Você está na página 1de 64

-1-

-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.

ESTATÍSTICA

EMENTA:
Conceito e fases de estudo. Variáveis. População e amostra. Séries estatísticas:
conceitos, tabelas, distribuição de frequência e representação gráfica.
Medidas de Posição. Medidas Separatrizes. Medidas de Dispersão. Medidas
de Assimetria e Curtose. Probabilidade e seus eventos. Bayes. Distribuição
Binomial.

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
-5-

SUMÁRIO 
1 – CONCEITOS PRELIMINARES   4 – PROBABILIDADE           
1.1 CONCEITO E IMPORTÂNCIA DA ESTATÍSTICA, 7  4.1 CONCEITOS BÁSICOS DE PROBABILIDADES, 44 
1.2 FASES DO ESTUDO ESTATÍSTICO, 12  Experimento aleatório, 44 
1.3 VOCABULÁRIO BÁSICO DE ESTATÍSTICA, 13  Espaço amostral, 44 
1.4 POPULAÇÃO E AMOSTRA, 15  Eventos, 45 
1.5 ESTATÍSTICA DESCRITIVA E INFERENCIAL , 17  4.2 CÁLCULOS DE PROBABILIDADES, 45 
Probabilidade , 45 
Eventos complementares, 46 
2 – SÉRIES ESTATÍSTICAS   Eventos mutuamente exclusivos, 47 
2.1 CONCEITOS E TIPOS DE SÉRIES ESTATÍSTICAS,  19  Eventos não mutuamente exclusivos, 47 
Tabelas, 19  Probabilidade condicional e multiplicação de 
Gráficos, 20  probabilidades, 48 
Probabilidade com eventos dependentes, 48 
2.2 DISTRIBUIÇÃO DE FREQUÊNCIA, 23  Multiplicação de probabilidades com 
Frequência absoluta e histograma, 23  eventos dependentes, 50 
Frequência relativa, absoluta acumulada e  Multiplicação de probabilidades com 
relativa acumulada, 24  eventos independentes, 51 
Agrupamento em classes, 25  Teorema de Bayes, 52 
Polígono de frequência e ogiva, 26  Distribuição Binomial, 53 

3 – MEDIDAS RESUMO REFERÊNCIAS BIBLIOGRÁFICAS, 55
3.1 MEDIDAS DE POSIÇÃO, 28 
ANEXO I – LIVROS RECOMENDADOS, 56 
MÉDIA, 28  ANEXO II –  Software BIOESTAT , 57 
Média simples e Média ponderada, 28  ANEXO I II– Estatística no Excel, 58          
Média de distribuição de frequência, 29 
 MEDIANA, 30 
 MODA, 31 
 RELAÇÃO ENTRE MÉDIA, MEDIANA E MODA, 33 

3.2 MEDIDAS DE ORDENAMENTO (OU SEPARATRIZES), 34 
Quartil, 34 
Decil e Percentil, 35 
3.3 MEDIDAS DE VARIAÇÃO (OU DISPERSÃO), 36 
Introdução, 36 
Variância e Desvio Padrão, 37 
Coeficiente de Variação,  39 
Desvio padrão de Distribuição de frequência, 39 
3.4 MEDIDAS DE ASSIMETRIA E CURTOSE, 41 
Assimetria e coeficiente de assimetria, 41 
Curtose e coeficiente de curtose, 42 
-6-

1
CONCEITOS PRELIMINARES
-7-

1.1 CONCEITO E IMPORTÂNCIA DA ESTATÍSTICA


ESTATÍSTICA NA PRÁTICA 
Analise as informações abaixo para melhor compreensão do conceito de Estatística. 

 ACIDENTES DO TRABALHO NO BRASIL – 1970 a 2005 
Conceito de Acidente: Lesão corporal ou doença, relacionada com o exercício do trabalho. (Lei 8.213/91 – art. 19 a 21) 
INSS: Órgão público responsável pela coleta, organização e representação dos dados.  
 Coleta: Por meio de um formulário eletrônico denominado “CAT – Comunicação de Acidente do Trabalho”, enviado 
pelas empresas quando da ocorrência, conforme determina o art. 22 da Lei 8.213/91. 
 Organização: Através de um grande banco de dados do INSS. 
 Representação: Através de um documento denominado “Anuário Estatístico de Acidentes do Trabalho”, contendo 
tabelas, gráficos e diversas análises. Disponível no site www.previdencia.gov.br, na seção “Estatística”. 
Motivo:  Quando  o  trabalhador  se  afasta  por  motivo  de  acidente,  o  INSS  concede  benefícios  acidentários,  como  auxílio 
doença acidentário, auxílio acidente, aposentadoria por invalidez, pensão por morte, reabilitação entre outros.  

COMPILAÇÃO E ANÁLISE DE DADOS (INFORMAÇÕES) sobre acidentes do trabalho, de 1970 a 2005: 


33.238.617
35.000.000 31.407.576
Evolução da QUANTIDADE de TRABALHADORES
29.544.927
no Brasil - 1970 a 2005. 28.683.913
30.000.000 27.189.614
26.228.629
24.491.635
23.661.57923.198.656 23.667.24123.830.312
 
25.000.000 22.163.827 22.272.843
19.476.36219.673.915
18.686.355
20.000.000 16.638.799
14.945.489

15.000.000
  11.537.024

8.148.987
 
10.000.000 7.284.022

5.000.000

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

Observa‐se ao longo dos anos o aumento gradativo da quantidade de trabalhadores no Brasil, de 7.284.022 chegando a 33.238.617, 
reflexo do crescimento econômico do País. Essas informações (dados) são importantes para fins de comparação com a evolução da 
quantidade de acidentes do trabalho no mesmo período, como segue abaixo: 

2.000.000 1.796.671
1.743.825 Aprovação das NR’s Involução da QUANTIDADE de ACIDENTES DO
1.750.000 1.551.461
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
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
Anos
FONTE: Revista Proteção

No  período  de  1970  a  1976  a  quantidade  de  acidentes  foi  alta,  comparando‐se  com  a  pequena  quantidade  de  trabalhadores  no 
mesmo  período.  Somente  a  partir  de  1978  os  acidentes  começaram  a  reduzir,  em  razão  da  aprovação  das  Normas 
Regulamentadoras – NR’s (disponível no www.mte.gov.br), tornando‐se de aplicação obrigatória em todo o País. Esta redução pode 
ser vista como positiva, entretanto, não podemos comemorar esses números, pois a quantidade de acidentes ainda é alarmante e 
está praticamente estagnada, desde 1994. 
-8-

E  as  regiões?  Como  esses  acidentes  estão  distribuídos  nas  regiões  do  país?  Qual  a  pior  região?  Vejamos  abaixo  em  um 
Cartograma (mapa com dados), REFERENTE AO ANO DE 2005 (491.711 acidentes): 
  Distribuição da quantidade e porcentagem de acidentes de trabalho no Brasil por Regiões, 
  correlacionados com o Produto Interno Bruto ‐ PIB ‐ ano 2005. 
 
NORTE  
 
  • PIB: 5% de participação  
• Acidentes: 19.117 (4% do total) 

NORDESTE  
 
  • PIB: 13,1% de participação  
• Acidentes: 49.010 (10% do total) 

  CENTRO‐OESTE  
 
  • PIB: 8,9% de participação  
• Acidentes: 31.470 (6% do total) 

SUDESTE  
 
  • PIB: 56,5% de participação 
• Acidentes: 279.689 (57% do total) 

  SUL  
Espírito Santo ‐ 11.039 acidentes 
  • PIB: 16,6% de participação  
• Acidentes: 112.425 (23% do total) 
Minas Gerais ‐ 52.335 acidentes 
Rio de Janeiro ‐ 34.610 acidentes 
  São Paulo ‐ 181.705 acidentes 
 
  É  campeão  de  acidentes  no  Brasil,  participando  com 
181.705, o que corresponde a 37% do total; por conseguinte 
  o  seu  PIB  também  é  o  maior  do  País,  com  33,9%  de 
  participação.

  FONTE: Adaptado da Revista Proteção e do IBGE (www.ibge.gov.br)


 
Observa‐se que a região em 1° lugar em número de acidentes é a Sudeste, em 2° está a região Sul, em 3° a região Nordeste, em 4° a região 
Centro‐Oeste  e  por  último  a  Norte.  Ao  analisarmos  este  gráfico  podemos  tomar  diversas  conclusões,  porém,  tais  conclusões  somente  são 
possíveis  através  de  um  estudo,  o  que  demanda  tempo.  Todavia,  observa‐se  que  a  quantidade  de  acidentes  acompanha  a  porcentagem  da 
participação  do  PIB  da  região.  Esta  correlação  pode  ser  resultado  do  reflexo  da  economia  da  região.  Ora,  a  região  Sudeste,  por  exemplo, 
corresponde a 56,5% do PIB do País. Logicamente esta região possui um maior número de empresas e, consequentemente, maior número de 
mão‐de‐obra  e  atividades  produtivas,  fato  que  pode  justificar  a  enorme  quantidade  de  acidentes  comparada  com  as  demais  regiões.  Esses 
dados também podem estar relacionados com as políticas dos estados e das empresas, a atuação das fiscalizações do Ministério do Trabalho, 
as  culturas  das  regiões,  os  investimentos  empresariais,  a  capacitação  de  mão  de  obra  (treinamentos)  entre  outros  fatores.  Entende‐se  por 
Produto Interno Bruto (PIB) a soma, em valores monetários, de todos os bens e serviços finais produzidos em uma determinada região. 
 
Tradicionalmente, no Brasil, as políticas de desenvolvimento têm se restringido aos aspectos econômicos e vêm sendo traçadas 
de maneira paralela ou pouco articuladas com as políticas sociais, cabendo a estas últimas arcarem com os ônus dos possíveis 
danos  gerados  sobre  a  saúde  da  população,  dos  trabalhadores  em  particular  e  a  degradação  ambiental.  Para  que  o  Estado 
cumpra seu papel para a garantia desses direitos, é mister a formulação e implementação de políticas e ações de governo. 

POSSÍVEIS SOLUÇÕES PARA REDUZIR OS ACIDENTES


 

A partir da análise dos dados podemos concluir que a política de segurança do trabalho adotada no País está estagnada. A 
simples  aplicação  da  norma  regulamentadora  não  está  sendo  suficiente  para  reduzir  o  índice  de  acidentes.  Os  dados  nos 
mostram que não haverá mudanças significativas se não forem feitas alterações nessa política. 
 
Para contornar a situação, os Ministérios do Trabalho, da Saúde e da Previdência Social publicaram, para consulta pública, em 
29.12.2004  a  PNSST  ‐  POLÍTICA  NACIONAL  DE  SEGURANÇA  E  SAÚDE  DO  TRABALHADOR,  com  a  finalidade  de  promover  a 
melhoria da qualidade de vida e da saúde do trabalhador.  
 
Os Ministérios reconheceram a deficiência da segurança do trabalho no país, carecendo de mecanismos que: 

 Incentivem medidas de prevenção; 
 Responsabilizem os empregadores; 
 Propiciem o efetivo reconhecimento dos direitos do trabalhador; 
 Diminuam a existência de conflitos institucionais;  
 Tarifem de maneira mais adequada as empresas e  
 Possibilite um melhor gerenciamento dos fatores de riscos ocupacionais. 
-9-

Face ao exposto, a PNSST propõe, dentre outras, as seguintes ações a serem desenvolvidas pelos três Ministérios: 

Área  Ações 
   Estabelecer  política  tributária  que  privilegie  empresas  com  menores  índices  de  acidentes  e  que 
  invistam na melhoria das condições de trabalho; 
   Criar  linhas  de  financiamento  para  a  melhoria  das  condições  de  trabalho,  incluindo  máquinas  e 
Tributos1,  equipamentos, em especial para as pequenas e médias empresas; 
financiamentos   Incluir requisitos de  SST para concessão de financiamentos públicos e privados; 
e licitações.   Incluir requisitos de SST nos processos de licitação dos órgãos públicos; 
 Instituir a obrigatoriedade de publicação de balanço de SST para as empresas, a exemplo do que já 
ocorre com os dados contábeis; 
   Incluir conhecimentos básicos em SST no currículo do ensino fundamental e médio; 
   Incluir disciplinas em SST no currículo de ensino superior, em especial nas carreiras de profissionais 
  de saúde, engenharia e administração; 
Educação e   Estimular a produção de estudos e pesquisas na área de interesse desta Política; 
pesquisa   Articular instituições de pesquisa e universidades para a execução de estudos e pesquisas em SST, 
integrando uma rede de colaboradores para o desenvolvimento técnico ‐ cientifico na área; 
 Desenvolver  um  amplo  programa  de  capacitação  dos  profissionais,  para  o  desenvolvimento  das 
ações em segurança e saúde do trabalhador; 
Ambientes   Eliminar as políticas de monetarização dos riscos (adicionais de riscos). 
nocivos   Outras ações 
 Compatibilizar os instrumentos de coleta de dados e fluxos de informações. 
Coleta de dados   Incluir  nos  Sistemas  e  Bancos  de  Dados  as  informações  contidas  nos  relatórios  de  intervenções  e 
análises dos ambientes de trabalho, elaborados pelos órgãos de governo envolvidos nesta Política. 

CONSIDERAÇÕES FINAIS SOBRE O ESTUDO DE ACIDENTES.


 

O que acabamos de ver é um estudo estatístico. Como vimos, os dados sobre acidentes do trabalho no Brasil são controladas 
pelo INSS. A comunicação de acidentes permite ao INSS estimar e acompanhar o real impacto do trabalho sobre a saúde e a 
segurança  da  população  brasileira.  O  INSS  coleta,  organiza,  apresenta  e  publica  as  estatísticas  de  acidentes  do  trabalho  no 
Brasil. Conforme observado, quando ocorre um acidente, a empresa, por força de lei, é obrigada a 
enviar a CAT ao INSS, alimentando, assim, o seu grande banco de dados.   
 

É importante ressaltar que os dados de acidentes de trabalho não se constituem, tão somente, num 
importante  registro  histórico,  mas  sim  numa  ferramenta  inestimável  para  os  profissionais  que 
desempenham  atividades  nas  áreas  de  saúde  e  segurança  do  trabalhador,  assim  como 
pesquisadores  e  demais  pessoas  interessadas  no  tema.  A  análise  desses  dados  possibilita  a 
construção  de  um  diagnóstico  mais  preciso  acerca  da  epidemiologia  dos  acidentes,  propiciando, 
assim, a elaboração de políticas mais eficazes para as áreas relacionadas com o tema. 
TÓPICO PARA REFLEXÃO Acidente do Trabalho: o problema do Brasil.
Os  acidentes  de  trabalho  afetam  a  produtividade  econômica,  são  responsáveis  por  um  impacto  substancial  sobre  o  sistema  de  proteção 
social e influenciam o nível de satisfação do trabalhador e o bem estar geral da população. 
 

Estima‐se que a ausência de segurança nos ambientes de trabalho no Brasil tenha gerado, no ano de 2003, um custo de cerca de R$32,8 
bilhões para o país. Deste total, R$ 8,2 bilhões correspondem a gastos com benefícios acidentários e aposentadorias especiais, equivalente a 
30% da necessidade de financiamento do Regime Geral de Previdência Social ‐ RGPS verificado em 2003, que foi de R$ 27 bilhões. O restante 
da despesa corresponde à assistência à saúde do acidentado, indenizações, retreinamento, reinserção no mercado de trabalho e horas de 
trabalho perdidas. 
 

Isso sem levar em consideração o sub‐dimensionamento na apuração das contas da Previdência Social, que desembolsa e contabiliza como 
despesas  não  acidentárias  os  benefícios  por  incapacidade,  cujas  CAT  não  foram  emitidas.  Ou  seja,  sob  a  categoria  do  auxílio  doença  não 
ocupacional, encontra‐se encoberto um grande contingente de acidentes que não compõem as contas acidentárias. 
 

Parte deste “custo segurança no trabalho” afeta negativamente a competitividade das empresas, pois ele aumenta o preço da mão‐de‐obra, 
o  que  se  reflete  no  preço  dos  produtos.  Por  outro  lado,  o  incremento  das  despesas  públicas  com  previdência,  reabilitação  profissional  e 
saúde reduz a disponibilidade de recursos orçamentários para outras áreas ou induz o aumento da carga tributária sobre a sociedade. 
 

De  outro  lado,  algumas  empresas  afastam  trabalhadores,  e  muitas  vezes  os  despedem  logo  após  a  concessão  do  beneficio.  Com  isso,  o 
trabalhador se afasta, já sendo portador de doença crônica contraída no labor, e o desemprego poderá se prolongar na medida em que, para 
obter o novo emprego, será necessária a realização do exame admissional, no qual serão eleitos apenas aqueles considerados como “aptos” 
e, portanto, não portadores de enfermidades. 
 
Fonte: RESOLUÇÃO CNPS Nº 1.269, DE 15 DE FEVEREIRO DE 2006 
_________________ 
1. Tributo: Impostos; taxas e contribuições de melhoria, devida ao poder público. 
- 10 -

CONCEITO DE ESTATÍSTICA
 
É  A  CIÊNCIA  QUE  SE  DEDICA  EM  COLETAR,  ORGANIZAR,  APRESENTAR,  ANALISAR  E  INTERPRETAR  DADOS 
(INFORMAÇÕES) PARA TOMADA DE DECISÃO. 
 
 Estatística  é  a  ciência  dos  dados.  A  Estatística  lida  com  a  coleta,  o 
processamento  e  disposição  de  dados  (informações),  atuando  como 
ferramenta  crucial  nos  processos  de  soluções  de  problemas.  A  Estatística 
facilita  o  estabelecimento  de  conclusões  confiáveis  sobre  algum  fenômeno 
que esteja sendo estudado (WERKEMA, 1995).  
 

 É por meio da análise e interpretação dos dados estatísticos que é possível o 
conhecimento  de  uma  realidade,  de  seus  problemas,  bem  como,  a 
formulação de soluções apropriadas por meio de um planejamento objetivo 
da ação, para além dos “achismos” e “casuismos” comuns. 
 
 No  uso  diário  o  termo  “estatística”  refere‐se  a  fatos  numéricos.  Tenha  em 
mente, entretanto, que estatística é bem diferente de matemática. Estatística 
é, antes de qualquer coisa, um método científico que determina questões de 
pesquisa;  projeta  estudos  e  experimentos;  coleta,  organiza,  resume  e  analisa  dados;  interpreta  resultados  e  esboça 
conclusões.  Ou  seja,  utiliza‐se  dados  como  evidências  para  responder  a  interessantes  questões  sobre  o  mundo.  A 
matemática só é utilizada para calcular a estatística e realizar algumas das análises, mais isso é apenas uma pequena parte 
do  que  realmente  é  a  estatística.  Portanto,  a  estatística  mantém  com  a  matemática  uma  relação  de  dependência, 
solicitando‐lhe auxílio, sem o qual não poderia desenvolver‐se. 
 
 A  Estatística  é  uma  ciência  interdisciplinar,  ou  seja,  é  comum  a  duas  ou  mais  disciplinas  ou  ramos  de  conhecimento. 
Assim, a Estatística é aplicada na Medicina, Administração, Engenharias, Economia, Contabilidade, Direito, Segurança do 
Trabalho, Qualidade, Marketing entre outras áreas. Veja abaixo. 
 
 

   
Medicina.  Estudos  de  epidemiologia,  *Engenharia de Produção. Estudos de  Segurança  do  Trabalho.  Estudos  de 
inter‐relações  dos  determinantes  da  um  conjunto  de  dados  de  todas  as  acidentes  e  doenças,  suas  causas, 
freqüência  e  distribuição  de  doenças  fases de um processo produtivo.  quantidade, parte atingida, setores, % 
populacionais  de afastamentos etc. 
Contabilidade.  Estudos  das  Finanças.  Estudos  de  uma  série  de  Economia.  Estudos  de  taxas  de 
informações financeiras das empresas  informações estatísticas para orientar  inflação,  índice  de  preços,  taxa  de 
públicas e privadas.  investimentos.  desemprego, futuro da economia. 
 

*Engenharia de Produção – A aplicação da Estatística na produção merece especial atenção. A atual ênfase na qualidade 
torna o controle da qualidade uma importante aplicação da estatística na área da produção. Usa‐se uma série de mapas 
estatísticos  de  controle  de  qualidade  para  monitorar  o  resultado  (output)  de  um  processo  de  produção.  Suponha,  por 
exemplo, que uma máquina preencha recipientes com 2 litros de determinado refrigerante. Periodicamente, um operador 
do  setor  de  produção  seleciona  uma  quantidade  de  recipientes  e  verifica  a  exatidão,  ou  seja,  se  não  há  desvios.  A 
Estatística também é usada na Engenharia de Produção para Estratificação, que consiste no agrupamento da informação 
(dados) sob vários pontos de vista, de modo a focalizar a ação, considerando os fatores equipamento, tempo entre outros. 
Exemplo: 
 
Roupas danificadas   Tipo de dano:  Operador:  Máquina de lavar: 
em uma lavanderia  Tipo de roupa:  Marca do sabão:  Máquina de secar: 
- 11 -

UM POUCO DE HISTÓRIA E ATUALIDADE  


 
O termo “Estatística” provém da palavra “Estado” e foi utilizado originalmente 
para  denominar  levantamentos  de  dados  (riquezas,  impostos,    nascimentos, 
mortalidade,  batizados,  casamentos,  habitantes  etc.),  cuja  finalidade  era 
orientar o Estado em suas decisões.  
 
 Segundo  Costa  (2005,  p.  5)  em  1085,  Guilherme  “O  Conquistador”, 
ordenou  que  se  fizesse  um  levantamento  na  Inglaterra,  que  deveria 
incluir  informações  sobre  terras,  proprietários,  uso  da  terra, 
empregados,  animais  e  serviria,  também,  de  base  para  cálculo  de 
impostos. Tal levantamento originou um volume intitulado “domesday book”. 
 
 No  século  XVIII  o  estudo  dos  dados  foi  adquirindo,  aos  poucos,  feição 
verdadeiramente  científica.  A  palavra  Estatística  apareceu  pela  primeira 
vez no século XVIII e foi sugerida pelo alemão Godofredo Achenwall (1719‐
1772), onde determinou o seu objetivo e suas relações com as ciências. 
 
 Desde  essa  época,  a  Estatística  deixou  de  ser  a  simples  catalogação  de  dados  numéricos  coletivos  e  se 
tornou o estudo de como chegar a conclusões sobre o todo, partindo da observação e análise de partes 
desse todo. Essa é sua maior riqueza.  
 
 
Atualmente  a  sociedade  está  completamente  tomada  pelos  números.  Eles 
aparecem  em  todos  os  lugares  para  onde  você  olha,  de  outdoors  mostrando  as 
últimas  estatísticas  sobre  aborto,  passando  pelos  programas  de  esporte  que 
discutem  as  chances  de  um  time  de  futebol  chegar  à  final  do  campeonato,  até  o 
noticiário  da  noite,  com  reportagens  focadas  no  índice  de  criminalidade,  na 
expectativa de vida de uma pessoa que não come alimentos saudáveis e no índice 
de aprovação do presidente.  
 
Em  um dia  comum,  você  pode  se deparar  com cinco, dez  ou,  até mesmo, vinte  diferentes estatísticas  (ou  até 
muito  mais  em  um  dia  de  eleição).  Se  você  ler  todo  o  jornal  de  domingo,  irá  se  deparar  com  centenas  de 
estatísticas em reportagens, propagandas e artigos sobre todo tipo de assunto: desde sopa (quanto em média uma 
pessoa consome por ano?) até castanhas (quantas castanhas você precisa comer para aumentar seu QI?). 

Nas  empresas  a  Estatística  desempenha  um  papel  cada  vez  mais  importante  para  os  Gerentes.  Esses 
responsáveis pela tomada de decisão utilizam a estatística para: 
 
 Apresentar e descrever apropriadamente dados e informações sobre 
a empresa; 
 Tirar conclusões sobre grandes populações, utilizando informações 
coletadas a partir de amostras; 
 Realizar suposições confiáveis sobre a atividade da empresa; 
 Melhorar os processos da empresa. 
 
A estatística é um instrumento eficiente para a compreensão e interpretação da realidade e não 
deve ser subestimada. Realmente existem pesquisas feitas de forma incorreta e que, por isso, não 
são confiáveis. Mas, em geral, quando um estudo estatístico é feito com critério, seus resultados 
permitem  obter  conclusões  e  prever  tendências  sobre  fatos  e  fenômenos.  Um  estudo  bem  feito 
não elimina o erro, mas limita‐o a uma margem, procurando torná‐la o menor possível. 
 
 
 
- 12 -

1.2 FASES DO ESTUDO ESTATÍSTICO


 
Um estudo estatístico confiável depende do planejamento e da correta execução das seguintes etapas: 
1. Definir o que será estudado e a natureza dos dados, como exemplo:
 

ESTUDO NATUREZA DOS DADOS  


 Quantidade e período   
 Por regiões, estados ou municípios   
Acidentes do   Por atividade econômica  Defina  com  clareza  os  objetivos  da 
Trabalho no Brasil   Por idade dos acidentados  pesquisa, ou seja, o que se pretende 
 Por parte do corpo atingida  apurar,  que  tipo  de  problema 
 Por causas dos acidentes etc.  buscará detectar. 
 Tipo de peça   |  Tipo de defeito 
 Quantidade  
Peças danificadas na 
 Período e Turnos 
linha A   Máquinas e Operadores 
 Matéria prima etc. 
 

2. Coletar dados
Após definir o que será estudado e o estabelecimento do planejamento do trabalho (forma de coleta dos dados, 
cronograma das atividades, custos envolvidos, levantamento das informações disponíveis), o passo seguinte é o 
da  coleta  de  dados,  que  consiste  na  busca  ou  compilação  dos  dados,  componentes  do  fenômeno  a  ser 
estudado. Nessa etapa recolhem‐se os dados tendo o cuidado de controlar a qualidade da informação. 
O sucesso de uma pesquisa depende muito da qualidade dos dados recolhidos.  Podem ser por meio 
de Criação de Softwares, a exemplo da CAT; Uso de Softwares da empresa; Dados históricos 
da empresa (físicos); Pesquisas com questionários etc.

3. Organizar e contar dados


À procura de falhas e imperfeições, os dados devem ser cuidadosamente organizados e contados, a fim de não incorrermos 
em erros grosseiros que possam influenciar nos resultados. No exemplo da “Estatística na prática”, após a coleta da quantidade 
de  acidentes  por  meio  da  CAT,  organiza‐os  por  período,  regiões  etc.  Da  mesma  maneira,  se  você  usa  um  questionário  para
coletar dados na empresa, organiza‐os da forma necessária à pesquisa, além da contagem a ser feita. 
4. Apresentação de dados
  2.000 .000 1.796.671 Aprovação das NR’s Involução da QUANTIDADE de ACIDENTES DO
1.743.825
TRABALHO no Brasil - 1970 a 2005.
Os dados devem ser  1.750 .000 1.551.461
1.504. 723 1.464.211
apresentados  sob  a  1.500 .000
1. 207.859
forma de tabelas ou  1.220. 111 1.178. 472
1.250 .000
gráficos,  a  fim  de  961. 575 991.581

tornar  mais  fácil  e  1.000 .000


693. 572
rápido  o  exame  750 .000 532.514
daquilo  que  está  414.341 465.700 491.711
388.304 395. 455 363. 868 393.071 399.077
500 .000 340.251
sendo estudado.
250 .000

0
1970 1972 1974 19 76 1978 19 80 1982 1 984 1986 1 988 1990 1992 1994 1996 199 8 2000 20 01 2002 20 03 2004 2 005
Anos
FONTE: Revista Proteção

5. Análise dos dados e tomada de decisão


Chegamos à fase mais complexa do processo estatístico, que consiste na análise dos dados. Por fim, a 
partir  da  análise  realizada,  poderemos  chegar  a  uma  tomada  de  decisão.  Observe  o  estudo 
“Estatística  na  prática”.  O  que  resultou  a  análise  dos  acidentes  no  Brasil,  no  período  de  1970  a 
2005?    Veja  que  os  Ministérios  do  Trabalho,  Previdência  Social  e  da  Saúde  se  mobilizaram  para 
resolverem essa questão de saúde pública, com diversas ações a serem implementadas no país. A 
partir  dessa  discussão,  fica  claro  que  um  profissional  com  conhecimentos  de  Estatística  terá  maior 
facilidade  em  identificar  um  problema  em  sua  área  de  atuação,  determinar  os  tipos  de  dados  que 
irão contribuir para sua análise, coletar esses dados e a seguir estabelecer conclusões e determinar 
um plano de ação para a solução do problema detectado. 
- 13 -

1.3 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. 
 
- 14 -

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 
- 15 -

1.4 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.  
- 16 -

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:

 
 
 
 
 
- 17 -

1.5 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. 
 
 
 

 
 
 
 
 
 
- 18 -

 
 
 
 

2
 
 
 
 
 
 
 
 
SÉRIES ESTATÍSTICAS
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
- 19 -

2.1 CONCEITOS E TIPOS DE SÉRIES 


 
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 
 
 
 
 
- 20 -

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
 
- 21 -

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


   
- 22 -

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 
- 23 -

2.2 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. 
 
- 24 -

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%  ‐  ‐ 
 
- 25 -

Agrupamento 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  6 
       110   120 
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. 
 
- 26 -

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    8
 
 75Km/h
4       100   110  8  105  6
6  115   
5       110   120 
  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  4 4  4
  5
                                         f=40   
  0
  70          80           90          100         110         120         130 
  Velocidade (Km/h) 
 
 
 
 
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
- 27 -

                                                                                                     
 
 
 
                                                                                                     

3
 
MEDIDAS RESUMO
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. 
 
 
 
 
- 28 -

3.1 MEDIDAS DE POSIÇÃO 


 
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.
- 29 -

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 2
2 x                           f               25 
0
4.0 5.0 6.0 7.0 8.0 9.0
Nota
- 30 -

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   ‐  Fa ant  * h
 
2  80   90  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) 
- 31 -

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    8
4  8
1  70   80    8
frequência. Então:  6
2  80   90  4   
   
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)  
                                      f=40  70        80          90        100        110       120      130
     

    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. 
 
- 32 -

 
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. 
- 33 -

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 de um radar Mediana aproximadamente conforme gráfico ao lado. A média será menor 
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) 
- 34 -

 
3.2 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 =       =    = 11,5 ≈ 12ª posição = 95Km/h 


4

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 
- 35 -

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. 
- 36 -

3.3 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. 
 
- 37 -

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              
 
 
- 38 -

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.
- 39 -

COEFICIENTE DE VARIAÇÃO - CV
É a medida relativa de variação que é sempre 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. 

O  coeficiente  de  variação,  representado  Exemplo: Considerando a Média 7,0 de João com Desvio padrão de 2,8, 


por Cv, é calculado da seguinte maneira:  temos: 
 
Cv =  S  x 100        Cv =   2,8  x  100   →    40% 
Cv =     S   x 100 
          x                  7,0 
              x    
 
O  resultado  indica  que  a  Média  7,0  de  João  teve  um  Desvio  padrão  em 
Ou seja:    Cv = Desvio padrão  x 100 
torno de 40%. 
                                 Média 

Fazendo a Distribuição de Variabilidade das notas de João, Maria, José e Mário, temos: 

Alunos     Média ( x )  Desvio padrão (S)  Cv (%)  Cálculo do Cv (%)  Assim,  podemos  concluir  que  o 


João  7,0  2,8  40% 
   2,8
→ /7,0 x 100  desempenho dos alunos será: 
   0,5 1º ‐ Mário 
Maria  7,0  0,5  7%  → /7,0 x 100 
   2,5 2º ‐ Maria 
José  7,0  2,5  36%  → /7,0 x 100  3º ‐ José 
  
Mário  7,0  0  0%  ‐  4º ‐ João 
Interpretação do Cv: Cv < 15% = pouca variação    |   15%  < Cv  <  30% = moderada variação   |  Cv > 30%  =  muita variação 

DESVIO PADRÃO DE DISTRIBUIÇÃO DE FREQUÊNCIA


Quando não temos a lista original dos dados, da mesma forma que a média, podemos encontrar o desvio padrão aproximado 
de uma distribuição de freqüência. Neste caso, usamos a equação do desvio padrão estudado, adicionado de f, como abaixo. 
Desvio padrão SEM INTERVALO DE CLASSE 
 


i  Velocidade (Km/h)  f  f . xi  (xi – x ) 2    f 

1  60            x   4    =       240  (60 – 72,5) * 4         =     625 
2  65  6  390  (65 – 72,5)2 * 6         =     337 
3  70  11  770  (70 – 72,5)2 * 11       =     69 
4  75  8  600  (75 – 72,5)2 * 8         =     50 
5  80  7  560  (80 – 72,5)2 * 7         =     394 
6  85  4  340  (85 – 72,5)2 * 4         =     625 
    f=40  (f.xi) = 2.900                                                 = 2.100 

Cálculo da média  Cálculo do desvio padrão 

x =  (f.x)   →    2.900   =  72,5 Km/h  S=  (x  x)2 * f     →       2100   = 7,3 km/h


                         f                 40            f  1    40 ‐ 1

Desvio padrão COM INTERVALO DE CLASSE 

i  Velocidade (Km/h)  f  xi  f . xi  (xi – x ) 2    f 
1       70   80  4   x  75    =       300  (75 – 104,5)2 * 4       =    3.481 
2       80   90  4  85  340  (85 – 104,5)2 * 4       =    1.521 
3       90   100  8  95  760  (95 – 104,5)2 * 8       =       722 
4     100   110  8  105  840  (105 – 104,5)2 * 8     =           2 
5     110   120  6  115  690  (115 – 104,5)2 * 6     =       661 
6     120   130  10  125  1250  (125 – 104,5)2 * 10   =    4.202 
    f=40  ‐  (f.xi) = 4180                                                 = 10.589 

Cálculo da média  Cálculo do desvio padrão 

x =  (f.x)   →    4180   =  104,5 Km/h  S=  (x  x)2 * f     →       10.589   = 16,47 km/h


                              f                 40            f  1    40 ‐ 1
- 40 -

Cálculo do Desvio padrão a partir de um Histograma em classes 

  R e s u l t a d o s  d o s  r e g i s t r o s  d e  u m  r a d a r
 
  12  
10
Quantidade de veículos

  10 (4*75)+(4*85) ...
 
  8
8 8 Primeiramente, você deve calcular a média: 
  6
6
+  (75*4) + (85*4) + ... + (125*10)   = 104,5 Km/h 
  4
4
4 4 + 4 + 8 + ... + 10 
 
  2 x  x 
  0  
   75              85             95            105           115           125 
70                80                90              100              110             120              130 
 
 
  Velocidade (Km/h) 
 
S=  (x  x)2 * f      
          f  1
 
Depois, calcule o Desvio padrão, observando os dados circulados no gráfico acima: 
 
(75‐104,5)2 * 4   +    (85‐104,5)2 * 4  +  ...  +  (125‐104,5)2 * 10   =   16,47Km/h 
                                                 40‐1 
 
 
 
 
 
 
 
 
- 41 -

3.4 MEDIDAS DE ASSIMETRIA E CURTOSE.


ASSIMETRIA. A  assimetria  já  foi  estudada  na  “Relação  entre  média,  mediana  e  moda”,  quando  vimos  que  a  distribuição  é  simétrica 
quando a média, mediana e moda se coincidem; assimétrica à direita quando a média é maior que a mediana e a moda; assimétrica à esquerda 
quando a média é menor que a mediana e a moda. Este raciocínio é importante pois é a base para o estudo de probabilidades e  inferência. 

A assimetria mede o grau de afastamento de uma distribuição em relação ao eixo central,


geralmente representado pela média.
Resultados dos registros 
10 Média  Grau de 
de um radar afastamento  Simétrica 
Mediana  Assimétrica à 
Quantidade de veículos

8
Assimétrica à 
7 Moda  esquerda 
direita 
(negativa) 
6 (positiva)
4 4
4 3 3
.
2
   
0 Média 
        70            80           90            100          110         
 

Velocidade (Km/h)  Importante 
Positiva  Resultados dos registros 
Negativa Sempre  que  a  curva  da  distribuição 
 
12 Mediana  de um radar Resultados dos registros  se  afastar  do  eixo  central,  no  caso, 
Quantidade de veículos

12 de um radar Mediana da  média,  será  considerada  como 


10 Moda  Média
Quantidade de veículos

9
10 9 Moda  tendo  um  certo  grau  de 
8 Média afastamento, chamado de assimetria 
6 8
6 6 da  distribuição.  Este  afastamento 
6
pode acontecer do lado esquerdo ou 
4 3 4
2 3 do  lado  direito  da  distribuição, 
2
2 1 2 1 chamado  de  assimetria  negativa  ou 
0 0 positiva, respectivamente. 
      70           80           90         100        110                70           80             90          100        110        
Velocidade (Km/h)  Velocidade (Km/h)
x ‐ Mo 

Coeficiente de Assimetria (Coeficiente de Pearson)


O grau de assimetria de uma distribuição de freqüências pode ser calculado por meio do Coeficiente de Pearson, abaixo: 
A
s
x
M S
o

A
s
3
x S
M
d
 

   
x  = média  Se As = 0, será  simétrica  (  ) Você  pode  usar 
Mo = moda  Se As < 0, será assimétrica esquerda (negativa)    esta  equação 
S = desvio padrão  Se As > 0, será assimétrica direita (positiva)  também. 
 

  Velocidade  Esta distribuição tem:    Velocidade  Esta distribuição tem: 


f  f 
(Km/h)       ‐ média de 83,8 Km/h  (Km/h)       ‐ média de 85,7 Km/h 
1  75  6       ‐ moda de 80Km/h    1  75  10       ‐ moda de 90Km/h   
2  80  30      ‐  desvio padrão de 5,2 Km/h.   2  80  14      ‐  desvio padrão de 6,2 Km/h.  
3  85  24  Qual o coeficiente de assimetria?  3  85  20  Qual o coeficiente de assimetria? 
   
4  90  12  4  90  23 
As  83,8  80   =  0,730  As  85,7  90   =  ‐ 0,693 
5  95  6  5  95  11 
                 f=78                5,2                  f=78                6,2
   

Interpretação:  a distribuição é assimétrica positiva (à direita) e  Interpretação:    a  distribuição  é  assimétrica  negativa  (à 


moderada, pois está entre 0,15 e 1. (veja próxima pág. o motivo)  esquerda) e moderada, pois está entre ‐ 0,15 e ‐1.  
   

Ao  construir  o  histograma  podemos  comparar  com  uma  Ao  construir  o  histograma  podemos  comparar  com  uma 
distribuição  simétrica.  Perceba  o  quanto  a  média  desta  distribuição  simétrica.  Perceba  o  quanto  a  média  desta 
distribuição se afasta do eixo central, simétrico.  distribuição se afasta do eixo central, simétrico. 
   
Grau de afastamento 0,730 
 
Resultados dos registros de um radar
 
Result ados dos regist ros de um radar Grau de 
35   35   afastamento ‐0,693 
Quantidade veículos

30
30   30  
25   24 25   23
20
20   20  
15   12 15 14  
10 11
10   10  
6 6
5   5  
  0 0  
       75               80              85             90              95               75               80              85             90              95        
Velocidade (Km/h)  Velocidade (Km/h) 
- 42 -

Interpretação  da  assimetria.  Quanto  mais  As  se  afasta  de  zero,  mais  assimétrica  será  a  distribuição,  podendo  ser  fraca  (se 
situada  até  |0,15|),  moderada  (se  situada  de  |0,15|  a  |1|)  ou  forte  (se  maior  que  |1|).  Forte,  nesse  caso,  não  é  algo 
necessariamente  bom,  pois  indica  que  a  distribuição  está  fortemente  (muito)  distante  do  eixo  central,  no  caso,  da  média. 
Portanto, para efeitos de inferência estatística, melhor é que a As se aproxime de zero, no caso, de uma distribuição simétrica. 
 
 
 
Simétrica 
.  Assimétrica à direita  Assimétrica à esquerda 
 
  (positiva)  (negativa) 
 
 
 
 
 
    Média
 
 
 
  forte     moderada  Fraca                 Fraca moderada forte 
 
 
 
 
    1                                        0,15                     0                   ‐0,15                                   ‐1 
 
 

A barra |  | indica, matematicamente, que o sinal negativo é desprezado.  
 
 

CURTOSE. A análise da Curtose também é importante, pois é a base do estudo de probabilidades e inferência estatística.  
A curtose mede o grau de achatamento ou alongamento de uma distribuição, em relação a uma
distribuição padrão, denominada curva normal

(a) Leptocúrticas  (a)  Curvas  alongadas,  com  alta  curtose,  são  chamadas  de 
(b) Mesocúrticas  leptocúrticas. Observe que tem um pico relativamente alto. 
(c) Platicúrticas   
(b)  Curvas  nem  alongadas  nem  achatadas  e  de  curtose 
mediana são chamadas de mesocúrticas. 
 
(c)  Curvas  achatadas  apresentam  menor  curtose  e  são 
denominadas  platicúrticas.    Observe  que  tem  o  topo 
achatado. 
 
 
Coeficiente de Curtose
O grau de curtose de uma distribuição de freqüências pode ser calculado por meio da equação abaixo: 
C

Q P

Q 1

 
3 9

  Q1 = 1º quartil  Relativamente à curva normal:  Esta equação é denominada 


2

-
P

  Q3 = 3º quartil  Se C <  0, 263  → curva leptocúr ca 


0

Coeficiente percentílico de 
( ) P90 = 90º percentil  Se C = 0, 263   → curva mesocúr ca  curtose 
P10 = 10º percentil  Se C > 0, 263   → curva pla cúr ca 
 

Portanto,  para  encontrar  o  coeficiente  de  curtose  é  necessário  conhecimento  e  aplicação  das  medidas  de  ordenamento,  no 
caso, do quartil e percentil. Neste exemplo não calcularemos essas medidas uma vez que já estudamos no título “3.2 Medidas 
de ordenamento”. Vamos direto ao assunto. 
 
Exemplo 
Calcule o coeficiente de curtose e informe o seu tipo.
C

Q P

Q P

i  Velocidades  f  Fa  Esta distribuição tem: 


C

1
2
0
-
9
2
,
5
3 9

1  70   80  4  4  Q1 = 92,5 Km/h    
2

2
1
2
6
-
8
0

     →     = 0,298 
0

1
0

2  80   90  4  8  Q3 = 120 Km/h  ( ) ( )
3   90   100  8  16  P90 = 126 Km/h 
P10 = 80 Km/h   
4   100   110  8  24 
Como 0,298 > 0,263, dizemos que a curva é platicúrtica 
 
5   110   120  6  30 
6   120   130  10  40 
             f=40

É  importante  ressaltar  que  o  conhecimento  e  aplicação  da  Assimetria  e  Curtose  será  complementado  com  o  estudo  da 
distribuição  normal,  base  da  inferência  estatística.  Somente  com  todos  esses  conceitos  estudados  é  que  entenderemos 
realmente a assimetria e curtose.  
- 43 -

4
PROBABILIDADE

É possível quantificar o 
acaso? 
“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.
- 44 -

4.1 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.  
Experimento aleatório
 

  Experimento cujo resultado é imprevisível, porém pertencente a um conjunto de resultados possíveis.


 
É  o  fenômeno  que  estamos  interessados  em  observar,  e  cada  resultado  dele  é  uma  experiência.  Embora  não 
saibamos qual o resultado que irá ocorrer, conseguimos descrever todos os resultados possíveis. Exemplos: 
 
EXPERIMENTO Resultados possíveis
Jogar uma moeda  Cara ou Coroa 
Lançar um dado  1, 2, 3, 4, 5, 6 
Jogar uma partida de futebol  Ganhar, empatar, perder 
Fazer um contato de vendas  Comprar, não comprar 
Selecionar uma peça para inspeção  Defeituosa, não defeituosa 
Nascimento de uma criança  Masculino, feminino 
 
A  principal  característica  do  experimento  é  ser  casual,  no  sentido  de  que,  apesar  de  conhecermos  seus  possíveis 
resultados,  não  podemos  dizer  com  certeza  o  que  vai  ser  obtido.  Quantas  e  quais  as  possibilidades  de  resultados 
desses experimentos são questões que tentamos responder para avaliar as chances de eles acontecerem. 
Espaço amostral
 

  É o conjunto de todos os resultados possíveis de um experimento aleatório.


 
Note que, ao especificar todos os resultados possíveis, identificamos o espaço amostral, representado por S.
São exemplos de espaços amostrais: 
 
EXPERIMENTO ALEATÓRIO Espaço amostral
Jogar uma moeda  S = { Cara, Coroa} 
Lançar um dado  S = {1, 2, 3, 4, 5, 6} 
Jogar uma partida de futebol  S = {Ganhar, Empatar, Perder} 
Fazer um contato de vendas  S = {Comprar, Não comprar} 
Selecionar uma peça para inspeção  S = {Defeituosa, Não defeituosa} 
Nascimento de uma criança  S = {Masculino, Feminino} 
- 45 -

Eventos
 

  É o resultado possível dentro de um espaço amostral.


 

 
Evento A → {sair número dois}  →  A={2}. 
Lançar um dado e
observar sua face
 
Evento B → {sair número maior que 4} →  B={5,6}. 
 
 
Evento C → {sair número par} →C={2,4,6}. 

 
S = {1,2,3,4,5,6}  Evento D → {sair número menor que 2} → D={1}. 

 
O Diagrama de Venn pode representar graficamente o espaço amostral e o evento.  
 

Evento A → {sair número dois}  →  A={2}.                                       Evento C → {sair número par}  →  C={2,4,6}. 
 
  Espaço  
  A S amostral  S Espaço  
1     C amostral 
Evento    1 
  2    Evento
2  
  3 4 

 
  5   S = {1,2,3,4,5,6} 6 
  4  5  S = {1,2,3,4,5,6}
 
6  A = {2} 
C = {2,4,6} 
 
 
A área do círculo representa o Evento e a área do retângulo representa todos os elementos de um espaço amostral.  
4.2 CÁLCULOS DE PROBABILIDADES
Probabilidade
 

n( A ) nº elementos no evento A
A probabilidade é dada por:  P  
S Espaço amostral
 

Exemplos: 
 

1) No lançamento de um dado, qual a probabilidade de o resultado ser o número 2? 
A  = {2}     → A = 1       P(A)  =   1     =   0,1666   ou  16,66%   a probabilidade de o resultado ser o “2” é 
S = {1,2,3,4,5,6}      → S = 6                                 6  de 1 chance em 6 ou 0,1666 ou 16,66%. 

2) No lançamento de uma moeda, qual a probabilidade de o resultado ser Cara? 
A = {Ca}     →   A = 1     P(A)  =   1     =   0,50   ou  50% 
S = {Ca,Co}      →   S = 2                                      2
3) Uma urna tem 10 bolas, sendo 8 pretas e 2 brancas. Pegando‐se uma bola, qual a probabilidade de ela ser branca? 
A = {B,B}     →        A =  2     P(A)  =   2     =   0,20   ou  20% 
S = {P,P,P,P,P,P,P,P,B,B}              →        S = 10                                    10
 
4)  Em  um  lote  de  200  peças,  25  são  defeituosas  e  175  são  boas.  Se  um  Analista  Industrial  retira  uma  peça,  qual  a 
probabilidade de essa peça ser defeituosa?   
A = {D,D,D,D,D...}     →        A =  25    P(A)  =   25    =   0125 ou 12,5% 
S = {B,B,B,B,B,B...D,D}                 →        S = 200                                200
 
5) Das 120 notas fiscais emitidas por uma empresa, 16 tem erros de impressão. Se um Auditor seleciona uma nota fiscal, 
qual a probabilidade de essa nota apresentar erros de impressão?   
A = {NE, NE, NE ...}     →        A = 16    P(A)  =   16    =   0125 ou 12,5% 
S = {NB,NB, NB...NE,NE}     →        S = 120                                120
 
NE = Nota com erro  ; NB = Nota boa 
- 46 -
 

figuras 
Observe as cartas de um baralho de 52 cartas, abaixo: 
      Naipes                                                                                                                                          Valete     Dama       Reis         Ás 
(Paus) 
(preta) 
13 cartas 
 
(ouros) 
(vermelha) 
13 cartas   
(Espadas) 
(preta) 
13 cartas   
(Copas)   
(vermelha)  
13 cartas   
 
Quando retiramos uma carta de um baralho de 52 cartas, qual a probabilidade de o resultado: 
 
Sair um Ás de Ouros:     temos 1 Ás de Ouros no baralho, então:  Sair um Reis:  temos 4 Reis no baralho. Então:
   
 
 
A  = {Ás}     →  A =  1       P(A) =  1   =  0,019     A  = {R,R,R,R}    →  A =  4     P(A) =   4   =  0,076   
S= {52 cartas}     →  S = 52                      52  
 
S= {52 cartas}     →  S = 52                     52
 
 
Interpretação de valores probabilísticos
 
As probabilidade são sempre são atribuídos em uma escala de 0 a 1 (ou 0% a 100%) 
 
 
  0                                                           0,5  (50%)                                            1 (100%)  Números que não podem 
  Impossível             pouco provável                                            provável                        Certo                  representar probabilidade: 
 
 10/5   120%   ‐0,4 
  Chance 50‐50
 
 

Eventos complementares
 

  É a probabilidade com os resultados que não fazem parte do evento (A).


 
Eventualmente  queremos  saber  a  probabilidade  de  um  evento  não  ocorrer.  Portanto,  é  o  evento  formado  pelos  resultados  que  não 
pertencem ao evento A. Sendo P( A ) a probabilidade de que ele não ocorra e P(A) a probabilidade que ocorra, temos: 

Probabilidade com Evento complementar 

Probabilidade do  P( A )   =   1 – P(A) 
evento não ocorrer Probabilidade evento (A) 
  
 

Exemplo. No lançamento de um dado, qual a probabilidade de o resultado: 
 
Pela probabilidade (A) Probabilidade com evento complementar
ser o número 2  não ser o número 2 
   

A={2}     → A = 1    P(A)  = 1 =  0,1666              P( A )  = 1 – P(A) 


S={1,2,3,4,5,6}      → S = 6                     6                    = 1 – 0,1666     →   0,8333 ou 83,33% 
 

O “Diagrama de Venn” abaixo ilustra a relação entre o espaço amostral, o evento A e seu complemento  A : 
 
 
P(A) = 16,66%   
P( A ) = 83,33%
Probabilidade (A)    S Probabilidade  
A 1   Complementar 
 
2    3

  6
4 A equação 1‐ P( A ) fundamenta‐se na 
  A
interpretação dos valores probabilísticos: 
  0                                                                       1
  0,1666                      A =  0,8333
- 47 -

Eventos mutuamente exclusivos


 

  É a probabilidade com eventos que não ocorrem ao mesmo tempo. Ou ocorre A ou ocorre B (A ou B).
A ocorrência de um evento impossibilita a ocorrência do outro.
 
Dois eventos são mutuamente exclusivos quando a ocorrência de um evento exclui a ocorrência de outro. É impossível ocorrer os eventos A 
e  B  ao  mesmo  tempo.  Então,  o  termo  “ou”  indicará  “adição  de  probabilidades”.  Para  encontrar  a  probabilidade  de  um  evento  ou  outro 
ocorrer, adicionamos as probabilidades de cada evento: P(A ou B) = P(A) + P(B). 
 
 

Exemplo 1. Ao lançar um dado, a probabilidade de se tirar o 2 ou 5 é: 
 
   3  S
A
  B    6  “ou” indica Adição de probabilidades.  P(A ou B) = P(A) + P(B) 
  5 
2  ou     4  A = {2}     →   A = 1    P(A ou B) =   1  + 1   =   2   =   0,3333  
     1  B = {5}  →   B = 1                         6     6        6
  S = {1,2,3,4,5,6}    →   S = 6     
   
 
Exemplo 2. Ao retirar uma carta de um baralho de 52 cartas, a  Exemplo  3.  Numa  urna  estão  10  bolas,  sendo  2  pretas 
probabilidade de sair um Rei ou uma Dama é:      (P), 5 amarelas (A) e 3 verdes (V). Pegando‐se uma bola, 
 
  qual a probabilidade de ela ser preta ou verde? 
 
A = {R,R,R,R }     →    A = 4       P(AouB) =  4  +  4   = 8  =  0,1538 
A = {P,P }    →    A = 2      P(AouB) =  2  +  3   = 5  =  0,5 
B = {D,D,D,D}  →    B = 4                 52    52    52              B= {V,V,V}  →    B = 3                10    10    10             
S = {52 cartas  →    S = 52    
   
S = {10}  →    S = 10    
   
 
Eventos NÃO mutuamente exclusivos
 

  É a probabilidade com Eventos que podem ocorrer ao mesmo tempo. Ou ocorre A ou B ou AMBOS (A e B).
A ocorrência de um NÃO impossibilita a ocorrência do outro.
 
Dois eventos NÂO são mutuamente exclusivos quando a ocorrência de um evento não exclui a ocorrência de outro. É possível ocorrer  os 
eventos A e B ao mesmo tempo. O termo “ou”, indicará “adição” e “e” indicará “ambos”  
 

Exemplo 1   Ao lançar um dado, a probabilidade de obter um número ímpar ou menor que 3 é:  
 
ímpar  Menor que 3  Os eventos A e B não são mutuamente exclusivos, pois “1” ocorre em A e B (ambos). 
B S  
A 3 2 5
Se aplicarmos P(AouB) = P(A) + P(B) teremos:  /6   +    /6  =   /6.  Observe no diagrama que 
3  4
este  resultado  está  incorreto,  pois  P(AouB)  =  /6.  Este  erro  foi  provocado  pela  dupla 
1  6 
5  2  contagem de “1”.                                                                                      
4   

Neste caso, ajustaremos a regra da soma para evitar a dupla contagem. A equação será: 
 

A e B (Ambos) P(AouB) = P(A) + P(B) – P(A e B) 
 
 

           Então, a probabilidade de lançar um número ímpar ou menor que 3 será: 
 

A = {1,3,5}     →    A = 3        


B = {1,2}  →    B = 2  P(AouB) =  3  +  2   ‐  1  =  4   = 0,6666 
A e B = {1}  →    A e B = 1                        6      6      6      6           
S = {1,2,3,4,5,6}         →    S = 6                 
 

Exemplo 2 Numa pesquisa sobre a preferência de dois jornais, consultamos 470 pessoas, sendo que 250 lêem o jornal A, 180 
lêem o jornal B e 60 lêem os jornais A e B. Escolhendo uma pessoa ao acaso, qual a probabilidade de que seja:  
 
  Jornal  a) Leitor dos jornais A ou B?    P(A ou B) = P(A) +  P(B) – P(A e B) 
Jornal  A   B                       
A = {250}                250  +  180  –  60  =   370  = 0,7872 
  B = {180}    470      470      470      470 
  A e B = {60} 
  60 
  S = {470} 
   
   
 
AeB
 
 
- 48 -

PROBABILIDADE CONDICIONAL E MULTIPLICAÇÃO DE PROBABILIDADES 
 

Probabilidade com Eventos dependentes


 
  É a probabilidade do Evento B ocorrer, dado que o evento A já tenha ocorrido.
 
 Diz‐se  probabilidade  condicional  quando  a  ocorrência  de  um  evento  está  condicionada  à  ocorrência  do  outro. 
Portanto, os eventos são dependentes. A probabilidade de um é alterada pela existência do outro. 
 
A probabilidade condicional do Evento B, dado que A ocorreu é denotada por:

ocorreu (lê‐se “probabilidade de B, dado que A ocorreu”) 
P(B|A) = P(A e B)
                    P(A)      →   espaço amostral de A, “reduzido” 
Ao calcular P(B|A) tudo se passa como se P(A) fosse o novo espaço amostral “reduzido” dentro do qual, queremos 
calcular a probabilidade de B. Não utilizamos o espaço amostral original. 

Exemplo  1.  Ao  lançar  um  dado,  observou‐se  um  número  maior  que  2  (evento  A  ocorreu).  Qual  a  probabilidade  de  esse 
número ser o “5” (evento B)? 
 

  Ser o 5  O evento A ocorreu e queremos saber o B (dentro de A): 
Maior que 2   
  A B        A = {3,  4,  5,  6}           
 
4  3 
 
 
  B = {5} 
5   
 
Novo espaço  6  P(B|A) será a probabilidade de ocorrer o número 5 no novo espaço 
amostral 
  amostral reduzido de A. Então: 
  A e B  =  {5}     →    1   P(B|A) = P(A e B)  →  1  =  0,25 
1
  A = {3,4,5,6}    →    4                      P(A)            4  

   

Espaço amostral original S = {1,2,3,4,5,6}    Observe que não usamos o espaço amostral original S. 

EXEMPLO 2  Ao  lançar  um  dado, observou‐se  um número  maior  que  1  (evento A  ocorreu). Qual  é  a  probabilidade de esse 
número ser ímpar (Evento B)?  
 

  ímpar  O evento A ocorreu e queremos saber o B (dentro de A): 
Maior que 1   
  A B    A = {2,  3,   4,  5,  6}           
  2     
  4  B = {3, 5} 
3   
 
Novo espaço  6  5 P(B|A) será a probabilidade de ocorrer número ímpar no novo espaço 
amostral 
  amostral reduzido de A. Então: 
  A e B  =  {3,5}   →   2   P(B|A) = P(A e B)  →  2  =  0,40 
  1 A = {2,3,4,5,6}  →   5                      P(A)            5  
 
  Observe que não usamos o espaço amostral original S 
 
Espaço amostral original S = {1,2,3,4,5,6} 

EXEMPLO  3    Duas  cartas  são  selecionadas  em  sequência  em  um  baralho.  Qual  a  probabilidade  de  que  a  2ª 
carta seja uma dama, dado que a 1ª seja um rei. (assuma que o rei está sem reposição).  
 
Solução. Em razão de a primeira carta ser um rei e não ser a resposta,                  P (B|A)   =   4   =  0,078                    
o baralho restante tem 51 cartas, 4 das quais são dama. Então:                                       51                                                  
 
EXEMPLO 4  Cinco cartas são selecionadas em sequência em um baralho. Qual a probabilidade de que a 5ª carta seja uma 
dama. Dado que a 1ª = rei; 2ª = dama; 3ª = 8 ; 4ª = Ás. (assuma que não há reposição).  
 
Solução.  Em  razão  de  a  1ª  =  rei;  2ª  =  dama;  3ª  =  8  ;  4ª  =  Ás,  o  baralho                  P (E|A,B,C,D)   =   3   =  0,062   
restante tem 48 (52‐4) cartas, 3 das quais são dama. Então:                                                 48                                                  
        Note que o espaço amostral original foi reduzido 
 
 
 
- 49 -

EXEMPLO 5 Numa pesquisa sobre a preferência de dois jornais, consultamos 470 pessoas e o resultado foi o  seguinte: 250 
lêem o jornal A, 180 lêem o jornal B, 60 lêem os jornais A e B. Escolhendo uma pessoa ao acaso, qual a probabilidade de:  
 
   a) Um leitor do jornal A, também ser leitor do B?     b) Um leitor do jornal B, também ser leitor do A? 
   
  Jornal    Jornal 
  Jornal  A B   Jornal  A B
    Novo espaço 
  190    190 amostral 
 
Novo espaço    60      60 
amostral 
  120    120 
   
   
   
   
O  evento  A  ocorreu  e  queremos  saber  o  B.  Então,  denotamos  O  evento  B  ocorreu  e  queremos  saber  o  A.  Então,  denotamos 
P(B|A). Dentre os leitores do Jornal A, devemos destacar os que  P(A|B).  Dentre  os  leitores  do  Jornal  B,  devemos  destacar  os  que 
lêem B; logo, o espaço amostral desse evento é A (190+60=250).  lêem  A;  logo,  o  espaço  amostral  desse  evento  é  B  (120+60=180). 
Então, a probabilidade é:   Então, a probabilidade é:  
 
 
A e B = {60}  →   60   P(B|A)=P(A e B) → 60  = 0,24 
A= {190+60} → 250                      P(A)       250  
 
EXEMPLO 6. O quadro abaixo mostra os resultados de um estudo no qual os pesquisadores examinaram o QI de uma criança 
e a presença de um gene específico nela. 
  Gene   Gene não  A probabilidade de que a criança tenha um QI alto (Evento B), dado que 
presente  presente    a criança tenha o gene (Evento A) é? 
 

QI alto  33  19  52  Solução.  Há  72  crianças  que  têm  o  gene.  Então,  o  espaço  amostral  consiste 
QI normal  39  11  50  dessas 72 crianças. Dessas, 33 tem QI alto. Então: 
 
  72  30  102                    P (B|A)   =   33   =   0,458  
                 72 
 
EXEMPLO 7 Em um lote de 12 peças, 8 são de “qualidade” e 4 são “defeituosas”. Ao selecionar duas peças em sequência, sem 
reposição, qual a probabilidade de:  
 
a 2ª peça ser “defeituosa”, dado que a 1ª é “defeituosa”. 

Solução.  Em  razão  de  a  1ª  peça  ser  defeituosa,  o  lote  restante  tem  11                  P (B|A)   =   3   =  0,2727                    
peças, 3 das quais são defeituosas. Então:                                       11                                                

a 2ª peça ser “defeituosa”, dado que a 1ª é de “qualidade”. 
Solução. Em razão de a 1ª peça ser de qualidade, o lote restante tem 11                  P (B|A)   =   4   =  0,3636                    
peças, 4 das quais são defeituosas. Então:                                        11                                               

a 2ª peça ser de “qualidade”, dado que a 1ª é “defeituosa”. 
Solução.  Em  razão  de  a  1ª  peça  ser  defeituosa,  o  lote  restante  tem  11                  P (B|A)   =   8   =  0,7272                    
peças, 8 das quais são  de qualidade                                        11                                               
- 50 -

Multiplicação de probabilidade com eventos dependentes ...ache P(A e B) , dado P(B|A) e P(A)

Uma consequência matemática importante da definição de probabilidade condicional é a seguinte: 
P(B|A) = P(A e B)             se  quero achar:                 P(B|A) =      ?                          então →  P(A e B)  =  P(A)  x   P(B|A)
                    P(A)                          P(A e B)                                          P(A)                                             
Isto é, a probabilidade dos eventos (A e B) é o produto da probabilidade de um deles pela probabilidade do outro, dado o primeiro. 
 
EXEMPLO  1  Duas  cartas  são  selecionadas  em  sequência  em  um  baralho  de  52  cartas.  Qual  a  probabilidade de 
selecionar um Rei e uma Dama? (não há reposição).  
 A probabilidade de a 1ª carta ser um Rei é   /52.  A  P(A e B) =   ? 
4
4
    P(A e B)  =  P(A)  x  P(B|A) 
2ª  carta  ser  uma  Dama  é  /51,  pois  o  baralho  P(A) =    /452                          4     x     4      →       16     =  0,006  
4

restante tem 51 cartas, 4 das quais são dama.   P(B|A) =   /51                          52         51              2652 


 
EXEMPLO 2 Em um lote de 12 peças, 8 são de “qualidade” e 4 são “defeituosas”. Sendo retiradas duas peças em sequência, 
qual a probabilidade de que: (não há reposição) 
 
a) Ambas sejam “defeituosas”  b) Ambas sejam de “qualidade” 
P(A e B)  =  ?  P(A e B)  =  ?             
4 4   x   3     =   0,090  8                8   x   7    =   0,4242  
P(A) =     /12  P(A) =    /12 
3                            12     11  7               12      11                      
P(B|A) =    /11  P(B|A) =   /11 
4 3 8 7
A probabilidade de a 1ª peça ser defeituosa é  /12 e a 2ª é  /11, pois o  A probabilidade de a  1ª peça ser de qualidade é  /12 e a 2ª   é  /11, 
lote restante tem 11 peças, 3 das quais são defeituosas.  pois o lote restante tem 11 peças, 7 das quais são de qualidade.      
 
EXEMPLO 3 Uma urna contém 7 bolas brancas (B) e 3 pretas (P). Extraindo‐se três bolas em sequência, qual a probabilidade 
de que: (não há reposição). 
 

a) As duas primeiras sejam brancas e a terceira seja preta  (ou seja, BBP) 
 
7 6 7  
A  probabilidade  de  a  1ª  bola  ser  branca  é  /10  e  a  2ª  é    /9.  A   P(A) =   /10 
3 6                     7   x   6    x   3    =   0,175 
probabilidade  de  a  3ª  bola  ser  preta  é  /8,  pois  a  urna  restante  P(B|A) =   /9  
3                  10       9         8              
tem 8 peças, 3 das quais são pretas.  P(C|B) =  /8 
 

b) Duas sejam brancas e uma seja preta  (ou seja: BBP, BPB ou PBB) = 3[BBP] 
 

O  evento  sair  “duas  brancas  e  uma  preta”  pode  ocorrer  de  três  maneiras  que  7
P(A) =    /10 
diferem  apenas  pela  ordem  de  aparecimento  das  bolas:  (BBP,  BPB,  PBB).  Logo,  a   7 6 3
probabilidade será a soma dessas maneiras. Então, basta calcular a probabilidade de 
6
P(B|A) =   /9   3   x x  =  0,525 
3
P(C|B) =  /8   10 9 8 
uma dessas maneiras (por exemplo, a primeira) e multiplicar por 3. Então: 3(BBP). 
 

c) Pelo menos duas sejam brancas (ou seja: 3[BBP]   +   [BBB]) 
2 brancas 3 brancas
 
 
3[BBP]  [BBB] 
“Pelo  menos  duas  brancas“  é  a  mesma  coisa  que  “no  7
P(A) =   /10 
   7
P(A) = /10   7 6 3  7 6 5
mínimo  duas  brancas”,  ou  seja,  duas  ou  três  brancas.  6 6 3   x x  +  x x  =  0,8166 
Então, calculamos duas brancas + três brancas. 
P(B|A) =   /9  
3
P(B|A) =   /9  
5
 10 9 8   10 9 8 
P(C|B) =  /8  P(C|B) =  /8 
 

d) No máximo uma seja branca (ou seja: [PPP]   +   3[PPB]) 
0 branca 1 branca
 
 
[PPP]  3[PPB] 
No  máximo  uma  branca  é  a  mesma  coisa  que  “ou  3
P(A) =      /10 
3
P(A) =      /10   3 2 1  3 2 7
nenhuma  branca  ou  uma  branca”.  Então,  calculamos  2 2  x x   +  3   x x  = 0,1833 
nenhuma branca  (todas pretas) + uma branca. 
P(B|A) =   /9  
1
P(B|A) =   /9  
7
 10 9 8   10 9 8 
P(C|B) =  /8  P(C|B) =   /8 
 

e) Pelo menos uma seja preta. (ou seja: 3[PBB]   +   3[PPB]   +   [PPP]) 
                    1 preta 2 pretas 3 pretas
                                                          
3[PBB]  3[PPB]  [PPP] 
3 3 3
P(A) =     /10  P(A) =      /10  P(A) =      /10   3 7 6  3 2 7  3 2 1
7
P(B|A) =   /9  
2
P(B|A) =   /9  
2
P(B|A) =   /9  
3   x x  +  3   x x  +   x x   =  0,7083 
6 7 1  10 9 8   10 9 8   10 9 8 
P(C|B) =  /8  P(C|B) =  /8  P(C|B) =   /8 
 
MÉTODO ALTERNATIVO:    [BBB] 
7
É mais prático usar o   P(A) =     /10   7 6 5
evento complementar:  6
P(B|A) =   /9  
1   x x   = 0,7083 
5  10 9 8 
1 – BBB (nenhuma preta)  P(C|B) =  /8 
f) Todas sejam da mesma cor: 
[PPP]+[BBB] = 0,30 
- 51 -

Multiplicação de Probabilidade com Eventos independentes


 

  É quando a ocorrência do Evento A não afeta a probabilidade da ocorrência do B. Não existe dependência. 
A e B podem ocorrer simultaneamente (ao mesmo tempo). São independentes.
 

 A regra da multiplicação é usada para achar P(A e B) para eventos independentes.  Aqui associaremos a palavra “e” 
com “multiplicação”. O termo chave usado é “simultâneo”.  A equação é :  P(A e B) = P(A) x P(B). Existe reposição 
 
1 ( 1, 1 )
  2 ( 1, 2 ) Exemplo 1. Ao lançar dois dados simultaneamente, qual a
  1 3 ( 1, 3 ) probabilidade de:
  4 ( 1, 4 )

  5 ( 1, 5 ) Obter o número 2 e ímpar ?


6 ( 1, 6 )  
 
1 ( 2, 1 )
Pelo Diagrama de árvore:  Então, a probabilidade é: 
     
2 ( 2, 2 )
  3 ( 2, 3 ) (2,1), (2,3), (2,5)  3   = 8,33% 
2
  4 ( 2, 4 )
 
                 36 
  5 ( 2, 5 ) Se aplicarmos a regra da multiplicação, temos: 
6 ( 2, 6 )
   

  1 ( 3, 1 ) A={2}     →   A = 1              P(A e B) = P(A) x P(B) 


  2 ( 3, 2 ) B={1,3,5}  →   B = 3                 1 x  3  =  3  = 8,33% 
3 3 ( 3, 3 )
  Lançar dois dados 4 ( 3, 4 ) S={1,2,3,4,5,6}   →   S = 6                         6     6     36 
  5 ( 3, 5 )
 

  6 ( 3, 6 ) Obter um número par e ímpar ?


 
  1 ( 4, 1 ) Pelo Diagrama de árvore  Então, a probabilidade é: 
  2 ( 4, 2 )    

  4 3 ( 4, 3 )              9   = 25% 
4 ( 4, 4 )
(2,1), (2,3), (2,5) 
  5 ( 4, 5 ) (4,1), (4,3), (4,5)              36 
  6 ( 4, 6 )
(6,1), (6,3), (6,5) 
   
1 ( 5, 1 )
  2 ( 5, 2 ) Aplicando a regra da multiplicação, temos: 
 
  5 3 ( 5, 3 )
  4 ( 5, 4 ) A={2,4,6}     →   A = 3   P(A e B) = P(A)  x   P(B) 
5 ( 5, 5 ) B={1,3,5}  →   B = 3                     3  x   3  =  9  = 25% 
  6 ( 5, 6 )
  S={1,2,3,4,5,6}       →   S = 6                        6      6      36
  1 ( 6, 1 )  
2 ( 6, 2 )
  3 ( 6, 3 ) Esta  regra  pode  ser  estendida  para  qualquer  número  de  eventos 
6
  4 ( 6, 4 ) independentes: P (A e B e C) = P(A) x P(B) x P(C)... 
  5 ( 6, 5 )  

  6 ( 6, 6 ) O resultado do evento B independe do resultado de A. 
  Evento A     e     Evento B   “São independentes” 
   S =  {36} 
 
 
Exemplo 2. Cirurgias de microfraturas no joelho têm 75% de chance de Sucesso em pacientes com joelhos
degenerativos (25% é de fracasso). A cirurgia é realizada em 3 pacientes. Calcule a probabilidade de que:
Nota: A probabilidade de que cada cirurgia seja um sucesso é de 0,75. A chance de um sucesso para uma cirurgia é 
independente das chances para as outras cirurgias. Portanto, os eventos são independentes. 
 

a) As três cirurgias sejam um sucesso. ou seja:[SSS] b) As três cirurgias sejam um fracasso. ou seja:[FFF]
   
[SSS]  P (A e B e C) = P(A) x P(B) x P(C)  [FFF] P (A e B e C) = P(A) x P(B) x P(C) 
P(A) =  0,75    P(A) =  0,25   

P(B) =  0,75   0,75 x 0,75 x 0,75 = 0,4218   P(B) =  0,25   0,25 x 0,25 x 0,25 = 0,0156  


P(C) =  0,75    P(C) =  0,25   
 

c) Duas cirurgias sejam um sucesso  (ou seja: SSF, SFS, FSS) = 3[SSF] 
 

O evento “Duas cirurgias” pode ocorrer de três maneiras que diferem apenas pela 
P(A) = 0,75 
ordem  dos  resultados  das  cirurgias:  (SSF,  SFS,  FSS).  Logo,  a  probabilidade  será  a 
soma  dessas  maneiras.  Então,  basta  calcular  a  probabilidade  de  uma  dessas 
P(B) = 0,75   3 * (0,75*0,75*0,25) =  0,4218 
P(C) = 0,25 
maneiras (por exemplo, a primeira) e multiplicar por 3. Então: 3(SSF). 
 
 
 
- 52 -

Teorema de Bayes (THOMAZ BAYES – 1701-1761 – MATEMÁTICO)


 
  É uma extensão da probabilidade condicional, que procura responder a pergunta: sabendo-se que o
evento A ocorreu, qual a probabilidade de que esse evento tenha provindo de X?
 
 Usamos o Teorema de Bayes  para rever probabilidades com base em informação adicional obtida posteriormente. Uma idéia‐chave 
para  se  entender  a  essência  do  teorema  é  reconhecer  que  estamos  trabalhando  com  eventos  sequenciais,  pelos  quais  novas 
informações  são  obtidas  para  se  rever  a  probabilidade  do  evento  inicial.  Nesse  contexto,  os  termos  probabilidade  a  priori  e 
probabilidade a posteriori são comumente usados. 
 Uma  probabilidade  a  priori  é  um  valor  de  probabilidade  inicial  originalmente  obtido  antes  que  seja  obtida  qualquer  informação 
adicional.  Uma  probabilidade  a  posteriori  é  um  valor  de  probabilidade  que  foi  revisto  usando‐se  informação  adicional  obtida 
posteriormente. O teorema de Bayes pode ser obtido por meio de tabelas, diagrama de árvore e pela equação de Bayes. 
 
Exemplo 1. Usando um Diagrama de Árvore e a Equação de Bayes
As máquinas A e B são responsáveis por 65% e 35%, respectivamente, da produção de uma empresa. Os índices de
peças defeituosas na produção destas respectivas máquinas valem 2% e 5%. Se uma peça defeituosa foi selecionada
da produção desta empresa, qual é a probabilidade de que tenha sido produzida pela máquina A?
Resolução: Portanto, ao selecionar uma peça, atribuímos as probabilidades iniciais: P(A) = 0,65 e P(B) = 0,35, incluindo as peças
perfeitas e defeituosas. Denotamos P = peça perfeita e D = peça defeituosa

A probabilidade da peça sair defeituosa,


Pelo Diagrama de Árvore Peça seja da máquina A ou B, é 0,0305
0,98 perfeita P(A) * (P|A) = 0,6370 (0,0130+0,0175), que é a probabilidade
total da peça sair defeituosa.
máquina
A Se queremos saber a probabilidade de a
0,65 0,02 peça defeituosa ter sido produzida pela
Peça máquina A, será:
Peça defeituosa P(A) *(D|A) = 0,0130
0,0130 = 0,4262
fabricada
0,0305
Peça
P(B) * (P|B) = 0,3325 Enquanto que ter sido produzida pela
0,35 0,95 perfeita
máquina + máquina B será:
B
0,05 0,0175 = 0,5738
Peça 0,0305
defeituosa P(B) * (D|B) = 0,0175

Pela equação de Bayes


A equação de Bayes é dada por Usando a equação de Bayes e as probabilidades do exemplo 1,
referente ao cálculo da peça defeituosa ter sido produzida pela
P(A1) . P(B|A1) máquina A, temos:
P(x) =
P(A1) . P(B|A1) + P(A2) . P(B|A2)
P(A1) = 0,65 (peça ser produzida pela máquina A)
Sendo o numerador a probabilidade condicionada P(B|A1) = 0,02 (peça ser defeituosa, dado ser produzida pela máquina A)
procurada, o denominador a probabilidade total P(A2) = 0,35 (peça ser produzida pela máquina B)
condicionada, podendo estender a P(An) . P(B|An). P(B|A2) = 0,05 (peça ser defeituosa, dado ser produzida pela máquina B)

(0,65) . (0,02)
P(x) = = 0,4262
(0,65) . (0,02) + (0,35) . (0,05)

Exemplo 2. As máquinas A e B são responsáveis por 400 e 150, respectivamente, da produção de peças de uma
empresa. A quantidade de peças defeituosas produzidas pelas respectivas máquinas são 10 e 20. Se uma peça
defeituosa foi selecionada da produção, qual a probabilidade de que tenha sido produzida pela máquina B?

O total de peças produzidas é igual a 550 (400+150), logo:


P(A1) = 0,727 (400/550) (peça ser produzida pela máquina A)
A
P(B|A1) = 0,025 (10/400) (peça ser defeituosa, dado ser produzida pela máquina A)
P(A2) = 0,272 (150/550) (peça ser produzida pela máquina B)
B
P(B|A2) = 0,133 (20/150) (peça ser defeituosa, dado ser produzida pela máquina B)
Logo, a probabilidade da peça ser defeituosa e ter sido produzida pela máquina B será:

P(A2) . P(B|A2) (0,272) . (0,133)


P(x) = P(x) = = 0,6661
P(A2) . P(B|A2) + P(A1) . P(B|A1) (0,272) . (0,133) + (0,727) . (0,025)
- 53 -

DISTRIBUIÇÃO BINOMIAL  (JAKOB BERNOULLI 1654‐1705) 
É um experimento de probabilidades para os quais os resultados de cada tentativa podem ser
reduzidos a dois resultados: SUCESSO ou FRACASSO.
 Sucesso  corresponde  à  probabilidade  procurada  enquanto  que    Fracasso  à  probabilidade  não  procurada,  ou  seja,  o 
evento complementar. A palavra sucesso como usada aqui é arbitrária e não representa, necessariamente, algo bom. 
 A probabilidade Binomial é aplicada para Eventos independentes. 

Revisão de FATORIAL (O fatorial é usado na equação binomial, por isso a importância da revisão)
FATORIAL é um procedimento matemático utilizado para calcular o produto de uma multiplicação cujos
fatores são números naturais consecutivos, denotado por x!. Exemplos:

5! = 5.4.3.2.1 = 120 5! = 5.4.3! = 20 5! = 5.4.3! = 5 5! = 5.4.3! = 10


30! = 30.29.28 . ... .1 3! 3! 3! 4 3! 4 3! (5-3)! 3! (2)!
0! = 1
Para calcular 5! use a calculadora na tecla  x!  .    Procedimento: Introduza 5  x!   = 120 
Há várias formas de encontrar probabilidade Binomial. Uma forma é usar um Diagrama de Árvore e a regra de multiplicação. 
Outra forma é usar a equação de probabilidade Binomial, onde usamos Fatorial. Podemos também usar tabelas. 
 
EQUAÇÃO DA PROBABILIDADE BINOMIAL
P(x) = n! . S x . F n-x
x! (n - x)!
F = probabilidade de Fracasso
n tamanho da amostra (evento complementar)
x nº sucessos na amostra
S = probabilidade de Sucesso
Nota: p e q foram substituídos por S e F por fins didáticos. (evento procurado)
 
Exemplo 1. Usando um Diagrama de Árvore (evento independente) e a equação da probabilidade Binomial
Cirurgias de microfaturas no joelho têm 75% de chance de sucesso em pacientes com joelhos degenerativos. A
cirurgia é realizada em 3 pacientes. Encontre a probabilidade de a cirurgia ser um sucesso em 2 pacientes.

Pelo Diagrama de Árvore ou Pela equação Binomial

1ª 2ª 3ª Resultado Sucessos Probabilidade (ev. indepen)


0,75 S (S,S,S) 3 0,75 . 0,75 . 0,75 = 0,422 P(x) = n! . S x . F n - x
0,75
x! (n - x)!
0,75 S 0,25 F (S,S,F) 2 0,75 . 0,75 . 0,25 = 0,141 +
S n=3
0,25 S (S,F,S) 2 0,75 . 0,25 . 0,75 = 0,141 + x=2
F S = 0,75
(S,F,F) 1 0,75 . 0,25 . 0,25 = 0,047 F = 0,25 (evento complementar)
F
S (F,S,S) 2 0,25 . 0,75 . 0,75 = 0,141 + P(x)= 3! . 0,75 2 . 0,25 3 - 2
0,75
0,25 S F (F,S,F) 1 0,25 . 0,75 . 0,25 = 0,047
2! (3-2)!
F
0,25 S (F,F,S) 1 0,25 . 0,25 . 0,75 = 0,047 P(x)= 0,422
F
F (F,F,F) 0 0,25 . 0,25 . 0,25 = 0,016

Há três resultados que têm dois sucessos e cada um tem uma probabilidade de Usando a equação Binomial obtemos
0,141. Aplicando a Regra da Adição, a probabilidade de a cirurgia ser um sucesso o mesmo resultado pelo método do
com dois pacientes é 0,422. (0,141 + 0,141 + 0,141) Diagrama de árvore, de 0,422.

A probabilidade de sucesso em 1 paciente será: A probabilidade de não ter sucesso será:

P(x)= 3! . 0,75 1 . 0,25 3 – 1 ≈ 0,141 P(x)= 3! . 0,75 0 . 0,25 3 – 0 ≈ 0,016


1! (3-1)! 0! (3-0)!
Pelo Diagrama será (0,047+0,047+0,047)
Nota: x0 = 1
- 54 -

Exemplo 2. Um levantamento estatístico realizado pelo IBGE constatou que a taxa de desemprego na cidade de
Resende é da ordem de 13%. Ao tomarmos uma amostra de 30 pessoas, com reposição, qual a probabilidade de:
a) 5 estarem desempregados 13% desemprego(Sucesso) 87% emprego(Fracasso)
b) 28 estarem empregados Sucesso  é o que se deseja estudar;  
c) 27 estarem empregados 87% emprego(Sucesso) 13% desemprego(Fracasso) Fracasso é o que não se deseja estudar 

P(x) = n! . S x . F n-x
x! (n - x)!

a) 5 estarem desempregados b) 28 estarem empregados c) 27 estarem empregados

n = 30 n = 30 n = 30
x=5 x = 28 x = 27
S = 0,13 S = 0,87 S = 0,87
F = 0,87 F = 0,13 F = 0,13
P(x)= 30! . 0,13 5 . 0,87 30 - 5 P(x)= 30! . 0,87 28 . 0,13 30-28 P(x)= 30! . 0,87 27 . 0,13 30-27
5! (30-5)! 28! (30-28)! 27! (30-27)!

P(x)= 142506 . 0,000037 . 0,0307 P(x)= 435 . 0,0202 . 0,0169 P(x)= 4060 . 0,0232 . 0,0021

P(x) ≈ 0,1627 P(x) ≈ 0,1489 P(x) ≈ 0,1978

 Para calcular 0,135 use a tecla Xy   ou ^.  Introduza 0,13 Xy   5 = 3,7‐05 que é o mesmo que 0,000037  


Exemplo 3. Uma caixa contém 50 bolas, sendo 40 brancas e 10 pretas. Ao tirar 5 bolas, qual probabilidade de saírem:
a) 2 bolas pretas b) 4 bolas brancas
n=5 n=5
x=2 x=4 P = 5! . 0,804 . 0,205 –4 ≈ 0,4096
10 P = 5! . 0,202 . 0,805–2 ≈ 0,2048 40
S = 0,20 ( /50) S = 0,80 ( /50) 4! (5-4)!
2! (5-2)!
F = 0,80 (40/50) F = 0,20 (10/50)

Exemplo 4. Uma moeda é lançada 5 vezes. Qual a probabilidade de obter “3 caras” nessas cinco provas? 
 
n = 5 (tamanho da amostra)
x = 3 (nº sucessos da amostra) P(x) = 5! __ . 0,503 . 0,505–3 ≈ 0,3125
S = 0,50 ( = ½ a p de obter cara) 3! (5-3)!
F = 0,50 (= ½ a p de obter coroa)
 
Exemplo 5. Um dado é lançado 6 vezes. Qual a probabilidade de que a “face 4” apareça 2 vezes?
 
n = 6 (tamanho da amostra)
x = 2 (nº sucessos da amostra) P(x) = 6! __ . 0,172 . 0,836–2 ≈ 0,2057
1
S = 0,17 ( = /6 a p de obter “4”) 2! (6-2)!
F = 0,83 (= 5/6 a p de não obter “4”)
 
Exemplo 6. Dois times de futebol, A e B, jogam entre si 6 vezes. Qual a probabilidade de o time A ganhar 4 jogos?
 
n = 6 (tamanho da amostra)
x = 4 (nº sucessos da amostra) P(x) = 6! __ . 0,334 . 0,666–4 ≈ 0,0774
S = 0,33 ( = 1/3 a p de ganhar)* 4! (6-4)!
F = 0,66 (= 2/3 a p de não ganhar)
* 1/3  o time A pode ganhar, empatar ou perder. Logo, a probabilidade para cada evento é de 1/3 
Exemplo 7. Em uma fábrica, 3 em cada 10 peças são defeituosas. Uma remessa a um determinado cliente possui 5
peças. Determine a probabilidade de que, nessa remessa:

2 estejam defeituosas 4 estejam perfeitas


n = 5 (tamanho da amostra) n = 5 (tamanho da amostra)
x = 2 (nº sucessos da amostra) x = 4 (nº sucessos da amostra)
3 7
S = 0,30 ( = /10 a p peça ser defeituosa) S = 0,70 ( = /10 a p peça ser perfeita)
7 3
F = 0,70 (= /10 a p peça ser perfeita) F = 0,30 (= /10 a p peça ser defeituosa)

P(x) = 5! __ . 0,302 . 0,705–2 ≈ 0,3087 P(x) = 5! __ . 0,704 . 0,305–4 ≈ 0,3602


2! (5-2)! 4! (5-4)!
- 55 -

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.
- 56 -

SITES PARA CONSULTA


www.brasilescola.com
Instituto de pesquisa econômica aplicada - http://www.ipea.gov.br
Instituto brasileiro de geografia e estatística - http://www.ibge.gov.br
Associação Brasileira de Estatística - http://www.ime.usp.br/~abe/
www.ibope.com.br

ANEXO I - 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
- 57 -

ANEXO II - 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 
- 58 -

Anexo III - 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 
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