mm e, tendo em vista que no existe valor para precipitao
pluviomtrica negativo (desconsiderando-se a evapotranspirao), teremos o Quadro
02 abaixo com as classes da nossa distribuio, basta que somemos a amplitude do
intervalo de classe a cada limite inferior.
Quadro 02: Definio dos limites inferior e superior de cada uma das classes determinadas
para o universo de dados analisado.
Classe
a
1
a
2
3a
4a
a
5
a
6
a
7
LI
LS
-24,5
24,6
73,7
122,8
171,9
221
270,1
24,6
73,7
122,8
171,9
221
270,1
319,2
Poderemos, ento, elaborar um quadro de frequncias9 absolutas e relativas,

conforme indicado no quadro apresentado a seguir:
Quadro 03: Freqncias absoluta (fa) e relativa (fr) para cada uma das classes.
A freqncia absoluta (fa) corresponde ao numero de observaes que temos em uma

determinada classe ou em um determinado atributo de uma varivel qualitativa e a freqncia
relativa (fr) corresponde proporo do nmero de observaes em uma determinada classe
em relao ao total de observaes que temos. Esta freqncia pode ser expressa em termos
porcentuais. Para isto, basta multiplicar a freqncia relativa obtida por 100.
- 13 -

Classe
LI
LS
fa
fr
1a
a
2
a
3
4a
a
5
a
6
7a
-24,5
24,6
73,7
122,8
171,9
221
270,1
24,6
73,7
122,8
171,9
221
270,1
319,2
18
8
6
11
4
0
1
48
0,375
0,167
0,125
0,229
0,083
0,000
0,021
1,000
Total
Em relao interpretao das informaes contidas no Quadro 03, pode-se observar

que os valores para precipitao ocorrida nos 48 meses avaliados esto concentrados
nas classes primeira, segunda e quarta, decrescendo em direo s classes do fim da
tabela.
A apresentao dos dados na forma de distribuio de freqncias facilita bastante o

clculo manual de vrias medidas estatsticas de interesse, bem como a sua
apresentao grfica, consistindo em ferramenta disposio do analista.
Caso o interesse do analista, alm da determinao das freqncias absolutas e

relativas, se dirija determinao da quantidade de observaes que existe acima ou
abaixo de um determinado ponto na distribuio, teramos o recurso da utilizao da
freqncia acumulada10. A freqncia acumulada, apresentada no Quadro 04, pode
ser obtida da seguinte forma: abaixo do limite superior da primeira classe, temos
dezoito (18) registros que esto presentes nesta classe, como pode ser visto na
distribuio de freqncias absoluta.
Quando consideramos a segunda classe, a freqncia acumulada corresponde ao

nmero de pessoas que temos abaixo do limite superior desta classe, ou seja, os oito
registros da segunda classe mais os dezoito da primeira classe, totalizando 26
10
Freqncia acumulada corresponde soma da freqncia daquela classe s freqncias de

todas as classes abaixo dela.
- 14 -

registros mensais de pluviometria abaixo de 122,8mm, correspondendo a 54,2% do

total dos registros contidos na amostra. Para as outras classes, o raciocnio
semelhante.
Quadro 04: Freqncias acumuladas para cada uma das classes.
Classe
LI
LS
f acum.
f acum.r
1a
a
2
3a
a
4
-24,5
24,6
73,7
122,8
24,6
73,7
122,8
171,9
0
18
26
32
0,000
0,375
0,542
0,667
171,9
221
270,1
221
270,1
319,2
43
47
47
48
0,896
0,979
0,979
1,000
5
6a
a
7
Total
Um exemplo tpico de aplicao das distribuies de freqncias acumuladas

corresponde identificao de uma determinada freqncia abaixo ou acima de um
determinado valor que no corresponde ao limite superior ou inferior de uma classe
qualquer. Podemos, ento, querer verificar qual a porcentagem de registros mensais
de chuva com intensidade superior a 122,8mm. Para isto, basta consultar diretamente
a freqncia acumulada acima deste valor (100% 54,2% = 45,8%), pois o valor
122,8mm/ms corresponde a um dos limites de classe apresentados nesta tabela.
Para a determinao de freqncias acumuladas correspondentes a valores no
coincidentes a limites superiores ou inferiores de classes, o procedimento o mesmo,
bastando realizar a interpolao para a classe correspondente para encontrar a
freqncia acumulada desejada.
Por exemplo, para a determinao da freqncia acumulada para registros mensais de

pluviometria com intensidade superior a 100mm nos 48 meses que constituem o
intervalo de tempo referente amostra estudada, teramos:
- 15 -

Logo:
Ou seja, teramos a freqncia de 46,4% de registros mensais de precipitao

pluviomtrica superior a 100mm no perodo de 48 meses em questo. Na Figura 05
apresentada abaixo teremos a representao grfica da distribuio de freqncias na
forma relativa (percentuais) para o caso utilizado no exemplo, sendo destacado o valor
correspondente freqncia de registros de precipitao pluviomtrica com
intensidade superior a 100mm/ms.
Figura 03- Representao grfica da distribuio de frequncias.
- 16 -

Interessante ressaltar que quando se trabalha com variveis qualitativas, os atributos

so as variaes nominativas da varivel, bem como a construo do quadro consiste
em contar as ocorrncias de cada atributo e o resultado da contagem definir a
freqncia absoluta do atributo em questo. Para exemplificar o caso do trabalho com
variveis qualitativas, teramos o caso de pesquisa na qual se procurou avaliar o
nmero de habitaes assistidas por esgotamento sanitrio em uma determinada
populao, apresentando-se o Quadro 05 a seguir apresentado:
Quadro 05: Exemplo para freqncias absoluta e relativa para variveis qualitativas.
Esgotamento Sanitrio
fa
fr
Atendimento
No Atendimento
Total
20
60
80
0,25
0,75
1,0
Em relao s formas de representao grfica de tabelas de freqncia, importante

destacar que dependendo do tipo de varivel h um grfico mais adequado a ser
utilizado para a representao. Os diferentes tipos de grfico (histogramas, polgonos
de freqncia, ogivas, grficos de setores, pictogramas e outros) permitem uma
melhor visualizao de resultados.
Estes grficos podem ser obtidos utilizando planilhas eletrnicas como,

por exemplo, o Excel.
Os histogramas11 so grficos utilizados para representar tabelas intervalares. J o

polgono de freqncia12, voc pode obter pela simples unio dos pontos mdios dos
11
Histogramas: so constitudos por um conjunto de retngulos, com as bases assentadas

sobre um eixo horizontal, tendo o centro da mesma no ponto mdio da classe que representa,
e cuja altura proporcional freqncia da classe.
- 17 -

topos dos retngulos de um histograma, conforme mostra a Figura 04, que apresenta
o histograma e os polgonos de frequncia absoluta e acumulada para a distribuio
dos dados referentes s classes correspondentes contidas no Quadro 06 apresentado
a seguir:
Quadro 06: Dados e freqncias absoluta (fa) e acumulada (facum.) para 6 classes.
i
Classes
xi
fai
facumi
150 |- 154
152
154 |- 158
156
13
158 |- 162
160
11
24
162 |- 166
164
32
166 |- 170
168
37
170 |- 174
172
40
Total
40
12
Polgono de freqncias um grfico de anlise no qual as freqncias das classes so

localizadas sobre perpendiculares levantadas nos pontos mdios das classes. Completa-se o
polgono unindo as extremidades da linha que ligam os pontos representativos das freqncias
de classe aos pontos mdios das classes, imediatamente, anterior e posterior s classes
extremas, que tm freqncia nula.
- 18 -

a) Histograma
b) Polgono de frequncia absoluta
- 19 -

c) Polgono de frequncias acumuladas
Figura 04- Exemplos de histograma e de polgonos de frequncia.

Grficos para a representao de polgono de freqncias acumuladas so chamados
de ogivas e correspondem a um grfico onde estas freqncias so localizadas sobre
perpendiculares levantadas nos limites inferiores ou superiores das classes.
Quando temos uma tabela de varivel qualitativa, um tipo de grfico adequado para
apresentar os resultados corresponde ao grfico de setores, tambm popularmente
conhecido como grfico tipo pizza (Figura 05), com construo simples, feita mediante
a proporo entre o ngulo central do setor (fatia da pizza) e o valor para a varivel
representada.
Composio da Frota
- 20 -

Figura 05- Composio mdia do trfego para os postos de contagem na BR101-NE13.
Aps o estudo das formas de determinao das distribuies de freqncias e grficos

que as representam, voc dever ser capaz de organizar um conjunto de dados, por
meio de uma distribuio de freqncias (absoluta, relativa, e acumuladas),
represent-las graficamente e proceder anlise das informaes contidas nos
mesmos.
1.3. MEDIDAS DE POSIO

As medidas de posio ou de tendncia central constituem uma forma mais sinttica
de apresentar os resultados contidos nos dados observados, pois representam um
valor central, em torno do qual os dados se concentram. As medidas de tendncia
central mais empregadas so: mdia (aritmtica, ponderada e geomtrica), mediana e
moda. Quando se estuda variabilidade, as medidas mais importantes so: amplitude,
desvio padro e varincia.
No Quadro 07 mostrado abaixo, so apresentadas as expresses aritmticas para o

clculo das principais medidas de posio:
Quadro 07: Expresses para as principais medidas de tendncia central.
13
Pesquisa realizada pelo Exrcito Brasileiro (2005), mediante parceria com o Departamento
Nacional de Infraestrutura de Transportes - DNIT, em 8 (oito) postos de contagem
considerados no levantamento estatstico para o projeto de duplicao da BR101-NE.
- 21 -

A Utilizao da Mdia
Sendo a Distribuio Normal uma das distribuies mais importantes e que surge com
mais freqncia nas aplicaes (o que justifica a grande utilizao da mdia), a mdia
- 22 -

a consistir na melhor medida de localizao do centro para uma srie de dados.

Entretanto, sendo a mdia uma medida bastante sensvel variabilidade dos dados,
preciso ter cuidado com a sua utilizao, tendo em vista que pode propiciar uma
imagem distorcida da amostra.
A mdia possui uma particularidade bastante interessante, que consiste no

seguinte: se calcularmos os desvios de todas as observaes relativamente mdia e
somarmos esses desvios o resultado obtido igual a zero.
Outra caracterstica da mdia que torna a sua utilizao vantajosa em certas

aplicaes: Quando o que se pretende representar a quantidade total expressa pelos
dados, utiliza-se a mdia. Na realidade, ao multiplicar a mdia pelo nmero total de
elementos, obtemos a quantidade pretendida.
Moda
Define-se moda como sendo: o valor que surge com mais freqncia se os dados so
discretos ou, ainda, o intervalo de classe com maior freqncia se os dados so
contnuos.
Assim, da representao grfica dos dados, obtm-se imediatamente o valor que

representa a moda ou a classe modal. Esta medida especialmente til para reduzir a
informao de um conjunto de dados qualitativos, apresentados sob a forma de nomes
ou categorias, para os quais no se pode calcular a mdia e por vezes a mediana.
Para dados agrupados com classes, teramos o seguinte processo para a

determinao do valor modal para uma determinada srie de dados:
1. Identificao da classe de maior freqncia:
Para o exemplo apresentado no Quadro 06, teramos a 3 classe (158 |- 162).
- 23 -

2 passo: Clculo da Moda:
Sendo:
Mediana
A mediana uma medida de localizao do centro da distribuio dos dados, definida

do seguinte modo: Ordenados os elementos da amostra, a mediana o valor
(pertencente ou no amostra) que a divide ao meio, isto , 50% dos elementos da
amostra so menores ou iguais mediana e os outros 50% so maiores ou iguais
mediana.
Para a sua determinao utiliza-se a seguinte regra, depois de ordenada a amostra de

n elementos: Se n mpar, a mediana o elemento mdio e, se n par, a mediana
a semi-soma dos dois elementos mdios.
Teramos, ento, para dados no agrupados, o seguinte processo:
a) Para nmero de valores observados mpar:
Exemplo: Considere o conjunto de dados:
- 24 -

1) Colocar os valores em ordem crescente ou decrescente:
2) Determinar a ordem ou posio (P) da Mediana por P = (n+1)/2; portanto:
O nmero que se encontra na 4 posio, consiste na mediana, portanto, Md = 4
b) Quando o nmero de valores observados par:
Exemplo: Considere o conjunto de dados:
1) Colocar os valores em ordem crescente ou decrescente:
2) Determinar a ordem ou posio (P) para n/2 e para n/2 +1
Os nmeros so 6 (4 posio) e 7 (5 posio): 2, 3, 4, 6, 7, 8, 9, 10
Tira-se a mdia aritmtica entre os dois nmeros:
- 25 -

Consideraes a respeito de Mdia e Mediana
Como medida de localizao, a mediana mais robusta do que a mdia, pois no

to sensvel ao valor dos dados que compem a amostra. Dentre as observaes a
respeito da comparao entre mdia e mediana, poderamos destacar as seguintes:
Quando a distribuio simtrica, a mdia e a mediana coincidem.

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

distribuio dos dados:
Quando for aproximadamente simtrica, a mdia aproxima-se da mediana.
Figura 05- Exemplos de distribuies simtricas.
- 26 -

Quando se apresentar de forma enviesada para a direita (alguns valores grandes

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

como outliers), a mdia tende a ser inferior mediana.
Figura 06- Exemplos de distribuies assimtricas.
1.4. MEDIDAS DE DISPERSO

No item anterior foram apresentados conceitos de algumas medidas de localizao do
centro de uma distribuio de dados. Veremos agora como medir a variabilidade
presente num conjunto de dados. As medidas de disperso so utilizadas para medir o
grau de variabilidade (disperso) dos valores observados em torno da mdia
aritmtica. Servem para medir a representatividade da mdia e proporcionam
conhecer o nvel de homogeneidade ou heterogeneidade dentro de cada grupo
analisado.
Assim, um aspecto importante no estudo descritivo de um conjunto de dados o da

determinao da variabilidade ou disperso desses dados, relativamente medida de
localizao do centro da amostra. Supondo ser a mdia, a medida de localizao mais
- 27 -

importante, ser relativamente a ela que se define a principal medida de disperso - a

varincia, apresentada a seguir.
Varincia
Define-se a varincia como sendo a medida que se obtm somando os quadrados dos
desvios das observaes da amostra, relativamente sua mdia, e dividindo pelo
nmero de observaes da amostra menos um.
Desvio-padro
a raiz quadrada da varincia. Na frmula original para o clculo da varincia,

observa-se que uma soma de quadrados, a unidade em que se exprime no a
mesma que a dos dados Por exemplo, se a unidade original for metro (m) o resultado
ser metro ao quadrado (m2).
Para retornar a unidade de medida original, extrai-se a raiz quadrada da varincia,

passando a chamar-se de desvio-padro. Assim, para obter uma medida da
variabilidade ou disperso com as mesmas unidades que os dados, tomamos a raiz
quadrada da varincia e obtemos o desvio padro.
- 28 -

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

segundo a seguinte referncia:
Baixa disperso: CV
Mdia disperso: 15%
15%
CV
Grande disperso: CV
30%
30%
Distribuio Normal
distribuio
normal
mais
importante
distribuio
estatstica,
considerando a questo prtica e terica, apresentando-se em formato de sino,

unimodal, simtrica em relao a sua mdia.
- 29 -

Considerando a probabilidade de ocorrncia, a rea sob sua curva soma 100%. Isso
quer dizer que a probabilidade de uma observao assumir um valor entre dois pontos
quaisquer igual rea compreendida entre esses dois pontos.
Na figura apresentada a seguir, com as barras situadas logo abaixo do eixo das
abscissas representando os desvios-padro, quanto mais afastado do centro da curva
normal, mais rea compreendida abaixo da curva haver, ou seja, a um desviopadro, temos 68,26% das observaes contidas, a dois desvios-padres, possumos
95,44% dos dados compreendidos e, finalmente, a trs desvios, temos 99,73% de
probabilidade de ocorrncia.
p(x) para n desvios-padro

68,26% => 1 desvio
95,44% => 2 desvios
99,73% => 3 desvios
Figura 07- Relao entre o desvio-padro e a probabilidade de ocorrncia de um evento.
O desvio-padro, quando analisado isoladamente, no d margem a muitas

concluses. Por exemplo, para uma distribuio cuja mdia 79,7, como o caso do
exemplo com a srie de dados de precipitao pluviomtrica mensal, visto no incio do
curso, que apresentou desvio padro de 76,9, considerado como bastante elevado,
um desvio-padro de 5mm/ms seria pequeno, mas para uma distribuio cuja mdia
fosse 10, este desvio-padro j no seria to pequeno.
- 30 -

Condies para se usar o desvio-padro ou varincia para comparar a variabilidade

entre grupos:
mesmo nmero de observaes.
mesma unidade.
mesma mdia.
Alm disso, se quisermos comparar duas ou mais amostras de valores expressos em
unidades diferentes, no poder ser possvel fazer a comparao por meio do desviopadro, pois ele expresso na mesma unidade dos dados.
- 31 -

UNIDADE 2 PROBABILIDADES E TCNICAS DE

AMOSTRAGEM
OBJETIVOS DA UNIDADE
Aps concluir esta unidade, espera-se que voc seja capaz de:
Reconhecer a importncia do estudo das probabilidades e das tcnicas de
amostragem na avaliao de projetos;
Conhecer e saber aplicar os conceitos fundamentais de probabilidade e
amostragem;
Calcular a probabilidade de ocorrncia de um evento;
Associar o estudo da probabilidade atividade de anlise de risco em projetos;
Distinguir tcnicas de amostragem e identificar vantagens de determinada
tcnica em relao s demais;
2.1. INTRODUO AO ESTUDO DAS PROBABILIDADES
Estudaremos agora a probabilidade, que uma ferramenta usada e necessria para

se fazer correlaes entre a amostra e a populao, de modo que a partir de
informaes da amostra se possam fazer afirmaes sobre caractersticas da
populao, entendendo-se a probabilidade como ferramenta bsica da inferncia
estatstica.
- 32 -

Interessante observar que utilizamos, no nosso cotidiano, o conceito de probabilidade

em situaes como:
pouco provvel que amanh chova.
O risco do projeto elevado.
Provavelmente fulano no conseguir se eleger.
Diminuiu a chance do paciente se recuperar.
So fenmenos ou eventos com resultados no completamente conhecidos a priori.
Mesmo que a chance da ocorrncia seja alta, os resultados no so conhecidos antes
de ocorrer mas, de certa forma, mantm certa regularidade, o que permite determinar
a chance de ocorrncia: a Probabilidade.
A probabilidade um nmero entre zero e um, inclusive, o que significa que, no
mnimo, no h nenhuma hiptese do evento acontecer e, no mximo, o evento
sempre ocorrer:
Normalmente representamos probabilidades atravs de fraes, mas tambm

podemos represent-las por nmeros decimais ou por porcentagens.
Por exemplo, em um projeto de embarcaes, a estimativa da altura da onda de
projeto feita geralmente considerando-se sendo 0,75 a probabilidade do navio
encontrar ondas maiores que sua onda de projeto. A probabilidade acumulada a
probabilidade de ocorrncia de todas as alturas menores que a determinada.
Neste exemplo, mediante interpolao linear se pode obter a altura de onda
correspondente probabilidade de 75%. Portanto, para a probabilidade acumulada da
ocorrncia correspondente altura de onda de projeto, ter-se-ia o valor da altura de
onda a ser utilizado no dimensionamento da estrutura naval em questo, como mostra
a tabela a seguir:
- 33 -

14
Figura 01- Procedimento para a determinao da altura de onda de projeto .
14
Fonte: Exerccio contido no site <www.oceanica.ufrj.br > [consulta em 10/04/2012].
- 34 -

2.2. CONCEITOS FUNDAMENTAIS: EXPERIMENTOS, ESPAO

AMOSTRAL E TIPOS DE EVENTOS15
O estudo da probabilidade resulta da necessidade de, em certas situaes, prevermos

a possibilidade de ocorrncia de determinados fatos. Ao comearmos o estudo da
probabilidade, normalmente a primeira ideia que nos vem mente a da sua
utilizao em jogos, mas podemos utiliz-lo em muitas outras reas. Um bom exemplo
na rea da avaliao do risco de projetos, bem como na utilizao de mtodos de
anlise de sensibilidade em processos de tomada de deciso na seleo de projetos.
Para iniciarmos o estudo da probabilidade, vamos a seguir definir alguns conceitos
importantes sobre a matria, fazendo uso de exemplos clssicos para a compreenso
dos fundamentos do clculo de probabilidades.
Experimento Aleatrio
Se lanarmos uma moeda ao cho para observarmos a face que ficou para cima, o
resultado imprevisvel, pois tanto pode dar cara, quanto pode dar coroa. Se, ao invs
de uma moeda, o objeto a ser lanado for um dado, o resultado ser mais imprevisvel
ainda, pois aumentamos o nmero de possibilidades de resultado. Experimentos como
estes, ocorrendo nas mesmas condies ou em condies semelhantes, que podem
apresentar resultados diferentes a cada ocorrncia, damos o nome de experimentos
aleatrios.
Espao Amostral
Ao lanarmos uma moeda, no sabemos qual ser a face que ficar para cima, no
entanto, podemos afirmar com toda certeza que ou ser cara ou ser coroa, pois uma
moeda s possui estas duas faces.
15
Contedo sobre noes de probabilidade adaptado do material instrucional contido no site

http://www.matematicadidatica.com.br/ProbabilidadeConceitos.aspx [consulta em 13/04/2012].
- 35 -

Neste exemplo, ao conjunto {cara, coroa} damos o nome de espao amostral, pois ele
o conjunto de todos os resultados possveis de ocorrer neste experimento.
Representamos um espao amostral, ou espao amostral universal como tambm
chamado, pela letra S.
Figura 02- Experimento de lanar moeda, com espao amostral S = {cara, coroa}
16
Se, ao invs de uma moeda, o objeto a ser lanado for um dado, o espao amostral
ser:
Evento
Quando lanamos um dado ou uma moeda, chamamos a ocorrncia deste fato de
evento. Qualquer subconjunto de um espao amostral um evento. Em relao ao
espao amostral do lanamento de um dado, veja o conjunto a seguir:
16
Fonte: http://revistaescola.abril.com.br [consulta em 13/04/2012].
- 36 -

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

cima igual a um nmero primo.
Classificao de Eventos
Podemos classificar os eventos por vrios tipos. Vejamos alguns deles:
Evento Simples: Classificamos assim os eventos que so formados por um nico

elemento do espao amostral. Desta forma, A = {5} a representao de um evento
simples do lanamento de um dado cuja face para cima divisvel por 5. Nenhuma
das outras possibilidades so divisveis por 5.
Evento Certo: Ao lanarmos um dado certo que a face que ficar para cima, ter
um nmero divisor de 720. Este um evento certo, pois 720 = 6! = 6 . 5 . 4 . 3 . 2 . 1,
obviamente qualquer um dos nmeros da face de um dado um divisor de 720, pois
720 o produto de todos eles. O conjunto A = {2, 3, 5, 6, 4, 1} representa um evento
certo, pois ele possui todos os elementos do espao amostral S = {1, 2, 3, 4, 5, 6}.
Evento Impossvel: No lanamento conjunto de dois dados qual a possibilidade de

a soma dos nmeros contidos nas duas faces para cima, ser igual a 15? Este um
evento impossvel, pois o valor mximo que podemos obter igual a doze. Podemos
represent-lo por A = , ou ainda por A = { }.
Evento Unio: Seja A = {1, 3} o evento de ocorrncia da face superior no lanamento

de um dado, mpar e menor ou igual a 3 e B = { 3, 5 }, o evento de ocorrncia da face
superior, mpar e maior ou igual a 3, ento C = { 1, 3, 5 } representa o evento de
- 37 -

ocorrncia da face superior mpar, que a unio dos conjuntos A e B, ou seja,

. Note que o evento C contm todos os elementos de A e B.
Evento Interseco: Seja A = {2, 4} o evento de ocorrncia da face superior no

lanamento de um dado, par e menor ou igual a 4 e B = {4, 6}, o evento de ocorrncia
da face superior, par e maior ou igual a 4, ento C = {4} representa o evento de
ocorrncia da face superior par, que a interseco dos conjuntos A e B, ou seja,
. Veja que o evento C contm apenas os elementos comuns a A e B.
Eventos Mutuamente Exclusivos: Seja A = {1, 2, 3, 6} o evento de ocorrncia da

face superior no lanamento de um dado, um nmero divisor de 6 e B = {5}, o evento
de ocorrncia da face superior, um divisor de 5, os eventos A e B so mutuamente
exclusivos, pois
, isto , os eventos no possuem elementos em comum.
Evento Complementar: Seja A = {1, 3, 5} o evento de ocorrncia da face superior no

lanamento de um dado, um nmero mpar, o seu evento complementar A = {2, 4, 6}
o evento de ocorrncia da face superior no lanamento de um dado, um nmero par.
Os elementos de A so todos os elementos do espao amostral S que no esto
contidos em A, ento temos que A = S - A e ainda que S = A + A.
2.3. PROBABILIDADE DE OCORRNCIA DE UM EVENTO

Passaremos a apresentar consideraes sobre os fundamentos para o estudo da
probabilidade de ocorrncia de um determinado evento.
O ponto central em todas as situaes onde usamos probabilidade a possibilidade

de quantificar quo provvel determinado EVENTO. As probabilidades so utilizadas
para exprimir a chance de ocorrncia de determinado evento.
- 38 -

Experimentos aleatrios, espao, amostral e evento
Encontramos na natureza dois tipos de fenmenos: determinsticos e aleatrios. Os

fenmenos determinsticos so aqueles em que os resultados so sempre os mesmos,
qualquer que seja o nmero de ocorrncia dos mesmos.
Se considerarmos o fenmeno, por exemplo, da flutuao de objeto imerso na gua,
sabemos que caso o objeto possua peso especfico menor que a gua, ele flutuar.
Esse exemplo caracteriza um fenmeno determinstico. Nos fenmenos aleatrios, os
resultados no sero previsveis, mesmo que haja vrias repeties do mesmo
fenmeno.
Podemos considerar como experimentos aleatrios os fenmenos produzidos

pelo homem, os seguintes exemplos:
lanamento de uma moeda;
lanamento de um dado;
determinao da vida til de um componente eletrnico;
previso do tempo.
A cada experimento aleatrio est associado o resultado do mesmo, que no
previsvel, chamado evento aleatrio.
Um conjunto S que consiste de todos os resultados possveis de um experimento
aleatrio denominado espao amostral.
Definio de Probabilidade
A probabilidade de um evento A, denotada por P(A), um nmero de 0 a 1 que indica
a chance de ocorrncia do evento A. Quanto mais prxima de 1 P(A), maior a
chance de ocorrncia do evento A, e quanto mais prxima de zero, menor a chance
- 39 -

de ocorrncia do evento A. A um evento impossvel atribui-se probabilidade zero,

enquanto que um evento certo tem probabilidade 1,0.
As probabilidades podem ser expressas de diversas maneiras, inclusive decimais,
fraes e percentagens. Por exemplo, a chance de ocorrncia de um determinado
evento pode ser expressa como 20%; 2 em 10; 0,20 ou 1/5.
Assim, sendo E um evento, n(E) o seu nmero de elementos, S o espao amostral no
vazio e n(S) a quantidade de elementos do mesmo, temos que a probabilidade de E
ocorrer igual a:
Recorreremos ao exemplo clssico do lanamento de um dado para a utilizao da

equao para o clculo de probabilidades: Qual a probabilidade de obtermos um
nmero divisor de 6 no lanamento de um dado?
Como vimos acima, o espao amostral do lanamento de um dado :
Como estamos interessados apenas nos resultados divisores de 6, o evento E

representado por:
Ento n(E) = 4 e n(S) = 6, portanto:
Podemos tambm apresentar o resultado na forma de uma porcentagem, portanto, a

probabilidade de se obter um nmero divisor de 6 2/3 ou 66,67%.
- 40 -

Considerando a tica da avaliao de projetos, admitindo que trs projetos, Alfa, Beta
e Gama, lanaram um produto no mercado e supondo que as condies de retorno
econmico para os trs projetos so as mesmas, qual a probabilidade da empresa
Alfa de obter primeiro a meta do retorno socioeconmico?
Como 3 o nmero total de projetos, ento o projeto Alfa tem 1 chance em 3 de obter
primeiro o indicador econmico considerado, o que resultaria em uma probabilidade de
1
/3 em obter primeiro o retorno.
A probabilidade de um evento ocorrer (o projeto Alfa obter retorno econmico primeiro)

considerando-se um espao amostral (Alfa, Beta e Gama) igual a razo do nmero
de elementos do evento (1, apenas Alfa) para o nmero de elementos do espao
amostral (3, o nmero de projetos), desde que espao o amostral seja um conjunto
equiprovvel, ou seja, todos os seus elementos tenham a mesma possibilidade de
ocorrer (as condies de xito econmico so as mesmas para as trs empresas).
Vamos, agora, exercitar a lgica da probabilidade conforme a classificao dos
eventos aplicveis situao.
Vimos que a probabilidade da unio de dois eventos pode ser calculada atravs da
frmula:
No caso da interseco dos eventos resultar vazia, ou seja, no haver elementos em

comum aos dois eventos, poderamos simplesmente utilizar:
Vamos a um exemplo:
Na
construo
de
usina
hidreltrica
trabalham
2.000
profissionais.
Destes
trabalhadores, 500 possuem mais de dez anos de experincia, 300 so pedreiros e

200 so pedreiros com mais de dez anos de experincia profissional. Selecionando-se
- 41 -

um trabalhador com mais de dez anos de experincia, qual a probabilidade de ser um

pedreiro o selecionado?
Chamemos de A o evento que representa o ofcio do pedreiro e B o evento que
representa mais de dez anos de experincia para o profissional.
Podemos calcular a probabilidade de ocorrer A tendo ocorrido B atravs da frmula:
Segundo o enunciado
e
Portanto:
Note que no caso da probabilidade condicional, ao invs de calcularmos a

probabilidade em funo do nmero de elementos do espao amostral a calculamos
em funo do nmero de elementos do evento que j ocorreu. Portanto, a
probabilidade do pedreiro tambm possuir mais de dez anos de experincia
profissional de 40%.
Probabilidade no Caso da Unio de Eventos

Considere A e B como dois eventos de um espao amostral S, finito e no vazio,
temos:
- 42 -

Logo:
Probabilidade no Caso de Eventos Mutuamente Exclusivos
Considerando que
exclusivos. Observe que
, nesse caso A e B sero denominados mutuamente

, pois:
Caso da Probabilidade Condicionada
- 43 -

Considere dois eventos A e B de um espao amostral S, finito e no vazio. A

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

sendo assim:
Para saber se os eventos A e B so independentes, podemos utilizar a definio ou

calcular a probabilidade de
.
Representao:
ou
- 44 -

2.4. CONSIDERAES SOBRE ANLISE DE RISCO NA

AVALIAO DE PROJETOS
Evento de Risco
De acordo com o PMBOK17 (2008), um evento de risco, uma ocorrncia discreta ou
distinta que pode afetar o projeto para melhor ou pior. Quanto ao aspecto da
probabilidade de ocorrncia, a mesma pode ter valores atribudos de forma subjetiva e
de forma objetiva.
Subjetivamente, a probabilidade uma porcentagem indicando o grau de confiana ou
a estimativa pessoal quanto possibilidade de ocorrncia de um evento (probabilidade
subjetiva). Como exemplo, temos afirmaes do tipo eu acho que h 50% de chance
de perda, ou eu acredito que h somente uma chance em mil de uma inundao
atingir nossa fbrica.
Podemos, por outro lado, entender a probabilidade objetiva como sendo um nmero
real, associado a um evento (E), destinado a medir sua possibilidade de ocorrncia.
Todos os projetos tm algum risco, ou no seriam projetos. Os projetos so iniciados

quando h algum elemento de risco e a gerncia busca, ento, o enfoque de um plano
de projeto e uma equipe para realizar o trabalho. s vezes assume-se um grande risco
quando no se tem a compreenso necessria dos elementos que podem levar ao
fracasso do projeto, podendo at ser interpretado como um pequeno risco, que no
pressiona as barreiras de custo, tempo e desempenho tcnico.
17
Project Management Body of Knowledge.
- 45 -

O risco deve ser analisado por trs componentes: pelo evento, a probabilidade de
ocorrncia e o impacto do evento. Normalmente considerado como um evento de
consequncias negativas, quanto ao custo, ao tempo e qualidade. Por este motivo
os gerentes concentram suas foras em evit-los e em como lidar com eles. Eles
esquecem que eventualmente, os riscos podem ter consequncias positivas.
Riscos Internos
O risco interno inerente ao projeto, controlado pelo lder, que pode reduzi-lo
mediante aes diretas, como o desenvolvimento de planos de contingncia. Riscos
internos constituem uma parte das limitaes estabelecidas para o projeto por meio da
criao de metas. A data de entrega do produto pode ser otimista, e o plano precisa
refletir esta data. O planejamento ter por base a data de entrega e o cronograma de
trabalho visando assegurar a entrega. O custo constitui, em geral, uma rea com
limitaes.
O planejamento ir direcionar o tipo e a quantidade de recursos a serem utilizados no
projeto mesmo quando o oramento for menor do que o desejado. Solues tcnicas
estaro em perigo quando o tempo de entrega for otimista, sendo, entretanto, os
recursos financeiros, limitados.
Dentre os riscos internos, podemos citar: custo, prazo, gerenciais, perda de potencial e
fluxo de caixa.
Como exemplo dos riscos internos, devemos considerar que fluxos de caixa podem
sofrer alteraes, e que estas devem ser avaliadas constantemente durante o
andamento do projeto, para que possamos classific-las como relevantes e se iro
adicionar valor empresa.
Riscos Externos
O risco externo encontra-se fora do controle dos lderes de projeto, como, por
exemplo, as interfaces do projeto desconhecidas e cujas definies so feitas por
- 46 -

terceiros. Os riscos externos do projeto podem ser influenciados pelo lder de projeto
e, portanto previstos.
No entanto, no h controle direto sobre as ocorrncias de riscos, que podem receber
a influncia de acordos e contratos com terceiros.
O grau de influncia exercido pelo lder do projeto determinado pela identificao de
riscos externos e pela colaborao ampliada por terceiros, os quais poderiam ser
outros lderes de projetos, gerentes funcionais, distribuidores e entidades contratantes.
Dentro os riscos externos previsveis, podemos citar:
Taxa de Cmbio: o risco associado a operaes internacionais em um mundo
no qual o valor relativo das moedas varia. Para um grande projeto, a gesto do
risco de cmbio complicada pelo fato de que pode haver uma grande
variedade de moedas diferentes envolvidas em suas inmeras atividades.
muito provvel que uma variao de alguma taxa beneficie algumas reas e
prejudique outras.
Inflao: o risco macroeconmico da perda de renda disponvel de pessoas
fsicas e jurdicas, acarretando prejuzos ao fluxo de caixa e recusa do projeto.
Impactos Sociais: o risco relacionado aos possveis efeitos sociais,
econmicos, culturais, sobre pessoas, grupos de pessoas ou comunidades.
Impactos Ambientais: os riscos ambientais impactam diretamente nos
aumentos dos custos do projeto, devido principalmente a: possveis impactos
ambientais, com a aplicao de multas, licenas e regulamentaes, o uso de
novos materiais desenvolvidos para no agredir o meio ambiente, risco de
denegrir a imagem da empresa junto ao mercado devido a um possvel dano
ambiental, limpeza de locais poludos, transporte e manuseio de materiais e o
aumento do preo de recursos no renovveis ou ainda aumento de impostos
sobre produtos poluentes.
- 47 -

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

inadequados, m administrao, controles defeituosos ou falha humana.
Tambm incluem as fraudes e os riscos de modelo, onde h o perigo de
imperfeio nos modelos de controle.
Riscos do Mercado: so aqueles que podem gerar resultados adversos em
funo de instabilidade em taxas de juros, taxas de cmbio, preos de aes,
etc. Para analisarmos devemos considerar: a existncia de um mercado local
ou internacional, as projees de preo para os produtos, tarifas e barreiras
alfandegrias, o acompanhamento de projetos e de produtos concorrentes, o
acesso aos mercados em termos logsticos, comunicativos e comerciais, a
obsolescncia, caso haja uso de tecnologia de grande inovao.
J para os riscos externos imprevisveis, podemos citar: medidas reguladoras, efeitos
colaterais e desastres da natureza.
Gerenciando os riscos do projeto com a matriz de probabilidade e impacto
Risco um evento ou uma condio incerta, que se
ocorrer, tem um efeito em pelo menos um objetivo do
projeto (PMBOK, 2008).
Entende-se por objetivos do projeto as reas de escopo, cronograma, custo e

qualidade, que podem ser afetadas, como j comentado, negativamente ou
positivamente, a depender da natureza do risco.
Pode parecer estranho, mas so diversas as formas de um risco afetar um objetivo do
projeto de forma positiva. Por exemplo, poderamos citar o caso de obra em que o
tempo de durao foi definido em 24 meses, com custo orado em R$20 milhes.
Devido eficincia do processo executivo utilizado, a obra foi entregue em 18 meses,
consumindo 85% dos recursos planejados.
Portanto, o impacto foi direto nos objetivos de custo e cronograma do projeto, porm o
cliente ficou imensamente satisfeito pelos resultados alcanados. O resultado do risco
- 48 -

em utilizar-se processo tecnolgico mais avanado foi positivo, pois menos recursos
foram consumidos e a obra conduzir a benefcios mais rapidamente.
Por outro lado, os riscos negativos esto diretamente associados a impactos no
desejveis em algum objetivo do projeto.
Por exemplo, o atraso na concesso de uma autorizao ambiental para incios das
obras, com impacto negativo direto no cronograma do projeto.
Os riscos podem ter maior ou menor grau de impacto e probabilidade de ocorrncia.
Diante disso, torna-se necessrio prioriz-los, a fim de aumentar o desempenho do
projeto.
necessrio se concentrar nos riscos de alta prioridade, porm sem ignorar os riscos
de menor grau de prioridade. Estes, por sua vez devem compor uma lista de
observao.
Mas essa anlise de impacto e probabilidade dos riscos no bastante subjetiva?
Ora, afinal para mim um risco X pode ter um impacto ALTO no projeto, enquanto que,
para outra pessoa esse mesmo risco considerado apenas MODERADO.
A fim de mitigar esse risco da subjetividade da anlise, o PMBOK afirma que o
estabelecimento de definies dos nveis de probabilidade e impacto pode reduzir a
influncia de parcialidade. Uma sugesto a definio de uma escala de impactos
para os quatro objetivos do projeto.
Observemos a figura apresentada a seguir:
- 49 -

18
Figura 03- Exemplo de condies para definio de escalas de risco em projeto .
As definies dos nveis de probabilidade e impacto podem ser adaptadas a cada

projeto de acordo com o ambiente organizacional. Tabelas semelhantes podem ser
definidas para os riscos positivos do projeto.
Diante dos riscos a que qualquer projeto encontra-se exposto, torna-se necessrio
encontrar uma ferramenta que possibilite prioriz-los de forma, no mnimo, aceitvel.
nesse cenrio que surge a matriz de probabilidade e impacto. Elas especificam as
combinaes de probabilidade e impacto que resultam em uma classificao dos
riscos como de prioridade BAIXA, MODERADA ou ALTA, conforme poderemos
observar na tabela apresentada a seguir:
19
Figura 04- Exemplo de definio de matriz de probabilidade e impacto em projetos .
Assim, as clulas em cinza escuro com maiores valores representam alto risco,
enquanto que as preenchidas com cinza mdio so riscos baixos. As clulas em
tonalidade cinza claro representam riscos moderados. Por exemplo, um risco negativo
com probabilidade de ocorrncia estimada em 0,70 e impacto de 0,10 representa uma
ameaa de valor 0,07, o que considerada como MODERADA.
18
Fonte: Site http://danielettinger.files.wordpress.com/2011/06/ [consulta em 01/05/2012].

Neste exemplo, ter-se-ia a definio de valores aceitveis para as probabilidades, para
ameaas e oportunidades, graduadas no eixo das abscissas conforme o seu impacto no
projeto (0,05 a 0,8), conduzindo a cdigo de cores para as classes de riscos em funo da
prioridade (baixa, moderada ou alta).
19
- 50 -

Atravs dessa ferramenta possvel ainda identificar reas do projeto que sofram
mais ameaas ou oportunidades. Para isso torna-se necessria a categorizao dos
riscos identificados no projeto, gerando assim uma estrutura hierrquica de riscos.
A avaliao de probabilidade de riscos investiga a probabilidade de cada risco
especfico ocorrer. A avaliao de impacto de riscos investiga o efeito potencial sobre
um objetivo do projeto, como tempo, custo, escopo ou qualidade, inclusive os efeitos
negativos das ameaas e os efeitos positivos das oportunidades.
A probabilidade e o impacto seriam avaliados para cada risco identificado. Os riscos
podem ser avaliados em entrevistas ou reunies com participantes selecionados por
sua familiaridade com as categorias de risco da pauta. So includos os membros da
equipe do projeto e, talvez, especialistas de fora do projeto. A opinio especializada
necessria, pois podem existir poucas informaes sobre riscos no banco de dados de
projetos passados da organizao. Um facilitador experiente pode liderar a discusso,
pois os participantes podem ter pouca experincia em avaliao de riscos.
A probabilidade de cada risco e seu impacto em cada objetivo so avaliados durante a
entrevista ou reunio. Os detalhes da explanao, inclusive as premissas que
justificam os nveis atribudos, tambm so registrados.
As probabilidades e impactos de riscos so classificados de acordo com as definies
fornecidas no plano de gerenciamento de riscos.
s vezes, os riscos com probabilidade e impacto visivelmente baixos no sero
classificados, mas sero includos em uma lista de observao para monitoramento
futuro.
Para ampliar seus conhecimentos sobre gerenciamento de riscos em projetos,

sugerimos o estudo de mtodos estatsticos para anlise, como o mtodo de
Monte Carlo, uma das ferramentas tratadas no cursoAvaliao de Riscos do
curso presencial do Programa Avaliao Socioeconmica de Projetos.
- 51 -

2.5. CONCEITOS FUNDAMENTAIS SOBRE AMOSTRAGEM

O processo de retirada de amostras de uma populao, denominado de amostragem,
uma das etapas fundamentais na tomada de decises nos diversos nveis
gerenciais, tendo em vista que uma amostragem mal executada geralmente conduz a
estatsticas pouco confiveis, bem como a tomada de deciso associada a uma
margem de erro importante.
Este tpico tem por objetivo apresentar a voc alguns conceitos e definies
essenciais para conduzir convenientemente uma operao de amostragem, visando
principalmente coleta de dados socioeconmicos. Amostragem o processo que
procura extrair da populao elementos que atravs de clculos probabilsticos, ou
no, consigam prover dados inferenciais da populao-alvo.
No Probabilstica
Acidental ou convenincia
Intencional
Quotas ou proporcional
Tipos de Amostragem
Desproporcional
Probabilstica
Aleatria Simples
Aleatria Estratificada
Conglomerado
No Probabilstica
A escolha de um mtodo no probabilstico, via de regra, sempre encontrar
desvantagem frente ao mtodo probabilstico. No entanto, em alguns casos, se faz
necessrio a opo por este mtodo. Convm ressaltar que no h formas de se
- 52 -

generalizar os resultados obtidos na amostra para o todo da populao quando se

opta por este mtodo de amostragem.
Amostragem No Probabilstica
Quando trabalhamos com a amostragem no probabilstica, no conhecemos a priori a
probabilidade que um elemento da populao tem de pertencer amostra. Neste
caso, no possvel calcular o erro decorrente da generalizao dos resultados das
anlises estatsticas da amostra para a populao de onde a amostra foi retirada.
Utiliza-se geralmente a amostragem no probabilstica pela simplicidade intrnseca ao
processo, bem como pela impossibilidade de se obter uma amostra probabilstica,
como seria desejvel. Os principais tipos de amostragem no probabilstica que temos
so amostragem sem norma ou a esmo, intencional e por cotas.
Amostragem a Esmo
Imagine um rebanho com 1.000 animais, integrantes de um lote de gado bovino a ser
destinado para corte. A enumerao destes animais ficaria muito difcil, tornando-se a
amostragem aleatria simples invivel. Assim, em situaes deste tipo, supondo que a
populao de animais seja homognea, escolhemos a esmo a quantidade relativa ao
tamanho da amostra, e quanto mais homognea for a populao, mais podemos supor
a equivalncia com uma amostragem aleatria simples. Os animais, desta forma,
sero escolhidos para compor a amostra de um determinado tamanho sem nenhuma
norma ou a esmo, o que origina o nome deste tipo de amostragem.
Acidental ou convenincia
Indicada para estudos exploratrios. Frequentemente utilizados em super mercados
para testar produtos.
- 53 -

Intencional
A amostragem intencional corresponde quela em que o responsvel pela
amostragem escolhe, deliberadamente, determinados elementos para pertencer
amostra, em funo de seu juzo de valor sobre a representatividade da populao.
Um exemplo deste tipo de amostragem corresponde situao em que se deseja
saber a aceitao em relao a uma nova marca de automvel de passeio a ser
inserida no mercado de uma cidade. Somente entraro para compor a amostra
pessoas que faam uso do automvel e que tenham condies financeiras de comprar
esta nova marca (pblico-alvo).
O entrevistador dirige-se a um grupo em especfico para saber sua opinio. Por
exemplo, quando de um estudo sobre automveis, o pesquisador procura apenas
oficinas.
Quotas ou proporcional
Neste tipo de amostragem procedida a diviso da populao em grupos,
selecionando-se uma cota proporcional ao tamanho de cada grupo. Entretanto, dentro
de cada grupo no feito sorteio, sendo procurados os elementos at que a cota de
cada grupo seja alcanada.
Em pesquisas eleitorais, a diviso de uma populao em grupos (considerando, por
exemplo, o sexo, o nvel de escolaridade, a faixa etria e a renda) pode servir de base
para a definio dos grupos, partindo da suposio de que estas variveis definem
grupos com comportamentos diferenciados no processo eleitoral. Para se ter uma
idia do tamanho destes grupos, pode-se recorrer a pesquisas feitas anteriormente
pelo IBGE (Instituto Brasileiro de Geografia e Estatstica).
Na realidade, trata-se de uma variao da amostragem intencional. Necessita-se ter
um prvio conhecimento da populao e sua proporcionalidade. Por exemplo, desejase entrevistar apenas indivduos da classe A, que representa 12% da populao. Esta
- 54 -

ser a quota para o trabalho. Comumente tambm substratifica-se uma quota

obedecendo a uma segunda proporcionalidade.
Desproporcional
Muito utilizada quando a escolha da amostra for desproporcional populao. Atribuise pesos para os dados, e assim obtm-se resultados ponderados representativos
para o estudo.
Probabilstica
Para que se possam realizar inferncias sobre a populao, necessrio que se
trabalhe com amostragem probabilstica. o mtodo que garante segurana quando
se investiga alguma hiptese. Normalmente os indivduos investigados possuem a
mesma probabilidade de ser selecionado na amostra.
Aleatria Simples
Voc deve utilizar a amostragem aleatria simples somente quando a populao for
homognea em relao varivel que se deseja estudar. Geralmente, atribumos uma
numerao a cada indivduo da populao, e atravs de um sorteio aleatrio os
elementos que vo compor a amostra so selecionados.
Todos os elementos da populao tm a mesma probabilidade de pertencer
amostra. Imagine que voc queira amostrar um nmero de pessoas que esto fazendo
um determinado concurso com n inscritos. Como a populao finita, devemos
enumerar cada um dos n candidatos e sortear n deles. o mais utilizado processo de
amostragem. Prtico e eficaz, confere preciso ao processo de amostragem.
Normalmente utiliza-se uma tabela de nmeros aleatrios e nomeiam-se os indivduos,
sorteando-se um por um at completar a amostra calculada. Uma variao deste tipo
de amostragem a sistemtica. Em um grande nmero de exemplos, o pesquisador
- 55 -

depara-se com a populao ordenada. Neste sentido, tem-se os indivduos dispostos

em sequncia o que dificulta a aplicao exata desta tcnica.
Amostragem Sistemtica
Porm, de fundamental importncia que a varivel de interesse no apresente ciclos
de variao coincidente com os ciclos de retirada, pois este fato tornar a amostragem
no aleatria.
A tcnica de amostragem caracterizada pela coleta na populao de elementos que
vo compor a amostra, de forma cclica (em perodos), se chama amostragem
sistemtica, interessante de ser utilizada quando convm obter a amostra, por
exemplo, quando os elementos da populao apresentam-se ordenados.
Uma situao tpica quando se necessite retirar uma amostra de populao onde a
varivel tempo condiciona caractersticas presentes nos elementos estudados, como
o caso da anlise da evoluo dos ndices de preos para a considerao do efeito da
inflao, durante certo perodo, sobre uma srie de pagamentos.
Quanto ao procedimento, o primeiro passo ser o clculo da constante (K) que atuar
como fator de ciclo para a definio do momento e perodo a considerar para a
realizao da amostragem o que possibilitar, em um segundo momento, a definio
do intervalo de tempo para a coleta da amostra.
Aps a definio do valor de K e definido o ponto inicial da amostragem, ou seja, um
dos elementos do primeiro intervalo constitudo pelos elementos populacionais
numerados de 1 at n. Escolhe-se o seguinte, que ser o elemento de ordem (i + K); ,
sempre somando-se K ordem do elemento anterior, at completar a escolha dos n
elementos que vo compor a amostra.
Amostragem Aleatria Estratificada
- 56 -

Quando se deseja guardar uma proporcionalidade na populao heterognea e a

varivel de interesse apresenta uma heterogeneidade na populao, permitindo a
identificao de grupos homogneos, poder a populao ser dividida em grupos
(estratos) e proceder-se amostragem dentro de cada estrato, garantindo, assim, a
representatividade de cada estrato na amostra. A estratificao em cada
subpopulao poder ser realizada mediante critrios como classe social, renda,
idade, sexo, entre outros.
Conforme comenta Tavares (2007), podemos verificar que pesquisas eleitorais
apresentam uma grande heterogeneidade em relao inteno de votos, quando
consideramos, por exemplo, a faixa salarial ou o nvel de escolaridade.
Ento, se fizssemos uma amostragem aleatria simples, poderamos incluir na
amostra uma maior quantidade de elementos de um grupo, e, proporcionalmente, este
grupo pequeno em relao populao. Desta forma, no teramos uma amostra
representativa da populao a ser estudada. Ento, podemos dividir a populao em
grupos (estratos) que so homogneos para a caracterstica que estamos avaliando,
ou seja, neste caso, a inteno de votos.
Destaca que como estamos dividindo a populao em estratos (grupos) que so
homogneos dentro de si, podemos, ento, caracterizar a amostragem estratificada.
Para efetuarmos a amostragem estratificada de forma proporcional, precisamos
primeiramente definir a proporo do estrato em relao populao.
Proporo do estrato h ser igual ao nmero de elementos presentes neste estrato
(Nh) dividido pelo tamanho da populao (N) --- (Nh/N).
Aps voc obter esta proporo do estrato em relao populao, deve-se
multiplicar o tamanho total da amostra (n) pela proporo de cada estrato na
populao (Nh/N). Assim, teremos um tamanho de amostra em cada estrato,
proporcional ao tamanho do estrato em relao populao.
A figura apresentada a seguir mostra como feita a escolha dos elementos de cada
estrato (A, B, C, D) que voc pode fazer usando amostragem aleatria simples devido
- 57 -

ao fato de os estratos serem homogneos individualmente, considerando a varivel de

interesse.
Figura 07- Critrio para a escolha dos elementos de cada estrato (A, B, C, D) (Tavares, 2007).
Conglomerado
Em corriqueiras situaes, torna-se difcil coletar caractersticas da populao. Nesta
modalidade de amostragem, sorteia-se um conjunto e procura-se estudar todo o
conjunto. exemplo de amostragem por conglomerado, famlias, organizaes e
quarteires.
Destaca Tavares (2007) que apesar de a amostragem estratificada apresentar
resultados satisfatrios, a sua implementao dificultada pela falta de informaes
sobre a populao para fazer a estratificao, o que poder ser contornado mediante a
utilizao de esquema de amostragem chamado amostragem por conglomerados,
definidos em funo da experincia do gestor ou pesquisador.
- 58 -

Comenta ainda Tavares (2007) que a utilizao da amostragem por conglomerados

possibilita uma reduo significativa do custo do processo de amostragem. Portanto,
um conglomerado um subgrupo da populao, que individualmente reproduz a
populao, ou seja, individualmente os elementos que o compem so muito
heterogneos entre si. Ressalta que este tipo de amostragem muito til quando a
populao grande, por exemplo, no caso de uma pesquisa em nvel nacional. Para
efetuarmos
amostragem
por
conglomerados,
primeiramente
definimos
conglomerado e assim dividimos a populao nos conglomerados, procedendo-se ao

sorteio dos conglomerados por meio de um processo aleatrio e so avaliados todos
os indivduos presentes no conglomerado, em um estgio.
Conglomerados so definidos geralmente segundo fatores geogrficos. . A Pesquisa

Nacional por Amostra de Domiclios (PNAD) do IBGE, por exemplo, feita por
conglomerados, em trs estgios.
2.6. DIMENSIONAMENTO DA AMOSTRA
Efetivamente, um dos temas mais importantes em uma anlise estatstica trata da

determinao de qual o melhor tamanho de amostras que devemos ter, sabendo-se
que amostras grandes so dispendiosas e demandam mais tempo de manipulao e
estudo, bem como amostras pequenas so menos precisas e pouco confiveis.
Quando se deseja dimensionar o tamanho da amostra, o procedimento desenvolve-se
em trs etapas distintas:
Avaliar a varivel mais importante do grupo e a mais significativa;
Analisar se ordinal, intervalar ou nominal;
Verificar se a populao finita ou infinita.
- 59 -

Abaixo poderemos observar diversas expresses propostas para a determinao do

tamanho da amostra:
Varivel intervalar e populao infinita
Varivel intervalar e populao finita
Varivel nominal ou ordinal e populao infinita
Varivel nominal ou ordinal e populao finita
Observa-se que a varivel d corresponde ao erro admissvel, sendo Z funo do

nvel de confiana a ser considerado. Para os casos de populaes consideradas
como finitas, a varivel N corresponde ao tamanho da populao.
A proporo (p)
ser a estimativa da verdadeira proporo de um dos nveis escolhidos para a varivel

adotada. Por exemplo, 55% dos integrantes da populao do sexo feminino, ento p
ser 0,55. A proporo (q) ser sempre 1 - p. Neste exemplo q, ser 0,45. O erro
representado por d. Para casos em que no se tenha como identificar as propores
confere-se 0,5 para p e q.
- 60 -

Como exemplo, realizaremos o clculo do tamanho de amostra para o caso de

populao considerada como infinita, recorrendo-se equao correspondente a
varivel intervalar. Observa-se que o tamanho da amostra depende do grau de
confiana desejado, da margem de erro pretendida e do desvio padro ().
Vamos ao exemplo:
Queremos estimar a renda mdia no primeiro ano de um egresso de escola tcnica
profissional. Para um nvel de confiana de 95% [
= 0,05 Z = 1,96; conforme
relao Z = f( )] quantas amostras deveremos ter para que a mdia esteja a menos
que R$250,00 da renda mdia verdadeira da populao. Suponha conhecido e igual
a R$800,00?
Caso fosse admissvel uma margem de erro de R$500, teramos:
Ou seja, caso o erro admissvel fosse o dobro, o tamanho da amostra poderia ser
reduzido quarta parte.
A utilizao de uma amostra probabilstica melhor para garantir a representatividade

da amostra, pois o acaso ser o nico responsvel por eventuais discrepncias entre
populao e amostra.
Estas discrepncias so levadas em considerao nas inferncias estatsticas.
- 61 -

FINALIZANDO O CURSO.
Terminamos o curso de Estatstica.
Parabns!
Para concluir o curso, necessrio fazer os exerccios. Volte tela inicial e clique em
Exerccios de Fixao e em Exerccios Avaliativos. Lembre-se de que esta ltima
uma atividade pontuada!
Em seguida, verifique se voc atingiu os objetivos propostos, respondendo a
Autoavaliao de Aprendizagem.
Ao final, agradecemos sua colaborao em responder a Avaliao de
Satisfao.
REFERNCIAS
UNIDADE 1
BARBETTA, P. A. Estatstica Aplicada s Cincias Sociais. 4 ed. Florianpolis: Ed.
da UFSC, 2002.
BRAULE, Ricardo. Estatstica Aplicada com Excel: para cursos de Administrao
e Economia. Rio de Janeiro: Campus, 2001.
BUSSAB, W. O.; MORETTIN, P. Estatstica Bsica. So Paulo: Atual, 2002.
COSTA NETO, P. L. de O. Estatstica. So Paulo: Edgard Blcher, 2002.
DOWNING, D.; CLARK, J. Estatstica Aplicada. So Paulo: Saraiva, 2000.
FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade. Curso de Estatstica.
Rio de Janeiro: LTC, 1982.
FREUD, J. E.; SIMON, G. A. Estatstica Aplicada. Bookman, 2000, 403 p.
LEVINE, D. M.; BERENSON, M. L.; STEPHAN, D. Estatstica: teoria e aplicaes
(usando o Microsoft Excel em portugus). LTC, 2000, 812 p.
MORETTIN, L. G. Estatstica Bsica: Probabilidade. V. 1. So Paulo: Makron
Books, 1999.
SOARES, J. F.; FARIAS, A. A.; CESAR, C. C. Introduo Estatstica. Rio de
Janeiro: LTC, 1991.
SPIEGEL, M. Probabilidade e Estatstica. Mc Graw Hill. 1993.
TAVARES, M. Estatstica Aplicada Administrao. Secretaria de Educao
Distncia do Ministrio da Educao Sistema Universidade Aberta do Brasil UAB.
- 62 -

Diretoria do Departamento de Polticas em Educao a Distncia DPEAD. Braslia:

MEC, 2007.
TRIOLA, M. F. Introduo Estatstica. Rio de Janeiro: LTC, 1999.
WONNACOTT, T. H., WONNACOTT, R. J. Estatstica Aplicada Economia e
Administrao. Rio de Janeiro: LTC, 1981.
UNIDADE 2
BARBETTA, P. A. Estatstica Aplicada s Cincias Sociais. 4 ed. Florianpolis: Ed.
da UFSC, 2002.
BRAULE, Ricardo. Estatstica Aplicada com Excel: para cursos de Administrao
e Economia. Rio de Janeiro: Campus, 2001.
BUSSAB, W. O.; MORETTIN, P. Estatstica Bsica. So Paulo: Atual, 2002.
COSTA NETO, P. L. de O. Estatstica. So Paulo: Edgard Blcher, 2002.
DOWNING, D.; CLARK, J. Estatstica Aplicada. So Paulo: Saraiva, 2000.
FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade. Curso de Estatstica.
Rio de Janeiro: LTC, 1982.
FREUD, J. E.; SIMON, G. A. Estatstica Aplicada. Bookman, 2000, 403 p.
LEVINE, D. M.; BERENSON, M. L.; STEPHAN, D. Estatstica: teoria e aplicaes
(usando o Microsoft Excel em portugus). LTC, 2000, 812 p.
MORETTIN, L. G. Estatstica Bsica: Probabilidade. V. 1. So Paulo: Makron
Books, 1999.
SOARES, J. F.; FARIAS, A. A.; CESAR, C. C. Introduo Estatstica. Rio de
Janeiro: LTC, 1991.
SPIEGEL, M. Probabilidade e Estatstica. Mc Graw Hill. 1993.
STEVENSON, William J. Estatstica Aplicada Administrao. So Paulo: Harper,
1981.
- 63 -

TAVARES, M. Estatstica Aplicada Administrao. Secretaria de Educao

Distncia do Ministrio da Educao Sistema Universidade Aberta do Brasil UAB.
Diretoria do Departamento de Polticas em Educao a Distncia DPEAD. Braslia:
MEC, 2007.
TRIOLA, M. F. Introduo Estatstica. Rio de Janeiro: LTC, 1999.
WONNACOTT, T. H., WONNACOTT, R. J. Estatstica Aplicada Economia e
Administrao. Rio de Janeiro: LTC, 1981.
- 64 -

@estatística Apostila Final

Enviado por

Dados do documento

Título original

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

@estatística Apostila Final

Enviado por

Direitos autorais:

Formatos disponíveis

Coordenao Geral de Educao a Distncia

Estatstica Aplicada Avaliao Socioeconmica de Projetos

Curso ASP Estatstica

Braslia-DF, maio de 2013.

Coordenao Geral de Educao a Distncia

Unidade 2 Probabilidades e Tcnicas de Amostragem

Coordenao Geral de Educao a Distncia

UNIDADE 1 ESTATSTICA DESCRITIVA

Coordenao Geral de Educao a Distncia

1.1. DADOS ESTATSTICOS

A estatstica, portanto, uma cincia que se dedica coleta, anlise e interpretao

Ordenadas segundo um intervalo de tempo, essas informaes constituem Sries

Coordenao Geral de Educao a Distncia

Os temas contemplados pelas Sries Estatsticas & Sries Histricas renem um

(caractersticas da populao, dinmica demogrfica e indicadores demogrficos) e

Na Figura 01 apresentada abaixo, podemos ver um dos resultados dos levantamentos

Coordenao Geral de Educao a Distncia

Outro exemplo interessante de fonte de dados para sries histricas consiste na

A Figura 02 abaixo mostra a evoluo do nmero de bitos de 2001 a 2010, com

Figura 02- Srie de dados de bitos em acidentes de trnsito no perodo 2001-2010 .

Coordenao Geral de Educao a Distncia

Estado, na formulao de polticas pblicas, fornecendo dados estatsticos

Passaremos, ento, apresentao dos fundamentos da estatstica descritiva,

Como primeiro tpico a ser trabalhado, teremos o estudo das distribuies de

1.2. DISTRIBUIES DE FREQUNCIAS

Tipos de Variveis e a Determinao do Nmero de Classes (K)

importante que a distribuio conte com um nmero adequado de classes. Se o

Coordenao Geral de Educao a Distncia

Qualquer conjunto de dados, tais como a precipitao pluviomtrica em um

Portanto, ao conjunto de distintos valores numricos que adota um carter quantitativo

Variveis qualitativas ou categricas: que no se podem medir numericamente

As variveis tambm podem se classificar em:

Variveis unidimensionais: somente transmitem informao sobre uma

Coordenao Geral de Educao a Distncia

Por sua parte, as variveis quantitativas podem classificar-se em discretas e

Quando se estuda o comportamento de uma varivel, necessrio que se proceda

Individuo: qualquer elemento que porte informao sobre o fenmeno que se

Coordenao Geral de Educao a Distncia

dados obtidos conforme metodologia utilizada na hidrologia, na forma que foram

Geralmente, este tipo de dado no possui as informaes que so necessrias pelo

Para a organizao de um conjunto de dados, recomenda-se a elaborao de tabela

Para o caso, por exemplo, da precipitao pluviomtrica mensal em uma determinada

Dados na forma em que foram coletados, sem nenhum tratamento.

Coordenao Geral de Educao a Distncia

Considerando os dados de chuva referentes ao registro de observaes em estao

Por questes de ordem prtica e esttica, sugere-se utilizar de 5 a 20 classes, e uma

Quadro 01: Precipitao pluviomtrica mdia mensal para um perodo de 4 anos.

Obs. P correspondendo a precipitaes totais mensais, em mm.

Para n = 48 observaes, teremos, ento, o nmero de classes definido por k = 48 =

Convm destacar que a definio do nmero de classes, poder, inclusive, ser

Coordenao Geral de Educao a Distncia

Em seguida determinao do nmero de classes (k) para o agrupamento dos dados,

O prximo passo, aps conhecida a amplitude de classes, ser a determinao dos

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

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

Intervalos abertos os limites da classe (inferior e superior) no pertencem a ela. Intervalos

Coordenao Geral de Educao a Distncia

Convm destacar que o ponto mdio do intervalo para a primeira classe

Poderemos, ento, elaborar um quadro de frequncias9 absolutas e relativas,

A freqncia absoluta (fa) corresponde ao numero de observaes que temos em uma

Coordenao Geral de Educao a Distncia

Em relao interpretao das informaes contidas no Quadro 03, pode-se observar

A apresentao dos dados na forma de distribuio de freqncias facilita bastante o