Você está na página 1de 102

-2-

UANDERSON REBULA DE OLIVEIRA


https://br.linkedin.com/in/uandersonrebula 
http://lattes.cnpq.br/1039175956271626
Doutorando em Engenharia-Universidade Estadual Paulista-UNESP
Mestrado em Engenharia de Produção-Universidade Estadual Paulista-UNESP
Pós-graduado em Controladoria e Finanças-Universidade Federal de Lavras-UFLA
Pós-graduado em Logística Empresarial-Universidade Estácio de Sá-UNESA
Graduado em Ciências Contábeis-Universidade Barra Mansa-UBM
Técnico em Metalurgia-Escola Técnica Pandiá Calógeras-ETPC
Técnico em Segurança do Trabalho-ETPC
Operador Siderúrgico e Industrial-ETPC

Pesquisador pelo ITL/SEST/SENAT. Professor na UNIFOA no curso de Pós graduação em Engenharia de Segurança
do Trabalho. Professor da Universidade Estácio de Sá - UNESA nas disciplinas de Gestão Financeira de Empresas,
Fundamentos da Contabilidade e Matemática Financeira, Probabilidade e Estatística para o curso de Engenharia de
Produção, Análise Estatística para o curso de Administração, Ergonomia, Higiene e Segurança do Trabalho, Gestão
de Segurança e Análise de Processos Industriais (Gestão Ambiental), Gestão da Qualidade: programa 5S (curso de
férias). Professor na Associação Educacional Dom Bosco para os cursos de Administração e Logística. Ex-professor
na Universidade Barra Mansa – UBM nos cursos de Engenharia de Produção e de Petróleo. Ex-professor
Conteudista na UNESA (elaboração de Planos de Ensino e de Aula, a nível nacional). Ex-professor em escolas
técnicas nas disciplinas de Estatística Aplicada, Estatística de Acidentes do Trabalho, Probabilidades, Contabilidade
Básica de Custos, Metodologia de Pesquisa Científica, Segurança na Engenharia de Construção Civil e Higiene do
Trabalho. Ex-professor do SENAI. Ex-consultor interno, desenvolvedor e instrutor de cursos corporativos na CSN,
a níveis Estratégicos, Táticos e Operacionais. Ex-Membro do IBS–Instituto Brasileiro de Siderurgia.

EMENTA:
Conceito e fases de estudo. Variáveis. População e amostra. Técnicas de
amostragem. Séries estatísticas: conceitos, tabelas, distribuição de frequência
e representação gráfica. Medidas de Tendência Central. Medidas de
Ordenamento. Medidas de Variação. Correlação e Regressão. Distribuição
Normal. Intervalos de Confiança. Teste de Hipótese.
 
 
OBJETIVO:
Refletir a partir da Estatística Básica sobre as ferramentas consolidadas pelo
uso e pela ciência, disponíveis a todos, que auxiliam na tomada de decisão.

Resende - RJ – 2017
“Atualmente, todos – estudantes e professores – procuram o Udemy porque é a
plataforma onde todos estão”.
Fonte: Jornal do Brasil

Faça o curso online na Udemy


Estatística I (para leigos):
aprenda fácil e rápido!
Com o Prof. MSc. Uanderson Rébula
"O livro digital Estatística I para leigos possui uma linguagem fácil e ao mesmo tempo dinâmica. O
conteúdo do livro está ordenado de forma a facilitar a aprendizagem dos alunos, mesmo aquelas
pessoas que não tenham noção nenhuma de estatística aprenderão com esse livro. Você pode
estudar sozinho para concursos pois o livro é auto explicativo ou até mesmo em grupos, no meu
caso faço isso com meus alunos. Eu super recomendo esse livro!!! NOTA 1000"
Maria Eunice Souza Madriz
Professora de estatística da rede estadual de ensino da Bahia
Avaliação do livro pelo cliente na amazon.com.br

Saiba
mais
Clique aqui

www.udemy.com
Junte-se a milhões de estudantes na maior plataforma on-line
de cursos curtos e práticos do mundo.

Com mais de 45.000 cursos virtuais disponíveis, o Udemy é uma plataforma global de
ensino on-line onde 15 milhões de alunos estão dominando novas habilidades.

O foco do Udemy são os conhecimentos práticos e úteis para o mercado de trabalho. Há


cursos gratuitos e pagos. São cursos curtos e com valores bem acessíveis.
Prof. MSc. Uanderson Rébula de Oliveira

Uma mensagem do Prof. MSc Uanderson Rébula. CLIQUE NO VÍDEO

CLIQUE AQUI E INSCREVA-SE NO CURSO JÁ

Sumário
-3-

SUMÁRIO 

UNIDADE I – TÉCNICAS DE AMOSTRAGEM PROBABILÍSTICAS  
Amostragem Aleatória Simples, 5 
Amostragem Estratificada, 6 
Amostragem por Conglomerado, 7 
Amostragem Sistemática, 9 

UNIDADE II – CORRELAÇÃO E REGRESSÃO  
Correlação linear simples, 11 
Regressão linear simples, 14 

UNIDADE III – DISTRIBUIÇÃO DE FREQUÊNCIA E O GRÁFICO DE PARETO  
Distribuição de frequência, 17 
Gráfico de Pareto, 19 

UNIDADE IV – MEDIDAS DE VARIAÇÃO E A DISTRIBUIÇÃO NORMAL  
Medidas de variação, 26 
Variância e Desvio Padrão, 27 
Coeficiente de Variação, 29 
Conceitos básicos de probabilidades, 29 
Distribuição Normal, 30 
Probabilidades na Distribuição Normal, 31 
Z‐Escore e valor de “x” na Distribuição Normal, 34 

UNIDADE V – ESTATÍSTICA INFERENCIAL E OS INTERVALOS DE CONFIANÇA 
Estimativa pontual e intervalar, 41 
Intervalos de confiança – IC, 41 
Intervalos de confiança para média (amostras grandes), 41 
      determinação do tamanho da amostra, 43 
Intervalos de confiança para média (amostras pequenas), 43 
Intervalos de confiança para proporções p, 45 
Determinação do tamanho da amostra para p, 45 
Intervalos de confiança para o desvio padrão, 46 

UNIDADE VI – ESTATÍSTICA INFERENCIAL E OS TESTES DE HIPÓTESES 
Conceitos introdutórios, 50 
Teste de hipótese para média (amostras grandes), 51 
Teste de hipótese para média (amostras pequenas), 52 
Teste de hipótese para proporção, 53 
Teste de hipótese para o desvio padrão, 54 
Teste para duas amostras – conceitos introdutórios, 57 
Teste para diferença de duas médias (dependente), 57  
Teste para diferença de duas médias (independente), 59 

UNIDADE VII – COMPLEMENTOS  
Gráficos e Tabelas, 61 
Distribuição de frequências em classes, 65 
Medidas de posição (média, mediana e moda), 68 
Medidas de Ordenamento (Quartil, Decil e Percentil), 74 
Vocabulário básico de Estatística, 76 
População e amostra, 78 
Estatística Descritiva e Inferencial, 80 

REFERÊNCIAS,  81 
-4-

UNIDADE I

TÉCNICAS DE
AMOSTRAGEM
PROBABILÍSTICAS

BAIXE O SOFTWARE BIOESTAT E USE‐O PARA COLETA DE AMOSTRAS
E OUTRAS APLICAÇÕES ESTATÍSTICAS
HTTP://WWW.MAMIRAUA.ORG.BR/PT‐BR/DOWNLOADS/PROGRAMAS/BIOESTAT‐VERSAO‐53/
O  BioEstat  é  programa  gratuito  para  estudantes  de  graduação  e  pós‐graduação,  pesquisadores  e  professores,  com  210 
aplicativos estatísticos de fácil uso pelos iniciantes. Este programa contém o Manual (em formato de arquivo "pdf") que orienta 
o usuário  com  indicações  simples  e  precisas  para  cada  teste,  exemplos  práticos,  gráficos  de  uso  mais  frequente,  glossário
vinculado à biometria e fórmulas estatísticas referentes aos aplicativos do BioEstat. 
A  licença  de  uso  deste  programa  também  é  gratuita,  sendo  permitida  a  instalação  em  vários  computadores.  Para  outras 
informações, envie um e‐mail para mamiraua@mamiraua.org.br.  

ONDE FAZER CURSOS E COMPRAR LIVROS? 
 WERKEMA CONSULTORES ‐ HTTP://WWW.WERKEMACONSULTORES.COM/
 FALCONI CONSULTORES DE RESULTADO‐ HTTPS://WWW.FALCONI.COM/PT/
-5-

TÉCNICAS DE AMOSTRAGEM PROBABILÍSTICAS


 

São técnicas de seleção dos elementos de uma população, de modo a se obter uma amostra representativa da população. 
Devem ser utilizadas para assegurar que as inferências sobre a população sejam válidas. 
 
Amostragem Aleatória Simples – É aquela na qual todos os elementos da população tem a mesma chance de
  ser selecionado. 
 Essa  técnica  usa  mecanismos  de  casualidade  para  escolher  os  elementos  da  população,  como  a  tabela  de  números 
aleatórios. O método é semelhante a um sorteio. 
Tabela de números aleatórios
 

 A  tabela  de  números  aleatórios  consiste  em  uma  série  de  números  listados  em  uma 
sequência  aleatoriamente  gerada.    Essa  tabela  tem  duas  características  que  a  tornam  adequada:  primeiro,  os  números 
estão dispostos de tal maneira que a chance de qualquer um deles aparecer em determinada sequência é igual à chance 
do aparecimento em qualquer outra posição; segundo, cada uma de todas as combinações de algarismos tem a mesma 
chance  de  ocorrência.  O  Excel  dispõe  da  função  “ALEATÓRIO”  para  gerar  números  aleatórios  (veja  figura).    A  tabela  de 
números  aleatórios  abaixo  foi  construída  de  modo  que  os  dez  algarismos  (0  a  9)  são  distribuídos  ao  acaso,  pelo  Excel, 
identificadas pelas linhas (1, 2, 3, 4...) e colunas (A, B, C, D ...): 
 

Tabela de números aleatórios


  A  B  C  D  E  F  G  H  I  J  K  L  M  N O P Q R S T U V W X Y Z a b  c  d  e  f  g  h i  j  k l 
1  9  3  3  1  2  1  6  6  3  3  9  0  7  0 4 0 4 4 1 3 8 1 6  5 8 8 9 8  6  5  0  6  3  3 1 2 4 8
2  0  7  6  8  1  4  5  0  5  8  6  6  1  4 2 6 7 5 6 0 5 7 7  9 6 3 2 6  3  4  5  9  8  6 5 2 1 1
3  6  5  1  5  3  4  4  2  3  7  9  1  4  8 5 8 7 2 4 7 3 7 0  6 2 2 1 3  5  0  8  9  4  7 1 6 4 4
4  9  7  0  2  6  7  3  2  6  7  4  9  1  6 2 7 7 8 6 8 4 7 8  1 5 7 1 2  6  6  6  3  5  6 0 8 2 1
5  5  5  6  5  1  6  4  8  3  3  1  5  3  8 8 2 3 8 8 7 7 4 5  0 4 5 1 8  7  2  3  2  9  6 4 7 7 9
6  8  3  4  8  8  3  8  0  6  4  8  2  3  5 2 5 3 7 1 7 6 8 2  9 5 3 4 3  7  0  3  9  7  0 1 5 7 2
7  3  1  2  7  5  4  7  1  3  5  2  4  1  5 1 3 1 8 0 5 8 8 6  0 6 6 9 5  5  5  3  5  8  5 6 7 1 2
8  3  6  3  1  1  7  6  9  5  3  3  5  3  5 6 3 3 3 4 3 6 8 4  5 5 8 8 1  9  2  5  7  8  7 7 5 8 7
9  4  2  0  4  7  2  7  9  3  3  3  3  3  2 8 7 1 8 0 6 1 5 3  4 0 6 3 2  8  3  3  0  7  2 7 2 4 2
10  6  8  7  0  3  9  9  9  8  6  8  2  1  5 8 7 4 5 5 2 6 3 4  1 1 2 2 1  2  9  4  0  5  8 7 0 6 8
11  7  9  1  6  5  8  1  4  3  7  9  1  2  5 3 4 1 6 3 1 6 3 2  5 1 9 5 7  7  5  6  6  8  4 6 5 7 1
12  8  1  4  6  3  8  8  4  7  1  3  6  3  7 7 5 2 6 2 4 8 6 3  2 1 4 8 3  1  7  0  8  1  9 4 1 2 3
13  8  1  7  9  3  4  3  6  9  5  9  2  1  7 3 8 7 5 2 2 7 6 0  6 1 8 1 2  1  4  8  5  2  7 3 3 8 5
14  2  8  8  4  4  0  4  3  2  2  8  1  1  0 2 8 1 8 1 4 5 1 8  1 8 3 3 4  5  6  6  8  1  4 7 4 3 3
15  3  3  7  2  0  0  2  9  5  5  6  8  2  4 5 7 4 0 6 7 3 2 6  3 7 6 7 2  7  2  2  7  6  4 1 6 1 1
16  0  2  7  8  1  7  7  6  0  4  3  4  5  8 7 8 3 0 3 1 2 7 8  5 2 3 2 5  7  5  7  4  3  5 2 9 4 6
17  1  1  0  5  9  6  6  2  7  2  2  7  1  8 5 5 2 7 5 9 5 0 3  7 0 3 1 5  4  2  9  7  4  4 2 6 0 5
18  1  9  0  4  1  1  4  3  3  1  5  6  7  0 1 2 2 2 4 4 9 2 2  1 9 7 1 5  9  1  1  5  8  9 7 2 2 2
19  6  9  7  4  5  0  1  0  6  6  2  1  5  2 1 8 8 2 5 2 2 2 8  1 2 3 8 1  3  5  7  6  7  8 1 6 7 1
20  2  7  1  2  1  6  3  1  1  7  1  2  3  4 8 8 1 1 7 1 1 1 3  6 2 1 1 7  9  2  2  5  3  2 2 2 7 6
21  9  5  5  5  2  2  0  1  3  6  9  6  5  3 2 2 6 3 1 4 4 4 3  1 6 7 0 5  5  1  0  7  3  1 2 1 5 3
22  4  2  4  9  7  3  1  8  3  4  8  3  7  1 3 1 1 6 4 8 2 3 3  1 4 7 3 8  6  3  1  8  0  2 8 1 0 8
23  5  8  3  1  1  3  8  2  5  3  8  6  2  2 7 8 1 1 1 3 4 4 8  8 6 4 2 3  1  8  6  1  8  4 9 1 5 6
24  8  4  3  2  1  3  5  7  6  7  3  3  6  1 9 4 7 6 5 6 6 7 2  6 5 7 0 8  2  6  4  9  1  4 7 7 3 4
25  1  2  8  1  0  5  4  3  8  5  1  1  8  9 1 3 8 7 4 5 0 4 7  0 8 3 8 9  6  2  3  7  1  4 6 2 9 4
26  7  7  5  7  9  2  4  5  7  8  7  1  4  8 4 1 6 4 9 7 5 9 4  1 4 4 3 2  2  5  8  0  2  3 4 5 4 2
27  7  2  8  8  8  3  8  5  5  4  4  5  9  4 9 2 3 1 1 1 2 7 6  3 5 1 4 0  6  2  7  7  7  7 7 7 0 4
28  8  7  7  1  9  6  7  6  6  5  5  9  1  6 5 6 1 2 2 3 2 5 7  5 6 9 5 0  3  1  7  1  1  5 5 2 6 6
29  1  4  8  2  2  1  9  5  2  6  6  3  4  0 1 3 0 5 5 6 9 1 7  8 8 8 2 7  7  9  7  5  0  3 6 2 4 4
30  7  6  1  9  0  5  1  4  4  4  1  0  1  6 4 3 7 3 7 1 0 7 4  1 6 8 9 9  7  9  6  2  7  6 3 7 0 1
31  1  5  8  1  0  4  3  9  2  4  5  6  6  8 2 2 3 1 2 8 4 5 9  1 7 4 7 6  7  1  6  1  8  0 4 6 2 9
32  3  2  2  2  1  1  4  5  8  0  2  4  5  8 3 3 0 9 3 9 8 9 6  9 8 8 4 5  9  8  1  3  3  5 8 9 0 6
33  6  5  4  6  5  9  5  1  0  0  1  4  2  7 7 7 7 8 0 3 2 7 7  2 8 7 5 8  1  3  8  7  6  4 0 0 2 6
  34  5  0  8  7  8  1  3  5  1  4  6  1  5  5 6 6 0 3 5 5 0 3 6  5 4 1 4 1  4  0  6  9  5  2 2 0 5 5
Tabela criada pelo professor Uanderson Rébula
-6-

Como usar a tabela de números aleatórios


 1º Numerar todos os elementos da população N; 
 
 2º Determinar as combinações dos algarismos. Exemplo: se o último número da população for 80, devem ser lidos 
números de dois algarismos;  se o último for 456, devem ser lidos números de três algarismos, e assim por diante; 
 
 3º Escolher um ponto de partida arbitrário da tabela. A leitura pode ser feita horizontalmente →← (da direita para a 
esquerda ou vice‐versa), verticalmente ↓↑ (de cima para baixo ou vice‐versa), diagonalmente ↗↙↖↘ (no sentido 
ascendente ou descendente) ou formando uma letra. A opção, porém, deve ser feita antes de iniciado o processo; 
 

 4º Descartar os números maiores que o tamanho da população e/ou numeral repetido; 
 
 5º Usar os números escolhidos para identificar os elementos da população. 
 
EXEMPLO.  Uma  empresa  pecuária  possui  uma  população  de  novilhos  de  tamanho  N  =  80  e  precisa  retirar 
amostras  de  tamanho  n  =  12  (15%  da  população)  para  fazer  exame  de  uma  doença.  Utilize  o  método  de 
amostragem  aleatória  simples,  considerando  a  tabela,  a  partir  da  4ª  linha,  coluna  D,  sentido  horizontal,  da 
esquerda para direita (→).  
 
SOLUÇÃO.  Como  a  população  N=80  tem  dois  algarismos,  combinamos  dois  algarismos  na  tabela, 
descartando  os  números  repetidos  e  os  números  que  não  pertencem  a  população  (Ex.:  81,  95,...). 
Este procedimento é repetido até a amostra de tamanho n=12 ser escolhida. Então: 
 

  A  B  C  D  E  F  G  H  I  J  K  L  M  N  O P Q R S T U V W X Y Z a b c  d  e  f  g  h  i  j  k l 
1  9  3  3  1  2  1  6  6  3 3  9  0  7  0  4 0 4 4 1 3 8 1 6  5 8 8 9 8 6  5  0  6  3  3  1 2 4 8
2  0  7  6  8  1  4  5  0  5 8  6  6  1  4  2 6 7 5 6 0 5 7 7  9 6 3 2 6 3  4  5  9  8  6  5 2 1 1
3  6  5  1  5  3  4  4  2  3 7  9  1  4  8  5 8 7 2 4 7 3 7 0  6 2 2 1 3 5  0  8  9  4  7  1 6 4 4
4  9  7  0  2  6  7  3  2  6 7  4  9  1  6  2 7 7 8 6 8 4 7 8  1 5 7 1 2 6  6  6  3  5  6  0 8 2 1
5  5  5  6  5  1  6  4  8  3 3  1  5  3  8  8 2 3 8 8 7 7 4 5  0 4 5 1 8 7  2  3  2  9  6  4 7 7 9
6  8  3  4  8  8  3  8  0  6 4  8  2  3  5  2 5 3 7 1 7 6 8 2  9 5 3 4 3 7  0  3  9  7  0  1 5 7 2
                                                                                        Amostras escolhidas 
n =   26  73  74  62  77  78  15  71  66  35  60  56 
 
Descartadas por repetição:  Descartadas por não pertencer à população: 
26    26    15  91    86    84    82     
 
Amostragem Estratificada – É aquela na qual dividimos a população em subgrupos (estratos) de idênticas
  características e retiramos amostras aleatórias simples dos subgrupos.
 
Às  vezes,  a  população  é  heterogênea  (ex.:  sexo  masculino  e  feminino;  peça  A,  B  e  C)  e  a  amostra  aleatória  simples  não 
apresentaria  esta  heterogeneidade.  Seria,  então,  necessário  homogeneizar  as  amostras  em  grupos,  estratos.  Neste  caso 
recorremos à amostragem aleatória estratificada. “Estratificar” sugere “formar‐se em camadas”. 
 
Exemplo. A estratificação mais simples que encontramos na população do rebanho de tamanho N=80 é a divisão
entre novilhos e novilhas. Supondo que haja 35 novilhos e 45 novilhas, teremos a seguinte formação dos estratos:
 

População (80)

Estrato 1 Estrato 2

Novilhos (35) Novilhas (45)


 
São, portanto, dois estratos (novilhos e novilhas). Como queremos uma amostra de tamanho n=12 (15% da população), por 
estrato, temos: 
 
Rebanho População 15% Amostra Número de
Novilho (estrato 1)  35  35*0,15 = 5,25  5  amostras
Novilha (estrato 2)  45  45*0,15= 6,75  7  estratificadas
TOTAL  80  80*0,15 = 12  12 
-7-

O próximo passo é extrair as amostras dentro de cada estrato. Então, numeramos o rebanho de 01 a 80, sendo que de 01 a 35 
correspondem novilhos e de 36 a 80, as novilhas.  Tomando na tabela de números aleatórios, a partir da 4ª linha, coluna D, 
sentido horizontal, da esquerda para direita (→), obtemos os seguintes números: 
 
  A  B  C  D  E  F  G  H  I  J  K  L  M  N  O P Q R S T U V W X Y Z a b c  d  e  f  g  h  i  j  k l 
1  9  3  3  1  2  1  6  6  3 3  9  0  7  0  4 0 4 4 1 3 8 1 6  5 8 8 9 8 6  5  0  6  3  3  1 2 4 8
2  0  7  6  8  1  4  5  0  5 8  6  6  1  4  2 6 7 5 6 0 5 7 7  9 6 3 2 6 3  4  5  9  8  6  5 2 1 1
3  6  5  1  5  3  4  4  2  3 7  9  1  4  8  5 8 7 2 4 7 3 7 0  6 2 2 1 3 5  0  8  9  4  7  1 6 4 4
4  9  7  0  2  6  7  3  2  6 7  4  9  1  6  2 7 7 8 6 8 4 7 8  1 5 7 1 2 6  6  6  3  5  6  0 8 2 1
5  5  5  6  5  1  6  4  8  3 3  1  5  3  8  8 2 3 8 8 7 7 4 5  0 4 5 1 8 7  2  3  2  9  6  4 7 7 9
6  8  3  4  8  8  3  8  0  6 4  8  2  3  5  2 5 3 7 1 7 6 8 2  9 5 3 4 3 7  0  3  9  7  0  1 5 7 2
 

Temos, então: 
1 a 35 →  Novilhos n =5  26  15  35  31  23     
36 a 80 →  Novilhas n =7  73  74  62  77  78  71  66 
  Descartados 
 
 Como é provável que a variável em estudo apresente, de estrato para estrato, um comportamento heterogêneo 
e, dentro de cada estrato, um comportamento homogêneo, convém que a amostragem seja feita por estratos. 
Portanto, a amostragem estratificada é, em geral, usada para reduzir a variação nos resultados. 
Notas importantes
 A  amostragem  estratificada  é  mais  eficiente  do  que  a  amostragem  aleatória  simples,  uma  vez  que  fica 
sobre este tipo de assegurada a representatividade de elementos ao longo de toda a extensão da população. A homogeneidade de 
amostragem itens  dentro  de  cada  estrato  proporciona  maior  precisão.  Da  mesma  maneira,  em  um  sistema  produtivo, 
podemos estratificar as amostras em, por exemplo, peça A, peça B, peça C e assim por diante. 

Amostragem por Conglomerado- É aquela em que dividimos a população em pequenos grupos


  (conglomerados), e retiramos amostras aleatórias simples dos conglomerados.
 
Normalmente  usado  para  amostras  grandes.  É  um  método  muito  usado  por  motivos  de  ordem  econômica  e  prática. 
Imagine uma população de 8.000 na qual se queira uma amostra de 400 elementos. É inviável usar os outros métodos pois 
implicaria em muito trabalho enumerar e escolher um a um. 
 
Exemplo. Na população de 8.000 novilhos, divida em 10 conglomerados e extraia uma amostra de tamanho 2.400,
Partindo da 1ª linha, coluna A, sentido horizontal e da esquerda para direita (→) da tabela aleatória.
 
8000 
1º passo. Determine o número de elementos para cada conglomerado:  / 10 = 800 novilhos por conglomerado 
 
População (8.000)
800 novilhos para cada conglomerado

Conglomerado 1 Conglomerado 2 Conglomerado 3 Conglomerado 4 Conglomerado 5

Conglomerado 6 Conglomerado 7 Conglomerado 8 Conglomerado 9 Conglomerado 10


 
 
2º passo: Determine o número de algarismos que serão usados na tabela aleatória:  
Como são 10 conglomerados, a contagem pela tabela aleatória será 1 ‐ 10  
 
3º passo: Determinar o número de conglomerados amostrados 
Como queremos 2.400 novilhos, então serão 3 conglomerados , pois   800  +   800   +  800  = 2.400 novilhos 
 
4º passo. Usar a tabela e selecionar as amostras. Então:  
Partindo da 1ª linha, coluna A, sentido horizontal e da esquerda para direita (→) da tabela aleatória, temos, então: 
 

Conglomerados selecionados:  06  07  02   


 
Agora, é só coletar todos os elementos desses conglomerados selecionados e estudar todos os itens. 
Uma amostra por conglomerado é uma amostra aleatória simples na qual cada unidade de amostragem é um grupo de 
elementos.  Uma  das  principais  aplicações  da  amostragem  por  conglomerados  é  a  amostragem  por  áreas  geográficas, 
-8-

como cidades, municípios, setores de uma empresa, quarteirões de cidades, domicílios, território de vendas etc.  Segundo 
Levine  et  al  (2008,  p.  222)  e  Anderson  et  al  (2009,  p.263)  a  amostragem  por  conglomerados  têm  as  seguintes 
características: 
 
 Todos os elementos contidos em cada conglomerado amostrado formam a amostra; 
 Cada conglomerado é uma versão representativa em pequena escala da população inteira; 
 Tende a produzir melhores resultados quando os elementos neles contidos não são similares;  
 De um modo geral, é mais eficaz em termos de custo do que a amostragem aleatória simples, particularmente se a 
população  estiver  dispersa  ao  longo  de  uma  extensa  área geográfica.  Entretanto,  a  amostragem  por  conglomerado 
geralmente  demanda  um  maior  tamanho  de  amostra  para  que  sejam  produzidos  resultados  tão  precisos  quanto 
aqueles que seriam obtidos da amostragem aleatória simples ou estratificada. 
 
Segundo Triola (2008, p. 23) outro exemplo de amostra por conglomerado pode ser encontrado nas pesquisas eleitorais, 
onde  selecionamos  aleatoriamente  30  zonas  eleitorais  dentre  um  grande  número  de  zonas  e,  em  seguida, 
entrevistamos  todos  os  eleitores  daquelas  seções  (zonas  selecionadas).  Isso  é  muito  mais  rápido  e  muito  menos 
dispendioso do que selecionar uma pessoa de cada uma das zonas na área populacional.  
 
É fácil confundir amostragem estratificada com a amostragem por conglomerado, porque ambas envolvem 
ATENÇÃO! a  formação  de  grupos.  Porém,  a  amostragem  por  conglomerado  usa  todos  os  elementos  de  um  grupo 
selecionado, enquanto a amostragem estratificada usa amostras de elementos de todos os estratos. 
 
 
 
 
 
 
 
Figura.  Amostragem 
 
por  Conglomerados 
 
em quarteirões de um 
 
bairro. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
-9-

Amostragem Sistemática - É a técnica de amostragem em que retiramos os elementos da população


  periodicamente, definida pelo pesquisador.
 
Utilizamos este tipo de amostragem quando os elementos de uma população se encontram ordenados, por exemplo, a coleta 
de amostras de um determinado produto em uma linha de produção. 
 
Coleta de Amostras Amostras

 
 
Nestes  casos,  a seleção  dos  elementos  que  constituirão  a  amostra  pode  ser  feita  por  um  sistema  imposto  pelo  pesquisador.  
Assim, no caso de uma linha de produção, podemos, a cada dez itens produzidos, retirar um para pertencer a uma amostra 
da produção diária. Neste caso, estaríamos fixando o tamanho amostral de 10% da população. 
 
Uma amostragem é sistemática quando a retirada dos elementos da população é feita periodicamente, sendo o intervalo de 
seleção calculado, por meio da divisão do tamanho da população pelo tamanho da amostra a ser selecionada, ou seja: N / n 
 
EXEMPLO. Deseja-se retirar uma amostra de n = 10 unidades de peças de uma população de tamanho N = 800. O
800
intervalo de seleção é, então, /10 = 80. Desse modo, escolhemos um número de 1 a 80, o qual indicaria o primeiro
elemento sorteado para amostra; os demais seriam periodicamente considerados de 80 em 80.  Partindo  da  1ª  linha, 
coluna A, sentido horizontal e da esquerda para direita (→) da tabela aleatória: 
 
o primeiro elemento será 31  (tabela aleatória) e os demais obtidos por progressão aritmética: 111, 191, 271, 351, 431, 511, 
591, 671 e 751. 
 
O ESQUEMA ABAIXO PERMITE UM MELHOR ENTENDIMENTO: 
 
População = 800 800  =  80   1 ‐ 80 
Amostra = 10  10  

Amostra  1 2 3 4 5 6 7 8 9 10

+80               +80            +80             +80              +80               +80               +80              +80              +80


Nº da peça  31 111 191 271 351 431 511 591 671 751
 
 
 
 
Outros métodos de amostragens (não probabilísticos)
Amostragem por julgamento – A pessoa que conhece mais profundamente o tema do estudo escolhe os elementos que julga 
serem  mais  representativos  da  população.  Por  exemplo,  um  repórter  pode  tomar  como  amostra  dois  ou  três  senadores, 
julgando  que  eles  refletem  a  opinião  geral  de  todos  os  senadores.  A  qualidade  dos  resultados  depende  do  julgamento  da 
pessoa que a seleciona.  
 
Amostragem por conveniência – a amostra é identificada primeiramente por conveniência (cômodo, útil, favorável). Como 
exemplo estudantes de uma universidade voluntários para compor uma amostra de uma determinada pesquisa escolar. 
- 10 -

UNIDADE II

CORRELAÇÃO E
REGRESSÃO

Existem  situações  nas  quais  interessa  estudar  a  relação  entre  duas  variáveis, 
coletadas  como  pares  ordenados  (x,y),  para  resolver  questões  do  tipo  “Existe 
relação  entre  o  número  de  horas  de  estudo  e  as  notas  obtidas?”.  Problemas 
como  esses  são  estudados  pela  análise  de  correlação  linear  simples,  onde 
determinamos  o  grau  de  relação  entre  duas  variáveis.  Se  as  variáveis  variam 
juntas, diz‐se que as mesmas estão correlacionadas. 
- 11 -

CORRELAÇÃO LINEAR SIMPLES


INTRODUÇÃO
 
Existem  situações  nas  quais  interessa  estudar  a  relação  entre  duas  variáveis,  coletadas  como  pares  ordenados 
(x,y), para resolver questões do tipo: 
 
Variável x Variável y
Existe relação entre o número de horas de estudo... ...e as notas obtidas?
Quanto maior for a produção... ...maior será o custo total?
Existe relação entre o tabagismo... ...e a incidência de câncer?
Quanto maior a idade de uma casa... ...menor será seu preço de venda?
Existe relação entre o número de horas de treino... ...e os gols obtidos em uma partida de futebol?
Existe relação entre o nível de pressão arterial... ...com a idade das pessoas?
 
 Problemas  como  esses  são  estudados  pela  análise  de  correlação  linear  simples,  onde  determinamos  o  grau  de 
relação entre duas variáveis. Se as variáveis variam juntas, diz‐se que as mesmas estão correlacionadas. 
 
Correlação linear simples é uma técnica usada para analisar a relação entre duas variáveis. 
  
DIAGRAMA DE DISPERSÃO
 
 

EXEMPLO 1. Consideremos na tabela abaixo uma amostra formada por 8 alunos de uma classe,  pelo número de 
horas de estudo (x) e as notas obtidas (y). Verifique se existe correlação por meio do diagrama de dispersão. 
 
Diagrama de Dispersão
Número de horas de estudo  
versus notas obtidas  H o r as estud ad as ver sus Notas o b tid as
10
Aluno  X   Y   9
(horas de estudo)  (notas obtidas)  8
Ponto de interseção 
(Aluno D) 
A  8h  9,0 
Y (Notas obti das )

7
B  2h  3,0  6
5
C  3h  4,0 
4
D  4h  5,0  3
E  4,5h  6,0  2
F  6h  7,0  1
0
G  5h  7,0  0 1 2 3 4 5 6 7 8 9
H  7h  7,5  x (Horas de es tudo)
FONTE: dados fictícios 
 
Representando os pares ordenados (x,y), obtemos diversos pontos grafados que denominamos diagrama de dispersão.  Para 
construí‐lo, basta pontuar a interseção de cada eixo x,y. Por exemplo, o aluno D estudou 4h (eixo x) e obteve a nota 5,0 (eixo 
y).  Observe  no  diagrama  uma  linha  vermelha  pontilhada  e  o  ponto  de  interseção.  Esse  diagrama  nos  fornece  uma  idéia 
grosseira,  porém  útil,  da  correlação  existente.  Ao  observar  o  diagrama  como  um  todo,  podemos  afirmar  que  existe  uma 
correlação entre as variáveis x,y pois, quando x cresce, y também tende a crescer. 
 
  
CORRELAÇÃO LINEAR
H o r as estud ad as ver sus No tas o b tid as
  10
Os  pontos  grafados,  vistos  em  conjunto,  9
formam  uma  elipse  (trajetória,  distribuição  8
dos pontos) em diagonal.  
Y (Notas obti das )

7
  6
Podemos imaginar que, quanto mais fina for  5

a elipse, mais ela se aproximará de uma reta.  4 Reta imaginária 
3
Dizemos  então,  que  a  correlação  de  forma 
2
elíptica tem como “imagem” uma reta, sendo, 
1
por isso, denominada correlação linear.   0
  0 1 2 3 4 5 6 7 8 9
  x (Horas de es tudo)
- 12 -

Assim, uma correlação é:  
 
Uma direção para cima sugere que se:   Uma direção para baixo sugere que se: 
‐  x aumenta,   ‐ x aumenta, 
‐ y tende a aumentar.  ‐ y tende a diminuir. 

EXEMPLO 2. Consideremos na tabela abaixo os meses de Jan a Set,  o aumento mensal do preço das refeições (x) 
e a média do número de clientes ao mês (y). Verifique se existe correlação por meio do diagrama de dispersão. 
 
Diagrama de Dispersão
Aumento do preço da refeição 
versus média de clientes por mês  Aumento do p r eço da r efeição ver su s média clientes p/dia

Mês  X   Y   180

(preço refeição)  (média clientes)  160


Y (médi a de c l i entes p/di a)

Jan  R$ 5,90  154  140


120
Fev  R$ 8,50  139 
100
Mar  R$ 10,90  133  80
Abr  R$ 13,20  128  60
Jun   R$ 15,90  115  40
Jul  R$ 18,50  99  20

Ago  R$ 21,90  80  0


0,00 5,00 10,00 15,00 20,00 25,00 30,00
Set  R$ 24,90  67  x ( P reç o ref ei ç ão)
FONTE: dados fictícios 

COEFICIENTE DE CORRELAÇÃO DE PEARSON


Interpretar a correlação usando um diagrama de dispersão pode ser subjetivo (pessoal). Uma maneira mais precisa 
de se medir o tipo e o grau de uma correlação linear entre duas variáveis é calcular o coeficiente de correlação. 
 
  Coeficiente de correlação é uma medida do grau de relação entre duas variáveis. 
Os  estatísticos  criaram  a  equação  ao  lado  para  obter  o  grau  de 
correlação.  Na  verdade  é  chamado  de  coeficiente  de  Pearson,  em 
homenagem ao estatístico inglês Karl Pearson (1857‐1936). 
 
Onde:  
r = coeficiente de correlação   e   n = tamanho da amostra 
- 13 -

EXEMPLO DE APLICAÇÃO. Consideremos na tabela abaixo uma amostra formada por 8 alunos de uma classe,  pelo 
número de horas de estudo (x) e as notas obtidas (y), calcule o coeficiente de correlação r. 
                                                                                                                                                 Cálculo do r:
 
Número de horas de estudo    
versus notas obtidas 

Aluno  X   Y   X2  Y2   XY 


(horas de estudo)  (notas obtidas) 
 
A  8h  9,0  64  81  72 
 
B  2h  3,0  4  9  6   
C  3h  4,0  9  16  12   
D  4h  5,0  16  25  20   
E  4,5h  6,0  20,25  36  27   
F  6h  7,0  36  49  42   
 
G  5h  7,0  25  49  35 
 
H  7h  7,5  49  56,25  52,5   
  =39,5  =48,5  =223,25 =321,25  =266,5 
Interpretação: 
O coeficiente de correlação r = 0,975 indica que o grau de relação entre as duas variáveis é “Muito forte”, 
além  de  ser  “Positiva”  (pois  x  aumenta,  y  também  aumenta).  Então,  podemos  afirmar  que,  conforme 
aumentam as horas de estudo, as notas obtidas também aumentam. Veja mais detalhes abaixo:
O grau de relação r pode variar de -1 até +1, conforme ilustrado abaixo:
 
 Perfeita                                                                                                             Nula                                                                                                            Perfeita
  ‐1                                                                               0                                                                             +1 
   ‐0,9                     ‐0,6                        ‐0,3                                                    0,3                      0,6                      0,9
    
 

  Muito     Forte                         Fraca                     Muito Fraca            Muito Fraca                Fraca                         Forte          Muito 


forte  forte 
 
                 Correlação linear NEGATIVA                                                                                       Correlação linear POSITIVA 
                     (  x aumenta, y diminui )                                                                                          (  x aumenta, y aumenta  ) 
 

r = 0 
  y r = ‐ 0,813  y r = 0,824 

 
 
 
x x
 
 
 

r=0,975 
Positiva e “Muito forte” 

Notas:
Correlação e causalidade.
O fato de duas variáveis serem fortemente correlacionadas não implica uma relação de causa e efeito entre elas. Um estudo 
mais profundo é usualmente necessário para determinar se há uma relação causal entre as variáveis. As seguintes questões 
devem ser consideradas ao pesquisador: 
‐ Há uma relação direta de causa e efeito entre as variáveis? 
‐ É possível que a relação entre duas variáveis seja uma coincidência? 
Mais informações em Larson, 2010, capítulo 9. 
- 14 -

REGRESSÃO LINEAR SIMPLES


INTRODUÇÃO

Após verificar se a correlação linear entre duas variáveis é significante, o próximo passo é determinar a equação 
da linha que melhor modela os pontos grafados. Essa linha é chamada de linha de regressão (ou linha de melhor 
ajuste). Portanto, a análise de regressão linear simples tem por objetivo obter a equação matemática do ajuste da 
reta que representa o melhor relacionamento numérico linear entre as duas variáveis em estudo. 
A Regressão Linear 
H o r as estud ad as ver sus No tas o b tid as determina o  
10
ajuste da reta, 
9
chamada de “Linha de 
8
Regressão” 
Y (Notas obti das )

7
6
5
4
3
2
1
0
  0 1 2 3 4 5 6 7 8 9
  x (Horas de es tudo)

 
 
Ao  se  construir  um  diagrama  de  dispersão,  não  sabemos  o  comportamento  da  reta  em  relação  aos  pontos 
grafados. Para tanto, devemos calcular o “ajustamento da reta aos pontos”. Eis alguns exemplos de diagramas de 
dispersão com o ajustamento da reta aos pontos: 

AJUSTAMENTO DA RETA AOS PONTOS GRAFADOS

Para ajustar a reta aos pontos grafados em um diagrama de dispersão, os estatísticos usam as seguintes equações:

1º ‐ Calcular o Coeficiente angular a:  2º ‐ Calcular o Coeficiente linear b:  3º ‐ Calcular o ajustamento da reta  : 


(dá a inclinação da reta)  (ordena o ponto em que a reta corta o eixo) 
 

b  =     ‐  a   = aX  +  b 


   
   
   
   
Onde:  Onde: 
b   = Coeficiente linear 
= Ajustamento da reta 
Onde:   =  Média de y  a   = Coeficiente angular 
   a = Coeficiente angular  a   = Coeficiente angular 
   n = tamanho da amostra       X  =  É um valor arbitrário. (Ex.: nº 5) 
  =  Média de x b   = Coeficiente linear 
    
- 15 -

EXEMPLO DE APLICAÇÃO. Consideremos na tabela abaixo uma amostra formada por 8 alunos de uma classe,  pelo 
número de horas de estudo (x) e as notas obtidas (y), calcule a reta ajustada nos pontos grafados. 
                                                                                                                                                 
 
Número de horas de estudo    
versus notas obtidas 
1º ‐ Calcular o Coeficiente angular a: 
X   Y    
Aluno  X2  XY 
(horas de estudo)  (notas obtidas) 
A  8h  9,0  64  72 
B  2h  3,0  4  6 
C  3h  4,0  9  12 
D  4h  5,0  16  20                       
E  4,5h  6,0  20,25  27                    a   =     266,5  ‐  (39,5)  .   (48,5) 
F  6h  7,0  36  42                              8 
                                          

G  5h  7,0  25  35                                          223,25   ‐   (39,5)2 


H  7h  7,5  49  52,5                                          8 
                      
  =39,5  =48,5  =223,25  =266,5                       a =  0,958 

2º ‐ Calcular o Coeficiente linear b:  3º ‐ Calcular o ajustamento da reta  : 
   
b  =     ‐  a     = aX  +  b 
 
 
Calculando as Médias   e  , temos: 
     = 0,958 . 5    +    1,33    
 
                        
              = 48,5 = 6,063                         =  39,5 = 4,937 
                               = 6,12 
                      8                                                    8   
Então:              Nota: 5 é um valor arbitrário. 
              b =   6,063   –   0,958  x  4,937         
              b =   1,33 

Para traçar a reta no diagrama de dispersão, basta determinar os pontos b,   e o arbitrário: 
 

Note  que  os  pontos  grafados  estão  muito  próximos  da  reta.  Isso  significa  que    existe 
uma correlação  muito forte entre as duas variáveis em estudo

 
 
 
 
 
 
- 16 -

UNIDADE III

DISTRIBUIÇÃO DE
FREQUÊNCIA E O
GRÁFICO DE PARETO

Ao se trabalhar com grandes conjuntos de dados, em geral é útil organizá‐los e resumi‐los 
em uma tabela, chamada Distribuição de frequência. 
- 17 -

DISTRIBUIÇÃO DE FREQUÊNCIA 
 
Frequência absoluta e Histograma
 
Ao se trabalhar com grandes conjuntos de dados, em geral é útil organizá-los e resumi-los em uma

 
  tabela, chamada Distribuição de frequência.

 Na distribuição de frequência listamos todos os valores coletados, um em cada linha, marcam‐se as vezes em que eles 
aparecem,  incluindo  as  repetições,  e  conta‐se  a  quantidade  de  ocorrências  de  cada  valor.  Por  este  motivo,  tabelas 
que apresentam valores e suas ocorrências denominam‐se distribuição de freqüências. 
 O termo “freqüência” indica o número de vezes que um dado aparece numa observação estatística. 
 
EXEMPLO
 

Um professor organizou os resultados obtidos em uma prova com 25 alunos da seguinte forma: 
 
                                     Notas dos 25 alunos                                                                                                 Comentário 
4,0  5,0  7,0  9,0  9,0    Agora  ele  pode  fazer  uma  representação  gráfica  para  analisar  o 
4,0  5,0  7,0  9,0  9,0  desempenho  da  turma.  Em  primeiro  lugar,  o  professor  pode  fazer  uma 
4,0  5,0  7,0  9,0  9,0  tabulação dos dados, ou seja, organizá‐los de modo que a consulta a eles 
seja  simplificada.  Então,  faremos  a  distribuição  de  freqüência  destas 
4,0  6,0  8,0  9,0  9,0 
notas, por meio da contagem de dados. 
4,0  6,0  8,0  9,0  9,0 
 
                               Distribuição de freqüência                                                                                           Comentário 
 Freqüência, f    Esta  forma  de  organizar  dados  é  conhecida  como  distribuição  de 
Nota  (nº de alunos)  frequência,  e  o  número  de  vezes  que  um  dado  aparece  é  chamado  de 
4,0  5  frequência absoluta, representado por f. Exemplos:  
 
5,0  3   A frequência absoluta da nota 4,0 é 5. 
6,0  2   A freqüência absoluta da nota 9,0 é 10. 
 
7,0  3 
O  símbolo  grego    “sigma”  significa  “somatório”,  muito  usado  em 
8,0  2 
Estatística. Portanto, f=25 significa a soma de 5+3+2+3+2+10. 
9,0  10   
  f=25  Representamos a freqüência por um gráfico, chamado Histograma. 
 
                                                                                                                                              
                                       HISTOGRAMA                                                                                                         Comentário 
  Quando  os  dados  numéricos  são  organizados,  eles  geralmente  são 
Desempenho dos alunos na prova ordenados  do  menor  para  o  maior,  divididos  em  grupos  de  tamanho 
12 razoável  e,  depois,  são  colocados  em  gráficos  para  que  se  examine  sua 
Número de alunos

10
10 forma,  ou  distribuição  (no  exemplo:  4,0  –  5,0  –  6,0  –  7,0  –  8,0  –  9,0).  Este 
8 gráfico é chamado de Histograma.  
 

6 5 Um  histograma  é  um  gráfico  de  colunas  juntas.  Em  um  histograma  não 
4 3 3
existem espaços entre as colunas adjacentes, como ocorre em um gráfico 
2 2 de  colunas.  No  exemplo,  a  escala  horizontal  (→)  representa  as  notas  e  a 
2
escala vertical (↑) as freqüências. 
0  

4,0 5,0 6,0 7,0 8,0 9,0 O histograma ao lado indica que cinco alunos tiraram a nota 4,0; três alunos tiraram 


a nota 5,0; dois alunos tiraram a nota 6,0; três alunos tiraram a nota 7,0; dois alunos 
Nota tiraram 8,0 e dez alunos tiraram 9,0. 
 
ESTA FREQUÊNCIA QUE ACABAMOS DE ESTUDAR É DENOMINADA FREQUENCIA 
ABSOLUTA (f), QUE É SIMPLESMENTE A CONTAGEM DOS DADOS. 
 
 Em Estatística não trabalhamos somente com frequência absoluta (f), mas também com outros tipos de freqüências, 
que são: freqüência relativa (fr), frequência absoluta acumulada (Fa) e frequência relativa acumulada (FRa). 
 
 Estudaremos agora cada uma delas. 
 
- 18 -

Frequência Relativa fr (%)


 
Conceito. Representado por fr(%), significa a relação existente entre a frequência absoluta f e a soma das freqüências  f. É a 
porcentagem (%) do número de vezes que cada dado aparece em relação ao total. 
 
EXEMPLO
5
                                                                    /25 * 100  =  20%. 
      freqüência relativa fr (%)                                                                                            Comentários aos cálculos 
Nota  f  fr(%)    f
A frequência relativa fr(%) é obtida por  /f * 100, conforme abaixo: 
4,0  5  20%   
5
 A fr(%) da nota 4,0 é    /25 * 100  =  20%. 
5,0  3  12%  3
 A fr(%) da nota 5,0 é   /25 * 100   = 12% 
6,0  2  8%  2
 A fr(%) da nota 6,0 é   /25 * 100   =  8% 
7,0  3  12%  3
 A fr(%) da nota 7,0 é   /25 * 100   = 12% 
8,0  2  8%  2
 A fr(%) da nota 8,0 é   /25 * 100  = 8% 
9,0  10  40%  10
 A fr(%) da nota 9,0 é   /25 * 100 = 40%. 
  f=25  100% 
 
Frequência Absoluta Acumulada Fa
 

Conceito. Representado por Fa, significa a soma das freqüências absolutas até o elemento analisado. 
 
EXEMPLO
                                                                                Fa2=5+3 = 8 
     frequência absoluta acumulada (Fa)                                                                                            Comentários aos cálculos 
Nota  f fr(%)  Fa    A frequência absoluta acumulada Fa é obtida conforme abaixo: 
4,0  5  20%  5   
 A Fa da nota 4,0 é 5 (sempre repete a primeira). 
5,0  3  12%  8 
 A Fa das notas 4,0 e 5,0 é 5+3=8. 
6,0  2  8%  10   A Fa das notas 4,0, 5,0 e 6,0 é 5+3+2=10. 
7,0  3  12%  13   A Fa das notas 4,0, 5,0, 6,0 e 7,0 é 5+3+2+3=13. 
8,0  2  8%  15   A Fa das notas 4,0, 5,0, 6,0, 7,0 e 8,0 é 5+3+2+3+2=15. 
9,0  10  40%  25   A Fa das notas 4,0, 5,0, 6,0, 7,0, 8,0 e 9,0 é 5+3+2+3+2+10=25 
 
  f=25  100%  ‐ 
 
Frequência Relativa Acumulada FRa (%)
 
Conceito. Representado por FRa (%), significa a soma das freqüências relativas fr(%) até o elemento analisado. 
 
EXEMPLO
                                                                                             20% + 12% = 32% 
             frequência relativa acumulada (FRa)                                                                                 Comentários aos cálculos 
Nota  f  fr(%)  Fa  FRa(%)    A frequência relativa acumulada FRa(%) é obtida conforme abaixo: 
4,0  5  20%  5  20%   
 A FRa(%) de 4,0 é 20% (sempre repete a primeira). 
5,0  3  12%  8  32% 
 A FRa(%) de 4,0 e 5,0 é 20+12 = 32% 
6,0  2  8%  10  40%   A FRa(%) de 4,0, 5,0 e 6,0 é 20+12+8 = 40% 
7,0  3  12%  13  52%   A FRa(%) de 4,0, 5,0, 6,0 e 7,0 é 20+12+8+12 = 52% 
8,0  2  8%  15  60%   A FRa(%) de 4,0, 5,0, 6,0, 7,0 e 8,0 é 20+12+8+12+8 = 60% 
9,0  10  40%  25  100%   A FRa(%) de 4,0, 5,0, 6,0, 7,0, 8,0 e 9,0 é 20+12+8+12+8+40=100% 
  f=25  100%  ‐  ‐ 
 
 
 
NOTA IMPORTANTE SOBRE DISTRIBUIÇÃO DE FREQUÊNCIA: 
 
Nota  f  fr(%)  Fa  FRa(%)    Para saber se o desenvolvimento da distribuição de freqüência por completo está 
      25  100%  correto, os valores ao lado, em vermelho, deverão coincidir. 
  f=25  100%  ‐  ‐ 
 
- 19 -

GRÁFICO DE PARETO
 
É um gráfico de colunas ordenadas por ordem decrescente de importância, juntamente com um gráfico de linhas com as
porcentagens acumuladas. Serve para definir quais os problemas vitais a serem atacados prioritariamente.
 É que um gráfico organizado. Dispõe a informação de modo a tornar evidente e visual a priorização de problemas. 
 

Princípio de Pareto ou lei oitenta / vinte:   
 

 De uma forma empírica, 80% dos problemas (problemas vitais) estão em 20% das causas. 
 Quando diante de um problema, deseja‐se saber qual a prioridade. 
 Para comparar problemas em tempos diferentes e evidenciar resultados de melhoria. 
 

EXEMPLO DE GRÁFICO DE PARETO  
 

Análise gráfica  dos ACIDENTES DE TRABALHO  DE UMA EMPRESA. ESTUDO: PARTE DO CORPO MAIS ATINGIDA. 


Com base no gráfico podemos perceber que a empresa construiu um histograma na ordem decrescente (da maior 
frequência  para  a  menor),  juntamente  com  um  gráfico  em  linhas  com  as  porcentagens  acumuladas.  Através  de 
uma  análise  rápida,  concluímos  que  a  maior  parte  do  problema  da  empresa,  em  relação  à  parte  do  corpo  mais 
atingida, está nas mãos e braços, o que corresponde a 70 acidentes, de um total de 96. Isto corresponde a 73% do 
total. Atacando essas duas causas, certamente a empresa terá uma redução significativa no número de acidentes. 
 
 
  100 Acidente do Trabalho - parte do corpo atingida 120%
 
  90
  99% 100%
97%
  95% 100%
  80 91%
 

Porcentagem acumulada
85%
  70
  80%
Frequência

  73%
  60
  Problemas vitais
  50 60%
  44
  46%
40
 
  Problemas triviais 40%
  30 26
 
  20
 
12 20%
 
  10 5 4 2 2
  1
  0 0%
  MÃOS BRAÇOS OLHOS CABEÇA OMBROS PERNAS PÉS OUTROS
 
  (Problema/causa) Local da lesão
 
 
 
 
Problemas vitais e triviais 
O  princípio  de  Pareto  estabelece  que  os  problemas  relacionados  à  qualidade  (percentual  de  itens  defeituosos,  número  de 
reclamações de clientes, modos de falhas de máquinas, perdas de produção, gastos com reparos de produtos dentro do prazo 
de garantia, ocorrências de acidentes de trabalho, atrasos na entrega de produtos, entre outros), os quais se traduzem sob a 
forma de perdas, podem ser classificados em duas categorias: os “poucos vitais” e os “muitos triviais”.  
 

Representam  um  pequeno  número  de  problemas,  mas  que  no  entanto  resultam  em  grandes 
poucos vitais 
perdas para a empresa. (Veja o gráfico acima) 
São uma extensa lista de problemas, mas que apesar de seu grande número, convertem‐se em 
muitos triviais 
perdas pouco significativas. (perdas pouco sérias) (veja o gráfico acima) 
 
Em outras palavras, o princípio de Pareto estabelece que se forem identificados, por exemplo, cinquenta problemas relacionados à qualidade, a 
solução de apenas cinco ou seis destes problemas já poderá representar uma redução de 80 ou 90% das perdas que a empresa vem sofrendo 
devido à ocorrência de todos os problemas existentes. 
 
O princípio de Pareto também estabelece que um problema pode ser atribuído a um pequeno número de causas. Logo, se forem identificadas 
as poucas causas vitais dos poucos problemas vitais enfrentados pela empresa, será possível eliminar quase todas as perdas por meio de um 
pequeno número de ações. Ou seja, em um primeiro momento devemos concentrar nossa atenção sobre os poucos vitais, deixando de lado os 
muitos triviais, para que os problemas possam ser resolvidos da forma mais eficiente possível. 
 

Breve histórico 
O  princípio  de  Pareto  foi  inicialmente  estabelecido  por  J.  M.  Juran,  que  adaptou  aos  problemas  da  qualidade  a  teoria  para  modelar  a 
distribuição  de  renda  desenvolvida  pelo  sociólogo  e  economista  italiano  Vilfredo  Pareto  (1843—1923).  Pareto  mostrou,  em  1897,  que  a 
distribuição de renda é muito desigual, com a maior parte da riqueza pertencendo a muito poucas pessoas. Juran foi o primeiro a notar que 
esta mesma idéia se aplicava aos problemas da qualidade — a distribuição dos problemas e de suas causas é desigual e portanto as melhorias 
mais  significativas  poderão  ser  obtidas  se  nossa  atenção  for  concentrada,  primeiramente,  na  direção  dos  poucos  problemas  vitais  e  logo  a 
seguir na direção das poucas causas vitais destes problemas. 
 
- 20 -

CONSTRUINDO GRÁFICO DE PARETO. 
1. Colete os dados por meio de uma Folha de Verificação. 
Vamos  considerar  novamente  a  situação  onde  uma  indústria  fabricante  de  lentes  procurava  resolver  o  seguinte  problema: 
“aumento  do  número  de  lentes  defeituosas  produzidas  pela  empresa  a  partir  de  fevereiro  de  1995”.  A  empresa  classificou 
uma  amostra  de  lentes  fabricadas  durante  uma  semana  de  produção  de  acordo  com  os  tipos  de  defeitos  detectados,  tendo 
obtido os resultados apresentados (destacado) na figura abaixo. 
 

 
 
 
 
 
 
 
  
 
 
  Resultados da
 
  coleta de dados
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
2. Com base na Folha de Verificação, organize os dados por meio de uma Distribuição de Frequência. 
Agora,  organize  os  dados  por  meio  de  uma  distribuição  de  frequências,  demonstrando  a  frequência  f  (ordenada,  da  maior 
frequência para a menor), a Frequência acumulada Fa, a Frequência Relativa fr(%), e a Frequência Relativa acumulada FRa(%). 
Veja abaixo a distribuição de frequência. 
 
55+41=96 55/127=43,3 43,3+32,3=75,6
 
 
 
  Distribuição de frequência
  ordenada
(da maior Quantidade de
 
defeitos
  para a menor)
 
 
 
 
 

3. Com base na Distribuição de Frequência, construa o Gráfico de Pareto. 
Basta  elaborar  um  histograma  com  as  frequências  f  ordenadas  (da  maior  quantidade  de  defeitos  para  menor).  Logo  após, 
construa um gráfico em linhas das porcentagens acumuladas FRa(%).  
 
 
  93,7% 97,6% 100%
  85%
  75,6%
 
 
  43,3%
55
 
41
 
 
  12 11 5 3
 

Tipo de defeito
- 21 -

4. Análise do Gráfico de Pareto. Observando o gráfico dos defeitos das lentes, foi imediato para a indústria fabricante de lentes 
perceber  que  os  dois  tipos  de  defeitos  mais  frequentes,  “revestinento  inadequado”  e  “trinca”,  representavam  75,6%  dos 
defeitos detectados nas lentes produzidas pela empresa. Portanto, “revestimento inadequado” e “trinca” foram considerados 
como  os  poucos  defeitos  vitais,  que  deveriam  ser  eliminados  em  primeiro  lugar,  enquanto  “arranhão”,  “lente  muito  fina  ou 
muito grossa”, “lente não‐acabada” e “outros” representavam os muitos defeitos triviais. 
 

5.Traçar Plano de Ação para melhorar resultados 
Após estudar as informações obtidas, a indústria constatou que a mudança para um novo fornecedor da solução utilizada no processo de 
revestimento  das  lentes,  o  qual  vendia  um  produto  mais  barato,  foi  a  causa  responsável  pelo  aumento  do  número  de  lentes  que 
apresentavam  um  revestimento  inadequado.  Também  foi  verificado  que  uma  peça  de  uma  das  máquinas  utilizada  no  processo  de 
fabricação das lentes apresentava um desgaste excessivo, o que resultou no aumento do número de lentes trincadas. A empresa elaborou 
então  o  plano  de  ação,  que  consistiu  em  voltar  a  comprar  a  matéria‐prima  do  antigo  fornecedor  e  trocar  a  ferramenta  que  estava 
desgastada. Após a adoção destas medidas corretivas, a indústria coletou novos dados relativos às lentes defeituosas produzidas, os quais 
estão apresentados abaixo. 
 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
Melhoria Total = Total de defeitos “antes” – Total de defeitos “após”   →   127 – 55 = 0,598 ou 59,8% 
                                                     Total de defeitos “antes”                                        127 
 

Conclui‐se que, a adoção das medidas corretivas reduziu em 59,8% o número total de defeitos nas lentes produzidas. 
 

 
COMPARAÇÃO DO “ANTES” E “DEPOIS”. 
Para melhorar resultados, a comparação de gráficos de Pareto construídos a partir de dados coletados “antes” e “após” a ação 
corretiva pode ser utilizada para avaliar se a ação executada foi realmente eficaz. Se a frequência da categoria de interesse foi 
significativamente reduzida, será possível concluir que o bloqueio foi efetivo.  Veja abaixo. 
 

 
 
 
 
 
 
 
 
 
 
 
 
- 22 -

ESTRATIFICAÇÃO (DESDOBRAMENTO) DOS GRÁFICOS DE PARETO. 
 
O desdobramento de gráficos de Pareto consiste em tomar as categorias prioritárias identificadas em um primeiro gráfico como 
novos problemas a serem analisados por meio de novos gráficos de Pareto, conforme o esquema apresentado abaixo. 
  
Desdobramento. 
O  desdobramento  continua  até  que  o  nível  de  detalhes 
desejado  seja  obtido,  de  forma  que  possam  ser 
priorizados os vários possíveis projetos de melhoria, com 
base nos resultados que cada um deles pode produzir. 
  
Estabelecendo Metas 
Esta figura registra, no primeiro gráfico, um total de 161 
ocorrências do problema em defeitos em automóveis.  
 
Analisando  o  desdobramento,  verificamos  que  se  forem 
executados os projetos de  
 
 eliminação dos arranhões na pintura de automóveis e  
 eliminação  de  aparelhos  de  ar‐condicionado  de 
automóveis que não funcionam,  
 
o  ganho  potencial  é  de  uma  redução  no  número  de 
defeitos  igual  a  28  +  14=42  unidades.  Portanto,  a  meta 
que  pode  ser  estabelecida  para  a  execução  destes  dois 
projetos é: 
 
Meta =  42 x 100 =   26% de redução no número de 
             161  defeitos em automóveis.            
 
 
 
 
 

 
 

Outro exemplo de estratificação de gráfico de Pareto 
 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
- 23 -

TIPOS DE GRÁFICOS DE PARETO. 
 

Gráfico de Pareto para efeitos 
O  gráfico  de  Pareto  para  efeitos  dispõe  a  informação  de  modo  que  se  toma  possível  a  identificação  do  principal  problema 
enfrentado por uma empresa. Pode ser utilizado para descobrir problemas relacionados às cinco dimensões da Qualidade Total: 
 
Percentual de produtos defeituosos, número de reclamações de clientes, número de devoluções de 
Qualidade 
produtos. 
Perdas  de  produção,  gastos  com  reparos  de  produtos  dentro  do  prazo  de  garantia,  custos  de 
Custo 
manutenção de equipamentos. 
Índices de atrasos de entrega, índices de entrega em quantidade e local errados, falta de matéria‐
Entrega 
prima em estoque. 
Moral  Índices de reclamações trabalhistas, índices de demissões, absenteísmo. 
Número de acidentes de trabalho, índices de gravidade de acidentes, número de acidentes sofridos 
Segurança 
por usuários do produto,  taxa de frequência de acidentes. Número de acidentes com equipamentos 
 

OUTROS EXEMPLOS DE GRÁFICO DE PARETO 
 

MONTAGEM DE CONJUNTO ABC 

Coleta de dados
 
 
 
 
 
 
 
 
 
 
 
 
Ordenamento dos dados 
(maior frequência para menor), 
com as frequências 
acumuladas 
 
 
 
 
 
   
 
 
 
 
 
 
 
 
 
 
 
 
 
Gráfico de Pareto. 
 
- 24 -

FABRICAÇÃO DE CAPÔS DE CARRO 

Coleta de dados
 
 
 
 
 
 
 
 
Ordenação dos dados por meio de Distribuição de Frequência   
 
 
Ordenamento dos 
dados 
(maior frequência para 
menor), com as 
frequências 
acumuladas 
 
 
 
   
 
Gráfico de Pareto 
 
 
 
 
 
 
Gráfico de Pareto. 
 

 
 
 
 
 
 
 
 
VÍDEOS GRÁFICO DE PARETO 
https://www.youtube.com/watch?v=oAy67MmZE9w&list=PLMq2o4TOsym6s1lfHE_NU37vMLR_IuDCV&index=10 
https://www.youtube.com/watch?v=b‐phFzLnBNA&list=PLMq2o4TOsym6s1lfHE_NU37vMLR_IuDCV&index=17 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
“Atualmente, todos – estudantes e professores – procuram o Udemy porque é a
plataforma onde todos estão”.
Fonte: Jornal do Brasil

Faça o curso online na Udemy


Estatística I (para leigos):
aprenda fácil e rápido!
Com o Prof. MSc. Uanderson Rébula
"O livro digital Estatística I para leigos possui uma linguagem fácil e ao mesmo tempo dinâmica. O
conteúdo do livro está ordenado de forma a facilitar a aprendizagem dos alunos, mesmo aquelas
pessoas que não tenham noção nenhuma de estatística aprenderão com esse livro. Você pode
estudar sozinho para concursos pois o livro é auto explicativo ou até mesmo em grupos, no meu
caso faço isso com meus alunos. Eu super recomendo esse livro!!! NOTA 1000"
Maria Eunice Souza Madriz
Professora de estatística da rede estadual de ensino da Bahia
Avaliação do livro pelo cliente na amazon.com.br

Saiba
mais
Clique aqui

www.udemy.com
Junte-se a milhões de estudantes na maior plataforma on-line
de cursos curtos e práticos do mundo.

Com mais de 45.000 cursos virtuais disponíveis, o Udemy é uma plataforma global de
ensino on-line onde 15 milhões de alunos estão dominando novas habilidades.

O foco do Udemy são os conhecimentos práticos e úteis para o mercado de trabalho. Há


cursos gratuitos e pagos. São cursos curtos e com valores bem acessíveis.
- 25 -

 
 
 

UNIDADE IV

MEDIDAS DE
VARIAÇÃO E A
DISTRIBUIÇÃO
NORMAL
 
 

 
 
 
 
 
O DESVIO PADRÃO E A DISTRIBUIÇÃO NORMAL  
CONSTITUEM OS INSTRUMENTOS ESTATÍSTICOS  
MAIS UTILIZADOS NO CONTROLE ESTATÍSTICO DE PROCESSO  
 
 
 
 
 
 
- 26 -

MEDIDAS DE VARIAÇÃO (OU DISPERSÃO) 


INTRODUÇÃO
 
O termo “variação” sugere tornar vário ou diverso; alterar, diversificar; mudar; ser inconstante; não ser conforme, 
discrepar. Na maioria dos casos existirá variação em um conjunto de dados, independente da característica que 
você esteja medindo, pois nem todos os indivíduos terão o mesmo exato valor para todas as variáveis. 

EXEMPLO  
  
Durante  o  ano  letivo  a  Média  das  notas de  João,  Mário,  Maria  e  José  foi  7,0.  Se  considerarmos apenas  a 
Média, não notaremos qualquer diferença entre os quatro alunos. No entanto, observa‐se que as notas são 
muito diferentes em relação a Média. Há variação de notas e, no caso de João e José, é bem discrepante: 
 
  Grande variação 
Média das notas de João  a partir da Média  Média das notas de Mário  Sem variação a 
  10,0 9,5 10,0 partir da Média 
9,0
 
8,0 7,0 8,0 7,0 7,0 7,0 7,0 7,0
  6,0
Notas

Notas
  6,0 6,0
  4,0 3,5 4,0
 
  2,0 2,0
  0,0 0,0
  1º Bim 2º Bim Média 3º Bim 4º Bim 1º Bim 2º Bim Média 3º Bim 4º Bim
Bimestres
  Bimestres

  Pequena variação a  Grande variação a 
Média das notas de Maria
  partir da Média  Média das notas de José  partir da Média 
10,0 10,0 9,5
8,5
8,0 7,0 7,5 7,5 8,0 7,0
6,5 6,5
6,0
Notas

Notas

6,0 6,0
4,0
4,0 4,0
2,0 2,0
0,0 0,0
1º Bim 2º Bim Média 3º Bim 4º Bim 1º Bim 2º Bim Média 3º Bim 4º Bim
Bimestres Bimestres

Diante  deste  contexto,  podemos  questionar:  qual  o  aluno  é  mais  estável?  Qual  teve  melhor 
desempenho?  Qual  o  aluno  com  pior  desempenho?  Notadamente  o  aluno  de  melhor  desempenho  é  o 
Mário, pois todas as suas notas foram 7,0 e, portanto, não houve nenhuma variação em relação a Média. 
Já José e João tiveram o pior desempenho pois suas notas estiveram muito distantes da Média.  
 

Neste  capítulo  vamos  desenvolver  maneiras  específicas  de  realmente  medirmos  a  variação,  de  modo 
que possamos usar números específicos em lugar de julgamento subjetivo. 
Outros exemplos de variações: 
 

 Os preços das casas variam de casa para casa, de ano para ano e de estado para estado.  
 Os preços de um produto variam de supermercado para supermercado. 
 O tempo que você leva para chegar ao trabalho varia dia a dia. 
 O tamanho das peças produzidas em uma empresa também varia.  
 A renda familiar varia de família para família, de país para país e de ano para ano.   
 Os resultados das partidas de futebol, de temporada para temporada, variam.  
 As notas que você tira nas provas, não diferente, também variam.  
 Seu saldo bancário também varia, podendo ser de hora em hora, dia a dia, mês a mês. 
 
Estudaremos  alguns tipos de medidas de variação: variância, desvio padrão e coeficiente de variação. 
 
- 27 -

VARIÂNCIA E DESVIO PADRÃO (amostral)

São medidas que representam “um valor médio de variação” em torno da média.
 
O desvio padrão é um modo que se usa para medir a variabilidade entre os números em um conjunto de dados. Assim como o termo 
sugere,  um  desvio  padrão  é  um  padrão  (ou  seja,  algo  típico)  de  desvio  (ou  distância)  da  média.  O  desvio  padrão  é  uma  estatística 
importante,  mas,  frequentemente,  é  omitida  quando  os  resultados  são  relatados.  Sem  ele,  você  está  recebendo  apenas  uma  parte  da 
história sobre os dados. Os estatísticos gostam de contar a história do homem que estava com um dos pés em um balde de água gelada e 
o  outro  em  um  balde  de  água  fervendo.  O  homem  dizia  que,  na  média,  ele  estava  se  sentindo  ótimo!  Mas  imagine  a  variabilidade  da 
temperatura para cada um dos pés. Agora, colocando os pés no chão, o preço médio de uma casa, por exemplo, não lhe diz nada sobre a 
variedade de preços de casas com a qual você pode se deparar enquanto estiver procurando uma casa para comprar. A média dos salários 
pode não representar o que realmente está se passando em sua empresa se os salários forem extremamente discrepantes. 

        Entendendo a Variância e o Desvio Padrão                  Calculando a Variância e o Desvio Padrão  
Desvios em torno da Média das notas de João  O  problema  da  soma  dos  desvios  foi  resolvido  pelos 
  matemáticos: basta elevar  cada desvio ao quadrado antes 
10,0   9,5 9,0 de  somá‐los.  Um  número  ao  quadrado  é  sempre  positivo, 
      
 
       portanto a soma não se anula mais, e a média dos desvios ao 
   

     + 2,5       +2,0
8,0
  7,0 quadrado pode ser calculada: 
 

6,0     ‐1,0  Notas  Média  Desvios   Desvios elevado ao 


Notas

     ‐3,5  6,0 (x)  ( x )  (x ‐  x )  quadrado  (x ‐  x )2 


4,0   3,5  7,0  ‐3,5        (‐3,5)2 =   12,25 
  3,5 6,0  7,0  ‐1,0        (‐1,0)2 =   1 
2,0   9,5  7,0  2,5        (2,5)2   =   6,25 
0,0
  9,0  7,0  2,0        (2,0)2  =   4 
1º Bim 2º Bim Média   3º Bim 4º Bim n=4  ‐  =0                  =23,5 
Bimestres   

  Variância amostral
No gráfico percebemos que o desvio determina o quanto  Agora,  podemos  calcular  a  média  dos  quadrados  dos 
2
cada  elemento  do  conjunto  de  dados  se  distancia  da  desvios, chamada de Variância, representada por S : 
 
média 7,0. No 1º Bim. faltam ‐3,5 para se chegar a Média 

2
e  no  2º  Bim.  ‐1,0.  Já  nos  3º  e  4º  Bim.  temos  +2,5  e  +2,0  S2 =  ( x  x)   →       23,5    =  7,8 
acima  da  média,  respectivamente.  Transpondo  essas      4 ‐ 1 
informações para uma tabela, temos:       n ‐ 1 
A divisão por n−1 aparece por fornecer um melhor resultado do 
  que a divisão por n. 
Notas      Média  Desvios    
Desvio padrão amostral
(x)  ( x )  (x ‐  x )  Mas,  se  elevamos  os  desvios  ao  quadrado  para  poder 
3,5  7,0  ‐3,5  calcular sua média, não seria correto que agora fizéssemos a 
6,0  7,0  ‐1,0  raiz  quadrada  dessa  média,  para  desfazer  a  potenciação? 
9,5  7,0  2,5  Sim,  e  o  valor  dessa  raiz  é  chamado  Desvio  padrão, 
9,0  7,0  2,0  representado por S: 
 
‐  ‐  =0 
Desvio padrão   →   S =  7,8 = 2,8  
 
Interpretação:  O  desvio  padrão  indica  que  a  maioria  das  notas  de 
Perceba  que  a  soma  dos  desvios  é  igual  a  zero.  Esta 
João  está  concentrada  dentro  dos  limites  de   2,8  em  torno  da 
característica  não  é  exclusiva  deste  exemplo.  Ela  sempre  média 7,0. Ou seja, se concentrando entre 4,2 e 9,8: 
ocorre e prende‐se ao fato de que a média é o ponto de   
equilíbrio em um conjunto de dados.       4,2      ‐2,8                       +2,8       9,8 
 
   
Como os desvios indicam o grau de variação dos valores   
  7,0 
 
em  relação  à  média,  seria  interessante  poder  encontrar 
um  único  número  que  o  representasse.  Algo  como  a 
média  dos  desvios.  Mas,  para  fazer  essa  média,  Equação da Variância e Desvio padrão
precisamos somar os desvios e acabamos de ver que essa  Podemos concluir, então, o uso das equações: 
 

soma é sempre igual a zero.        da Variância  do Desvio padrão 


   
 

2 2
  S  =  ( x  x )  
S =  S 2  
   n ‐ 1              
 
 
- 28 -

Calculando a Variância e o Desvio padrão das notas de Maria, José e Mário – passo a passo. 
Notas de Maria:           6,5   6,5   7,5   7,5 
1º Calcular a Média  2º Calcular a Variância  3º Calcular o Desvio padrão 
   
 
             x   x   S2 =    ( x  x) 2
 
S =  S2   →   0 , 33  
 
n n 1
   
x = 6,5+6,5+7,5+7,5 = 7,0  S2 = (6,5 – 7,0)2 + (6,5 – 7,0)2 + (7,5 – 7,0)2 + (7,5 – 7,0)2  =  0,33  S = 0,5 
                     4  4 – 1 
Interpretação: O resultado indica que a maioria das notas de Maria    6,5      ‐0,5                       +0,5       7,5 
está concentrada dentro dos limites de   0,5 em torno da Média 
7,0. Ou seja, se concentrando entre 6,5 e 7,5.    7,0 

Notas de José:           4,0   9,5    8,5   6,0 
1º Calcular a Média  2º Calcular a Variância  3º Calcular o Desvio padrão 
   
 
             x   x   S2 =    ( x  x) 2
 
S =  S2   →   6 ,16  
 
n n 1
   
x = 4,0+9,5+8,5+6,5 = 7,0  S2 = (4,0 – 7,0)2 +  (9,5 – 7,0)2 + (8,5 – 7,0)2 + (6,0 – 7,0)2  = 6,16  S = 2,5 
                     4                                                      4 ‐ 1 
Interpretação: O resultado indica que a maioria das notas de Maria    4,5      ‐2,5                       +2,5       9,5 
está concentrada dentro dos limites de   2,5 em torno da Média 
7,0. Ou seja, se concentrando entre 4,5 e 9,5.    7,0 

Notas de Mário:           7,0   7,0    7,0   7,0 
1º Calcular a Média  2º Calcular a Variância  3º Calcular o Desvio padrão 
   
 
             x   x   S2 =    ( x  x) 2
 
S =  S2   →   S = 0 
 
n n 1
 

x = 7,0+7,0+7,0+7,0 = 7,0  S2 = (7,0 – 7,0)2 +  (7,0 – 7,0)2 + (7,0 – 7,0)2 + (7,0 – 7,0)2  =  0 
                     4                                                      4 ‐ 1 

O  resultado  indica  que  todas  as  notas  de  Mário  estão  dentro  dos  limites  de   0  em  torno  da  Média  7,0.  Ou  seja,  se 
concentrando exatamente na média 7,0. Portanto, sem variação. 
 

NOTAS SOBRE O DESVIO PADRÃO. O  desvio  padrão  é 


sempre  um  valor  que  está  na  mesma  unidade  dos  dados  originais.  desvios
Um desvio padrão pequeno, basicamente, significa que os valores do 
conjunto  de  dados  estão,  na  média,  próximos  do  centro  desse 
conjunto,  enquanto  um  desvio  padrão  grande  significa  que  os 
valores  do  conjunto  de  dados  estão,  na  média,  mais  afastados  do  média
centro. Então, quanto mais espalhados ou dispersos forem os dados, 
maior  será  o  desvio  padrão  e,  quanto  mais  concentrados  ou 
homogêneos  forem  os  dados,  menor  será  o  desvio  padrão.  Se  os 
valores  forem  iguais,  ou  seja,  sem  variação,  o  desvio  padrão  será  Desvio padrão
zero.  
 
Um  desvio  padrão  pequeno  pode  ser  um  bom  objetivo  em 
determinadas  situações,  onde  os  resultados  são  restritos,  como  exemplo,  na  produção  e  no  controle  de  qualidade  de  uma  indústria.  Uma 
determinada peça de carro que deve ter centímetros de diâmetro para encaixar perfeitamente não pode apresentar um desvio padrão grande, 
nesse caso, significaria que acabariam sendo jogadas fora, pois ou não se encaixariam adequadamente ou os carros teriam problemas.  
 
Observe que o desvio padrão das notas de João indica que estão concentradas dentro dos limites de   2,8 em torno da média 7,0. Ou seja, se 
concentrando entre 4,2 e 9,8.  Isto representa um desvio padrão grande.
- 29 -

COEFICIENTE DE VARIAÇÃO - CV
É a medida relativa do desvio padrão que é expressa sob a forma de porcentagem (%).
Em  algumas  situações,  podemos  estar  interessados  em  uma  estatística  que  indique  qual  é  o  tamanho  do  desvio  padrão  em  relação  à 
média. A melhor forma de representá‐la é através do coeficiente de variação por ser expressa na forma de porcentagem.  

Equação do Cv:  Exemplo: Com a média 7,0 de João e Desvio padrão de 2,8, temos: 
   

Cv =     S   x 100      Cv =   2,8  x  100   →    40% 
              x                  7,0 
   

Ou seja:    Cv = Desvio padrão  x 100  O resultado indica que a Média 7,0 de João teve um Desvio padrão em torno de 40%. 
                                   Média 

Interpretação estatística do Cv: 
 
Cv ≤ 15%  = pequena variação em torno da média 
15% < Cv < 30%  = moderada variação em torno da média 
Cv ≥ 30%  = grande variação em torno da média 
Fazendo a Distribuição de Variabilidade das notas de João, Maria, José e Mário, temos: 

Alunos      x   S  Cv (%)  Cálculo do Cv (%)  Interpretação do Cv 


   2,8
João  7,0  2,8  40%  → /7,0 x 100  Grande variação 
Maria  7,0  0,5  7%  →   0,5/7,0 x 100  Pequena variação 
José  7,0  2,5  36%  →   2,5/7,0 x 100  Grande variação 
  
Mário  7,0  0  0%  ‐  Nenhuma variação 
 
VANTAGEM DO CV. 
O Cv é útil para compararmos a variabilidade de variáveis que têm desvios padrão diferentes e médias diferentes 
 

Exemplo: Suponha que o lote A de peças tenha média de 
65 cm de comprimento com desvio padrão de 8 cm; e o  Lote A  Lote B 
   
lote B tenha média de 105 cm  com desvio padrão de 11  Cv =    8   x 100 = 12,3%  Cv =    11   x 100 = 10,47% 
cm. QUAL LOTE TEM MENOR VARIAÇÃO E É MAIS CONSISTENTE?               65             105 
O lote B é mais consistente pois tem menor variação. 

CONCEITOS BÁSICOS DE PROBABILIDADES

  Probabilidade é uma medida numérica que representa a chance de um evento ocorrer.

Dois exemplos clássicos (por sua simplicidade) do conceito de Probabilidade são:


 

Ao lançar um dado, qual a probabilidade de obter “4”?    Ao lançar a moeda, qual a probabilidade de dar “cara”?
 

 
Como representar numericamente as chances desses eventos? 
 
Conhecidas  certas  condições,  é  possível  responder  a  essas  duas  perguntas,  antes  mesmo  da  realização  desses  experimentos.  A 
teoria da probabilidade surgiu para tentar calcular a “chance” de ocorrência de um resultado imprevisível, porém, pertencente a 
um  conjunto  de  resultados  possíveis.  Todos  os  dias  somos  confrontados  com  situações,  que  nos  conduzem  a  utilizar  a  teoria  de 
probabilidade: 
Dizemos que existe uma pequena probabilidade de ganhar na loteria; 
Dizemos que existe uma grande probabilidade de não chover num dia de verão;  
O gerente quer saber a probabilidade de o projeto ser concluído no prazo; 
O analista financeiro quer saber a chance de um novo investimento ser lucrativo;  
O gerente de marketing quer saber as  chances de queda de vendas se aumentar os preços; 
O eng. produção quer saber a probabilidade de um novo método de montagem aumentar a produtividade. 

É  POSSÍVEL  QUANTIFICAR  O  ACASO.  Desse  modo,  se  houver  probabilidades  disponíveis,  podemos  determinar  a 
possibilidade  de  cada  um  dos  eventos  ocorrer.  Para  continuar  o  estudo  de  probabilidades,  três  conceitos  são 
importantes: Experimento aleatório, espaço amostral e eventos.  
- 30 -

DISTRIBUIÇÃO NORMAL  (ABRAHAM DE MOIVRE  1667 ‐ 1754 ) 
  É usada para distribuições SIMÉTRICAS e possui diversas aplicações, como calcular as probabilidades de
PESOS e ALTURAS das pessoas, diâmetro e comprimento de peças em linhas de produção, tempo de vida
útil de produtos e diversas outras medições de pesquisas científicas.
 Aplicado para distribuições SIMÉTRICAS (Média=Moda=Mediana). Possui como parâmetro a MÉDIA e DESVIO PADRÃO. 
 Também chamada de Curva Normal, Curva de Gauss e Curva em forma de Sino. 
 
Para entender o conceito de uma Distribuição Normal, tomemos como exemplo a distribuição da vida útil de 340
lâmpadas produzidas pela PHILIPS:
 
Distribuição da vida útil de 340 lâmpadas 
produzidas pela PHILIPS Curva NORMAL ou
 
Curva de GAUSS ou 
120 Curva em forma de SINO 

100
100
Quantidade

80
70 70
60

40 40
40
20
10 10
0
700 800 900 1000 1100 1200 1300
Horas
 
Observe pela Distribuição Normal que o tempo de vida útil das lâmpadas: 
 Possui uma elevação em seu centro e pontas que vão tanto para direita quanto para a esquerda; 
 A Média, Mediana e Moda (1000 horas) encontram‐se exatamente no meio da distribuição; 
 A distribuição de valores menores que a Média (700, 800, 900) e maiores que a Média (1100, 1200, 1300) é simétrica, 
o que significa que se você dobrá‐la ao meio, suas partes serão como imagens refletidas por um espelho; 
 Como a curva é simétrica em torno da Média, os valores maiores que a média e os valores menores do que a Média 
ocorrem com igual probabilidade; 
 A maioria dos dados é centralizada ao redor da média, de modo que quanto mais longe da média você se mover, cada 
vez menos pontos de dados você vai encontrar em ambos os lados. 
Analisando a variabilidade
Analise a figura abaixo. Veja que a maior parte da vida útil das lâmpadas produzidas pela PHILIPS varia de 700 
horas  até  1300  horas,  com  uma  boa  parte  das  lâmpadas  com  vida  útil  de  900  a  1100  horas.  Pensando  como 
consumidor, você gostaria de se deparar com tamanha variabilidade quando for comprar um pacote de lâmpadas? 
Veja que uma concorrente (OSRAM) irá tentar fabricar lâmpadas com vida útil menos variável; a vida útil terá 
uma  média  de  1000  horas,  mas  suas  lâmpadas  terão  uma  vida  útil  mais  consistente,  variando  de  920  a  1080 
horas, com boa parte das lâmpadas com duração entre 980 e 1020 horas. 
 
  D istribuição da vida útil de 340 lâm padas 
 
produzidas pela OSRAM
 
  OSRAM
120
 
  100
100
 
Quantidade

80 PHILIPS
 
  7 0 7 0
60
 
  40 40
40
  20
10 10
0
700 800 900 1000 1100 1200 1300
      920                  1080
Horas
- 31 -

Em uma distribuição Normal, o Desvio padrão tem um significado especial, pois determina a distância da Média 
até um ponto dentro da distribuição, cada um com a mesma distância da Média. No caso abaixo, supomos (por 
fins didáticos) que o Desvio padrão do tempo de vida útil das lâmpadas é s=100 horas.  
 
  99,74%   A regra empírica
 
Na distribuição normal é possível determinar a posição 
  da maioria dos valores, usando as distâncias de 1, 2 ou 3 
95,44%     s =100  
  Desvios  padrões  da  Média  para  estabelecer  alguns 
  marcos.  A  regra  que  lhe  permite  fazer  isso  se  chama 
  120 68,26%   Regra empírica, que diz o seguinte: 
 
  100 Espera‐se que cerca de 68,26% dos valores encontram‐
  100 se dentro de 1 desvio padrão da média;  
Quantidade

(no exemplo,  240 lâmpadas (70+100+70). 
  80  
  70 70 Espera‐se que 95,44% dos valores encontram‐se dentro 
60 de 2 desvios padrões da média;  
 
   S=100    S= 100  (no exemplo, 320 lâmpadas: 40+70+100+70+40) 
  40 40  
40 Espera‐se que 99,74% dos valores encontram‐se dentro 
 
  20 10 10
de 3 desvios padrões da média;  
(no exemplo, 340 lâmpadas: 10+40+70+100+70+40+10) 
  0  
  700 800 900 1000 1100 1200 1300 Estes  resultados  são  aproximações.  A  regra  empírica 
  não pode ser aplicada às distribuições que não possuam 
Horas uma forma de montanha em seu centro. 
 
‐3S       ‐2S     ‐1S         x          1S        2S       3S 

PROBABILIDADES NA DISTRIBUIÇÃO NORMAL


 

Quando  se  tem  uma  variável  aleatória  com  distribuição  normal  pode‐se  obter  a  probabilidade  de  essa  variável 
assumir um valor em determinado intervalo, pela área sob a curva dentro dos limites do intervalo. 

Exemplo 1. Seja X a variável aleatória que representa os tempos de vida útil das lâmpadas produzidas pela
PHILIPS Sendo a Média de vida útil das lâmpadas de 1000 horas com Desvio padrão de 100 horas, ache a
probabilidade de a lâmpada ter vida útil entre 1000 e 1150 horas, isto é, P(1000 < z < 1150).

Probabilidade procurada
P(1000 < Z  < 1150) 

P= 0,4332

Z= 1,50

700 800 900 1000 1100 1200 1300

PARA ACHAR A PROBABILIDADE, SIGA 2 PASSOS: 
 
1º PASSO. Calcule o número de desvios padrão que o valor “1150” se distancia da média “1000”. Para isto, 
utilizamos a equação abaixo, chamada “escore Z”.

EQUAÇÃO ESCORE Z Calculando o escore Z, temos:

Média z = 1150 - 1000 = 1,50


z x - x
s
100

O resultado indica que 1150 está distante 1,50 desvios 
Desvio padrão padrão  da  média.  Use  sempre  2  casas  decimais.  Veja 
Escore Z demonstração da área de Z no gráfico acima. 
Variável aleatória procurada
O escore Z é uma medida que indica o número de desvios padrão de um valor a partir da média.  
- 32 -

2º  PASSO.  Com  o  escore  Z  de  “1,50”,  use  a  Tabela  de  Distribuição  Normal  Padrão  para  encontrar  a
probabilidade, como explicado abaixo
Na 1ª coluna encontramos “1,5”. Em seguida, encontramos na 1ª linha “0”, que é o último algarismo de “1,50”. Na
intersecção da linha e coluna encontramos 0,4332, que indica  a probabilidade P(1000 < z < 1150) = 0,4332 ou 43,32%
Interpretação: espera‐se que 43,32% das lâmpadas tenham vida útil entre 1000 e 1150 horas

TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO


 

Z  Último dígito
        0                        1                        2                        3                        4                       5                        6                        7                       8                       9

A área constante na tabela corresponde a área à direita (sinal positivo):  

Área = 0,5

-z +z

-3S -2S -1S 0 1S 2S 3S


motivo  da  qual  desconsideramos  o  sinal  negativo  no  z‐escore  nas  áreas  à  esquerda,  pois  a  curva  é  simétrica  em  torno  da 
Média, ou seja, os valores maiores que a média e os valores menores do que a Média  ocorrem com igual probabilidade. . A 
tabela não é de distribuição acumulada. Vamos ver alguns exemplos adiante. 
- 33 -

Exemplo 2. Continuando com os dados do exemplo 1, ache P(900 < z < 1000).
 

Quando  partimos  da  média  calculamos  apenas  um  escore  Z.  Para  lado  esquerdo  o  escore  Z  sempre  terá  sinal 
negativo, que não será considerado, pois os dois lados são iguais em termos de probabilidades. 
 
 
  Probabilidade procurada  EQUAÇÃO ESCORE Z
 
P(900 < Z < 1000) 
z
 
  x - x
  P= 0,3413 s  
 
   
 
Calculando, temos:
 
  z = 900 - 1000 = -1,00 *
  100
   
  Probabilidade: na tabela temos: 0,3413 
Z= -1,00    
*Desconsidere o sinal negativo do escore Z 
 
700 800 900 1000 1100 1200   1300
 

Interpretação: Espera‐se que 34,13% das lâmpadas tenham vida útil entre 1000 e 1100 horas. 
 
Exemplo 3. Continuando com os dados do exemplo 1, ache P(900 < z < 1050).  
 
Neste caso, calculamos dois escores Z e somamos as probabilidades: 
 
  ADIÇÃO DE PROBABILIDADES 
 
Probabilidade procurada P= 0,5328      
                                                                                                                                                                                                                                                             
z1 = 900 - 1000 = - 1,00
.  P(900 < Z < 1050) 
100 0,3413
 
                                                                        + 
  P1=0,3413 P 2=0,1915
z2 = 1050 - 1000 = 0,50
 
100 0,1915
     
    Soma de probabilidades =       0,5328 
  Z2
=0,50
 
Z = -1,00 1
 
 
700 800 900 1000 1100 1200 1300
 
Interpretação: Espera‐se que 53,28% das lâmpadas tenham vida útil entre 900 e 1050  horas. 
 
Exemplo 4. Continuando com os dados do exemplo 1, ache P(1050 < z < 1150).
 
Neste caso, calculamos dois escores Z (de 1000 a 1150; e de 1000 a 1050). Depois subtraímos as probabilidades: 
 
 
 

Probabilidade procurada P= 0,2417 SUBTRAÇÃO DE PROBABILIDADES 


P(1050 < Z < 1150)  Z1 = 1150 - 1000 = 1,50
100 0,4332
PZ2=0,1915 PZ1=0,4332                                                                     ‐‐ 
Z2 = 1050 - 1000 = 0,50
100 0,1915
   
Z1=1,5 0
  Subtração probabilidades =     0,2417 
 
  
 
 
Z2= 0,50
 

  700 800 900 1000 1100 1200 1300


 
Interpretação: Espera‐se que 24,17%  das lâmpadas tenham vida útil entre 1050 e 1150 horas. 
- 34 -

Exemplo 5. Continuando com os dados do exemplo 1, ache P( z < 850 horas)


Ou  seja,  ache  a  probabilidade  de  a  vida  útil  da  lâmpada  ser  menor  que  850  horas.  Neste  caso,  P1  =  0,5  (meia  área).  Daí, 
calculamos Z2 e subtraímos as probabilidades: 
 
Probabilidade procurada P( Z < 850)
 
Área = 0,5 SUBTRAÇÃO DE PROBABILIDADES 

P1=0,4332 P1 = (meia área)


0,5

PZ2=0,0668
                                                             ‐‐ 
Z2 = 850 - 1000 = -1,50
100 0,4332
   
Z1= -1,50   Subtração probabilidades   =   0,0668 
 
                                                                                                                             
 
 
700 800 900 1000 1100 1200 1300
 

Interpretação: Espera‐se que 6,68%  das lâmpadas tenham vida útil abaixo de 850 horas. 
 
Exemplo 6. Sabe-se que a Média de vida útil das lâmpadas produzidas pela PHILIPS é de 1000 horas com Desvio
padrão de 100 horas. O fabricante oferece uma garantia de 800 horas, isto é, trocar as lâmpadas que apresentem
falhas nesse período ou inferior. Fabrica 15.000 lâmpadas mensalmente. Quantas lâmpadas deverá trocar pelo uso da
garantia, mensalmente?

SUBTRAÇÃO DE PROBABILIDADES
P1 = (meia área)
Probabilidade procurada P( Z < 800)
0,5
Garantia de                                                              ‐‐       
800 horas Z2 = 800 - 1000 = - 2,00
00 0,4772
   
  Subtração de probabilidades = 0,0228
 

 
 
 
700 800 900 1000 1100 1200 1300
 
Interpretação:   Constatamos que  2,28% (0,0228) das lâmpadas não atenderão a garantia. Então o fabricante deverá substituir 
mensalmente: 15.000 x 0,0228 = 342 lâmpadas.  
 
 
Z-ESCORE E VALOR DE “X” NA DISTRIBUIÇÃO NORMAL
 
Na seção anterior você encontrou a probabilidade que x pudesse estar em um dado intervalo ao calcular a área sob a curva 
normal para um dado intervalo. Mas, e se lhe fosse dado uma probabilidade e você quisesse encontrar o valor de x? 
 
Encontrando o Z-ESCORE dada uma PROBABILIDADE
Exemplo 7. Encontre o z- escore que corresponda à área de 0,2123 (21,23%) da área à direita?
Observando a Tabela de Distribuição Normal Padrão encontramos z‐escore de 0,56 conforme destacado abaixo. 
 
  TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO
 

Z  Último dígito 
        0                        1                        2                        3                        4                       5                        6                        7                       8                       9
- 35 -

Encontrando VALOR DE “X” que corresponda a um Z-ESCORE


 
Da equação do Z‐ESCORE podemos formar a equação do VALOR DE “X”, conforme demonstrado abaixo: 
Equação para encontrar valor de “x” 
  x = variável procurada 
z x - x
s           zs  x  x                 x  zs  x   x  x  zs   x  = média  
z = escore Z 
s = desvio padrão 
 

Importante. Para encontrar valores de “x” vamos considerar os sinais dos Z-escore (negativo ou positivo)
 
Exemplo 8. Sabe-se que a Média de vida útil das lâmpadas produzidas pela PHILIPS é de 1000 horas com Desvio
padrão de 100 horas. Encontre o tempo de vida útil “x” que corresponda a:
 

a)  Z = 1,5:    x  x  zs        →         x = 1000 + 1,5 (100)    =   1.150 horas. 
 
a) Z-escore de 1,5 Interpretação: Para z escore de 1,5 o tempo de vida útil das lâmpadas é de 1.150 horas. Você pode confirmar o 
resultado consultando o exemplo 1. 
 

b)  Z = ‐2:    x  x  zs          →         x = 1000 + (‐2)(100)    =   800 horas. 
 
b) Z-escore de -2 Interpretação:  Para  z  escore  de  ‐2  o  tempo  de  vida  útil  das  lâmpadas  é  de  800  horas.  Você  pode  confirmar  o 
resultado consultando o exemplo 6. 
 
 
Encontrando VALOR DE “X” que corresponda a uma PROBABILIDADE
 
Exemplo 9. Sabe-se que a Média de vida útil das lâmpadas produzidas pela PHILIPS é de 1000 horas com Desvio
padrão de 100 horas. O fabricante deseja fixar prazo de garantia, em horas, de tal modo que, se a duração da
lâmpada for inferior à garantia, a lâmpada seja trocada. De quantas horas deve ser este prazo para que somente 4%
das lâmpadas sejam trocadas?
 
  Passo   1    →  0,5  – 0,04 = 0,46   
0,5 Passo  2    →  Procurando  na  tabela  P(x)=0,46  (0,4599  é  mais 
próximo), encontramos Z = ‐1,75. (negativo pois é à esquerda) 
-Z  
Passo 3. Logo:  

0,04
x  x  zs    →   x = 1000 + (‐1,75)(100)    =   825 horas.  
 
Interpretação: O prazo de horas para que seja trocado 4% das lâmpadas 
deve ser de 825 horas.

700 800 900 1000 1100 1200 1300

-1,75

 
  TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO
 
  Último dígito 

          0                        1                        2                        3                        4                      5                        6                        7                       8                       9
 
 
 
 
 
 
 
- 36 -

Exemplo 10. As pontuações para um teste de Engenheiro em uma empresa são normalmente distribuídas, com uma
média de 7,5 com e um desvio padrão de 0,5. Para ser adequado ao emprego, você deve ter pontuação dentro dos
9% primeiros. Qual é a menor pontuação que você pode conseguir e ainda ser adequado ao emprego?
 
  Passo 1  →  0,5  ‐ 0,09 = 0,41   
0,5
  Passo 2 → Procurando na tabela P(x)=0,41 (0,4099 é mais próximo) 
+Z encontramos Z = 1,34 (positivo pois é à direita). 
   
  Passo 3 
  x  x  zs     →      x = 7,5 + (1,34)(0,5)      = 8,17. 
  0,09  

  Interpretação: A menor pontuação que você pode conseguir e ainda 
assim ser adequado ao emprego é 8,17.
 

6,0  6,5 7,0 7,5 8,0 8,5 9,0

  +1,34

  TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO


Z   
 
Último dígito 
          0                        1                        2                        3                        4                       5                        6                        7                       8                       9
 
 
 
 
 
 
 
 
Exemplo 11 Sabe-se que a Média de vida útil das lâmpadas produzidas pela PHILIPS é de 1000 horas com Desvio
padrão de 100 horas. Dentro de que limite, de ambos os lados da média, ficará 95% das lâmpadas?
 
  Resolução 
                   0,95 
  0,95
Passo 1  →   /2 =  0,4750  (para cada lado da média). 
  Passo 2  → Procurar 0,4750 na tabela. Encontramos Z = 1,96 (neste 
  caso teremos Z1= ‐1,96 e Z2 = +1,96). 
   

  Passo 3. Logo:  
X1 = 1000 + (‐1,96)(100)   =   804 horas. 
  x  x  zs   X2 = 1000 + (+1,96)(100)  =  1.196 horas. 
   
     ‐ 0,4750                 + 0,4750  Interpretação:  95%  das  lâmpadas  ficará  entre  804  horas  e  1196  horas,  ou 
  seja, P 95% ( 804 < z < 1196) 
 
 
  x̄  
 z=  ‐ 1,96                                            z= + 1,96 
 
  TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO
 


  Último dígito 
          0                        1                        2                        3                        4                       5                        6                        7                       8                       9
 
 
 
 
 
 
 

USANDO UMA TABELA DE

VÍDEO DISTRIBUIÇÃO NORMAL:  https://www.youtube.com/watch?v=ec9HWoY2kt8
- 37 -

           0%                                         50%                                           100%    

Tabela Distribuição normal padrão                  Distribuição acumulada de 0% a 100%    


acumulada
Esta tabela que tem o seguinte princípio: 

 
- 38 -

 
 
Exemplo de aplicação. Sabe-se que a Média de vida útil das lâmpadas produzidas pela PHILIPS é de 1000 horas com
Desvio padrão de 100 horas. Encontre P (900 < z < 1050) usando a tabela de distribuição normal padrão acumulada.
 
 
 
  Probabilidade procurada
P(900 < Z < 1050)  P= 0,5328 SUBTRAÇÃO DE PROBABILIDADE 
Z1 = 900 - 1000 = -1,00*
100 0,1587
Z2 = 0,50 → 0,6915                       *Considere o sinal negativo     
                                               
Z2 = 1050 - 1000 = 0,50
100 0,6915
                                                                                                                                               
Z1= -1,00 → 0,1587 P(x)= Z2 – Z1  →    0,6915 – 0,1587= 0,5328 
 
 
700 800 900 1000 1100 1200 1300
 
  -3z -2z -1z 0 +1z +2z +3z
Veja o Z‐escore destacado na tabela acumulada acima. Confronte o resultado com o exemplo 3.  
Prof. MSc. Uanderson Rébula de Oliveira

Uma mensagem do Prof. MSc Uanderson Rébula. CLIQUE NO VÍDEO

CLIQUE AQUI E INSCREVA-SE NO CURSO JÁ

Sumário
- 39 -

 
 
 

UNIDADE V

ESTATÍSTICA
INFERENCIAL E OS
INTERVALOS DE
CONFIANÇA
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
O objetivo da Estatística Inferencial é tirar conclusões sobre a 
população com base em dados amostrais. 
 

 
 
 
 
 
 
 
 
- 40 -

CONCEITOS BÁSICOS EM ESTATÍSTICA INFERENCIAL

ESTATÍSTICA INFERENCIAL
O objetivo da Estatística Inferencial é tirar conclusões com base em amostras de tal modo que as
informações possam ser expandidas para toda a população. 
 
AMOSTRA Uma amostra constitui numa redução da população a dimensões menores,
(uma parte da população) sem perda das características essenciais. Examina-se, então, a amostra. Se
essa amostra for bastante representativa, os resultados obtidos
poderão ser generalizados para toda a população. As conclusões
fundamentadas em uma amostra não serão exatamente as mesmas que
POPULAÇÃO
(todos os elementos em estudo)
você encontraria se estudasse toda a população, em função da variabilidade.
 
Então, toda conclusão tirada por uma amostragem virá acompanhada de um
grau de incerteza. A estatística inferencial possui técnicas que permitem dar
ao pesquisador um grau de confiabilidade, de confiança, nas afirmações que
Média = ?  faz com a população, baseadas nos resultados amostrais. O problema
Desvio padrão = ?  Média = a  fundamental da estatística inferencial é, portanto, medir o grau de
Desvio padrão = b  incerteza dessas generalizações. Conhecer a probabilidade de variação do
processo de inferência é importante. Com que probabilidade se pode confiar
nos resultados obtidos dos dados amostrais?

Exemplo de Estatística Inferencial: 
 

Em 2002, estudo baseado numa amostra de Engenheiros e Gerentes de diversas empresas de 
Construção Civil, acredita‐se que o salário médio dos cargos desse ramo são: 
 

CARGOS  MÍNIMO (R$)  MÉDIO (R$)  MÁXIMO (R$) 


Gerente de Engenharia Civil  4.976  5.951  7.738 
Engenheiro Civil Sênior  3.694  4.146  4.517 
Engenheiro Civil Pleno   2.122  2.296  3.206 
Engenheiro Civil Júnior  1.671  1.872  2.042 
 
Fonte: A REMUNERAÇÃO DE PROFISSIONAIS DA ÁREA DE CONSTRUÇÃO CIVIL – Seu Salário ‐ Jornal Carreira e Sucesso  
Observe que esse estudo generalizou os resultados da amostra para a população. 

PARÂMETROS E ESTATÍSTICAS
 
Sempre  que  as  relações  forem  calculadas  com  base  em  dados  da  população,  chamamos  de  “PARÂMETROS”;  e  sempre  que 
essas relações se referirem à amostra serão chamadas de “ESTATÍSTICAS”. 
 

  PARÂMETROS Notação para PARÂMETRO e ESTATÍSTICA: 
AMOSTRA
(uma parte da população) Notação 
Nome  da 
relação  PARÂMETRO  ESTATÍSTICA 
POPULAÇÃO (POPULAÇÃO)  (AMOSTRA) 
(todos os elementos em estudo) Tamanho  N  n 
Média  µ   x̄ 
Variância  σ2   S 2 
Desvio Padrão  σ  S 
ESTATÍSTICAS  
µ (lê‐se mi)      σ (lê‐se sigma minúsculo) 
 

EXEMPLO: 
 

PARÂMETRO (População)  ESTATÍSTICA (amostra) 
Considerando  o  salário  anual  dos  2.500  gerentes  da  Considerando  uma  amostra  do  salário  anual  de  30 
empresa XTPO, temos:  gerentes da empresa XTPO, temos: 
   
x1 = R$ 47.874    x1 = R$ 47.874   
x2 = R$ 51.896    x2 = R$ 51.896   
x3 = R$ 49.567  µ = R$ 51.800  x3 = R$ 49.567  x̄  = R$ 51.927 
.  . 
σ = R$ 4.000  S = R$ 3.348 
.  . 
   
x2500 = R$ 53.456  x30 = R$ 50.301 
       
Os resultados amostrais serão sempre diferentes da população. Essa diferença chama‐se erro. 
- 41 -

ESTIMATIVAS E TAMANHOS AMOSTRAIS


 
ESTIMAÇÃO PONTUAL E INTERVALAR
 
Uma das maiores utilidades da estatística é chutar um valor (o termo estatístico é estimação), como exemplo: qual é a renda 
média  de  uma  família  brasileira?  Qual  a  expectativa  de  vida  média  de  um  brasileiro?  Qual  a  eficácia  de  um  novo  remédio? 
Todas essas perguntas necessitam de algum tipo de estimativa numérica para respondê‐las. São dois tipos de estimação, onde 
utilizamos dados estatísticos da amostra como estimadores dos parâmetros populacionais: Estimativa pontual e Intervalar. 
 
Estimativa pontual. Fazemos uma única estimativa (um valor) para um determinado parâmetro populacional. 
Exemplo conceitual  Exemplo prático: Expectativa de vida de um brasileiro: 
estimar estimar
Média amostral             Média populacional          Média amostral             Média populacional 
                (x ̄= 70 anos)                                            (µ = 70 anos) 
 
Estimativa intervalar.  Fazemos uma estimativa de um  intervalo de valores possíveis, no qual se admite esteja o parâmetro 
populacional. 
Exemplo conceitual  Exemplo prático: Expectativa de vida de um brasileiro: 
estimar estimar
Média amostral x̄      Média populacional    x̄          Média amostral             Média populacional 
               (x ̄= 70 anos)                                        (µ = 60 a 80 anos) 
 
A melhor maneira de estimar o parâmetro é por meio de uma estatística com margem de erro para mais ou para menos. A finalidade de uma 
estimativa por intervalo é fornecer informações sobre quão próximo a estimativa pontual, produzido pela amostra, está do valor do parâmetro. 
 

INTERVALOS DE CONFIANÇA - IC
 
Um intervalo de confiança é uma faixa (ou um intervalo) de valores usada para se estimar o verdadeiro
valor de um parâmetro populacional, com certa probabilidade. Geralmente é abreviado por “IC”.
 
A palavra intervalo é usada porque seu resultado se torna um intervalo. A palavra confiança é usada porque você possui certa confiança no 
processo pelo qual você chegou ao intervalo. Isso se chama nível de confiança (ou credibilidade). O intervalo de confiança associa‐se a um nível 
de confiança, geralmente 95%., que é  a probabilidade de que o intervalo estimado contenha o parâmetro populacional. Usamos o Intervalo de 
confiança porque  a estimativa pontual não indica quão boa  é nossa melhor  estimativa. Como a estimativa pontual tem a  séria falha de não 
revelar quão boa ela é, os estatísticos desenvolveram o IC. 
 
 

Intervalos de Confiança para média (amostras grandes) (amostra n > 30)


 
O intervalo de confiança baseia‐se na hipótese de que a distribuição das médias amostrais é normal. Então, o nível de confiança 
pode ser determinado com base nas probabilidades da distribuição normal: 
 
 
Nível de confiança 0,95  A equação do intervalo de confiança para 
média é dado por: 
s
IC  x  z  
0,95
/ 2  n
Ao usar o nível de confiança de 95%, temos: 
 

0,95
/2   =   ± 0,4750   →    Z= ±1,96 
 
   ‐ 0,4750                 + 0,4750 
s
Logo:  IC   x  1,96  
n
 
  x̄  
 z=  ‐ 1,96                                            z= + 1,96 
 
Pode‐se usar outros níveis de confiança: 
 
Confiança desejada  Escore “Z” (da tabela padrão)  Equação 
s  
90%  P= 0,4500  →   z = 1,65  IC  x  1,65
n
s  
99%  P= 0,4950  →   z = 2,58  IC  x  2,58
n
- 42 -

Mas, de onde vem 0,4750 e 1,96? Observe na tabela de  Distribuição Normal Padrão que, se queremos  ter 95% de confiança, 


basta encontrar a probabilidade de 0,4750 (0,95/2). Então, identificamos o escore z, que é de 1,96. 
 
  TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO
   
Último dígito 
  Z          0                        1                        2                        3                        4                       5                        6                        7                       8                       9
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
  Z = 1,96 para 
   95% de confiança 
 
 
 
 
 
 
 
 
 
 
 
Se queremos ter 90% de confiança, basta encontrar 0,4500 (0,90/2) na tabela. Como não temos 0,4500, então identificamos a 
probabilidade mais próxima, que é 0,4505. Observe que o escore z é de 1,65. 
 

Exemplos de cálculos de Intervalos de Confiança - IC


1. De uma amostra de 40 clientes que frequentam um restaurante, constatou-se que a idade média é de 28 anos com
desvio padrão de 9 anos. Construa um intervalo de confiança de 95% para a idade média da população.
 
n = 40    25,21   30,79 
s   =   9                       ‐ 2,79                               +2,79 
x  ̄= 28  IC  x  z 28  1,96   =   28  2,79  
s = 9  n 40 24      25      26       27     28      29      30       31     32 
z = 1,96
 

Interpretação: Você está 95% confiante que a idade média dos clientes que frequentam o restaurante está entre 25,21 anos e 31,79 anos. 
 
2. Um analista de produção deseja estimar a média do tempo de vida útil das lâmpadas produzidas. Para tanto,
coletou uma amostra de 60 lâmpadas e verificou que a média de vida útil é de 1000 horas, com desvio padrão de 100
horas. Construa um intervalo de confiança de 90% para a média populacional.
 
n = 60     978,70    1021,30 
x  ̄= 1000  IC  x  z s  =   100   =   1000  21,30                   ‐ 21,30                                +21,30 
 1000  1,65
s = 100  n 60
z = 1,65    970    980     990       1000     1010     1020   1030 
 
Interpretação: Você está 90% confiante que a média do tempo de vida útil das lâmpadas produzidas está entre 978,70 horas e 1021,30 horas. 
Nota: Quando a população for finita a equação precisa ser ajustada. Se n ≥ 0,05N, a equação é   s N  n , onde N = população. 
IC  x  z
n N 1
- 43 -

Determinação do tamanho da amostra


Para  a  mesma  amostra  estatística,  conforme  o  nível  de  confiança  aumenta,  o  intervalo  de  confiança  fica  mais  largo.  Como 
consequência, a precisão da estimativa decresce. Veja comparação abaixo: 
 

Do exemplo 2 (página anterior) com 90% de confiança  Do exemplo 2 (página anterior) mas com 95% de confiança 
   

100      =       1000  21,30   100      =       1000  25,30  


1000  1,65 1000  1,96
60 60
     974,70    1025,30 
            ‐ 25,30                                             +25,30 
 
 978,70      1021,30 
                 ‐ 21,30                                +21,30      970    980     990       1000   1010     1020   1030 
 
 
     970    980     990       1000     1010     1020   1030  Quanto maior a confiança, maior será o intervalo  
 
 

Uma  maneira  de  aumentar  a  precisão  de  uma  estimativa  sem  decrescer  o  nível  de  confiança  é  aumentar  o  tamanho  da 
amostra. Mas, qual o tamanho da amostra necessário para garantir certo nível de confiança para uma margem de erro E dada? 

Da equação do intervalo de confiança, podemos formar a equação da determinação do tamanho da amostra.
s      s     E n  z * s       z*s   Equação da determinação do tamanho da amostra 
IC  x  z Ez n
n E 2 n = tamanho da amostra 
 z s 
n
 
n  z = escore desejado “normal” 
   s = desvio padrão 
                                     E = margem de erro
 E 
E = margem de erro 
Calculando o tamanho da amostra.
(Mesmo exemplo anterior) Um analista de produção deseja estimar a média do tempo de vida útil das lâmpadas
produzidas. Para tanto, coletou uma amostra de 60 lâmpadas e verificou que a média de vida útil é de 1000 horas,
com desvio padrão de 100 horas. Construa um intervalo de confiança de 90% para a média populacional.
 
n = 60  s   =   100   =   1000  21,30      978,70    1021,30 
IC  x  z 1000  1,65                 ‐ 21,30                                +21,30 
x  ̄= 1000  n 60
s = 100  E = margem de erro
z = 1,65    970    980     990       1000     1010     1020   1030 
 
A margem de erro foi E=21,30. O analista deseja aumentar a precisão do Intervalo de Confiança com uma
margem de erro E = 15. Quantas lâmpadas devem ser incluídas na amostra se ele quer estar 90% confiante?
n = ? 
2 2
z = 1,65   z s  →  
1,65*100 = 121 lâmpadas.  Interpretação:  60  lâmpadas  já  foram 
s = 100  n      coletadas, então o analista precisa de mais 61.  
E = 15   E   15 

Intervalos de Confiança para média (amostras pequenas) (amostra n ≤ 30)


 

Para  amostras  pequenas  (n  ≤  30),  a  distribuição  Normal  apresenta  valores  menos  precisos,  o  que  nos  leva  a  utilizar  um 
modelo melhor, a Distribuição t de Student (veja tabela próxima página), proposta pelo pesquisador Willian Gosset em 1908.  
 
 A distribuição t também tem a forma normal e é simétrica sobre a média. A principal diferença é que a distribuição t  tem mais áreas nas 
caudas,  fazendo  com  que  seus  valores  críticos  sejam  maiores  que  os  da  distribuição  Normal.  Como  consequência,  o  intervalo  de 
confiança usando a distribuição t  ficará mais largo se usa‐se a distribuição Normal. A idéia aqui é que você deve pagar um preço por 
trabalhar com pequenas amostras. 
  Intervalo mais 
Normal      n = 15  t de Student    n = 15 largo com t 
 
 
 
 Cada tamanho amostral possui sua própria distribuição t, ou seja,  ao contrário da distribuição normal, a distribuição t não tem forma 
fixa,  mas  sim  uma  família  de  curvas.  Cada  curva  é  determinada  por  um  parâmetro  chamado  grau  de  liberdade,  encontrado  pelo 
tamanho da amostra menos um. A idéia aqui é que o preço a ser pago por se ter uma amostra muito pequena, como 5, é mais alto do 
que o preço por se ter uma amostra de tamanho um pouco maior, como 10 ou 20. 
 
g.l. = n ‐ 1.   Graus de liberdade   Portanto, a distribuição t varia de acordo com o tamanho da amostra. 
 
 O grau de liberdade se refere ao número de valores que são livres para variar após estabelecerem algumas restrições de dados. Por 
exemplo, se uma amostra de tamanho 4 produz uma média de 87, sabemos que a soma dos números é 4 * 87 = 348; isso não diz nada 
sobre  os  valores  individuais  da  amostra  –  há  números  infinitos  de  formas  para  se  obter  4  números  que  somem  348;  mas  quando 
escolhemos três deles, o quarto é determinado. O primeiro número pode ser 84, o segundo 98 e o terceiro 81, então o quarto tem de ser 
85, o único número que produzirá a média amostral conhecida, ou seja, existe n ‐ 1 ou 3 graus de liberdade nesse exemplo. 
- 44 -

 Conforme os graus de liberdade aumentam, a distribuição t se aproxima da distribuição normal. Depois de 30 g.l., a distribuição t está 
muito próxima à distribuição normal. 
 
  Curva  t:  quanto  menor  a  amostra, 
  Família de curvas da Distribuição t:  mais  achatada  e  larga  nas 
  ‐ Quanto menor o tamanho da amostra, maior o erro.  extremidades, em função do erro 
  ‐ Quando amostra >30, aproxima‐se da distribuição normal 
 
 
 
 

Encontrando valores de t na tabela TABELA DISTRIBUIÇÃO t DE STUDENT (PARCIAL)


Nível de confiança 
Exemplo. Encontre o valor de t para uma confiança de 95%, g.l. 
quando o tamanho da amostra é 15. 50%  80%  90%  95%  98%  99% 
1  1,000  3,078  6,314  12,71  31,82  63,66 
1º ‐ Determine o grau de liberdade – g.l. 
2  0,816  1,886  2,920  4,303  6,965  9,925 
em razão de n=15, os graus de liberdade são: 
  3  0,765  1,638  2,353  3,182  4,541  5,841 
g.l. = n – 1   →   15 – 1  = 14  4  0,741  1,533  2,132  2,776  3,747  4,604 
 
5  0,727  1,476  2,015  2,571  3,365  4,032 
2º ‐ encontrar o g.l. = 14 na tabela t. 
6  0,718  1,440  1,943  2,447  3,143  3,707 
Usando g.l.=14 e confiança de 95%, Você pode ver que  t =  2,145, 
como destacado na tabela.   7  0,711  1,415  1,895  2,365  2,998  3,499 
  8  0,706  1,397  1,860  2,306  2,896  3,355 
Construindo Intervalo de Confiança - IC. 9  0,703  1,383  1,833  2,262  2,821  3,250 
Construir um IC usando a Distribuição  t é similar a construir um IC  10  0,700  1,372  1,812  2,228  2,764  3,169 
usando  a  Distribuição  Normal  –  ambos  usam  uma  estimativa  11  0,697  1,363  1,796  2,201  2,718  3,106 
pontual e uma margem de erro. Sua equação é dada por:  12  0,695  1,356  1,782  2,179  2,681  3,055 
 
EQUAÇÃO DISTRIBUIÇÃO t  13  0,694  1,350  1,771  2,160  2,650  3,012 
s 14  0,692  1,345  1,761  2,145  2,624  2,977 
IC  x  t Onde substituimos 
  15  0,691  1,341  1,753  2,131  2,602  2,947 
n z por t 
16  0,690  1,337  1,746  2,120  2,583  2,921 
  17  0,689  1,333  1,740  2,110  2,567  2,898 
Exemplo. Um analista deseja estimar a média do tempo de
vida útil das lâmpadas produzidas. Coletou uma amostra de 18  0,688  1,330  1,734  2,101  2,552  2,878 
20 lâmpadas e verificou que a média de vida útil é de 1000 19  0,688  1,328  1,729  2,093  2,539  2,861 
horas, com desvio padrão de 100 horas. Construa um 20  0,687  1,325  1,725  2,086  2,528  2,845 
Intervalo de Confiança de 90% para a média populacional. 21  0,686  1,323  1,721  2,080  2,518  2,831 
 

Solução:  22  0,686  1,321  1,717  2,074  2,508  2,819 


g.l = n – 1  → 20 ‐ 1 =  19.   Usando g.l.=19 e confiança de 90%, o  23  0,685  1,319  1,714  2,069  2,500  2,807 
valor  t  será  1,729  (destacado  na  tabela).  Ao  se  calcular  o  IC,  24  0,685  1,318  1,711  2,064  2,492  2,797 
teremos, então:  25  0,684  1,316  1,708  2,060  2,485  2,787 
 
n = 20  100     26  0,684  1,315  1,706  2,056  2,479  2,779 
x  ̄= 1000  IC  1000  1,729 27  0,684  1,314  1,703  2,052  2,473  2,771 
20
s = 100  28  0,683  1,313  1,701  2,048  2,467  2,763 
t = 1,729 
IC  1000  38,66  
  29  0,683  1,311  1,699  2,045  2,462  2,756 
   961,34      1038,66    0,674  1,282  1,645  1,960  2,326  2,576 
                 ‐ 38,66                                +38,66 
   
Nota:  Para  n  >  30,  você  pode  usar  a  distribuição  normal.  Quando  o 
  desvio  padrão  populacional  for  conhecido  (σ),  mesmo  com  amostra  
     970    960     980       1000     1020     1040   1060  menor  que  30,  você  pode  usar  a  distribuição  normal.  A  distribuição  t 
  também pode ser usada para amostra maior que 30. 
Interpretação: Você está 90% confiante que a média do tempo de vida útil   
das lâmpadas produzidas está entre 961,34 horas e 1038,66 horas. 
 
 

Observe que, no exemplo anterior com amostra de 60 lâmpadas e usando a curva normal, o IC foi mais preciso: 1000  21,30 . 


 
- 45 -

Intervalos de Confiança para Proporções P


O  termo  PROPORÇÕES  tem  relação  com  PORCENTAGENS.  É  a  parte  de  um  todo,  em  comparação  com  esse  todo;  fração. 
Exemplo: 
Um Analista Industrial fez estudo para determinar a proporção de lâmpadas defeituosas produzidas. Coletou
uma amostra de 400 lâmpadas e 60 apresentaram defeitos. Neste caso, temos as seguintes proporções:
Lâmpadas defeituosas (60) Lâmpadas perfeitas (restantes = 340)

ˆp  60  0,15 ˆp  340  0,85


400 400
Então, 15% das lâmpadas estão defeituosas... ...e 85% das lâmpadas estão perfeitas
 
Observe  que  a  população  é  constituída  por  elementos  de  dois  tipos,  isto  é,  cada  elemento  pode  ser  interpretado  como  Sucesso  e 
Fracasso, além dos eventos ser independentes. Nestas condições, a variável aleatória segue uma distribuição Binomial. 
 
De acordo com Teorema do Limite Central, para amostra suficientemente grande (n > 30), a distribuição Binomial aproxima‐se a uma 
distribuição Normal. Daí é imediato verificar que a proporção amostral p também aproxima‐se da distribuição normal. 
 
Ocorre que, da mesma forma que o intervalo de confiança para média, frequentemente estamos interessados em estimar um intervalo 
de confiança para proporções populacionais.  

Construindo Intervalo de Confiança para Proporções p


Construir um intervalo de confiança para uma proporção populacional p é similar a construir um intervalo de confiança para a média 
populacional. Você começa com um ponto estimado e calcula a margem de erro E.  
Equação do Intervalo de Confiança para Proporção p 
 
z = escore z da distribuição normal 
ˆp( 1  ˆp )
IC p  ˆp  z
n = tamanho da amostra 
 
n p̂ ‐ proporção estimada. 
 
A formação desta equação tem como princípio o método “Normal como   
aproximação da Binomial” 

Exemplo. Um Analista Industrial deseja estimar a proporção de lâmpadas defeituosas produzidas. Coletou uma
amostra de 400 lâmpadas e verificou que 15% estão defeituosas. Construa um Intervalo de Confiança de 95%
para a proporção populacional.
 
p̂ = 0,15   11,6%     18,4% 
0,15( 1  0,15 )                 ‐ 3,4%                                +3,4% 
n = 400  IC p  0,15  1,96    0,15  0,034
400
z = 1,96   11%           13%          15%          17%           19% 
 
Interpretação: Você está 95% confiante que a proporção de lâmpadas defeituosas está entre 11,6% e 18,4%. 

Determinação do tamanho da amostra para P


Uma  forma  de  aumentar  a  precisão  do  intervalo  de  confiança  sem  diminuir  o  nível  de  confiança  é  aumentar  o  número  da 
amostra. Dado o intervalo de confiança IC e a margem de erro E, o tamanho mínimo da amostra n necessário para estimar p é: 
Equação da determinação do tamanho da amostra para estimar p 
n = tamanho da amostra 
2
 z  z = escore desejado da distribuição normal 
n  ˆp (1 ˆp)       p̂ = proporção estimada 
 E
E = margem de erro 

(Continuação exemplo anterior). Um Analista Industrial coletou uma amostra de 400 lâmpadas e verificou que
15% estão defeituosas. Construiu um IC com 95% de Confiança e margem de erro E = 0,034. Determine o
tamanho da amostra para aumentar a precisão com margem de erro E = 0,02, e com a mesma confiança.

p̂ = 0,15        n = ?          2 2
z  1,96 
  z = 1,96  n  ˆp (1 ˆp)      →       0,15 (1 0,15)      =   1.224 lâmpadas. 
  E = 0,02   E  0,02
 
 
 
 
 
- 46 -

Intervalos de Confiança para o Desvio Padrão


 
Na  produção  industrial,  é  necessário  controlar  o  tamanho  da  variação  de  um  processo.  Um  fabricante  de  peças  deve  produzir,  por 
exemplo, milhares de peças para serem usadas no processo de fabricação. É importante que essas partes variem muito pouco ou nada. 
Como medir e, consequentemente, controlar o tamanho da variação nas peças? 
 
Para amostra n > 30 (Use a Distribuição Normal)
 
Segundo Spiegel (1977, p. 262,310),  podemos usar a distribuição Normal para encontrar intervalos de confiança para o desvio 
padrão, desde que a amostra seja maior que 30. 
 

EQUAÇÃO do Intervalo de Confiança para o Desvio padrão 
s S = desvio padrão 
IC   s  z   Z = escore Z da distribuição Normal 
2n n = tamanho da amostra 
 
Exemplo 1. Um analista deseja estimar o desvio padrão do tempo de vida útil das lâmpadas produzidas. Para
tanto, coletou uma amostra de 60 lâmpadas e verificou que a média de vida útil é de 1000 horas, com desvio
padrão de 100 horas. Construa um intervalo de confiança de 90% para o desvio padrão populacional.
  84,94        115,06 
S = 100  100                 ‐ 15,06                                +15,06
Z = 1,65  IC   100  1,65     →   100  15,06    
2  60
n = 60 
   80                90             100            110             120      
 
Interpretação: Você está 90% confiante que o desvio padrão populacional está entre 84,94 horas e 115,06 horas. 
 
Para amostra n ≤ 30 (Use a distribuição χ2)
Para  amostras  pequenas  (n  ≤  30),  a  distribuição  Normal  apresenta  valores  menos  precisos,  o  que  nos  leva  a  utilizar  um 
modelo melhor, a distribuição χ2 (lê‐se qui‐quadrado),  proposta por Karl Pearson.  É importante salientar que muitos autores 
usam o modelo χ2 para qualquer tamanho amostral, mesmo maior que 30, sem mencionar o método opcional (acima). 
 
2 2
 Cada tamanho amostral possui sua própria distribuição χ , ou seja,  ao contrário da distribuição normal, a distribuição χ  não tem forma 
fixa,  mas  sim  uma  família  de  curvas.  Cada  curva  é  determinada  por  um  parâmetro  chamado  grau  de  liberdade,  encontrado  pelo 
tamanho da amostra menos um. A idéia aqui é que o preço a ser pago por se ter uma amostra muito pequena, como 5, é mais alto do 
que o preço por se ter uma amostra de tamanho um pouco maior, como 10 ou 20. 
 
g.l. = n ‐ 1.   Graus de liberdade   Portanto, a distribuição χ2 varia de acordo com o tamanho da amostra. 
 
2 2
 A distribuição  χ  tem a forma assimétrica positiva (à direita). Conforme os graus de liberdade aumentam, a distribuição  χ  se aproxima 
2
da distribuição normal. Depois de 30 g.l., a distribuição χ  está muito próxima à distribuição normal. 
 
 
  gl = 5  2
  Família de curvas da Distribuição χ : 
‐ Curvas assimétricas positivas  
 
‐ Quanto menor o tamanho da amostra, maior o erro. 
  gl = 10 
 
  gl = 15  2
  Curva χ  com g.l = 30 aproxima‐se da 
  curva normal. 
gl = 30 
 
 
 

Encontrando valores de χ2 na tabela


Há dois valores a serem considerados para o nível de confiança. O valor  χ2L    representa o valor crítico da  cauda esquerda e o 
valor χ2R representa o valor crítico da cauda direita. 

 
Nível de confiança
 

           χ2L                                                                    χ2R
- 47 -

Exemplo. Encontre os valores χ2L e χ2R e um intervalo de confiança de 90%, quando o tamanho da amostra for 20.
1º ‐ Ache o grau de liberdade – g.l.  2º ‐ encontrar as áreas de  χ2L e χ2R 
Como n = 20, os graus de liberdade são:  Em razão da confiança c ser 90%, temos: 
 
χ2L =  1 + c χ2R =  1 ‐ c
g.l. = n – 1     
             2             2 
20 – 1 = 19      
χ2L =  1 + 0,90  =  0,950 χ2R =   1 ‐ 0,90  =  0,050
                        2                          2 
3º ‐ encontrar os valores críticos na tabela χ2 
 
Parte da tabela χ2 é exibida abaixo. Usando g.l.=19 e as áreas 0,95 e 0,05 encontramos os valores críticos, como destacado: 
 
 
 
 
 
 
 
 
 
 
 
 
 
    χ2L    χ2R    0,90
 
  2 2
Por meio da tabela você pode ver que:  χ L = 10,1170 e χ R = 30,1435. 
   
  Interpretação: Então, 90% da área sob a curva está situada entre 10,1170 e 30,1435 
    
 
  2 2
          χ L     = 10,1170                                             χ R = 30,1435
           
Calculando o IC para o desvio padrão
 

Usamos os valores críticos de χ2L e  χ2R para construir o intervalos de confiança para o desvio padrão populacional. 


 

( n  1)s 2 ( n  1)s 2 S = desvio padrão 


    <  σ   <      n = tamanho da amostra  
 2R  2L χ2R e χ2L = valores críticos da tabela do χ2 
 
Exemplo 2. Um analista deseja estimar o desvio padrão do tempo de vida útil das lâmpadas produzidas. Para
tanto, coletou uma amostra de 15 lâmpadas e verificou que a média de vida útil é de 1000 horas, com desvio
padrão de 100 horas. Construa um intervalo de confiança de 95% para o desvio padrão populacional.
 
1º ‐ Ache o grau de liberdade – g.l.  2º ‐ encontrar as áreas de  χ2L e χ2R 
Como n = 15, os graus de liberdade são:  Em razão da confiança c ser 95%, temos: 
 
χ2L =  1 + c χ2R =  1 ‐ c
g.l. = n – 1                 2             2 
 
    
15 – 1 = 14  χ2L =  1 + 0,95  =  0,975 χ2R =   1 ‐ 0,95  =  0,025
                      2                        2 

3º ‐ encontrar valores críticos na tabela χ2  4º ‐ Use a equação do desvio padrão 
Usando  g.l.=14  e  as  áreas  0,975  e  0,025,  os  S = 100 
valores críticos são (ver tabela próxima página):  (15  1)1002 (15 1)1002
n = 15      <  σ   <     
 
χ 2R = 26,1189  26,1189 5,6287
χ2L = 5,6287    e       χ 2R = 26,1189 
χ2L = 5,6287  73,21 <  σ   <  157,71 
Interpretação: Com 95% de confiança, podemos dizer que o desvio padrão populacional está entre 73,21 horas e 157,71 horas 
- 48 -


 
 
 
 
 
 
 
 

 
 
 
 
 
- 49 -

 
 
 

UNIDADE VI

ESTATÍSTICA
INFERENCIAL E OS
TESTES DE HIPÓTESES  
 

 
 

É possível testar 
afirmativas acerca de 
populações?  
 
 
 
 
“Atualmente, todos – estudantes e professores – procuram o Udemy porque é a
plataforma onde todos estão”.
Fonte: Jornal do Brasil

Faça o curso online na Udemy


Estatística I (para leigos):
aprenda fácil e rápido!
Com o Prof. MSc. Uanderson Rébula
"O livro digital Estatística I para leigos possui uma linguagem fácil e ao mesmo tempo dinâmica. O
conteúdo do livro está ordenado de forma a facilitar a aprendizagem dos alunos, mesmo aquelas
pessoas que não tenham noção nenhuma de estatística aprenderão com esse livro. Você pode
estudar sozinho para concursos pois o livro é auto explicativo ou até mesmo em grupos, no meu
caso faço isso com meus alunos. Eu super recomendo esse livro!!! NOTA 1000"
Maria Eunice Souza Madriz
Professora de estatística da rede estadual de ensino da Bahia
Avaliação do livro pelo cliente na amazon.com.br

Saiba
mais
Clique aqui

www.udemy.com
Junte-se a milhões de estudantes na maior plataforma on-line
de cursos curtos e práticos do mundo.

Com mais de 45.000 cursos virtuais disponíveis, o Udemy é uma plataforma global de
ensino on-line onde 15 milhões de alunos estão dominando novas habilidades.

O foco do Udemy são os conhecimentos práticos e úteis para o mercado de trabalho. Há


cursos gratuitos e pagos. São cursos curtos e com valores bem acessíveis.
- 50 -

Conceitos introdutórios
 
  TESTE DE HIPÓTESE é um procedimento usado para testar se a afirmação acerca de uma população é
verdadeira ou não, com base em dados amostrais.
 

Uma  hipótese  é  uma  suposição  quanto  ao  valor  de  um  parâmetro  populacional.  O  teste  de  hipótese  é  tão  somente  uma  regra  de 
decisão para ACEITAR ou REJEITAR uma hipótese qualquer (uma suposição, uma afirmação), com base nos elementos amostrais. 
 

EXEMPLO. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma revista
decide testar essa afirmação e analisa 50 veículos obtendo uma média de 17 km/L, que é diferente da informada
pelo fabricante.
 O resultado de 17km/L não garante que a afirmação  do fabricante seja falsa, pois você está se baseando em dados amostrais. Para 
haver esta garantia só realizando um censo (toda a população), o que é teoricamente impossível. 
 O que devemos avaliar, com auxílio do Teste de Hipótese, é se a afirmação é verdadeira ou não, com base nos dados amostrais. 
 
 

Organização das hipóteses, Erros de decisão, Nível de significância e Tipos de testes


 

Organização das hipóteses. Com base no exemplo, podemos formular duas hipóteses: “Nula” e “Alternativa”.  Na Hipótese Nula , diremos 


que a média populacional é igual aquela que se supõe verdadeira; e na Hipótese Alternativa, que nasce de uma desconfiança, diremos que a 
média populacional não será igual àquela tida como verdadeira. Ora, quando um valor A não é igual a um valor B, haverá três possibilidades:  
1ª) A ≠ B   ou   2ª) A > B    ou    3ª) A < B.  Estamos falando, obviamente, da Hipótese Alternativa (Ha). Então, resumindo, temos: 
 

Hipótese Nula: H0  → sugere que a afirmação é verdadeira.  No exemplo,  H0 :  µ = 18 km/L 


Hipótese Alternativa: Ha → sugere que a afirmação é falsa.  temos que:  Ha :  µ < 18 km/L  
 

As hipóteses Nula e Alternativa sempre serão confrontadas. De todo o exposto, já podemos tirar algumas conclusões: 
 

H0 será sempre de igualdade:  Ha  será sempre de desigualdade: 
  Nota: O que definirá se Ha trará um 
Ha :  µ ≠ 18 km/L 
H0 :  µ = 18 km/L  sinal ≠ ou > ou < será o resultado 
Ha:  µ < 18 km/L 
 
obtido na amostra. 
...e é aquela que será testada.  Ha :  µ > 18 km/L 
 
Erros de decisão. Uma vez realizado o teste com a Hipótese Nula (H0), poderão advir dois resultados:  
 

Decisão  H0 é verdadeira, sendo, portanto, ACEITA. 
correta  H0 é falsa, devendo, pois, ser REJEITADA. →  (ao rejeitar H0, obviamente aceitamos a Hipótese Alternativa Ha).   
 
Entretanto, ao realizar um teste, o pesquisador pode errar de duas formas: 
 

H0 é verdadeira, mas será REJEITADA. → Chamamos de ERRO TIPO I.  
Erros de  (é o mesmo que condenar um inocente! O réu disse a verdade, mas seus argumentos foram rejeitados). 
decisão  H0 é falsa, mas será ACEITA. → Chamamos de ERRO TIPO II. 
(é o mesmo que inocentar um culpado! O réu mentia, mas seus argumentos foram aceitos). 

Nível de significância α. Note que o erro Tipo I é pior pois condenar um inocente é algo terrível, e este erro o pesquisador deve evitar a todo 


o custo! Porém, há sempre uma probabilidade de cometê‐lo. Esta probabilidade é chamada de Nível de Significância α (alfa). Portanto: 
 

O NÍVEL DE SIGNIFICÂNCIA α é a PROBABILIDADE de se cometer um ERRO TIPO I, devendo ser sempre a menor possível. 
Normalmente, usamos um Nível de  Significância de 10% (0,10); 5% (0,05); ou 1% (0,01). Mas pode‐se usar qualquer α. 
Tipos de Testes.
Usamos a curva normal (ou t) para realizar os testes, sendo três tipos possíveis, e o que será usado depende do sinal presente na hipótese alternativa Ha. 
 

Teste Unilateral à esquerda  Teste Unilateral à direita  Teste Bilateral 


H0 :  µ = 18 km/L         H0 :  µ = 18 km/L    H0 :  µ = 18 km/L 
Ha :  µ < 18 km/L  Ha :  µ > 18 km/L  Ha :  µ ≠ 18 km/L  
α  5%                                                                                  α  5%                                                                                            α  5% 
Região de Região de
       Região de aceitação  
Região de aceitação aceitação Região de
      Região de
rejeição 0,95  Região de rejeição
  0,95    rejeição
α  0,05   rejeição α 0,025 0,95  α  0,025
   
  α  0,05 2 2
 
   
18km/L      
 
    18km/L     
  18km/L     
  0,95/2 = 0,4750)
(0,5-0,05=0,45)
   Z=‐1,65       Z=+1,65  (0,5-0,05=0,45) Z=‐1,96                      Z=+1,96   (
     
Este  teste  será  usado  quando  se  tem  um  valor  Este  teste  será  usado  quando  se  tem  um  valor  Será usado quando se tem um valor dentro de um 
mínimo aceitável. Sinal usado em Ha: <.  máximo aceitável. Sinal usado em Ha: >.  intervalo aceitável. Sinal usado em Ha: ≠. 
 
TOMANDO A DECISÃO: A Região de rejeição (demonstrada no gráficos) é o conjunto de todos os valores da estatística de teste que nos fazem rejeitar a Hipótese 
Nula (H0). Se a estatística de teste cair nesta região, diremos que a afirmativa do fabricante é falsa, o que fará com que rejeitemos a Hipótese Nula (H0).  
 
Mas, se a estatística de teste cair na Região de aceitação, diremos que a afirmativa é verdadeira. O termo “estatística de teste” é feito por meio de cálculos que 
serão apresentados a seguir. O nível de significância α  5%  (demonstrado nos gráficos) é apenas um exemplo, pois podemos usar também outros níveis. 
- 51 -

Teste de Hipótese para média (amostras grandes n > 30) (Distribuição Normal z)
Usamos a Distribuição  Normal (z) para realizar o teste de hipótese para amostra maior que 30.  Quando  o desvio  padrão  é 
conhecido, mesmo com amostra menor que 30, também podemos usar a Normal.  Embora tenha 3 tipos de testes, na prática 
aplicamos um ou outro, nunca os três conjuntamente. Mostraremos a aplicação dos três testes em problemas diferentes. 
 

x  x  = média amostral                    z = Estatística de teste 
A estatística de teste  z
usada para média é:  s   µ = média Hipotética (H0) 
 s = desvio padrão 
(n > 30) 
n  n = tamanho da amostra 
 
EXEMPLO 1. TESTE UNILATERAL À ESQUERDA. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L.
Uma revista decide testar essa afirmação e analisa 50 veículos da mesma marca, obtendo uma média de 17 km/L com desvio padrão
de 3km/L. Testar a hipótese, contra a alternativa de que o consumo é menor que 18km/L, com Nível de Significância de 6%.
 

1º passo: Formular as hipóteses:  4º passo: Desenhar as Regiões de Rejeição e de  5º passo: Calcular a 


H0 :  µ = 18 km/L         Aceitação, em função do escore z (nível α) :  estatística de teste: 
 
Ha :  µ < 18 km/L   
 
x 
2º passo: Definir o tipo de teste a ser usado:    z
Como  a  média  amostral  foi  17km/L,  temos  um  valor  mínimo   
Região de
aceitação
s   
Região de
aceitável. O sinal é <, logo, usamos o unilateral à esquerda.  rejeição 0,94  n
 
α  0,06  
3º  passo:  Encontrar  escore  z  que  estabelece  os  limites  de 
17  18 = ‐2,35 
Rejeição/Aceitação: α=6% (0,06) | 0,5 – 0,06 = 0,44  → z = ‐1,56  z
 
18km/L      3
Ao  procurar  0,44  na  tabela  Normal,  encontramos  z  =  ‐  1,56  (como  o                              ‐1,56     
teste é “unilateral à esquerda”, o escore z será negativo).  50
 

6º passo: Verifique se a estatística de teste z caiu  7º e último passo: Tomada de decisão:  
na Região de rejeição:  Note  que  a  estatística  de  teste  z  caiu  na  Região 
 
de  rejeição.  Então,  você  deverá  REJEITAR  A 
  Região de
estatística de teste   aceitação HIPÓTESE NULA (Ho).  
Região de
(obtido no 5º passo)  rejeição  
  0,94 
Ou seja, não se pode aceitar que o consumo médio de 
α  0,06
  combustível    do  Pálio  Fire  1.0  é  de  18  km/L,  contra  a 
  hipótese  de  que  seja  menor  que  este  valor,  com  uma 
            
  18km/L       probabilidade de erro de 6%. 
                      ‐2,35  ‐1,56      
  -3z -2z -1z 0 +1z +2z +3z
 
EXEMPLO 2. TESTE UNILATERAL À DIREITA A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma
revista decide testar a afirmação e analisa 35 veículos da mesma marca, obtendo uma média de 18,5 km/L com desvio padrão de 2,5
km/L.. Testar a hipótese, contra a alternativa de que o consumo é maior que 18km/L, com Nível de Significância de 4%.
1º passo: Formular as hipóteses:  4º passo: Desenhar as Regiões de Rejeição e de  5º passo: Calcular a 
H0 :  µ = 18 km/L         Aceitação, em função do escore z (nível α) :  estatística de teste: 
 
Ha :  µ > 18 km/L   
 
x 
2º passo: Definir o tipo de teste a ser usado:    Região de z
Como a média amostral foi 18,5km/L,  temos um valor máximo   
aceitação
 0,96 
s   
Região de
aceitável. O sinal é >, logo, usamos o unilateral à direita.  rejeição n
α  0,04
 
 
3º  passo:  Encontrar  escore  z  que  estabelece  os  limites  de 
18,5  18 = +1,18 
Rejeição/Aceitação: α=4%(0,04) | 0,5 – 0,04 = 0,46  → z = +1,75  z
 
18km/L      
2,5
Ao  procurar  0,46  na  tabela  Normal,  encontramos  z  =  +1,75  (como  o  z=+1,75  
teste é “unilateral à direita”, z será positivo).  35
 

6º passo: Verifique se a estatística de teste z caiu  7º e último passo: Tomada de decisão:  
na Região de rejeição:  Note  que  a  estatística  de  teste  z  não  caiu  na 
 
Região de Rejeição.  Então, você deverá ACEITAR 
  Região de
aceitação A HIPÓTESE NULA (Ho).   
estatística de teste     0,96  Região de  
(obtido no 5º passo)    rejeição Ou  seja,  pode‐se  aceitar  que  o  consumo  médio  de 
  α  0,04
combustível    do  Pálio  Fire  1.0  é  de  18  km/L,  contra  a 
  hipótese  de  que  seja  maior  que  este  valor,  com  uma 
18km/L      
     z=+1,75 probabilidade de erro de 4%. 
 
z=+1,18  
 
-3z -2z -1z 0 +1z +2z +3z
 
- 52 -

EXEMPLO 3. TESTE BILATERAL. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma revista
decide testar a afirmação e analisa 42 veículos da mesma marca, obtendo uma média de 16,8 km/L com desvio padrão de 2 km/L.
Testar a hipótese, contra a alternativa de que o consumo não é de 18km/L, com Nível de Significância de 10%.
1º passo: Formular as hipóteses:  4º passo: Desenhar as Regiões de Rejeição e de  5º passo: Calcular a 
H0 :  µ = 18 km/L         Aceitação, em função do escore z (nível α) :  estatística de teste: 
 
Ha :  µ ≠ 18 km/L   
 
Região de x 
2º passo: Definir o tipo de teste a ser usado:   
aceitação z
A idéia não é testar se é menor ou maior. Queremos testar um    Região de Região de s   
rejeição rejeição
intervalo aceitável. O sinal é ≠, logo, usamos o Bilateral.  α 0,05 0,90  α  0,05 n
 
2 2  
3º  passo:  Encontrar  escore  z  que  estabelece  os  limites  de 
16,8  18 = ‐3,88 
Rejeição/Aceitação: α=10% | 0,90/2 = 0,45 → z = ‐1,65 e +1,65  z
  18km/L      2
Ao  procurar  0,45  na  tabela  Normal,  encontramos  z  =  ±1,65  (como  o  Z=‐1,65                      Z=+1,65    (0,90/2 = 0,45) 
teste é “Bilateral”, usamos z positivo e negativo).  42
 

6º passo: Verifique se a estatística de teste z caiu  7º e último passo: Tomada de decisão:  
na Região de rejeição:  Note  que  a  estatística  de  teste  z  caiu  na  Região 
 
de  Rejeição.  Então,  você  deverá  REJEITAR  A 
  Região de HIPÓTESE NULA (Ho).  
estatística de teste    aceitação
Região de Região de  
(obtido no 5º passo)    rejeição
rejeição Ou seja, não se pode aceitar que o consumo médio de 
  α 0,05 0,90  α  0,05 combustível    do  Pálio  Fire  1.0  é  de  18  km/L,  contra  a 
  2 2 hipótese  de  que  seja  diferente  deste  valor,  com  uma 
  probabilidade de erro de 10%. 
18km/L      
  Z=‐1,65                      Z=+1,65    
 z=‐3,88  
  -3z -2z -1z 0 +1z +2z +3z
 

Teste de Hipótese para média (amostras pequenas n ≤ 30) (Distribuição t de Student)


Usamos a Distribuição t de Student (t) para realizar o teste de hipótese para amostra menor ou igual a 30. 
 

x  = média amostral                  Efetuar o Teste usando a Distribuição t de Student 
x   µ = média Hipotética (H0)  
A estatística de teste  t é similar a efetuar o Teste com a Normal z. Difere‐
usada para média é:  s   s = desvio padrão  se apenas no  3º passo, onde usamos  n ‐ 1 graus 
(n ≤ 30) 
n n = tamanho da amostra  de liberdade e a  tabela t para encontrar o  limite 
t = Estatística de teste t Student  de Rejeição/Aceitação. 
EXEMPLO 4. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma revista decide testar essa
afirmação e analisa 22 veículos da mesma marca, obtendo uma média de 17,4 km/L com desvio padrão de 1,7km/L. Testar a hipótese
de que o consumo é menor que 18km/L, com Nível de Significância de 5%.
 

1º passo: Formular as hipóteses:  4º passo: Desenhar as Regiões de Rejeição e de  5º passo: Calcular a 


H0 :  µ = 18 km/L         Aceitação, em função de t (nível α) :  estatística de teste: 
 
Ha :  µ < 18 km/L   
 
x 
2º passo: Definir o tipo de teste a ser usado:    t
Como a média amostral foi 17,4km/L,  temos um valor mínimo   
Região de
aceitação
s   
Região de
aceitável. O sinal é <, logo, usamos o unilateral à esquerda.  rejeição 0,95  n
 
α  0,05  
3º  passo:  Encontrar  t  que  estabelece  os  limites  de 
17,4  18 = ‐1,65 
Rejeição/Aceitação: gl=n‐1→ 22–1=21 → ‐1,721 | α=5% (0,05)  t
 
18km/L      1,7
Analise a tabela t de Student na próxima página:                              ‐1,721     
Usando Unilateral, α=0,05 com g.l.= 21, encontramos t = 1,721.  22
(como o teste é “unilateral à esquerda”, t será negativo). 
 

6º passo: Verifique se a estatística de teste t caiu  7º e último passo: Tomada de decisão:  
na Região de rejeição:  Note  que  a  estatística  de  teste  z  não  caiu  na 
 
Região  de  rejeição.  Então, você deverá ACEITAR 
  Região de
aceitação
A HIPÓTESE NULA (Ho).   
  Região de
rejeição  
A única diferença    0,95 
Ou  seja,  pode‐se  aceitar  que  o  consumo  médio  de 
α  0,05
da t para z está    combustível    do  Pálio  Fire  1.0  é  de  18  km/L,  contra  a 
no 3º passo.    hipótese  de  que  seja  menor  que  este  valor,  com  uma 
           
 
18km/L       probabilidade de erro de 5%. 
‐1,721             
   

‐1,65  
  -3z -2z -1z 0 +1z +2z +3z
 
- 53 -

TABELA DISTRIBUIÇÃO t DE STUDENT (PARCIAL)


Confiança, c  50%  80%  90%  95%  98%  99% 
Níveis de  Unilateral, α  0,25  0,10  0,05  0,025  0,01  0,005 
Significância, α  Bilateral, α  0,50  0,20  0,10  0,05  0,02  0,01 
g.l.   1  1,000  3,078  6,314  12,71  31,82  63,66 
2  0,816  1,886  2,920  4,303  6,965  9,925 
3  0,765  1,638  2,353  3,182  4,541  5,841 
4  0,741  1,533  2,132  2,776  3,747  4,604 
5  0,727  1,476  2,015  2,571  3,365  4,032 
6  0,718  1,440  1,943  2,447  3,143  3,707 
7  0,711  1,415  1,895  2,365  2,998  3,499 
8  0,706  1,397  1,860  2,306  2,896  3,355 
9  0,703  1,383  1,833  2,262  2,821  3,250 
10  0,700  1,372  1,812  2,228  2,764  3,169 
11  0,697  1,363  1,796  2,201  2,718  3,106 
12  0,695  1,356  1,782  2,179  2,681  3,055 
13  0,694  1,350  1,771  2,160  2,650  3,012 
14  0,692  1,345  1,761  2,145  2,624  2,977 
15  0,691  1,341  1,753  2,131  2,602  2,947 
16  0,690  1,337  1,746  2,120  2,583  2,921 
17  0,689  1,333  1,740  2,110  2,567  2,898 
18  0,688  1,330  1,734  2,101  2,552  2,878 
19  0,688  1,328  1,729  2,093  2,539  2,861 
20  0,687  1,325  1,725  2,086  2,528  2,845 
21  0,686  1,323  1,721  2,080  2,518  2,831 
22  0,686  1,321  1,717  2,074  2,508  2,819 
23  0,685  1,319  1,714  2,069  2,500  2,807 
24  0,685  1,318  1,711  2,064  2,492  2,797 
25  0,684  1,316  1,708  2,060  2,485  2,787 
26  0,684  1,315  1,706  2,056  2,479  2,779 
27  0,684  1,314  1,703  2,052  2,473  2,771 
28  0,683  1,313  1,701  2,048  2,467  2,763 
29  0,683  1,311  1,699  2,045  2,462  2,756 
    0,674  1,282  1,645  1,960  2,326  2,576 
 

Teste de Hipótese para Proporções P (Distribuição Normal)


Quando lidamos com Proporções, a população é constituída por elementos de dois tipos, isto é, cada elemento pode ser interpretado como 
Sucesso e Fracasso, além dos eventos ser independentes. Nestas condições, a variável aleatória segue uma distribuição Binomial. De acordo 
com Teorema do Limite Central, para amostra suficientemente grande (n > 30), a distribuição Binomial aproxima‐se a uma distribuição Normal. 
Daí é imediato verificar que a proporção amostral p também aproxima‐se da distribuição normal. Ocorre que, da mesma forma que o Teste de 
Hipótese para média, frequentemente estamos interessados em Testar Hipóteses  para proporções populacionais. 
 

p  p0 p = proporção amostral                 
A estatística de teste  z   p0 = proporção Hipotética (H0)  
usada para  p0( 1  p0) n = tamanho da amostra 
Proporções é:  n z = Estatística de teste z (Normal) 
 
EXEMPLO 5. Inspeciona-se uma amostra de 200 peças de uma grande remessa, encontrando-se 8% de peças defeituosas (200 x 0,08 =
16 peças defeituosas). O fornecedor garante que não haverá mais de 6% de peças defeituosas em toda a remessa. Testar a hipótese de
que a proporção de peças defeituosas é maior que 6%, com Nível de Significância de 5%.
1º passo: Formular as hipóteses:  4º passo: Desenhar as Regiões de Rejeição e  5º passo: Calcular a 
H0 :  p0 = 6%         de Aceitação, em função do escore z (nível α)  estatística de teste z: 
 
Ha :  p > 6%   
 
p  p0
2º passo: Definir o tipo de teste a ser usado:   
Região de z  
Como a proporção amostral foi 8%, temos um valor máximo    aceitação p0( 1  p0)
0,95  Região de
aceitável. O sinal é >, logo, usamos unilateral à direita.  n
  rejeição  
3º  passo:  Encontrar  escore  z  que  estabelece  os  limites  de  α  0,05
0,08  0,06
Rejeição/Aceitação: α=5% | 0,5 – 0,05= 0,45 → z=+1,65  z = +1,19
 
  0,06( 1  0,06)
Ao procurar 0,45 na tabela Normal, encontramos z = +1,65 (como o  z=+1,65 
teste é “unilateral à direita”, usamos z positivo).  200
 

Calculadora:    0,02  ( ( 0,06x0,94)   200) = 1,19 


- 54 -

6º passo: Verifique se a estatística de teste z caiu  7º e último passo: Tomada de decisão:  
na Região de rejeição:  Note  que  a  estatística  de  teste  z  não  caiu  na 
 
Região de Rejeição.  Então, você deverá ACEITAR 
Estatística de teste   Região de
aceitação A HIPÓTESE NULA (Ho).  
(obtida no 5º passo)    0,95  Região de  
  rejeição Ou  seja,  pode‐se  aceitar  que  a  proporção  de  peças 
  α  0,05
defeituosas  seja  de  6%,  contra  a  hipótese  de  que  seja 
  maior  que  este  valor,  com  uma  probabilidade  de  erro 
      
     z=+1,65 de 5%. 
 
z=+1,19  
 
-3z -2z -1z 0 +1z +2z +3z
 
 
Teste de Hipótese para o Desvio padrão (Distribuição χ 2)
Usamos a Distribuição χ 2 (qui‐quadrado) para realizar o teste de hipótese para o desvio padrão. (qualquer tamanho amostral) 
 
2
n = tamanho da amostra                  Efetuar o Teste usando a Distribuição χ  é 
A estatística de  ( n  1) ( S)2
S = desvio padrão amostral   similar  a  efetuar  o  Teste  com  t.  Difere‐se 
teste usada para o  2    S0 = desvio padrão Hipotético (H0)   apenas  no  3º  passo,  onde  usamos  n  ‐  1 
desvio padrão é:  ( S0 ) 2 2
graus  de  liberdade  e  a  tabela  χ   para 
χ2=Estatística teste (qui‐quadrado) 
encontrar o limite de Rejeição/Aceitação. 

EXEMPLO 6. TESTE BILATERAL. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L., com desvio
padrão de 1,2 km/L Uma revista decide testar essa afirmação e analisa 20 veículos da mesma marca, obtendo uma média de 17,4
km/L com desvio padrão de 1,7km/L. Testar a hipótese de que o desvio padrão não é de 1,2 km/L, com Nível Significância 10%.
1º passo: Formular as hipóteses:  2º passo: Definir o tipo de teste a ser usado: 
H0 :  S0 = 1,2 km/L         A idéia não é testar se é menor ou maior. Queremos testar um intervalo 
Ha :  S ≠ 1,2 km/L  aceitável. O sinal é ≠, logo, usamos o Bilateral. 
3º passo: encontrar os valores χ2L   e    χ2R com nível de significância α =10% (90% de confiança), quando o tamanho da amostra for 20. 
 
2 2
1º ‐ Ache o grau de liberdade – g.l.  2º ‐ encontrar as áreas de  χ L e χ R 
Como n = 20, os graus de liberdade são:  Em razão da confiança c ser 90%, temos: 
  2
χ L =  1 + c χ
2
R =  1 ‐ c
g.l. = n – 1                 2             2 
20 – 1 = 19  2
 χ L =  1 + 0,90  =  0,950
2
χ R =   1 ‐ 0,90  =  0,050
                        2                          2 
2
3º ‐ encontrar os limites de Rejeição e Aceitação na tabela χ  

Parte da tabela χ é exibida abaixo. Usando g.l.=19 e as áreas 0,95 e 0,05 encontramos os valores críticos, como destacado: 
 
 
 
 
 
 
 
 
 
 
 
 
  Por meio da tabela você pode ver os 
     χ2L     χ2R  limites de Rejeição/Aceitação:  
2 2
4º passo: Calcular a estatística de teste χ2  χ L = 10,1170 e χ R = 30,1435. 
( n  1) ( S) 2 ( 20  1) ( 1,7) 2
  2   2 = 38,13    0,90 Região de
( S0 ) 2 ( 1,2 ) 2 aceitação

  Região de
5º passo:Tomada de decisão:  rejeição 0,05 Região de
Observe  que  38,13  caiu  na  Região  de  rejeição.  rejeição 0,05
Portanto, deve‐se REJEITAR A HIPÓTESE NULA 
 
2 2
          χ L     = 10,1170                                             χ R = 30,1435
           
         38,13
- 55 -

2 2
Para testes unilaterais à esquerda, usamos χ L como limite de Rejeição. Para testes unilaterais à direita, usamos χ R como limite de Rejeição.  
 
2 2
Para unilateral à esquerda (χ L ) use sempre 1 – α  Para unilateral à direita (χ R) use sempre α 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
- 56 -

EXEMPLO. TESTE UNILATERAL À ESQUERDA. Encontre χ2L quando o tamanho da amostra for 23, com nível de significância 10%
 
g.l. = n – 1  →   23 – 1 = 22  Usando g.l. = 22 com α = 0,90, encontramos 14,0415 na tabela χ2 
2
1 – α   →  1 – 0,10 = 0,90  Nota: para testes χ L use sempre 1 – α    
 
Região de
  aceitação 0,90
 
 
Região de
  rejeição 0,10
 
 
 
             χ2L     = 14,0415                                             
 
EXEMPLO. TESTE UNILATERAL À DIREITA. Encontre χ2R quando o tamanho da amostra for 41, com nível de significância 5%
 

g.l. = n – 1  →   41 – 1 = 40  Usando g.l. = 40 com α = 0,05, encontramos 55,7585 na tabela χ2 
2
α   →  0,05  Nota: para testes χ R use sempre α    
 
  Região de
  aceitação 0,95
 
  Região de
rejeição 0,05
 
 
 
 
                                                            χ2R    = 55,7585                                       
 
 
TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO
   
           
  Z  Último dígito 
          0                        1                        2                        3                        4                       5                        6                        7                       8                       9
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
- 57 -

Teste para duas amostras - Conceitos introdutórios


 

Nos  capítulos  anteriores,  mostramos  como  determinar  INTERVALOS  DE  CONFIANÇA  e  realizar  TESTES  DE  HIPÓTESES  para 
situações que envolvem UMA ÚNICA AMOSTRA de dados extraída de UMA ÚNICA POPULAÇÃO. 
 

  Agora, você ESTENDERÁ o TESTE DE HIPÓTESE e INTERVALOS DE CONFIANÇA para procedimentos que COMPARAM
estatísticas oriundas de DUAS AMOSTRAS de dados extraídas de DUAS POPULAÇÕES.
 
Justificativas e exemplos (adaptado de Farias et al, 2003): 
 

Em muitas áreas da atividade humana há uma busca contínua por novos métodos, novos procedimentos que  superem 
ou melhorem, em certo sentido, aqueles já existentes: 
 

 No setor de transportes, procuramos motores de maior rendimento e de menor ruído. 
 A medicina procura drogas com maior poder de cura e o mínimo possível de efeitos colaterais. 
 Na agricultura, buscamos variedades mais adequadas e mais produtivas de cereais.  
 Um produtor quer saber se o novo cimento‐e‐cola para fixar azulejos tem maior grau de aderência que o atual. 
 

Em  todas  essas  situações,  é  preciso  comparar  as  técnicas  usuais  com  os  métodos  alternativos.  A  comparação  da 
eficiência de duas drogas, de dois métodos de produção de cimento‐e‐cola ou, em geral, de  dois tratamentos é, pois, uma 
questão importante que surge frequentemente no trabalho de pesquisa e desenvolvimento. 
 

A escolha entre dois tratamentos diferentes não é uma tarefa tão simples como, a princípio, possa parecer. É necessário 
realizar experimentos, coletar informações e fazer inferências (julgar) a partir da evidência experimental. 
 

Tomemos  o  caso  de  duas  terapias  alternativas.  Se  todos  os  portadores  de  determinada  doença  se  comportassem  de 
maneira  idêntica  em  relação  aos  tratamentos  utilizados,  bastaria  examinar  o  comportamento  de  um    frente  às 
alternativas existentes; a decisão sobre qual é o melhor deles seria óbvia. Nenhuma análise estatística seria necessária. 
Tal,  entretanto,  não  é  o  caso.  A  reação  a  um  tratamento  varia  de  indivíduo  para  indivíduo,  e,  via  de  regra,  não  há 
tratamento ótimo para todos. Como, em geral, não se conhece a reação de cada indivíduo, prescreve‐se o tratamento 
que, em média, dá os melhores resultados. 
 

O  procedimento  para determinar  qual  dos  dois  tratamentos  é,  em  média, o mais  eficiente envolve  a  seleção de duas 
amostras e a comparação dos resultados obtidos. Neste capítulo, discutiremos como comparar os efeitos médios de dois 
tratamentos. 
 

 
Teste de Hipótese para a diferença de duas médias
 
Para amostras dependentes (dados emparelhados)
 
Duas  amostras  são  dependentes  se  cada  membro  de  uma  amostra  corresponde  a        “Antes”                       “Depois” 
um membro de outra amostra.  Amostras dependentes envolvem duplas idênticas,   
“antes e depois” de resultados para a mesma pessoa ou objeto. Veja ao lado.   
 
 
 Para  cada  par  definido,  o  valor  da  primeira  amostra  está  claramente  associado  ao 
respectivo valor da segunda amostra.   
 
 Nestes casos as duas amostras serão de mesmo tamanho.       
 Amostras  dependentes  também  são  chamadas  de  amostras  relacionadas  ou  dados        amostra 1                    amostra 2 
emparelhados.  
 
A equação para resolução de dados emparelhados é mostrada abaixo. 
 
EQUAÇÃO DADOS EMPARELHADOS (use t ou z)
d = média das diferenças, dada por  Estatística de teste  Sd = desvio padrão das diferenças, dado por 
t

  d 2 
 
d

 

 
d  d2   
d   Sd  n  
n n Sd 
  n 1
“d” é a diferença de cada dado,     
2
encontrado por X2‐X1  “d ” é a diferença de cada dado, ao quadrado 
t = distribuição t de Student. Use a Normal Z se n>30.           n = tamanho da amostra. 
 
Exemplo 1. Dez cobaias adultas foram submetidas ao tratamento com certa ração para engordar, durante uma
semana. Os animais foram perfeitamente identificados, tendo sido mantidos, para tanto, em gaiolas individuais. Os
pesos, em gramas, no princípio e no fim de semana, designados respectivamente por X1 e X2 são dados a seguir.

Ao nível de 1% de significância, podemos concluir que o uso da ração contribuiu para o aumento do peso médio dos
animais? (Moretim)
- 58 -

Resolução: A tabela com os dados da experiência é mostrada abaixo, juntamente com os cálculos do 1º e 2º passos. 
 

1º passo: Encontrar d (X2‐X1) e ∑d (para permitir cálculo de  d , que é a média das diferenças). 
2º passo: Encontrar d2 e  ∑d2 (para permitir cálculo de Sd, que é o desvio padrão das diferenças). 
Dados da experiência           
  diferença d  2   3º passo: Calcular  d                                                       
Cobaia  X1  X2  d 
   d   d    66  = 6,6
(X2‐X1) 
n é o tamanho da amostra
1  635  640    5  25   
n 10
2  704  712    8  64   
3  662  681    19  361   
4  560  558    ‐2  4   
5  603  610    7  49     
6  745  740    ‐5  25    4º passo: Calcular Sd
7  698  707    9  81      d 2   66 2 
8  575  585    10  100     d2    882   
 n             10  = 7,043
9  633  635    2  4    Sd 
10  669  682    13  169    n 1 10  1
        ∑d=66  ∑d2=882     
 
 

5º passo: Executar o Teste de Hipótese. 
5.1 Formular as hipóteses 
                                     Em termos da diferença ”d”, as hipóteses são descritas como: 
H0 :  µ = 0   
Ha :  µ > 0    
   

5.2 Definir o tipo de teste a ser usado 
TABELA DISTRIBUIÇÃO t DE STUDENT (PARCIAL) O sinal é >. Então o teste será unilateral à direita. 
Confiança, c  50%  80%  90%  95%  98%  99%   

Unilateral, α  0,25  0,10  0,05  0,025  0,01  0,005  5.3 Encontrar t que estabelece limites de Aceitação/Rejeição 


Bilateral, α  0,50  0,20  0,10  0,05  0,02  0,01  gl=n‐1 10‐1=9 → 2,821 | α=1% (0,01) 
g.l.   1  1,000  3,078  6,314  12,71  31,82  63,66  Usando  Unilateral,  α=0,01  com  g.l.=  9,  encontramos  t  =  2,821  (veja  na 
2  0,816  1,886  2,920  4,303  6,965  9,925  tabela t ao lado). Como o teste é “unilateral à direita”, t será positivo. 
 
3  0,765  1,638  2,353  3,182  4,541  5,841  5.4 Desenhe as regiões de Aceitação/Rejeição 
4  0,741  1,533  2,132  2,776  3,747  4,604 
 
5  0,727  1,476  2,015  2,571  3,365  4,032  Região de
 
6  0,718  1,440  1,943  2,447  3,143  3,707  aceitação
   0,99  Região de
7  0,711  1,415  1,895  2,365  2,998  3,499 
  rejeição
8  0,706  1,397  1,860  2,306  2,896  3,355  α  0,01
9  0,703  1,383  1,833  2,262  2,821  3,250   
10  0,700  1,372  1,812  2,228  2,764  3,169   
    
11  0,697  1,363  1,796  2,201  2,718  3,106    t=+2,821  
 

12  0,695  1,356  1,782  2,179  2,681  3,055  5.5 Calcular a estatística de teste: 


13  0,694  1,350  1,771  2,160  2,650  3,012   
 

14  0,692  1,345  1,761  2,145  2,624  2,977 


t
d     6,6 =  2,96 
15  0,691  1,341  1,753  2,131  2,602  2,947  Sd 7,043
16  0,690  1,337  1,746  2,120  2,583  2,921  n 10
17  0,689  1,333  1,740  2,110  2,567  2,898   

18  0,688  1,330  1,734  2,101  2,552  2,878  5.6 Verifique se t caiu na região de Rejeição 


 

19  0,688  1,328  1,729  2,093  2,539  2,861   


20  0,687  1,325  1,725  2,086  2,528  2,845  Região de
  aceitação
21  0,686  1,323  1,721  2,080  2,518  2,831   
 0,99 
  Região de
22  0,686  1,321  1,717  2,074  2,508  2,819    rejeição
23  0,685  1,319  1,714  2,069  2,500  2,807   
α  0,01
 
24  0,685  1,318  1,711  2,064  2,492  2,797   
 
25  0,684  1,316  1,708  2,060  2,485  2,787        
+2,821  
26  0,684  1,315  1,706  2,056  2,479  2,779   
 
27  0,684  1,314  1,703  2,052  2,473  2,771  +2,96
5.7 Conclusão:  
28  0,683  1,313  1,701  2,048  2,467  2,763 
A  estatística  de  teste  t  caiu  na  Região  de  Rejeição.  Então,  você 
29  0,683  1,311  1,699  2,045  2,462  2,756 
deverá REJEITAR A HIPÓTESE NULA (Ho).  Ho é falsa. 
  0,674  1,282  1,645  1,960  2,326  2,576   
Não se pode aceitar que o  peso se manteve. Então,  concluímos que  o 
uso da ração contribui para o aumento do peso médio dos animais. 
- 59 -

Para amostras independentes (dados não emparelhados)


 
Duas amostras são independentes se a amostra selecionada de uma das populações   
não é relacionada à amostra selecionada da segunda população. Veja ao lado.   
 

 Em muitas situações em que desejamos comparar as médias dos efeitos de dois tratamentos,   
não  se  utiliza  o  esquema  de  dados  emparelhados,  seja  porque  o  emparelhamento  não  é   
possível, seja porque não é a maneira mais conveniente de se fazer a comparação. Dividem‐se   
 
então os indivíduos em estudo em dois grupos separados. 
    
 Neste caso as duas amostras podem ser de tamanhos diferentes.  
      amostra 1                   amostra 2 
 Se  os  dados  não  são  emparelhados,  não  terá  sentido  calcular  as  diferenças  “d”  entre  os  valores  das  duas  amostras,  e  o  teste  deverá  ser 
baseado na diferença  X1 ‐  X2  entre as  médias das duas amostras. Temos dois casos para amostras independentes: teste Z para amostras 
grandes (n>30, ou se o desvio padrão for conhecido) e teste t para amostras pequenas (n≤30, ou se o desvio padrão for desconhecido). 
 

Teste Z para amostras grandes (n>30) 
 
EQUAÇÃO TESTE Z DADOS NÃO EMPARELHADOS (n>30)
Estatística de teste  X1 =média da amostra população 1 
X1  X 2 X 2 = média da amostra população 2 
A estatística de teste z segue uma  z  
S1 = desvio padrão da população 1 
2 2
(S1) (S2)
distribuição normal.   S2 = desvio padrão da população 2 
n1 n2 n1 = tamanho da amostra população 1 
  n2 = tamanho da amostra população 2
 
Exemplo 1: Um fabricante produz dois tipos de pneus, A e B. Uma grande companhia de taxi testou a durabilidade de 50
pneus do tipo A, obtendo média de 24.000km e desvio padrão de 2.500km, e 40 pneus do tipo B, obtendo média de
26.000km e desvio padrão de 3.000km. Ao nível de 4% de significância, testar a hipótese de que a duração média dos dois
tipos de pneus é diferente (ou seja, não é a mesma).
 

1º passo: Formular as hipóteses  4º passo: Desenhar as Regiões de Rejeição e  5º passo: Calcular a  


H0 :   X1 =  X2   de Aceitação, em função de z (nível α)  estatística de teste 
 
Ha :   X1 ≠  X2    
 
X1  X 2  
2º passo: Definir o tipo de teste a ser usado   
Região de z
Queremos testar se a média de A e B é diferente. O   
2 2
aceitação (S1) (S2)
Região de Região de 
sinal  é  ≠.  Usamos  o  Bilateral,  pois  testaremos  um  rejeição rejeição n1 n2
intervalo aceitável.  α 0,02 0,96  α  0,02  
2 2  
24.000  26.000
 

3º  passo:  Encontrar  escore  z  que  estabelece  os  z  3,38


2 2
limites de Rejeição/Aceitação:        ( 2.500) (3.000)
0,96 Z=‐2,05                          Z=+2,05    (0,96/2 = 0,48)  
α=4% |  /2 = 0,48 → z = ‐2,05 e +2,05  50 40
 

Ao procurar 0,48 na tabela Normal, encontramos z = ±2,05 
(pois  0,4798  é  mais  próximo.  Como  o  teste  é  “Bilateral”, 
usamos z positivo e negativo). 
 
6º passo: Verifique se a estatística de teste caiu  7º e último passo: Tomada de decisão:  
na Região de rejeição:  A estatística de teste caiu na Região de Rejeição. 
 
Então, deve‐se REJEITAR A HIPÓTESE NULA (Ho).  
  Região de  
estatística de teste    aceitação
Ou seja, Não se pode aceitar que a durabilidade média 
Região de Região de
(obtido no 5º passo)    rejeição dos  pneus  é  a  mesma.  Concluímos  que  os  pneus  tem 
rejeição
  α 0,02 0,96  α  0,02 durabilidade média diferente. 
  2 2
 
      
  z=‐2,05                           z=+2,05    
  z=‐3,38  
 
 
 
 
 
 
 
 
 
 
- 60 -

 
 
 

UNIDADE VII
 
 
 
 

Complementos
 
 
 
 
 
 
 Gráficos e Tabelas, 61  
 Distribuição de frequências em classes,   65
 Medidas de posição (Média, Mediana e   Moda), 68
 Medidas de Ordenamento (Quartil, Decil   e Percentil), 74
 Vocabulário básico de Estatística, 76  
 População e amostra, 78  
 Estatística Descritiva e Inferencial, 80 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
- 61 -

GRÁFICOS E TABELAS 
 
As  tabelas  e  gráficos  constituem  um  importante  instrumento  de  análise  e  interpretação  de  um  conjunto  de  dados. 
Diariamente  é  possível  encontrar  tabelas  e  gráficos  nos  mais  variados  veículos  de  comunicação  (jornais,  revistas,  televisão, 
Internet),  associadas  a  assuntos  diversos  do  nosso  dia‐a‐dia,  como  resultados  de  pesquisas  de  opinião,  saúde  e 
desenvolvimento humano, economia, esportes, cidadania, etc. A importância das tabelas e dos gráficos está ligada sobretudo à 
facilidade e rapidez na absorção e interpretação das informações por parte do leitor e também às inúmeras possibilidades de 
ilustração e resumo dos dados apresentados. 
 
TABELAS
 
São quadros que resumem um conjunto de dados. 
 

Título – conjunto de informações sobre o estudo. 
Cabeçalho –especifica o conteúdo das colunas 
Coluna indicadora –especifica o conteúdo das linhas 
Coluna numérica ‐–especifica  a quantidade das linhas 
Linhas – retas imaginárias de dados 
Célula – espaço destinado a um só número 
Rodapé – simplesmente a fonte dos dados

 
 
Tipos de Tabelas
 
SÉRIE HISTÓRICA  SÉRIE GEOGRÁFICA  SÉRIE ESPECÍFICA 
Descreve  os  valores  da  variável,  Descreve  os  valores  da  variável,  Descreve  os  valores  da  variável, 
discriminados  por  TEMPO  (anos,  discriminados por  REGIÕES  (países,  discriminados  por  temas 
meses, dias, horas, etc.  cidades, bairros, ruas, layout, etc)  ESPECIFICOS. 
     

 
   
 
 
 
SÉRIE CONJUGADA 
É utilizado quando temos a necessidade de apresentar em uma única 
tabela  a  variação  de  valores  DE  MAIS  DE  UMA  VARIÁVEL,  isto  é, 
fazer de forma conjugada de duas ou mais séries. 
   
Esta série, por exemplo, é GEOGRÁFICA – HISTÓRICA 
 
 
 
 
- 62 -

GRÁFICOS 
 
A  importância  dos  gráficos  está  ligada  à  facilidade  e  rapidez  na  absorção  e  interpretação  das  informações  e 
também às inúmeras possibilidades de ilustração e resumo dos dados apresentados. Eis os mais usados: 
 
Gráfico em Linha (para séries históricas)
É a representação dos valores por meio de linhas. Usamos quando precisamos de uma informação rápida de um 
valor ao longo do tempo. 
 
 
 ACIDENTES DO TRABALHO
  SÃO PAULO: 1989 ‐ 1994
 
10000
  8658 9578
  8000 7265
  6325 6254
Quantidade

6000
 
5458
  4000
 
2000
 
  0
  1989 1990 1991 1992 1993 1994
    Anos
FONTE: Dados fictícios
 
 
    ACIDENTES DO TRABALHO EM 
  SÃO PAULO: 1989 ‐ 1991
  2500
 
São Paulo
  2000
Guarulhos
 
Quantidade

1500 Campinas
 
Osasco
  1000 Santos
 
  500

 
0
  1989 1990 1991
  FONTE: Dados fictícios anos
 
 
Gráfico em Colunas
É  a  representação  dos  valores  por  meio  de  retângulos,  dispostos  verticalmente.  Utiliza‐se  muito  quando 
necessitamos saber a quantidade de valor. 
 
 
 QUANTIDADE DE ACIDENTES DO TRABALHO
  SÃO PAULO: 1989 ‐ 1994
  12000
  9578
10000
  8658
7265
  8000
Quantidade

6325 6254
6000   5458
  4000
  2000
 
0
  1989 1990 1991 1992 1993 1994
 
  FONTE: Dados fictícios Anos
 
- 63 -

Gráfico em Barras
É o mesmo conceito que o de Colunas, porém utiliza‐se sempre que os dizeres a serem inscritos são extensos. 
 
   
 QUANTIDADE DE ACIDENTES DO TRABALHO
  EM SÃO PAULO ‐ POR TIPO ‐  1989
 
  Corte 598

  Queda 3578
 

Tipo
Atrito 698
 
     Perfuração 55
  Impacto 1396
 
  0 1000 2000 3000 4000
Quantidade
  FONTE: Dados fictícios
 
 
Gráfico em Setores
Este gráfico é construído com base em um círculo, e é empregado sempre que desejamos ressaltar a participação 
de um dado no total, geralmente na forma de porcentagem. 
 
  ACIDENTES DO TRABALHO
  SÃO PAULO ‐ 1989 
 
 
 
 
 
 
 
  FONTE: Dados fictícios
 
 
 
Gráfico Polar
É  o  gráfico  ideal  para  representar  séries  temporais  cíclicas,  isto  é,  séries  temporais  que  apresentam  em  seu 
desenvolvimento determinada periodicidade, por exemplo, o mês de janeiro a dezembro. 
 
ACIDENTES DO TRABALHO
 
SÃO PAULO ‐ 1989 

FONTE: Dados fictícios


   
- 64 -

Gráfico de Pareto
É  um  gráfico  de  colunas  na  qual  a  altura  de  cada  barra  representa  os  dados,  porém  na  ordem  de  altura 
decrescente,  com  a  coluna  mais  alta  posicionada  à  esquerda.  Tal  posicionamento  ajuda  a  enfatizar  dados 
importantes e é frequentemente usado nos negócios. 
 

Os cinco veículos mais vendidos    Os cinco veículos mais vendidos 
no Brasil em janeiro de 1995    no Brasil em janeiro de 1995
    40
Quantidade   

Quantidade (milhões)
34
Veículo  30
(milhões)    30
25 22
Ômega  34   
20 15
Monza  30   
Gol  25    10

Corsa  22   
Fusca  15    0

  Ômega Monza Gol Corsa Fusca


FONTE: dados fictícios 
  FONTE: Dados fictícios Veículos
 
 
Gráfico de Dispersão
É usado para representar a relação entre duas variáveis quantitativas, por meio de pontos e linhas. Aprendemos a 
utilizar esse gráfico quando estudamos “Correlação e Regressão”. 
 
 
Investimentos versus vendas  
no setor da empresa X 
 
Anos  Investimentos  Vendas  
1999  500  1000 
2000  1000  2000 
2001  1500  3000 
2002  2000  4000 
FONTE: dados fictícios 
 
Gráfico Cartograma
Este  gráfico  é  empregado  quando  o  objetivo  é  o  de  figurar  os  dados  estatísticos  diretamente  relacionados  com 
áreas geográficas ou políticas (mapas), corpo humano entre outras figuras. 
 

 
 
 
 
Número de cada 
Delegacia 
 
 
 
 
 
 
 
 
 
 
 
 
  FONTE: SSP/SP 
 
- 65 -

DISTRIBUIÇÃO DE FREQUÊNCIAS EM CLASSES


 
  Em uma distribuição de frequência, ao se trabalhar com grandes conjuntos de dados e com valores
dispersos, podemos agrupá-los em classes.
 
 Se  um  conjunto  de  dados  for  muito  disperso,  uma  representação  melhor  seria  através  do  agrupamento  dos  dados 
com a construção de classes de frequência. Caso isso não ocorresse, a tabela ficaria muito extensa. Veja abaixo: 
 

EXEMPLO
 

Um radar instalado na Dutra registrou a velocidade (em Km/h) de 40 veículos, indicadas abaixo: 
                                                                                          
   Velocidade de 40 veículos (Km/h)         Distribuição de frequência com classes 
Limite  Limite 
70  90  100    110   123  inferior  i  Velocidade (Km/h)  f  superior 
71  93  102   115    123  1  70   80  4 
73  95  103   115  123  Classes 2  80   90  4 
76  97  105   115  123  3    90   100  8 
80  97  105   117  124  4         100   110  8 
81  97  109   117  124  5         110   120  6 
83  99  109   121  128 
6         120   130  10 
86  99  109   121  128 
      f=40 
 
Distribuição de frequência 
  A  distribuição  em  ”classes”  é  como  se  fosse  uma  compressão  dos  dados.  Imagine  se 
Nota  f  fizéssemos uma distribuição de frequência de todas velocidades (de 70 a 128). A tabela 
 
  70  1  ficaria imensa! Por este motivo existe a distribuição de frequência com classes. 
 
  71  1  Como criar uma Distribuição de Freqüência com classes 
 
 
73  1   
1. Calcule a quantidade de classes (i), pela raiz da quantidade de dados. São 
76  1 
40 veículos. Então,  40 = 6,3        i = 6 classes. 
 
  80  1   
 
81  1  2. Calcule a amplitude de classe (h) que é o tamanho da classe, sendo: 
                
  83  1             Maior valor  – Menor valor      =    128 – 70  = 9,6         h=10 
  86  1               quantidade de classes (i)                     6 
  90  1                                        
  Nota: o Maior valor (128) e o Menor valor (70) são obtidos da lista dos registros das 
  93  1  velocidades dos 40 veículos. 
 
  95  1 
 
3. Montar  as  classes  a  partir  do  Menor  valor  (70),  somando  com  a 
97  3  amplitude de classe (10) até que se chegue na 6ª classe, assim: 
 
 
99  2   
100  1    i  Velocidade (Km/h) 
 
    1  70   +10    80 
102  1   
  2...  80   +10    90  
103  1   
  ...6  120   +10   130 
105  2   
   
  109  3  TIPOS DE INTERVALOS DE CLASSE 
  110  1 
   
Tipo  Representação  Dados do intervalo 
  115  3   
Aberto   70   80  70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80 
  117  2   
Fechado à esquerda   70  80  70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80 
   
121  2    Fechado    70  80  70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80 
  Fechado à direita    70   80  70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80 
 
123  4   
124  2  No  Brasil  usa‐se  o  intervalo    (Resolução  866/66  do  IBGE).  Já  na  literatura  estrangeira 
 
utiliza‐se comumente com intervalo fechado. 
  128  2   
  CONCEITOS IMPORTANTES 
 
  f=40 
LIMITES DE CLASSE ‐  São os valores extremos de cada classe. No exemplo 70  80, 
  temos que o limite inferior é 70 e o limite superior  80.  
É  fácil  ver  que  a  distribuição  de  frequências   
diretamente  obtida  a  partir  desses  dados  é  AMPLITUDE TOTAL DA DISTRIBUIÇÃO (AT) – É a diferença entre o limite superior da 
dada uma tabela razoavelmente extensa.  última classe e o limite inferior da primeira classe, no exemplo 130 – 70 = 60. 
   
  AMPLITUDE AMOSTRAL  (AA) – É a diferença entre o valor máximo e o valor mínimo 
da amostra, no exemplo 128 – 70 = 58. 
 
- 66 -

Abaixo  vemos  as  distribuições  de  frequências  absoluta  f,  relativa  fr(%),  absoluta  acumulada  Fa  e  relativa  acumulada  FRa(%), 
bem como o Histograma desta distribuição. 
   
                   Distribuição de freqüência com classes f, fr(%), Fa e FRa (%) 
Resultados dos registros 
12 de um radar
 

Quantidade de veículos
10
i  Velocidade (Km/h)  f  Fr(%)  Fa  FRa(%)    10
1  70   80  4  10%  4  10%    8 8
8
2  80   90  4  10%  8  20%    6
3   90   100  8  20%  16  40%    6
4 4
4      100   110  8  20%  24  60%    4
5      110   120  6  15%  30  75%   
2
6      120   130  10  25%  40  100%   
  0
                                          f=40  100% 
70         80        90         100       110        120       130 
   

  Velocidade (Km/h) 
 
OUTRAS REPRESENTAÇÕES GRÁFICAS DE UMA DISTRIBUIÇÃO DE FREQUÊNCIA 
 
Polígono de frequência – É um gráfico em linha que representa os pontos centrais dos intervalos de classe. 
 

Para construir este gráfico, você deve calcular o ponto central de classe (xi),  que é o ponto que divide o intervalo de classe em 
duas partes iguais. Por exemplo, a velocidade dos veículos da 1ª classe pode ser representada por  70 + 80  = 75Km/h 
                                                                                                                                                                                       2 
 
i  Velocidade (Km/h)  f  xi   
Resultados dos registros 
12 de um radar
1  70   80  4  75   
Quantidade de veículos

  10
2  80   90  4  85    Ponto central
3    90   100  8  95   
 75Km/h
8
4       100   110  8  105   
6
5       110   120  6  115   
  4
6       120   130  10  125 
  70   80
   2
                                          f=40   
  0
A construção de um polígono de frequências é muito simples. Primeiro,               70  75   80   85   90    95  100  105  110  115 120  125  130   
 
construímos  um  histograma;  depois  marcamos  no  “telhado”  de  cada 
Velocidade (Km/h) 
coluna o ponto central e unimos sequencialmente esses pontos. 
 
 Ogiva  –    (pronuncia‐se  o’jiva).  Conhecida  também  por  polígono  de  frequência  acumulada.  É  um  gráfico  em  linha  que 
representa  as  freqüências  acumuladas  (Fa),  levantada  nos  pontos  correspondentes  aos  limites  superiores  dos  intervalos  de 
classe. Para construí‐la, você deve elaborar o histograma de freqüência f em uma escala menor, considerando o último valor a 
freqüência acumulada da última classe, no caso, 40. 
 
  Resultados dos registros 
  40 40 
i  Velocidade (Km/h)  f  Fa  de um radar
Quantidade de veículos

  35
1  70   80  4  4    30 
30
2  80   90  4  8   
24 
  25
3   90   100  8  16    20 16 
4      100   110  8  24   
15
5      110   120  6  30    8  8 8 10
  10 6
6      120   130  10  40 
5 4 4  4
 
                                         f=40   
  0
  70          80           90          100         110         120         130 
  Velocidade (Km/h) 
 
 
 
 
- 67 -

                                                                                                     
 
 
 
                                                                                                     

MEDIDAS DE POSIÇÃO E
 
ORDENAMENTO
O que dizer se um professor quer saber sobre as notas dos 110 alunos de uma disciplina? Poderíamos, talvez, 
utilizar  para  resposta  uma  tabela  com  as  frequências  das  notas.  Porém,  o  professor  gostaria  de  uma  resposta 
rápida, que sintetize a informação que se tem, e não uma distribuição de frequência das notas coletadas. 
 

Para resumir a quantidade de informação contida em um conjunto de dados, utilizamos, em estatística, medidas 
que descrevem, POR MEIO DE UM SÓ NÚMERO, características desses dados. Veja exemplo abaixo. 
 
NOTAS DE ESTATÍSTICA DE 110 ALUNOS DA ESCOLA A 
5.6  8.3  4.5  8.7  3.9  9  5.5  7.9  9.5  10 
9.6  6.6  5.3  3  9.5  3.9  9  5.6  7  5.9 
7  8.9  2  8.7  9  3  8  6.7  4.2  6.5 
6.5  4.6  9.5  5.3  3.9  9  3  8.8  9  8.9 
7.1  6.5  3.9  4.9  9.4  5.3  9.5  2  5.3  7.5 
9.2  9.8  9.5  5.9  5.5  5  7  8.3  5.6  9 
6.1  5.6  4.9  6.5  9  9.6  7.5  7  9  4.5 
4.2  8.9  9.6  9.8  8  6.5  7.9  2  5  5.3 
7.3  8  9  5.6  1  9.8  4  9.5  3.6  5 
8.6  4.2  9.6  8.9  5.9  4.2  6  5.3  8  2.8 
9.2  9  9.8  3.9  8  9.5  3.3  8.4  5.3  4.5 
 

Para uma conclusão rápida, qual foi o desempenho desses alunos? Isto pode ser respondido com as medidas abaixo. 
 

Medidas resumo  Valor  Interpretação 


Média  6,5  Valor que representa o ponto de equilíbrio das notas (como uma gangorra). 
Mediana  7,0  50% dos alunos tiraram abaixo de 7,0. 
Moda  9,0  Nota que mais se repetiu. 
Desvio padrão ‐ DP  2,3  A maioria das notas está variando entre ±2,3 em torno da média 6,5 (4,2‐‐‐‐8,8) 
Coeficiente variação  34%  Há variação de 34% das notas em torno da média (complementa o DP). 
1º Quartil  5,0  25% dos alunos tiraram abaixo de 5,0. 
3º Quartil  9,0  75% dos alunos tiraram abaixo de 9,0. 
 

Através dessas informações é possível analisar o desempenho desses alunos. 
 
 
 
 
- 68 -

MEDIDAS DE POSIÇÃO (MÉDIA, MEDIANA E MODA) 


 
São medidas que utilizamos para obter um  número que represente o valor central  de um conjunto de dados. As Medidas de 
Tendência Central mais utilizadas são: Média, Mediana e Moda. 
 
 

MÉDIA
 
MÉDIA SIMPLES - É uma medida que representa um valor típico ou normal num conjunto de dados.
 

 A  média  simples  serve  como  um  “ponto  de  equilíbrio”  em  um  conjunto  de  dados  (como  o  ponto  de  apoio  de  uma 
gangorra). Cada dado tem igual importância e peso. Sofre a influência de todos os dados. 
 

                      A Média simples é obtida pela seguinte equação:   
x  = x     →          soma dos valores dos dados  A Média é representada por  x  
 
            n      →              quantidade de dados  (lê‐se “x barra”) 
 
 

EXEMPLO.  Supondo  que  uma  escola  adote  como  critério  de  aprovação  a  Média  7,0  e,  considerando  as  quatro 
notas de João e Maria durante o ano, informe se foram aprovados. 
 

  Média das notas de João 
Notas de João:   3,5  |  6,0  |  9,5  |  9,0  |  10.0 9.5 9.0
 
8.0 7,0 Média de João
        x  = x       3,5 + 6,0 + 9,5 + 9,0  6.0
Notas

6.0
                  n                   4 
4.0 3.5
 
        x  = 7,0  →  aprovado  2.0
  0.0
  1º Bim 2º Bim Média 3º Bim 4º Bim
  Bimestres

MÉDIA PONDERADA. Semelhante a Média simples, porém, atribuindo-se a cada dado um peso que
retrate a sua importância.
 

 O termo “ponderação” é sinônimo de peso, importância, relevância. Sugere, então, a atribuição de um peso a um determinado dado. 
Em alguns casos, os valores variam em grau de importância, de modo que podemos querer ponderá‐los apropriadamente. É calculada 
multiplicando‐se um peso por cada valor, fazendo com que alguns valores influenciem mais fortemente a média do que outros. 
 

A Média ponderada é obtida pela seguinte equação:  Vamos representar a 
 
Média ponderada por 
xp = (x . p)      →      soma dos valores . pesos  
xp  
                  p        →             soma 
  dos pesos   
 
EXEMPLO Supondo que uma escola adote como critério de aprovação a Média 7,0, sendo que as provas bimestrais 
são ponderadas  com pesos 1, 2, 3 e 4, respectivamente para o  1º bim, 2º bim, 3º bim e 4º bim. Considerando as 
notas de João (na ordem bimestral crescente), informe se foi aprovado. 
Notas de João:  | 9,0  |   8,0   |  6,0  |  5,0  Média ponderada das notas de João 
 
10,0 9,0
x p = (x . p)  8,0
8,0
Notas e pesos

           p  6,3 Média ponderada 


6,0
  6,0 5,0
   xp =   (9,0 . 1) + (8,0 . 2) + (6,0 . 3) + (5,0 . 4)  4,0
1+2+3+4  4
2,0 3
 
1 2
   x p = 6,3  →  reprovado  0,0
  1º Bim 2º Bim Média 3º Bim 4º Bim
Nota. Em uma média simples ele seria aprovado por 7,0.  Bimestres
 
A  atribuição  de  pesos  visa  fazer  com  que  certos  valores  tenham  mais  influência  no  resultado  do  que  outros.  Também  pode  ser 
aplicado em cálculos de índices de inflação, atribuindo pesos para setor de vestuário, alimentação, etc.
- 69 -

MÉDIA DE DISTRIBUIÇÃO DE FREQUÊNCIA – aplica-se quando não se tem a lista original dos dados
Quando  trabalhamos  com  uma  distribuição  de  frequência,  não  sabemos  os  valores  exatos  que  caem  em 
determinada  classe.  Para  tornar  possíveis  os  cálculos,  consideramos  que,  em  cada  classe,  todos  os  valores 
amostrais sejam iguais ao ponto central de classe. Por exemplo, considere o intervalo de classe 70   80, com 
uma frequência de 4. Admitimos que todos os 4 valores sejam iguais a 75 (o ponto central de classe). Com o total 
de 75 repetido 4 vezes, temos um total de 75 x 4 = 300. Podemos, então, somar esses produtos obtidos de cada 
classe para encontrar o total de todos os valores, os quais, então, dividimos pela quantidade de dados. 
 
É  importante salientar que a distribuição de frequência resulta em uma aproximação da média 
  porque não se baseia na lista original exata dos valores amostrais. 
 

CALCULANDO A MÉDIA DE DISTRIBUIÇÃO DE FREQUÊNCIA COM INTERVALO DE CLASSE 
  Ponto central de classe 
 
Procedimento: 
i  Velocidade (Km/h)  f  x  f . x 
  1. Multiplicar  as  frequências  f  pelos  pontos  centrais 
1  70   80  4  x                  =  
75  300  de classe x e adicionar os produtos. 
2  80   90  4  85  340  2. Somar as frequências f; 
3    90   100  8  95  760  3. Somar os produtos (f.x); 
4     100   110  8  105  840  4. Aplicar a fórmula abaixo: 
 
5     110   120  6  115  690 
6     120   130  10  125  1250  x  =    (f.x)   →    4180  =  104,5 Km/h 
                f                 40 
    f=40  ‐  (f.x) = 4180   
 
Média a partir de um HISTOGRAMA COM INTERVALOS DE CLASSE: 
 

  R e s u lta d o s  d o s  re g is tro s  d e  u m  ra d a r Não é necessário montar tabela. Veja na figura ao lado 


12

10 que  basta  multiplicar  a  freqüência  pelo  ponto  médio  e 


Quantidade de veículos

10
(4*75)+(4*85) ... adicionar  os  produtos.  Depois,  divida  pela  soma  das 
8 8
8 freqüências. 
6  
6
+  (4*75)+(4*85)+(8*95)+(8*105)+(6*115)+(10*125) 
4 4
4
                               4+4+8+8+6+10      
2 x  x   
0   x  =    (f.x)   →    4180  =  104,5 Km/h 
 75              85             95            105           115           125 
70                80                90              100              110             120              130 
 
                  f                 40 
Velocidade (Km/h) 
      
 

CALCULANDO A MÉDIA DE DISTRIBUIÇÃO DE FREQUÊNCIA SEM INTERVALO DE CLASSE   
   
Nota (x)   f  f . x  Quando a distribuição não tem agrupamento de classes, 
 
(nº de alunos)  consideraremos  as  frequências  como  sendo  os  pesos 
4,0  5 
  X                                =   20  dos elementos correspondentes: 
5,0  3  15   
6,0  2  12  (5*4,0)+(3*5,0)+(2*6,0)+(3*7,0)+(2*8,0)+(10*9,0) 
7,0  3  21                                 5+3+2+3+2+10      
8,0  2  16   
9,0  10  90  x  =(f.x)   →    174  =  6,96 
  f=25  (f.x) = 174                           f               25 
   

Média a partir de um HISTOGRAMA SEM INTERVALO DE CLASSE  Multiplique a freqüência por  “x”  (notas) e adicione os 
produtos. Depois, divida pela soma das freqüências. 
Desempenho dos alunos na prova  

12 (5*4,0)+(3*5,0)+(2*6,0)+(3*7,0)+(2*8,0)+(10*9,0) 
10
Número de 

10                                5+3+2+3+2+10      
alunos

8  
6 5
4 3 3
x  =(f.x)   →    174  =  6,96 
2 x 
2 2
                         f               25 
0
4.0 5.0 6.0 7.0 8.0 9.0
Nota
- 70 -

MEDIANA  
 

  Medida que representa o valor que está no MEIO de um conjunto de dados.


Uma desvantagem da média simples é que ela é sensível a qualquer valor, de modo que um valor  0%                        50%                        100%
excepcional  (alto  ou  baixo)  pode  afetar  drasticamente  a  média.  A  Mediana  supera  grandemente 
essa desvantagem, pois não é afetada por valores extremos, de tal modo que você pode utilizar a 
mediana quando estão presentes valores extremos. Mediana 
 

Como achar a mediana de um conjunto de dados 
Para quantidade ÍMPAR de valores  Para quantidade PAR de valores 

n
1

n 2
   
P

P1
          As posições dos termos 

2
A Posição do termo central é dada por:            e     P2 = a que sucede P1   
centrais são dadas por:  
          

Ex.: 12, 78, 69, 75, 80, 71, 82, 73, 785.    n=9  Ex.: 12, 78, 69, 75, 80, 71, 82, 73, 785, 995.   n=10  

1 2
0
9
1

   

P1
P

   = 5     →      5ª posição                     = 5ª posição        e              P2 =  6ª posição 


2


 
 

A Md é o valor da 5º posição. Ordenando os dados, temos:  A Md é o valor entre a 5º e 6ª posição. Ordenando os dados, temos: 
   

        12, 69, 71, 73,     75    ,78, 80, 82, 785                12, 69, 71, 73,       75, 78      80, 82, 785, 995 
               1ª      2ª       3ª       4ª             5ª            6ª       7ª        8ª        9ª                          1ª      2ª       3ª       4ª                  5ª       6ª               7ª      8ª         9ª        10ª 
                                          Mediana                                                           Mediana 

7
5
7
8
M
d
  A Md é a Média dos dois termos centrais.     = 76,5 

2

    
 
MEDIANA de uma distribuição de frequência e Histograma SEM INTERVALOS DE CLASSE 
 
Desempenho dos alunos na prova
 Nota 
f  f = n = 25 → ímpar    
12
Fa  Observações  11
n
1

2
5 2
1

   
Número de alunos
P

    →     =  13ª  10
2

4,0  4  4  Da 1ª até a 4ª    Fa 13ª


8
5,0  3  7  Da 5ª até a 7ª 
  6
6,0  2  9  Da 8ª até a 9ª  4
Os  dados  já  estão  ordenados.  Então  a  4 3 3
7,0  3  12    Da 10ª até a 12ª   Md é o valor da 13ª posição. Através da  2 2
2
8,0  2  14   Da 13ª até a 14ª  Fa fica fácil identificar a posição central: 
  0
9,0  11  25   Da 15ª até a 25ª             Então, a nota Md = 8,0   4.0 5.0 6.0 7.0 8.0 9.0
f=25  Nota     Md = 8,0
 
MEDIANA de uma distribuição de frequência e Histograma COM INTERVALOS DE CLASSE 
 

Acumule Fa e ache a posição da Md  n 40
Independente se n é ímpar ou par usa‐se a equação  /2.  Então,  /2  = 20 
A  Md está na  20ª posição  e será algum valor da  classe mediana  100   110. A 
i  Velocidades  f  Fa  partir da equação abaixo podemos achar uma aproximação da Md. 
 
1  70   80  4  4 
n  Resolvendo a equação, temos: 
2  80   90   2   ‐  Fa ant  * h
 
4  8   

3     90   100  8  16    Md  l inf        40 


 2   ‐  16 * 10
 

4   100   110  8  24   20ª  f


 
Md  100  
5   110   120  6  30  l inf      =  limite inferior da classe mediana  8
6   120   130  10  40  Faant =  Fa da classe anterior 
h       = amplitude do intervalo de classe 
                                 f=40  f        = freqüência da classe mediana 
Md = 105 Km/h, aproximadamente 
 
 
  Resultados dos registros  O total das frequências é 40.  Então, a Md será 40/2 = 20ª posição.  Observe 
  12 de um radar Fa  pelo  Fa  que  a  classe  mediana  é  100    110.  Também  é  possível 
Quantidade de veículos

10
  10 Fa ant = 16  20ª  determinar l inf, Fa ant, h e f. Então, aplicando a equação, temos: 
  8 8 8  
(4+4+8) 
    f = 8 6  40 
  6  2   ‐  16 * 10
  4
4 4
Md  100   = 105 km/h, aproximadamente 
  2
  ← h → 8
     10 
l inf 
0
70       80          90        100        110       120      130 
 

Velocidade (Km/h) 
- 71 -

NOTA SOBRE A MEDIANA. A mediana é menos utilizada do que a média simples. A mediana pode ser aplicada quando existem valores 


discrepantes em um conjunto de dados. Por exemplo, se a renda per capita de sete famílias fosse: $240; $370; $410; $520; $630; $680 e $820, 
a mediana seria $520 e a média $524. Essas duas medidas poderiam representar este conjunto de dados. Mas se a renda de sete famílias fosse: 
$240; $370; $410; $520; $630; $680 e $10.000, o valor da mediana manter‐se‐ia o mesmo, enquanto a média simples passaria a ser $1.836, 
pois foi influenciada pelo valor discrepante ($10.000), que não é uma medida ideal para representar este conjunto de dados. A medida ideal 
seria a mediana. Note que os valores discrepantes tem, pois, muito menor influência sobre a mediana do que sobre a média.  
 
Em  relação  à  mediana  na  distribuição  de  freqüência  com  intervalos  de  classe,  admite‐se  que  as  velocidades  dos  veículos  se  distribuem 
40
continuamente. Nesse caso, a mediana é a velocidade para o qual a metade da freqüência total  /2 = 20 fica situada abaixo e a outra acima 
dele. Ora, a soma das três primeiras freqüências de classe é 4+4+8 = 16. Então, para obter a 20ª velocidade desejada, são necessários mais 4 
4
dos 8 casos existentes na 4ª classe. Como o quarto intervalo de classe, 100  110, a mediana situa‐se a 4/8 de distância, e é: 100 +  /8 (110 – 
100)  = 105 km/h. Com a equação fica mais fácil encontrar a mediana pois não exige este tipo de raciocínio.  
 
MODA
Medida que representa o valor que mais se REPETE em um conjunto de dados.
Na linguagem coloquial, moda é algo que está em evidência, ou seja, algo que se vê bastante! Em estatística a moda é o valor que detém 
o  maior  número  de  observações,  ou  seja,  o  valor  ou  valores  mais  frequentes  em  uma  série  de  dados.  A  moda  não  é  necessariamente 
única, ao contrário da média simples ou da mediana. É especialmente útil quando os valores ou observações não são numéricos, uma vez 
que a média e a mediana podem não ser bem definidas. 
 

  A série {1, 3, 5, 5, 5, 6, 6, 7} apresenta moda =  5, pois é o número que mais se repete.  
Exemplos:  A série {1, 3, 5, 5, 6, 6, 7, 8} apresenta duas modas (Bimodal): 5 e 6, pois são os que mais se repetem.  
  A série {1, 3, 5, 5, 6, 6, 7, 7} apresenta mais do que duas modas (Polimodal): 5, 6 e 7 
A série {1, 3, 2, 5, 8, 7, 9, 10} não apresenta moda = amodal, pois nenhum número se repete. 
 
MODA de uma distribuição de freqüência e Histograma SEM INTERVALOS DE CLASSE 
 
Notas dos alunos      Desempenho dos alunos na prova
4,0  5,0  8,0  9,0    f 
Nota  12
(nº de alunos)
Número de alunos

4,0  6,0  9,0  9,0  10 Moda


4,0  5  10
4,0  6,0  9,0  9,0  Nota 
4,0  7,0  9,0  9,0  5,0  3  8
9,0 
4,0  7,0  9,0    6,0  2  6 5
5,0  7,0  9,0    7,0  3  4 3 3
5,0  8,0  9,0    8,0  2  2 2
  2
9,0  10 
A Moda será a  nota  9,0,  pois é  0
  f=25 
a  que  mais  se  repete  no  4,0 5,0 6,0 7,0 8,0 9,0
conjunto de dados  Nota
 
MODA de uma distribuição de frequência e Histograma COM INTERVALOS DE CLASSE 
  120+130 = 125Km/h 
a) Moda Bruta          2 
Resultados dos registros 
  A  Moda  Bruta  será  o  ponto    12 de um radar
Quantidade de veículos

f  médio  de  classe  modal,  que  é  a    10


i  Velocidade (Km/h)  10
classe  que  apresenta  a  maior   
70   80 
8 8
1  4    8
frequência. Então: 
2  80   90  4 
 
 
6
6
 
3   90   100  8  Mo = 120 + 130   =   125Km/h    4
4 4

4      100   110  8                       2   
2
5      110   120  6   
  0
6      120   130  10 
 
Classe modal (tem maior frequência) 70        80          90        100        110       120      130
                                        f=40     

    Velocidade (Km/h) 
   
 

NOTAS SOBRE A MODA. Na distribuição de freqüência em classes, o método utilizado para encontrar a moda por meio do ponto médio 


de classe é chamado de moda bruta, e é apenas uma aproximação pois não foi baseada na lista original de dados. Existem outros métodos para 
encontrar  a  Moda  de  uma  distribuição  de  freqüência  com  intervalo  de  classe:  Método  de  Czuber,  Método  de  King  e  Método  de  Pearson, 
normalmente exigidos em concursos públicos. 
 
- 72 -

b) Moda de czuber 
 
  limite inferior da classe modal f* = frequência da classe modal
D1 f(ant) = frequência da classe anterior à classe modal
Mo Czuber    *h D1 = f* – f(ant)
D1  D 2 D2 = f* – f(post) f(post) = frequência da classe posterior à classe modal
h = amplitude da classe modal
 
Exemplo de cálculo da Moda de Czuber (pela Distribuição de Freqüência e pelo Histograma) 

Registro das velocidades de    


  veículos em uma rodovia     Resultados dos registros 
    12 de um radar
f*
i  Velocidade (Km/h)  f 

Quantidade de veículos
10
   
1  70   80  4  10
    8 8 f(ant) f(post)
2  80   90  4      8
3   90   100  8      6
6

4      100   110  8      4 4
    4
5      110   120  6 
    2
h*
6      120   130  10   
Classe modal  
 
(tem maior frequência) 
                                    f=40      0
    Classe
70        80          90        100        110       120       130  modal
   

  Velocidade (Km/h) 
                        
  (10 - 6)
 
D1 4
Mo  l  * h          →           Mo  120    * 10               Mo  122,85  
D1  D 2 4  10

(10 - 6) (10 - 0)
 
Nota: Como não existe frequência simples da classe posterior à classe modal, então f‐ f(post) = 10 ‐ 0. 

- FUNDAMENTOS DA EQUAÇÃO DE CZUBER –


Pode‐se  determinar  graficamente  a  posição  da  Moda  no  histograma  representativo  de  uma  distribuição  de  frequências.  O 
método descrito abaixo é o equivalente geométrico da equação de Czuber. 

1º ‐ A partir dos vértices superiores do retângulo correspondente à classe modal (A e B), traçamos os seguimentos concorrentes 
AC  e  BD,  ligando  cada  um  deles  ao  vértice  superior  adjacente  do  retângulo  correspondente  a  uma  classe  vizinha,  conforme 
ilustrado na figura acima. 
2º ‐ A partir da interseção dos segmentos AC e BD, baixamos uma perpendicular ao eixo horizontal, determinando o ponto que 
indica a Moda, que é 122,85. 
- 73 -

RELAÇÃO ENTRE MÉDIA, MEDIANA E MODA.


 
Pelo formato da distribuição dos dados, sempre existirá uma relação empírica (baseado na experiência) entre a 
média,  mediana  e  a  moda.  Através  dessa  relação  podemos  saber,  aproximadamente,  onde  se  encontram  essas 
medidas, sem necessidade de cálculos. 
 
Quando a Média, Mediana e Moda se coincidem, chamamos a distribuição dos dados de Simétrica ou Normal. 
 
Média = mediana = moda  SIMÉTRICA ou NORMAL ou FORMA DE SINO 
 
Quando  a  distribuição  tem  a  forma  de  sino  (linha  tracejada),  a 
  quantidade  de  dados  vai  aumentando,  atinge  um  pico,  e  depois 
Resultados dos registros 
  10 Média diminui.  Se  dividíssemos  em  duas  metades,  a  partir  do  centro, 
de um radar
  Mediana  note que os dois lados seriam iguais. O calculo abaixo confirma a 
Quantidade de veículos

  8 7 Moda  afirmativa  que  numa  distribuição  normal  a  média,  mediana  e 


  moda se coincidem.  
6
   
4 4
  4 3 3 Média = 70(3) + 80(4) + 90(7) + 100(4) + 110(3) = 90 Km/h 
  3+4+7+4+3 
2  
 
  0 Mediana = 90 Km/h 
          70            80           90            100          110           90=90=90 
 

  Velocidade (Km/h)   
Moda = 90 Km/h 
 
Quando a Média, Mediana e Moda não se coincidem, chamamos a distribuição dos dados de assimétrica. 
 
Média < mediana < moda  Assimétrica à esquerda (ou negativa) 
  Resultados dos registros  Neste  tipo  de  distribuição,  a  média,  mediana  e  a  moda  estarão 
  12 aproximadamente conforme gráfico ao lado. A média será menor 
de um radar Mediana
Quantidade de veículos

  que a mediana e a moda.  O cálculo abaixo confirma a afirmativa: 
10 9 Moda 
  Média   
  8 Média = 70(1) + 80(3) + 90(6) + 100(9) + 110(2) = 94 Km/h 
6
  6 1+3+6+9+2 
   
4 3
  Mediana = 100 Km/h 
2
  2 1     Me   Md    Mo 
  0
  94 < 100 ≤ 100 
          70           80              90           100        110         Moda = 100 Km/h   

  Velocidade (Km/h) 

 
 
Média >  mediana > moda  Assimétrica à direita (ou positiva) 
  Neste  tipo  de  distribuição,  a  média,  mediana  e  a  moda  estarão 
  Resultados dos registros  aproximadamente conforme gráfico ao lado. A média será maior 
  12 que a mediana e a moda.  O cálculo abaixo confirma a afirmativa: 
de um radar
 
Quantidade de veículos

  10 Mediana  9 Média 
  Média = 70(2) + 80(9) + 90(6) + 100(3) + 110(1) = 86Km/h 
Moda 
  8 2+9+6+3+1 
6
  6  
  Mediana = 80 Km/h 
4 3
    Me    Mo    Md    
2
  2 1   86  > 80   ≥ 80 
  0
Moda = 80 Km/h 
          70           80              90           100        110          

  Velocidade (Km/h) 
- 74 -

MEDIDAS DE ORDENAMENTO (OU SEPARATRIZES).


São medidas que "separam" o conjunto de dados em um certo número de partes iguais.

As medidas usadas são a Mediana, o Quartil, Decil e o Percentil. A mediana já conhecemos. Estudaremos as outras medidas. 
QUARTIL (4 PARTES)   0%                                      25%                                    50%                                      75%                              100%      
Divide  um  conjunto  de  dados  em  quatro  |----------|---------|----------|---------|
partes  iguais. Precisamos,  portanto,  de  3                                               Q1                                        Q2                                           Q3 
 

2º quartil  3º quartil 
quartis  (Q1  ,  Q2  e  Q3  )  para  dividir  a  série    1º quartil 
 Coincide com a   deixa 75% dos dados 
 deixa 25% dos dados   
em quatro partes iguais.  abaixo dele. mediana. abaixo dele.
 
 
O  método  mais  prático  é  utilizar  o  princípio  do  cálculo  da  mediana  para  os  3  quartis.  Na  realidade  serão  calculadas  "3 
medianas" em uma mesma série.  
 
 Determine Q1, Q2 e Q3. dos salários de 9 empregados da uma empresa, abaixo 
     1º               2º     Q1      3º                4º                         5º                             6º              7º      Q3         8º              9º 
$500     $550   |   $600      $650             $700                $750      $800   |    $850      $900       
                          $575                                             Q2                                                                              $825 
Q1 será a média da 2ª e 3ª posição                 Md                          Q3 será a média da 7ª e 8ª posição 
 
QUARTIL de uma distribuição de freqüência SEM INTERVALOS DE CLASSE 
n
1

4
5 4
1
 

i  Velocidades  f  Fa    1º quartil Q1 =       =  4   = 11,5 ≈ 12ª posição = 95Km/h 


1  85  4  4   
2  90  4  8    Interpretação: 25% dos veículos tiveram velocidades abaixo de 95 Km/h 
← 1º quartil   
3  95  8  16  3
4 4
5
1
 
3
n 4
1

)   =( )  = 34,5 ≈ 35ª posição =110Km/h 
4  100  8  24   
3º quartil Q3 =  (
5  105  6  30   
6  110  15  45  ← 3º quartil 
Interpretação: 75% dos veículos tiveram velocidades abaixo de 110 Km/h 
                           f=45 
 
 
QUARTIL de uma distribuição de freqüência COM INTERVALOS DE CLASSE 
 

Usa‐se  a  mesma  técnica  do  cálculo  da    i  Velocidades  f  Fa   


mediana,  bastando  adaptar  a  sua  equação,   
1  70   80  4  4   
conforme mostrado abaixo.    
2  80   90  4  8   
    
1º quartil                   3º quartil    3     90   100  8  16  ← 1º quartil 
n 2

n 4

n 2

3 4
n

  4   100   110  8  24   
 por                   por   
  5   110   120  6  30  ← 3º quartil 
  6   120   130  10  40   
Acumule Fa e ache as posições Q1 e Q3.                               f=40 
 
1º quartil Q1  3º quartil Q3 
   

Independente  se  n  é  ímpar  ou  par  usa‐se  somente  a  Independente  se  n  é  ímpar  ou  par  usa‐se  somente  a 
n 40 3n 3*40
equação  /4.  Então,    /4   =  10.   O Q1  está na  10ª posição  equação    /4.    Então,  /4    =  30.      O  Q3  está  na  30ª 
e será algum valor da classe Q1  90  100. Logo:  posição e será algum valor da classe Q3  110  120. Logo: 
   

n  Resolvendo a equação:   3n  Resolvendo a equação: 
 4   ‐  Fa ant * h  4   ‐  Fa ant * h
     
Q1  l inf    40  Q3  l inf   3*40 
f  4   ‐  8 *10 f
 4   ‐  24 *10
   
l inf =  limite inferior da classe Q1  Q1  90   l inf =  limite inferior  classe Q3 
Q3  110  
Faant =  Fa da classe anterior  8 Faant =  Fa da classe anterior  6
H  = amplitude intervalo classe  h = amplitude intervalo classe 
Q1 = 92,5 Km/h  Q3 = 120 Km/h 
f  = freqüência da classe Q1 f  = freqüência da classe Q3
   
 

Interpretação: aproximadamente 25% dos veículos registrados  Interpretação: aproximadamente 75% dos veículos registrados 
tiveram velocidades abaixo de 92,5 Km/h  tiveram velocidades abaixo de 120 Km/h 
- 75 -

DECIL (10 PARTES)   0%           10%         20%        30%        40%         50%         60%        70%         80%        90%        100%      


Divide um conjunto de dados em dez partes  |---|---|---|---|---|---|---|---|---|---|
iguais, como mostrado ao lado.                    D1             D2            D3              D4             D5             D6             D7              D8             D9 
Coincide com a mediana.
    
   
DECIL de uma distribuição de freqüência  i  Velocidades  f  Fa   
 

Usa‐se  a  mesma  técnica  do  cálculo  da  mediana,  1  70   80  4  4   


bastando adaptar a sua equação, conforme abaixo:  2  80   90  4  8   
   3     90   100  8  16  ←     Classe D3 
n 2

D 1
n 0

 por   
D = decil procurado  4   100   110  8  24   
n = quantidade de dados 
  5   110   120  6  30   
 
6   120   130  10  40  ←     Classe D8 
Acumule Fa e ache as posições. 
                             f=40 
 
Ache o 3º Decil (D3) da distribuição de frequência  Ache o 8º Decil (D8) da distribuição de frequência 
   
Dn 3*40 Dn 8*40
Usando  /10  temos  /10  =  12.    O  D3  está  na  12ª  Usando a equação  /10 temos   /10 = 32.  O D8 está na 
posição e será algum valor da classe D3  90  100:  32ª posição e será algum valor da classe D8  120  130: 
   

 Dn  Resolvendo a equação:   Dn  Resolvendo a equação: 
 10   ‐  Fa ant * h  10   ‐  Fa ant * h  
   
D3  l inf   3* 40  D8  l inf   8*40 
f  10   ‐  8 *10 f  10   ‐  30 *10
 
l inf =  limite inferior da classe D4 
D3  90     
l inf =  limite inferior da classe D8  D8  120  
 
8 10
Faant =  Fa da classe anterior  Faant =  Fa da classe anterior 
h  = amplitude intervalo classe  D3 = 95 Km/h  h  = amplitude intervalo classe  D8 = 122 Km/h 
f  = freqüência da classe D4 f  = freqüência da classe D8
   
Interpretação: aproximadamente 30% dos veículos registrados  Interpretação: aproximadamente 80% dos veículos registrados 
tiveram velocidades abaixo de 95 Km/h  tiveram velocidades abaixo de 122 Km/h. 
 
PERCENTIL (100 PARTES)   0%  5%   10% ...  17%  ... 33%  ...  42%          50%    57%    63%     70%       80%        93%       100%    
Divide  um  conjunto  de  dados  em  cem  |-|-|---|---|---|---|--|--|--|---|---|---|
partes iguais, como mostrado ao lado.          P5     P1 0          P17            P33           P42           P50        P57        P63       P70            P80                P93 
   
PERCENTIL de uma distribuição de freqüência  i  Velocidades  f  Fa   
 

Usa‐se  a  mesma  técnica  do  cálculo  da  mediana,  1  70   80  4  4   


bastando adaptar a sua equação, conforme abaixo.   2  80   90  4  8   
n 2

P 1
n 0

   3     90   100  8  16  ←   Classe P27 


 por    P = percentil procurado 
0

n = quantidade de dados  4   100   110  8  24   


5   110   120  6  30  ←   Classe P72 
 
Acumule Fa e ache as posições.  6   120   130  10  40   
                             f=40 
 
Ache o 27º Percentil (P27) da distribuição de frequência  Ache o 72º Percentil (P72) da distribuição de frequência 
   
Pn 27*40 Pn 72*40
Usando  /100  temos   /100 = 10,8 ≈ 11.  O P27 está na  Usando  /100 temos   /100 = 28,8 ≈ 29.  O P72 está na 
11ª posição e será algum valor da classe P27  90  100:  29ª posição e será algum valor da classe P29  110  120: 
   

 Pn  Resolvendo a equação:   Pn  Resolvendo a equação: 
 100  ‐  Fa ant * h  100  ‐  Fa ant * h  
P27  l inf      
27* 40  P72  l inf   72* 40 
f  100   ‐  8 * 10 f  100   ‐  24 *10
P27  90    
D8  110    
   
l inf =  limite inferior classe P27  8 l inf =  limite inferior classe P72  6
Faant =  Fa da classe anterior  Faant =  Fa da classe anterior   
h  = amplitude intervalo classe  P27 = 93,5 Km/h  h  = amplitude intervalo classe  P72 = 118 Km/h 
f  = freqüência da classe P27 f  = freqüência da classe P72
   
Interpretação: aproximadamente 27% dos veículos registrados  Interpretação: aproximadamente 72% dos veículos registrados 
tiveram velocidades abaixo de 93,5 Km/h.  tiveram velocidades abaixo de 118 Km/h. 
- 76 -

VOCABULÁRIO BÁSICO DE ESTATÍSTICA 


 
O  vocabulário  utilizado  em  estudos  estatísticos  teve  sua  origem  nos  primeiros  estudos  feitos  pela  humanidade  e  que  eram 
relativos  à  demografia  (estudo  estatístico  das  populações).  Por  isso  a  Estatística  emprega  termos  próprios  dessa  área  de 
conhecimento, mas com um sentido diferenciado. Assim, para dar prosseguimento, é de extrema importância destacar alguns 
termos utilizados no jargão estatístico. 
 

VARIÁVEL – É o termo usado para aquilo que você está pesquisando, estudando, analisando. 

 No  estudo  representado  no  gráfico  abaixo  a  variável  é  o  acidente  do  trabalho.  Utilizada  como  um  adjetivo  do 
vocabulário do dia‐a‐dia, variável sugere que alguma coisa se modifica ou varia.  
 
2.000.000 1.796.671
1.743.825 Involução da QUANTIDADE de ACIDENTES
1.750.000 1.551.461
DO TRABALHO no Brasil - 1970 a 2005.
1.504.723 1.464.211
1.500.000
1.220.111 1.178.472 1.207.859

1.250.000
VARIÁVEL
961.575 991.581

1.000.000
693.572
750.000 532.514
465.700 491.711
388.304 395.455414.341 363.868 393.071 399.077
500.000 340.251

250.000

0
1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2001 2002 2003 2004 2005

FONTE: Revista Proteção Anos

São exemplos de Variáveis


Doenças, Sexo, Estaturas, Peso, Idade, Renda, Natalidade, Mortalidade, PIB, Inflação, Exportações brasileiras,
Produção de café, Alimentação, Peças produzidas por hora, Paradas de produção no mês, Rotatividade de
estoque por ano, Poluição, Clima na região sudeste, Consumo de energia no mês, Vendas mensais de uma
empresa, Produção diária de automóveis etc.
 
 
EXEMPLO DE APLICAÇÃO:
A associação dos moradores de um bairro queria traçar um perfil dos frequentadores de um parque ali situado. 
Uma equipe de pesquisa elaborou questões a fim de reunir as informações procuradas. Numa manhã de quarta‐
feira,  6  pessoas  foram  entrevistadas  e  cada  uma  respondeu  a  questões  para  identificar  idade,  número  de  vezes 
que freqüenta o parque por semana, estado civil, meio de transporte utilizado para chegar ao parque, tempo de 
permanência no parque e renda familiar mensal. Os resultados são mostrados na tabela a seguir: 
  Variáveis
 

 
 
Cada um dos aspectos investigados — os quais permitirão fazer a análise desejada — é denominado variável. 
 
 
- 77 -

TIPOS DE VARIÁVEIS
 
Há,  pois,  uma  divisão  principal  para  as  variáveis  estatísticas,  que  consiste  em  considerá‐las  como  Variáveis  Quantitativas 
(discretas ou contínuas) e Variáveis Qualitativas (nominal ou ordinal). Esta divisão é de facílima compreensão! 

Inteiros Quando  as  variáveis  forem  em  números 


inteiros, obtido por contagem:  
DISCRETA 0      1       2       3       4       55     77   987   etc. 
Números  
Ex.: Idade (anos), gols de futebol, etc
QUANTITATIVA
Não inteiros
Quando  as  variáveis  forem  em  números 
CONTÍNUA não inteiros, assumem qualquer valor:  
0,2        1,12         3,77         4,768       etc. 
 
Ex.: Altura (cm), peso (kg), tempo (hh:mm)
VARIÁVEL
Quando é possível ordenas as categorias. 
Ordenável
Pesquisa de alimentação: 
ORDINAL      [1] Ótimo     [2] Bom    [3] Regular    [4] ruim 
Grau de instrução de funcionários de uma empresa 
Nomes        1º grau     2º grau     Superior    Mestrado     Doutorado 
QUALITATIVA

Quando não é possível ordenar as categorias. 
Não é ordenável
Ex.:  sexo  (masculino  ou  feminino),  Cor  dos  olhos  (preto  ou  verde), 
NOMINAL campo de estudo (Engenharia, Direito etc) 
Não  é  possível  estabelecer  uma  ordem,  uma  gradação,  o  mais  ou 
menos importante, prioritário etc. 
Então, os tipos de Variáveis da pesquisa do parque serão:
Qualitativa nominal

Quantitativa discreta Quantitativa contínua 
 
PARA LEITURA
Se a dúvida persiste, você pode observar no quadro abaixo mais esclarecimentos sobre esses conceitos. 
Tipo de VARIÁVEL Resposta fornecida à pesquisa
Será Quantitativa a variável para a qual se possa atribuir um valor numérico. Se a resposta fornecida à pesquisa estiver expressa 
por um número, então a variável é quantitativa. Por exemplo: quantos livros você lê por ano? A resposta é um número? Então, 
Quantitativa
variável quantitativa. Quantas pessoas moram em sua casa? A resposta é um número? Então, novamente, variável quantitativa.  
(Em números)
No caso do estudo “ACIDENTE DO TRABALHO, é uma variável quantitativa, pois estudamos a quantidade de acidentes no período 
de 1970 a 2005
Variável  Quantitativa  Discreta  é  a  variável  quantitativa  que  assume  somente  números  inteiros.  Resulta,  geralmente,  de 
contagem.  Esta  variável  não  pode  assumir  qualquer  valor,  dentro  de  um  intervalo  de  valores  de  resultados  possíveis.  Por 
 Discreta exemplo, se eu pergunto quantos irmãos você tem, a resposta jamais poderia ser “tenho 3,75 irmãos”, ou “tenho 4,8 irmãos”, ou 
(números inteiros) seja, a resposta não poderia assumir todos os valores de um intervalo! Este acima é o conceito formal de variável discreta! O 
(contagem) conceito  para  memorizar  é  o  seguinte:  aquela  variável  obtida  por  meio  de  uma  contagem.  Em  outras  palavras:  a  variável 
discreta você conta!. Exemplos: quantas pessoas moram na sua casa? Quantos livros você tem? Quantos carros você tem? Se, 
para responder à pergunta, você faz uma contagem, então está diante de uma variável quantitativa discreta. 
Variável Quantitativa Contínua é aquela que pode assumir qualquer valor dentro de um intervalo de resultados possíveis. Se eu 
 Contínua pergunto quantos quilos você pesa, a resposta pode ser 65,35kg. Se eu pergunto qual a temperatura na cidade hoje, a resposta 
(Números não inteiros) pode  ser  27,35°C.  Para  facilitar  a  memorização,  basta  lembrar  que  a  variável  quantitativa  contínua  pode  ser  obtida  por  uma 
(medição) medição,  ou  seja,  a  variável  contínua  você  mede!  Exemplos:  peso,  altura,  duração  de  tempo  para  resolução  de  uma  prova, 
pressão, temperatura etc. 
Qualitativa Se  a  pergunta  é  “qual  a  sua  cor  preferida?”,  logicamente  a  resposta  não  será  um  número,  daí  estaremos  tratando  de  uma 
(nomes, atributos) variável qualitativa, ou seja, aquela para a qual não se atribui um valor numérico. Exemplos: Sexo: masculino ou feminino 
- 78 -

POPULAÇÃO E AMOSTRA 
 
Quando você quer saber se a sopa ficou boa, o que você faz? Mexe a panela, retira um pouco com 
uma colher e prova. Depois tira uma conclusão sobre todo o conteúdo da panela sem, na verdade, 
ter provado tudo. Portanto, é possível ter uma idéia de como a sopa está sem ter que comer tudo. 
Isso é o que se faz em estatística. 
 
A estatística deixou de ser a simples catalogação de dados numéricos e se tornou o estudo de como 
chegar  a  conclusões  sobre  o  todo  (população),  partindo  da  observação  e  análise  de  partes  desse 
todo (amostra). Essa é sua maior riqueza. Assim, podemos conceituar população e amostra como: 
 
POPULAÇÃO É UM CONJUNTO DE TODOS OS ELEMENTOS EM ESTUDO. 
AMOSTRA É UMA PARTE DA POPULAÇÃO (ou subconjunto). 
 
 
  AMOSTRA
(uma parte da população)
 
Podemos visualizar o conceito 
de  população 
  e  amostra  na  “n”
figura ao lado.   
POPULAÇÃO
   
Quando  pesquisamos  toda  a 
 
população, damos o nome de  (todos os elementos em estudo)
censo.   
  “N”
 
A  precisão  depende  do 
tamanho    da  amostra,  e 
quanto  maior 
  é  o  tamanho 
amostral,    maior  será  a 
precisão das informações. 
 
N é designado para População
 
n é designado para Amostra
 
 
 Muitas vezes quando queremos fazer um estudo estatístico, não é possível analisar toda a população 
envolvida com o fato que pretendemos investigar, como exemplo o sangue de uma pessoa ou a poluição 
de um rio. É impossível o teste do todo. Há situações também em que é inviável o estudo da população, 
por  exemplo,  a  pesquisa  com  todos  os  torcedores  em  um  estádio  de  futebol  durante  uma  partida. 
Nesses  casos,  o  estatístico  recorre  a  uma  amostra  que,  basicamente,  constitui  uma  redução  da 
população a dimensões menores, sem perda das características essenciais. 
 
 Os resultados fundamentados em uma amostra não serão exatamente os mesmos que você encontraria 
se  estudasse  toda  a  população,  pois,  quando  você  retira  uma  amostra,  você  não  obtém  informações  a 
respeito  de  todos  em  uma  dada  população.  Portanto,  é  importante  entender  que  os  resultados  da 
amostra fornecem somente estimativas dos valores das características populacionais. Com métodos de 
amostragens  apropriados,  os  resultados  da  amostra  produzirão  “boas”  estimativas  da  população,  ou 
seja, um estudo bem feito não elimina o erro, mas limita‐o a uma margem, procurando torná‐la o menor 
possível. Quando aprendemos estatística inferencial, também aprendemos técnicas para controlar esses 
erros de amostragem. 
 
4 razões para selecionar uma amostra

O número de elementos em uma população é muito grande; 
Demanda menos tempo do que selecionar todos os itens de uma população; 
É menos dispendioso (caro) do que selecionar todos os itens de uma população; 
Uma análise amostral é menos cansativa e mais prática do que uma análise da população inteira.  
- 79 -

São exemplos de População e Amostra:


MEDICINA.  Pretende‐se  estudar  o  efeito  de  um  novo  medicamento  para  curar  determinada  doença.  É 
selecionado um grupo de 50 doentes, administrando‐se o novo medicamento a 10 desses doentes escolhidos ao 
acaso e o medicamento habitual aos restantes.  
População: Todos os 50 doentes com a doença que o medicamento a estudar pretende tratar. 
Amostra: Os 10 doentes selecionados. 
CONTROLE DE QUALIDADE. O Gerente de Produção de uma fábrica de parafusos pretende assegurar‐se de que 
a  porcentagem  de  peças  defeituosas  não  excede  um  determinado  valor,  a  partir  do  qual  determinada 
encomenda poderia ser rejeitada.  
População: Todos os parafusos fabricados ou a fabricar, utilizando o mesmo processo. 
Amostra: Parafusos escolhidos ao acaso entre os lotes produzidos. 
ESTUDOS DE MERCADO. O gerente de uma fábrica de produtos desportivos pretende lançar uma nova linha de 
esquis, pelo que encarrega uma empresa especialista em estudos de mercado de “estimar“ a porcentagem de 
potenciais compradores desse produto. 
População: conjunto de todos os praticantes de desportos de neve. 
Amostra: conjunto de alguns praticantes inquiridos pela empresa. 
SISTEMAS DE PRODUÇÃO. Um fabricante de pneus desenvolveu um novo tipo de pneu e quer saber o aumento 
da  durabilidade  em  termos  de  kilometragem  em  relação  à  atual  linha  da  empresa.  Produz  diariamente  1000 
pneus e selecionou 120 para testes. 
População: 1000 pneus. 
Amostra: 120 pneus. 
 
OUTROS EXEMPLOS DE AMOSTRAS:

 
 
 
 
 
- 80 -

ESTATÍSTICA DESCRITIVA E ESTATÍSTICA INFERENCIAL 


 
Estatística descritiva – É o ramo da estatística 
AMOSTRA
(uma parte da população) que  envolve  a  organização,  o  resumo  e  a 
representação  dos  dados  para  tomada  de 
decisão. 
POPULAÇÃO
(todos os elementos em estudo)
 
Estatística Inferencial – É o ramo da estatística 
que  envolve  o  uso  da  amostra  para  chegar  a 
conclusões  sobre  a  população.  Uma 
ferramenta  básica  no  estudo  da  estatística 
inferencial é a probabilidade. 

Algumas ferramentas aplicadas à


Estatística Inferencial: 
 
Probabilidades
Uma Probabilidade é uma medida numérica que representa a chance de um evento ocorrer. Ex.: 
Ao lançar um dado, qual a probabilidade de obter o valor 4? R = 1/6 = 16% 
 
Estimação, margem de erro e intervalo de confiança
Suponha que o tempo médio que você leva para chegar ao trabalho de carro é de 35’, com uma margem de erro 
de 5’ para mais ou para menos. A estimativa é de que o tempo médio gasto até 
chegar  ao  trabalho  fica  em  algum  ponto  entre  30’  e  40’.  Esta  estimativa  é  um 
intervalo de confiança, pois leva em consideração o fato de que os resultados da 
amostra irão variar e dá uma indicação de uma variação esperada. 

A  margem  de  erro  é  uma  medida 


de  quão  próximo  você  espera  que 
seus resultados representem toda a 
população  que  está  sendo 
estudada.  Vários  fatores 
influenciam  a  amplitude  de  um 
intervalo de confiança, tais como o 
tamanho amostral, a variabilidade da população e o quanto você espera obter de precisão. A maioria dos pesquisadores contenta‐se com 95% 
de  confiança  em  seus  resultados.  Estar  95%  confiante  indica  que  se  você  coletar  muitas,  mas  muitas  amostras  e  calcular  o  intervalo  de 
confiança para todas, 95% dessas amostras terão intervalos de confiança que abrangerão o alvo. 
 
Teste de hipótese
Teste de hipótese é um procedimento estatístico em que os dados são coletados e medidos para comprovar uma 
alegação feita sobre uma população. Por exemplo, se uma pizzaria alega entregar as pizzas dentro de 30’ a partir 
do  pedido,  você  pode  testar  se  essa  alegação  é  verdadeira,  coletando  uma  amostra  aleatória  do  tempo  de 
entrega durante um  determinado período de tempo e observar o tempo médio de entrega para essa amostra. 
 
 
 

 
 
 
 
- 81 -

REFERÊNCIAS BIBLIOGRÁFICAS
 
ANDERSON, David R.; SWEENEY, Dennis J.; WILLIANS, Thomas A. Estatística aplicada à administração e economia. 2
ed. São Paulo: Cengage Learning, 2009. 597 p.

BRUNI, Adriano Leal. Estatística para concursos. São Paulo: Atlas, 2008. 197p.

COSTA, Sérgio Francisco. Introdução ilustrada à estatística. 4 ed. São Paulo: Harbra, 2005. 399 p.

CRESPO, Antônio Arnot. Estatística fácil. 17 ed. São Paulo: Saraiva, 1999. 224 p.

FARIAS, Alfredo Alves et al. Introdução à estatística. 2 ed. Rio de Janeiro: LTC, 2003, 320 p.

GIOVANNI José Ruy; BONJORNO, José Roberto; GIOVANNI JR., José Rui. Matemática fundamental: uma nova
abordagem – volume único. São Paulo: FTD, 2002. 712 p.

HAZZAN, Samuel. Fundamentos da matemática elementar: Matemática financeira, comercial e estatística descritiva.
Volume 11. 1 ed. São Paulo: Atual editora, 2004. 230p.

HELP! Sistema de consulta interativa. Matemática. Rio de Janeiro: O globo, 1997. 319 p.

Instituto Brasileiro de Geografia e Estatística – IBGE. A instituição. Disponível em


<http://www.ibge.gov.br/home/disseminacao/eventos/missao/default.shtm>. Acesso em 06 abr 2010.

LAPPONI, Juan Carlos. Estatística usando o Excel. 4 ed. Rio de Janeiro: Elsevier, 2005. 476 p.

LARSON, Ron; FARBER, Betsy. Estatística aplicada. 4 ed. São Paulo: Pearson, 2010. 637 p.

LEVINE, David M. et al. Estatística: teoria e aplicações. 5 ed. Rio de Janeiro: LTC, 2008. 752 p.

LOPES, Paulo Afonso. Probabilidade e estatística: conceitos, modelos e aplicações em Excel. Ernesto Reichmann, 1999.
174 p.

MANDIN, Daniel. Estatística descomplicada. 9 ed. Brasília: Vestcon, 2002. 227 p.

MONTGOMERY, Douglas C.; RUNGER, George C. Estatística aplicada e probabilidade para engenheiros. 2 ed. Rio de
Janeiro: LTC, 2003. 465 p.

OLIVEIRA, Uanderson Rebula de. Ergonomia, higiene e segurança do trabalho. Resende-RJ: Apostila. Universidade
Estácio de Sá, 2009. 199 p.

Resumão – estatística. 2 ed. São Paulo: Barros, fischer & Associados, novembro 2006. 6 p.

RUMSEY, Deborah. Estatística para leigos. Rio de Janeiro: Alta books, 2009. 350 p.

SILVA, Ermes Medeiros et al. Estatística: para os cursos de Economia, Administração e Ciências Contábeis - volume 1. 2
ed. São Paulo: Atlas, 1996. 189 p.

SMOLE, Kátia Stocco; DINIZ, Maria Ignez. Matemática–ensino médio. 5 ed. São Paulo: Saraiva, 2005. 558p.

SPIEGEL, Murray R. Estatística: resumo da teoria, 875 problemas resolvidos, 619 problemas propostos. São Paulo:
McGraw-Hill do Brasil, 1977. 580 p.

TRIOLA, Mario F. Introdução à estatística. 10 ed. Rio de Janeiro: LTC, 2008. 696 p.

URBANO, João. Estatística: uma nova abordagem. Rio de Janeiro: Ciência moderna, 2010. 530p.

VASCONCELLOS, Maria José Couto; SCORDAMAGLIO, Maria Terezinha; CÂNDIDO, Suzana Laino. Coleção
Matemática. 1ª e 3ª série do ensino médio. São Paulo: Editora do Brasil, 2004. 232 p.

WERKEMA, Maria Cristina Catarino. As ferramentas da qualidade no gerenciamento dos processos. Belo Horizonte:
EDG, 1995. 128 p.
- 82 -

LIVROS RECOMENDADOS

Um livro introdutório de estatística que inclui um estilo de escrita Este livro diferencia-se dos tradicionais livros,
amigável, conteúdo que reflete as características importantes de um materiais de referência e manuais de estatísticas,
curso introdutório moderno de estatística, o uso da tecnologia pois possui: Explicações intuitivas e práticas sobre
computacional mais recente, de conjuntos de dados interessantes e conceitos estatísticos, ideias, técnicas, fórmulas e
reais, e abundância de componentes pedagógicos. O CD-ROM inclui cálculos. Passo a passo conciso e claro de
os conjuntos de dados do Apêndice B do livro. Esses conjuntos de procedimentos que intuitivamente explicam
dados encontram-se armazenados em formato texto, planilhas do como lidar com problemas estatísticos. Exemplos
Minitab, planilhas do Excel e uma aplicação para a calculadora TI-83. interessantes do mundo real relacionados ao
Inclui também programas para a calculadora gráfica TI-83 Plus®, o cotidiano pessoal e profissional. Respostas
Programa Estatístico STATDISK (Versão 9.1) e um suplemento do honestas e sinceras para perguntas como “O que
Excel, desenvolvido para aumentar os recursos dos programas isso realmente significa?” e “Quando e como eu
estatísticos do Excel. vou usar isso?”
Neste livro você encontrará:
Explicações em português de fácil entendimento.
Informações fáceis de localizar e passo-a-passo.
Ícones e outros recursos de identificação e
memorização. Folha de cola para destacar com
informações práticas. Listas dos 10 melhores
relacionados ao assunto. Um toque de humor e
diversão.
Onde comprar: www.submarino.com.br
- 83 -

SOFTWARE BIOESTAT

Texto extraído da tese de doutorado em Engenharia de Ualison Rebula de Oliveira 
 
 
Existem  inúmeros  recursos  tecnológicos  para  a  análise  estatística  de  dados,  que  vão  desde 
calculadoras,  a  exemplo  da  TI  –  83  PLUS,  a  aplicativos  específicos,  tais  como  o  STATDISK  e  o 
MINITAB  (TRIOLA,  2005).  Assim,  buscando‐se  recursos  computacionais  que  facilitassem  o 
tratamento de  dados,  vários  aplicativos  e  softwares  estatísticos  foram  pesquisados,  dos  quais  se 
destacam  a  planilha  Excel,  o  STATDISK,  o  MINITAB,  o  BioEstat,  o  SPSS  e  algumas  páginas  na 
Internet  que  oferecem  programas  em  Javascript  para  cálculos  on‐line,  a  exemplo  da  página  na 
Internet www.stat.ucla.edu. 
 
Após  análise  de  pós  e  contras  de  cada  aplicativo  pesquisado,  selecionou‐se  o  pacote  estatístico 
BioEstat,  disponível  para  download  no  site  www.mamiraua.org.br,  por  possuir  as  seguintes 
características positivas: i) serventia tanto para a Estatística descritiva como para testes estatísticos 
não‐paramétricos; ii) ser em português; iii) possuir manual em PDF com diversos exemplos; iv) ser 
de  fácil  utilização;  v)  ser  gratuito;  vi)  ser  referenciado  em  vários  livros,  sites  e  entidades  de 
pesquisa – conforme Siegel & Castellan Junior (2006), o BioEstat é o melhor programa disponível 
na atualidade para o cálculo do qui‐quadrado; vii) possuir apoio do CNPQ; e viii) estar na versão 5.0 
e possuir mais de 20 anos de criação. 
 
 
 
INTERFACE BIOESTAT    
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Baixar software: 
www.mamiraua.org.br 
- 84 -

ESTATÍSTICA NO EXCEL
O Excel  dispõe  da  função “Estatística”.  Assim,  tudo  que  vimos  poderá  ser  desenvolvido  pelo 
excel, bastando inserir os valores da variável de interesse.

Para  saber  mais,  basta  adquirir  o  livro  “Estatística  usando  o  excel”,  de  Juan  Carlos 
Lapponi. WWW.SUBMARINO.COM.BR 
 
4ª Edição,  Edição 2005, 496 págs.  Editora Elsevier Campus  ‐ Acompanha CD‐ROM com Planilhas, Modelos, 
Simuladores etc. para Excel. 
 
O conteúdo deste livro é útil para: Estudantes que cursam Estatística nas diversas áreas do conhecimento e 
em  diferentes  níveis  de  graduação  como,  em  ordem  alfabética,  Administração,  Biologia,  Contabilidade, 
Economia,  Engenharia,  Finanças,  Marketing,  Medicina,  etc.  Estudantes  que  necessitam  aprimorar  ou 
complementar  seus  conhecimentos  de  Estatística  utilizando  o  Excel.  Profissionais  das  diversas  áreas  que 
utilizam  os  conceitos  de  Estatística  e  necessitam,  ou  gostariam,  de  utilizar  as  funções  estatísticas,  as 
ferramentas de análise, planilhas, modelos e simuladores de estatística em Excel. Todos aqueles que poderão 
utilizar  as  planilhas,  modelos  e  simuladores  de  estatística  em  Excel  da  forma  como  estão  no  CD‐Rom,  ou 
modificando‐os,  para  atender  às  suas  necessidades.  Alunos  de  áreas  correlatas  que  utilizarão  estatística  e 
desejam  antecipar  seu  aprendizado  e  agregar  valor  ao  seu  conhecimento  visando  o  mercado  de  trabalho.  Usuários  de  Excel  que  desejam 
conhecer e aprender a utilizar os recursos de Estatística disponíveis. 
 
TÓPICOS 
•  DADOS, VARIÁVEIS E AMOSTRAS  
•  DESCRIÇÃO DE AMOSTRAS COM TABELAS E GRÁFICOS  
•  MEDIDAS DE TENDÊNCIA CENTRAL  
•  MEDIDAS DE DISPERSÃO/VARIAÇÃO 
•  PROBABILIDADE  
•  CORRELAÇÃO  
•  VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DISCRETAS  
•  DISTRIBUIÇÕES CONTÍNUAS  
•  COMBINAÇÃO LINEAR DE VARIÁVEIS ALEATÓRIAS  
•  DISTRIBUIÇÃO AMOSTRAL  
•  ESTIMAÇÃO  
•  TESTE DE HIPÓTESES  
•  TESTES DE HIPÓTESES COM DUAS AMOSTRAS  
•  ANÁLISE DA VARIÂNCIA  
•  REGRESSÃO LINEAR  
•  AJUSTE NÃO LINEAR 
NORMAS PARA AMOSTRAGEM ABNT
(Associação Brasileira de Normas Técnicas)
LINK
N° Título Data

ABNT IEC/PAS 62596:2012 Produtos eletroeletrônicos — Determinação de substâncias restritas — Procedimento de amostragem — 2012-08-03
Diretrizes

ABNT NBR 10007:2004 Amostragem de resíduos sólidos 2004-05-31

ABNT NBR 10191:2015 Amostragem de lã para determinação do fator de correção de massa - Procedimento 2015-01-12

ABNT NBR 10194:2015 Amostragem de lã bruta - Procedimento 2015-01-12

ABNT NBR 10790:2015 Emenda 1:2016 Cal virgem, hidratada e em suspensão aquosa — Aplicação em saneamento básico — Especificação técnica, 2016-11-28
amostragem e métodos de ensaio

ABNT NBR 10790:2016 Cal virgem, hidratada e em suspensão aquosa — Aplicação em saneamento básico — Especificação técnica, 2016-11-28
amostragem e métodos de ensaio

ABNT NBR 11161:2016 Grãos — Procedimentos de amostragem 2016-06-13

ABNT NBR 11176:2013 Sulfato de alumínio para aplicação em saneamento básico — Especificação técnica, amostragem e métodos de 2013-06-06
ensaios

ABNT NBR 11887:2015 Hipoclorito de cálcio - Aplicação em saneamento básico - Especificação técnica, amostragem e métodos de 2015-01-13
ensaio

ABNT NBR 12019:1990 Efluentes gasosos em dutos e chaminés de fontes estacionárias - Determinação de material particulado - Método 1990-12-30
de ensaio

ABNT NBR 12020:1992 Errata 1:1996 Efluentes gasosos em dutos e chaminés de fontes estacionárias - Calibração dos equipamentos utilizados em 1996-07-31
amostragem.

ABNT NBR 12020:1992 Versão Efluentes gasosos em dutos e chaminés de fontes estacionárias - Calibração dos equipamentos utilizados em 1992-04-30
Corrigida:1996 amostragem.

ABNT NBR 12022:1990 Efluentes gasosos em dutos e chaminés de fontes estacionárias - Determinação de dióxido de enxofre - Método 1990-12-30
de ensaio
ABNT NBR 12245:2017 Cimento isolante térmico — Amostragem e preparação de corpos de prova 2017-04-24

ABNT NBR 12279:1991 Amostragem de hipoclorito de sódio - Procedimento 1991-08-30

ABNT NBR 12280:1991 Amostragem de carvão ativado pulverizado - Procedimento 1991-08-30

ABNT NBR 12813:1993 Extração de amostras do fluido hidráulico de um sistema em operação, para análise de contaminação por 1993-01-30
partículas - Procedimento

ABNT NBR 12897:1993 Emprego do opacímetro para medicação do teor de fuligem de motor Diesel - Método de absorção de luz - 1993-08-30
Procedimento

ABNT NBR 12970:2007 Amostragem e inspeção visual para recebimento de tintas para sinalização horizontal em aeroportos 2007-12-21

ABNT NBR 13005:1993 Qualificação de fluido hidráulico - Nível de limpeza do recipiente de amostragem - Método de ensaio 1993-10-30

ABNT NBR 13336:2013 Couro — Banho residual e efluente líquido — Amostragem 2013-03-26

ABNT NBR 13412:1995 Material particulado em suspensão na atmosfera - Determinação da concentração de partículas inaláveis pelo 1995-06-30
método do amostrador de grande volume acoplado a um separador inercial de partículas - Método de ensaio

ABNT NBR 13573:2012 Insumos — Amostragem para curtimento e acabamento de couros 2012-08-24

ABNT NBR 13818:1997 Versão Placas cerâmicas para revestimento - Especificação e métodos de ensaios 1997-04-30
Corrigida:1997

ABNT NBR 13997:1997 Pastas celulósicas - Amostragem para ensaio 1997-11-30

ABNT NBR 14101:1998 Papel e cartão - Tubetes - Amostragem para ensaios 1998-05-30

ABNT NBR 14104:1998 Amostragem e inspeção em fábrica de cabos e cordões ópticos - Procedimento 1998-06-30

ABNT NBR 14257:1998 Papel e cartão - Tubetes - Determinação da umidade - Método por secagem em estufa 1998-12-30

ABNT NBR 14603:2000 Amostragem e inspeção em fábrica de fibras ópticas - Procedimento 2000-10-30

ABNT NBR 14605-7:2009 Armazenamento de líquidos inflamáveis e combustíveis – Sistema de drenagem oleosa 2009-08-27
ABNT NBR 14660:2004 Madeira - Amostragem e preparação para análise 2004-04-30

ABNT NBR 14674:2012 Adesivos para calçados e correlatos — Procedimento de amostragem 2012-01-11

ABNT NBR 14795:2017 Nãotecido - Plano de amostragem - Procedimento 2017-03-23

ABNT NBR 14883:2002 Errata 1:2005 Petróleo e produtos de petróleo - Amostragem manual 2005-02-28

ABNT NBR 14883:2002 Versão Petróleo e produtos de petróleo - Amostragem manual 2002-08-30
Corrigida:2005

ABNT NBR 14939:2003 Amostragem do alumínio e suas ligas para análise espectroquímica 2003-04-30

ABNT NBR 15007:2017 Produtos à base de orto e polifosfatos para aplicação em saneamento básico - Especificação técnica, amostragem 2017-04-28
e métodos de ensaio

ABNT NBR 15463:2013 Placas cerâmicas para revestimento — Porcelanato 2013-09-03

ABNT NBR 15577-1:2008 Versão Agregados - Reatividade álcali-agregado 2008-04-14


Corrigida:2008

ABNT NBR 15714-1:2009 Apicultura - Mel 2009-06-02

ABNT NBR 15847:2010 Amostragem de água subterrânea em poços de monitoramento — Métodos de purga 2010-06-21

ABNT NBR 15900-1:2009 Água para amassamento do concreto 2009-11-19

ABNT NBR 16000:2011 Amostragem de material na forma de pó para fundição – Procedimento 2011-11-29

ABNT NBR 16009:2011 Materiais de fundição – Dispositivos para amostragem – Procedimento 2011-11-29

ABNT NBR 16075:2012 Diagnóstico de uso in vitro — Competência de laboratórios e organização de ensaio de avaliação da 2012-07-04
conformidade de produtos — Requisitos gerais

ABNT NBR 16434:2015 Amostragem de resíduos sólidos, solos e sedimentos - Análise de compostos orgânicos voláteis (COV) - 2015-09-01
Procedimento
ABNT NBR 16435:2015 Controle da qualidade na amostragem para fins de investigação de áreas contaminadas - Procedimento 2015-09-01

ABNT NBR 16488:2016 Cloreto de polialumínio (PAC) — Aplicação em saneamento básico — Especificação técnica, amostragem e 2016-05-30
métodos de ensaio

ABNT NBR 16560:2017 Biogás e biometano - Determinação de siloxanos por cromatografia em fase gasosa e amostragem com impingers 2017-01-09

ABNT NBR 16561:2017 Biometano - Determinação de siloxanos por cromatografia em fase gasosa e amostragem com tubo de dessorção 2017-01-09
térmica

ABNT NBR 16562:2017 Biogás e biometano - Determinação de compostos orgânicos voláteis por cromatografia em fase gasosa e 2017-01-09
amostragem com tubo de dessorção térmica

ABNT NBR 16595:2017 Minérios de ferro - Requisitos para utilização de amostradores tipo cross belt 2017-04-11

ABNT NBR 5425:1985 Versão Guia para inspeção por amostragem no controle e certificação de qualidade 1977-12-30
Corrigida:1989

ABNT NBR 5426:1977 Errata 1:1989 Planos de amostragem e procedimentos na inspeção por atributos 1989-10-01

ABNT NBR 5426:1985 Versão Planos de amostragem e procedimentos na inspeção por atributos 1985-01-30
Corrigida:1989

ABNT NBR 5427:1985 Versão Guia para utilização da norma ABNT NBR 5426 - Planos de amostragem e procedimentos na inspeção por 1985-01-30
Corrigida:1989 atributos

ABNT NBR 5428:1985 Versão Procedimentos estatísticos para determinação da validade de inspeção por atributos feita pelos fornecedores 1985-01-30
Corrigida:1989

ABNT NBR 5429:1977 Errata 1:1989 Planos de amostragem e procedimentos na inspeção por variáveis 1989-10-30

ABNT NBR 5429:1977 Errata 2:1998 Planos de amostragem e procedimentos na inspeção por variáveis 1998-02-28

ABNT NBR 5429:1985 Versão Planos de amostragem e procedimentos na inspeção por variáveis 1985-01-30
Corrigida:1998

ABNT NBR 5430:1977 Errata 1:1989 Guia de utilização da norma ABNT NBR 5429 - Planos de amostragem e procedimentos na inspeção por 1989-10-30
variáveis.

ABNT NBR 5430:1985 Versão Guia de utilização da norma ABNT NBR 5429 - Planos de amostragem e procedimentos na inspeção por 1985-01-30
Corrigida:1989 variáveis.

ABNT NBR 5699:1983 Véu de fibra de vidro tipo reforçado - Determinação da massa 1983-10-30

ABNT NBR 5764:2012 Produtos químicos industriais líquidos de uma só fase — Amostragem 2012-08-07

ABNT NBR 5889:1982 Aço fundido e ferro fundido - Coleta de amostras 1982-03-30

ABNT NBR 6490:2016 Rochas — Caracterização de ocorrência — Reconhecimento e amostragem 2016-05-12

ABNT NBR 6491:1985 Reconhecimento e amostragem para fins de caracterização de pedregulho e areia 1985-02-28

ABNT NBR 7070:2006 Amostragem de gases e óleo mineral isolantes de equipamentos elétricos e análise dos gases livres e dissolvidos 2006-05-15

ABNT NBR 7345:2013 Corretivos de acidez de solo — Amostragem em caminhões e vagões ferroviários 2013-04-12

ABNT NBR 8423:1989 Errata 1:1991 Técnicas de amostragem de ácido fosfórico para uso industrial (inclusive alimentar) - Procedimento 1991-10-30

ABNT NBR 8423:1989 Versão Técnicas de amostragem de ácido fosfórico para uso industrial (inclusive alimentar) - Procedimento 1989-11-30
Corrigida:1991

ABNT NBR 8840:2013 Diretrizes para amostragem de líquidos isolantes 2013-10-30

ABNT NBR 9154:1999 Amostragem e inspeção em fábrica de fios e cabos telefônicos - Procedimento 1999-12-30

ABNT NBR 9488:2011 Amostragem de compensado para ensaio – Requisitos 2011-11-21

ABNT NBR 9547:1997 Material particulado em suspensão no ar ambiente - Determinação da concentração total pelo método do 1997-09-30
amostrador de grande volume

ABNT NBR 9897:1987 Planejamento de amostragem de efluentes líquidos e corpos receptores - Procedimento 1987-06-30

ABNT NBR 9898:1987 Preservação e técnicas de amostragem de afluente líquidos e corpos receptores - Procedimento 1987-06-30
ABNT NBR ISO 11650:2008 Desempenho de equipamento de recolhimento e/ou reciclagem de fluidos refrigerantes 2008-11-17

ABNT NBR ISO 123:2010 Látex de borracha – Amostragem 2010-11-30

ABNT NBR ISO 12743:2011 Concentrados de cobre, chumbo, zinco e níquel — Procedimentos de amostragem para determinação dos teores 2011-07-15
de metal e umidade

ABNT NBR ISO 14952-3:2006 Sistemas espaciais - Limpeza de superfície de sistemas de fluido 2006-05-15

ABNT NBR ISO 15535:2015 Requisitos gerais para o estabelecimento de bases de dados antropométricos 2015-08-13

ABNT NBR ISO 15605:2015 Adesivos - Amostragem 2015-01-23

ABNT NBR ISO 15859-1:2012 Sistemas espaciais — Características do fluido, métodos de ensaio e de amostragem 2012-10-04

ABNT NBR ISO 15859-5:2011 Sistemas espaciais — Características, amostragem e métodos de ensaio de fluidos 2011-06-17

ABNT NBR ISO 15859-6:2011 Sistemas espaciais — Características, amostragem e métodos de análise de fluidos 2011-06-16

ABNT NBR ISO 15859-7:2011 Sistemas espaciais – Características, amostragem e métodos de análise de fluidos 2011-06-17

ABNT NBR ISO 15859-8:2012 Sistemas espaciais — Características, amostragem e métodos de ensaio de fluidos 2012-04-24

ABNT NBR ISO 17853:2013 Desgaste de materiais para implante — Partículas de desgaste metálicas e poliméricas — Isolamento e 2013-04-15
caracterização

ABNT NBR ISO 1795:2010 Borracha natural crua e borracha sintética crua – Procedimentos para amostragem e preparação 2010-06-01

ABNT NBR ISO 18593:2012 Microbiologia de alimentos para consumo humano e animal — Métodos horizontais para técnicas de 2012-07-27
amostragem de superfícies utilizando placas de contato e swabs

ABNT NBR ISO 2418:2015 Couro - Ensaios químicos, físicos e mecânicos e de solidez - Local da amostragem 2015-11-23

ABNT NBR ISO 2927:2014 Óxido de alumínio primariamente usado para produção de alumínio — Amostragem 2014-05-29

ABNT NBR ISO 3082:2011 Minérios de ferro - Procedimentos de amostragem e preparação de amostras 2011-03-23
ABNT NBR ISO 3084:2003 Minérios de ferro - Métodos experimentais para avaliação da variação da qualidade 2003-08-30

ABNT NBR ISO 3085:2003 Errata 1:2013 Minérios de ferro — Métodos experimentais para verificação da precisão de amostragem, preparação de 2013-06-10
amostras e medida

ABNT NBR ISO 3085:2003 Versão Minérios de ferro - Métodos experimentais para verificação da precisão de amostragem, preparação de amostras 2003-08-30
Corrigida:2013 e medida

ABNT NBR ISO 3086:2008 Minérios de ferro - Métodos experimentais para verificação do vício de amostragem 2008-03-17

ABNT NBR ISO 50003:2016 Sistemas de gestão de energia - Requisitos para organismos de auditoria e certificação de sistemas de gestão de 2016-06-29
energia

ABNT NBR ISO 5022:2014 Produtos refratários conformados — Amostragem e ensaios de aceitação 2014-04-08

ABNT NBR ISO 5264-2:2012 Pastas celulósicas — Refinação em laboratório 2012-06-22

ABNT NBR ISO 8243:2014 Cigarros - Amostragem 2014-11-18

ABNT NBR ISO 8656-1:2013 Produtos refratários — Amostragem de matérias-primas e produtos não conformados 2013-12-20

ABNT NBR ISO 8685:2015 Minérios de alumínio - Procedimento de amostragem 2015-04-10

ABNT NBR ISO 9138:2015 Grãos abrasivos - Amostragem e divisão 2015-07-22

ABNT NBR ISO 9862:2013 Geossintéticos — Amostragem e preparação de corpos de prova para ensaios 2013-05-21

ABNT NBR ISO/IEC 17025:2005 Versão Requisitos gerais para a competência de laboratórios de ensaio e calibração 2005-09-30
Corrigida 2:2006

ABNT NBR NM 159:2000 Cal para aciaria - Amostragem e preparação de amostras 2000-10-30

ABNT NBR NM 164:2000 Carbureto de cálcio - Amostragem - Procedimento 2000-10-30

ABNT NBR NM 165:2000 Carbureto de cálcio - Preparação de amostras - Procedimento 2000-10-30

ABNT NBR NM 26:2009 Agregados - Amostragem 2009-10-30


ABNT NBR NM 27:2001 Agregados - Redução da amostra de campo para ensaios de laboratório 2001-05-30

ABNT NBR NM 33:1998 Concreto - Amostragem de concreto fresco 1998-02-28

ABNT NBR NM 99:2000 Alumínio para uso siderúrgico - Amostragem e preparação de amostras para análise química 2000-10-30

ABNT NBR NM COPANT 1603-2:2000 Ferroligas e outros aditivos - Vocabulário 2000-10-30

ABNT NBR NM ISO 186:2006 Papel e cartão - Amostragem para determinar a qualidade média 2006-04-30

ABNT NBR NM ISO 287:2012 Papel e cartão — Determinação do teor de umidade de um lote — Método por secagem em estufa (ISO 2012-05-22
287:2009, IDT)

ABNT NBR NM ISO 4552-1:2000 Ferroligas - Amostragem e preparação de amostras para análise química 2000-10-30

ABNT NBR NM ISO 4552-2:2000 Ferroligas - Amostragem e preparação de amostras para análise química 2000-10-30

ABNT NBR NM ISO 7347:2000 Ferroligas - Métodos experimentais para comprovar os erros sistemáticos da amostragem e preparação da 2000-10-30
amostra
LIVROS PUBLICADOS POR
Uanderson Rébula de Oliveira
QUERO Esses ebooks estão disponíveis na livraria Saraiva por
COMPRAR preços bem acessíveis.
OS LIVROS Além disso, você pode imprimir,
desenhar, esquematizar ou usar qualquer
leitor pdf, pois a maioria deles encontra-
se desbloqueado.
Prof. Uanderson Rébula. Doutorando em
Ver amostras engenharia. Professor universitário. Vivência
de 21 anos em ambiente industrial.
dos livros
uanderson.rebula@yahoo.com.br
http://lattes.cnpq.br/1039175956271626
https://br.linkedin.com/in/uandersonrebula
“Atualmente, todos – estudantes e professores – procuram o Udemy porque é a
plataforma onde todos estão”.
Fonte: Jornal do Brasil

Faça o curso online na Udemy


Estatística I (para leigos):
aprenda fácil e rápido!
Com o Prof. MSc. Uanderson Rébula
"O livro digital Estatística I para leigos possui uma linguagem fácil e ao mesmo tempo dinâmica. O
conteúdo do livro está ordenado de forma a facilitar a aprendizagem dos alunos, mesmo aquelas
pessoas que não tenham noção nenhuma de estatística aprenderão com esse livro. Você pode
estudar sozinho para concursos pois o livro é auto explicativo ou até mesmo em grupos, no meu
caso faço isso com meus alunos. Eu super recomendo esse livro!!! NOTA 1000"
Maria Eunice Souza Madriz
Professora de estatística da rede estadual de ensino da Bahia
Avaliação do livro pelo cliente na amazon.com.br

Saiba
mais
Clique aqui

www.udemy.com
Junte-se a milhões de estudantes na maior plataforma on-line
de cursos curtos e práticos do mundo.

Com mais de 45.000 cursos virtuais disponíveis, o Udemy é uma plataforma global de
ensino on-line onde 15 milhões de alunos estão dominando novas habilidades.

O foco do Udemy são os conhecimentos práticos e úteis para o mercado de trabalho. Há


cursos gratuitos e pagos. São cursos curtos e com valores bem acessíveis.
Prof. MSc. Uanderson Rébula de Oliveira

Uma mensagem do Prof. MSc Uanderson Rébula. CLIQUE NO VÍDEO

CLIQUE AQUI E INSCREVA-SE NO CURSO JÁ

Sumário