FACULDADE DE TECNOLOGIA DE SOROCABA

APOSTILA DE ESTATSTICA
CURSO: PROCESSAMENTO DE DADOS

Ao escrever esta Apostila no pretendi outra coisa, seno

proporcionar aos alunos da disciplina ESTATSTICA, a facilidade
de dispor de notas de aulas dos temas do Programa da Disciplina.
O acompanhamento das aulas e a pesquisa em Bibliografia sobre o assunto,
tornam-se necessrias para o adequado aproveitamento do curso.

PROF. OSNI PAULA LEITE

NDICE
1.0 DEFINIES DE ESTATSTICA ......................................................................... 1
1.1 POR QUE ESTUDAR ESTATSTICA? ......................................................... 1
1.2 A NATUREZA DOS DADOS ........................................................................ 1
1.3 TIPOS DE DADOS ....................................................................................... 2
1.4 TIPOS DE LEVANTAMENTOS .................................................................... 3
1.5 PLANEJAMENTO DE EXPERIMENTOS ..................................................... 4
EXERCCIOS: E-1...................................................................................................... 5
2.0 AMOSTRAGEM ................................................................................................... 6
2.1 DEFINIES................................................................................................ 6
2.2 AMOSTRAGEM ALEATRIA BASEADA EM NMEROS ALEATRIOS
(RANDMICOS) ................................................................................................ 8
2.3 OUTROS PLANOS DE AMOSTRAGEM ...................................................... 9
2.4 AMOSTRAGEM POR JULGAMENTO (NO PROBABILSTICA) ................ 9
2.5 AMOSTRAGEM PROBABILSTICA ........................................................... 10
2.5.1 AMOSTRAGEM SISTEMTICA............................................................... 10
2.5.2 AMOSTRAGEM ESTRATIFICADA ......................................................... 11
2.5.3 AMOSTRAGEM POR CONGLOMERADO............................................. 11
RESUMO.......................................................................................................... 11
EXERCICIOS: E-2.................................................................................................... 13
3.0 ANLISE EXPLORATRIA DE DADOS........................................................... 14
4.0 DISTRIBUIO DE FREQNCIA ................................................................... 15
5.0 REPRESENTAO GRFICA DAS VARIVEIS QUANTITATIVAS ............... 19

6.0 APRESENTAO GRFICA ............................................................................ 20

6.1 DIAGRAMA DE ORDENADAS................................................................... 20
6.2 DIAGRAMA DE BARRAS........................................................................... 21
6.3 DIAGRAMA DE CRCULOS ....................................................................... 22
6.4 DIAGRAMA DE SETORES CIRCULARES ................................................ 23
6.5 DIAGRAMA LINEAR .................................................................................. 25

6.6 O PICTOGRAMA ................................................................................................ 26

7.0 MONTAGEM DE UMA DISTRIBUIO DE FREQNCIAS ........................... 27
7.1 HISTOGRAMA E POLIGONO DAS FREQNCIAS ................................. 31
7.2 HISTOGRAMA E POLIGONO DAS FREQNCIAS RELATIVAS ............ 32
7.3 POLIGONO DE FREQNCIA ACUMULADA OU OGIVA ........................ 33
7.4 POLIGONO DA FREQNCIA ACUMULADA RELATIVA ........................ 34
8.0 TIPOS DE DISTRIBUIO ................................................................................ 35
8.1 DISTRIBUIO SIMTRICA OU EM FORMA DE SINO ........................... 35
8.2 DISTRIBUIO ASSIMTRICA................................................................. 36
8.3 DISTRIBUIO MODAL, AMODAL, BIMODAL E MULTIMODAL ............. 37
8.4 APRESENTAO TIPO RAMO-E-FOLHAS .............................................. 38
9.0 MEDIDAS DE POSIO OU DE TENDNCIA CENTRAL ............................... 40
9.1 MDIA ARITMTICA SIMPLES ................................................................. 40
9.2 MDIA ARITMTICA PONDERADA .......................................................... 41
9.3 MEDIANA (x) .............................................................................................. 41
9.4 MODA (

x ) ............................................................................................... 43

10.0 MEDIDAS DE VARIABILIDADE (DISPERSO).............................................. 44

10.1 AMPLITUDE TOTAL (R.T.) ...................................................................... 44
10.2 DESVIO PADRO .................................................................................... 45
10.2.1 DESVIO PADRO AMOSTRAL (S) ....................................................... 45
10.2.2 DESVIO PADRO DA POPULAO () ............................................... 46
10.2.3 REPRESENTAO GRFICA DO DESVIO PADRO.......................... 46
10.2.4 SISTEMATIZAO PARA O CLCULO ................................................ 47
10.3 VARINCIA .............................................................................................. 48
11.0 DISTRIBUIO NORMAL .............................................................................. 49
EXERCCIOS: E-3.................................................................................................... 55
12.0 PROBABILIDADE............................................................................................ 56
12.1 ESPAO AMOSTRAL E EVENTOS......................................................... 57
12.2 TRS ORIGENS DA PROBABILIDADE................................................... 58

12.3 A MATEMTICA DA PROBABILIDADE ................................................... 59

EXERCCIOS: E-4.................................................................................................... 62
13.0 TECNICAS DE CONTAGEM ........................................................................... 63
13.1 O PRINCIPIO DA MULTIPLICAO........................................................ 64
13.2 PERMUTAO, ARRANJO E COMBINAO. ....................................... 65
13.3 REGRAS DE CONTAGEM....................................................................... 68
EXERCCIOS: E-5.................................................................................................... 69
14.0 DISTRIBUIO DE PROBABILIDADES......................................................... 70
14.1 DISTRIBUIO BINOMIAL ...................................................................... 72
EXERCICIOS: E-6.................................................................................................... 76
14.2 DISTRIBUIO DE POISSON......................................................................... 77
EXERCICIOS: E-7.................................................................................................... 79
15.0 CORRELAO ................................................................................................ 80
15.1 INTRODUO ......................................................................................... 80
15.2 RELAO FUNCIONAL E RELAO ESTATSTICA ............................. 80
15.3 DIAGRAMA DE DISPERSO................................................................... 81
15.4 CORRELAO LINEAR.......................................................................... 82
15.5 COEFICIENTE DE CORRELAO LINEAR........................................... 85
15.6 CUDADOS COM OS ERROS COM A INTERPLETAO DE
CORRELAO ................................................................................................ 87
EXERCICIOS: E-8.................................................................................................... 88
16.0 REGRESSO LINEAR .................................................................................... 91
16.1 AJUSTAMENTO DE CURVAS ................................................................. 91
16.2 MTODO DOS MNIMOS QUADRADOS ................................................ 92
16.3 ANLISE DE REGRESSO..................................................................... 95
EXERCCIOS E-9 ......................................................................................................98

ESTATSTICA
1.0 DEFINIES DE ESTATSTICA
Etimologicamente a palavra estatstica vem de status expresso latina que
significa, sensu lato, o estudo do estado. Os primeiros a empregarem esse termo
foram os Alemes seguidos pela Itlia, Frana, Inglaterra e ainda por outros paises.
Para Levasseur a estatstica : O estudo numrico dos fatos sociais.

Yule define estatstica como: Dados quantitativos afetados marcadamente por uma
multiplicidade de causas.
Uma definio mais usual nos dias de hoje seria: Um mtodo cientifico que permite
a anlise, em bases probabilstica, de dados coligados e condensados

Ou ainda podemos dizer que : A coleta, o processamento, a interpretao e a

apresentao de dados numricos que pertencem ao domnio da estatstica
1.1 POR QUE ESTUDAR ESTATSTICA?

Por hora podemos dizer que o raciocnio estatstico largamente utilizado no

governo e na administrao; assim, possvel que, no futuro, um empregador venha
a contratar ou promover um profissional por causa do seu conhecimento de
estatstica.

1.2 A NATUREZA DOS DADOS

O dados estatsticos constituem a matria prima das pesquisas estatsticas, eles

surgem quando se fazem mensuraes ou se restringem observaes.
Estatstica descritiva: Trata-se da descrio e resumo dos dados.

Probabilidade: um estudo que envolve o acaso.

Interferncia: a analise e interpretao de dados amostrais (Amostragem).

Modelo: So verses simplificadas (Abstraes) de algum problema ou situao

real.
1.3 TIPOS DE DADOS

Quantitativos Contnuos
Discretos
Qualitativos Nominais
Por postos
As variveis contnuas podem assumir qualquer valor num intervalo contnuo. Os
dados referentes a tais variveis dizem-se dados contnuos. Ex. Peso, comprimento,
espessura onde usa-se a mensurao.
As variveis discretas assumem valores inteiros de dados discretos so os
resultados da contagem de nmeros de itens. Ex. alunos da sala de aula, nmero de
defeitos num carro novo, acidentes de uma fbrica.
Os dados nominais surgem quando se definem categorias e se conta o nmero de
observaes pertencentes a cada categoria. Ex.: atuam dentro das variveis
Qualitativas as quais devemos associar a valores numricos para que possamos
processar estatisticamente. Ex.: cor dos olhos (azuis, verdes, castanhos), sexo
(masculino e feminino), desempenho (excelente, bom, sofrvel, mau) etc.
Os dados por postos consistem de valores relativos atribudos para denotar ordem:
primeiro, segundo, terceiro, quarto, etc. Ex.: concurso de beleza se classificam em
1,2,3 colocadas.

TABELA: 1 A mesma populao pode originar diferentes tipos de dados.

TIPOS DE DADOS
POPULAES

CONTNUOS DISCRETOS NOMINAIS

Alunos de administrao idade/peso

POR POSTO

N. De classes Homens/Mulheres 3 grau

1.4 TIPOS DE LEVANTAMENTOS

Os levantamentos podem ser classificados em contnuos, peridicos e ocasionais:
CONTNUO: Quando os eventos vo sendo registrados medida que
ocorrem.Exemplos os registros civis dos fatos vitais (nascimento, bitos e
casamentos).

PERIDICOS: Acontecem ciclicamente. Exemplo o rescenceamento, feito no

Brasil a cada dez anos.

OCASIONAIS: So aqueles realizados sem a preocupao de continuidade ou

periodicidade preestabelecidas, exemplos a maioria dos trabalhos de investigao
cientifica.
DADOS PRIMRIOS: Quando o investigador no encontra dados publicados
adequados ao seu estudo, parte para a realizao de um inqurito, isto , os dados
so levantados diretamente na populao no momento da investigao.

DADOS SECUNDRIOS: Quando o investigador para verificar as sua hipteses de

trabalho utiliza- se de dados j existentes, arquivados, registrados ou publicados.
Podem ser at mesmo dados gerados pelo Departamento de Estatsticas de
Populaes da Fundao Instituto Brasileiro de Geografia e Estatstica (IBGE).

1.5 PLANEJAMENTO DE EXPERIMENTOS

1. Definio do problema: Um Estudo ou Uma Anlise

2. Formular plano para coleta de dados adequados

3. Coligir os dados

4. Analisar e interpretar os dados

5. Relatar as concluses

EXERCCIOS: E-1
1- Identifique os seguintes exemplos em termos de tipos de dados:

a- 17 gramas

b- 3 certos, 2 errados

c- 25 segundos

d- 25 alunos na classe

e- tamanho de camisa

f- Km/litro

g- O mais aprazvel

h- O mais lento

i- 5 acidentes no ms de maio

2- Responder as perguntas:

a- Defina o termo Estatstica.

b- Responder a pergunta: Por que estudar estatstica?

c- Dar exemplos de como um administrador pode se beneficiar do conhecimento

de Estatstica?

2.0 AMOSTRAGEM
AMOSTRAGEM VERSUS SENSO: Uma amostra usualmente envolve o estudo de
uma parcela dos tens de uma populao, enquanto que o censo requer o estudo
de todos os tens.
Restries ao Censo:
-

Custo

Populaes infinitas

Dificuldade nos critrios (Preciso)

Produtos de testes Destrutivos (fsforos, munies)

Tempo despendido (atualizao)

Tipos de informaes mais restritivas

Casos de excesso:
-

Populaes pequenas

Amostras grandes em relao a populao

Se exige preciso completa

Se j so disponveis informaes completas

2.1 DEFINIES
POPULAO: o conjunto de indivduos (ou objetos), que tem pelo menos uma
varivel comum observvel.
AMOSTRA: qualquer sub-conjunto da populao extrada para se realizar estudos
estatsticos

.
POPULAO

AMOSTRA

A estatstica indutiva a cincia que busca tirar concluses probabilsticas

sobre a populao, com base em resultados verificados em amostras retiradas
dessa populao.
Entretanto no basta que saibamos descrever convenientemente os dados da
amostra para que possamos executar, com xito, um trabalho estatstico
completo. Antes de tudo preciso garantir que a amostra ou amostras que sero
utilizadas sejam obtidas por processos adequados.
- O que necessrio garantir, em suma, que a amostra seja Representativa da
populao.

Dois aspectos nas amostras so fundamentais, e que do a sua representatividade

em termos:
- Qualitativos: Amostras que representem todas as sub-populaes, quando for o
caso.
- Quantitativos: Que possua quantidade de dados suficientes para representar a
Populao.

Na indstria onde amostras so freqentemente retiradas para efeito de Controle da

Qualidade dos produtos e materiais, em geral os problemas de amostragem so
mais simples de resolver.
Por outro lado, em pesquisas sociais, econmicas ou de opinio, a
complexibilidade dos problemas de amostragem so normalmente bastante grandes.
- Interferncia estatstica envolve a formulao de certos julgamentos sobre um
todo aps examinar apenas uma parte, ou a amostra, dele.

A probabilidade e a amostragem esto estreitamente correlacionadas e juntas

formam o fundamento da teoria de interferncia.
- Amostragem o ato de retirar amostra, isto , a ao.

- Amostra a quantidade de dados especificado para representar a populao.

Amostragem aleatria permite estimar o valor do erro possvel, isto , dizer quo
prxima est amostra da populao, em termos de representatividade.

Amostragem no aleatria no apresenta esta caracterstica.

H vrios mtodos para extrair uma amostra talvez o mais importante seja a
amostragem aleatria de modo geral, a amostragem aleatria exige que cada
elemento tenha a mesma oportunidade de ser includo na amostra.

Nas Populaes discretas uma amostra aleatria aquela em que cada item da
populao tem a mesma chance de ser includo na amostra.
Nas Populaes contnuas, uma amostra aleatria aquela em que a
probabilidade de incluir na amostra qualquer intervalo de valores igual
percentagem da populao que est naquele intervalo.

Populaes finitas: quando, temos constitudo por nmeros finitos, ou fixos de

elementos, medidas ou observaes.
Ex.: Peso bruto de 3000 latas de tinta de um certo lote de produo.

Populaes infinitas: so aquelas que contm, pelo menos hipoteticamente, um

nmero infinito de elementos.
Ex. Produo de carros V.W. produzidos no Brasil e a serem produzidos (universo
volkswagem), processo probabilstico.

2.2 AMOSTRAGEM ALEATRIA BASEADA EM NMEROS

ALEATRIOS (RANDMICOS)

As tabelas de nmeros aleatrios contm os dez algarismos 0,1,2,3,4,......,9. Esses

nmeros podem ser lidos isoladamente ou em grupos; podem ser lidos em qualquer
ordem. A probabilidade de qualquer algarismo aparecer em qualquer ponto 1/10.
Portanto todas as combinaes so igualmente provveis.

Conceitualmente, poderamos construir uma tabela de nmeros aleatrios

numerando dez bolinhas com os algarismos de 0 a 9 , colocando-as numa urna,
misturando bem e extraindo uma de cada vez, com reposio, anotando os valores
obtidos.
A titulo de ilustrao poderamos querer selecionar aleatoriamente 15 clientes de
uma lista de 830 de um grande magazine, a finalidade poderia ser :
Estimar a freqncia de compras;
Determinar o valor mdio de cada compra;
Registrar as queixas contra o sistema.

2.3 OUTROS PLANOS DE AMOSTRAGEM

Amostragem probabilstica versus Amostragem no probabilstica

Os planos de amostragem probabilstica so delineados de tal modo que se

conhece a probabilidade de todas as combinaes amostrais possveis. Em razo
disso, pode-se determinar

a quantidade de varivel amostral numa amostra

aleatria e uma estimativa do erro amostral. A amostragem aleatria um exemplo

da amostragem probabilstica.

A amostragem no probabilstica a amostragem subjetiva, ou por julgamento,

onde a variabilidade amostral no pode ser estabelecida com preciso,
conseqentemente, no possvel nenhuma estimativa do erro amostral.

A verdade que, sempre que possvel, deve-se usar a amostragem probabilstica.

2.4 AMOSTRAGEM POR JULGAMENTO (NO PROBABILSTICA)

Se o tamanho da amostra bem pequeno; digamos, de uns 5 itens, a amostragem
aleatria pode dar resultados totalmente no representativos, ao passo que uma
pessoa familiarizada com a populao pode especificar quais os itens mais
representativos da populao.

Exemplo: Uma equipe mdica deve trabalhar com pacientes que se apresentem
com voluntrios para testar um novo medicamento. Nenhum desses grupos podem
ser considerados como uma amostra aleatria do pblico em geral, e seria
perigoso tentar tirar concluses gerais com base em tal estudo. Todavia, os
resultados poderiam proporcionar uma base para a elaborao de um plano de
amostragem aleatrio para validar os resultados bsicos. Os perigos inerentes
pesquisa mdica , bem como outro tipo de pesquisa, freqentemente obrigam a
limitar a pesquisa inicial a um pequeno grupo de voluntrios.

Exemplo: A aplicao de hormnios em mulheres na menopausa, aps um perodo

de tempo notou-se o aumento das chances de adquirirem cncer de mama, doenas
cardacas etc.

2.5 AMOSTRAGEM PROBABILSTICA

SISTEMTICA
ESTRATIFICADA
CONGLOMERADO
2.5.1 AMOSTRAGEM SISTEMTICA
muito parecida com a amostragem aleatria simples. Podemos ter uma
amostragem realmente aleatria, escolhendo-se cada K-sima amostra, onde K
obtem-se dividindo o tamanho da populao pelo tamanho da amostra.

K= N
n

EX. N= 200 e n=10

onde: N= Tamanho da Populao

n= Tamanho da Amostra

ento K=200/10 = 20

Significa que ser escolhido um item a cada seqncia de 20 de uma lista. Para
iniciar pode-se usar uma tabela de nmeros aleatrios de 0 a 9 para iniciar os
grupos. Por exemplo se der o 9, escolhemos o 9, 29, 39 ,49 , etc.

10

2.5.2 AMOSTRAGEM ESTRATIFICADA

Pressupe a diviso da populao em sub-grupos Homogneos (Estratos),
procedendo ento a amostragem de cada sub-grupo. Ex.: Para se fazer o inventrio
do estoque, comum termos 10% dos itens representarem cerca de 60% do valor
total em quanto que os 90% restantes representam s 40% do valor total (Curva
A,B,C; Pareto; regra 80/20).
2.5.3 AMOSTRAGEM POR CONGLOMERADO

Pressupe a disposio dos itens de uma populao em sub-grupos heterogneos

(sub-populaes) representativos da populao global.

Neste caso cada

conglomerado pode ser encarado como uma minipopulao.

Ex.: Estudo pr-eleitoral para medir a preferncia dos eleitores. (Sub-grupos: sexo,
educao, faixa etria, poder aquisitivo, regio da habitao,etc).

RESUMO
A finalidade da amostra permitir fazer interferncia sobre a populao aps
inspeo de apenas parte dela. Fatores com custo, ensaios destrutivos e
populaes infinitas, tornam a amostragem prefervel a um estudo completo
(Censo) da populao.

Naturalmente espera-se que a amostra seja representativa da populao da qual foi

extrada.

Potencialmente, este objetivo atingido quando a amostragem aleatria.

Para populaes discretas o termo Aleatrio significa que cada item da

populao tem a mesma chance de participar na amostra.
No caso de populaes contnuas, significa que a probabilidade de incluir qualquer
valor de um dado intervalo de valores igual proporo com valores naquele
intervalo.
11

As amostras aleatrias podem ser obtidas:

- Atravs de um processo de mistura, com o embaralhamento de cartas;

- Pela utilizao de um processo mecnico (Misturadores);

- Utilizando-se uma tabela de nmeros aleatrios para proceder seleo de uma

lista.
Em certas condies, podem ser mais eficientes variantes da amostragem aleatria
simples, tais como amostragem sistemtica (peridica), estratificada (sub-grupos
Homogneos), ou amostragem por aglomerados (sub-grupos convenientes e
heterogneos).
A principal vantagem da amostragem aleatria que se pode determinar o grau de
variabilidade amostral, o que essencial na interferncia estatstica.
amostragem no probabilstica falta esta caracterstica.

12

EXERCICIOS: E-2
QUESTES PARA RECAPITULAO
1- Em que circunstncia a amostragem prefervel a um censo completo?

2- Quando se deve preferir um censo a uma amostragem?

3- Defina Amostra Aleatria.

4- Descreva os vrios mtodos de obteno de uma amostra aleatria. Como

escolher o mtodo a ser usado em determinada situao?

5- Explique rapidamente as caractersticas:

a. da amostragem por conglomerado;

b. da amostragem estratificada;
c. da amostragem sistemtica.

7- Que amostragem por julgamento e em que circunstncia deve ser usada?

8- Que amostragem probabilstica e quando deve ser usada?

9- Explique o significado de Amostra Aleatria quando a populao :

a. contnua

b. Discreta

13

3.0 ANLISE EXPLORATRIA DE DADOS

Em alguma fase de seu trabalho, o pesquisador se v s voltas com o problema de
analisar e entender uma massa de dados, relevantes ao seu particular objeto de
estudos.

De modo geral, podemos dizer que a essncia da cincia a observao e que seu
objetivo bsico a interferncia. Esta parte da metodologia da cincia que tem
por objetivos a coleta, reduo, anlise e modelagem dos dados, a partir do que,
finalmente, faz-se a interferncia para uma populao, da qual os dados
(amostras) foram obtidos.

14

4.0 DISTRIBUIO DE FREQNCIA

Para cada tipo de varivel existem tcnicas mais apropriadas para resumir as
informaes. Porem podemos usar algumas tcnicas empregadas num caso,
podemos adapt-las para outros.

Quando se estuda uma varivel, o maior interesse do pesquisador conhecer a

distribuio dessa varivel atravs das possveis realizaes (valores) da mesma.

Exemplo 1: Dados relativos a uma amostra de 36 funcionrios de uma populao

de 2000 funcionrios da empresa Milsa. Ver resultados anotados na tabela abaixo.

15

TABELA 1
N

ESTADO
CIVIL

GRAU DE

N DE

SALRIO

IDADE

REGIO DE

INSTRUO FILHOS (X SAL. MIN) ANOS MESES PROCEDNCIA

solteiro

1 grau

---

26

03

interior

casado

1 grau

4,56

32

10

capital

casado

1 grau

5,25

36

05

capital

solteiro

---

5,73

20

10

outro

solteiro

1 grau

---

6,26

40

07

outro

casado

1 grau

6,66

28

00

interior

solteiro

1 grau

---

6,86

41

00

interior

solteiro

1 grau

---

7,39

43

04

capital

casado

2 grau

7,59

34

10

capital

10

solteiro

2 grau

---

7,44

23

06

outro

11

casado

2 grau

8,12

33

06

interior

12

solteiro

---

8,46

27

11

capital

13

solteiro

---

8,74

37

05

outro

14

casado

8,95

44

02

outro

15

casado

2 grau

9,13

30

05

interior

16

solteiro

2 grau

---

9,35

38

08

outro

17

casado

2 grau

9,77

31

07

capital

18

casado

9,8

39

07

outro

19

solteiro

---

10,53

25

08

interior

20

solteiro

2 grau

---

10,76

37

04

interior

21

casado

2 grau

11,06

30

09

outro

22

solteiro

2 grau

---

11,59

34

02

capital

23

solteiro

---

12,OO

41

00

outro

24

casado

12,79

26

01

outro

25

casado

2 grau

13,23

32

05

interior

26

casado

2 grau

13,6

35

00

outro

27

solteiro

---

13,85

46

07

outro

28

casado

2 grau

14,69

29

08

interior

29

casado

2 grau

14,71

40

06

interior

30

casado

2 grau

15,99

35

10

capital

31

solteiro

---

16,22

31

05

outro

32

casado

16,61

36

04

interior

33

casado

superior

17,26

43

07

capital

34

solteiro

superior

---

18,75

33

07

capital

35

casado

19,4O

48

11

capital

36

casado

23,3O

42

02

interior

2 grau

1 grau
2 grau
1 grau

1 grau
superior

1 grau
superior

1 grau

superior
2 grau

2 grau
superior

16

Exemplo 2: Freqncia e percentagem da amostra de 36 empregados da

empresa Milsa segundo o grau de instruo.

TABELA 2
GRAU DE

TABULAO

FRQNCIA FREQ. RELATIVA

INSTRUO

FR %

1 grau

IIIIIIIIIIII

12

33,33

2 grau

IIIIIIIIIIIIIIIIII

18

50,OO

16,67

36

100

superior I I I I I I
TOTAL

Exemplo 3: Freqncia e percentagem dos 2000 empregados (Populao) da

empresa Milsa (Censo x Probabilidade)

TABELA 3
GRAU DE

FRQNCIA

FREQ. RELATIVA

FREQ. RELATIVA

INSTRUO

FR % Censo

FR % Provvel

1 grau

650

32,50

33,33

2 grau

1020

51,00

50,OO

superior

330

15,50

16,67

TOTAL

2000

100

100

Exemplo 4: Freqncia e percentagens dos 36 empregados (Amostra) da empresa

Milsa.

17

TABELA 4
CLASSE DE SALRIOS

FRQNCIA FREQ. RELATIVA

F

FR %

4 I------- 8

10

27,78

8 I------- 12

12

33,33

12 I------- 16

22.22

16 I------- 20

13,89

20 I------- 24

2,78

TOTAL

36

100

Exemplo 5: Freqncias e percentagem dos empregados da empresa Milsa,

segundo N de filhos.

TABELA 5
NMERO DE FILHOS

FREQNCIA FREQ. RELATIVA

Xi

FR %

20

25

35

15

20

100

TOTAL

EXERCCIO - Representar a distribuicao de frequencia para Idade e a Regiao de

procedencia dos funcionarios da Empresa Milsa.

18

5.0 REPRESENTAO GRFICA DAS VARIVEIS

QUANTITATIVAS
A representao grfica da distribuio de freqncias de uma varivel tem a
vantagem de, rpida e concisamente, informar sobre a variabilidade da mesma.
Podemos optar por vrios tipos de grficos, porem qualquer que seja ele, devemos
especificar os elementos essenciais para a sua interpretao, que so:
-

o ttulo;

o corpo;

o cabeario;

as colunas indicadoras.

TTULO a indicao que, precedendo a tabela, colocado na parte superior da

mesma. Deve ser preciso, claro e conciso, indicando a natureza dos fatos estudados
(o que), e a poca (quando) em que o mesmo foi observado.

CORPO da tabela o conjunto de linhas e colunas que contem respectivamente,

as sries Horizontais e verticais de informaes. Casa, cela ou clula o
cruzamento de uma linha com uma coluna, onde se tem a freqncia com que a
categoria (ou categorias) aparecem.

CABEARIO parte da tabela em que designada a natureza (as categorias,

as modalidades da varivel) do contedo de cada coluna.

COLUNA INDICADORA parte da tabela em que designada a natureza (as

categorias, as modalidades da varivel) do contedo de cada linha.
Os elementos complementares de uma tabela so:
-

Fontes;

Notas.

FONTE o indicativo, no rodap da tabela, da entidade responsvel pela sua

organizao ou fornecedora dos dados primrios. A razo da presena da fonte no
somente honestidade cientifica, mas tambm permitir ao leitor a possibilidade de
consultar o trabalho original de onde procedem as informaes.

NOTAS so colocadas no rodap da tabela para esclarecimentos de ordem geral.

E so numeradas, podendo-se tambm usar smbolos grficos, sendo comum o
asterisco.

19

6.0 APRESENTAO GRFICA

A apresentao grfica dos dados e respectivos resultados de sua anlise pode
tambm ser feita sob forma de figuras, em geral grficos ou diagramas.
Grficos devem ser auto-explicativos e de fcil compreenso, de preferncia sem
comentrios inseridos.Devem ser simples, atrair a ateno do leitor e inspirar
confiana.

6.1 DIAGRAMA DE ORDENADAS

Para sua construo traada uma reta horizontal (ou vertical) de sustentao; a
partir

de

pontos

eqidistantes

na

reta,

traa-se

perpendiculares

cujos

comprimentos sejam proporcionais s freqncias.

freqncias

12

10

0
4 I-------8

8 I-------12

12 I-------16

16 I-------20

20 I-------24

Salrios
20

6.2 DIAGRAMA DE BARRAS

A mesma distribuio acima poderia ser representada por meio de diagrama que
levasse em conta a magnitude da rea da figura geomtrica, j que a vista
repousa melhor sobre uma superfcie do que sobre uma linha.

freqncias

12

10

0
4 I-------8

8 I-------12

12 I-------16

16 I------- 20

20 I-------24
Salrios

21

6.3 DIAGRAMA DE CRCULOS

Alem do retngulo, outra figura geomtrica utilizada o crculo ou conjunto de
crculos. Lembrando que a rea do crculo o produto do nmero irracional =
(3,1416) pelo quadrado do raio (r), isto ,

C= .r , e desde que as reas dos

diversos crculos devem ser proporcionais s magnitudes das freqncias, isto , C

= . f onde o fator de proporcionalidade, segue-se que:

. f = . r , ou seja,

r = .f

Se chamar

portanto, os

de `, tem-se

: r = `. f

raios dos crculos devem ser proporcionais a raiz quadrada das

freqncias das modalidades da varivel.

Assim se quisermos representar graficamente a distribuio da tabela 1.4, os raios
do crculo devero ser:

r1 = 27,78 . `= 5,27 . ` 5,27. 3 = 15.8 mm

r2 = 33,33 . `= 5.77 . ` 5,77. 3 = 17,3 mm

r3 =

22.22. `=

r4 = 13,89 . `=

r5 =

2,78 . ` =

4,71. ` 4,71. 3 = 14,1 mm

3.72. `

3,72. 3 = 11,1 mm

1,66 ` 1,66. 3 = 5,00 mm

A figura abaixo representa esta distribuio, com um ` adotado de 3 mm.

2,7
%

13,89
%

22,22

27,78
%

33,33
%

22

6.4 DIAGRAMA DE SETORES CIRCULARES

Outra opo seria atravs de setores circulares, na qual se divide a rea total de um
crculo em subreas (setores) proporcionais as freqncias.
Lembrando que o crculo compreende setores cujas reas (S) so produto do raio (r)
pelo tamanho do arco (a), isto , S = r.a, e com S deve ser proporcional a freqncia
f, tem-se S= .f , onde o fator de proporcionalidade; ento:

.f = r. a

a =

.f
r

Se chamarmos

de `, tem-se S = `. f , isto , os arcos e os respectivos

r
ngulos centrais de um crculo igual a 360, e sendo F a freqncia total, tem-se

360 = `. F

ou seja: `= 360

Portanto a = 360. f

Assim, a distribuio de freqncia da tabela 4 representando faixas de salrios fica:

a1 = 360 x 27,78 = 100

100

a2 = 360 x 33,33 = 120

100

a3 = 360 x 22,22 = 80
100

a4 = 360 x 13,89 = 50
100

S5 = 360 x 2,78 = 10
100
23

Diagrama de Setores Circular

120
50
10

100

80

Diagrama de Setores Circular feito automaticamente pelo excel

33%
22%

28%

14%
3%

24

6.5 DIAGRAMA LINEAR

No diagrama linear deve-se plotar os pontos nos eixos como foi feito no diagrama de
barras e em seguida unir esses pontos por semi-retas contituindo-se desta forma o
diagrama linear.
freqncias

12

10

x
8

6
x
4

2
x

0
4 I-------8

8 I-------12

12 I-------16

16 I-------20

20 I-------24

salrios

25

6.6 O PICTOGRAMA
A figura abaixo mostra um exemplo de apresentao pictogrfica de dados temporais
(comumente encontrada em jornais, revistas e relatrios de vrios tipos), no caso abaixo
representa a populao dos Estados Unidos.

1920
1930

1940
1950
1960
1970
1980
1990

Cada smbolo

= 10 milhes de pessoas

Pictograma da populao dos Estados Unidos

26

7.0 MONTAGEM DE UMA DISTRIBUIO DE FREQNCIAS

A anlise estatstica de dados relativos a uma amostra de uma populao, requer uma
aglutinao organizada de informaes, conforme regras cuja prtica demonstrou serem
eficientes.
Consideremos uma relao de pesos de pacotes de manteiga, em gramas, de uma
amostra de 100 pacotes extrados parcialmente de um processo automtico de
empacotamento.
A especificao de fabricao 215 15 gramas (200 a 230 gramas)

TABELA 6

AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO
1

207

21

220

41

210

61

210

81

217

213

22

204

42

214

62

220

82

211

210

23

213

43

219

63

213

83

213

215

24

211

44

215

64

217

84

218

201

25

214

45

217

65

214

85

213

210

26

217

46

213

66

219

86

216

212

27

224

47

218

67

214

87

218

204

28

211

48

214

68

215

88

216

209

29

220

49

215

69

223

89

206

10

212

30

209

50

212

70

217

90

212

11

215

31

214

51

221

71

213

91

207

12

216

32

208

52

211

72

218

92

213

13

221

33

217

53

218

73

207

93

215

14

219

34

214

54

205

74

210

94

212

15

222

35

209

55

220

75

208

95

223

16

225

36

212

56

203

76

214

96

210

17

215

37

208

57

216

77

211

97

226

18

218

38

215

58

222

78

205

98

224

19

213

39

211

59

206

79

215

99

214

20

216

40

216

60

221

80

207

100

215

O agrupamento destes dados em sub-grupos feito com base nos seguintes conceitos:
27

Amplitude total (R.T.): a diferena entre a medida mxima e a medida mnima. No

caso da amostra de pacotes de manteiga acima, temos:
R.T. = 226 201 = 25 gramas
Nmero de classes (d) : o nmero de divises que estipulamos para a Amplitude Total.
Normalmente pode-se usar

d = n

onde n= nmero de itens na amostra para o

exerccio temos d = 100 10 classes, porem deve-se utilizar sempre que possvel
nmero impar de classes no caso 9 classes.

Classe: o intervalo de variao das medidas.

Amplitude do intervalo de classe (R.I.): a diferena entre os valores mximos e

mnimos de cada classe.
Amplitude intervalo de cada classe R.I . =

R.T
Nmero de Classes

No caso do exerccio temos:

Amplitude intervalo de cada classe R.I . = 25 = 2,7 aprox. 3

7
RI adotado = 3

RT adotado = 27 diferenca 2 comeca uma antes do menor e termina

um antes do maior valor.

As classes devem ser mutuamente exclusivas, para que no haja duvida na localizao
dos valores das variveis, podemos dai utilizar as seguintes simbologias para os
intervalos:
0 ----I 10 intervalo aberto & fechado, para significar que o intervalo compreende os
valores da varivel maiores do que 0 (excludo) e at 10 (inclusive);

0 I---- 10 intervalo fechado & aberto, para significar que compreende os valores da
varivel a partir de 0 (inclusive) e at 10 (exclusive);
0 ----- 10 Intervalo aberto & aberto, para significar que compreende valores maiores do
que 0 e menores do que 10.

28

0 I----I 10 intervalo fechado & fechado, para significar que compreende os valores da
varivel a partir de 0 (inclusive) e at 10 (inclusive).

TABELA de DISTRIBUIO das FREQNCIAS

Para a facilidade e metodizao do processo de anlise estatstica, monta-se um tabela
que agrupe as informaes obtidas, de forma de Tabela de Freqncias. Para os pacotes
em pauta, teremos a seguinte tabela de freqncias:

TABELA 7

VALOR COMPRIMENTO
CLASSE

CLASSE

FREQ. FREQUENCIA FREQUENCIA FREQUENCIA

TABULAO

RELATIVA %

ACUM.

ACUM. REL.%

200 ---I 203 I I

203 ---I 206 I I I I I I

206 ---I 209 I I I I I I I I I I

10

10

18

18

209 ---I 212 I I I I I I I I I I I I I I I I I I

18

18

36

36

212 ---I 215 I I I I I I I I I I I I I I I I I I I I I I I I I I I I

28

28

64

64

215 ---I 218 I I I I I I I I I I I I I I I I I I

18

18

82

82

218 ---I 221 I I I I I I I I I I

10

10

92

92

221 ---I 224 I I I I I I

98

98

224 ---I 227 I I

100

100

100

100%

29

Onde:
Freqncia (F) = o numero de vezes que as medidas ocorrem no intervalo de classes

Freqncia relativa (FR) = a percentagem da freqncia de cada classe em relao ao

total de elementos.
FR =

F d x 100
N

Freqncia acumulada (FA) =

a soma das freqncias at o intervalo de classe

considerado.

Ex.

Fa5 = F1+ F2 + F3 + F3 + F5 2+ 6+ 10+ 18+ 28 = 64

Freqncia acumulada relativa (FAR) = a soma das freqncias relativas at o

intervalo considerado

Far3 = Fr1 + Fr2 + Fr3 2 + 6 + 10 = 18

30

7.1 HISTOGRAMA E POLIGONO DAS FREQNCIAS

freqncias
28
POLIGONO DE
FREQNCIAS

21

14

CLASSES

31

7.2 HISTOGRAMA E POLIGONO DAS FREQNCIAS RELATIVAS

%
28%
POLIGONO DE
FREQNCIA
RELATIVA

21%

14%

7%

0
1

CLASSES

32

7.3 POLIGONO DE FREQNCIA ACUMULADA OU OGIVA

F.AC.
100
POLIGONO DE
FREQNCIAS
ACUMULADA
80

60

40

20

01

CLASSES

33

7.4 POLIGONO DA FREQNCIA ACUMULADA RELATIVA

F.AC
REL.

100 %
POLIGONO DE
FREQNCIAS
ACUMULADA
RELATIVA

80 %

60 %

40 %

20 %

0 %1

CLASSES

34

8.0 TIPOS DE DISTRIBUIO

As distribuies de freqncia podem se apresentar de diversas formas conforme as
figuras a seguir:

8.1 DISTRIBUIO SIMTRICA OU EM FORMA DE SINO

A distribuio simtrica quando os valores se distribuem igualmente em torno da mdia
(X)

A) Normal

B) Alongada

35

C) Achatada

8.2 DISTRIBUIO ASSIMTRICA

aquela em que as freqncias dos valores medidos, se distribuem de forma desigual
em torno da mdia.

A) Assimtrica Positiva

36

B) Assimtrica Negativa

8.3 DISTRIBUIO MODAL, AMODAL, BIMODAL E MULTIMODAL

Chamamos de moda numa distribuio, ao valor da medida ou classe que corresponde
freqncia mxima. Sob o critrio da moda as distribuies classificam-se em:

A) DISTRIBUIO MODAL Quando a distribuio tem freqncia mxima ela

denominada modal.

mo

B) DISTRIBUIO AMODAL Quando a distribuio no tem moda

37

C) DISTRIBUIO BIMODAL Quando a distribuio tem duas modas.

mo

mo

D) DISTRIBUIO MULTIMODAL Quando a distribuio tem mais de duas modas

mo

mo

mo

8.4 APRESENTAO TIPO RAMO-E-FOLHAS

Uma alternativa para o uso da tabela de distribuio de freqncias usar o grfico do
tipo ramo-e-folhas.
Podermos estudar a partir de um exemplo prtico:
Observamos os seguintes nmeros de passageiros em 50 viagens de um avio que faz
ponte area Rio - So Paulo:

38

61

52

64

84

35

57

58

95

82

64

50

53

103

40

62

77

78

66

60

41

58

92

51

64

71

75

89

37

54

67

59

79

80

73

49

71

97

62

68

53

43

80

75

70

45

91

50

64

56

86

SOLUO:
3

10

F.A.

12

19

11

30

39

45

49

50

A MEDIANA NESTE CASO SER X = 64

39

9.0 MEDIDAS DE POSIO OU DE TENDNCIA CENTRAL

Como o prprio nome indica, a medida de tendncia central visa a determinar o centro da
distribuio. Esta determinao, porem, no bem definida da parece razovel
chamarmos de tendncia central.

So medidas de tendncia central:

MDIA ARITMTICA SIMPLES/PONDERADA;

MEDIANA;

MODA.

9.1 MDIA ARITMTICA SIMPLES

Dada uma distribuio de freqncias, chama-se de mdia aritmtica desta destituio, e

representa-se por

a soma de todos os valores da varivel, dividida pelo nmero de

variveis n.

x
n
n

Sendo:

x
i= 1

Exemplo: Calcular a mdia aritmtica simples de 8, 3, 5, 12, 10.

8 + 3 + 5 + 12 + 10 = 38 = 7,6
5

40

9.2 MDIA ARITMTICA PONDERADA

K
xi .fi
i= 1

=
K

fi

i= 1

onde: f = freqncia dos nmeros

x = nmeros

Exemplo: Calcular a mdia ponderada dos nmeros 5, 8, 6, 2

os quais ocorrem com as

freqncias 3, 2, 4 e 1, respectivamente

Nmeros

x = 5, 8, 6, 2

Freqncias

f = 3, 4, 2, 1

= 3x5 + 4x8 + 2x6 + 1x2

3+4+2+1

= 57 = 5,7
10

9.3 MEDIANA (x)

Se ordenarmos uma seqncia de nmeros do menor para o maior e se a quantidade

desses nmeros for impar, ento a mediana ser o valor do meio, ou a mdia dos dois
valores do meio caso a quantidade de nmeros seja par.
O smbolo que usamos para representar a mediana x

l-se x til.

No caso de calculo da mediana quando estamos trabalhando com distribuio de

freqncia determinamos o valor mais provvel dessa distribuio a partir de:

= Freqncia acumulada total =

2

FA

(para nmeros pares)

41

Ou ainda A posio DA MEDIANA definida por

{ n+1 }

-simo elemento quando n

mpar temos um nmero inteiro e d a posio da mediana;

Exemplo: Determine a posio da mediana para a) n=15 b) n=45 c)n=88

a)

n+1 = 15+1 = 8, e a mediana o valor do 8 elemento;

2

b)

n+1 = 45+1 = 23, e a mediana o valor do 23 elemento;

2

c) n

2
88 = 44 e a mediana o valor correspondente ao valor do 44elemento.
2

No caso do exerccio da distribuio dos 100 valores de peso de pacotes de manteiga

temos:
X = n

= 100

= 50, e a mediana o valor do 50 elemento

50
valor

FA

18

36

64

82

92

98

100

X 200

203

206

209

212

215

218

221

224

227

50

(64 36)

(215 212)

(64 50)

36

64

212

215

42

14 x 3 = 1,5
28

portanto a mediana ser 212 +

9.4 MODA (

logo, X = 212 + 1,5 = 213,5

x )

Em um conjunto de nmeros a moda o valor que ocorre com maior freqncia, isto , o
valor mais comum.
Exemplos:
1) 2, 2, 3, 7, 8, 8, 8, 9, 10
moda=8
2) 1, 2, 3, 4, 5, 6, 7, 8, 9, 10

moda = (no existe moda)

3) 2, 2, 4, 4, 4, 5, 6, 7, 8, 8, 8, 9
moda = 4 e 8

Para o exemplo do exerccio das distribuies de freqncias dos pacotes de

manteiga temos que a moda o ponto mdio da classe modal, localiza-se a classe
modal como sendo a classe com maior freqncia e em seguida determina-se seu
ponto mdio.

Classe modal a 5 classe, portanto moda = 212 + 215 = 213,5

2

43

10.0 MEDIDAS DE VARIABILIDADE (DISPERSO)

As medidas de disperso indicam se os valores esto relativamente prximos uns
dos outros, ou separados. Podemos dizer que disperso o grau com o qual os
valores numricos de uma distribuio tendem a se distanciar em torno de um valor
mdio.
Em todos os casos, o valor zero indica ausncia de disperso; a disperso aumenta
proporo que aumenta o valor da medida (amplitude,desvio-padrao, varincia).

xx x x x x xxx xxx xx x x

a) pequena disperso
xx

xxx

x x x

x x x x x xx x x

xxx

x x xx x x

x x xx

b) grande disperso

10.1 AMPLITUDE TOTAL (R.T.)

a medida mais simples de disperso. a diferena entre o maior e o menor valor

das observaes.
R.T. = Xmax Xmin
Embora exista simplicidade de clculo, existem duas restries ao seu generalizado:

1- Utiliza apenas uma parcela das informaes contidas nas observaes. O seu
valor no se modifica mesmo que os valores das observaes variem, desde que
conservem os seus valores Mximo e mnimo.

2- Depende do nmero de observaes na amostra. Em geral o valor da amplitude

cresce quando cresce o tamanho da amostra.
44

X min.I

I x max.
R.T. = pequeno

X min.

I X max.
R.T. = Grande

10.2 DESVIO PADRO

medida que determina a variao dos valores observados em torno da mdia da
distribuio, e representa a distncia do ponto de inflexo da curva at a linha da mdia.

10.2.1 DESVIO PADRO AMOSTRAL (S)

O desvio padro da amostra representa a disperso da amostra e dada pela equao:

S=

(X1-

) + (X2-

) + (X3-

) + ..... +(Xn-

45

Onde: Xi = Medidas individuais

S=

( Xi -

n = Nmero de elementos ou
valores

10.2.2 DESVIO PADRO DA POPULAO ()

O desvio padro da populao representa a o grau de disperso da populao em torno

da mdia representado por , tambm representa a distncia do ponto de inflexo, e
dado pela expresso:

(X1-

) + (X2-

) + (X3-

) + ..... +(Xn-

n-1

( Xi -

n-1

10.2.3 REPRESENTAO GRFICA DO DESVIO PADRO

46

10.2.4 SISTEMATIZAO PARA O CLCULO

Para sistematizar o clculo do desvio padro de uma amostra utilizado o seguinte

procedimento:

1- Calcular o valor da mdia;

2- Montar a tabela abaixo

observaes

Xi

Xi -

(Xi -

X1

X1 -

(X1 -

X2

X2 -

(X2 -

X3

X3 -

(X3 -

Xn

medidas

Xn -

( Xn -

(Xi-

3-Aplicam-se as frmulas:

S=

( Xi -

( Xi -

n-1

47

10.3 VARINCIA

Varincia da populao a soma dos quadrados dos desvios de cada observao em

relao mdia de x, divide-se por n 1. Indica-se a Varincia da Populao por .
Podemos fazer a mesma analogia com a Varincia da Amostra dada por S.

Frmula da varincia da Amostra

n

( Xi
S=

i=1

Frmula da varincia da Populao

n

( Xi
=

)
onde n 1 = nmero de graus de liberdade

i=1

n-1

Como medida de disperso, a Varincia tem a desvantagem de apresentar unidade de

medida igual ao quadrado da unidade de medida dos dados. Se os dados esto em
metros, a Varincia fica em metros quadrados.
O desvio padro por sua vez, fica com valor na mesma da unidade da varivel.

48

11.0 DISTRIBUIO NORMAL

(ou de GAUSS, ou de LAPLACE, ou ainda, dos ERROS DAS OBSERVAES)
uma distribuio contnua e simtrica, cujo grfico tem a forma de um sino. A
distribuio normal o resultado da atuao conjunta de causas aleatrias.

F (x)

x- 3

x- 2

x- 1

x +1 x+ 2 x+ 3

Parmetros da Distribuio Normal

Mdia da Populao
Determinam o formato da curva
Desvio padro da populao

Equao da Funo de Probabilidade A equao da funo de probabilidade dada

pela expresso:
- ( x - )
2
f(x)

Do estudo de estatstica conclumos que:

- a varivel x pode assumir qualquer valor real no intervalo

- < x < +
49

- a varivel x obedecer a uma Distribuio Normal, se a probabilidade de que um valor

x seja menor ou igual a outro xo for:
- ( x - )
x0
P( x < x0 ) = f(x0) =

1
2

dx

- a integral da expresso representa a rea compreendida entre

xo.

F (x)

X0

Portanto:

A probabilidade de ocorrncia de um valor menor ou igual rea abaixo da curva, entre

os valores -

xo .

Os valores = 3,1416 e

e ( nmero

neperiano) = 2,718 so constantes numricas.

CARACTERISTICAS DA CURVA DE DISTRIBUIO NORMAL

A curva normal obedece necessariamente s seguintes caractersticas:
a- A mdia o valor da varivel x para o qual a f(x) mxima.
50

b- O desvio Padro , a distncia entre a mdia e o ponto de inflexo da curva.

c- A rea total sob a curva normal igual a 1, pela prpria equao da probabilidade.
d- Em virtude da simetria as reas direita e esquerda do valor so iguais

DISTRIBUIO NORMAL PADRONIZADA

Se tomarmos a equao auxiliar:

Z=

o que significa adotar como origem dos z o ponto em que x =

e como unidade de

escalados z e o desvio padro , teremos transformado a expresso da funo das

probabilidades na distribuio normal reduzida:

- z
2
f(z)=

Considerando, a partir da equao auxiliar:

dz =

dx

dx

= . dz

Portanto a funo da probabilidade, em funo de Z, ser dada pela expresso:

51

- z
z
f(z)=

1
2

dz

As reas sob a curva permanecem as mesmas, mas agora podem ser tabuladas em
funo dos valores de Z (Ver figura abaixo, eixo dos Z). Basta construir a tbua das reas
para os valores I(z), na tbua 1.

Por exemplo, a rea desde Z=0, at Z= 1,0 I(1,0) = 0,3413 ou 34,13% da rea total da
curva; conseqentemente, dentro do intervalo 1 temos 68,26% da rea total da curva.
Se procurarmos a probabilidade de encontrarmos um valor de x dentro do intervalo
0,95 onde

a media, o desvio padro da populao, teremos:

P(- Z0 < Z < Z0) = P ( 0,95 < Z < + 0,95 )

Iz1 = 0,3289

It= 0,6578 ou 65,78%.

Apresentamos na tabela abaixo alguns dos mais importantes intervalos de distribuio

normal para aplicaes em exerccios de probabilidade na curva normal.

TBUAS DE REAS DA CURVA NORMAL

A partir da equao auxiliar

Z=

podemos transformar valores de x em

valores de z e em seguida construir uma tabela com resultados das integrais, que
corresponde rea sob a curva xo intervalo de 0 a Z0 identificada por Iz0.

52

F (x)

x- 3

x- 2

-3

-2

x- 1

-1

x +1

x+ 2

x+ 3

Transformao de X em Z

Xo

Z=

X -

Zo

+ 1
+ 2
+ 3
- 1
- 2
- 3

+ 1-

+ 2-

+ 3-

--

- 2 -

- 3 -

0
1
2
3
-1
-2
-3

53

I Zo

Zo

AREAS I ZO = P (0 z Z0) para Z0= (x - )/

I Z0

Z0

I Z0

Z0

I Z0

Z0

I Z0

Z0

I Z0

Z0

I Z0

Z0

0,00 0,0000 0,60 0,2257 1,20 0,3849 1,80 0,4641 2,40 0,4918 3,00 0,4987
0,05 0,0199 0,65 0,2422 1,25 0,3944 1,85 0,4678 2,45 0,4929 3,05 0,4989
0,10 0,0398 0,70 0,2580 1,30 0,4032 1,90 0,4713 2,50 0,4938 3,10 0,4990
0,15 0,0596 0,75 0,2734 1,35 0,4115 1,95 0,4744 2,55 0,4946 3,15 0,4992
0,20 0,0793 0,80 0,2881 1,40 0,4192 2,00 0,4772 2,60 0,4953 3,20 0,4993
0,25 0,0987 0,85 0,3051 1,45 0,4279 2,05 0,4798 2,65 0,4960 3,25 0,4994
0,30 0,1179 0,90 0,3159 1,50 0,4332 2,10 0,4821 2,70 0,4965 3,30 0,4995
0,35 0,1369 0,95 0,3289 1,55 0,4394 2,15 0,4842 2,75 0,4970 3,35 0,4996
0,40 0,1554 1,00 0,3413 1,60 0,4452 2,20 0,4861 2,80 0,4974 3,40 0,4997
0,45 0,1736 1,05 0,3531 1,65 0,4505 2,25 0,4878 2,85 0,4978 3,50 0,4998
0,50 0,1915 1,10 0,3643 1,70 0,4554 2,30 0,4893 2,90 0,4981 3,70 0,4999
0,55 0,2088 1,15 0,3749 1,75 0,4599 2,35 0,4906 2,95 0,4984 3,90 0,5000

54

EXERCCIOS: E-3
1- Trace uma curva normal e sombreie a rea desejada a partir das informaes:

a- rea direita de z=1,0

b- rea da esquerda de z= 1,0
c- rea entre z=0 e z=1,5
d- rea entre z=0 e z= - 2,9
e- rea entre z=1,0 e z= 2,0
f- rea entre z= -2,0 e z= 2,0
g- rea entre z= 2,5 e z=3,0

2- Ache os valores de z correspondentes as seguintes reas:

a- rea esquerda de para Iz = 0,0505

b- rea esquerda de para Iz = 0,0228
c- rea esquerda Iz= 0,4505 e rea da direita Iz = 0,4861

3- Uma distribuio normal tem media 50 e desvio padro 5. Que percentagem da

populao estaria provavelmente dentro dos intervalos:

a- P ( x

60)

b- P ( 35 x 62)
c- P ( 55
d- P ( x >

x 65)
55)

e- P ( 35 x 45)

4- Suponha uma renda mdia de uma grande comunidade possa ser razoavelmente
aproximada por uma distribuio normal com media anual de R$ 10.000,00 e
desvio padro de R$ 2.000,00.

a- Que percentagem da populao ter renda superior a R$ 15.000,00?

b- Numa amostra de 50 assalariados, quantos podemos esperar que tenham
menos de R$ 8.000,00 de renda?
55

12.0 PROBABILIDADE
O problema fundamental da estatstica consiste em lidar com o acaso e a incerteza.
Chama-se probabilidade de um acontecimento a razo entre o nmero de casos
favorveis ao mesmo e o nmero total de acontecimentos possveis.

Assim quando se considera uma populao limitada de P indivduos, a probabilidade de

cada um ser escolhido, ao acaso, de 1/P.

Laplace definiu probabilidade como: O quociente do nmero de casos favorveis sobre o

nmero de casos igualmente possveis.
Por exemplo, se jogarmos uma moeda no viciada para o ar, de modo geral no
podemos afirmar se vai dar cara ou coroa.
Porm existem apenas dois eventos possveis: sair cara ou coroa Nesse exemplo
existe um caso favorvel a esse evento em dois casos possveis. A P (K) = ou 50%.

Considerando-se cara como sucesso e coroa como fracasso e representando-se o

acontecimento favorvel como P e o no favorvel como Q, temos as razes:

P=

Sendo

P+Q = 1

Ento

P= (1 - Q)

Q=

e Q = (1 - P)

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 1,00 P(A), maior a
chance de ocorrncia do evento A, e quanto mais prxima de Zero, menor a chance de
ocorrncia do evento A.

Um evento impossvel atribui-se a probabilidade Zero.

Um evento certo tem probabilidade de 1.

As probabilidades podem ser expressas, inclusive por valores decimais, fraes e
percentagem como: 20%; 2 em 10; 0,2; ou ainda 1/5.
56

Alm do uso na interpretao de jogos de azar, usa-se ainda a probabilidade mediante

determinada combinao de julgamento, experincia ou dados histricos, para predizer
Quao Provvel a ocorrncia de determinado evento futuro.
H numerosos exemplos de tais situaes no campo dos Negcios e do Governo. A
previso da aceitao de um novo produto, o clculo dos custos de produo, a
contratao de um novo empregado, o preparo do oramento, a avaliao do impacto de
uma reduo de impostos sobre a inflao tudo isso contm algum elemento de Acaso.

12.1 ESPAO AMOSTRAL E EVENTOS

Consideremos o experimento que consiste em extrair uma carta de um baralho de 52

cartas. H 52 eventos elementares no espao amostral. Quanto aos eventos podemos
classific-los em:

ESPAO AMOSTRAL

COMPLEMENTO

Cartas vermelhas e cartas pretas

No se interceptam cartas de
MUTUAMENTE EXCLUDENTE

copas e cartas de paus

NAO SO MUTUAMENTE

Cartas de copas e figuras, tem

EXCLUDENTE

elementos em comum.

Cartas de paus, ouro, copas e

COLETIVAMENTE EXAUSTIVO

espadas

57

12.2 TRS ORIGENS DA PROBABILIDADE

H trs maneiras diferentes de calcular ou estimar probabilidades, O mtodo Clssico,
quando o espao amostral tem resultados igualmente provveis. O mtodo Emprico, que
se baseia na freqncia relativa de ocorrncia de um evento num grande nmero de
provas repetidas; e o mtodo Subjetivo, que utiliza estimativas pessoais baseadas num
certo grau de crena.

OBJETIVO

SUBJETIVO

CLSSICO

EMPRICO

Opinio Pessoal

(resultados igualmente provveis)

(dados histricos)

O Mtodo Clssico
Os jogos de azar (lanamento de moedas, jogo de dados, extrao de cartas)
usualmente apresentam resultados igualmente provveis.
Nestes casos temos:

P(cada resultado) =

1
Nmero de resultados possveis

Se cada carta de um baralho de 52 tem a mesma chance de ser escolhida, ento a

probabilidade de extrair cada uma delas de 1/52

P (A) = 1/52

1,92%.

Da mesma forma a probabilidade de termos uma cara no lanamento de uma moeda

ou 50%. O mesmo ocorre com uma coroa, ou seja ou 50%.
No caso de um dado temos a probabilidade de dar qualquer nmero: 1,2,3,4,5,6 de 1/6
ou de 16,66%.

De forma geral vale tambm a expresso:

58

P(A) = Nmero de resultados associados ao evento A

Nmero total de resultados possveis

Por exemplo, a probabilidade de extrao de uma dama, de acordo com esta definio,

P (dama) =

4 damas = 4
52 cartas
52

= 1 = 7,69%
13

Analogamente, a probabilidade de obter nmero mpar no lance de um dado

P(mpar) =

3 faces
6 faces possveis

3
6

ou

50%

12.3 A MATEMTICA DA PROBABILIDADE

Muitas aplicaes de estatstica exigem a determinao

da probabilidade de

combinaes de eventos. H duas categorias de eventos de interesse, A e B, no espao

amostral.
Pode ser necessrio determinar P(A e B), isto ; a probabilidade de ocorrncia de ambos
os eventos.
Em outras situaes, podemos querer a probabilidade de ocorrncia de A ou B P(A ou B).

Clculo da Probabilidade da ocorrncia de dois eventos independentes P(A e B)

Se dois eventos so independentes, ento a probabilidade da ocorrncia de ambos

igual ao produto de suas probabilidades individuais:
P(A e B) = P(A) . P(B)
Exemplo Jogam-se duas moedas equilibradas.Qual a probabilidade da ocorrncia de
ambas darem cara?
razovel admitir que os resultados das duas moedas sejam independentes um do outro.
Alm disso, para moedas equilibradas, P(cara)= . Logo p(cara e cara) ser:

59

1 moeda

2moeda

ou 25%

Clculo da Probabilidade da ocorrncia de dois eventos mutuamente excludente

P(A ou B ocorrer)

Se dois eventos mutuamente excludentes, a probabilidade de ocorrncia de qualquer um

deles a soma de suas probabilidades individuais. Para dois eventos A e B temos:
P(A ou B) = P(A) + P(B)
Exemplo, qual a probabilidade de aparecer cinco ou seis numa jogada de um dado
equilibrado?
P(cinco) ou P(seis) = P (5) + P(6) = 1 + 1 = 2 = 33,33%
6

Clculo da Probabilidade da ocorrncia de dois eventos no mutuamente

excludente P(A ou B ou ambos ocorrero)

Suponhamos a probabilidade de extrao de uma carta de paus ou um dez de um

baralho de 52 cartas . Como possvel que uma carta seja simultaneamente de paus e
um dez, os eventos no so mutuamente excludentes. Assim devemos excluir a
probabilidade de interseo. Ento temos:

P(paus) = 13 ,
52

P(dez)=

4 , P( dez de paus) = 1
52

52

P(paus ou dez,ou ambos) = P(paus) + P(dez) - P(dez de paus)

= 13 +

52

52

- 1

= 16

52

52

60

NAIPE
PAUS
PRETA

OUROS
VERMELHA
K
Q
J
10
9
8
7
6
5
4
3
2
A

K
Q
J
10
9
8
7
6
5
4
3
2
A

COPAS
VERMELHA

K
Q
J
10
9
8
7
6
5
4
3
2
A

ESPADA
PRETA

K
Q
J
10
9

a carta um dez

8
7
6
5
4
3
2
A

Carta de paus
Os eventos paus e dez se interceptam.

Regra de probabilidade
P (A e B), para eventos independentes

(Multiplicao) P(A) x P(B)

P (A ou B), para eventos mutuamente excludentes (Soma) P(A) + P(B)

P (A ou B ou ambos ocorrero), para eventos no mutuamente excludentes

P(A) + P(B) - P(A intercepta B)

61

EXERCCIOS: E-4
1- Extrai-se uma s carta de um baralho de 52. Determine a probabilidade de obter:
a- Um valete

d- Uma carta de ouros

b- Uma figura

e- Um dez de paus

c- Uma carta vermelha

f- Um nove vermelho ou um
oito preto

2- Relacione os resultados possveis do lance de um s dado. Ache a probabilidade e

adicione-as.
3- Joga-se uma vez um dado equilibrado; determine a probabilidade de obter:
a- um seis
b- cinco, seis ou sete
c- um nmero par
d- um nmero menor que quatro
4- Doze fichas so numeradas de 0 a 12 e colocadas numa urna. Escolhida uma
aleatoriamente, determine a probabilidade de sair:
a- o nmero 3
b- um nmero impar
c- um nmero menor que quatro
d- o nmero dez
5- Joga-se um par de dados equilibrados:
a- Qual a probabilidade de ambas as faces serem seis?
b- Qual a probabilidade de ambas as faces serem dois?
c- Qual a probabilidade de ambas as faces serem pares?
6- Sejam P(A) = 0,30, P(B) = 0,80 e P(A e B) = 0,15.
a- A e B so mutuamente excludentes? Explique.
b- Determine P(A ou B).
7- Sejam A e B mutuamente excludentes, P(A) = 0,31 e P(B) = 0,29.
a- A e b so coletivamente exaustivos? Explique.
b- Determine P(A ou B).
c- Determine P (A e B)
8- Joga-se uma moeda trs vezes. Qual a probabilidade de aparecer coroa trs
vezes? Qual a probabilidade de no aparecer coroa nas trs vezes?

62

13.0 TECNICAS DE CONTAGEM

Para utilizar o mtodo clssico (A Priori) da probabilidade, preciso conhecer o nmero
total de resultados possveis de um experimento.

Uma das possibilidades o uso das rvores de deciso, mas quando o numero de
resultados grande, essa lista se torna muito trabalhosa; necessrio ento recorrer a
formulas matemticas para determinar o numero total de resultados possveis.

Suponhamos que um estudante esteja fazendo um teste de 20 questes do tipo

verdadeiro-ou-falso. Suponhamos ainda que ele, no tenha estudado nada, esteja
dando todas as respostas na base do palpite. Qual a probabilidade de ele responder
corretamente todo o teste?
A primeira coisa a fazer determinar o numero total de resultados possveis.

Em segundo lugar devemos explorar suas diversas verses. Imaginemos que o teste
consista de apenas:

Uma questo

temos V ou F

Duas questes temos VV, VF, FV, FF

Trs questes temos VVV, VVF, VFF, VFV, FVF, FVV, FFV, FFF

Conclue-se:
Numero de questes

: 1 2 3 4

Numero de resultados :

2 4 8 16

Nota-se que se, o numero de itens for grande, a listagem se tornara praticamente
impossvel.
Em seguida podemos ver um diagrama de rvore para determinar todos os arranjos
possveis.

63

QUESTO

N1

N2

N3 RESULTADOS
V

V
F

.
V
F
F

VVV

VVF

VFV

VFF

FVV

FVF

FFV

FFF

Alem disso, o que realmente necessario determinar o numero total de resultados;

nada se tem a ganhar identificando cada resultado.

13.1 O PRINCIPIO DA MULTIPLICAO

O diagrama mostra que cada questo dobra o numero total de resultados possveis.(com
duas alternativas V ou F) temos:
NUMERO DE QUESTOES
1

TOTAL DE RESULTADOS
2=2

2 x 2 =4

2x2x2=8

2 x 2 x 2 x 2 = 16

Se fossem quatro escolha para cada questo:

NMERO DE QUESTES
1

TOTAL DE RESULTADOS
4=4

4 x 4 = 16

4 x 4 x 4 = 64

Para solucionar o exerccio do teste, teremos:

64

2x2x2x2x2x.......x2
1

= 220

= 1.048.576 ou

1.048.576

. . . . . . . . . . 20

De um modo geral, se ha n decises seqenciais, cada uma com m escolhas, o

numero total de resultados

m n.

13.2 PERMUTAO, ARRANJO E COMBINAO.

Quando a ordem em que os elementos se dispem importante, o numero total de

resultados possveis conhecido como Arranjo ou Permutao. Quando a ordem no
interessa, o numero total de resultados possveis designado como Combinao.
Para o uso na analise combinatria usaremos o numero fatorial representado pelo
smbolo ! como por exemplo

4!

le-se Quatro Fatorial e significa 4 x 3 x 2 x 1 = 24.

Outros exemplos:

5! = 5 x 4 x 3 x 2 x 1 = 120
12! = 12 x 11 x 10 x 9 x 8 x 7 x ..............x 1 = 479.001.600
Os fatoriais crescem de modo extremamente rpido, medida que aumenta o numerobase.
Felizmente, quase nunca necessrio utilizar-se completamente os fatoriais, pois eles
aparecem em grupos, permitindo cancelamentos:

5! =

5x4x3x2x1

5!

7!

7x6x5x4x3x2x1

4! =

4 x 3 x 2 x 1 = 4 x 3 x 2! = 4 x 3 = 12

2!

5!
2! 3!

2x1

= 5 x 4 x 3!
2 x 1 x 3!

7 x 6 x 5!

1
7x6

1
42

2!

= 5 x 4 = 20 = 10
2x1

s vezes os fatoriais podem envolver soma e subtrao. Exemplos:

65

( 5 - 3 )! = 2!

e no ( 5! - 3! )

( 9 - 2 )! = 7!
( 3 + 1)!
8!

= 4!
=

8!

8 x 7 x 6 x 5! = 8 x 7 x 6

3! . 5!

3 ( 8 3 )!

3 x 2 x 5!

O fatorial de zero igual a um

0! = 1.

O fatorial de 1

1! = 1.

igual a um

= 56

3x2

ARRANJOS

So agrupamentos que podem variar pela ordem ou natureza dos elementos. Quando se
consideram n elementos distintos tomados x a x chamamos arranjo ou agrupamentos
enerios que se podem formar com esses n elementos, dispomos de todas as formas
possveis de modo que dois arranjos quaisquer difiram ao menos pela ordem dos
elementos.

Assim, os arranjos possveis com as letras A, B e C so A 3,2 (3 elementos dois a dois)

A 3,2 = AB; BA; AC; CA, BC; CB.

E com os nmeros: 2, 6 e 8 podem ser feitos os seguintes arranjos A 3,2

A 3,2 = 26; 28; 62; 68; 82; 86.

Outro exemplo: Se ha sete cavalos num preo, quantos arranjos ha considerando 1,2 e
3 lugares?

A n,x =

n!
( n x )!

Ou seja, 7 elementos tomados 3 a 3

A 7,3 =

7!
( 7 3 )!

7!
4!

7 x 6 x 5 x 4! = 7 x 6 x 5 = 210
4!

PERMUTAO

66

Denomina-se permutao aos arranjos de objetos tomados n a n. Neste caso cada

objeto entra s uma vez em todos os grupos.

Em geral o numero de permutaes distintas com n itens, dos quais n1 so

indistinguveis de um tipo, n2 de outro tipo, etc, :
n1, n2, ....nK

Pn =

n!
(n1!) (n2!) (n3!) ......(nk!)

Exemplo: Quantas permutaes distintas de 3 letras podemos formar com as letras:

RRRR UUU N
4

Soluo
Ha 8 letras : 4Rs 3Us 1N dai:
4, 3, 1

P8 =

8!

= 280

(4!) (3!) (1!)

COMBINAO

Chama-se combinao quando no interessa a ordem para denotar o numero de

agrupamentos distintos possveis.
Exemplo: a escolha de 2 tipos de vegetal de um cardpio com 5 tipos. A escolha de
batata e cenoura a mesma que cenoura e batata.

De um modo geral, para agrupamentos de tamanho x extrados de uma lista de n itens, o

numero de combinaes possveis :

C n,x =

n!

x! (n - x )!

67

Quantos comits distintos, de 3 pessoas cada um, podemos formar com um grupo de 10
pessoas?

C10,3 =

10!

= 10 x 9 x 8 x 7! = 120

7! 3!

3 x 2 x 7!

De quantas maneiras podemos formar um comit de 1 mulher e 2 homens, de um total

de 4 mulheres e 6 homens.

Mulheres

Homens

( C 4,1 )

( 6,2 )

4!

6!

3! 1!

4! 2!

= 4 x 15

= 60

13.3 REGRAS DE CONTAGEM

REGRA DA MULTIPLICAO: o produto do numero de escolhas para uma seqncia de
decises

m n onde m = numero de escolhas n = decises seqenciais

ARRANJOS: numero de agrupamentos em que interfere a ordem

A n,x =

n!
( n x )!

PERMUTAO COM REPETIES (OU DISTINGUIVEIS): alguns itens so idnticos, e

a ordem importante.

n1, n2, ....nK

Pn =

n!
(n1!) (n2!) (n3!) ......(nk!)

COMBINAES: a ordem no importa.

C n,x =

n!

x! (n - x )!

x
68

EXERCCIOS: E-5
1- Calcule:
a- 2!

b- 3!

c- 10!

d- 1!

e- 0!

2- Calcule:
a-

3
2

b-

4
4

c-

5
1

d-

9
6

3- Determine o numero de arranjos:

a- A 3,2

b- A 4,4

c- A 5,1

d- A 9,6

e- A 1,0

4- Um vendedor de automveis deseja impressionar os possveis compradores com o

maior numero de combinaes diferentes possveis. Um modelo pode ser dotado
de trs tipos de motor, dois tipos de transmisso, cinco cores externas e duas
internas. Quantas so a escolhas possveis?

5- Em um determinado Estado, as placas de licena constam de trs letras e quatro

algarismos. Quantas placas diferentes podemos formar admitindo-se o uso de
todas as (26 letras) e os (10 algarismos)?

6- Quantas permutaes distintas podem ser feitas com as letras da palavra

BLUEBEARD ?

7- Se um torneio de basquetebol consiste de 36 times, de quantas maneiras podem

ser conquistados os trs primeiros lugares?

8- De quantas maneiras diferentes podemos escolher um comit de cinco pessoas

dentre oito?
9- A Pizzaria do Joe oferece as seguintes escolhas de pizza: presunto, cogumelos,
pimento, enchovas e muzzarella. De quantas maneiras podemos escolher dois
tipos diferente de pizza?

69

14.0 DISTRIBUIO DE PROBABILIDADES

Introduzidas s noes fundamentais sobre a teoria das probabilidades, pode-se passar
s chamadas Distribuies de Probabilidades.
Uma distribuio de probabilidades uma distribuio de freqncia relativa para os
resultados de um espao amostral (isto , para os resultados de uma varivel aleatria);
que mostra a proporo das vezes em que a varivel aleatria tende a assumir cada um
dos diversos valores.
Consideremos a varivel aleatria Numero de caras em duas jogadas de uma moeda
eis a lista dos pontos do espao amostral e os valores correspondentes a v.a.:
(K = cara e C = coroa)
Resultados

Valor da v.a.

CC

CK

KC

KK

Se a moeda equilibrada, P(K) = P(C) = .As probabilidades dos diversos resultados

so:
RESULTADOS

PROBABILIDADE DO RESULTADO
1

CC

2
.

0,25

0,25

1
=

0
4

CK

P(X)

1
=

NUMERO DE CARAS

0,50
1

KC

=
2
1

2
.

KK
2

0,25

0,25

1
=

1
4

4
70

Assim, pois, a distribuio de probabilidades para o numero de caras em duas jogadas

de uma moeda so:

NUMERO DE CARAS

P(X)

0,25

0,50

0,25
1,00

Note-se que a soma de todas as probabilidades 1,00, como de esperar, pois os

resultados apresentados so mutuamente excludentes e coletivamente exaustivos. A
mesma distribuio pode ser apresentada em forma acumulada.
NUMERO DE CARAS

P(X ou menos)

0,25

0,75

1,00

71

Graficamente, as distribuies de probabilidade e acumulada se apresentam:

P
R 1,00
O
B
A
B
I 0,75
L
I
D
A
D 0,5
E

1,00

P
R 0,75
O
B
A
B
I
0,5
L
I
D
A
D 0,25
E

0,5

0,25

0,25

0
0
1
2
NUMERO DE CARAS

A
C
U 0,25
M
U
L
A
D
0
A

1,OO

0,75

0,25

0
1
2
NUMERO DE CARAS

14.1 DISTRIBUIO BINOMIAL

Suponhamos agora o experimento E4= Lanamento de 4 moedas. A tabela abaixo
mostra todas as possibilidades de combinaes cara/coroa, os eventos que estas
combinaes originam e os valores correspondentes da varivel aleatria X : Numero de
vezes que sai Cara.

72

POSSIBILIDADE

MOEDA N

EVENTO

VALOR DE X

1, 2, 3, 4

( N DE VEZ QUE SAI CARA)

CCCC

0K e 4C

2a
2b
2c
2d

CCCK
CCKC
CKCC
KCCC

1K e 3C

3a
3b
3c
3d
3e
3f

CCKK
CKKC
KKCC
CKCK
KCKC
KCCK

2K e 2C

4a
4b
4c
4d

KKKC
KKCK
KCKK
CKKK

3K e 1C

KKKK

4K e 0C

Utilizando as regras do produto para eventos independentes (e) e da adio para

eventos mutuamente exclusivos (ou) possvel calcular as probabilidades associadas
aos valores de X.

A probabilidade de X=0 obtida pelo conhecimento de termos 4 coroas, sabe-se que a

probabilidade de sair coroa , a probabilidade final ser: 0,5x0,5x0,5x0,5 = 0,0625.
-63Para o calculo da probabilidade X=1 deve-se trabalhar com o evento 1K e 3C como
temos as opes a,b,c,d, que so mutuamente exclusiva, a regra da soma manda
efetuar a adio 0,0625 +0,0625 +0,0625 +0,0625 ou, o que o mesmo de se efetuar o
produto 4x 0,0625 = 0,25.

Desta forma analogamente temos:

73

EVENTO

P(X = x)
0

= 1p

0K e 4C

O,0625 = 1 X 0,5 X 0,5

1K e 3C

O,2500 = 4 X 0,5 X 0,5

2

2K e 2C

O,3750 = 6 X 0,5 X 0,5

= 6p

3K e 1C

O,0625 = 4 X 0,5 X 0,5

4K e 0C

O,0625 = 1 X 0,5 X 0,5

TOTAL

= 4p

= 1p

= 1p

q
0

1,00

n = numero de moedas
p = probabilidade de K = P(K) = 0,5
q = 1 p = probabilidade de C = P(C) = 0,5

Podemos usar a formula:

n!

x! (n x)!

= combinaes de n individuais tomados x a x.

Generalizando temos;
x

P(x) =

n!

n-x

p . q

x! (n x)!

74

Distribuio binomial de x (numero de coroas) para n = 10

X Numero de
Coroas em 10
jogadas

10

n!

Distribuio

x ! (n x) !

p(10) =

p(9) =

p(8) =

p(7) =

p(6) =

p(5) =

p(4) =

p(3) =

p(2) =

p(1) =

p(0) =

Amostral

P(X) probabilidade % de
encontrar a
Amostra

10!
10! (10 10)!

1/1024 = 0,000976

10!
9! (10 9) !

10

1/1024 = 0,009760

10!
8! (10 8) !

45

1/1024 = 0,043940

10!
7! (10 7) !

120

1/1024 = 0,117180

10!
6! (10 6) !

210

1/1024 = 0,205070

10!
5! (10 5) !

252

1/1024 = 0,246090

10!
4! (10 4) !

210

1/1024 = 0,205070

10!
3! (10 3) !

120

1/1024 = 0,117180

10!
2! (10 2) !

45

1/1024 = 0,043940

10!
1! (10 1) !

10

1/1024 = 0,009760

10!
0! (10 0) !

1/1024 = 0,000976

10

TOTAL = 2

= 1024

75

EXERCICIOS: E-6
Use a formula binomial para responder s questes abaixo:
1- Um fabricante de mesas de bilhar suspeita que 2% de seu produto apresenta
algum defeito. Se tal suspeita correta, determine a probabilidade de que, numa
amostra de nove mesas:
a- Haja ao menos uma defeituosa
b- No haja nenhuma defeituosa

2- Dos estudantes de um colgio, 41% FUMAM CIGARROS. Escolhem-se seis ao

acaso para darem sua opinio sobre o fumo.
a- Determine a probabilidade de nenhuma das seis ser fumante.
b- Determine a probabilidade de todos os seis ser fumante.
c- Qual a probabilidade de ao menos a metade dos seis serem fumantes.

3- Doze por cento dos que reservam lugar num vo sistematicamente faltam ao
embarque. O avio comporta 15 passageiros.
a- determine a probabilidade de que todos os 15 que reservaram lugar
compaream ao embarque
b- Se houve 16 pedidos de reserva, determine a probabilidade de uma pessoa
ficar de fora.

4- Um revendedor de automveis novos constatou que 80% dos carros vendidos so

devolvidos ao departamento mecnico para corrigir defeitos de fabricao, nos
primeiros 25 dias apos a venda. De 11 carros vendidos num perodo de 5 dias, qual
a probabilidade de que:
a- Todos voltem dentro de 25 dias para reparo.
b- S um no volte

5- Suponha que 8% dos cachorros-quentes vendidos num estdio de futebol sejam

pedidos sem mostarda. Se sete pessoas pedem cachorro, determine a
probabilidade de que:
a- Todos queiram mostarda
b- Apenas um no a queira.
76

14.2 DISTRIBUIO DE POISSON

A chamada Distribuio de Poisson ou de Eventos Raros podem ser considerada um

caso limite da distribuio binomial. Quando n grande e p pequeno podemos usar
a aproximao de Poisson para a distribuio Binomial.
difcil dar condies precisas para que se possa usar a aproximao de Poisson, ou
seja, o que significa quando n grande e p pequeno. Como regra geral podemos
usar:

> 100

n.p < 10

n = Elementos da Populao

p = Probabilidade

Exemplo: n = 150

p = 0,05

Temos a distribuio de Poisson com:

n.p = 150 . (0,05) = 7,5
A formula a ser usada :
x
f (x) =

- n.p

(n.p) . e

para x = 1, 2, 3, .......

x!

e= 2,718

Exemplo: Sabe-se que 2% dos livros encadernados em uma certa livraria apresentam
defeitos de encadernao. Utilize a aproximao de Poisson da distribuio Binomial para
achar a probabilidade de que 5 entre 400 livros encadernados nessa livraria apresentam
algum defeito de encadernao.

Temos: n = 400

p = 2% = 0,02

x=5

n.p = 400 . 0,02 = 8

-8
e

= 0,000335
77

temos ento:
x
f (x) =

- n.p

(n.p) . e

-8

= (32768). (0,000335) = 10,977 = 0,0915

8 . e

x!

5!

120

120

-67Outro Exemplo: Supnhamos que os defeitos em fios para tear possam ser aproximados
por

um

processo

de

Poisson

com

media

de

0,2

defeitos

por

metro

(p = 0,2) .Inspecionando-se pedaos de fio de 6 metros de comprimento, determine a

probabilidade de menos de 2 (isto 0 ,1) defeitos.
Temos :

n = 6 p = 0,2

f(0) =

x =1 e

X=2

-1,2

1,2

e
0!
1

f(1) =

n . p = 6 . 0,2 = 1,2

= 1 . 0,301 = 0,301
1

-1,2

1,2

e
1!

P(x< 1) = P(0) + P(1)

= 1,2 . 0,301 = 0,3612

1

(0,301 + 0,3612) = 0,6622

78

EXERCICIOS: E-7

1- Verifique, em cada caso, se os valores de n e p satisfazem as regras empricas

para a utilizao de Poisson como aproximao da Binomial:
a-

n = 500 e

p = 0,001

b-

n = 100

p = 0,12

c-

n = 60

p = 0,002

2- Se 0,6% dos detonadores fornecidos a um arsenal so defeituosos, utilize a

aproximao de Poisson para a distribuio Binomial para determinar a
probabilidade de que, em uma amostra aleatria de 500 detonadores, quatro sejam
defeituosos.
3- Em uma certa cidade 3,2% dos habitantes se envolve em, ao menos, um acidente
de carro em um ano. Com o auxilio da aproximao de Poisson para a distribuio
Binomial, determine a probabilidade de que, dentre 200 motoristas escolhidos
aleatoriamente nessa cidade.
a- Exatamente seis se envolvam em ao menos um acidente em um ano;
b- No Maximo oito se envolvam em ao menos um acidente em um ano;
c- Cinco ou mais se envolvam em ao menos um acidente em um ano;

4- Suponha que, em media 2% das pessoas sejam canhotas. Encontre a

probabilidade de 3 ou mais canhotos em 100 pessoas

79

15.0 CORRELAO
15.1 INTRODUO
At agora nossa preocupao era descrever a distribuio de valores de uma nica
varivel. Com esse objetivo, aprendemos a calcular medidas de tendncia central e
variabilidade.
Quando porem, consideramos observaes de duas ou mais variveis, surge um novo
problema: as relaes que podem existir entre duas ou mais variveis estudadas.

Assim, quando consideramos variveis como peso e altura de um grupo de pessoas, uso
do cigarro e incidncia do cncer, a potencia gasta e a temperatura da gua no
chuveiro,
Procuramos verificar se existe alguma relao entre as variveis de cada um dos pares
e qual o grau dessa relao.

Para isso, necessrio o conhecimento de novas medidas.

Sendo a relao entre as variveis de natureza quantitativa, a correlao o

instrumento adequado para descobrir e medir essa relao.

Uma vez caracterizada a relao, procuramos descreve-la atravs de uma funo

matemtica. A regresso o instrumento adequado par a determinao dos parmetros
dessa funo.

15.2 RELAO FUNCIONAL E RELAO ESTATSTICA

Como sabemos, o permetro e o lado de um quadrado esto relacionados. A relao
que liga perfeitamente definida e pode ser expressa por meio de uma sentena
matemtica:
P=4L

P= PERIMETRO

L= LADO DO QUADRADO
80

Atribuindo-se, ento, um valor qualquer de L, possvel determinar exatamente o valor

do permetro.

Considerando, agora a relao que existe entre o peso e a estatura de um grupo de

pessoas. evidente que essa relao no do mesmo tipo da anterior, ela bem menos
precisa. Assim, pode acontecer que a estaturas diferentes correspondam a pesos
iguais ou que estaturas iguais correspondam a pesos diferentes.

Porem, em mdia, quanto maior a estatura, maior o peso.

As relaes do tipo perimetro-lado so conhecidas como relaes funcionais.

As relaes do tipo peso-estatura, como relaes estatsticas.

Quando duas variveis esto ligadas por uma Relao Estatstica, dizemos que existe
uma correlao entre elas.

15.3 DIAGRAMA DE DISPERSO

Consideremos uma amostra aleatria, formada por 98 alunos de uma classe da Uniso e
pelas notas obtidas por eles em Matemtica e Estatstica:
NOTAS
N

MATEMATICA
(xi)

ESTATISTICA
(yi)

01

5,0

6,0

08

8,0

9,0

24

7,0

8,0

38

10,0

10,0

44

6,0

5,0

58

7,0

7,0

59

9,0

8,0

72

3,0

4,0

80

8,0

6,0

92

2,0

2,0
81

Representando, em um sistema de coordenadas cartesiano ortogonal, os parmetros

(xi ; yi), obtemos uma nuvem de pontos que denominamos DIAGRAMA DE
DISPERSAO. Esse diagrama nos fornece uma idia grosseira, porem til, da correlao
existente:
yi
10 .

.
o

8 .

6 .

4 .

.
2 .

.
.

.
2

.
4

.
6

.
8

.
10 xi

15.4 CORRELAO LINEAR

Os pontos obtidos, vistos em conjunto formam uma elipse em diagonal.

Podemos imaginar que, quanto mais fina for a elipse mais ela se aproximar de uma
reta.
Dizemos, ento, que a correlao de forma elptica tem como imagem uma reta, sendo,
por isso denominada de Correlao Linear.
82

 possvel verificar que cada correlao esta associada como imagem uma relao
funcional. Por esse motivo, as relaes funcionais so chamadas Relaes Perfeitas.

yi
10 .

RETA IMAGEM

.
o

8 .

6 .

4 .

.
2 .

.
.

.
2

.
4

.
6

.
8

.
10 xi

Como a correlao em estudo tem como imagem uma reta ascendente, ela chamada
de Correlao Linear Positiva.

Assim uma correlao :

a- Linear Positiva se os pontos do diagrama tem com imagem uma reta ascendente;
b- Linear negativa se os pontos tem como imagem uma reta descendentes;
c- Nao-linear se os pontos tem como imagem uma curva.

Se os pontos apresentam-se dispersos, no oferecendo uma imagem definida,

conclumos que no h relao alguma entre as variveis em estudo.
83

Temos:

Y
o
oo
ooo
oo
ooooo
ooo
ooooo
oo
o
oo

correlao linear positiva

X
Y
o
oo
ooo
oo
ooooo
ooo
ooooo
oo
o
oo

correlao linear negativa

X
o
o oo
oo
oooo
ooo
oo
oo
ooo
ooooo
o
correlao no-linear
ooo
oooo
ooooo
ooo
oo
oo
o
oooo
oo
ooo

X
oo
o o o o
o o o oooo ooo o ooo
oo ooo oooo oooo oooo o
o oo ooo ooooo o
o ooo oo o
ooooo

no h correlao

84

15.5 COEFICIENTE DE CORRELAO LINEAR

O instrumento empregado para a medida de Correlao Linear o Coeficiente de
Correlao. Esse coeficiente deve indicar o grau de intensidade da correlao entre
duas variveis e, ainda, o sentido dessa correlao (positivo ou negativo).
Faremos uso do coeficiente de correlao de Person, que dado por :

r=

n xi yi (xi ) (yi)

[ n xi (xi)] [ n yi (yi)]

Onde:
n = nmero de observaes
Os valores limites de r so -1 e +1, isto , o valor de r pertence ao intervalo [ -1 e +1].
Assim:
A- Se a correlao entre duas variveis perfeita e positiva, ento r = +1.

B- Se a correlao perfeita e negativa, ento r = -1

C- Se no h correlao entre as variveis ou a relao por ventura no-linear,

ento r = 0.

NOTAS
-

Para que uma relao possa ser descrita por meio do Coeficiente de
Correlao de Person imprescindvel que ela se aproxime de uma funo
Linear. Uma maneira pratica de verificarmos a linearidade da relao a
inspeo do Diagrama de Disperso: se a elipse apresenta salincias ou
reentrncias muito acentuadas, provavelmente trata-se de uma relao
curvilnea.

Para podermos tirar algumas concluses significativas sobre o comportamento

simultneo das variveis analisadas, necessrio que:
0,6

Se

0,3

| r | 1

| r | < 0,6, h uma correlao relativamente fraca entre as variveis.

85

Se 0

< | r | < 0,3,

a correlao muito fraca e, praticamente, nada podemos

concluir sobre a relao entre as variveis em estudo.

-81Em seguida vamos calcular o coeficiente de correlao relativos ao exerccio anterior.
O modo mais pratico para obtermos r abrir, na tabela, colunas correspondentes aos
valores de xi yi, xi e yi. Assim:

MATEMATICA

ESTATISTICA

(xi)

(yi)

xi yi

xi

yi

5,0

6,0

30

25

36

8,0

9,0

72

64

81

7,0

8,0

56

49

64

10,0

10,0

100

100

100

6,0

5,0

30

36

25

7,0

7,0

49

49

49

9,0

8,0

72

81

64

3,0

4,0

12

09

16

8,0

6,0

48

64

36

2,0

2,0

04

04

04

=481

=475

=65

=65

=473

Logo:

r=

10 x 473 65 x 65

(4.810 4.225)

(4.750 4.225)

505

585 x 525

550

= 0,911

4.554,18

Dai: r = 0,91 Resultado que indica uma correlao linear positiva altamente significativa
entre as duas variveis.

86

15.6 CUDADOS COM OS ERROS COM A INTERPLETAO DE CORRELAO

Identificamos a seguir trs dos erros mais comuns cometidos na interpretao de

resultados que envolvem correlao.

1- Devemos evitar a concluso de que a correlao implica em casualidade. Um

estudo mostrou uma correlao entre salrios de professores de Estatstica e o
consumo individual de cerveja. Porem essas duas variveis so afetadas pelas condies
econmicas que envolvem no s o professor de Estatstica, aparece neste caso uma
terceira varivel oculta.

2- Surge outra fonte de erro potencial quando os dados se baseiam em taxas ou

mdias. Quando utilizamos taxas ou mdias para os dados, suprimimos a variao entre
os indivduos ou elementos, e isto pode levar a um coeficiente de correlao
inflacionado.

3- Um terceiro erro diz respeito propriedade de linearidade. A concluso de que no

h correlao linear significativa no quer dizer que x e y no estejam relacionados de
alguma forma provavelmente possa haver uma correlao no linear.

87

EXERCICIOS: E-8
1- Complete o esquema de clculo do coeficiente de correlao para os valores das
variveis xi e yi :

xi

10

12

yi

12

10

12

14

Temos:
(xi)

(yi)

4,0

12,0

....

12,0

14,0

xi yi

xi

yi

Logo:

r=

.... x ... .... x ...

(..... .....) (..... ......)

.........

..... x ......

........

= ........

.........

ONDE: r =

88

2- Padronize cada conjunto de escores e calcule o coeficiente de correlao.

A-

(xi)

(yi)

34

21

30

22

40

25

34

28

39

15

35

24

42

24

45

22

43

17

xi yi

xi

yi

B-

(xi)

(yi)

3,9

46

4,6

46

6,0

52

2,8

50

3,1

48

3,4

40

4,2

42

4,0

44

xi yi

xi

yi

89

3- Determine o coeficiente de correlao para os dois conjuntos de valores abaixo:

1 AVALIAO 2 AVALIAO

estudante

(xi)

(yi)

82

92

84

91

86

90

83

92

88

87

87

86

85

89

83

90

86

92

10

85

90

11

87

91

xi yi

xi

yi

4- Com os dados abaixo, sobre crimes violentos e a temperatura mdia entre 21 e 2 horas
das noites de sbado numa grande comunidade, monte o grfico para os dados e calcule
o coeficiente de correlao.
Crimes Violentos/ 1000 residentes

temperatura mdia (F)

5,0

87

2,2

50

4,1

75

5,4

90

2,8

55

3,0

54

3,6

68

4,9

85

4,1

82

4,2

80

2,0

45

2,7

58

3,1

66
90

16.0 REGRESSO LINEAR

Sempre que desejamos estudar determinada varivel em funo de outra fazemos
sempre uma anlise de regresso.

Podemos dizer que a analise de regresso tem por objetivo descrever, atravs de um
modelo matemtico, a relao entre duas variveis, partindo de n observaes das
mesmas.

16.1 AJUSTAMENTO DE CURVAS

A varivel sobre a qual desejamos fazer uma estimativa recebe o nome de varivel
dependente e a outra recebe o nome de varivel independente.

Assim, supondo X a varivel independente e Y a dependente, vamos procurar determinar

o ajustamento de uma reta a relao entre essa variveis, ou seja, vamos obter uma
funo definida por:
Y = ax + b

onde a e b so parmetros.

Sejam duas variveis X e Y, entre as quais exista uma correlao acentuada, embora
no perfeita, como, por exemplo, as do exerccio j apresentado:
MATEMATICA

ESTATISTICA

(xi)

(yi)

5,0

6,0

8,0

9,0

7,0

8,0

10,0

10,0

6,0

5,0

7,0

7,0

9,0

8,0

3,0

4,0

8,0

6,0

2,0

2,0
91

Cujo Diagrama de Disperso dado por:

yi
10 .

RETA IMAGEM

.
o

8 .

6 .

4 .

.
2 .

.
.

.
2

.
4

.
6

.
8

.
10 xi

Podemos concluir, pela forma do diagrama, que se trata de uma correlao retilnea, de
modo a permitir o ajustamento de uma reta, imagem da funo definida por:
Y = ax+ b

16.2 MTODO DOS MNIMOS QUADRADOS

Vamos ento, calcular os valores dos parmetros a e b com a ajuda das frmulas:
a = n Xi Yi - xi . yi
n Xi - (xi)
e

b = Y - a X
92

Onde :

n o nmero de observaes

X mdia dos valores de Xi (X = Xi )

n
Y mdia dos valores de Yi (Y = Yi )
n
Nota:
Como estamos fazendo uso de uma amostra para obtermos os valores dos parmetros, o
resultado, na realidade, uma estimativa da verdadeira equao de regresso. Sendo
assim, escrevemos:
Y^ = a X + b

Onde Y^ o Y estimado

A tabela de valores:
MATEMTICA

ESTATSTICA

(xi)

(yi)

xi yi

5,0

6,0

30

25

8,0

9,0

72

64

7,0

8,0

56

49

10,0

10,0

100

100

6,0

5,0

30

36

7,0

7,0

49

49

9,0

8,0

72

81

3,0

4,0

12

09

8,0

6,0

48

64

2,0

2,0

04

04

=65

=65

=473

xi

=481

Temos assim
a = 10 x 473 65 x 65 = 4730 - 4225 = 505 = 0,8632
10 x 481 (65)

4810 - 4225

585
93

Como:
X = 65 = 6,5

Y = 56 = 6,5

10

10

Vem:
b = 6,5 0,8632 x 6,5 = 6,5 - 5,6108 = 0,8892,

Donde:
a = 0,86

b = 0,89

Logo:

Y = 0,86 X + 0,89

Para traarmos a reta no grfico, basta determinar dois de seus pontos:

X=0

Y^ = 0,89

X=5

Y^ = 0,86 x 5 + 0,89 = 5,19

Assim temos:
yi
10 .

o
Y^ = 0,86 X + 0,89

8 .

6 .

5,19 .

o
o

4 .

.
2 .

.
0,89

.
2

.
4

.
6

.
8

.
10

xi

94

16.3 ANLISE DE REGRESSO

Quando recorremos a uma reta de mnimos quadrados, precisamos saber qual a
preciso dos valores obtidos para a e b na equao de mnimos quadrados?
Qual a preciso da estimativa Y^?

Os valores calculados so apenas estimativas baseadas em dados amostrais e, se

fundamentarmos nosso trabalho em outra amostra de mesmo tamanho n o mtodo de
mnimo quadrado poderia gerar valores diferentes de para a

e b , como tambm

poderia gerar valores para Y^ diferentes.

Para prever essas diferenas possvel estabelecermos um intervalo para o qual

possamos afirmar, com certo grau de confiana valores de Y^.

O clculo desses intervalos segue os mesmos raciocnios visto anteriormente para as

mdias , propores, varincias e desvio padro, e analisaremos a seguir.

95

EXERCICIOS: E-9
1- Aps 6 horas de treinamento, um cachorro cometeu 5 erros em uma exposio
canina, outro cachorro aps 12 horas cometeu

6 erros, e finalmente um outro

cachorro, apos 18 horas, cometeu apenas 1 erro. Denotando por x o nmero de horas
de treinamento e por y o nmero de erros cometidos, qual das duas retas se ajusta
melhor aos trs pontos, no sentido de mnimos quadrados?

a- y = 10 - x
b- y = 8 -

1/3

2- A tabela a seguir mostra quantas semanas seis pessoas trabalharam em um posto de

inspeo de automveis e quantos carros foram inspecionados entre 12 e 14 horas,
em determinado dia:

Nmero de semanas
Trabalhadas

Nmero de carros
inspecionados

13

21

23

14

15

12

21

Para esses dados temos:

x = 36, x = 304, y = 107, y = 2001 e 3040

x.y =721

a- Estabelea a equao da reta de mnimos quadrados que permite predizermos y

em termos de x.

b- Com o auxilio da parte a, estime quantos carros uma pessoa que venha
trabalhando no posto de inspeo ha 8 semanas poder inspecionar?
96

3- Os dados abaixo se referem ao resduo de cloro em uma piscina em vrios

momentos, aps ter sido tratada com produtos qumicos:

Nmero de Horas

Resduo de cloro
(P.P.M.)

2,2

1,8

1,5

1,4

1,1

10

1,1

12

0,9

Para esses dados temos:

x = 42, x = 364, y = 10, y = 15,52 e

x .y =48,6

A leitura de zero horas foi feita imediatamente aps completado o tratamento qumico.

a- Ajuste uma reta de mnimos quadrados que nos permita predizer o resduo de cloro
em termos do nmero de horas aps a piscina ter sido tratada com produtos
qumicos.

b- Com a equao da reta de mnimos quadrados, estime o resduo de cloro na

piscina 5 horas aps ter sido tratada.

c- Com a equao da reta de mnimos quadrados, estime o resduo de cloro na

piscina 8 horas aps ter sido tratada. Por que razo o resultado diverge do valor
1,1 da tabela.

97

BIBLIOGRAFIA
BIBLIOGRAFIA BSICA

FREUND, John E. e SIMON, Gary A. Estatstica aplicada economia, administrao e

contabilidade. Porto Alegre: Bookman, 2000.
TRIOLA, Mrio F. Introduo estatstica. Rio de Janeiro: LTC, 1999.

BIBLIOGRAFIA COMPLEMENTAR

KUME, Hitoshi, Mtodos Estatsticos para a Melhoria da Qualidade. So

Paulo:Gente,1993.
RAMOS A.W., CEP para Processos Contnuos e em Bateladas. So
Paulo:E.Blucher, 2000.
BUSSAB, Wilton O e MORETTIN, Pedro A. Estatstica bsica. So Paulo:
Saraiva,2002.
DOWNING Douglas e CLARK Jeffrey. Estatstica aplicada. So Paulo: Saraiva, 2000.
MILONE, Giuseppe e ANGELINI, Flvio. Estatstica aplicada. So Paulo: Atlas, 1995.
KAZMIER, L.B. Estatstica aplicada Economia e Administrao. So Paulo:
McGraw-Hill, 1982.
SPIEGEL, Murray R. Estatstica. So Paulo: Makron Books, 1993. (519.5 S734e)

98