Você está na página 1de 46

1

UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ


CAMPUS DE FOZ DO IGUAÇU
CENTRO DE ENGENHARIAS E CIÊNCIAS EXATAS

AMOSTRAGEM

ESTIMAÇÃO

Carlos dos Santos

Foz do Iguaçu
Maio/2014
i

Índice Analítico

1. Amostragem _______________________________________________________________ 2

1.1 Introdução _______________________________________________________________ 2

1.2 Amostragem aleatória simples (AAS) __________________________________________ 4

1.3 Amostragem aleatória estratificada (AAE) _______________________________________ 8

1.4 Amostragem aleatória sistemática (AS) _______________________________________ 11

1.5 Amostragem por meio de conglomerados ______________________________________ 12

1.6 Amostragem de Conveniência ______________________________________________ 13

1.7 Dimensionamento de amostra _______________________________________________ 13

1.8 Sequência de exercícios nº 1 _______________________________________________ 19

2. ESTIMAÇÃO ______________________________________________________________ 21

2.1 Introdução ______________________________________________________________ 21

2.2 Estimação por ponto ______________________________________________________ 21


2.2.1 Estimador da média populacional μ _______________________________________ 21
2.2.3 Estimador da variância populacional 2 e do desvio padrão populacional  ________ 22

2.3 Estimação por intervalo ____________________________________________________ 23


2.3.1 Intervalo de confiança da média populacional . _____________________________ 23
2.3.2 Intervalo de confiança da variância populacional e do desvio padrão populacional __ 27
2.3.3 Intervalo de confiança para a proporção populacional p ________________________ 30
2.3.4 Intervalo de confiança para a diferença entre duas médias populacionais 1 e 2 ____ 33
2

1. Amostragem

1.1 Introdução

No curso de Estatística descritiva foram estudadas as técnicas de descrição de um conjunto de dados, sem a
preocupação de saber se os mesmos eram provenientes de um conjunto maior ou não.
O objetivo principal das próximas seções é o estudo das técnicas de inferência estatística, ou seja, tomar
decisões sobre uma população com base em dados de uma mostra, por isso é necessário diferenciar amostra de
população.

- População ou universo estatístico: é o conjunto da totalidade de elementos sobre o quais se quer estudar
alguma(s) característica (s).

- Amostra: é uma parte selecionada da totalidade de elementos de uma população.

O pesquisador deve estar atento ao fato de que toda a informação da população deve estar contida na amostra
para que os resultados da pesquisa sejam confiáveis, ou seja, deve haver representatividade. Isto pode ser
alcançado através de sorteio.
A amostra tem como finalidade descrever as características da população. Assim, todas essas características
devem estar contidas na amostra para que ocorra a chamada representatividade da amostra em relação à população
da qual a mesma foi coletada.

Representatividade é uma propriedade que a amostra possui quando a mesma mantém todas as características da
população da qual foi coletada.

Dessa forma, tem-se que tomar alguns cuidados no procedimento de coleta de amostras, caso contrário, a
representatividade não estará garantida.
Por exemplo, numa pesquisa sobre a opinião de consumidores de uma cidade, quanto a um produto, não se
deve entrevistar apenas moradores de um bairro ou de uma classe social, pois existe o sério risco de o resultado da
pesquisa não ser confiável.
A representatividade é adquirida quando se dá a mesma chance a qualquer elemento da população de fazer
parte da amostra. Isto se consegue por meio de alguma espécie de sorteio, também chamado de aleatorização ou
casualização.

Sorteio, Aleatorização ou casualização é um procedimento no qual se dá a cada elemento da população a mesma


probabilidade de fazer parte da amostra.

No caso de a amostra ser obtida por meio de algum sorteio, tem-se a chamada amostra aleatória. O processo
de obtenção de amostras aleatórias é denominado de amostragem aleatória.

Amostra aleatória amostra obtida por meio de algum procedimento de sorteio


3

No início dos levantamentos estatísticos, inclusive na indústria, a coleta de informações era feita com todos
os elementos da população, ou seja, eram realizados censos.

Censo procedimento pelo qual são observados todos os elementos da população

Porém, a partir do século XVII, com o desenvolvimento da teoria de probabilidades, descobriu-se que era
possível obter informações para a população com base em amostras, com um grau de confiança variável.
As principais vantagens do levantamento por amostragem em relação à coleta de informações da população
inteira são as seguintes:

a) Custo reduzido

Já que os dados são obtidos de apenas uma pequena fração da população, as despesas são menores do
que num censo integral. Isto é essencial, pois o orçamento de uma pesquisa pode implicar pela realização da
mesma, ou não.

b) Maior rapidez

Pelo mesmo motivo, os dados podem ser coletados rapidamente com uma amostragem, do que numa
contagem completa. Isso é um fator primordial, quando se necessita urgentemente de informações.

c) Maior amplitude

Em certos tipos de investigação, tem-se que utilizar pessoal perfeitamente treinado e equipamento altamente
especializado, cuja disponibilidade é limitada para a obtenção dos dados. O censo completo torna-se impraticável e
resta a escolha entre obter as informações por meio de amostragem, ou não consegui-las de todo. Dessa forma, os
levantamentos por amostragem têm maior amplitude e flexibilidade, em relação às espécies de informações que
podem ser obtidas.

d) Maior exatidão

Em virtude de poder empregar pessoal de melhor qualidade e intensivamente treinado, e por se tornar possível
a supervisão mais cuidadosa do campo de trabalho e do processamento de dados, dada a redução do volume de
trabalho, uma amostragem pode, na realidade, proporcionar resultados mais exatos do que a contagem integral.

Algumas técnicas de amostragem são dadas a seguir:

Simples (AAS)
Estratific ada (AAE)

Amostragem Aleatória 
Sistemática (AS)
Por conglomerados (AAC)

Amostragem não Aleatória – Amostragem por conveniência


4

Independentemente da amostragem (AAS, AAE, AS, AAC), ela pode ainda ser com reposição ou sem
reposição.

com reposição

Amostragem 
sem reposição

Na amostragem com reposição, os elementos da população, à medida que são sorteados, são devolvidos à
mesma, e podem eventualmente ser sorteados novamente. Por exemplo, se é realizado um sorteio e o nome do
ganhador retorna a urna para concorrer aos demais prêmios, tem-se uma amostragem com reposição.

Amostragem com reposição: processo de amostragem no qual os elementos da população, à medida que são
sorteados, são devolvidos à população, e podem eventualmente ser sorteados novamente.

Quando os elementos da população, à medida que são sorteados, não retornam à mesma, tem-se uma
amostragem sem reposição. Tal é o caso, se a pessoa sorteada não puder concorrer aos demais prêmios.

Amostragem sem reposição: processo de amostragem no qual os elementos da população, à medida que são
sorteados, não são devolvidos à população e, portanto, podem ser sorteados apenas uma vez.

1.2 Amostragem aleatória simples (AAS)

Este processo de amostragem aleatória é o mais elementar, e basicamente é tal que todos os elementos da
população têm mesma probabilidade de serem coletados e fazerem parte da amostra.
Assim, se a população for finita, com N elementos, cada elemento terá a probabilidade de 1/N de ser
sorteado.
Na prática, o sorteio de uma AAS pode ser feito das seguintes formas: Pode-se, por exemplo, enumerar os N
indivíduos de uma população, anotar esses números em papelinhos, colocá-los dentro de uma urna e sorteá-los.
Podem ser identificados os elementos com um número e sorteá-los através de uma tabela de números aleatórios
(Tabela 3.1), ou funções randômicas de uma calculadora ou de um programa computacional.
A amostra tem, como já foi visto, n elementos. Como são coletadas amostras, cada qual com n elementos,
por AAS, de uma população finita com N elementos, então o número total de amostras, com e sem reposição, serão,
respectivamente,

N!
No de amostras com reposição = Nn No de amostras sem reposição = Cn 
N n! (N  n)!
5

TABELA 3.1 – Números aleatórios

01659 41245 31932 70729 06018 24087 49421 84904


10965 18775 40477 22474 45711 76551 48393 39226
50132 70166 31516 25741 75944 27726 64920 53916
88534 86031 12152 81316 44905 47903 60981 88766
38877 05960 87583 39152 01871 70725 74265 49745
07025 98408 54202 98353 77627 61003 43808 77395
73753 27593 43818 92139 55939 96960 39047 53879
63193 73451 84036 09336 85487 39049 74508 55441
31769 35132 03331 49888 32379 77972 39688 66929
81098 35098 61843 32229 71751 68662 65257 64612
28215 89375 11555 50006 86064 13047 14819 29773
73388 47863 31276 83722 35516 96254 04602 38987
61580 19253 27917 15195 00778 59940 97900 14179
05139 69417 28891 88948 45616 26682 30404 09338
76168 37305 30730 12203 70463 81883 91921 05830
05997 89153 17010 78809 28545 46294 72652 02767
04392 39429 93833 31739 82309 98971 55327 95018
32381 88632 66889 16688 93808 55900 04973 11780
66965 02088 30630 67037 89097 55121 83439 70862
19340 27029 06265 83361 73375 88962 39232 86799
67057 23164 34166 66106 45921 89087 56558 23026
13728 07183 08743 50494 44737 04187 34326 72890
05955 70791 33741 36195 19945 08369 27178 82762
81564 65687 58151 86950 96796 67642 59911 78854
70091 20416 08180 50179 72316 82289 27531 81704
16137 10616 26787 88125 43593 33666 41721 46778
89845 94970 33473 00979 34885 32245 47856 87890
73345 93953 96311 59507 36508 30900 15117 61778
00033 53072 38796 22359 68758 51258 68822 61983
64710 12397 66046 27889 64205 34510 74448 88326
16535 79537 48038 01944 95294 98756 38143 64766

Exemplos

( 1) Suponha que se tem a seguinte população {1, 3, 5, 5, 7} e se quer extrair amostras com 3 elementos.

5!
No de amostras com reposição = 53 = 125 No de amostras sem reposição = C 35 = = 10
3! 2!
6

( 2 )Suponha que se quer realizar uma pesquisa dentro de uma empresa composta por 500 funcionários, do

departamento de produção, cujos nomes estão numa lista a seguir:

Nº NOME Nº NOME Nº NOME Nº NOME


1 Adélia 51 Assunção 101 Apolo 151 Breno
2 Adriana 52 Audrey 102 Aquiles 152 Brian
3 Agnes 53 Augusta 103 Aristoteles 153 Bruce
4 Aida 54 Aura 104 Armando 154 Bruno
5 Aidée 55 Aurelia 105 Arnaldo 155 Cacilda
6 Aime 56 Auria 106 Arthur 156 Camila
7 Aimée 57 Adauto 107 Ary 157 Candida
8 Aira 58 Ademar 108 Atanasio 158 Carla
9 Aisla 59 Adib 109 Atilio 159 Carlota
10 Alana 60 Adolfo 110 Augusto 160 Carmela
11 Alanis 61 Adriano 111 Aurelio 161 Carmem
12 Alaíde 62 Aécio 112 Ayram 162 Carol
13 Alba 63 Aelington 113 Ayrton 163 Carole
14 Albertina 64 Agnaldo 114 Badia 164 Carolina
15 Alcina 65 Alan 115 Barbara 165 Cassandra
16 Alcione 66 Alberico 116 Bartira 166 Cassia
17 Aldete 67 Alberto 117 Beatriz 167 Cassiane
18 Alessandra 68 Alceu 118 Bela 168 Catarina
19 Alena 69 Alcir 119 Belinda 169 Cecile
20 Alenis 70 Aldo 120 Berenice 170 Cecília
21 Aléssia 71 Alencar 121 Bernadete 171 Celene
22 Amanda 72 Alessandro 122 Berta 172 Celeste
23 Amelia 73 Alessio 123 Betânia 173 Célia
24 América 74 Alex 124 Beth 174 Celina
25 Ana 75 Alexsander 125 Beverly 175 Chantal
26 Anabel 76 Alfredo 126 Betina 176 Charlote
27 Anabelle 77 Alfeu 127 Bianca 177 Chaylla
28 Ananda 78 Almir 128 Blanca 178 Chiara
29 Anastácia 79 Aluisio 129 Brenda 179 Cibele
30 Andréa 80 Alvaro 130 Brigida 180 Cintia
31 Andressa 81 Altamir 131 Brigite 181 Clara
32 Anete 82 Amadeu 132 Brisa 182 Clariana
33 Angela 83 Amauri 133 Bruna 183 Clarissa
34 Angélica 84 Américo 134 Balbo 184 Cláudia
35 Angelina 85 Amin 135 Baldoc 185 Cleide
36 Anita 86 Amâncio 136 Basilio 186 Clélia
37 Antonia 87 Amilcar 137 Batista 187 Cléo
38 Antonieta 88 Amir 138 Benicio 188 Cleonice
39 Antuérpia 89 Amon 139 Benito 189 Cleonir
40 Aparecida 90 Anat 140 Benjamin 190 Cleopatra
41 Araci 91 André 141 Bento 191 Cleuza
42 Ariane 92 Andrew 142 Bernardo 192 Clotilde
43 Ariene 93 Angel 143 Billy 193 Conceição
44 Arisla 94 Angelo 144 Bolivar 194 Constance
45 Arissa 95 Anibal 145 Bonifácio 195 Corina
46 Arlette 96 Anselmo 146 Bosco 196 Cristiane
47 Aryana 97 Antero 147 Brad 197 Cristina
48 Astrid 98 Anthony 148 Brás 198 Caetano
49 Audrey 99 Antonio 149 Brayan 199 Caim
50 Adelinda 100 Arlindo 150 Brendon 200 Caiã
7

Nº NOME Nº NOME Nº NOME Nº NOME Nº NOME Nº NOME


201 Caio 251 Dulcineia 301 Emanuele 351 Fabrícia 401 Gladis 451 Heraldo
202 Caique 252 Dunia 302 Emilia 352 Fany 402 Glaucia 452 Herbert
203 Camilo 253 Dan 303 Emmeline 353 Fátima 403 Glória 453 Herculano
204 Carlito 254 Daniel 304 Eneida 354 Fenicia 404 Gorete 454 Hercules
205 Carlos 255 Danilo 305 Erenilda 355 Fernanda 405 Graça 455 Hermano
206 Carmelo 256 Dante 306 Erica 356 Filomena 406 Grace 456 Heron
207 Casimiro 257 Damiano 307 Erlaine 357 Fiona 407 Graziela 457 Hidelbrando
208 Cassio 258 Dario 308 Erminia 358 Flávia 408 Gudrun 458 Homero
209 Cauê 259 David 309 Estela 359 Flaviana 409 Gabriel 459 Honorio
210 Cécil 260 Decio 310 Ester 360 Flora 410 Gaspar 460 Horacio
211 Célio 261 Demétrio 311 Eugenia 361 Francini 411 George 461 Hugo
212 Celso 262 Denis 312 Eulalia 362 Françoise 412 Geraldo 462 Humberto
213 Cesar 263 Dercio 313 Eunice 363 Frederica 413 Gerd 463 Iasmim
214 Charles 264 Dereck 314 Eva 364 Fúlvia 414 Germano 464 Idiene
215 Chris 265 Deusdete 315 Evangelina 365 Fabian 415 Gerson 465 Ilana
216 Christian 266 Diego 316 Evelyn 366 Fabiano 416 Gesualdo 466 Ilce
217 Cid 267 Dieter 317 Ebion 367 Fabio 417 Getúlio 467 Indira
218 Cirano 268 Dilson 318 Ed 368 Fabricio 418 Giacomo 468 Inês
219 Cirilo 269 Dimas 319 Eder 369 Fausto 419 Gian 469 Ingrid
220 Ciro 270 Diogo 320 Edilson 370 Fauzer 420 Giancarlo 470 Imaculada
221 Claudio 271 Dionisio 321 Ediraldo 371 Feliciano 421 Gianfranco 471 Inara
222 Cleber 272 Dirceu 322 Edmilson 372 Felicio 422 Gil 472 Iolanda
223 Clície 273 Domingos 323 Ednei 373 Felinto 423 Gilberto 473 Ione
224 Clovis 274 Dorival 324 Edson 374 Felipe 424 Gilson 474 Iracema
225 Conrado 275 Douglas 325 Eduardo 375 Felix 425 Gilvan 475 Iraídes
226 Constantino 276 Durval 326 Edvaldo 376 Fernando 426 Giovani 476 Irene
227 Cornelio 277 Eda 327 Elias 377 Firmino 427 Glauco 477 Irina
228 Cosme 278 Edilia 328 Eliezer 378 Firmo 428 Gregory 478 Iris
229 Crigor 279 Edimary 329 Eliseu 379 Flavio 429 Guido 479 Isabel
230 Cristian 280 Edimercia 330 Eloy 380 Francisco 430 Guilherme 480 Isabela
231 Cristiano 281 Edmagna 331 Elton 381 Franz 431 Guilhermino 481 Isadora
232 Dafnee 282 Edith 332 Emerson 382 Frederico 432 Gustavo 482 Isis
233 Daisy 283 Edna 333 Emil 383 Fúlvio 433 Haidee 483 Isolda
234 Dalia 284 Eduarda 334 Emilio 384 Gabriela 434 Hanna 484 Ivana
235 Dalita 285 Edwirge 335 Enio 385 Gardênia 435 Heide 485 Ivani
236 Dalva 286 Egle 336 Estevão 386 Geralda 436 Helen 486 Iverly
237 Danelise 287 Elaine 337 Eric 387 Germana 437 Helena 487 Ivete
238 Daniela 288 Elen 338 Erinaldo 388 Geilsa 438 Helga 488 Ivna
239 Debora 289 Elena 339 Ernani 389 Geny 439 Heloisa 489 Izilda
240 Deidre 290 Eleonora 340 Ernesto 390 Georgia 440 Heriette 490 Ícaro
241 Delia 291 Eliane 341 Ettore 391 Gilda 441 Hilda 491 Igino
242 Denise 292 Elida 342 Eugenio 392 Gina 442 Hortência 492 Igor
243 Diana 293 Elide 343 Eurico 393 Gioconda 443 Harley 493 Ilário
244 Dilma 294 Elisa 344 Euzebio 394 Giovana 444 Haroldo 494 Ilton
245 Dinah 295 Elisabeth 345 Evair 395 Giselda 445 Hector 495 Inacio
246 Dinorah 296 Elke 346 Evandro 396 Gisele 446 Helder 496 Irineu
247 Dolores 297 Else 347 Everaldo 397 Gislaine 447 Heitor 497 Isaac
248 Dominique 298 Eloisa 348 Fábia 398 Giulia 448 Helio 498 Isaias
249 Doris 299 Elvira 349 Fabiana 399 Giuliana 449 Helmut 499 Ismael
250 Doroty 300 Elza 350 Fabiane 400 Giulliane 450 Henri 500 Israel
8
Suponha que se queira realizar uma pesquisa com uma amostra de 30 funcionários. Inicialmente, considera-se a

população enumerada de 001 a 500, uma vez que o número maior é 500, ou seja, com três algarismos. Em seguida,
a
de qualquer parte da tabela inicia-se a coleta de números. Pode-se escolher, por exemplo, o número 70166 (3 linha

e 2a coluna da tabela) e a partir do dígito sete tomar 30 grupos de três algarismos, de forma subsequente. Neste

exemplo, a amostra não deverá conter números repetidos, nem maiores do que 500.

Procedendo-se dessa forma, ter-se-á o seguinte sorteio (nomes em negrito):

701 > 500 631 > 500 718 > 500 731 > 500
668 > 500 925 > 500 370 Fauzer 932 > 500
603 > 500 369 Fausto 791 > 500 404 Gorete
105 Arnaldo 417 Getúlio 656 > 500 773 > 500
960 > 500 373 Já foi sorteado 872 > 500 151 Fabrícia
984 > 500 058 Ademar 041 Araci 612 > 500
082 Amadeu 915 > 500 610 > 500 152 Brian
759 > 500 339 Ermani 616 > 500 875 > 500
373 Felinto 429 Guido 949 > 500 835 > 500
451 Heraldo 886 > 500 709 > 500 420 Giancarlo
351 Fabrícia 320 Edilson 395 > 500 243 Diana
323 Ednei 208 Cassio 353 Fátima 818 > 500
509 > 500 827 > 500 072 Alessandro 840 > 500
889 > 500 029 Anastácia 123 Betânia 360 Francini
375 Felix 231 Cristiano 977 > 500 333 Emil
478 Iris 640 > 500 953 > 500 161 Carmen

Neste caso, o funcionário cujo número é 105 (Arnaldo) na listagem, será o primeiro a fazer parte da amostra, o
de número 82 (Amadeu) será o segundo, e assim por diante.

1.3 Amostragem aleatória estratificada (AAE)

Muitas vezes, em trabalhos de pesquisa, pode ocorrer que a população seja heterogênea. Assim, a mesma
deve ser subdividida em grupos heterogêneos entre si, os chamados estratos.
À técnica de obtenção de amostras em que a população de N elementos ou unidades amostrais é previamente
dividida em grupos mutuamente exclusivos, e dentro dos quais são sorteadas amostras casuais simples de tamanho
ni, é denominada de amostragem aleatória estratificada.
Tanto é possível estratificar populações finitas como populações infinitas.
Uma vez fixado o tamanho n da amostra a ser coletada, via AAE, existem três critérios para se determinar o
número de elementos a serem observados em cada estrato: o critério uniforme, o ponderado e o ótimo.

a) Critério uniforme
9
O critério uniforme é utilizado quando é sorteado o mesmo número de elementos em cada estrato.
Evidentemente, esse processo deverá ser usado quando os estratos da população forem, pelo menos,
aproximadamente do mesmo tamanho.

b) Critério ponderado

Por este método, o número de elementos ni a serem observados no estrato i na amostra, é proporcional ao
número total de elementos Ni do estrato i na população, de maneira que a precisão da avaliação em cada um deles
seja igual. Este critério é particularmente adequado quando a variabilidade presente em cada estrato é relativamente
homogênea. Então, determina-se ni por:

Ni
ni  n
N

em que N é o tamanho da população e n é o tamanho da amostra.

Exemplo

Suponha que se quer realizar uma pesquisa de satisfação junto a 2000 funcionários de uma empresa, mas não
é viável executá-la com todos. Sabe-se que 100 funcionários são do departamento A,, 200 são do B, 300 são do C,
400 são do D e 1000 são do E. Sabendo que o tamanho da amostra a ser coletada é n = 100, quantos funcionários
de cada departamento deverão ser entrevistados?

Número de entrevistados do departamento A.

100
na   100  5
2000

Número de entrevistados do departamento B.

200
nb   100  10
2000

Número de entrevistados do departamento C.

300
nc   100  15
2000

Número de entrevistados do departamento D.

400
nd   100  20
2000
10

Número de entrevistados do departamento E.

1000
ne   100  50
2000

O procedimento seguinte será o de realizar uma amostragem aleatória simples em cada estrato, escolhendo 5
funcionários do departamento A, 10 do B, 15 do C, 20 do D e 50 do E, para entrevistá-los em seguida.

c) Critério ótimo

Outro critério sugerido é o de que o número de elementos em cada estrato guarde, também, certa
proporcionalidade ao desvio padrão i de cada estrato. A ideia envolvida é a de que aqueles estratos com maior
variabilidade necessitariam de mais elementos, de maneira a gerar estimativas para parâmetros populacionais com a
mesma precisão que a dos demais estratos. Dessa forma, o número de elementos a serem tomados de cada estrato
é dado por:

N i i
ni  n
k
 N i i
i 1

Esse critério tem a desvantagem de exigir o conhecimento prévio do desvio padrão populacional i, o que
quase nunca ocorre numa situação prática. Assim, a menos que se tenham informações preliminares a respeito de i,
em geral o critério preferido é o ponderado.

Exemplo

Uma população foi estratificada segundo três estratos. O tamanho de cada estrato ea variância correspondente são
dados a seguir:

Estrato Tamanho do estrato (Ni) Variância (  i )


2

1 200 10
2 300 6
3 500 4
11
Considerando a estratificação ótima, para uma amostra de tamanho n = 116, quantos elementos deverão ser
coletados de cada estrão?

N1 1  200  10 
n1     
3
n  200  10  300  6  500  4   116  30,99  31
 N i 
i 1
i

N 2 2  300  6 
n2   n     116  36,008  36

    
3

 N i 
i 1
i
200 10 300 6 500 4 

N 3 3  500  4 
n3   n     116  49,0009  49

    
3

 N i 
i 1
i
200 10 300 6 500 4 

O procedimento seguinte será o de realizar uma amostragem aleatória simples em cada estrato, coletando
aleatoriamente, 31 elementos do estrato 1, 36 elementos do estrato 2, e 49 elementos do estrato 3.

1.4 Amostragem aleatória sistemática (AS)

Ainda, com o objetivo de facilitar o processo de amostragem, alguns autores também propõem outro método,
denominado de Amostragem Aleatória Sistemática (AS), o qual pode vir a aumentar a representatividade da amostra
em algumas situações em que a população está ordenada segundo algum critério, como uma fileira de árvores,
fichas de um fichário, listas telefônicas, entre outros.
Essa técnica de amostragem também é caracterizada quando os elementos de uma população se apresentam
ordenados e a retirada dos mesmos para compor a amostra é feita periodicamente. Por exemplo, em um processo de
produção, onde se deseja executar o controle de qualidade, de hora em hora, o inspetor toma n peças de um lote
para compor a amostra. O cuidado a ser tomado nesse processo é quanto à possibilidade de a variável de interesse
sofrer variações cíclicas, em que os períodos desse ciclo venham a coincidir com as de retiradas de elementos.
Neste processo, os elementos da população são ordenados, o primeiro elemento é sorteado por AAS entre os
k primeiros elementos, o segundo elemento é tomado ao contar k passos a partir do primeiro, e assim por diante, até
serem coletados os n elementos da amostra. Quando uma população for finita, com N elementos, a determinação do
número de k passos ou saltos, será dado pela razão entre o número total de elementos da população (N) e o
tamanho da amostra (n), tomando-se o inteiro mais próximo, ou seja,

N
k
n
12
Exemplo
Se em um hospital existirem 10.000 fichas de pacientes dos quais serão amostradas 50, então o número de
saltos será:

10.000
k  200
50

O procedimento seguinte será o de sortear o primeiro paciente dentre os 200 primeiros e prosseguir a
o
amostragem, sempre saltando 200 prontuários de cada vez. Supondo que a 1 prontuário sorteado entre os duzentos
primeiros tenha sido o de numero 80, o segundo seria o de número 80 + 200 = 280, e assim por diante até ser
obtidos os 50 prontuários, como mostra o quadro a seguir.

o
N do prontuário
80 2080 4080 6080 8080
280 2280 4280 6280 8280
480 2480 4480 6480 8480
680 2680 4680 6680 8680
880 2880 4880 6880 8880
1080 3080 5080 7080 9080
1280 3280 5280 7280 9280
1480 3480 5480 7480 9480
1680 3680 5680 7680 9680
1880 3880 5880 7880 9880

Logicamente, o último número da sequência será dado por:

1º valor sorteado + (n-1).k = 80 +(50-1).200 = 9880

1.5 Amostragem por meio de conglomerados

Há populações onde é extremamente difícil a identificação de todos os elementos, de forma a listá-los e sorteá-
los em seguida, por meio de AAS. Por exemplo, as pesquisas modernas de opinião não podem selecionar suas
amostras colocando o nome de cada pessoa do país em uma urna, pelo simples fato de não existir uma lista com os
nomes para todo o país. E mesmo que houvesse, seria extremamente laborioso e nada econômico entrevistar, por
exemplo, 3.000 pessoas selecionadas aleatoriamente e distribuídas por todo o país.
Devido a isso, foi idealizada a amostragem por conglomerados. Trata-se de uma técnica na qual a população é
subdividida em grupos menores, denominados de conglomerados, a partir daí é sorteado um número suficiente
desses conglomerados e dentro de cada conglomerado são selecionados os elementos que farão parte da amostra,
por AAS. Na prática, os conglomerados são selecionados geograficamente. Algumas regiões são escolhidas ao
acaso, dentro dessas regiões algumas sub-regiões são sorteadas e, finalmente, alguns lares ou propriedades são
sorteados. Por exemplo, imagine que se queira saber a opinião dos agricultores do Estado do Paraná, sobre
determinado produto agrícola que está sendo lançado no mercado. Algumas cidades poderiam ser sorteadas, dentro
dessas regiões e, em seguida algumas propriedades seriam escolhidas dentro dessas cidades.
13
Na realidade, esse processo possibilita que o pesquisador entreviste menos pessoas do que se fosse
realizada uma AAS, e torna o trabalho de pesquisa menos árduo, pelo fato de assegurar que as pessoas vivam em
conglomerados (agregados).

1.6 Amostragem de Conveniência

Existem outros tipos de amostragem. Não raramente, a análise estatística é aplicada de forma errada a
algumas amostras, como se elas fossem aleatórias. Quando o processo de amostragem não é realizado de forma
aleatória, tem-se uma amostragem de conveniência. Por exemplo, no estudo de um novo tratamento utilizando seres
humanos portadores de câncer, não é adequado generalizar o resultado para toda a população com esta doença,
uma vez que nem todos os doentes estão dispostos a servirem como cobaias. Outro exemplo: se for colocada uma
cadeira em frente a um supermercado e for pedido que as pessoas preencham um formulário, expressando sua
opinião sobre determinado produto, é pouco provável que essa amostra seja representativa da população. De forma
semelhante, realiza-se uma pesquisa pela internet para escolher o técnico da seleção. Certamente, essa amostra
não será representativa da população, uma vez que irá participar quem quiser.
O pesquisador que trabalha com amostras sempre pretende fazer inferência, isto é, estender os resultados da
amostra para a população. Se a amostra não representa bem a população, os resultados obtidos são válidos apenas
para aqueles elementos da amostra e não para a população como um todo.

1.7 Dimensionamento de amostra

Em algumas seções anteriores foram mostrados alguns procedimentos de coleta de amostras de uma
população. Não menos importante é o cálculo do tamanho da amostra, a qual depende da margem de erro e do grau
de confiança que o pesquisador admite. Assim, segundo Fonseca e Martins(1996), os seguintes procedimentos
deverão ser tomados ao se calcular o tamanho da amostra:

(1º) Deve-se analisar o questionário, ou roteiro de entrevista e escolher a variável que julgar a mais relevante. Se
possível, deve-se escolher mais do que uma.

(2º) Verifique que tipo de variável é esta: se é qualitativa ou quantitativa.

(3º) Considere o tamanho da população: finita ou infinita

Antes de descrever o quarto passo o leitor de verá estar familiarizado a alguns conceitos.

Parâmetro Populacional Constante, em geral desconhecida, que descreve uma população. Ex.: comprimento médio
de todas as peças produzidas pela indústria.
14
Estimador: Corresponde à expressão algébrica que permite obter uma estimativa. Por exemplo, o estimador da
n

x i
média é dado por x  i 1
n

Estimativa: Valor aproximado do valor do parâmetro desconhecido, calculado a partir de uma amostra. Ex. O
comprimento médio de 10 peças coletadas durante a primeira meia hora de produção foi x  100mm .

Margem de erro: no cálculo do tamanho de amostra, é a máxima diferença absoluta permitida entre o valor do
parâmetro populacional e a estimativa. Ex.: A máxima diferença admitida entre o comprimento médio de todas as
peças produzidas e o comprimento médio das peças da amostra é 0,1mm.

Grau de confiança (1- ): no cálculo do tamanho de amostra é a probabilidade de ocorrência de um erro amostral
máximo admitido. Ex.: A probabilidade de ocorrer um erro de no máximo 0,1mm, é de 95%.

(4º) Calcular o tamanho da amostra

1ºcaso) Se a variável escolhida é quantitativa ou se quer estimar uma média e a população for considerada
infinita, o tamanho da amostra poderá ser calculado por:

 Z . 
2

n 
 E 

em que: “E” é a margem de erro, expresso na unidade da variável. A margem de erro é máxima diferença

absoluta permitida entre a média populacional () e a média amostral ( x ), isto é:  x  E.

 Z: representa a abscissa da curva normal padrão. O valor de Z depende do grau de confiança. Nesse caso, o
grau de confiança é a probabilidade de ocorrência do erro máximo admitido, ou seja,
P   x  d   1   .

 (leia-se sigma) é o desvio padrão populacional. Ha três maneiras de se determinar o valor de :

i. Por meio de especificações técnicas;

ii. Resgatando o valor de estudos semelhantes;

iii. Fazendo conjecturas sobre possíveis valores, ou seja, tomando uma amostra piloto, com um número n’
de elementos, escolhido arbitrariamente para, com base nela, estimar o valor de , por meio do desvio
padrão da amostra “S”. Em seguida, aplica-se a expressão obtida para n e caso ocorra n  n’, a mostra
piloto já terá sido suficiente para a estimação, em caso contrário, aumenta-se o tamanho n´da amostra
para n, coletando os elementos que faltaram (n - n’).
15
Exemplos:

( 1 ) Suponha que a variável escolhida num estudo de controle de qualidade de determinada indústria seja o peso de
certo tipo de peça, onde há o interesse de estimar o peso médio. Pelas especificações do produto, o desvio padrão é
de 10 kg. Calcule o tamanho da amostra, admitindo-se um grau de confiança de 95% e um erro amostral de 1,5 kg.

Solução:

Se a variável em estudo é peso em kg (quantitativa), e a população é infinita, pois não é conhecido o número
total de peças produzidas, o tamanho da amostra será dado pela expressão:

 Z . 
2

n 
 E 
Temos os seguintes valores:

 = 10kg, E = 1,5kg e grau de confiança de 95%  1 -  = 0,95  (1 - )/2 = 0,95/2 = 0,475

Procura-se o valor 0,475 no corpo da na tabela da distribuição normal reduzida (Tabela 2.1) e acha-se o valor Z =
1,96 correspondente, de acordo com o esquema a abaixo:

Z = 1,96

2
 1,96  10 
n   170,7378  171 peças
 1,5 

Assim, se a produção é ininterrupta num período de 24 horas, a cada hora deverão ser coletadas aproximadamente
171/24  7 peças da linha de produção (amostragem aleatória sistemática) para realizar o controle de qualidade.

( 2 ) Foi coletada uma amostra piloto de 10 cabos e o desvio padrão de tensão de ruptura foi S = 14,4 kgf. Pergunta-
se: O tamanho da amostra piloto foi suficiente para estimar a média com uma margem de erro de 5kgf e um grau de
confiança de 99%?

Solução:
O desvio padrão populacional  não é conhecido, então é possível utilizar o desvio padrão da amostra piloto
S = 14,4 kgf para calcular o tamanho da amostra.

Temos os seguintes valores:

S = 14,4kg, E = 5kgf, grau de confiança de 99%  1 -  = 0,99  α = 0,01 α/2 = 0,005


16
Número de graus de liberdade  = n – 1 = 10 – 1 = 9.

Na tabela 2.3 procure o valor 9 na margem esquerda e o valor 0,005 na margem superior. No cruzamento da
linha do valor nove com a coluna do valor 0,005 será achado o valor 3,250 como mostra a figura a seguir.

Tabela 3.1 Distribuição de t de Student.


 p 0  0,005 
2 
  tα/2 = 3,250
9   3,250

2
 t .S   3,250  14,4 
2

n    /2      87,6096  88 cabos
 E   5 

Conclusão: Nesse caso, o tamanho da amostra piloto ou pré-amostra n’ = 10 não foi suficiente para estimar a média
com uma margem de erro de 5kgf e um grau de confiança de 99%, uma vez que, para atingir esse objetivo, são
necessários 88 cabos. Portanto, é preciso coletar mais 78 cabos para realizar os testes de tensão de ruptura.

2º caso) Se a variável escolhida for quantitativa ou se quer estimar uma média e a população for finita, o
tamanho da amostra poderá ser dado por:

Z 2  2  N
n
E 2 ( N  1)  Z 2  

Em que: N é o tamanho da população. Os demais elementos da fórmula são os mesmos da anterior.

Exemplos:

( 3 ) Admita os mesmos dados do exemplo 1 e que a produção diária é de 600 peças. Quantas peças deverão ser
coletadas diariamente?

Solução:
A variável em estudo é peso em kg (quantitativa), e o número de peças fabricadas diariamente é 600
(população finita). Logo, o tamanho da amostra será dado pela expressão:

Z 2  2  N
n
E 2 ( N  1)  Z 2  
Temos os seguintes valores:

 = 10kg, E = 1,5kg e Z = 1,96

Logo,
17

1,96 2  10 2  600
n  133,08  134 peças
1,52 599  1,96 2  10 2

Obs: Para calcular o tamanho da amostra, o arredondamento deve ser sempre para mais, para não correr o risco de
aumentar a margem de erro da pesquisa.

Assim, se a produção é ininterrupta num período de 24 horas, a cada hora deverão ser coletadas aproximadamente 6
peças da linha de produção para realizar o controle de qualidade.

3º caso ) Se a variável escolhida é qualitativa, ou se quer estimar uma proporção e a população considerada
for infinita, o tamanho da amostra poderá ser calculado por:

Z 2  pˆ  (1  pˆ )
n
E2

Em que:

p̂ é o estimador da verdadeira proporção de um dos níveis da variável escolhida. Por exemplo, se variável
escolhida for porte da empresa, p̂ poderá ser o estimador da verdadeira proporção de grandes empresas dos
setor que está sendo estudado. Será expresso em decimais. Assim, se p̂ = 30%, ter-se á p̂ = 0,30.

Observação: Há três maneiras de achar o valor de p̂

i. Usar o valor de p̂ de uma pesquisa similar feita anteriormente.


ii. Admitir p̂ = 0,50, pois, dessa forma, ter-se–á o maior tamanho da amostra, admitindo-se constantes os demais
elementos.
iii. Tomando uma amostra piloto ou pré-amostra, com um número n’ de elementos, escolhido arbitrariamente
para, com base nela, achar o valor de p̂ ”. Em seguida, aplica-se a expressão obtida para n e caso ocorra n 
n’, a mostra piloto já terá sido suficiente para a estimação, em caso contrário, aumenta-se o tamanho n´da
amostra para n, coletando os elementos que faltaram (n - n’).

 “E” é a margem de erro, expresso em decimais. O erro amostral, nesse caso é a diferença máxima admita
entre a proporção populacional desconhecida ( p ) e a proporção amostral p̂ , isto é:
p  pˆ  E

 Z representa a abscissa da curva normal padrão. O valor de Z dependerá do grau de confiança. Nesse caso,
o grau de confiança é a probabilidade de ocorrência de um erro máximo admitido.
18
P p  pˆ  E   1  
Exemplo:

( 4 ) Suponha que se que estimar a proporção de eleitores favoráveis ao candidato X. Numa pré-amostra a
porcentagem de eleitores favoráveis a esse candidato foi 30%. Quantos eleitores deverão ser entrevistados para
estimar a proporção citada com um grau de confiança de 99% e uma margem de erro de 2% para mais ou para
menos.

Solução

O objetivo é estimar uma proporção e o tamanho da população não é conhecido, então, utiliza-se a seguinte
expressão para calcular o tamanho da amostra:

Z 2  pˆ  (1  pˆ )
n
E2
Temos os seguintes valores:

30 2
pˆ   0,3 , E  0,02 e grau de confiança de 99%1 -  = 0,99  (1 - )/2 = 0,99/2 = 0,495
100 100
Procura-se o valor 0,495 no corpo da na tabela da distribuição normal reduzida (Tabela 2.1) e acha-se o valor Z =
2,57 correspondente, de acordo com o esquema a abaixo:

Z 0  7 
0,0 
  Z =2,57
2,5   0,4950

Z 2  pˆ  (1  pˆ ) (2,57) 2  (0,30)  (0,70)


n   3.467,57  3468
E2 (0,02) 2

4º caso ) Se a variável escolhida é qualitativa, ou se quer estimar uma proporção e a população é finita, o
tamanho da amostra será calculada por:

Z 2  pˆ  (1  pˆ )  N
n 2
E  ( N  1)  Z 2  pˆ  (1  pˆ )
19
Exemplo:

( 5 ) Admita os mesmos dados do exemplo anterior, e que a população seja formada por 20.000 eleitores.

O objetivo é estimar uma proporção e o tamanho da população é conhecido, então, utiliza-se a seguinte expressão
para calcular o tamanho da amostra:

Z 2  pˆ  (1  pˆ )  N
n
E 2  ( N  1)  Z 2  pˆ  (1  pˆ )

Temos os seguintes valores:

pˆ  0,3 E  0,02 N = 20000 Z = 2,57

Logo,

2,57 2  0,3.(1  0,3).20000


n  2955,33  2956 eleitores
0,02 2  19999  2,57 2  0,3.(1  0,3)

1.8 Sequência de exercícios nº 1

01 – Considere que uma firma tem 100 funcionários e se quer realizar uma pesquisa de opinião com os mesmos,
utilizando uma amostra de 25 funcionários. Sabendo que o nome do funcionário não pode constar mais de uma vez
na listagem dos 25 que serão entrevistados (amostragem sem reposição), qual será o número total de amostras
possíveis. Resposta: 2,42519270 X 1023 ou 242519269720337000000000

02 – Para a mesma lista de nomes apresentada no exemplo 2 da seção 3.2, sorteie uma amostra de 30 nomes,
utilizando a tabela de números aleatórios. Porém, escolha outro número da tabela para começar o processo de
casualização e explique a partir de que linha e coluna da tabela foi iniciado o processo.

03 – Em que situação deve-se utilizar a amostragem aleatória estratificada? Dê um exemplo diferente daquele já
visto nesse material.

04 – Suponha que se queira fazer uma pesquisa eleitoral com relação à preferência a diretor geral da UNIOESTE
para o campus de Foz do Iguaçu. Suponha que o campus é constituído de três categorias (estratos), 1400 alunos
matriculados, 150 professores e 88 funcionários. Pergunta-se:

a) Se fosse realizada uma amostragem estratificada com 70 pessoas, quantos membros de cada categoria fariam
parte da amostra? Resposta: n1 = 60, n2 = 6, n3 = 4
b) Após saber quantos membros de cada categoria fariam parte da amostra, qual seria o próximo procedimento?
20

05. Uma amostra é constituída de 800 alunos de uma escola. Tendo uma listagem dessa população, já ordenada,
explique qual o procedimento para obter uma amostra sistemática de 40 alunos.

06 Sabe-se que numa indústria o desvio padrão de especificação das tensões limites de tração de barras de aço é
15 kgf/mm2. Afim de, realizar o controle de qualidade da produção de barras de aço, quantas seriam necessárias
2
coletar, com um grau de confiança de 95% e erro amostral de 5kgf/mm Resposta: n =35

07. Admita os mesmos dados do exercício anterior e que a produção diária seja de 2500 barras. Quantas barras
deverão ser coletadas diariamente e quantas deverão ser coletadas por hora, se produção é feita em 24 horas
ininterruptas. Resposta: n =35

08. Sabendo-se que a proporção de peças defeituosas de uma indústria não ultrapassa 0,10, calcule o tamanho de
amostra necessário para verificar a porcentagem de peças defeituosas utilizando um grau de confiança de 99% e um
erro amostral de 0,03. Resposta: n = 661

09. Suponha que, entre corpo docente, técnicos administrativos e corpo discente, sua universidade é composta por
um total de 1950 indivíduos. De pesquisa eleitoral anterior sabe-se que a porcentagem favorável ao candidato A, a
diretor geral, é de 77%. Calcule o tamanho da amostra para realizar uma nova pesquisa, admitindo um erro de 2% e
um grau de confiança de 95%. Resposta: n = 909

10. Utilize os dados do exercício anterior para calcular o tamanho da amostra, sem conhecer a porcentagem
favorável ao candidato ao candidato A. Resposta: n = 1077
21
2. ESTIMAÇÃO

2.1 Introdução

A dedução de informações relativas a uma população, mediante a utilização de amostras dela extraídas, diz
respeito à Inferência Estatística.
Um dos objetivos principais da Inferência Estatística é a estimação de parâmetros, tais como a média, o desvio
padrão, a variância populacional, a proporção populacional, etc.

Exemplo 1. Deseja-se ter uma ideia acerca da proporção (desconhecida) de produtores de uma região que
cultivam milho.

Exemplo 2. Há o interesse no tempo médio, de vida de aspersores de uma certa marca, bem como seu desvio
padrão. Parâmetros:  e .

Quando se dispõe de apenas uma parte dos elementos da população (uma amostra), o máximo que se pode
conseguir são valores aproximados para os parâmetros desconhecidos, conhecidos como estimativas. Assim,
definem-se os conceitos a seguir:

Estimação: É o procedimento utilizado para se obter uma estimativa

Basicamente, existem dois processos de estimação, por ponto e por intervalo. Na estimação pontual, um valor
numérico é obtido, através de um estimador, como aproximação para os elementos do parâmetro populacional .

2.2 Estimação por ponto

Na estimação por ponto o parâmetro é estimado através de um valor único, o qual corresponde a um ponto
sobre o eixo de variação da variável. Alguns dos principais estimadores serão estudados a a seguir.

2.2.1 Estimador da média populacional μ

O estimador utilizado é a média aritmética amostral

n
 xi
i 1
x
n

Estimador não tendencioso: Sendo ̂ um estimador do parâmetro , se a esperança ou média de ̂ for igual a ,
ˆ   , diz-se que ̂ é um estimador não tendencioso.
ou seja, E()
22
Exemplo:

Suponha que x1, x2, . . . , x n seja uma amostra aleatória X que segue a distribuição normal com média  e

variância  . Verifique se x é um estimador não tendencioso para estimar  .


2

1 n  1 n 1
E[ x ] = E   xi  =  E[ xi ] = n  E[ x ] = 
 n i 1  n i 1 n

Logo, x estimador não tendencioso para estimar 

Além da não-tendenciosidade, existem outras propriedades da média aritmética x , porém, não é objetivo do
curso apresentá-las. O leitor interessado deverá referir-se a Mood, Graybill e Boes (1974).

2.2.3 Estimador da variância populacional 2 e do desvio padrão populacional 

Quando se deseja estimar a variância populacional 2 e a população de onde é coletada a amostra, é infinita,
se utiliza a variância amostral s2, a qual é dada pela expressão a seguir:

 (x i  x)2
S2  i 1
n 1

em que n é o número total de indivíduos na amostra e x é a média aritmética da amostra.


A razão para se utilizar n - 1 como denominador, no lugar de N é a de que, se infinitas amostras ao acaso
forem coletadas nessa população infinita, a média aritmética simples da variável S 2 será 2, ou seja, E(s2) = 2.
Assim, pode-se dizer que S2 é um estimador não tendencioso de 2 para populações infinitas.
Nesse caso, o desvio padrão será

s  s2

O desvio padrão s não é um estimador não-tendencioso de .


Se a amostra tiver sido coletada de uma população finita, então a variância amostral será representada por:

n
 ( xi  x)2
N  1 i 1 N 1 2
ˆ2 
  S
N n 1 N

O leitor deve perceber que

lim ˆ 2  s 2
N
23
ou seja, à medida que o tamanho da população finita vai se tornando alto, o uso de ̂ 2 ou de S praticamente
2

conduzem ao mesmo resultado.


Novamente, a razão do uso da expressão acima para a variância amostral é a de que, se várias amostras
2
forem coletadas nessa população finita, então o valor médio de  será  . Assim, tem-se que ̂
2 2
é um estimador
não tendencioso de 2 para populações finitas.
Neste caso o desvio padrão será dado por:

 ˆ2
ˆ 

2.3 Estimação por intervalo

O segundo processo de estimação é a chamada estimação por intervalo. A estimação pontual, se bem que
valiosa (e quase sempre necessária), pode ser tida como incompleta, no sentido de que não expressa a confiança
que se possa ter acerca da maior ou menor diferença entre as estimativas do parâmetro , e o valor real
desconhecido.
Então, a chamada estimação por intervalo foi idealizada para procurar suprir essa necessidade. Por ela, algum
tipo de intervalo é construído, de tal maneira que se possa atribuir probabilidades de que o valor real do parâmetro 
esteja ali contido.
Em outras palavras, nesse processo de estimação se constrói um intervalo em torno da estimativa por ponto,
de modo que esse intervalo tenha uma probabilidade de conter o verdadeiro valor do parâmetro. Assim, surge o
conceito de grau de confiança (1 - ).
A escolha do grau de confiança (1 - ) depende da precisão com que se deseja estimar o parâmetro. É muito
comum a utilização de níveis de 90%, 95% e 99%. Evidentemente, o aumento da confiança no intervalo implica no
aumento da amplitude (diferença entre os limites superior e inferior do intervalo).

2.3.1 Intervalo de confiança da média populacional .

Nesta seção será abordado o intervalo de confiança para a média , quando a amostra é aleatória simples,
tomada de uma população infinita.
Para a construção do intervalo de confiança para , é conveniente estudar distribuições de amostragem
associadas a seu estimador pontual x . Para tanto, existem teoremas, para os casos onde a população pode ser
descrita por uma distribuição normal, que são úteis.

Teorema 4.1 Seja a população infinita descrita por uma variável X com distribuição normal N (,  ). Se infinitas
2

amostras de tamanho n são coletadas nessa população, então a média x dessas amostras terá distribuição normal
com média  e variância 2/n.
24
1 caso Quando o desvio padrão populacional  for conhecido
o

Se o desvio padrão populacional  for conhecido, então pode-se utilizar diretamente o teorema anterior para
calcular a probabilidade associada a x , pois neste caso, x terá distribuição normal, com média  e variância  /n,
2

ou seja,

x ~ (, 2/n)

Assim a, a variável:

x 
z

n

tem distribuição normal com média 0 e variância 1. Nesse caso, a probabilidade do intervalo [-/2, /2] conter o
verdadeiro valor de Z é 1 - , ou seja:

P[-z/2  Z  z/2] = 1 - 

Esta probabilidade pode ser visualizada na Figura 4.1

Figura 4.1 - Distribuição normal, reduzida ou padronizada

Substituindo Z na expressão anterior tem-se:

 x  
P  z  / 2   z/2  1  
 / n 
que isolando  resulta

   
P x  Z  / 2    x  Z / 2 1 
 n n 

Portanto, o intervalo de confiança de (1 - )100% para  será

 
x  Z / 2    x  Z / 2
n n
25
Exemplo

O desvio padrão de especificação técnica de comprimentos de peças produzidas por certa máquina é de 2mm.
Uma amostra de 50 peças produzidas por esta máquina apresentou média x  25 mm . Construir o I.C. de 95% para
o verdadeiro comprimento médio da população de peças produzidas por essa máquina.

Solução:

 = 2 mm
n = 50
x = 25 mm
Grau de confiança  1 -  = 0,95  (1 - )/2 = 0,95/2 = 0,475

Procura-se o valor 0,475 no corpo da na tabela da distribuição normal reduzida (Tabela 2.1) e acha-se o valor Z =
1,96 correspondente, de acordo com o esquema a abaixo:

Z =1,96

Dessa forma, têm-se todos os elementos para o cálculo do intervalo de confiança da média, ou seja:

 
x  z/2    x  z/2
n n

2 2
25  1,96    25  1,96
50 50

25 – 0,6 ≤  ≤ 25+0,6

24,4    25,6

Interpretação

Assim, o verdadeiro comprimento médio da população de peças produzidas por essa máquina é 25 mm,
tolerando com 95% de confiança, a margem de erro de 0,6 mm para mais ou para menos.

2ocaso: Quando o desvio padrão populacional  for desconhecido

Na maioria das situações é muito pouco provável que  seja conhecido. Assim, faz-se necessário o próximo
teorema:

Teorema 4.2 Seja uma população infinita descrita por uma variável aleatória X com distribuição normal N (,2). E
sejam infinitas amostras de tamanho n coletadas nessa população, a partir das quais são calculadas x e S2. Então a
x 
variável t  tem distribuição conhecida como t de Student, e que tem como único parâmetro a constante  = n
s
n
–1 (nº de graus de liberdade.)
26

Dessa forma, a probabilidade do intervalo [-t/2, t/2] conter o verdadeiro valor de t é 1- , ou seja:

P[-t/2  t  t/2] = 1 - 

Esta probabilidade pode ser visualizada na Figura 4.2

Figura 4.2 - Distribuição t de Student

Substituindo t na expressão anterior tem-se:

 x  
P  t  / 2   t/2  1 
 S/ n 

que isolando  resulta

 S S 
P x  t  / 2    x  t/2 1 
 n n 

Portanto, o intervalo de confiança de (1 - )100% para  será

S S
x  t/2    x  t/2
n n

Os valores de t são achados na Tabela 2.3.

Exemplo

Numa amostra de cabos produzidos por uma máquina foram ensaiadas cinco unidades e as tensões de ruptura
obtidas foram

750 780 745 770 e 765 kgf

Construir um intervalo de Confiança de 99% para a verdadeira tensão média de ruptura desses cabos.

Solução:

x i
3810
x i 1
  762 kgf
n 5
27
n

 (x i  x )2
830
S2  i 1
  14,4 kgf 2
n 1 5 1

n = 5, G.L =  =n - 1 = 5 – 1 = 4

1 -  = 0,99   = 1 – 0,99 = 0,01  /2 = 0,005

Na Tabela 2.3, a de t de Student, procura-se o número G.L. =  = 4 graus de liberdade na primeira coluna da
esquerda e /2 = 0,005 na linha superior. Procura-se o valor numérico que está no cruzamento da linha do número
G.L. =  = 4 graus de liberdade, com a coluna do número /2 = 0,005 como mostra o esquema a seguir.

Assim, achou-se t/2 = 4,604 e o intervalo de confiança fica:


S S
x  t/2    x  t/2
n n

14,4 14,4
762  4,604     762  4,604 
5 5

762 - 29,6492    762 + 29,6492

732,4    791,6

Interpretação

Significa que a verdadeira tensão média de ruptura desses cabos é 762 kgf, tolerando com 99% de
confiança, a margem de erro de 29,6492 para mais ou para menos.

2.3.2 Intervalo de confiança da variância populacional 2 e do desvio padrão populacional 


Quando a população da qual a amostra foi coletada for normal (ou aproximadamente normal), então existe um
procedimento que permite a construção de um intervalo de confiança para  . Será abordado aqui apenas o caso de
2

amostragem aleatória simples.


Teorema 4.3. Se infinitas amostras são coletadas de uma população infinita e normal, a partir das quais são
( n  1)S 2
calculadas variâncias amostrais S2, então a variável definida por  
2
tem uma distribuição conhecida
2
denominada de “qui-quadrado”, com parâmetro  = (n –1) graus de liberdade.

A partir do teorema 5.3 é possível construir um intervalo de confiança para  , utilizando a distribuição qui-
2

quadrado, simbolizada por 2.


 2 2

A probabilidade do intervalo 1 / 2 ;   / 2 conter o algum valor de  é iguala a 1 - , ou seja,
2
28

P 12 / 2   ;
2
 2 / 2 .= 1 - 
Esta probabilidade está representada na Figura 5.3

 
Figura 5.3 Representação gráfica da probabilidade do intervalo 1 / 2 ;   / 2 conter o algum valor de 2
2 2

Substituindo 2 na expressão anterior, tem-se

 2 ( n  1)S 2 
P 1 / 2  ;  2
 /  =1-
2
2
 

que isolando 2 resulta

 ( n  1)S 2 ( n  1)S 2 
P 2  2  2   1 
   / 2 1 / 2 

Portanto, o I. C. de (1 -)x100% da variância populacional 2 será:

( n  1)S 2 ( n  1)S 2
  2

 2 / 2 12 / 2

e do desvio padrão populacional  será

( n  1)S 2 ( n  1)S 2
  
 2 / 2 12 / 2

Exemplo:

Têm-se os seguintes pesos, em gramas, de 10 pacotes postais remetidos por certas empresa:

46,4 46,1 45,8 47,0 46,1 45,9 45,8 46,9 45,2 46,0

Determinar um intervalo de confiança de 95% para a variância e para o desvio padrão dos pesos de todos os pacotes
(população) expedidos pela empresa.

Solução:
29
n

x i
x i 1
 46,12 kg
n

46,4 46,1 45,8 47,0 46,1 45,9 45,8 46,9 45,2 46,0

n = 10,  = n –1 = 10 –1= 9
1 -  = 0,95   = 1 - 0,95   = 0,05   / 2 = 0,05 / 2 = 0,025
1 -  / 2 = 1 - 0,025 = 0,975

Na tabela 2.4, para este exemplo, o valor de 1 / 2 é achado no cruzamento da linha em que ocorre o valor
2

GL = 9 com a coluna em que ocorre o valor 0,975. Já, o valor de   / 2 é achado na tabela 2.5 para o cruzamento da
2

mesma linha (GL = 9), com a coluna onde ocorre o valor 0,025. Essa descrição pode ser visualizada no esquema a
seguir.

Tabela 2.4- Distribuição Qui-Quadrado Tabela 2.5- Distribuição Qui-Quadrado

Logo, o I. C. de 95% para a variância populacional  será:


2

( n  1)S 2 ( n  1)S 2
  2

 2 / 2 12 / 2

9  0,5352 9  0,5352
2 
19,023 2,7

0,135   2  0,953

Interpretação

Dessa forma, a probabilidade do intervalo [0,135; 0.953] conter o verdadeiro valor da variância dos pesos de
todos os pacotes expedidos pela empresa, é de 95%. Em outras palavras, se infinitas amostras de pacotes postais
remetidos por esta empresa forem coletados, 95% dos intervalos irão conter o verdadeiro valor da variância dos
pesos de todos os pacotes expedidos pela mesma.

O I. C. de 95% para o desvio padrão populacional  será:

0,135    0,953  0,367    0,976


30
Interpretação

Significa que a probabilidade do intervalo [0,367; 0.976] conter o verdadeiro valor do desvio padrão dos pesos
de todos os pacotes expedidos pela empresa, é de 95%. Em outras palavras, se infinitas amostras de pacotes
postais remetidos por esta empresa forem coletados, 95% dos intervalos irão conter o verdadeiro valor do desvio
padrão dos pesos de todos os pacotes expedidos pela mesma.

2.3.3 Intervalo de confiança para a proporção populacional p

Um parâmetro do qual frequentemente tem-se muito interesse é a proporção “p” dos indivíduos de uma
população que guardam alguma característica de interesse. Como exemplo tem-se a proporção em cada 100
indivíduos com determinada doença, proporção de atletas com lesão no joelho. Em seção anterior foi visto que a
proporção de indivíduos de uma categoria é dada pelo quociente entre o número de indivíduos desta categoria e o
número total de indivíduos em estudo, ou seja

x
pˆ 
n

Em que x é o número de vezes que o evento de sucesso ocorre na amostra e n é o tamanho da amostra.
Para amostras suficientemente grandes, a distribuição amostral das proporções é aproximadamente normal
com média,
 ˆp  p

e desvio padrão

p(1  p) pq
 ˆp  =
n n

ou seja,

p  N  p, 
 pq
 n 

Assim, a variável aleatória,

ˆp  p
Z
pq
n

tem distribuição normal com média 0 e variância 1. Nesse caso, a probabilidade do intervalo [-z/2, z/2] conter o
verdadeiro valor de Z é 1 - , ou seja:

P[-z/2  Z  z/2] = 1 - 
31

Esta probabilidade pode ser visualizada na Figura 4.4

Figura 4.4 Distribuição normal, reduzida ou padronizada.

Substituindo Z na expressão anterior tem-se:

 
 
pp 
P  z  / 2    z  / 2   1  
 pqˆ 
 
 n 

que isolando p resulta em

   
pqˆ ˆ
pq
P ˆp  Z  / 2  p  ˆp  Z  / 2  1 
 n n 

)100% para p será

 
pqˆ pqˆ
ˆp  Z  / 2  p  ˆp  Z  / 2
n n

Exemplo

Em uma amostra de 200 peças produzidas por certa máquina, verificou-se que 10 eram defeituosas. Estimar a
verdadeira proporção populacional de peças defeituosas produzidas por essa máquina, utilizando um Intervalo de
90% de confiança.
32
Solução:

10  0,05
n = 200 pˆ  200  qˆ  1  pˆ  1  0,05  0,95

1 -  = 0,90  (1 - )/2 = 0,90/2 = 0,45

Procura-se o valor 0,45 no corpo da tabela da distribuição normal reduzida (Tabela 2.1). Nota-se que esse valor não
existe, de acordo com a figura abaixo. Os valores mais próximos do procurado são 0,4495 e 0,4505, os quais têm a
mesma diferença em relação a esse, ou seja, 0,0005. A maioria dos autores opta pelo primeiro valor (0,4495) cujo
valor de Z correspondente é 1,64.
Tabela 2.1 Distribuição normal.

Z 0  4 5
0,0  
   Z = 1,64
1,6   0,4495 0,4505

Dessa forma, têm-se todos os elementos para o cálculo do intervalo de confiança, da proporção, ou seja:

 
pqˆ pqˆ
ˆp  Z  / 2  p  ˆp  Z  / 2
n n

0,05 . 0,95 0,05 . 0,95


0,05  1,64  p  0,05  1,64 
200 200

0,05 – 0,0253 ≤ p ≤ 0,05 + 0,0253

0,0247 ≤ p ≤ 0,0753 ou 2,47% ≤ p ≤ 7,53%

Interpretação

Logo, a verdadeira proporção populacional de peças defeituosas produzidas por essa máquina é 0,05,
tolerando com 90% de confiança, a margem de erro de 0,0253 para mais ou para menos.
33
2.3.4 Intervalo de confiança para a diferença entre duas médias populacionais 1 e 2

1º caso: Quando os desvios padrão populacionais 1 e 2 forem conhecidos

Substituindo a estatística
( x1  x 2 )  ( 1   2 )
z
σ12 σ 22

n1 n2
em P[-z/2  Z  z/2] = 1 - 

E isolando 1 - 2, obtêm-se o Intervalo de confiança para 1 - 2, ou seja,

 12  22  12  22
( x1  x2 )  z / 2    1   2  ( x1  x2 )  z / 2  
n1 n2 n1 n2

Exemplo

Os desvios padrão das durações das lâmpadas elétricas fabricadas pelas indústrias A e B são,
respectivamente, 50h e 80h. Foram ensaiadas 40 lâmpadas de cada marca e as durações médias foram
respectivamente, 1200h e 1100h. Construir um intervalo de confiança de 99% para a diferença entre as durações
médias das lâmpadas das duas marcas e verifique se há diferença significativa.

Solução:

x A  1200 h ,  A  50 h , n A  40 , x B  1100 h ,  B  80 h , nB  40 ,

Grau de confiança de 99%  1 -  = 0,99  (1 - )/2 = 0,99/2 = 0,495

Tabela 2.1 – distribuição normal


Z 0  7 
0,0 
  Zα/2 = 2,57
2,5   0,4950

 A2  B2  A2  B2
( x A  x B )  z / 2     A   B  ( x A  x B )  z / 2  
nA nB nA nB

50 2 80 2 50 2 80 2
(1200  1100)  2,57     A   B  (1200  1100)  2,57  
40 40 40 40

61,66  1   2  138,34
34
Interpretação

A probabilidade do intervalo que vai de 61,66 a 138,34, conter a diferença entre as durações médias das
lâmpadas elétricas das duas marcas, é de 99%. Haja vista que o valor 0 não pertence ao intervalo, há diferença
significativa entre as médias.

2º caso: Quando os desvios padrão populacionais 1 e  2 forem desconhecidos e supostamente iguais

Substituindo a estatística
(x1  x 2 )  d 0
t (5)
 1 1 
s 2p   
 n1 n 2 

em P[-z/2  Z  z/2] = 1 - 

E isolando 1 - 2, obtêm-se o Intervalo de confiança para 1 - 2, ou seja,

1 1 1 1
( x1  x2 )  t / 2  S p2     1   2  ( x1  x2 )  t / 2  S p2   
 n1 n2   n1 n2 

Em que s 2p é o estimador da variância comum às duas populações, expressada por:

(n1  1) . s12  (n 2  1) . s 22
s 2p 
n1  n 2  2

Exemplo:

Os diâmetros, em mm, de uma amostra de 5 tubos da fabrica A são: 45, 47, 45, 44, 46. Já, os de uma
amostra de 6 tubos fábrica B são: 43, 45, 44, 44, 46, e 43. Construir um intervalo de confiança de 95% para as
diferenças entre os diâmetros médios e verificar se há diferença significativa entre as médias.

Solução

45    46 (45  45,4) 2  (46  45,4) 2


xA   45,4 mm , S A2   1,3mm 2 ,
5 5 1

43    43 (43  44,2) 2  (43  44,2) 2


xB   44,2 mm , S B2   1,4mm 2 ,
6 6 1

(n A  1) . s A2  (n B  1) . s B2 (5  1) . 1,3  (6  1) . 1,4
s 
2
  1,4 mm 2 ,
n A  nB  2 562
p
35

α – 1 = 0,95  α = 0,05  α/2 = 0,025

Para  = 5 + 6 – 2 = 9 graus de liberdade e α/2 = 0,025, a tabela de t de Student fornece tα/2 = 2,262, como mostra
figura a seguir:

Tabela 2.3- Distribuição t de student


GL \  0,25  0,025 
1 
 
9   2,262

 1 1   1 1 
( x A  x B )  t / 2  S p2      A   B  (( x A  x B )  t / 2  S p2   
 n A nB   n A nB 

1 1 1 1
(45,4  44,2)  2,262  1,4     A   B  ((45,4  44,2)  2,262  1,4  
5 6 5 6

 0,42  1   2  2,82 mm

Interpretação

A probabilidade do intervalo que vai de -0,42 a 2,82, conter a diferença entre os diâmetros médios, é de 95%.
Haja vista que o valor 0 pertence ao intervalo, não há diferença significativa entre as médias.

2º caso: Quando os desvios padrão populacionais 1 e  2 forem desconhecidos e supostamente diferentes

Nesse caso, usamos um método aproximado (Aspin Welch), cuja estatística é dada por:

( x1  x 2 )  ( 1   2 )
z
s12 s 22

n1 n2
Com graus de liberdade

(w1  w 2 ) 2
ν 
w 12 w 22

n1  1 n 2  1
Em que
36
s12 s 22
w1  e w2  , sendo s12 e s 22 as variâncias das amostras 1 e 2.
n1 n2

O intervalo de Confiança de (1 – α).100% será dada por:

S12 S 22 S2 S2
( x1  x2 )  t / 2    1   2  (( x1  x2 )  t / 2  1  2
n1 n2 n1 n2

Exemplo

Em certo município, registros pluviométricos mostraram que nos últimos oito anos, durante o mês de janeiro,
a queda média pluviométrica foi de 125 mm com desvio padrão s1 = 25 mm . Outro município apresentou nos
últimos 5 anos, também durante o mês de janeiro, uma queda média de 100 mm com desvio padrão s 2 = 5 mm .
Construir o intervalo de confiança de 99% para a diferença entre as quedas médias pluviométricas, supondo desvios
padrão populacionais diferentes e interpretar o resultado.

Solução

s12 25 2
x1  125 mm , s1  25 mm , n1 =8 , w1    78,125 ,
n1 8

s 22 5 2
x2  100 mm , s 2  5 mm , n2 =5 , w2    5,
n2 5

( w1  w2 ) 2 (78,125  5) 2
  8
w12 w22 78,125 2 52
 
n1  1 n2  1 8 1 5 1

1 – α = 0,99  α = 0,01  α/2 = 0,005

Na tabela da distribuição t de Student para  = 8 e α/2 = 0,005 encontramos tα/2 = 3,355, como
mostra a figura a seguir:

Tabela 2.3- Distribuição t de student


GL \  0,25  0,005 
1 
 
8   3,355

37

S12 S 22 S2 S2
( x1  x2 )  t / 2    1   2  (( x1  x2 )  t / 2  1  2
n1 n2 n1 n2

25 2 5 2 25 2 5 2
(125  100)  3,355    1   2  ((125  100)  3,355  
8 5 8 5

 5,59  1  2  55,59 mm

Interpretação

A probabilidade do intervalo que vai de -5,59 a 55,59 mm, conter a diferença entre as quedas médias
pluviométricas, é de 99%. Haja vista que o valor 0 pertence ao intervalo, não há diferença significativa entre as
médias.

2.3.5 Sequência de exercícios nº 2

01 Uma amostra de válvulas eletrônicas foi testada e os tempos de vida (em horas) foram:

2100 2150 2200 2130 2180 2120 2180 2100 2130 e 2160

Estimar o tempo médio de vida e variância desse tipo de válvula. Resposta: 2145 h e 1205,6 h2

02. Para estimarmos a resistência média à compressão, uma amostra de 5 corpos de prova de concreto apresentou
os seguintes resultados, em Kgf/cm 2:

245 260 254 248 e 256

a) Construir um intervalo de confiança de 99% para a verdadeira resistência média à compressão. R: 240,1 ≤  ≤
265,1
b) interprete o resultado do item “a”.

03. Sabendo que o desvio padrão das tensões limites de tração de barras de aço é 15 kgf/mm 2, e que, uma amostra
de 35 barras foram ensaiadas apresentando tração média igual a 70 kgf/mm2, pede-se:

a) Construir um intervalo de confiança de 99% para a verdadeira tensão média limite de tração. R: 63,5 ≤  ≤ 76,5
b) Interpretar o resultado do item “a”.

04. Dois tipos de pneus são fabricados por certa indústria, admitindo-se que os desvios padrão de durações dos
pneus dos tipos A e B são, respectivamente, 3500 km e 4000 km. Amostras de 50 pneus de cada tipo foram testadas,
obtendo-se as durações médias de 30000 km para o tipo A e 25000 para o tipo B.

a) Construir o intervalo de confiança de 95% para a diferença entre as durações médias dos dois tipos de pneus.
R: 3526,7 ≤ A - B ≤ 6473,3
b) Interprete o resultado do item “a”. Há diferença significativa entre as durações médias dos dois tipos de pneus?

05. Dois topógrafos mediaram o mesmo ângulo, utilizando o mesmo instrumento. Os resultados obtidos foram:
38

Topógrafo 1 15º15’ 15º16’ 15º18’ 15º17’


Topógrafo 2 15º13’ 15º15’ 15º12’ 15º15’ 15º14’ 15º15’

a) Construir um intervalo de confiança de 99% para a diferença entre as médias obtidas pelos dois topógrafos. Supor
desvios padrão iguais. . R: -0,262’ ≤ 1 - 2 ≤ 5,662’
b) Interpretar o resultado do item “a”.

06. Dois operários mediaram o tempo (em minutos) de certa operação industrial, obtendo. Os resultados obtidos
foram:

Operário 1 10 15 13 8 12 15
Operário 2 13 17 18 20 10

a) Construir um intervalo de confiança de 95% para a diferença entre os tempos médios obtidos pelos dois operários.
Supor desvios padrão populacionais diferentes. R: -8,47 ≤ 1 - 2 ≤ 1,61
b) Interpretar o resultado do item “a”.

07. Foram realizadas 12 determinações da densidade (g/cm3) de certo metal, obtendo-se os resultados,

12,0 19,3 19,1 19,3 19,2 19,4 19,2 19,3 19,2 19,0 19,5 19,3

Construir um intervalo de confiança de 95% para a variância e o desvio padrão. R: 0,011 ≤ 2 ≤ 0,063 e
0,105 ≤  ≤ 0,251

08. Em uma amostra de 80 componentes eletrônicos, verificou-se que 10 estavam fora das especificações exigidas
para os mesmos.

a) Construir um intervalo de confiança de 99% para a proporção de componentes fora das especificações.
R: 0,030 ≤ p ≤ 0,220
b) Interpretar o resultado do item “a”.

09. Foram realizadas 30 determinações da vazão de um rio em determinada seção, obtendo-se a tabela de
frequências

3
Vazão (m /S) Frequências
10 I 12 3
12 I 14 3
14 I 16 10
16 I 18 8
18 I 20 4
20 I 22 2

a) Construir um intervalo de confiança de 99% para a média e o desvio padrão de vazão. R: 14,5 ≤  ≤ 17,3 e
2,01 ≤  ≤ 4,01
39
b) Interpretar o resultado do item “a”.

10. A cronometragem de certa operação industrial forneceu os seguintes valores, em segundos,

19 13 17 18 18 17 19 21 23 18 18

a) Construir um intervalo de confiança de 90% para a média populacional; R: 16,9 ≤  ≤ 19,7


b) Construir um intervalo de confiança de 95% para a média; R: 16,6 ≤  ≤ 20,0
c) Construir um intervalo de confiança de 90% para o desvio padrão populacional; 1,84 ≤  ≤ 3,97
d) Construir um intervalo de confiança de 95% para o desvio padrão populacional; 1,74 ≤  ≤ 4,38

e) Determinar (a) e (b) se o desvio padrão populacional for conhecido ( = 0,9 s). 17,9 ≤  ≤ 18,7 e 17,8 ≤  ≤ 18,8

11. Uma amostra de pesos das caixas contendo produtos químicos forneceu os seguintes resultados (em kg)

3,45 3,75 3,54 3,67 3,87 3,50 3,60 3,55

a) Construir um intervalo de confiança de 90% para a média e o desvio padrão de vazão. R: 3,45 ≤  ≤ 3,79 e
0,084 ≤  ≤ 0,377

b) Para um intervalo de confiança de 90% para a média, qual a porcentagem dos valores seguintes:

3,90 4,01 3,56 3,60 3,20 3,98

Estaria fora desse intervalo. R: aproximadamente 67%

12. Qual o tamanho mínimo da amostra para se estimar a média de uma população cujo desvio padrão é igual a 10,
com confiança de 99% e margem de erro igual a 4? Supor que a amostragem é obtida sem reposição de uma
população de 1000 elementos. R: 40

13. Deduzir a expressão para dimensionar a amostra que estima a proporção populacional através de um intervalo de
confiança de (1 – α )100%, sendo uma amostra obtida de uma população infinita.

Z 2  pˆ  (1  pˆ )
Resposta: n 
E2

14. Deduzir a expressão para dimensionar a amostra que estima a média populacional através de um intervalo de
confiança de (1 – α )100%, sendo uma amostra obtida de uma população infinita, com desvio padrão populacional 
desconhecido.

2
 t / 2 .s 
Resposta: n   
 E 
40
15. Qual o tamanho da amostra suficiente para estimar a proporção de peças defeituosas fornecidas por certa
máquina, com margem de erro de 0,03 e 99% de confiança, sabendo que essa proporção não ultrapassa a 0,10?
Reposta: n = 661
41

2.4 Tabelas Estatísticas

Tabela 2.1 - Distribuição normal - probabilidade de o valor de Z padronizado estar entre 0 e o valor
tabulado nas margens

╔════╦═══════════════════════════════════════════════════════════════════════╗
║ Z ║ 0 1 2 3 4 5 6 7 8 9 ║
╠════╬═══════════════════════════════════════════════════════════════════════╣
║0,0 ║0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359 ║
║0,1 ║0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753 ║
║0,2 ║0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141 ║
║0,3 ║0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517 ║
║0,4 ║0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879 ║
║0,5 ║0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224 ║
║0,6 ║0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549 ║
║0,7 ║0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852 ║
║0,8 ║0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133 ║
║0,9 ║0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389 ║
║1,0 ║0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621 ║
║1,1 ║0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830 ║
║1,2 ║0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015 ║
║1,3 ║0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177 ║
║1,4 ║0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319 ║
║1,5 ║0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441 ║
║1,6 ║0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545 ║
║1,7 ║0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633 ║
║1,8 ║0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706 ║
║1,9 ║0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767 ║
║2,0 ║0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817 ║
║2,1 ║0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857 ║
║2,2 ║0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890 ║
║2,3 ║0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916 ║
║2,4 ║0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936 ║
║2,5 ║0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952 ║
║2,6 ║0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964 ║
║2,7 ║0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974 ║
║2,8 ║0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981 ║
║2,9 ║0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986 ║
║3,0 ║0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990 ║
║3,1 ║0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993 ║
║3,2 ║0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995 ║
║3,3 ║0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997 ║
║3,4 ║0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998 ║
║3,5 ║0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 ║
║3,6 ║0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 ║
║3,7 ║0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 ║
║3,8 ║0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 ║
║3,9 ║0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0.5000 0.5000 0.5000 ║
╚════╩════════════════════════════════════════════════════════════════════════
42

Tabela 2.2 - Distribuição normal - probabilidade do valor de Z padronizado ser maior que o valor
tabulado nas margens (Zc), ou probabilidade do valor Z ser menor que os valores negativos das
margens (-Zc).

╔════╦═════════════════════════════════════════════════════════════════════════╗
║ Z ║ 0 1 2 3 4 5 6 7 8 9 ║
╠════╬═════════════════════════════════════════════════════════════════════════╣
║0,0 ║0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641 ║
║0,1 ║0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247 ║
║0,2 ║0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859 ║
║0,3 ║0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483 ║
║0,4 ║0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121 ║
║0,5 ║0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776 ║
║0,6 ║0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451 ║
║0,7 ║0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148 ║
║0,8 ║0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867 ║
║0,9 ║0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611 ║
║1,0 ║0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379 ║
║1,1 ║0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170 ║
║1,2 ║0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985 ║
║1,3 ║0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823 ║
║1,4 ║0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681 ║
║1,5 ║0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559 ║
║1,6 ║0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455 ║
║1,7 ║0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367 ║
║1,8 ║0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294 ║
║1,9 ║0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233 ║
║2,0 ║0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183 ║
║2,1 ║0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143 ║
║2,2 ║0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110 ║
║2,3 ║0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084 ║
║2,4 ║0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064 ║
║2,5 ║0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048 ║
║2,6 ║0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036 ║
║2,7 ║0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026 ║
║2,8 ║0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019 ║
║2,9 ║0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014 ║
║3,0 ║0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010 ║
║3,1 ║0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007 ║
║3,2 ║0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005 ║
║3,3 ║0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003 ║
║3,4 ║0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002 ║
║3,5 ║0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 ║
║3,6 ║0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 ║
║3,7 ║0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 ║
║3,8 ║0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 ║
║3,9 ║0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 ║
╚════╩═════════════════════════════════════════════════════════════════════════╝
43

Tabela 2.3- Distribuição t de student - valores de t para para =0,250; 0,200; 0,150; 0,100; 0,05;
0,025; 0,01; 0,005; e 0,001.

╔════╦═════════════════════════════════════════════════════════════════════════╗
║\ ║ 0,250 0,200 0,150 0,100 0,050 0,025 0,010 0,005 0,001 ║
╠════╬═════════════════════════════════════════════════════════════════════════╣
║ 1║ 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,657 636,619 ║
║ 2║ 0,816 1,061 1,386 1,886 2,920 4,303 6,965 9,925 31,599 ║
║ 3║ 0,765 0,979 1,250 1,638 2,353 3,182 4,541 5,841 12,924 ║
║ 4║ 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604 8,610 ║
║ 5║ 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032 6,869 ║
║ 6║ 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707 5,959 ║
║ 7║ 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,500 5,408 ║
║ 8║ 0,706 0,889 1,108 1,397 1,860 2,306 2,896 3,355 5,041 ║
║ 9║ 0,703 0,883 1,100 1,383 1,833 2,262 2,821 3,250 4,781 ║
║ 10║ 0,700 0,879 1,093 1,372 1,812 2,228 2,764 3,169 4,587 ║
║ 11║ 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106 4,437 ║
║ 12║ 0,695 0,873 1,083 1,356 1,782 2,179 2,681 3,055 4,318 ║
║ 13║ 0,694 0,870 1,079 1,350 1,771 2,160 2,650 3,012 4,221 ║
║ 14║ 0,692 0,868 1,076 1,345 1,761 2,145 2,624 2,977 4,140 ║
║ 15║ 0,691 0,866 1,074 1,341 1,753 2,131 2,602 2,947 4,073 ║
║ 16║ 0,690 0,865 1,071 1,337 1,746 2,120 2,583 2,921 4,015 ║
║ 17║ 0,689 0,863 1,069 1,333 1,740 2,110 2,567 2,898 3,965 ║
║ 18║ 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878 3,922 ║
║ 19║ 0,688 0,861 1,066 1,328 1,729 2,093 2,539 2,861 3,883 ║
║ 20║ 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845 3,850 ║
║ 21║ 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831 3,819 ║
║ 22║ 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819 3,792 ║
║ 23║ 0,685 0,858 1,060 1,319 1,714 2,069 2,500 2,807 3,768 ║
║ 24║ 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,797 3,745 ║
║ 25║ 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787 3,725 ║
║ 26║ 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779 3,707 ║
║ 27║ 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771 3,690 ║
║ 28║ 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763 3,674 ║
║ 29║ 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756 3,659 ║
║ 30║ 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750 3,646 ║
║ 40║ 0,681 0,851 1,050 1,303 1,684 2,021 2,423 2,704 3,551 ║
║ 60║ 0,679 0,848 1,045 1,296 1,671 2,000 2,390 2,660 3,460 ║
║ 120║ 0,677 0,845 1,041 1,289 1,658 1,980 2,358 2,617 3,373 ║
║ 240║ 0,676 0,843 1,039 1,285 1,651 1,970 2,342 2,596 3,332 ║
║ 480║ 0,675 0,842 1,038 1,283 1,648 1,965 2,334 2,586 3,311 ║
║ 960║ 0,675 0,842 1,037 1,282 1,646 1,962 2,330 2,581 3,301 ║
║1920║ 0,675 0,842 1,037 1,282 1,646 1,961 2,328 2,578 3,296 ║
║3840║ 0,675 0,842 1,037 1,282 1,645 1,961 2,327 2,577 3,293 ║
║ ║ 0,674 0,842 1,036 1,282 1,645 1,960 2,326 2,576 3,291 ║
44
Tabela 2.4- Distribuição Qui-Quadrado - Valores de  para P(    )= com  =0,995; 0,990;
2 2 2
c
0,975; 0,950; 0,900; 0,750; e 0,500
╔═══╦═════════════════════════════════════════════════════════════════════╗
║GL/║ 0.995 0.990 0.975 0.950 0.900 0.750 0.500║
╠═══╬═════════════════════════════════════════════════════════════════════╣
║ 1║ 0.000039 0.000157 0.000982 0.003932 0.015791 0.101532 0.455║
║ 2║ 0.010025 0.020101 0.050636 0.102587 0.210721 0.575364 1.386║
║ 3║ 0.071721 0.114831 0.215793 0.351843 0.584369 1.213 2.366║
║ 4║ 0.206989 0.297109 0.484418 0.710723 1.064 1.923 3.357║
║ 5║ 0.411742 0.554298 0.831212 1.145 1.610 2.675 4.351║
║ 6║ 0.675727 0.872090 1.237 1.635 2.204 3.455 5.348║
║ 7║ 0.989256 1.239 1.690 2.167 2.833 4.255 6.346║
║ 8║ 1.344 1.646 2.180 2.733 3.490 5.071 7.344║
║ 9║ 1.735 2.088 2.700 3.325 4.168 5.899 8.343║
║ 10║ 2.156 2.558 3.247 3.940 4.865 6.737 9.342║
║ 11║ 2.603 3.053 3.816 4.575 5.578 7.584 10.341║
║ 12║ 3.074 3.571 4.404 5.226 6.304 8.438 11.340║
║ 13║ 3.565 4.107 5.009 5.892 7.042 9.299 12.340║
║ 14║ 4.075 4.660 5.629 6.571 7.790 10.165 13.339║
║ 15║ 4.601 5.229 6.262 7.261 8.547 11.037 14.339║
║ 16║ 5.142 5.812 6.908 7.962 9.312 11.912 15.338║
║ 17║ 5.697 6.408 7.564 8.672 10.085 12.792 16.338║
║ 18║ 6.265 7.015 8.231 9.390 10.865 13.675 17.338║
║ 19║ 6.844 7.633 8.907 10.117 11.651 14.562 18.338║
║ 20║ 7.434 8.260 9.591 10.851 12.443 15.452 19.337║
║ 21║ 8.034 8.897 10.283 11.591 13.240 16.344 20.337║
║ 22║ 8.643 9.542 10.982 12.338 14.041 17.240 21.337║
║ 23║ 9.260 10.196 11.689 13.091 14.848 18.137 22.337║
║ 24║ 9.886 10.856 12.401 13.848 15.659 19.037 23.337║
║ 25║ 10.520 11.524 13.120 14.611 16.473 19.939 24.337║
║ 26║ 11.160 12.198 13.844 15.379 17.292 20.843 25.336║
║ 27║ 11.808 12.879 14.573 16.151 18.114 21.749 26.336║
║ 28║ 12.461 13.565 15.308 16.928 18.939 22.657 27.336║
║ 29║ 13.121 14.256 16.047 17.708 19.768 23.567 28.336║
║ 30║ 13.787 14.953 16.791 18.493 20.599 24.478 29.336║
║ 40║ 20.707 22.164 24.433 26.509 29.051 33.660 39.335║
║ 50║ 27.991 29.707 32.357 34.764 37.689 42.942 49.335║
║ 60║ 35.534 37.485 40.482 43.188 46.459 52.294 59.335║
║120║ 83.852 86.923 91.573 95.705 100.624 109.220 119.334║
║240║ 187.324 191.990 198.984 205.135 212.386 224.882 239.334║
║480║ 403.949 410.874 421.189 430.198 440.745 458.754 479.334║
║960║ 850.891 861.015 876.028 889.081 904.291 930.093 959.333║
╚═══╩═════════════════════════════════════════════════════════════════════╝
45
Tabela 2.5 - Distribuição Qui-Quadrado - Valores de  para P(    )= com  =0,500; 0,250;
2 2 2
c
0,100; 0,050; 0,025; 0,010; e 0,005.
╔═══╦═════════════════════════════════════════════════════════════════════╗
║ GL║ 0.500 0.250 0.100 0.050 0.025 0.010 0.005║
╠═══╬═════════════════════════════════════════════════════════════════════╣
║ 1║ 0.454940 1.323 2.706 3.841 5.024 6.635 7.879║
║ 2║ 1.386 2.773 4.605 5.991 7.378 9.210 10.597║
║ 3║ 2.366 4.108 6.251 7.815 9.348 11.345 12.838║
║ 4║ 3.357 5.385 7.779 9.488 11.143 13.277 14.860║
║ 5║ 4.351 6.626 9.236 11.070 12.833 15.086 16.750║
║ 6║ 5.348 7.841 10.645 12.592 14.449 16.812 18.548║
║ 7║ 6.346 9.037 12.017 14.067 16.013 18.475 20.278║
║ 8║ 7.344 10.219 13.362 15.507 17.535 20.090 21.955║
║ 9║ 8.343 11.389 14.684 16.919 19.023 21.666 23.589║
║ 10║ 9.342 12.549 15.987 18.307 20.483 23.209 25.188║
║ 11║ 10.341 13.701 17.275 19.675 21.920 24.725 26.757║
║ 12║ 11.340 14.845 18.549 21.026 23.337 26.217 28.300║
║ 13║ 12.340 15.984 19.812 22.362 24.736 27.688 29.819║
║ 14║ 13.339 17.117 21.064 23.685 26.119 29.141 31.319║
║ 15║ 14.339 18.245 22.307 24.996 27.488 30.578 32.801║
║ 16║ 15.338 19.369 23.542 26.296 28.845 32.000 34.267║
║ 17║ 16.338 20.489 24.769 27.587 30.191 33.409 35.718║
║ 18║ 17.338 21.605 25.989 28.869 31.526 34.805 37.156║
║ 19║ 18.338 22.718 27.204 30.144 32.852 36.191 38.582║
║ 20║ 19.337 23.828 28.412 31.410 34.170 37.566 39.997║
║ 21║ 20.337 24.935 29.615 32.671 35.479 38.932 41.401║
║ 22║ 21.337 26.039 30.813 33.924 36.781 40.289 42.796║
║ 23║ 22.337 27.141 32.007 35.172 38.076 41.638 44.181║
║ 24║ 23.337 28.241 33.196 36.415 39.364 42.980 45.559║
║ 25║ 24.337 29.339 34.382 37.652 40.646 44.314 46.928║
║ 26║ 25.336 30.435 35.563 38.885 41.923 45.642 48.290║
║ 27║ 26.336 31.528 36.741 40.113 43.195 46.963 49.645║
║ 28║ 27.336 32.620 37.916 41.337 44.461 48.278 50.993║
║ 29║ 28.336 33.711 39.087 42.557 45.722 49.588 52.336║
║ 30║ 29.336 34.800 40.256 43.773 46.979 50.892 53.672║
║ 40║ 39.335 45.616 51.805 55.758 59.342 63.691 66.766║
║ 50║ 49.335 56.334 63.167 67.505 71.420 76.154 79.490║
║ 60║ 59.335 66.981 74.397 79.082 83.298 88.379 91.952║
║120║ 119.334 130.055 140.233 146.567 152.211 158.950 163.648║
║240║ 239.334 254.392 268.471 277.138 284.802 293.888 300.182║
║480║ 479.334 500.519 520.111 532.075 542.599 555.006 563.561║
║960║ 959.333 989.180 1016.566 1033.193 1047.760 1064.867 1076.621║
║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║║

Você também pode gostar