Estatísticas ABNT

NORMA ABNT NBR
BRASILEIRA ISO
3534-1
Primeira edição
12.05.2010
Válida a partir de
12.06.2010
Estatística — Vocabulário e símbolos

Parte 1: Termos estatísticos gerais e termos
usados em probabilidade
Exemplar para uso exclusivo - COMISSÃO NACIONAL DE ENERGIA NUCLEAR - IPEN-CNEN/SP - 00.402.552/0005-50
Statistics – Vocabulary and symbols

Part 1: General statistical terms and terms used in probability
ICS 01.040.03; 03.120.30 ISBN 978-85-07-02066-0
Número de referência
ABNT NBR ISO 3534-1:2010
69 páginas
© ISO 2006 - © ABNT 2010
Impresso por: Mery Piedad Zamudio Igami (ADM.)

© ISO 2006
Todos os direitos reservados. A menos que especificado de outro modo, nenhuma parte desta publicação pode ser reproduzida
ou utilizada por qualquer meio, eletrônico ou mecânico, incluindo fotocópia e microfilme, sem permissão por escrito da ABNT,
único representante da ISO no território brasileiro.
© ABNT 2010
Todos os direitos reservados. A menos que especificado de outro modo, nenhuma parte desta publicação pode ser reproduzida
ou utilizada por qualquer meio, eletrônico ou mecânico, incluindo fotocópia e microfilme, sem permissão por escrito da ABNT.
ABNT
Av.Treze de Maio, 13 - 28º andar
20031-901 - Rio de Janeiro - RJ
Tel.: + 55 21 3974-2300
Fax: + 55 21 3974-2346
abnt@abnt.org.br
www.abnt.org.br
ii © ISO 2006 - © ABNT 2010 - Todos os direitos reservados

Sumário Página
Prefácio Nacional.......................................................................................................................................................iv
Introdução ...................................................................................................................................................................v
Escopo .........................................................................................................................................................................1
1 Termos estatísticos gerais ...........................................................................................................................1
2 Termos usados em probabilidade .............................................................................................................21
Anexo A (informativo) Símbolos..............................................................................................................................48
Anexo B (informativo) Diagramas conceituais de termos estatísticos ...............................................................50
Anexo C (informativo) Diagramas conceituais de termos de probabilidade ......................................................56
Anexo D (informativo) Metodologia usada no desenvolvimento do vocabulário ........................................60
D.1 Introdução ...................................................................................................................................................60
D.2 Conteúdo de um item de vocabulário e a regra de substituição............................................................60

D.3 Relação entre conceitos e sua representação gráfica ............................................................................60
D.3.1 Generalidades ..............................................................................................................................................60
D.3.2 Relação genérica .........................................................................................................................................61
D.3.3 Relação partitiva ..........................................................................................................................................61
D.3.4 Relação associativa.....................................................................................................................................61
D.4 Diagramas de conceito ...............................................................................................................................62
Bibliografia ................................................................................................................................................................64
Índice alfabético........................................................................................................................................................65
Figuras
Figura B.1 — Conceitos básicos de população e amostra ..................................................................................50
Figura B.2 — Conceitos relativos aos momentos amostrais...............................................................................51
Figura B.3 — Conceitos de estimação ...................................................................................................................52
Figura B.4 — Conceitos relativos a testes estatísticos........................................................................................53
Figura B.5 — Conceitos relativos às classes e distribuições empíricas............................................................54
Figura B.6 — Diagrama conceitual de inferência estatística ...............................................................................55
Figura C.1 — Conceitos fundamentais em probabilidade....................................................................................56
Figura C.2 — Conceitos relativos a momentos .....................................................................................................57
Figura C.3 — Conceitos relativos às distribuições de probabilidade.................................................................58
Figura C.4 — Conceitos relativos às distribuições contínuas.............................................................................59
Figura D.1 — Representação gráfica de uma relação genérica...........................................................................61
Figura D.2 — Representação gráfica de uma relação partitiva ...........................................................................61
Figura D.3 — Representação gráfica de uma relação associativa .....................................................................61
Tabelas
Tabela 1 — Resultados para o Exemplo 1 ...............................................................................................................9
Tabela 2 —Exemplo da distribuição binomial .......................................................................................................27
Tabela 3 — Exemplo da distribuição normal padronizada...................................................................................28
Tabela 4 — Exemplo da distribuição hipergeométrica.........................................................................................39
© ISO 2006 - © ABNT 2010 - Todos os direitos reservados iii

ABNT NBR IEC 3534-1:2010
Prefácio Nacional
A Associação Brasileira de Normas Técnicas (ABNT) é o Foro Nacional de Normalização. As Normas Brasileiras,
cujo conteúdo é de responsabilidade dos Comitês Brasileiros (ABNT/CB), dos Organismos de Normalização
Setorial (ABNT/ONS) e das Comissões de Estudo Especiais (ABNT/CEE), são elaboradas por Comissões de
Estudo (CE), formadas por representantes dos setores envolvidos, delas fazendo parte: produtores, consumidores
e neutros (universidade, laboratório e outros).
Os Documentos Técnicos ABNT são elaborados conforme as regras das Diretivas ABNT, Parte 2.
A Associação Brasileira de Normas Técnicas (ABNT) chama atenção para a possibilidade de que alguns dos
elementos deste documento podem ser objeto de direito de patente. A ABNT não deve ser considerada
responsável pela identificação de quaisquer direitos de patentes.
A ABNT NBR ISO 3534-1 foi elaborada pela Comissão de Estudo Especial de Aplicações de Métodos Estatísticos
(ABNT/CEE-83). O Projeto circulou em Consulta Nacional conforme Edital nº 04, de 25.03.2010 a 23.04.2010,
com o número de Projeto 83:000.00-001/1.
Esta Norma é uma adoção idêntica, em conteúdo técnico, estrutura e redação, à ISO 3534:2006, que foi elaborada
pelo Technical Committee Applications of Statistical Methods (ISO/TC 69), Subcommittee Terminology and
Symbols (SC 01), conforme ISO/IEC Guide 21-1:2005.
Esta Norma cancela e substitui a ABNT NBR 10536:1988.
O Escopo desta Norma Brasileira em Inglês é o seguinte
Scope
This part of ABNT NBR ISO 3534 defines general statistical terms and terms used in probability which may be used
in the drafting of other Standards. In addition, it defines symbols for a limited numbers of these terms.
The terms are classified as:
a) General statistics terms (Clause 1);
b) Terms used in probability (Clause 2).
Annex A gives a list of symbols and abbreviations recommended to be used for this part of ABNT NBR ISO 3534.
The entries in this part of ABNT NBR ISO 3534 are arranged in association with concept diagrams provides
as Annexes B and C.
iv © ISO 2006 - © ABNT 2010 - Todos os direitos reservados

Introdução
As versões atuais da ABNT NBR ISO 3534-1 e ISO 3534-2 foram desenvolvidas para serem compatíveis.
Estas Normas compartilham do objetivo comum de restringir seus níveis matemáticos respectivos aos níveis
mínimos necessários para alcançar definições coerentes, corretas e concisas. A Parte 1, referente aos termos
usados em probabilidade e estatística, é fundamental, portanto por necessidade é apresentada em um nível
matemático um tanto sofisticado. Reconhecendo que os usuários da ISO 3534-2 ou outras normas do TC 69 em
estatística aplicada podem ocasionalmente consultar esta parte da ABNT NBR ISO 3534 para a definição
de determinados termos, muitos dos termos são descritos de uma maneira menos técnica nas notas e ilustrados
com exemplos. Embora estas descrições informais não sejam um substituto para definições formais, podem
fornecer uma definição operacional dos conceitos para leigos, assim servindo às necessidades de usuários
múltiplos destas normas de terminologia. Para acomodar mais o usuário aplicado que estaria envolvido
normalmente com normas tais como ISO 3534-2 ou ISO 5725, por exemplo, notas e exemplos são oferecidos para
fazer esta parte da ISO 3534 mais acessível.
Um conjunto bem definido e razoavelmente completo de termos de probabilidade e estatística é essencial

ao desenvolvimento e ao uso eficaz de normas estatísticas. As definições fornecidas aqui devem ser
suficientemente exatas e matematicamente sofisticadas para permitir que desenvolvedores das normas de
estatística evitem ambigüidades. Naturalmente, explicações mais detalhadas dos conceitos, dos seus contextos e
dos seus campos de aplicação podem ser encontradas em livros introdutórios de probabilidade e estatística.
Os diagramas conceituais são fornecidos em um anexo informativo para cada grupo de termos: 1) termos
estatísticos gerais (Anexo B) e 2) termos usados em probabilidade (Anexo C). Há seis diagramas conceituais para
termos estatísticos gerais e quatro para os termos relativos à probabilidade. Alguns termos aparecem em
diagramas múltiplos para fornecer uma ligação de um conjunto de conceitos a outro. O Anexo D fornece uma
breve introdução aos diagramas de conceito e à sua interpretação.
Estes diagramas foram instrumentos na elaboração desta revisão, pois ajudam a delinear as interdependências
dos vários termos. Estes diagramas são também provavelmente úteis na tradução da norma para outros idiomas.
Como um comentário geral no que diz respeito à grande parte da norma, salvo indicação em contrário,
as definições se relacionam ao caso unidimensional (univariada). Desta forma, elimina-se a necessidade
de se mencionar o âmbito unidimensional para a maioria das definições.
© ISO 2006 - © ABNT 2010 - Todos os direitos reservados v


NORMA BRASILEIRA ABNT NBR ISO 3534-1:2010
Estatística — Vocabulário e símbolos

Parte 1: Termos estatísticos gerais e termos usados em probabilidade
Escopo
Esta parte da ABNT NBR ISO 3534 define termos estatísticos gerais e termos usados em probabilidade que
podem ser utilizados na elaboração de outras Normas. Além disso, define símbolos para um número limitado
destes termos.
Os termos são classificados como:
a) termos estatísticos gerais (Seção 1);

b) termos usados em probabilidade (Seção 2).
O Anexo A apresenta uma lista de símbolos e abreviaturas recomendados para esta parte da
ABNT NBR ISO 3534.
Os termos desta parte da ABNT NBR ISO 3534 são organizados em associação com os diagramas de conceito
mostrados nos Anexos B e C.
1 Termos estatísticos gerais
1.1
população
totalidade dos itens considerados
NOTA 1 A população pode ser real e finita, real e infinita ou completamente hipotética. O termo "população finita" é usado
às vezes, especialmente na amostragem de investigação. Do mesmo modo o termo "população infinita" é usado no contexto de
amostragem a partir de um contínuo. Na Seção 2, a população será vista em um contexto probabilístico como o espaço
amostral (2.1).
NOTA 2 Uma população hipotética permite que se imagine a natureza de dados adicionais sob várias suposições. Portanto,
as populações hipotéticas são úteis no estágio de planejamento de investigações estatísticas, particularmente para determinar
tamanhos de amostra apropriados. Uma população hipotética poderia ser finita ou infinita em número. É um conceito
particularmente útil na estatística de inferência para auxiliar na avaliação da força de evidência em uma investigação estatística.
NOTA 3 O contexto de uma investigação pode ditar a natureza populacional. Por exemplo, se três cidades são selecionadas
para um estudo demográfico ou de saúde, então a população consiste apenas nos residentes destas cidades. Alternativamente,
se as três cidades foram selecionadas aleatoriamente entre todas as cidades em uma região específica, então a população
consistiria em todos os residentes da região.
1.2
unidade amostral
uma das partes individuais em que uma população (1.1) é dividida
NOTA Dependendo das circunstâncias, a menor parte da população de interesse pode ser um indivíduo, um domicílio,
um distrito escolar, uma unidade administrativa e assim por diante.
© ISO 2006 - © ABNT 2010 - Todos os direitos reservados 1

1.3
amostra
subconjunto de uma população (1.1) composto de uma ou mais unidades amostrais (1.2)
NOTA 1 As unidades amostrais podem ser itens, valores numéricos ou mesmo entidades abstratas dependendo da
população de interesse.
NOTA 2 A definição de amostra na ISO 3534-2 inclui um exemplo da estrutura de amostragem que é essencial para
se obter uma amostra aleatória de uma população finita.
1.4
valor observado
valor obtido de uma propriedade associada com um elemento de uma amostra (1.3)
NOTA 1 Os sinônimos comuns são "realização" e "dado".
NOTA 2 A definição não especifica a origem ou como este valor foi obtido. O valor pode representar a realização de uma
variável aleatória (2.10), mas não necessariamente. Este pode ser um dos diversos valores que serão sujeitos posteriormente
à análise estatística. Embora inferências apropriadas exijam certo embasamento estatístico, não há nada que impeça a
utilização de sumários ou descrições gráficas de valores observados. O mecanismo estatístico se torna relevante e essencial
somente quando forem consideradas algumas questões, tais como a determinação da probabilidade de um conjunto específico
de realizações. O estágio preliminar de uma análise de valores observados é referido geralmente como análise de dados.
1.5
estatística descritiva
descrição gráfica, numérica ou outras apresentações sumárias dos valores observados (1.4)
EXEMPLO 1 Os descritivos numéricas incluem média (1.15), amplitude (1.10), desvio-padrão amostral (1.17) e outras.
EXEMPLO 2 Exemplos de descrições gráficas incluem gráficos boxplot, diagramas, gráficos Q-Q, gráficos de quantis
normais, diagramas de dispersão, diagramas de dispersão múltiplos e histogramas.
1.6
amostra aleatória
amostra (1.3) que foi selecionada por um método de seleção aleatória
NOTA 1 Esta definição é menos restritiva do que a apresentada na ISO 3534-2 para populações infinitas.
NOTA 2 Quando a amostra de n unidades de amostragem é selecionada de um espaço amostral (2.1) finito, cada uma das
combinações possíveis de n unidades de amostragem terá uma probabilidade (2.5) particular de ser tomada. Na avaliação de
planos de amostragem, a probabilidade particular de cada combinação possível pode ser previamente determinada.
NOTA 3 Para avaliação da amostragem de um espaço amostral finito, uma amostra aleatória pode ser selecionada
por planos de amostragem diferentes tais como a amostragem aleatória estratificada, amostragem aleatória sistemática,
amostragem por conglomerados, amostragem com probabilidade de amostragem proporcional ao tamanho de uma variável
auxiliar e muitas outras possibilidades.
NOTA 4 A definição refere-se geralmente aos valores observados (1.4) de fato. Estes valores observados são
considerados como realizações das variáveis aleatórias (2.10), onde cada valor observado corresponde a uma variável
aleatória. Quando estimadores (1.12), estatísticas de teste para testes estatísticos (1.48) ou os intervalos de confiança
(1.28) são derivados de uma amostra aleatória, a definição faz referência às variáveis aleatórias oriundas das entidades
abstratas na amostra mais do que aos valores observados reais destas variáveis aleatórias.
NOTA 5 As amostras aleatórias das populações infinitas são geradas freqüentemente por extrações repetidas do espaço
amostral, conduzindo a uma amostra que consiste em variáveis aleatórias independentes distribuídas de maneira idêntica
usando a interpretação desta definição mencionada na Nota 4.
2 © ISO 2006 - © ABNT 2010 - Todos os direitos reservados

1.7
amostra aleatória simples
<população finita> amostra aleatória (1.6) tal que cada subconjunto de um dado tamanho tenha a mesma
probabilidade de seleção
NOTA Esta definição está em harmonia com a definição apresentada na ISO 3534-2, embora a frase aqui seja
ligeiramente diferente.
1.8
estatística
função completamente especificada de variáveis aleatórias (2.10)
NOTA 1 Uma estatística é uma função de variáveis aleatórias em uma amostra aleatória (1.6) no sentido mencionado na
Nota 4 de 1.6.
NOTA 2 Com referência à Nota 1, se X 1, X 2 ,..., X n  for uma amostra aleatória de uma distribuição normal (2.50)
com média (2.35) µ desconhecida e desvio-padrão (2.37)  desconhecido, então a expressão  X1  X 2  ...  X n  / n
é uma estatística denominada média amostral (1.15), enquanto que  X1  X 2  ...  X n  / n    não é uma estatística
porque envolve o valor desconhecido do parâmetro (2.9) µ .
NOTA 3 A definição apresentada é técnica, correspondendo ao tratamento encontrado na estatística matemática.

Em termos de aplicação, a mesma palavra “estatística” pode se referir à disciplina técnica que envolve as atividades de análise
descritas em Normas Internacionais do ISO/TC 69.
1.9
estatística de ordem
estatística (1.8) determinada por sua classificação em um arranjo não decrescente das variáveis aleatórias
(2.10)
EXEMPLO Sejam os valores observados de uma amostra 9, 13, 7, 6, 13, 7, 19, 6, 10 e 7. Os valores observados
da estatística de ordem são 6, 6, 7, 7, 7, 9, 10, 13, 13, 19. Estes valores constituem realizações de X 1 até X 10 .
NOTA 1 Sejam os valores observados (1.4) de uma amostra aleatória (1.6) x1, x 2 ,..., x n e ordenados de forma não
decrescente designada como x 1  ...  x k   ...  x n  . Então x 1,..., x k ,..., x n   é o valor observado da estatística de
ordem X 1,...., X k ,... X n   e x k  é o valor observado da k-ésima estatística de ordem.
NOTA 2 Na prática, a estatística de ordem para uma série de dados é obtida com a ordenação dos dados como descrito
formalmente na Nota 1. A forma ordenada da série de dados permite, então, obter uma estatística descritiva como apresentada
nas próximas definições.
NOTA 3 As estatísticas de ordem envolvem valores da amostra identificados por sua posição após a ordenação na forma
não decrescente. Como no exemplo, é mais fácil compreender a ordenação dos valores da amostra (realizações de variáveis
aleatórias) do que a ordenação de variáveis aleatórias não observadas. Não obstante, pode-se conceber a organização
em ordem não decrescente de variáveis aleatórias de uma amostra aleatória (1.6). Por exemplo, o máximo de n variáveis
aleatórias pode ser estudado antes do seu valor realizado.
NOTA 4 A estatística de ordem individual é uma estatística que é uma função completamente especificada de uma variável
aleatória. Esta função é simplesmente a função identidade com a identificação adicional da posição ou da classificação
no conjunto organizado de variáveis aleatórias.
NOTA 5 Os valores coincidentes representam um problema potencial especialmente para variáveis aleatórias discretas
e para as realizações que são expressas com baixa resolução. A palavra "não decrescente" é usada ao invés de "ascendente"
como uma aproximação sutil ao problema. Deve-se enfatizar que os valores coincidentes são mantidos e não agrupados em
um único valor. No exemplo acima, as duas realizações 6 e 6 são valores coincidentes.
NOTA 6 A ordenação ocorre em referência a valores reais e não aos valores absolutos das variáveis aleatórias.

NOTA 7 O conjunto completo das estatísticas de ordem consiste em uma variável aleatória de n dimensões, onde n
é o número de observações na amostra.
NOTA 8 Os componentes da estatística de ordem são referidos também como estatísticas de ordem, mas com um
qualificador que forneça o número na seqüência de valores ordenados da amostra.
NOTA 9 O mínimo, o máximo e para tamanhos de amostra ímpares, a mediana amostral (1.13), são casos especiais
de estatísticas de ordem. Por exemplo, para o tamanho de amostra 11, X 1 é o mínimo, X 11 é o máximo e X 6 
é a mediana amostral.
1.10
amplitude
estatística de ordem (1.9) maior subtraída da estatística de ordem menor
EXEMPLO Continuando com o exemplo de 1.9, a amplitude observada da amostra é 19 – 6 = 13
NOTA Em controle de processo estatístico, a amplitude amostral é muitas vezes utilizada para monitorar a dispersão
no tempo de um processo, notadamente quando os tamanhos das amostras são relativamente pequenos.
1.11
meio da amplitude
média (1.15) da menor e da maior das estatísticas de ordem (1.9)
EXEMPLO O meio da amplitude observada para os valores do exemplo em 1.9 é (6 + 19)/2 = 12,5
NOTA O meio da amplitude fornece uma avaliação rápida e simples do meio de um pequeno conjunto de dados.
1.12
estimador
estatística (1.8) usada na estimação (1.36) do parâmetro
NOTA 1 Um estimador pode ser a média amostral (1.15) destinada a estimar a média (2.35) populacional, que poderia ser
denotada por µ. Para uma distribuição (2.11) como a distribuição normal (2.50), o estimador "natural" da média
populacional µ é a média amostral.
NOTA 2 Para estimar uma propriedade da população [por exemplo, a moda (2.27) para uma distribuição univariada
(2.16)], um estimador apropriado poderia ser uma função dos estimadores dos parâmetros de uma distribuição ou poderia ser
uma função complexa de uma amostra aleatória (1.6).
NOTA 3 O termo "estimador" é usado de uma forma abrangente. Inclui o estimador pontual para um parâmetro, assim como
o estimador intervalar que é usado possivelmente para a predição (algumas vezes referido como um preditor). O estimador
também pode incluir funções como estimadores de kernel e outras estatísticas de finalidade especial. Uma discussão adicional
é fornecida nas notas de 1.36.
1.13
mediana amostral
[(n+1)/2]-ésima estatística de ordem (1.9), se o tamanho de amostra n (ver 1.2.26 na ISO 3534-2:2006)
for ímpar; a soma das (n/2)-ésima e [n/2) + 1]-ésima estatísticas de ordem divididas por 2, se o tamanho de
amostra n for par
EXEMPLO Continuando com o exemplo de 1.9, o valor 8 é uma realização da mediana amostral. Neste caso (tamanho de
o o
amostra par igual a 10), o 5 e o 6 valores são 7 e 9, cuja média é 8. Na prática, isto seria relatado como "a mediana amostral
é 8", embora, estritamente falando, a mediana amostral seja definida como uma variável aleatória.

NOTA 1 Para uma amostra aleatória (1.6) de tamanho de amostra n cujas variáveis aleatórias (2.10) são arranjadas na
ordem não decrescente de 1 a n, a mediana amostral é a (n+1)/2-ésima variável aleatória se o tamanho de amostra for ímpar.
Se o tamanho de amostra n for par, então a mediana amostral é a média da (n/2)-ésima e da (n+1)/2-ésima variáveis aleatórias.
NOTA 2 Conceitualmente, pode parecer impossível conduzir uma ordenação de variáveis aleatórias que ainda não foram
observadas. Não obstante, a estrutura para compreender a estatística de ordem pode ser estabelecida, de modo que,
com base na observação, a análise possa ser realizada. Na prática, são obtidos valores observados e, com base
na classificação dos valores, são obtidas realizações da estatística de ordem. Estas realizações podem então ser interpretadas
a partir da estrutura da estatística de ordem de uma amostra aleatória.
NOTA 3 A mediana amostral fornece um estimador do valor que ocupa a posição central de uma distribuição, com metade
dos valores acima da mediana e metade abaixo.
NOTA 4 Na prática, a mediana amostral é útil em fornecer um estimador que é insensível aos valores muito extremos
em uma série de dados. Por exemplo, as medianas das rendas e as medianas dos preços de moradia são freqüentemente
relatadas como valores que resumem todos os dados.
1.14
momento amostral de ordem k
 
E Xk
soma da k-ésima potência de variáveis aleatórias (2.10) em uma amostra aleatória (1.6), dividida pelo número
de observações na amostra (1.3)
NOTA 1 Para uma amostra aleatória do tamanho de amostra n, isto é, X 1, X 2 ,..., X n  o momento amostral de ordem k,
 , é
E X k
1 n k
 Xi
n i 1
NOTA 2 Além disso, este conceito pode ser descrito como o momento amostral de ordem k em relação a zero.
NOTA 3 O momento amostral de ordem 1 será considerado na definição seguinte como a média amostral (1.15).
NOTA 4 Embora a definição seja dada para k arbitrário, exemplos de uso geral envolvem na prática k = 1 [média amostral
(1.15)], k = 2 [associado com a variância amostral (1.16) e o desvio-padrão amostral (1.17)], k = 3 [relativo ao coeficiente
de assimetria amostral (1.20)] e k = 4 [relativo ao coeficiente de curtose amostral (1.21)].
NOTA 5 O “E” em  
E X k vem de “valor esperado” ou de "esperança matemática" da variável aleatória X.
1.15
média amostral
média
média aritmética
soma de variáveis aleatórias (2.10) em uma amostra aleatória (1.6) dividida pelo número de termos na soma
EXEMPLO Continuando com o exemplo de 1.9, a realização da média amostral é 9,7 porque a soma dos valores
observados é 97 e o tamanho da amostra é 10.
NOTA 1 Considerada uma estatística, a média amostral é uma função de variáveis aleatórias de uma amostra aleatória no
sentido dado na Nota 3 de 1.8. Deve-se distinguir este estimador do valor numérico da média amostral calculada dos valores
observados (1.4) na amostra aleatória.
NOTA 2 A média amostral considerada uma estatística é usada frequentemente como um estimador para a média (2.35)
populacional. Um sinônimo comum é a média aritmética.

NOTA 3 Para uma amostra aleatória de tamanho de amostra n, isto é, X 1, X 2 , ..., X n  , a média amostral é:
1 n
X   Xi
n i 1
NOTA 4 A média amostral pode ser reconhecida como o momento amostral de ordem 1.
NOTA 5 Para o tamanho de amostra 2, a média amostral, a mediana amostral (1.13) e o meio da amplitude (1.11) são os
mesmos.
1.16
variância amostral
S2
soma dos desvios quadrados das variáveis aleatórias (2.10) em uma amostra aleatória (1.6) em relação à sua
média amostral (1.15), dividida pelo número de termos da soma menos um
EXEMPLO Continuando com o exemplo numérico de 1.9, a variância amostral pode ser calculada como 17,57. A soma
de quadrados em relação à média amostral observada é 158,10 e o tamanho de amostra 10 menos 1 é 9, resultando
no denominador apropriado.
NOTA 1 Considerada uma estatística (1.8), a variância amostral S2 é uma função de variáveis aleatórias de uma amostra
aleatória. É necessário distinguir este estimador (1.12) do valor numérico da variância amostral calculada dos valores
observados (1.4) na amostra aleatória. Este valor numérico é chamado de variância amostral empírica ou a variância amostral
observada e denotado geralmente por s2 .
NOTA 2 Para uma amostra aleatória de tamanho de amostra n, isto é, X1, X 2, ..., X n  , com média amostral X
a variância amostral é:
 
n
1 2
S2  Xi  X
n  1 i 1
NOTA 3 A variância amostral é uma estatística que é "quase" a média dos desvios quadrados das variáveis aleatórias
(2.10) da média amostral ("quase" uma vez que n - 1 é usado ao invés n no denominador). O uso de n - 1 fornece
um estimador não tendencioso (1.34) da variância (2.36) populacional.
NOTA 4 A grandeza n - 1 é conhecida como graus de liberdade (2.54).
NOTA 5 A variância amostral pode ser reconhecida como sendo o segundo momento amostral das variáveis aleatórias
amostrais padronizadas (1.19).
1.17
desvio-padrão amostral
S
raiz quadrada não-negativa da variância amostral (1.16)
EXEMPLO Continuando com o exemplo numérico de 1.9, o desvio-padrão amostral observado é 4,192 uma vez que
a variância amostral observada é 17,57.
NOTA 1 Na prática, o desvio-padrão amostral é usado para estimar o desvio-padrão (2.37). Novamente deve-se enfatizar
que S também é uma variável aleatória (2.10) e não uma realização de uma amostra aleatória (1.6).
NOTA 2 O desvio-padrão amostral é uma medida da dispersão de uma distribuição (2.11).

1.18
coeficiente de variação amostral
desvio-padrão amostral (1.17) dividido pela média amostral (1.15)
NOTA Como para o coeficiente de variação (2.38), a utilidade desta estatística é limitada às populações que têm valores
positivos. O coeficiente de variação é expresso geralmente como uma porcentagem.
1.19
variável aleatória amostral padronizada
variável aleatória (2.10) menos sua média amostral (1.15), dividida pelo desvio-padrão amostral (1.17)
EXEMPLO Para o exemplo de 1.9, a média amostral observada é 9,7 e o desvio-padrão amostral observado é 4,192.
Portanto, as variáveis aleatórias padronizadas observadas (com duas casas decimais) são:
- 0,17; 0,79; - 0,64; - 0,88; 0,79; - 0,64; 2,22; - 0,88; 0,07; - 0,62.
NOTA 1 A variável aleatória amostral padronizada é distinta de sua contraparte teórica variável aleatória padronizada
(2.33). A intenção da padronização é transformar variáveis aleatórias de forma a resultar em médias zero e desvios-padrão
unitários, para facilitar a interpretação e a comparação.
NOTA 2 Os valores observados padronizados têm uma média observada de zero e um desvio-padrão observado de 1.
1.20
coeficiente de assimetria amostral
média aritmética da terceira potência das variáveis aleatórias amostrais padronizadas (1.19) de uma amostra
aleatória (1.6)
EXEMPLO Continuando com o exemplo de 1.9, o coeficiente de assimetria amostral observado pode ser calculado como
sendo 0,971 88. Para um tamanho de amostra de 10, como neste exemplo, o coeficiente de assimetria amostral é altamente
variável e portanto deve ser usado com cuidado. Utilizando a fórmula alternativa da Nota 1, o valor calculado é 1,349 83.
NOTA 1 A fórmula correspondente à definição é
3
1 n  X i  X 

n i 1  S 
Alguns programas estatísticos usam a seguinte fórmula para a correção de tendência (1.33) do coeficiente de
assimetria amostral:
n
n
 Z3
n  1n  2 i 1 i
onde
Xi  X
Zi 
S
Para um tamanho de amostra grande, a distinção entre as duas estimativas é insignificante. A razão da estimativa
não tendenciosa em relação à tendenciosa é 1,389 para n = 10, 1,031 para n = 100 e 1,003 para n = 1 000.

NOTA 2 Assimetria refere-se à falta de simetria. Valores desta estatística próximos de zero sugerem que a distribuição
subjacente seja aproximadamente simétrica, enquanto que valores mais distantes de zero corresponderiam provavelmente
a uma distribuição que apresenta valores extremos ocasionais em um dos lados do centro da distribuição. Os dados
assimétricos também seriam refletidos nos valores da média amostral (1.15) e da mediana amostral (1.13), que não seriam
semelhantes. Os dados de assimetria positiva (para a direita) indicam a possível presença de algumas observações extremas
altas. Similarmente, os dados de assimetria negativa (para a esquerda) indicam a possível presença de algumas observações
extremas baixas.
NOTA 3 O coeficiente de assimetria amostral pode ser reconhecido como o terceiro momento amostral das variáveis
aleatórias amostrais padronizadas (1.19).
1.21
coeficiente de curtose amostral
média aritmética da quarta potência das variáveis aleatórias amostrais padronizadas (1.19) de uma amostra
aleatória (1.6)
EXEMPLO Continuando com o exemplo de 1.9, o coeficiente de curtose amostral observado pode ser calculado como
2,674 19. Para um tamanho de amostra de 10, como neste exemplo, o coeficiente de curtose amostral é altamente variável,
desta forma deve ser usado com cuidado. Programas estatísticos utilizam vários ajustes no cálculo do coeficiente de curtose
amostral (ver Nota 3 de 2.40). Utilizando a fórmula alternativa indicada na Nota 1, o valor calculado é 0,436 05. Os dois valores
2,674 19 e 0,436 05 não são diretamente comparáveis. Para tanto, tomar 2,67419 - 3 (para relacionar à curtose da distribuição
normal que é 3), resultando em - 0,325 81, podendo ser apropriadamente comparado a 0,436 05.
NOTA 1 A fórmula que corresponde à definição é:
4
1 n  X i  X 

n i 1  S 
Para a correção do bias (1.33) do coeficiente de curtose amostral e para indicar o desvio da curtose
da distribuição normal (que é igual a 3), alguns programas estatísticos usam a seguinte fórmula:
n n  1 3n  1
n 2

n  1n  2n  3 i 1
Z i4 
n  2n  3
onde
Xi  X
Zi 
S
O segundo termo na expressão é aproximadamente 3 para valores elevados de n. Às vezes a curtose é expressa
como um valor, como definido em 2.40, menos 3 para enfatizar comparações com a distribuição normal.
Obviamente, os usuários de programas estatísticos precisam estar cientes se houver ajustes nos cálculos.
NOTA 2 A curtose se refere à intensidade das caudas de uma distribuição (unimodal). Para a distribuição normal (2.50),
o coeficiente de curtose amostral é aproximadamente 3, sujeito à variabilidade da amostragem. Na prática, a curtose da
distribuição normal fornece uma referência ou um valor de linha de base. As distribuições (2.11) com valores menores do
que 3 apresentam caudas menos acentuadas do que a distribuição normal; as distribuições com valores maiores do
que 3 mostram caudas mais acentuadas do que a distribuição normal.
NOTA 3 Para valores observados da curtose bem maior do que 3, existe a possibilidade de que a distribuição subjacente
apresente caudas muito mais acentuadas do que a distribuição normal. Uma outra possibilidade a ser investigada é a presença
de possíveis valores aberrantes.
NOTA 4 O coeficiente de curtose amostral pode ser reconhecido como sendo o quarto momento amostral das variáveis
aleatórias amostrais padronizadas.

1.22
covariância amostral
S XY
soma de produtos dos desvios de pares de variáveis aleatórias (2.10) em uma amostra aleatória (1.6) de suas
médias amostrais (1.15), dividida pelo número de termos na soma menos um
EXEMPLO 1 Considerar a seguinte ilustração numérica que utiliza 10 conjuntos, apresentando, cada um, três valores
observados. Para este exemplo, considerar somente x e y.
Tabela 1 — Resultados para o Exemplo 1
i 1 2 3 4 5 6 7 8 9 10
x 38 41 24 60 41 51 58 50 65 33
y 73 74 43 107 65 73 99 72 100 48
z 34 31 40 28 35 28 32 27 27 31
A média amostral observada para X é 46,1 e para Y é 75,4. A covariância amostral é igual a
[(38 – 46,1) × (73 – 75,4) + (41 – 46,1) × (74 – 75,4) +... + (33 – 46,1) × (48 – 75,4)]/9 = 257,178
EXEMPLO 2 Na tabela do exemplo anterior, considerar somente y e z. A média amostral observada para z é 31,3.
A covariância amostral é igual a
[(73 – 75,4) × (34 – 31,3) + (74 – 75,4) × (74 – 31,3) +... + (48 – 75,4) × (31 - 31,3)]/9 = -54,356
NOTA 1 Considerada uma estatística (1.8), a covariância amostral é uma função dos pares de variáveis aleatórias
 X 1, Y1 ,  X 2 , Y2 , ...,  X n , Yn  de
uma amostra aleatória de tamanho n no sentido apresentado na Nota 3 de 1.6.
Este estimador (1.12) precisa ser distinguido do valor numérico da covariância amostral calculada dos pares observados de
    
valores das unidades de amostragem (1.2) x1, y 1 , x 2 , y 2 , ..., x n , y n na amostra aleatória. Este valor numérico
é chamado de covariância amostral empírica ou de covariância amostral observada.
NOTA 2 A covariância S XY amostral é dada como:
  
n
1
X i  X Yi  Y
n  1 i 1
NOTA 3 O uso de n-1 fornece um estimador não tendencioso (1.34) da covariância (2.43) populacional.
NOTA 4 O exemplo na Tabela 1 consiste em três variáveis, enquanto que a definição refere-se a um par de variáveis.
Na prática, é comum encontrar situações com múltiplas variáveis.
1.23
coeficiente de correlação amostral
rxy
covariância amostral (1.22) dividida pelo produto dos correspondentes desvios-padrão amostral (1.17)

EXEMPLO 1 Continuando com o exemplo 1 de 1.22, o desvio-padrão observado é 12,945 para X e 21,329 para Y.
Portanto, o coeficiente de correlação amostral observado (para X e Y ) é descrito por:
257,118/(12,948 × 21,329) = 0,931 2
EXEMPLO 2 Continuando com exemplo 2 de 1.22, o desvio-padrão observado é 21,329 para Y e 4,165 para Z. Portanto,
o coeficiente de correlação amostral observado (para Y e Z ) é descrito por:
- 54,356/(21,329 × 4,165) = - 0,612
NOTA 1 Em termos de notação, o coeficiente de correlação amostral é calculado como:
 X i  
n
 X Yi  Y
i 1
,
 X i   Y 
n 2 n 2
X i Y
i 1 i 1
Esta expressão é equivalente à razão entre a covariância amostral e a raiz quadrada do produto dos
desvios-padrão. O símbolo rxy é usado às vezes para representar o coeficiente de correlação amostral.
O coeficiente de correlação amostral observado é baseado nas realizações x1, y 1 , x 2 , y 2 , ..., x n , y n  .
NOTA 2 O coeficiente de correlação amostral observado pode assumir valores dentro do intervalo [- 1, 1], com valores perto
de 1 indicando forte correlação positiva e valores próximos de - 1 indicando forte correlação negativa. Valores próximos de 1
ou - 1 indicam que a localização dos pontos se aproxima de uma linha reta.
1.24
erro-padrão
^

^
desvio-padrão (2.37) de um estimador (1.12) 
EXEMPLO Se a média amostral (1.15) for o estimador da média (2.35) populacional e o desvio-padrão de uma única
variável aleatória (2.10) for  , então o erro-padrão da média amostral é  / n , onde n é o número de observações
na amostra. Um estimador do erro-padrão é S n (a fórmula correta deve conter a divisão), onde S é o desvio-padrão
amostral (1.17).
NOTA 1 Na prática, o erro-padrão fornece uma estimativa natural do desvio-padrão de um estimador.
NOTA 2 Não existe nenhum termo complementar (apropriado) para o erro "não padrão". O erro-padrão pode ser visto como
uma abreviação para a expressão do "desvio-padrão de um estimador". Geralmente, na prática, o erro-padrão está se referindo
implicitamente ao desvio-padrão da média amostral. A notação para o erro-padrão da média amostral é  X .
1.25
estimador de intervalo
intervalo limitado por uma estatística (1.8) de limite superior e por uma estatística de limite inferior
NOTA 1 Uma das extremidades poderia ser  ,   ou um limite natural do valor de um parâmetro.
Por exemplo, zero é um limite inferior natural para um estimador de intervalo da variância (2.36) populacional. Nesses casos,
os intervalos são referidos geralmente como intervalos unilaterais.
NOTA 2 Um estimador de intervalo pode ser apresentado conjuntamente com uma estimação (1.36) do parâmetro (2.9).
Presume-se que o estimador de intervalo contenha um parâmetro em uma proporção indicada de ocasiões, sob circunstâncias
de amostragem repetida, ou em algum outro sentido probabilístico.
NOTA 3 Três tipos comuns de estimadores de intervalo incluem os intervalos de confiança (1.28) para parâmetro(s),
os intervalos de predição (1.30) para as observações futuras e os intervalos de tolerância estatísticos (1.26) contidos em
uma proporção de uma distribuição (2.11).

1.26
intervalo de tolerância estatístico
intervalo determinado de uma amostra aleatória (1.6), de tal maneira que haja um nível especificado de confiança
que o intervalo contenha no mínimo uma proporção especificada da população (1.1) amostrada
NOTA A confiança neste contexto é a proporção a longo prazo de intervalos obtidos desta maneira que incluirão no
mínimo a proporção especificada da população amostrada.
1.27
limite de tolerância estatístico
estatística (1.8) que representa uma extremidade de um intervalo de tolerância estatístico (1.26)
NOTA Intervalos de tolerância estatísticos podem ser
 unilaterais (com um de seus limites fixados no limite natural da variável aleatória), e neste caso apresenta um limite de
tolerância estatístico que pode ser superior ou inferior, ou
 bilaterais, e neste caso apresentam ambos os limites.

Um limite natural da variável aleatória pode fornecer um limite para um limite unilateral.
1.28
intervalo de confiança
estimador de intervalo (1.25) T0 , T1  para o parâmetro (2.9)  com a estatística (1.8) T0 e T1 como limites
de intervalo e para qual tem-se
PT0    T1   1  
NOTA 1 A confiança reflete a proporção de casos em que o intervalo de confiança conteria o valor verdadeiro do parâmetro
em uma série longa de amostras aleatórias (1.6) repetidas sob circunstâncias idênticas. Um intervalo de confiança não reflete
a probabilidade (2.5) do intervalo observado conter o valor verdadeiro do parâmetro (o intervalo contém ou não o valor
verdadeiro).
NOTA 2 Associada com este intervalo de confiança está a característica de desempenho concomitante 1001    % ,
onde  é geralmente um número pequeno. A característica de desempenho, que é chamada coeficiente de confiança ou nível
 
de confiança, é frequentemente 95 % ou 99 %. A desigualdade P T0    T1  1   vale para qualquer valor específico,
mas desconhecido da população de .
1.29
intervalo de confiança unilateral
intervalo de confiança (1.28) com um de seus limites fixados em   ,   , ou um limite fixo natural
NOTA 1 A definição 1.28 aplica-se com T0 em   ou com T1 em   . Intervalos de confiança unilaterais aparecem nas
situações onde o interesse é estritamente focado em uma direção. Por exemplo, no teste do volume de áudio, no que
diz respeito à segurança em telefones celulares, um limite de confiança superior interessante seria o que indicasse um limite
superior para o volume produzido sob circunstâncias seguras presumidas. Para o teste mecânico estrutural, seria de interesse
um limite de confiança inferior na força em que um dispositivo falha.
NOTA 2 Um outro exemplo de intervalos de confiança unilaterais ocorre nas situações em que um parâmetro tem um limite
natural tal como zero. Para uma distribuição de Poisson (2.47) utilizada na modelagem de reclamações de clientes,
zero é um limite inferior. Como um outro exemplo, um intervalo de confiança para a confiabilidade de um componente
eletrônico poderia ser (0,98, 1), onde 1 é o limite superior natural.

1.30
intervalo de predição
amplitude dos valores de uma variável, derivados de uma amostra aleatória (1.6) de valores de uma população
contínua, que se pode afirmar com uma dada confiança que não menos do que um dado número de valores
estarão contidos em uma amostra aleatória adicional da mesma população (1.1)
NOTA Geralmente, o interesse é focado em uma única observação adicional, proveniente da mesma situação que
as observações que são a base do intervalo de predição. Um outro contexto prático é a análise de regressão em que um
intervalo de predição é construído para um espectro de valores independentes.
1.31
estimativa
valor observado (1.4) de um estimador (1.12)
NOTA A estimativa refere-se a um valor numérico obtido dos valores observados. No que diz respeito
à estimação (1.36) de um parâmetro (2.9) de uma distribuição de probabilidade (2.11) hipotética, o estimador
refere-se à estatística (1.8) que pretende estimar o parâmetro e a estimativa refere-se ao resultado usando
valores observados. O adjetivo "pontual" é introduzido às vezes para enfatizar que um único valor está sendo
estimado ao invés de um intervalo dos valores. Similarmente, o adjetivo "intervalo" é introduzido antes da
estimativa nos casos em que a estimação de intervalo está ocorrendo.
1.32
erro de estimação
estimativa (1.31) menos o parâmetro (2.9) ou a propriedade da população que se pretende estimar
NOTA 1 A propriedade da população pode ser uma função do parâmetro, parâmetros ou outra grandeza relativa
à distribuição de probabilidade (2.11).
NOTA 2 O erro do estimador poderia envolver as contribuições provenientes da amostragem, incerteza de medição,
arredondamento ou outras fontes. Na prática, o erro do estimador representa o desempenho de base de interesse para os
usuários. A determinação das contribuições primárias ao erro do estimador é um fator crítico nos esforços de melhoria da
qualidade.
1.33
tendência
expectativa (2.12) do erro de estimação (1.32)
NOTA 1 Esta definição difere da ISO 3534-2: 2006 (3.3.2) e do VIM: 1993 (5.25 e 5.28). Tendência é usada aqui
em um sentido genérico como indicado na Nota 1 de 1.34.
NOTA 2 Na prática, a existência de tendência pode conduzir a conseqüências indesejadas. Por exemplo, a subestimação
da resistência de materiais devido a tendências (bias) poderia conduzir a falhas inesperadas de um dispositivo.
Em uma amostragem, tendência poderia conduzir a decisões incorretas em uma pesquisa política.
1.34
estimador não tendencioso
estimador (1.12) que tem tendência (1.33) igual a zero
EXEMPLO 1 Para uma amostra aleatória (1.6) de n variáveis aleatórias independentes (2.10), cada um com a mesma
distribuição normal (2.50) com média µ (2.35) e desvio-padrão (2.37) , a média amostral X (1.15) e a variância
amostral S 2 (1.16) são estimadores não tendenciosos para a média  e a variância (2.36)  2 , respectivamente.
EXEMPLO 2 Como é mencionado na Nota 1 de 1.37, o estimador de máxima verossimilhança (1.35) da variância
 usa o denominador n em vez de n - 1 e portanto é um estimador tendencioso (com bias). Na prática, o desvio-padrão
2
amostral (1.17) é muito usado, mas é importante notar que a raiz quadrada da variância amostral usando n - 1 é um estimador
tendencioso (com bias) do desvio-padrão da população (2.37).

EXEMPLO 3 Para uma amostra aleatória de n pares independentes de variáveis aleatórias, cada par com a mesma
distribuição normal bivariada (2.65) com covariância (2.43) igual a  XY , a covariância amostral (1.22) é um estimador
não tendencioso para a covariância da população. O estimador de máxima verossimilhança usa n em vez de n - 1
no denominador e é portanto tendencioso (com bias).
NOTA Os estimadores não tendenciosos são desejáveis porque, na média, eles fornecem o valor correto. Certamente,
os estimadores não tendenciosos fornecem um ponto de partida útil na busca dos estimadores "ótimos" de parâmetros
da população. A definição dada aqui é de natureza estatística.
Na prática, os usuários tentam evitar introduzir tendências em um estudo, assegurando, por exemplo,
que a amostra aleatória é representativa da população de interesse.
1.35
estimador de máxima verossimilhança
estimador (1.12) que atribui o valor do parâmetro (2.9), onde a função de verossimilhança (1.38) alcança
ou se aproxima de seu valor mais elevado
NOTA 1 A estimação de máxima verossimilhança é um método bem conhecido para se obter as estimativas do parâmetro,
onde uma distribuição (2.11) foi especificada [por exemplo, normal (2.50), gama (2.56), Weibull (2.63), e assim por diante].
Estes estimadores têm propriedades estatísticas desejáveis (por exemplo, invariância sob a transformação monótona)
e em muitas situações fornecem o método de escolha para a estimação. Nos casos em que o estimador de máxima
verossimilhança é tendencioso (com bias), às vezes ocorre uma simples correção da tendência (1.33). Como mencionado
no Exemplo 2 de 1.34, o estimador de máxima verossimilhança para a variância (2.36) da distribuição normal é tendencioso
(com bias), mas pode ser corrigido pelo uso de n - 1 ao invés de n. A extensão da tendência diminui nesses casos com o
aumento do tamanho da amostra.
NOTA 2 A abreviatura MLE (Maximum Likekihood Estimator) é comumente usada para o estimador de máxima
verossimilhança e estimação de máxima verossimilhança, e o contexto indica qual a escolha apropriada.
1.36
estimação
procedimento que obtém uma representação estatística de uma população (1.1) de uma amostra aleatória (1.6)
selecionada desta população
NOTA 1 Em particular, o procedimento envolvido na operação de passagem de um estimador (1.12) a uma estimativa
(1.31) específica constitui a estimação.
NOTA 2 A estimação é compreendida em um contexto bastante amplo para incluir a estimação pontual, a estimação de
intervalo ou a estimação de propriedades de populações.
NOTA 3 Freqüentemente, uma representação estatística refere-se à estimação de um parâmetro (2.9) ou parâmetros
ou uma função dos parâmetros de um modelo assumido. Em geral, a representação da população poderia ser menos
específica, como a estatística relativa aos impactos dos desastres naturais (vítimas, danos corporais, perdas de propriedades e
perdas agrícolas - que um gerente da emergência pode desejar estimar).
NOTA 4 A consideração da estatística descritiva (1.5) poderia sugerir que um modelo assumido fornecesse uma
representação inadequada dos dados, como indicado por uma qualidade de ajuste do modelo aos dados. Nesses casos, outros
modelos poderiam ser considerados e o processo de estimação continuado.
1.37
estimação de máxima verossimilhança
estimação (1.36) baseada no estimador de máxima verossimilhança (1.35)
NOTA 1 Para a distribuição normal (2.50), a média amostral (1.15) é o estimador de máxima verossimilhança (1.35)
do parâmetro (2.9) µ, enquanto que a variância amostral (1.16), usando o denominador n ao invés de n - 1, fornece
o estimador de máxima verossimilhança de 2. O denominador n - 1 é geralmente usado, já que este valor fornece um
estimador não tendencioso (1.34).

NOTA 2 A estimação de máxima verossimilhança é usada, às vezes, para descrever a derivação de um estimador (1.12)
da função de verossimilhança.
NOTA 3 Embora em alguns casos uma expressão analítica possa existir usando a estimação de máxima verossimilhança,
há outras situações em que a estimação da máxima verossimilhança requer uma solução iterativa a um conjunto de equações.
NOTA 4 A abreviatura MLE (Maximum Likelihood Estimator) é de uso geral para o estimador de máxima verossimilhança
e estimação de máxima verossimilhança, e o contexto indica qual a escolha apropriada.
1.38
função de verossimilhança
função de densidade de probabilidade (2.26) avaliada nos valores observados (1.4) e considerada uma
função dos parâmetros (2.9) da família de distribuições (2.8)
EXEMPLO 1 Considerar uma situação em que dez itens são selecionados aleatoriamente de uma população (1.1) muito
grande e três dos itens têm uma característica específica. Desta amostra, uma estimativa (1.31) intuitiva da proporção da
população que tem a característica é 0,3 (3 de 10). Sob o modelo da distribuição binomial (2.46), a função de
verossimilhança (função de massa de probabilidade em função de p com o n fixado em 10 e x em 3) atinge seu máximo
em p = 0,3, concordando com a intuição.
[Isto pode ser melhor verificado traçando-se a função de massa de probabilidade da distribuição binomial (2.46)
120 p 3 1  p  em função de p].
7
EXEMPLO 2 Para a distribuição normal (2.50) com desvio-padrão (2.37) conhecido, pode-se mostrar que, geralmente,
a função de probabilidade tem seu máximo com µ igual à média amostral.
1.39
função de perfil de verossimilhança
função de verossimilhança (1.38) em função de um único parâmetro (2.9) com todos parâmetros restantes
ajustados para maximizá-lo
1.40
hipótese
H
afirmação sobre uma população (1.1)
NOTA Geralmente a afirmação sobre a população refere-se a um ou mais parâmetros (2.9) em uma família de
distribuições (2.8) ou sobre a família de distribuições.
1.41
hipótese nula
H0
hipótese (1.40) a ser testada por meio de um teste estatístico (1.48)
EXEMPLO 1 Em uma amostra aleatória (1.6) de variáveis aleatórias (2.10) independentes com a mesma distribuição
normal (2.50), com média (2.35) desconhecida e desvio-padrão (2.37) desconhecido, uma hipótese nula para a média µ pode
ser que a média seja inferior ou igual a um dado valor µ0 e isso é escrito geralmente da seguinte maneira: H0 :    0 .
EXEMPLO 2 Uma hipótese nula pode ser que o modelo estatístico para uma população (1.1) seja uma distribuição normal.
Para este tipo de hipótese nula, a média e o desvio-padrão não são especificados.
EXEMPLO 3 Uma hipótese nula pode ser que o modelo estatístico para uma população consista em uma distribuição
simétrica. Para este tipo de hipótese nula, a forma da distribuição não é especificada.
NOTA 1 Explicitamente, a hipótese nula pode consistir em um subconjunto de um conjunto de distribuições de probabilidade
possíveis.

NOTA 2 Esta definição não deveria ser considerada de forma independente à hipótese alternativa (1.42) e do teste
estatístico (1.48), porque a aplicação apropriada do teste de hipótese exige todos estes componentes.
NOTA 3 Na prática, nunca se prova a veracidade de uma hipótese nula, mas sim a avaliação em uma dada situação pode
ser inadequada para rejeitar a hipótese nula. A motivação original para conduzir o teste de hipótese provavelmente teria sido
uma expectativa de que o resultado favorecesse uma hipótese alternativa específica relevante ao problema em questão.
NOTA 4 Deixar de rejeitar a hipótese nula não é "prova" de sua validade, mas pode ser uma indicação de que não há
evidência suficiente para rejeitá-la. Ou a hipótese nula (ou uma muito próxima a ela) é de fato verdadeira, ou o tamanho
de amostra é insuficiente para detectar uma diferença em relação a ela.
NOTA 5 Em algumas situações, o interesse inicial é centrado sobre a hipótese nula, mas a possibilidade de um desvio
em relação a ela pode ser de interesse. A consideração apropriada do tamanho de amostra e do poder em detectar um desvio
ou uma alternativa específica pode conduzir à construção de um procedimento de teste para apropriadamente avaliar
a hipótese nula.
NOTA 6 A aceitação da hipótese alternativa em contraste com a impossibilidade de rejeitar a hipótese nula é um resultado
positivo na medida em que suporta a conjectura de interesse. A rejeição da hipótese nula em favor da alternativa
é um resultado com menos ambigüidade do que um resultado tal como a "falha em rejeitar a hipótese nula neste momento."
NOTA 7 A hipótese nula é a base para construir a estatística do teste (1.52) correspondente usada para avaliar a hipótese
nula.
NOTA 8 A hipótese nula é freqüentemente denotada por H 0 (H que tem um zero subscrito).
NOTA 9 Convém que o subconjunto que identifica a hipótese nula, se possível, seja selecionado de tal maneira que a
formulação seja incompatível com a conjectura a ser estudada. Ver nota 2 de 1.48 e o exemplo em 1.49.
1.42
hipótese alternativa
H A , H1
afirmação que seleciona um conjunto ou um subconjunto de todas as distribuições de probabilidade (2.11)
possíveis que não pertencem à hipótese nula (1.41)
EXEMPLO 1 A hipótese alternativa à hipótese nula dada no exemplo 1 de 1.41 é que a média (2.35) seja maior do que o
valor especificado, que é escrito da seguinte maneira: H A :    0 .
EXEMPLO 2 A hipótese alternativa à hipótese nula dada no exemplo 2 H A de 1.41 é que o modelo estatístico da
população não seja uma distribuição normal (2.50).
EXEMPLO 3 A hipótese alternativa à hipótese nula dada no exemplo 3 de 1.41 é que o modelo estatístico da população
consista em uma distribuição assimétrica. Para esta hipótese alternativa, a forma específica da assimetria não é especificada.
NOTA 1 A hipótese alternativa é o complemento da hipótese nula.
NOTA 2 A hipótese alternativa pode igualmente ser denotada por H1 ou H A sem uma preferência clara, contanto que
o simbolismo esteja em paralelo com a notação da hipótese nula.
NOTA 3 A hipótese alternativa é uma afirmação que contradiz a hipótese nula. A estatística de teste correspondente (1.52)
é usada para decidir entre as hipóteses nula e alternativa.
NOTA 4 A hipótese alternativa não deve ser considerada de forma independente da hipótese nula nem do teste estatístico
(1.48).
NOTA 5 A aceitação da hipótese alternativa em contraste à decisão de não rejeitar a hipótese nula é um resultado positivo
que suporta a conjectura de interesse.

1.43
hipótese simples
hipótese (1.40) que especifica uma distribuição única em uma família de distribuições (2.8)
NOTA 1 Uma hipótese simples é uma hipótese nula (1.41) ou uma hipótese alternativa (1.42) na qual o subconjunto
selecionado consiste somente em uma única distribuição de probabilidade (2.11).
NOTA 2 Em uma amostra aleatória (1.6) de variáveis aleatórias (2.10) independentes com a mesma distribuição
normal (2.50) com média (2.35) desconhecida e desvio-padrão (2.37) conhecido , uma hipótese simples para a média µ
é que a média é igual a um dado valor µ0 e isto é geralmente escrito da seguinte maneira: H 0 :    0 .
NOTA 3 Uma hipótese simples especifica completamente a distribuição de probabilidade (2.11).
1.44
hipótese composta
hipótese (1.40) que especifica mais de uma distribuição (2.11) em uma família de distribuições (2.8)
EXEMPLO 1 As hipóteses nulas (1.41) e as hipóteses alternativas (1.42) dadas nos exemplos de 1.41 e 1.42 são todas
exemplos de hipóteses compostas.
EXEMPLO 2 Em 1.48, a hipótese nula no Caso 3 do Exemplo 3 é uma hipótese simples. A hipótese nula no Exemplo 4
é igualmente uma hipótese simples. As outras hipóteses de 1.48 são compostas.
NOTA Uma hipótese composta é uma hipótese nula ou hipótese alternativa na qual o subconjunto selecionado consiste
em mais do que uma única distribuição de probabilidade.
1.45
nível de significância
α
teste estatístico probabilidade (2.5) máxima de rejeitar a hipótese nula (1.41) quando de fato ela for verdadeira
NOTA Se a hipótese nula for uma hipótese simples (1.43), então a probabilidade de rejeitar a hipótese nula, caso esta
seja verdadeira, torna-se um valor único.
1.46
erro Tipo I
rejeição da hipótese nula (1.41) quando ela de fato for verdadeira
NOTA 1 De fato, um erro Tipo I é uma decisão incorreta. Portanto, é desejável manter a probabilidade (2.5) de tomar uma
decisão incorreta a menor possível. Para obter uma probabilidade zero de um erro Tipo I, nunca se deveria rejeitar a hipótese
nula. Em outras palavras, não obstante a evidência, a mesma decisão é tomada.
NOTA 2 É possível que em algumas situações (por exemplo, testando o parâmetro binomial p) que um nível de significância
pré-especificado, tal como 0,05, não seja atingível devido à descontinuidade dos resultados.
1.47
erro Tipo II
decisão de não rejeitar a hipótese nula (1.41) quando de fato a hipótese nula não for verdadeira
NOTA De fato, um erro Tipo II é uma decisão incorreta. Portanto, é desejável manter a probabilidade (2.5)
de tomar uma decisão incorreta como a menor possível. O erro Tipo II ocorre geralmente nas situações onde os tamanhos
de amostra são insuficientes para revelar um desvio em relação à hipótese nula.
1.48
teste estatístico
teste de significância
procedimento para decidir se uma hipótese nula (1.41) deve ser rejeitada em favor de uma hipótese alternativa
(1.42)

EXEMPLO 1 Como um exemplo, se uma variável aleatória contínua (2.29) real puder assumir valores entre   e  
e houver uma suspeita que a distribuição de probabilidade verdadeira não é uma distribuição normal (2.50), então as
hipóteses serão formuladas como segue.
 O escopo da situação é todas as distribuições de probabilidade contínuas (2.23), que pode assumir
valores entre   e   .
 A conjectura é que a verdadeira distribuição de probabilidade não é uma distribuição normal.
 A hipótese nula é que a distribuição de probabilidade é uma distribuição normal.
 A hipótese alternativa é que a distribuição de probabilidade não é uma distribuição normal.
EXEMPLO 2 Se a variável aleatória seguir uma distribuição normal com um desvio-padrão (2.37) conhecido e se suspeitar
que seu valor de expectativa µ se desvia de um dado valor  0 , então as hipóteses estarão formuladas de acordo com
o Caso 3 no exemplo seguinte.
EXEMPLO 3 Este exemplo considera três possibilidades no teste estatístico.

Caso 1. Conjectura-se que a média do processo seja mais elevada do que a média-alvo de  0 . Esta conjectura conduz às
seguintes hipóteses:
Hipótese nula: H0 :   0
Hipótese alternativa: H1 :    0
Caso 2. Conjectura-se que a média do processo seja menor do que a média-alvo de  0 . Esta conjectura conduz às seguintes
hipóteses:
Hipótese nula: H 0 :   0
Hipótese alternativa: H1 :   0
Caso 3. Conjectura-se que a média do processo não seja compatível com a média do processo, mas o sentido não está
especificado. Esta conjectura conduz às seguintes hipóteses:
Hipótese nula: H0 : μ μ0
Hipótese alternativa: H1 :   0
Em todos os três casos, a formulação das hipóteses foi conduzida por uma conjectura a respeito da hipótese alternativa e seu
desvio a partir de uma condição de referência.
EXEMPLO 4 Este exemplo considera como seu escopo todas as proporções p1 e p2 entre zero e uma das proporções de
defeitos em dois lotes 1 e 2. Pode-se suspeitar que os dois lotes sejam diferentes e conseqüentemente conjecturar que
as proporções de defeitos nos dois lotes sejam diferentes. Esta conjectura conduz às seguintes hipóteses:
Hipótese nula: H 0 : p1  p2
Hipótese alternativa: H1 : p1  p2
NOTA 1 Um teste estatístico é um procedimento que é válido sob circunstâncias especificadas, para decidir, por meio das
observações de uma amostra, se a distribuição de probabilidade verdadeira pertence à hipótese nula ou à hipótese alternativa.

NOTA 2 Antes que um teste estatístico seja realizado o conjunto possível de distribuições de probabilidade é inicialmente
determinado com base na informação disponível. Em seguida, as distribuições de probabilidade, que poderiam ser verdadeiras
com base na conjectura a ser estudada, são identificadas em seguida para constituir a hipótese alternativa. Finalmente,
a hipótese nula é formulada como complemento à hipótese alternativa. Em muitos casos, o conjunto possível de distribuições
de probabilidade e portanto também a hipótese nula e a hipótese alternativa podem ser determinados pela referência
aos conjuntos dos valores de parâmetros relevantes.
NOTA 3 Como a decisão é feita com base em observações de uma amostra, há risco de cometer um erro Tipo I (1.46),
rejeitando a hipótese nula quando de fato está correta, ou um erro Tipo II (1.47), decidindo não rejeitar a hipótese nula
em favor da hipótese alternativa quando a hipótese alternativa é verdadeira.
NOTA 4 O Caso 1 e o Caso 2 do Exemplo 3 acima são exemplos de testes unilaterais. O Caso 3 é um exemplo de um
teste bilateral. Em todos os três casos, a escolha entre o unilateral e o bilateral é determinada pela consideração da região do
parâmetro µ que corresponde à hipótese alternativa. De maneira mais geral, testes unilaterais e bilaterais podem ser
governados pela região para a rejeição da hipótese nula que corresponde à estatística de teste escolhida. Isto é, a estatística
de teste tem uma região crítica associada favorecendo a hipótese alternativa, mas pode não relacionar-se diretamente a uma
descrição simples do espaço do parâmetro, como nos Casos 1, 2 e 3.
NOTA 5 A atenção cuidadosa às suposições subjacentes deve ser feita ou a aplicação do teste estatístico pode ficar sem
fundamento. Os testes estatísticos que conduzem à inferências estáveis mesmo sob especificações não completamente
corretas (ou especificações inadequadas) das suposições subjacentes são referidos como robustos. O teste t de amostra
única para a média é um exemplo de um teste considerado muito robusto para distribuições não normais. O teste de Bartlett
para a homogeneidade de variâncias é um exemplo de um procedimento não robusto, conduzindo possivelmente à rejeição
excessiva da igualdade das variâncias nos casos distribucionais para os quais as variâncias eram de fato idênticas.
1.49
valor de p
probabilidade (2.5) de obter o valor observado da estatística de teste (1.52) ou qualquer outro valor
desfavorável à hipótese nula (1.41)
EXEMPLO Considerar o exemplo numérico introduzido originalmente em 1.9. Supor para ilustração que estes valores são
observações de um processo do qual seja esperado ter nominalmente uma média de 12,5, e baseado em experiências
anteriores, o engenheiro associado ao processo considerou que este estava consistentemente mais baixo do que o valor
nominal. Um estudo foi empreendido e uma amostra aleatória de tamanho 10 foi coletada com os resultados numéricos de 1.9.
As hipóteses apropriadas são:
Hipótese nula: H 0 :   12,5
Hipótese alternativa: H1 :   12,5
A média amostral é 9,7, o que está no sentido da conjectura, mas está suficientemente longe de 12,5 para dar suporte
à conjectura. Para este exemplo, a estatística de teste (1.52) é - 1,976 4 com valor de p correspondente a 0,040. Isto quer
dizer que há menos de quatro chances em cem de se observar um valor estatístico de teste de - 1,976 4 ou menor, se a média
verdadeira do processo estiver, de fato, em 12,5. Se o nível de significância pré-especificado original foi 0,05, então a hipótese
nula deveria ser tipicamente rejeitada em favor da hipótese alternativa.
Supor alternativamente que o problema foi formulado de forma um tanto diferente. Imaginar que o interesse era que o processo
estivesse fora do valor nominal 12,5, mas o sentido não foi especificado. Isto conduz às seguintes hipóteses:
Hipótese nula: H 0 :   12,5
Hipótese alternativa: H1 :   12,5
Com os mesmos dados coletados de uma amostra aleatória, a estatística de teste é a mesma, - 1,976 4. Para esta hipótese
alternativa, uma pergunta de interesse é "qual é a probabilidade de se ter um valor tão extremo ou mais extremo?".
Neste caso, há duas regiões pertinentes, valores inferiores ou iguais a - 1,976 4 ou valores superiores ou iguais a 1,976 4.
A probabilidade de uma estatística de teste t ocorrendo em uma destas regiões é 0,080 (duas vezes o valor unilateral).
Há oito chances em cem de se observar um valor da estatística de teste tão extremo ou ainda maior. Assim, a hipótese nula
não é rejeitada no nível de significância 0,05.

NOTA 1 Se o valor de p for 0,029, por exemplo, então há menos de três chances em cem de que um valor tão extremo da
estatística de teste ou de um ainda mais extremo, ocorra sob a hipótese nula. Com base nesta informação, pode-se sentir
tentado a rejeitar a hipótese nula, como este é um valor de p razoavelmente pequeno. De maneira mais formal, se o nível
de significância for estabelecido como 0,05, então definitivamente o valor de p de 0,029 sendo menor que 0,05 conduziria
à rejeição da hipótese nula.
NOTA 2 O termo valor de p é referido às vezes como a probabilidade de significância que não deve ser confundida com o
nível de significância (1.45), que é uma constante especificada para uma dada aplicação.
1.50
poder do teste
um menos a probabilidade (2.5) do erro Tipo II (1.47)
NOTA 1 O poder do teste para um valor especificado de um parâmetro desconhecido (2.9) em uma família de
distribuições (2.8) é igual à probabilidade de se rejeitar a hipótese nula (1.41) para o valor daquele parâmetro.
NOTA 2 Na maioria dos casos de interesse prático, aumentar o tamanho de amostra aumentará o poder de um teste.
Ou seja, a probabilidade de rejeitar a hipótese nula, quando a hipótese alternativa (1.42) for verdadeira, aumenta com o
tamanho de amostra crescente, reduzindo desse modo a probabilidade de erro Tipo II.
NOTA 3 É desejável em situações de teste que, conforme o tamanho da amostra se torne extremamente grande, mesmo
pequenos desvios da hipótese nula sejam detectados, conduzindo à rejeição da hipótese nula. Ou seja, o poder do teste deve
se aproximar de 1 para cada alternativa à hipótese nula, conforme o tamanho da amostra se torne infinitamente grande.
Tais testes são referidos como consistentes. Comparando-se dois testes no que diz respeito ao poder, o teste com poder
maior é considerado o mais eficiente quando os níveis de significância são idênticos, assim como as hipóteses nulas
e alternativas particulares. Há descrições matemáticas mais formais da consistência e da eficiência que estão além do objetivo
desta parte da ABNT NBR ISO 3534. (Consultar as várias enciclopédias ou livros sobre estatística).
1.51
curva de poder
coleção de valores do poder de um teste (1.50) em função do parâmetro (2.9) de população de uma família de
distribuições (2.8)
NOTA A função de poder é igual a um menos a curva característica de operação.
1.52
estatística de teste
estatística (1.8) usada conjuntamente com um teste estatístico (1.48)
NOTA A estatística de teste é usada para avaliar se a distribuição de probabilidade (2.11) considerada é consistente
com a hipótese nula (1.41) ou com a hipótese alternativa (1.42).
1.53
estatística descritiva gráfica
estatística descritiva (1.5) em forma gráfica
NOTA Geralmente, a intenção da estatística descritiva é reduzir um grande número de valores a um número manejável
ou apresentá-los de forma a facilitar a visualização. Os exemplos de sumários gráficos incluem diagramas de caixa (boxplots),
curvas de probabilidade, gráficos Q-Q, gráficos normais de quantil, gráficos de dispersão, gráficos de dispersão
multidimensionais e histogramas (1.61).
1.54
estatística descritiva numérica
estatística descritiva (1.5) na forma numérica
NOTA A estatística descritiva numérica inclui a média (1.15), amplitude amostral (1.10), desvio-padrão amostral (1.17),
amplitude interquartil, e assim por diante.

1.55
classes
NOTA Supõe-se que as classes sejam mutuamente exclusivas e exaustivas. A linha real abrange todos os números reais
entre   e   .
1.55.1
classe
característica qualitativa subconjunto de itens de uma amostra (1.3)
1.55.2
classe
característica ordinal conjunto de uma ou mais categorias adjacentes em uma escala ordinal
1.55.3
classe
característica quantitativa intervalo da linha real
1.56
limites de classe
fronteiras de classe
característica quantitativa valores que definem os limites superiores e inferiores de uma classe (1.55)
NOTA Esta definição refere-se aos limites de classe associados às características quantitativas.
1.57
ponto médio da classe
característica quantitativa média (1.15) dos limites de classe superior e inferior (1.56)
1.58
largura da classe
característica quantitativa limite superior de uma classe menos o limite inferior de uma classe (1.55)
1.59
freqüência
número das ocorrências ou dos valores observados (1.4) em uma classe especificada (1.55)
1.60
distribuição de freqüência
relação empírica entre as classes (1.55) e o seu número de ocorrências ou de valores observados (1.4)
1.61
histograma
representação gráfica de uma distribuição de freqüência (1.60) que consiste em retângulos contíguos,
cada um com a largura da base igual à largura da classe (1.58) e área proporcional à freqüência da classe
NOTA Deve-se ter cuidado em relação às situações nas quais os dados aparecem em classes com larguras da classe
desiguais.
1.62
diagrama de barras
representação gráfica de uma distribuição de freqüência (1.60) de uma propriedade nominal que consiste
em um conjunto de retângulos de largura uniforme com altura proporcional à freqüência (1.59)
NOTA 1 Às vezes os retângulos são mostrados como imagens tridimensionais para finalidades aparentemente estéticas,
embora isto não apresente nenhuma informação adicional e não seja uma apresentação recomendada. Para um diagrama de
barras, os retângulos não precisam ser contíguos.
NOTA 2 A distinção entre histogramas e diagramas de barras tornou-se cada vez menos nítida depois que os programas
estatísticos disponíveis não seguem sempre as definições apresentadas nesta Norma.

1.63
freqüência cumulativa
freqüência (1.59) para classes até (e incluindo) um limite especificado
NOTA Esta definição só é aplicável para valores especificados que correspondam aos limites de classe (1.56).
1.64
freqüência relativa
freqüência (1.59) dividida pelo número total de ocorrências ou valores observados (1.4)
1.65
freqüência relativa acumulada
freqüência cumulativa (1.63) dividida pelo número total de ocorrências ou valores observados (1.4)
2 Termos usados em probabilidade
2.1
espaço amostral

conjunto de todos os resultados possíveis
EXEMPLO 1 Considerar os tempos de falha de baterias compradas por um consumidor. Se a bateria não funcionar no uso
inicial, seu tempo de falha é 0. Se a bateria funcionar por algum tempo, ela apresenta tempo de falha de algumas horas.
Conseqüentemente, o espaço amostral consiste nos resultados {a bateria falha na tentativa inicial} e {a bateria falha
após x horas, onde x é maior que zero}. Este exemplo será utilizado durante todo este item. Uma discussão extensiva deste
exemplo é feita em 2.68.
EXEMPLO 2 Uma caixa contém 10 resistores que são etiquetados 1, 2, 3, 4, 5, 6, 7, 8, 9, 10. Se dois resistores forem
amostrados aleatoriamente sem reposição desta coleção de resistores, o espaço amostral consiste nos seguintes 45
resultados: (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (1, 7), (1, 8), (1,9) (1, 10), (2, 3), (2, 4), (2, 5), (2, 6), (2, 7), (2, 8), (2, 9), (2,10),
(3, 4), (3, 5), (3, 6), (3, 7), (3, 8), (3, 9), (3, 10), (4, 5), (4, 6), (4, 7), (4, 8), (4, 9), (4, 10), (5, 6), (5, 7), (5, 8), (5, 9), (5,10), (6, 7),
(6, 8), (6, 9), (6, 10), (7, 8), (7, 9), (7, 10), (8, 9), (8, 10), (9, 10). O evento (1, 2) é considerado o mesmo que (2, 1), de modo
que a ordem em que os resistores são amostrados não importa. Alternativamente, se a ordem importar, de forma que (1, 2)
seja considerado diferente de (2, 1), então há um total de 90 resultados no espaço amostral.
EXEMPLO 3 Se no exemplo precedente a amostragem fosse executada com reposição, então os eventos adicionais (1, 1),
(2, 2), (3, 3), (4, 4), (5, 5), (6, 6), (7, 7), (8, 8), (9, 9) e (10, 10) precisariam igualmente ser incluídos. No caso em que a ordem
não importa, haveria 55 resultados no espaço amostral. Na situação em que a ordem importa, haveria 100 resultados
no espaço amostral.
NOTA 1 Os resultados poderiam ser obtidos de um experimento real ou de um experimento completamente hipotético.
Este conjunto poderia ser uma lista explícita, um conjunto numerável tal como os inteiros positivos, {1, 2, 3,...}, ou a linha real,
por exemplo.
NOTA 2 O espaço amostral é o primeiro componente de um espaço de probabilidade (2.68).
2.2
evento
A
subconjunto do espaço amostral (2.1)
EXEMPLO 1 Continuando com o Exemplo 1 de 2.1, seguem exemplos de eventos {0}, (0, 2), {5,7}, [7, + ∞ ) ,
correspondendo, respectivamente, a uma bateria que falhe na tentativa inicial, uma bateria que funcione inicialmente mas falhe
antes de duas horas, uma bateria que falhe exatamente no tempo 5,7 h e uma bateria que ainda não falhou após 7 h. {0}
e {5,7} são conjuntos de um único valor; (0, 2) é um intervalo aberto da linha real; [7, + ∞ ) é um intervalo infinito fechado
à esquerda da linha real.

EXEMPLO 2 Continuando com o Exemplo 2 de 2.1, considerar a seleção sem reposição e sem registrar a ordem da
seleção. Um evento possível A é definido por {pelo menos um dos resistores de número 1 ou 2 é incluído na amostra}. Este
evento contém os 17 resultados (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (1, 7), (1, 8), (1, 9), (1, 10), (2, 3), (2, 4), (2, 5), (2, 6), (2, 7),
(2, 8), (2, 9), e (2, 10). Um outro evento possível B é {nenhum dos resistores de número 8, 9 ou 10 é incluído na amostra}.
Este evento contém os 21 resultados (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (1, 7), (2, 3), (2, 4), (2, 5), (2, 6), (2, 7), (3, 4), (3, 5), (3, 6),
(3, 7), (4, 5), (4,6), (4, 7), (5, 6), (5, 7), (6, 7).
EXEMPLO 3 Continuando com o Exemplo 2, a interseção dos eventos A e B (isto é, ao menos um dos resistores de
número 1 e 2 seja incluído na amostra, mas nenhum dos resistores de número 8, 9 e 10), contém os seguintes 11 resultados
(1,2), (1, 3), (1, 4), (1, 5), (1, 6), (1, 7), (2, 3), (2, 4), (2, 5), (2, 6), (2, 7).
A união dos eventos A e B contém os seguintes 27 resultados: (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (1, 7), (1, 8), (1, 9), (1, 10),
(2, 3), (2, 4), (2, 5), (2, 6), (2, 7), (2, 8), (2, 9), (2, 10), (3, 4), (3, 5), (3, 6), (3, 7), (4, 5), (4, 6), (4, 7), (5, 6), (5, 7), e (6, 7).
O número de resultados na união dos eventos A e B (isto é, que pelo menos um dos resistores de número 1 e 2 ou nenhum
dos resistores de número 8, 9, e 10, seja incluído na amostra) é 27, que é igual a 17 + 21 - 11, a saber, o número dos
resultados em A mais o número de resultados em B menos o número de resultados na interseção, sendo igual ao número
de resultados na união dos eventos.
NOTA Dado um evento e um resultado de um experimento, diz-se que o evento ocorreu, se o resultado pertencer ao
evento. Eventos de interesse prático pertencem à sigma álgebra dos eventos (2.69), o segundo componente do espaço de
probabilidade (2.68). Eventos ocorrem naturalmente em contextos de jogo (pôquer, roleta, e assim por diante) onde
a determinação do número de resultados que pertencem a um evento determina as probabilidades para apostar.
2.3
evento complementar
Ac
espaço amostral (2.1) com exclusão de um dado evento (2.2)
EXEMPLO 1 Continuando com o Exemplo 1 da bateria de 2.1, o complemento do evento {0} é o evento (0, +∞), que
é equivalente a dizer que o complemento do evento que a bateria não funcionou inicialmente é o evento que a bateria
funcionou inicialmente. Similarmente, o evento [0, 3) corresponde aos os casos em que a bateria não estava funcionando
inicialmente ou funcionou menos de três horas. O complemento deste evento é [3, ∞), que corresponde a uma bateria que
funcionava no tempo de 3 h e seu tempo de falha é maior que este valor.
EXEMPLO 2 Continuando com Exemplo 2 de 2.2. O número de resultados em B pode ser encontrado facilmente
considerando o evento complementar à B = {a amostra contém pelo menos um dos resistores 8, 9 ou 10}. Este evento contém
os 7 + 8 + 9 = 24 resultados (1, 8), (2, 8), (3, 8), (4, 8), (5, 8), (6, 8), (7, 8), (1, 9), (2, 9), (3, 9), (4, 9), (5, 9), (6, 9), (7, 9), (8, 9),
(1, 10), (2, 10), (3, 10), (4, 10), (5, 10), (6, 10), (7, 10), (8, 10), (9, 10). Como o espaço amostral inteiro contém 45 resultados
neste caso, o evento B contém 45 - 24 = 21 resultados [(1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (1, 7), (2, 3), (2, 4), (2, 5), (2, 6), (2, 7),
(3, 4), (3, 5), (3, 6), (3, 7), (4, 5), (4, 6), (4, 7), (5, 6), (5, 7), (6, 7)].
NOTA 1 O evento complementar é o complemento do evento no espaço amostral.
NOTA 2 O evento complementar também é um evento.
c
NOTA 3 Para um evento A, o evento complementar a A é representado pelo símbolo A .
NOTA 4 Em muitas situações, pode ser mais fácil computar a probabilidade do complemento de um evento do que
a probabilidade do evento. Por exemplo, o evento definido por "ao menos um defeito ocorre em uma amostra de 10 itens
escolhidos aleatoriamente de uma população de 1 000 itens, tendo um número suposto de defeitos de um por cento" tem um
número enorme de resultados a serem listados. O complemento deste evento (nenhum defeito encontrado) é muito mais fácil
de ser tratado.

2.4
eventos independentes
pares de eventos (2.2) tais que a probabilidade (2.5) da interseção dos dois eventos seja o produto das
probabilidades individuais
EXEMPLO 1 Considerar a situação do lançamento de dois dados, com um dado vermelho e um dado branco para distinguir
os 36 resultados possíveis com probabilidade 1/36 atribuída a cada um. Di é definido como o evento no qual a soma dos
pontos nos dados vermelho e branco é i. W é definido como o evento no qual o dado branco apresenta a face um. Os eventos
D7 e W são independentes, enquanto que os eventos Di e W não são independentes para i = 2, 3, 4, 5 ou 6. Eventos que não
são independentes são denominados eventos dependentes.
EXEMPLO 2 Eventos independentes e dependentes aparecem naturalmente em aplicações. Nos casos nos quais os
eventos ou as circunstâncias são dependentes, é útil saber o resultado de um evento relacionado. Por exemplo, um indivíduo
prestes a submeter-se a uma cirurgia de coração poderia ter prognóstico de sucesso muito diferente, no caso deste indivíduo
ter histórico de fumo ou outros fatores de risco. Assim, nos procedimentos invasivos fumo e morte poderiam ser dependentes.
Ao contrário, provavelmente a morte seria independente do dia da semana no qual esta pessoa nasceu. Em um contexto
de confiabilidade, os componentes que têm uma causa comum de falha não têm tempos de falha independentes. Hastes de
combustível em um reator têm possivelmente probabilidade baixa de ocorrência de rachaduras, mas quando uma haste de
combustível se racha, a probabilidade de rachadura na haste adjacente pode aumentar substancialmente.
EXEMPLO 3 Continuando o Exemplo 2 de 2.2, supor que a amostragem foi feita pela amostragem aleatória simples, tais
que todos os resultados tenham a mesma probabilidade 1/45. Então P (A) = 17/45 = 0,377 8, P (B) = 2 1/45 = 0,466 7
e P (A e B) = 11/45 = 0,244 4. Entretanto, o produto P (A) × P (B) = (17/45) × (21/45) = 0,1763, que é diferente de 0,244 4,
portanto os eventos A e B não são independentes.
NOTA Esta definição é dada no contexto de dois eventos, mas pode ser estendida. Para os eventos A e B, a condição
da independência é P A  B   P A  P B  . Para três eventos A, B e C serem independentes, é necessário:
P A  B  C   P A  P B  P C 
P A  B   P A  P B 
P A  C   P A P C  e
P B  C   P B  P C 
Geralmente, para mais de dois eventos, A1, A2,..., An , serem independentes, a probabilidade da intersecção de
qualquer subconjunto dado dos eventos iguala o produto dos eventos individuais, devendo esta condição ser
válida para cada subconjunto. É possível construir um exemplo em que cada par de eventos seja independente,
mas os três eventos não são independentes (isto é, independência por pares, mas não independência completa).
2.5
probabilidade de um evento A
P A 
número real no intervalo fechado [0, 1] atribuído a um evento (2.2)
EXEMPLO Continuando com o Exemplo 2 de 2.1, a probabilidade de um evento pode ser encontrada adicionando-se
as probabilidades para todos os resultados que constituem o evento. Se todos os 45 resultados tiverem a mesma probabilidade,
cada um deles terá a probabilidade 1/45. A probabilidade de um evento pode ser encontrada contando o número de resultados
e dividindo este número por 45.
NOTA 1 A medida de probabilidade (2.70) fornece atribuição de números reais para cada evento de interesse no espaço
amostral. Tomando um evento individual, a atribuição pela medida de probabilidade dá a probabilidade associada com o evento.
Ou seja, a medida de probabilidade dá o conjunto completo de atribuições para todos os eventos, enquanto que
a probabilidade representa uma atribuição específica para um evento individual.

NOTA 2 Esta definição refere-se à probabilidade como probabilidade de um evento específico. A probabilidade pode ser
relacionada a uma freqüência relativa de ocorrências de longo prazo ou a um grau de confiança na provável ocorrência de um
evento. Tipicamente, a probabilidade de um evento A é denotada por P (A). A notação A  que usa a letra  é utilizada nos
contextos nos quais há necessidade de se considerar explicitamente a formalidade de um espaço de probabilidade (2.68).
2.6
probabilidade condicional
P A | B 
probabilidade (2.5) da interseção de A e de B dividida pela probabilidade de B
EXEMPLO 1 Continuando o Exemplo 1 da bateria de 2.1, considerar o evento (2.2) A definido como {a bateria funciona
por pelo menos três horas}, a saber [3, ∞). Seja o evento B definido como {a bateria funcionou inicialmente}, a saber (0, ∞).
A probabilidade condicional de A dado B leva em consideração que se trata de baterias funcionando inicialmente.
EXEMPLO 2 Continuando com o Exemplo 2 de 2.1, se a seleção for sem reposição, a probabilidade de selecionar o resistor
2 na segunda extração é igual a zero, dado que já foi selecionado na primeira extração. Se as probabilidades forem iguais para
que todos os resistores sejam selecionados, a probabilidade para selecionar o resistor 2 na segunda extração é igual
a 0,111 1, dado que não foi selecionado na primeira extração.
EXEMPLO 3 Continuando com o Exemplo 2 de 2.1, se a seleção for feita com reposição e as probabilidades forem
as mesmas para que todos os resistores sejam selecionados dentro de cada extração, então a probabilidade de selecionar
o resistor 2 na segunda extração será 0,1, seja o resistor 2 selecionado na primeira extração ou não. Assim os resultados
da primeira e da segunda extrações são eventos independentes.
NOTA 1 A probabilidade do evento B deve ser maior que zero.
NOTA 2 “A dado B” pode ser formulado de maneira mais completa como "o evento A dado que o evento B ocorreu".
A barra vertical no símbolo para a probabilidade condicional é pronunciada "dado".
NOTA 3 Se a probabilidade condicional do evento A dado que o evento B ocorreu for igual à probabilidade que ocorra A,
os eventos A e B são independentes. Ou seja, o conhecimento da ocorrência de B não sugere nenhum ajuste à probabilidade
de A.
2.7
função de distribuição de uma variável aleatória X
F x 
função de x que dá a probabilidade (2.5) do evento (2.2)  , x 
NOTA 1 O intervalo   , x é o conjunto de todos os valores até e incluindo x.
NOTA 2 A função de distribuição descreve completamente a distribuição de probabilidade (2.11) da variável aleatória
(2.10). As classificações das distribuições, assim como classificações de variáveis aleatórias em classes discretas ou contínuas,
são baseadas em classificações de funções de distribuição.
NOTA 3 Uma vez que variáveis aleatórias assumem valores que são números reais ou k-tuplos ordenados de números
reais, é implícito na definição que x é igualmente um número real ou um k-tuplo ordenado de números reais. A função de
distribuição para uma distribuição multivariada (2.17) dá a probabilidade (2.5) de que cada uma das variáveis aleatórias da
distribuição multivariada seja inferior ou igual a um valor especificado. Em termos de notação, uma função de distribuição
multivariada é dada por F x1, x 2 , ..., x n   P X 1  x1, X 2  x 2 , ..., X n  x n  . Uma função de distribuição é também não
decrescente. Em um conjunto univariado, a função de distribuição é dada por F x   P X  x  , que dá a probabilidade
do evento em que a variável aleatória X assume um valor menor ou igual a x .

NOTA Geralmente, as funções de distribuição são classificadas em funções de distribuição discreta (2.22) e funções de
distribuição contínua (2.23), mas há outras possibilidades. Recordando o exemplo 2.1 da bateria, uma função de distribuição
possível é como segue:
0 if x  0

F x   0,1 if x  0
0,1  0,91  exp x  if x  0

A partir desta especificação da função de distribuição, a vida da bateria é não negativa. Há uma possibilidade de 10 % de que a
bateria não funcione na tentativa inicial. Se a bateria, de fato, funcionar inicialmente, então a vida de bateria tem uma
distribuição exponencial (2.58) com vida média de 1 h.
NOTA 5 A abreviatura fda (função de distribuição acumulada) é dada frequentemente para a função de distribuição.
2.8
família de distribuições
conjunto de distribuições de probabilidade (2.11)
NOTA 1 O conjunto de distribuições de probabilidade é frequentemente indexado por um parâmetro (2.9) da distribuição de
probabilidade.
NOTA 2 Frequentemente, a média (2.35) e/ou a variância (2.36) da distribuição de probabilidade são usadas como o índice
da família de distribuições, ou como parte do índice nos casos onde mais de dois parâmetros são necessários para indexar
a família de distribuições. Em outras situações, a média e a variância não são necessariamente parâmetros explícitos na
família de distribuições, mas sim uma função dos parâmetros.
2.9
parâmetro
índice de uma família de distribuições (2.8)
NOTA 1 O parâmetro pode ser unidimensional ou multidimensional.
NOTA 2 Os parâmetros são referidos, às vezes, como parâmetros de posição, particularmente se o parâmetro corresponder
diretamente à média da família de distribuições. Alguns parâmetros são descritos como parâmetros de escala, particularmente
se forem exatamente o desvio-padrão (2.37) da distribuição ou proporcionais a ele. Os parâmetros que não são parâmetros
de posição nem de escala forem referidos geralmente como parâmetros de forma.
2.10
variável aleatória
função definida em um espaço amostral (2.1) onde os valores da função são k-tuplos ordenados de números
reais
EXEMPLO Continuando o exemplo da bateria introduzido em 2.1, o espaço amostral consiste em eventos que são
descritos em palavras (a bateria falha na tentativa inicial, a bateria funciona inicialmente e então falha em x horas). Tais
eventos são difíceis de serem trabalhados matematicamente, por isso é natural associar com cada evento o tempo (dado como
um número real) em que a bateria falha. Se a variável aleatória tomar o valor 0, então se reconheceria que este resultado
corresponde a uma falha inicial. Para um valor da variável aleatória maior que zero, compreende-se que a bateria funcionou
inicialmente e então falhou subsequentemente neste valor específico. A representação da variável aleatória permite que se
responda a perguntas como "qual é a probabilidade de que a bateria exceda sua garantia de vida útil, isto é, 6 h?".
NOTA 1 Um exemplo de um k-tuplo ordenado é x1, x 2 , ..., x k  . Um k-tuplo ordenado é, em outras palavras, um vetor em
k dimensões (um vetor linha ou um vetor coluna).
NOTA 2 Tipicamente, a variável aleatória tem a dimensão denotada pelo k. Se k = 1, a variável aleatória é dita
unidimensional ou univariada. Para k > 1, a variável aleatória é dita multidimensional. Na prática, quando a dimensão é um
número dado, k, a variável aleatória seria k-dimensional.
NOTA 3 Uma variável aleatória unidimensional é uma função de valor real definida no espaço amostral (2.1), que é parte
de um espaço de probabilidade (2.68).

NOTA 4 Uma variável aleatória com valores reais dados em pares ordenados é dita bidimensional. A definição estende
o conceito de par ordenado aos k-tuplos ordenados.
NOTA 5 O j-ésimo componente de uma variável aleatória k-dimensional é a variável aleatória que corresponde somente
ao j-ésimo componente do k-tuplo. O j-ésimo componente de uma variável aleatória k-dimensional corresponde a um espaço
de probabilidade onde os eventos (2.2) são determinados somente nos termos dos valores do componente considerado.
2.11
distribuição de probabilidade
distribuição
medida de probabilidade (2.70) induzida por uma variável aleatória (2.10)
EXEMPLO Continuando com o exemplo da bateria de 2.1, a distribuição da vida de bateria descreve completamente as
probabilidades com que os valores específicos ocorrem. Não se sabe com certeza qual o tempo em que uma dada bateria irá
falhar ou mesmo não se sabe (antes do ensaio) se a bateria irá funcionar na tentativa inicial. A distribuição de probabilidade
descreve completamente a natureza probabilística de um resultado incerto. Na Nota 4 de 2.7, uma representação possível da
distribuição de probabilidade foi dada, a saber, uma função de distribuição.
NOTA 1 Existem numerosas representações matemáticas equivalentes a uma distribuição que incluem a função de
distribuição (2.7), a função de densidade de probabilidade (2.27), se existir, e a função característica. Com níveis variáveis
de dificuldade, estas representações permitem determinar a probabilidade com que uma variável aleatória assume valores em
uma dada região.
NOTA 2 Uma vez que uma variável aleatória é uma função em subconjuntos do espaço amostral na linha real, é o caso, por
exemplo, de que a probabilidade de que uma variável aleatória assuma qualquer valor real seja 1. Para o exemplo da bateria,
P X  0  1 . Em muitas situações, é muito mais fácil tratar diretamente a variável aleatória e uma de suas representações do
que se interessar pela medida de probabilidade subjacente. Entretanto, na conversão de uma representação à outra, a medida
de probabilidade assegura a consistência.
NOTA 3 Uma variável aleatória com um único componente é chamada distribuição de probabilidade unidimensional
ou univariada. Se uma variável aleatória tiver dois componentes, fala-se de distribuição de probabilidade bidimensional
ou bivariada, e com mais de dois componentes, a variável aleatória tem uma distribuição de probabilidade multidimensional
ou multivariada.
2.12
esperança matemática
integral de uma função de uma variável aleatória (2.10) em relação a uma medida de probabilidade (2.70)
sobre o espaço amostral (2.1)
NOTA 1 A esperança matemática da função g de uma variável aleatória X é denotada por E g  X  e é calculada por:
E g  X   g  X  dP 
  g x  dF x 
 Rk
onde F  x  é a a função de distribuição correspondente.
NOTA 2 O “E” em E g  X  vem de “valor esperado” ou de “esperança matemática” da variável aleatória X. E pode ser visto
como um operador ou uma função que represente uma variável aleatória na linha real de acordo com o cálculo acima.
NOTA 3 Duas integrais são dadas para E g  X  . A primeira trata a integração sobre o espaço amostral que constitui uma
representação conceitualmente atraente mas não de uso prático, em razão da dificuldade de tratar os próprios eventos
(por exemplo, se dados verbalmente). A segunda integral descreve o cálculo sobre R k que é de maior interesse prático.

NOTA 4 Em muitos casos de interesse prático, a integral acima se reduz a uma forma reconhecível de cálculo. Exemplos
são dados nas notas de momento de ordem r (2.34) onde g x   x r , média (2.35) onde g x   x e variância (2.36), onde
g x   x  E  X  .
2
NOTA 5 A definição não é restrita às integrais unidimensionais como os exemplos e notas precedentes poderiam sugerir.
Para situações de dimensões superiores, ver 2.43.
NOTA 6 Para uma variável aleatória discreta (2.28), a segunda integral na nota 1 é substituída pelo símbolo dosomatório
Exemplos podem ser encontrados em 2.35.
2.13
quantil de ordem p
fractil de ordem p
X p, xp
valor de x igual ao ínfimo de todo x tal que a função de distribuição (2.7) F x  seja superior ou igual a p, para
0  p 1
EXEMPLO 1 Considerar uma distribuição binomial (2.46) com a função de massa de probabilidade dada na Tabela 2.
Este conjunto de valores corresponde a uma distribuição binomial com os parâmetros n = 6 e p = 0,3. Para este caso, alguns
quantis de ordem p selecionados são:
x0,1 = 0
x0,25 = 1
x0,5 = 2
x0,75 = 3
x0,90 = 3
x0,95 = 4
x0,99 = 5
x0,999 = 5
O caráter discreto da distribuição binomial conduz a valores inteiros dos quantis de ordem p.
Tabela 2 — Exemplo da distribuição binomial

P
X P X  x  P X  x  X  x 
0 0,117 649 0,117 649 0,882 351
1 0,302 526 0,420 175 0,579 825
2 0,324 135 0,744 310 0,255 690
3 0,185 220 0,929 530 0,070 470
4 0,059 535 0,989 065 0,010 935
5 0,010 206 0,999 271 0,000 729
6 0,000 729 1,000 000 0,000 000

EXEMPLO Considerar uma distribuição normal padronizada (2.51) com valores selecionados a partir de sua função de
distribuição dada na tabela 3. Alguns valores de quantis de ordem p:
Tabela 3 — Exemplo da distribuição normal padronizada
p x tal que P X  x   p
0,1 -1,282
0,25 -0,674
0,5 0,000
0,75 0,674
0,841 344 75 1,000
0,9 1,282
0,95 1,645
0,975 1,960
0,99 2,326
0,995 2,576
0,999 3,090
Considerando-se que a distribuição de X é contínua, o título de segunda coluna poderia igualmente ser: x tal que
P X  x   p .
NOTA 1 Para distribuições contínuas (2.23), se p for 0,5 então o quantil 0,5 corresponde à mediana (2.14). Para p igual
a 0,25, o quantil 0,25 é conhecido como o quartil inferior. Para distribuições contínuas, 25 % da distribuição estão abaixo do
quantil 0,25 enquanto 75 % estão acima do quantil 0,25. Para p igual a 0,75, o quantil 0,75 é conhecido como o quartil superior.
NOTA 2 Geralmente, 100 p % de uma distribuição estão abaixo do quantil de ordem p ; 100 (1 - p ) % de uma
distribuição estão acima do quantil de ordem p . Há uma dificuldade em definir a mediana para distribuições discretas, uma
vez que se poderia discutir que existem múltiplos valores satisfazendo a definição.
NOTA 3 Se F for contínua e estritamente crescente, o quantil de ordem p é a solução para F x   p . Nesse caso,
a palavra “ínfimo” na definição poderia ser substituída por “mínimo”.
NOTA 4 Se a função de distribuição for constante e igual a p em um intervalo, então todos os valores nesse intervalo são
os quantis de ordem p para F.
NOTA 5 Os quantis de ordem p são definidos para as distribuições univariadas (2.16).
2.14
mediana
quantil de ordem 0,5 (2.13)
EXEMPLO Para o exemplo da bateria da Nota 4 em 2.7, a mediana é 0,587 8, que é a solução para x
em 0,1  0,91  exp x   0,5
NOTA 1 A mediana é um dos quantis de ordem p geralmente mais aplicados (2.13) no uso prático. A mediana de uma
distribuição univariada (2.16) contínua é tal que a metade da população (1.1) seja maior ou igual que a mediana e a metade
da população seja menor ou igual que a mediana.
NOTA 2 As medianas são definidas para distribuições univariadas (2.16).

2.15
quartil
quantil 0,25 (2.13) ou quantil 0,75
EXEMPLO Continuando com o exemplo da bateria de 2.14, pode-se mostrar que o quantil de ordem 0,25 é 0,182 3
e o quantil de ordem 0,75 é 1,280 9.
NOTA 1 O quantil de ordem 0,25 é conhecido igualmente como quartil inferior, enquanto o quantil de ordem 0,75
é conhecido como quartil superior.
NOTA 2 Os quartis são definidos para distribuições univariadas (2.16).
2.16
distribuição de probabilidade univariada
distribuição univariada
distribuição de probabilidade (2.11) de uma única variável aleatória (2.10)
NOTA Distribuições de probabilidade univariadas são unidimensionais. As distribuições binomial (2.46), Poisson (2.47),
normal (2.50), gama (2.56), t (2.53), Weibull (2.63) e beta (2.59) são exemplos de distribuições de probabilidade univariadas.
2.17
distribuição de probabilidade multivariada
distribuição multivariada
distribuição de probabilidade (2.11) de duas ou mais variáveis aleatórias (2.10)
NOTA 1 Para distribuições de probabilidade com exatamente duas variáveis aleatórias, o qualificador multivariado
é frequentemente substituído pelo qualificador bivariado mais restritivo. Como mencionado no Prefácio, a distribuição
de probabilidade de uma única variável aleatória pode ser chamada explicitamente de uma distribuição univariada (2.16)
ou unidimensional. Uma vez que esta situação é predominante, é habitual presumir uma situação univariada, a menos
que indicado de outra maneira.
NOTA 2 A distribuição multivariada é algumas vezes denominada de distribuição combinada.
NOTA 3 A distribuição multinominal (2.45), a distribuição normal bivariada (2.65) e a distribuição normal
multivariada (2.64) são exemplos de distribuições de probabilidade multivariadas cobertas nesta parte da ABNT NBR ISO 3534.
2.18
distribuição de probabilidade marginal
distribuição marginal
distribuição de probabilidade (2.11) de um subconjunto não vazio, restrito, dos componentes de uma variável
aleatória (2.10)
EXEMPLO 1 Para uma distribuição com três variáveis aleatórias X, Y e Z, há três distribuições marginais com duas
variáveis aleatórias, a saber: para (X, Y), (X, Z) e (Y, Z) e três distribuições marginais com uma única variável aleatória, a
saber: para X, Y e Z.
EXEMPLO 2 Para a distribuição normal bivariada (2.65) dos pares de variáveis (X, Y), as distribuições de cada uma das
variáveis X e Y consideradas separadamente são distribuições marginais, sendo ambas distribuições normais (2.50).
EXEMPLO 3 Para a distribuição multinomial (2.45), a distribuição de  X1, X 2  é uma distribuição marginal se k > 3.
As distribuições de X1, X 2 , ..., X k são também distribuições marginais, se consideradas separadamente. Cada uma destas
distribuições marginais são distribuições binomiais (2.46).
NOTA 1 Para uma distribuição combinada em k dimensões, um exemplo de distribuição marginal inclui a distribuição
de probabilidade de um subconjunto de k1  k variáveis aleatórias.

NOTA 2 Dada uma distribuição de probabilidade multivariada (2.17) contínua (2.23) representada por sua função de
densidade de probabilidade (2.26), a função de densidade de probabilidade de sua distribuição de probabilidade marginal
é determinada integrando a função de densidade de probabilidade no domínio das variáveis que não são consideradas
na distribuição marginal.
NOTA 3 Dada uma distribuição de probabilidade multivariada discreta (2.22) representada por sua função de massa de
probabilidade (2.24), a função de massa de probabilidade de sua distribuição de probabilidade marginal é determinada
somando a função de massa de probabilidade no domínio das variáveis que não são consideradas na distribuição marginal.
2.19
distribuição de probabilidade condicional
distribuição condicional
distribuição de probabilidade (2.11) restrita a um subconjunto não vazio do espaço amostral (2.1) e ajustada
para ter probabilidade total de um, no espaço amostral restrito
EXEMPLO 1 No exemplo da bateria em 2.7, Nota 4, a distribuição condicional da vida de bateria é exponencial (2.58),
dado que ela funciona inicialmente.
EXEMPLO 2 Para a distribuição normal bivariada (2.65), a distribuição de probabilidade condicional de Y, dado que X = x,
reflete o impacto em Y do conhecimento de X.
EXEMPLO 3 Considerar uma variável aleatória X que descreve a distribuição de custos anuais da perda dos segurados
na Flórida devido a furacões. Esta distribuição teria uma probabilidade diferente de zero para custos anuais de perda iguais a
zero, devido à possibilidade de que nenhum furacão cause impactos na Flórida em um dado ano. Pode haver interesse na
distribuição condicional de custos de perda para aqueles anos em que um evento realmente ocorra.
NOTA 1 Como exemplo para uma distribuição com duas variáveis aleatórias X e Y, há distribuições condicionais para X
e distribuições condicionais para Y. Uma distribuição de X condicionada por Y = y é denominada como "distribuição
condicional de X, dado que Y = y", enquanto que uma distribuição de Y condicionada por X = x é denominada "distribuição
condicional de Y dado X = x".
NOTA 2 As distribuições de probabilidade marginais (2.18) podem ser vistas como distribuições incondicionais.
NOTA 3 O exemplo 1 acima ilustra a situação em que uma distribuição univariada é ajustada condicionalmente para obter
uma outra distribuição univariada, que, neste caso, é uma distribuição diferente. Ao contrário, para a distribuição exponencial,
a distribuição condicional que uma falha ocorrerá dentro da próxima hora, dado que nenhuma falha ocorreu durante as
primeiras 10 h, é exponencial com de o mesmo parâmetro.
NOTA 4 Distribuições condicionais podem ser aplicadas para determinadas distribuições discretas nas quais resultados
específicos são impossíveis. Por exemplo, a distribuição de Poisson poderia servir como um modelo para o número de
pacientes que sofrem de câncer em uma população de pacientes afetados, se condicionada a ser estritamente positiva
(um paciente sem tumores não é por definição afetado).
NOTA 5 Distribuições condicionais se aplicam no contexto de restringir o espaço amostral a um subconjunto particular.
Para (X, Y) tendo uma distribuição normal bivariada (2.65), pode ser de interesse considerar a distribuição condicional
de (X, Y), sabendo que o resultado deve ocorrer no quadrado unitário [0, 1] x [0, 1]. Outra possibilidade é a distribuição
condicional de (X, Y), dado que X 2  Y 2  r . Este caso corresponde a uma situação na qual, por exemplo, uma peça
satisfaça uma tolerância e existe o interesse em propriedades adicionais baseadas na conformidade a este desempenho.
2.20
curva de regressão
conjunto de valores de esperança matemática (2.12) da distribuição de probabilidade condicional (2.19)
de uma variável aleatória (2.10) Y, dada uma variável aleatória X = x
NOTA Aqui, a curva de regressão é definida no contexto de (X, Y) tendo uma distribuição bivariada (ver a Nota 1 de 2.17).
Portanto, é um conceito diferente daquele encontrado na análise de regressão, no qual Y é relacionado a um conjunto
determinístico de valores independentes.

2.21
superfície de regressão
conjunto de valores da esperança matemática (2.12) da distribuição de probabilidade condicional (2.19)
de uma variável aleatória (2.10) Y, dadas as variáveis aleatórias X1  x1 e X 2  x 2 .
NOTA Aqui, como em 2.20, a superfície da regressão é definida no contexto de Y , X 1, X 2  ser uma distribuição
multivariada (2.17). Como com a curva de regressão, a superfície de regressão envolve um conceito distinto daqueles
encontrados na análise de regressão e na metodologia de superfície de resposta.
2.22
distribuição de probabilidade discreta
distribuição discreta
distribuição de probabilidade (2.11) para a qual o espaço amostral  (2.1) é finito ou contável até o infinito
EXEMPLO Exemplos de distribuições discretas neste documento são: multinomial (2.45), binomial (2.46), Poisson
(2.47), hipergeométrica (2.48) e binomimial negativa (2.49).
NOTA 1 O termo "Discreta" implica que o espaço amostral pode ser dado em uma lista finita ou com o início
de uma lista infinita em que o padrão subseqüente é aparente, como, por exemplo, o número de defeitos
sendo 0, 1, 2,... Adicionalmente, a distribuição binomial corresponde a um espaço amostral finito {0, 1, 2,..., n}, enquanto que
a distribuição de Poisson corresponde a um espaço amostral contável até o infinito {0, 1, 2,...}.
NOTA 2 Situações com dados de atributo na amostragem de aceitação envolvem distribuições discretas.
NOTA 3 A função de distribuição (2.7) de uma distribuição discreta tem valores discretos.
2.23
distribuição de probabilidade contínua
distribuição contínua
distribuição de probabilidade (2.11) para qual a função de distribuição (2.7) avaliada em x pode ser expressa
como uma integral de uma função não negativa de   a x
EXEMPLO Situações onde as distribuições contínuas ocorrem são virtualmente qualquer uma daquelas que envolvem
dados do tipo variável encontrados em aplicações industriais.
NOTA 1 Exemplos de distribuições contínuas são: normal (2.50), normal padronizada (2.51), t (2.53), F (2.55), gama
(2.56), qui-quadrado (2.57), exponencial (2.58), beta (2.59), uniforme (2.60), valor extremo de tipo I (2.61), valor extremo
de tipo II (2.62), valor extremo de tipo III (2.63) e lognormal (2.52).
NOTA 2 A função não negativa referida na definição é a função de densidade de probabilidade (2.26). É excessivamente
restritivo insistir que uma função de distribuição seja diferenciável em toda parte. Entretanto, para considerações práticas,
muitas distribuições contínuas de uso geral se beneficiam da propriedade que a derivada da função de distribuição fornece
a função de densidade de probabilidade correspondente.
NOTA 3 As situações com dados variáveis em aplicações de amostragem de aceitação correspondem às distribuições
de probabilidade contínuas.
2.24
função de massa de probabilidade
distribuição discreta função que dá a probabilidade (2.5) de que uma variável aleatória (2.10) iguale a um valor
dado
EXEMPLO 1 A função de massa de probabilidade que descreve a variável aleatória X igual ao número de caras
que resultam de lançamento de três moedas não viciadas é:
P  X  0   1/ 8
P  X  1  3 / 8
P  X  2  3 / 8
P  X  3   1/ 8

EXEMPLO 2 Várias funções de massa de probabilidade são dadas ao se definir as distribuições discretas (2.22) comuns
encontradas nas aplicações. Os exemplos subseqüentes de distribuições discretas univariadas incluem: binomial (2.46),
Poisson (2.47), hipergeométrica (2.48) e binomial negativa (2.49). Um exemplo de uma distribuição discreta multivariada
é a multinomial (2.45).
NOTA 1 A função de massa de probabilidade pode ser dada como P  X  x i   pi , onde X é a variável aleatória, xi é um
valor dado e pi é a probabilidade correspondente.
NOTA 2 A função de massa de probabilidade foi introduzida no exemplo 1 do quantil de ordem p de 2.13, usando a
distribuição binomial (2.46).
2.25
moda da função de massa de probabilidade
valores nos quais uma função de massa de probabilidade (2.24) alcança um máximo local
EXEMPLO A distribuição binomial (2.46) com n = 6 e p = 1/3 é unimodal com moda em 3.
NOTA Uma distribuição discreta (2.22) é unimodal se sua função de massa de probabilidade tiver exatamente uma
moda, bimodal, se sua função de massa de probabilidade tiver exatamente duas modas e multimodal se sua função de massa
de probabilidade tiver mais de duas modas.
2.26
função de densidade de probabilidade
f x 
função não negativa que quando integrada de   a x dá a função de distribuição (2.7) avaliada em x de uma
distribuição contínua (2.23)
EXEMPLO 1 Várias funções de densidade de probabilidade são dadas ao definir as distribuições de probabilidade comuns
encontradas na prática. Os exemplos subseqüentes incluem as distribuições: normal (2.50), normal padronizada (2.51),
t (2.53), F (2.55), gama (2.56), qui-quadrado (2.57), exponencial (2.58), beta (2.59), uniforme (2.60), normal multivariada
(2.64) e normal bivariada (2.65).
EXEMPLO 2 Para a função de distribuição definida por F x   3 x 2  2 x 3 onde 0  x  1 , a função de densidade

de probabilidade correspondente é f x   6 x 1  x  , onde 0  x  1 .
EXEMPLO 3 Continuando com o exemplo da bateria de 2.1, não há uma função de densidade de probabilidade associada
com a função de distribuição especificada, devido à probabilidade positiva de um resultado zero. Entretanto, a distribuição
condicional dada que a bateria está funcionando inicialmente tem f x   exp x  para x > 0 como sua função de densidade
de probabilidade, que corresponde à distribuição exponencial.
NOTA 1 Se a função de distribuição F for continuamente diferenciável, então a função de densidade de probabilidade é
f x   dF x  / dx
nos pontos x onde a derivada existe.
NOTA 2 Um gráfico de f(x) em função de x sugere descrições tais como simétrica, com presença de pico, com cauda grande,
unimodal, bimodal e assim por diante. Um gráfico de uma f(x) ajustada sobre um histograma fornece uma avaliação visual
da compatibilidade entre uma distribuição ajustada e os dados.
NOTA 3 Uma abreviatura comum da função de densidade de probabilidade é fdp.

2.27
moda da função de densidade de probabilidade
valores nos quais uma função de densidade de probabilidade (2.26) alcança um máximo local
NOTA 1 Uma distribuição contínua (2.23) é unimodal se sua função de densidade de probabilidade tiver exatamente uma
moda, bimodal se sua função de densidade de probabilidade tiver exatamente duas modas e multimodal se sua função
de densidade de probabilidade tiver mais de duas modas.
NOTA 2 A distribuição em que as modas constituem um conjunto conectado também é denominada unimodal.
2.28
variável aleatória discreta
variável aleatória (2.10) que tem uma distribuição discreta (2.22)
NOTA As variáveis aleatórias discretas consideradas nesta parte da ABNT NBR ISO 3534 incluem as variáveis aleatórias
binomial (2.46), Poisson (2.47), hipergeométrica (2.48) e multinomial (2.45).
2.29
variável aleatória contínua
variável aleatória (2.10) que tem uma distribuição contínua (2.23)
NOTA Variáveis aleatórias contínuas consideradas nesta parte da ABNT NBR ISO 3534 incluem as variáveis: normal
(2.50), normal padronizada (2.51), distribuição de t (2.53), distribuição de F (2.55), gama (2.56), qui-quadrado (2.57),
exponencial (2.58), beta (2.59), uniforme (2.60), de valor extremo de tipo I (2.61), de valor extremo de tipo II (2.62),
de valor extremo de tipo III (2.63), lognormal (2.52), normal multivariada (2.64) e normal bivariada (2.65).
2.30
distribuição de probabilidade centrada
distribuição de probabilidade (2.11) de uma variável aleatória centrada (2.31)
2.31
variável aleatória centrada
variável aleatória (2.10) da qual sua média (2.35) é subtraída
NOTA 1 Uma variável aleatória centrada tem a média igual a zero.
NOTA 2 Este termo aplica-se somente às variáveis aleatórias com uma média. Por exemplo, a média da distribuição
de t (2.53) com um grau de liberdade não existe.
NOTA 3 Se uma variável aleatória X tiver média (2.35) igual a µ, a variável aleatória centrada correspondente é X - µ,
tendo média igual a zero.
2.32
distribuição de probabilidade padronizada
distribuição de probabilidade (2.11) de uma variável aleatória padronizada (2.33)
2.33
variável aleatória padronizada
variável aleatória centrada (2.31) cujo desvio-padrão (2.37) é igual a 1
NOTA 1 Uma variável aleatória (2.10) é padronizada automaticamente se sua média for zero e seu desvio-padrão for 1.

0,5
A distribuição uniforme (2.60) no intervalo  3 , 3
0,5

tem média zero e desvio-padrão igual a 1. A distribuição normal
padronizada (2.51), naturalmente, é padronizada.
NOTA 2 Se a distribuição (2.11) da variável aleatória X tiver média (2.35)  e desvio-padrão  , então a variável
aleatória padronizada correspondente é  X    /  .

2.34
momento de ordem r
r-ésimo momento
esperança matemática (2.12) da r-ésima potência de uma variável aleatória (2.10)
EXEMPLO Considerar uma variável aleatória tendo função de densidade de probabilidade (2.26) f x   exp x  para
x > 0. Usando integração por partes do cálculo elementar, pode-se mostrar que E  X   1 ,  
E X 2  2 , E X 3   6 ,
e E X   24 ou, de forma geral, E X   r ! . Esse é um exemplo de distribuição exponencial (2.58).
4 r
NOTA 1 No caso discreto univariado, a fórmula apropriada é:
  x
n
E Xr  r
i p x i 
i 1
para um número finito n de resultados e

  x

E Xr  r
i p x i 
i 1
para um número infinito enumerável de resultados. No caso contínuo univariado, a fórmula apropriada é:

EX    x
r r
f x dx

NOTA 2 Se a variável aleatória tiver a dimensão k, então se aplica a r-ésima potência elemento a elemento.
NOTA 3 Os momentos dados aqui usam a variável aleatória X elevada a uma potência. De maneira mais geral, pode-se
considerar momentos de ordem r de X   ou  X    /  .
2.35 Médias
2.35.1
média
momento de ordem r = 1

distribuição contínua momento de ordem r no qual r é igual a 1, calculado como a integral do produto de x
e da função de densidade de probabilidade (2.26), f (x), sobre a linha real
EXEMPLO 1 Considerar uma variável aleatória contínua (2.29) X que tem a função de densidade de probabilidade
f  x   6 x1  x  , onde 0 ≤ x ≤ 1. A média de X é:
 6 x 1  x dx  0,5
1
2
0
EXEMPLO 2 Continuando com o exemplo da bateria de 2.1 e 2.7, a média é igual a 0,9 já que com probabilidade 0,1
a média da parte discreta da distribuição é 0 e com probabilidade 0,9 a média da parte contínua da distribuição é 1.
Esta distribuição é uma mistura de distribuições contínua e discreta.

NOTA 1 A média de uma distribuição contínua (2.23) é denotada por E (X) e é calculada por:

E X    xf x dx

NOTA 2 Não existe média para todas as variáveis aleatórias (2.10). Por exemplo, se X for definido por sua função de
densidade de probabilidade f x    1  x  
2 1
, a integral correspondente a E (X) é divergente.
2.35.2
média

distribuição discreta somatório do produto de x i e da função de massa de probabilidade (2.24) p ( x i )
EXEMPLO 1 Considerar uma variável aleatória discreta X (2.28) que representa o número de caras resultando do
lançamento de três moedas não viciadas. A função de massa de probabilidade é
P  X  0   1/ 8
P  X  1  3 / 8
P  X  2  3 / 8
P  X  3   1/ 8
Portanto, a média de X é
01/ 8   13 / 8   23 / 8   31/ 8   12 / 8  1,5
EXEMPLO 2 Ver o Exemplo 2 em 2.35.1.
NOTA A média de uma distribuição discreta (2.22) é denotada por E ( X ) e calculada por:
n
E X    x p x 
i 1
i i
para um número finito de resultados, e

E X    x p x 
i 1
i i
para um número de resultados contáveis até o infinito.
2.36
variância
V
momento de ordem r (2.34) onde r é igual a 2 na distribuição de probabilidade centrada (2.30) da variável
aleatória (2.10)
EXEMPLO 1 Para a variável aleatória discreta (2.28), no exemplo de 2.24, a variância é
 x
i 0
i  1,5  P  X  xi   0,75
2

EXEMPLO 2 Para a variável aleatória contínua (2.29), no Exemplo 1 de 2.26, a variância é
1
 x  0,5  6 x 1  x dx  0,05
2
i
0
EXEMPLO 3 Para o exemplo da bateria de 2.1, a variância pode ser determinada por reconhecer que a variância
de X é E X    E X 
2 2
. Do Exemplo 3 de 2.35, E  X   0,9 . Usando o mesmo tipo de argumento de condicionamento,
E  X  pode ser demonstrado como sendo 1,8. Assim, a variância de X é 1,8  0,9  , que é igual a 0,99.
2 2
NOTA A variância pode ser definida de forma equivalente como a esperança matemática (2.12) do quadrado da variável

aleatória menos sua média (2.35). A variância de uma variável aleatória X é denotada por V  X   E X  E  X  .
2

2.37
desvio-padrão

raiz quadrada positiva da variância (2.36)
EXEMPLO Para o exemplo da bateria de 2.1 e 2.7, o desvio-padrão é 0,995.
2.38
coeficiente de variação
CV
variável aleatória positiva desvio-padrão (2.37) dividido pela média (2.35)
EXEMPLO Para o exemplo da bateria de 2.1 e 2.7, o coeficiente de variação é 0,99/0,995, que é igual a 0,99497.
NOTA 1 O coeficiente de variação é expresso geralmente como uma porcentagem.
NOTA 2 O termo predecessor "desvio-padrão relativo” tem sido substituído pelo termo “coeficiente de variação”.
2.39
coeficiente de assimetria
1
momento de ordem 3 (2.34) na distribuição de probabilidade padronizada (2.32) de uma variável aleatória
(2.10)
EXEMPLO Continuando com o exemplo da bateria de 2.1 e 2.7, que tem uma distribuição mista contínua discreta, usando
o resultado do exemplo em 2.34, tem-se:
E  X   0,10   0,91  0,9
   
E X 2  0,1 0 2  0,92  1,8
 
E X 3  0,10   0,96   5,4
 
E X 4  0,10   0,924   21,6
   
Para calcular o coeficiente de assimetria, notar que E X  E  X   E X 3  3E  X  E X 2  2E  X 
3
  3
e de 2.37 o
   
desvio-padrão é 0,995. O coeficiente de assimetria é então 5,4  3 0,9 1,8  2 0,9   / 0,995 
3 3
ou 1,998.
NOTA 1 Uma definição equivalente é baseada na esperança matemática (2.12) da terceira potência de  X    /  ,

denotada por E  X    /  3
3


NOTA 2 O coeficiente de assimetria é uma medida da simetria de uma distribuição (2.11) e é denotado às vezes
por √1. Para distribuições simétricas, o coeficiente de assimetria é igual a 0 (supondo que os momentos apropriados
na definição existam). Exemplos de distribuições com assimetria igual a zero incluem a distribuição normal (2.50),
a distribuição beta (2.59) para    e a distribuição de t (2.53), contanto que os momentos existam.
2.40
coeficiente de curtose
2
momento de ordem 4 (2.34) na distribuição de probabilidade padronizada (2.32) de uma variável aleatória
(2.10)
EXEMPLO Continuando com o exemplo da bateria de 2.1 e 2.7, para calcular o coeficiente de curtose, notar que
   
E X  E  X   E X 4  4 E  X  E X 3 
4
 
2
   3 E X 
6E  X  E X 2 4
O coeficiente de curtose é então

[21,6 - 4 (0,9) (5,4) + 6 (0,9)2 (2) - 3 (0,9)4]/(0,995)4
ou 8,94.
NOTA 1 Uma definição equivalente é baseada na esperança matemática (2.12) da quarta potência de
 X    /  , denotada por E  X   4 /  4 .
NOTA 2 O coeficiente de curtose é uma medida da densidade das caudas de uma distribuição (2.11).
Para a distribuição uniforme (2.60), o coeficiente de curtose é 1,8; para a distribuição normal (2.50), o coeficiente
de curtose é 3; para a distribuição exponencial (2.58), o coeficiente de curtose é 9.
NOTA 3 Deve-se ter cuidado ao se considerar valores relatados de curtose, porque alguns usuários subtraem 3 (a curtose
da distribuição normal) do valor que é calculado pela definição.
2.41
momento combinado de ordens r e s
média (2.35) do produto da r-ésima potência de uma variável aleatória (2.10) e da s-ésima potência de uma outra
variável aleatória em sua distribuição de probabilidade (2.11) combinada
2.42
momento combinado central de ordens r e s
média (2.35) do produto da r-ésima potência de uma variável aleatória centrada (2.31) e da s-ésima potência de
uma outra variável aleatória centrada em sua distribuição de probabilidade (2.11) combinada
2.43
covariância
 XY
média (2.35) do produto de duas variáveis aleatórias centradas (2.31) em sua distribuição de probabilidade
(2.11) combinada
NOTA 1 A covariância é o momento centrado combinado de ordens 1 e 1 (2.42) para duas variáveis aleatórias.
NOTA 2 Em termos de notação, a covariância é
E  X   X Y  Y  ,
onde E  X    X e E Y   Y

2.44
coeficiente de correlação
média (2.35) do produto de duas variáveis aleatórias padronizadas (2.33) em sua distribuição de
probabilidade (2.11) combinada
NOTA O coeficiente de correlação é referido às vezes simplesmente como correlação. Entretanto, este uso confunde-se
com as interpretações da correlação como uma associação entre duas variáveis.
2.45
distribuição multinomial
distribuição discreta (2.22) que tem a função de massa de probabilidade (2.24)
P  X1  x1, X 2  x2 , ..., X k  xk 
n! x1 x 2 xk
 p1 p2 ...pk
x1! x 2 !... x k !
onde
x1, x 2 , ..., x k são os inteiros não negativos tais que
x1  x 2  ...  x k  n com parâmetros pi >0 para todos os i  1, 2, ..., k com p1  p2  ...  pk  1
k é um inteiro maior ou igual a 2
NOTA A distribuição multinomial fornece a probabilidade do número de vezes que cada um dos k possíveis resultados
ocorrerem nos n experimentos independentes, onde cada experimento tem os mesmos k eventos mutuamente exclusivos e as
probabilidades dos eventos são as mesmas para todos os experimentos.
2.46
distribuição binomial
n!
P X  x   p x 1  p 
nx
x! n  x !
onde x = 0, 1, 2,..., n e com parâmetros de índice n = 1, 2,..., e 0 < p < 1.
EXEMPLO A função de massa de probabilidade descrita no Exemplo 1 de 2.24 pode ser considerada correspondente
à distribuição binomial com os parâmetros de índice n = 3 e p = 0,5.
NOTA 1 A distribuição binomial é um caso especial da distribuição multinomial (2.45) com k = 2.
NOTA 2 A distribuição binomial dá a probabilidade do número de vezes que cada um de dois resultados possíveis ocorreu
em n experimentos independentes, onde cada experimento tem os mesmos dois eventos mutuamente exclusivos (2.2)
e as probabilidades (2.5) dos eventos são as mesmas para todos os experimentos.
NOTA 3 A média (2.35) da distribuição binomial é igual a np. A variância (2.36) da distribuição binomial é igual a np(1 – p).
NOTA 4 A função de massa de probabilidade binomial pode alternadamente ser expressa, utilizando-se o coeficiente
binomial dado por
n  n!
  
 x  x! n  x !

2.47
distribuição de Poisson
x
P X  x   e
x!
onde x = 0, 1, 2,... e com   0 .
NOTA 1 A distribuição de Poisson com parâmetro é o limite da distribuição binomial (2.46), à medida que n
se aproxima de  e p tende a zero de tal maneira que o produto np tende a 
NOTA 2 A média (2.35) e a variância (2.36) da distribuição de Poisson são ambas iguais a .
NOTA 3 A função de massa de probabilidade (2.24) da distribuição de Poisson dá a probabilidade para o número
de ocorrências de uma propriedade de um processo em um intervalo de tempo de comprimento unitário satisfazendo
determinadas condições, por exemplo, o número de ocorrências independende do tempo.
2.48
distribuição hipergeométrica
distribuição discreta (2.22) tendo como função de probabilidade de massa (2.24)


M! 

N  M ! 

 x! M  x !   n  x ! N  M  n  x ! 
P X  x  
 N! 
 
 n! N  n ! 
onde máximo 0, M  N   x  mínimo M, n  com parâmetros inteiros
N  1, 2, ...
M  0, 1, 2, ..., N  1
n  1, 2, ..., N
NOTA 1 A distribuição (2.11) hipergeométrica origina-se do número de itens marcados em uma amostra aleatória
simples (1.7) de tamanho n, tomada sem reposição de uma população (ou lote) de tamanho N contendo exatamente M itens
marcados.
NOTA 2 A compreensão da distribuição hipergeométrica pode ser facilitada pela Tabela 4.
Tabela 4 — Exemplo da distribuição hipergeométrica
Conjunto de Itens marcados Itens Itens não

referência ou não marcados marcados marcados
População N M N-M
Itens dentro da
n x N-x
amostra
Itens fora da
N-n M-x N-n-M+x
amostra

NOTA 3 Sob determinadas circunstâncias (por exemplo, n pequeno em relação a N), então a distribuição hipergeométrica
pode ser aproximada pela distribuição binomial com n e p = M/N .
NOTA 4 A média (2.35) da distribuição hipergeométrica é igual a nM  / N . A variância (2.36) da distribuição
hipergeometrica é
M  M N n
n 1  
N N  N 1
2.49
distribuição binomial negativa
P X  x  
c  x  1! pc 1  p x
x! c  1!
onde x = 0, 1, 2,..., n com parâmetro c > 0 e o parâmetro p que satisfaz 0 < p < 1.
NOTA 1 Se c = 1, a distribuição binomial negativa é conhecida como a distribuição geométrica e descreve a probabilidade
(2.5) que o primeiro incidente do evento (2.2) cuja probabilidade é p ocorrerá no experimento (x + 1).
NOTA 2 A função de massa de probabilidade pode também ser escrita da seguinte maneira:
 c 
P  X  x     p c 1  p 
x
 x 
O termo "distribuição binomial negativa" emerge da maneira de escrever a função de massa de probabilidade.
NOTA 3 A versão da função de massa de probabilidade dada na definição é frequentemente chamada "distribuição de
Pascal" contanto que c seja um inteiro superior ou igual a 1. Nesse caso, a função de massa de probabilidade descreve
a probabilidade que o c-ésimo incidente do evento (2.2), cuja probabilidade (2.5) é p, ocorra no experimento (c + x).
NOTA 4 A média (2.35) da distribuição binomial negativa é cp  / 1  p  . A variância (2.36) da binomial negativa
é cp  / 1  p 2 .
2.50
distribuição normal
distribuição gaussiana
distribuição contínua (2.23) que tem a função de densidade de probabilidade (2.26)
 x   2
1 
f x   e 2 2
 2
onde    x   e com parâmetros       e  0.

NOTA 1 A distribuição normal é uma das distribuições de probabilidade (2.11) mais amplamente utilizada em estatística
aplicada. Devido à forma da função de densidade, é referida informalmente como a curva "em forma de sino". Além de servir
como modelo para fenômenos aleatórios, origina-se como a distribuição limite de médias (1.15). Como uma distribuição
de referência em estatística, é amplamente utilizada para avaliar resultados experimentais incomuns.
NOTA 2 O parâmetro de posição  é a média (2.35) e o parâmetro de escala  é o desvio-padrão (2.37) da distribuição
normal.

2.51
distribuição normal padronizada
distribuição gaussiana padronizada
distribuição normal (2.50) com   0 e  1
NOTA A função de densidade de probabilidade (2.26) da distribuição normal padronizada é
1
f x  
2
ex /2
2
onde    x   . As tabelas da distribuição normal envolvem esta função de densidade de probabilidade, dando, por
exemplo, a área sob f para valores entre  ,   .
2.52
distribuição lognormal
ln x   2
1 
f x   e 2 2
x 2
onde x  0 e com parâmetros      e   0 .
NOTA 1 Se Y tiver uma distribuição normal (2.50) com média (2.35)  e desvio-padrão (2.37) , então a transformação
dada por X = exp (Y) tem a função de densidade de probabilidade dada na definição. Se X tiver uma distribuição lognormal com
função de densidade como dada na definição, então o ln(X) tem uma distribuição normal com média  e desvio-padrão .
NOTA 2          
A média da distribuição lognormal é exp    2 / 2 e a variância é o exp 2   2  exp  2  1 . Isto indica que
a média e a variância da distribuição lognormal são funções dos parâmetros  e  2
.
NOTA 3 A distribuição lognormal e a distribuição de Weibull (2.63) são normalmente empregadas em aplicações de
confiabilidade.
2.53
distribuição t
distribuição de Student
 v 1 / 2
v  1 / 2  t2 
f t    1 
v v / 2  v 
NOTA 1 A distribuição t é amplamente utilizada para avaliar a média amostral (1.15), no caso comum em que
o desvio-padrão populacional é estimado dos dados. A estatística t da amostra pode ser comparada à distribuição t com n – 1
graus de liberdade para avaliar uma média específica como uma descrição verdadeira da média populacional.
NOTA 2 A distribuição t é a distribuição do quociente de duas variáveis aleatórias (2.10) independentes, em que
o numerador tem uma distribuição normal padronizada (2.51) e o denominador é distribuído como a raiz quadrada positiva
de uma distribuição qui-quadrado (2.57) depois de dividida pelos seus graus de liberdade. O parâmetro v é referido como
graus de liberdade (2.54).
NOTA 3 A função gama é definida em 2.56.

2.54
graus de liberdade
v
número de termos em uma soma menos o número de restrições nos termos da soma
NOTA Este conceito foi encontrado previamente no contexto de usar n - 1 no denominador do estimador (1.12)
da variância amostral (1.16). O número de graus de liberdade é usado para modificar parâmetros. O termo "graus de
liberdade" é da mesma forma amplamente utilizado na ISO 3534-3, onde as médias quadráticas são dadas como somas
quadráticas divididas pelos graus de liberdade apropriados.
2.55
distribuição F
v 1  v 2  / 2 x v 1 / 2 1
f x   v1 v 1 / 2 v 2 v 2 / 2
v1 / 2v 2 / 2 v1x  v 2 v 1 v 2  / 2
onde
x 0
v1 e v2 são inteiros positivos
 é a função gama definida em 2.56.

NOTA 1 A distribuição F é uma distribuição de referência útil para avaliar a razão de variâncias (2.36) independentes.
NOTA 2 A distribuição F é a distribuição do quociente de duas variáveis aleatórias independentes, cada uma tendo uma
distribuição qui-quadrado (2.57), dividida por seus graus de liberdade (2.54). O parâmetro v1 é o grau de liberdade
do numerador e v2 é o grau de liberdade do denominador da distribuição F.
2.56
distribuição gama
distribuição contínua (2.23) que tem função de densidade de probabilidade (2.26)
x  1e  x / 
f x  
   
onde x > 0 e parâmetros  > 0,  > 0.
NOTA 1 A distribuição gama é usada em aplicações de confiabilidade para modelar tempo de falha. Inclui a distribuição
exponencial (2.58) como um caso especial, assim como outros casos com taxa de falha que aumenta com o tempo.

NOTA 2 A função gama é definida por     x  1e  x dx .
0
Para valores inteiros de ,      1 !
NOTA 3 A média (2.35) da distribuição gama é  . A variância (2.36) da distribuição gama é  2.

2.57
distribuição qui-quadrado
distribuição 2
v
1
x 2 ex / 2
f x  
2v / 2 v / 2
onde x > 0 e v > 0.
NOTA 1 Para dados originados de uma distribuição normal (2.50) com desvio-padrão (2.37)  conhecido, a estatística
nS 2 /  2 tem uma distribuição qui-quadrado com n - 1 graus de liberdade. Este resultado é a base para se obter intervalos de
confiança para  2 . Outra área de aplicação da distribuição qui-quadrado é como uma distribuição de referência para testes de
qualidade de ajuste.
  v/2
NOTA 2 Esta distribuição é um exemplo especial de distribuição gama (2.56) com parâmetros e  2. O
parâmetro v é denominado graus de liberdade (2.54).
NOTA 3 A média (2.35) da distribuição qui-quadrado é v. A variância (2.36) da distribuição qui-quadrado é 2v.
2.58
distribuição exponencial
f x    1e  x / 
onde x > 0 e  > 0.
NOTA 1 A distribuição exponencial fornece uma referência nas aplicações de confiabilidade, correspondendo ao caso de
"falta de envelhecimento" ou ao caso de propriedade de falta de memória.
NOTA 2 A distribuição exponencial é um caso especial da distribuição gama (2.56) com  = 1 ou de forma equivalente,
a distribuição qui-quadrado (2.57) com v = 2.
NOTA 3 A média (2.35) da distribuição exponencial é  . A variância (2.36) da distribuição exponencial é 2.
2.59
distribuição beta
     1
f x   x 1  x 
 1
  
onde 0 ≤ x ≤ 1 e ,  > 0.
NOTA A distribuição beta é altamente flexível, tendo uma função de densidade de probabilidade que tem uma variedade
de formas (unimodal, forma de "j", forma de "u"). A distribuição pode ser usada como um modelo da incerteza associada a uma
proporção. Por exemplo, em uma aplicação de modelagem de seguro contra furacões, a proporção prevista de dano em um
tipo de estrutura para uma dada velocidade de vento pode ser 0,40, embora nem todas as casas submetidas a esta velocidade
de vento sofrerão o mesmo dano. Uma distribuição beta com média 0,40 serviria para modelar a disparidade nos danos para
este tipo de estrutura.

2.60
distribuição uniforme
distribuição retangular
1
f x  
ba
onde a ≤ x ≤ b
NOTA 1 A distribuição uniforme com a = 0 e b = 1 é a distribuição subjacente para geradores típicos de números aleatórios.
A média (2.35) da distribuição uniforme é a  b  / 2 . A variância (2.36) da distribuição uniforme é b  a  / 12 .

2
NOTA 2
NOTA 3 A distribuição uniforme é um caso especial da distribuição beta com  = 1 e  = 1.
2.61
distribuição de valor extremo do tipo I

distribuição de Gumbel
distribuição contínua (2.23) que tem função de distribuição (2.7)
F x   e  e
x a / b
onde   x   e com parâmetros   a   , b  0 .
NOTA As distribuições de valor extremo fornecem referências apropriadas às distribuições de estatística de ordem (1.9)
extremas X 1 e X n  . As três distribuições-limite possíveis quando n tende a  são fornecidas pelos três tipos de
distribuições de valor extremo dadas em 2.61, 2.62 e 2.63.
2.62
distribuição de valor extremo do tipo II
distribuição de Fréchet
distribuição contínua (2.23) que tem a função de distribuição (2.7)
k
 x a 
 
F x   e  b 
onde x > a e com parâmetros   a  , b  0, k  0 .
2.63
distribuição de valor extremo do tipo III
distribuição de Weibull
distribuição contínua (2.23) que tem a função de distribuição (2.7)
k
 x a 
 
F x   1  e  b 
onde x > a com parâmetros   a  , b  0, k  0

NOTA 1 Além de servir como uma das três possíveis distribuições limite de estatística de ordem extrema, a distribuição de
Weibull ocupa um lugar proeminente em diversas aplicações, em particular, em confiabilidade e engenharia. A distribuição de
Weibull se revelou capaz de fornecer ajustes empíricos a uma variedade de conjuntos de dados.
NOTA 2 O parâmetro a é um parâmetro de posição no sentido que é o valor mínimo que a distribuição de Weibull pode
atingir. O parâmetro b é um parâmetro de escala [relativo ao desvio-padrão (2.37) da distribuição de Weibull]. O parâmetro k
é um parâmetro de forma.
NOTA 3 Para k = 1, a distribuição de Weibull pode incluir a distribuição exponencial. Considerando uma distribuição
exponencial com a = 0 e parâmetro b à potência 1/k, obtém-se a distribuição de Weibull na definição. Outro caso especial
da distribuição de Weibull é a distribuição de Rayleigh (para a = 0 e k = 2).
2.64
distribuição normal multivariada
x   T  1 x   
n / 2 
f x   2 
 / 2
 e 2
onde
  xi   para cada i;
 é um vetor de parâmetro n-dimensional;
 é uma matriz de parâmetros definida, positiva e simétrica de n x n;
o negrito indica vetores n-dimensionais.
NOTA Cada uma das distribuições marginais (2.18) da distribuição multivariada neste item tem uma distribuição normal.
Todavia, há muitas outras distribuições multivariadas com distribuições marginais normais além da versão de distribuição dada
aqui.
2.65
distribuição normal bivariada
  2 2 
1  1  x   x   x  x  y   y   y  y 
 
f x, y   exp   2    
2 x y 1  2


2 1  2     x



 
 x
 
 y
  y
 




onde
  x  ,
 y 
    x  ,
    y  ,
x  0
y  0
 1
NOTA Como a notação sugere, para (X,Y) que tem a função de densidade de probabilidade (2.26) acima,
E  X    x , E Y    y , V  X    x , V Y    y , e  é o coeficiente de correlação (2.44) entre X e Y.
2 2

2.66
distribuição normal bivariada padronizada
distribuição normal bivariada (2.65) que tem componentes de distribuição normal padronizada (2.51)
2.67
distribuição de amostragem
distribuição de uma estatística
NOTA Exemplos de distribuições de amostragem específicas são dados na Nota 2 de 2.53, Nota 1 de 2.55 e Nota 1
de 2.57.
2.68
espaço de probabilidade
, , 
espaço amostral (2.1), um sigma álgebra de eventos (2.69) associada e uma medida de probabilidade (2.70)
EXEMPLO 1 Como um caso simples, o espaço amostral pode consistir em todos os 105 itens manufaturados em um dia
especificado em uma planta. A sigma álgebra de eventos consiste em todos os subconjuntos possíveis. Tais eventos incluem
{nenhum item}, {item 1}, {item 2},... {item 105}, {item 1 e item 2},..., {todos os 105 itens}. Uma medida de probabilidade possível
poderia ser definida como o número de itens em um evento dividido pelo número total de itens manufaturados. Por exemplo,
o evento {item 4, item 27, item 92} tem a medida de probabilidade 3/105.
EXEMPLO 2 Como um segundo exemplo, considerar vida útil de baterias. Se as baterias chegarem às mãos do cliente
e não tiverem nenhuma energia, o tempo de sobrevivência é 0 h. Se as baterias forem funcionais, então seus tempos de
sobrevida seguem alguma distribuição de probabilidade (2.11), como uma exponencial (2.58). A coleção de tempos de
sobrevida é então regida por uma distribuição que seja uma mistura entre discreta (a proporção de baterias que não são
funcionais no início) e contínua (um tempo de sobrevida real). Para simplicidade neste exemplo, supor que as vidas das baterias
são relativamente curtas, comparadas ao tempo do estudo, e que todos os tempos de sobrevida são medidos no contínuo.
Na prática, a possibilidade de tempos de sobrevida definidos à esquerda ou à direita (por exemplo, sabe-se que o tempo de falha
é de pelo menos 5 h ou o tempo de falha está entre 3 e 3,5 h) poderia ocorrer e, neste caso, esta estrutura poderia oferecer
vantagens adicionais. O espaço amostral consiste em metade da linha real (números reais maiores ou iguais a zero). A sigma
álgebra dos eventos inclui todos os intervalos da forma [0, x) e o conjunto {0}. Adicionalmente, a sigma álgebra inclui todas as
uniões e interseções contáveis destes conjuntos. A medida de probabilidade envolve determinar, para cada conjunto,
seus componentes que representam baterias não funcionais e aquelas que têm um tempo de sobrevida positivo.
Detalhes sobre os cálculos associados aos tempos de falha foram fornecidos quando apropriado.
2.69
sigma álgebra de eventos
 -álgebra
sigma campo
 -campo

conjunto dos eventos (2.2) com as propriedades:
a) pertence a  ;
b) se um evento pertencer a  , então o seu evento complementar (2.3) igualmente pertence a  ;
se Ai  for qualquer conjunto de eventos em  , então a união

 
c)  i 1
Ai e a interseção  i 1
Ai dos eventos
pertencem a  .
EXEMPLO 1 Se o espaço amostral for o conjunto dos inteiros, então uma sigma álgebra de eventos pode ser escolhido
como o conjunto de todos os subconjuntos dos inteiros.

EXEMPLO 2 Se o espaço amostral for o conjunto dos números reais, então um sigma álgebra de eventos pode ser
escolhido para incluir todos os conjuntos que correspondem aos intervalos na linha real e todas suas uniões e interseções
finitas e contáveis destes intervalos. Este exemplo pode ser estendido a dimensões mais elevadas considerando "intervalos" k-
dimensionais. Em particular, em duas dimensões, o conjunto de intervalos poderia consistir nas regiões definidas por
x, y  : x  s, y  t  para todos os valores reais de s e t.
NOTA 1 Um sigma álgebra é um conjunto constituído de conjuntos, como seus membros. O conjunto de todos os resultados
possíveis  é um membro do sigma álgebra de eventos, como indicado na propriedade a).
NOTA 2 A propriedade c) envolve operações de conjuntos em uma coleção dos subconjuntos (possivelmente contáveis
até o infinito) do sigma álgebra de eventos. A notação dada indica que todas as uniões e interseções contáveis destes
conjuntos igualmente pertencem ao sigma álgebra de eventos.
NOTA 3 A propriedade c) inclui o fechamento (os conjuntos pertencem ao sigma álgebra de eventos) sob uniões
ou interseções finitas. O qualificador sigma é usado para reforçar que A está fechado mesmo sob operações contáveis até o
infinito em conjuntos.
2.70
medida de probabilidade

função não negativa definida no sigma álgebra de eventos (2.69), tal que
a)    1,
onde  denota o espaço amostral (2.1),

b)  A   A 

  i 1 i 
i 1
i
onde Ai  é uma seqüência de eventos (2.2) separada por pares
EXEMPLO Continuando o exemplo da vida de bateria de 2.1, considerar o evento que a bateria sobrevive menos de uma
hora. Este evento consiste no par separado de eventos {não funciona} e {funciona menos de uma hora, mas funciona
inicialmente}. De forma equivalente, os eventos podem ser denotados {0} e (0,1). A medida de probabilidade de {0}
é a proporção de baterias que não funcionam na tentativa inicial. A medida de probabilidade do conjunto (0,1) depende da
distribuição de probabilidade contínua específica [por exemplo, exponencial (2.58)] regendo a distribuição de falhas.
NOTA 1 A medida de probabilidade de A atribui um valor de [0,1] para cada evento no sigma álgebra de eventos.
O valor 0 corresponde a um evento que é impossível, quando o valor 1 representar a certeza da ocorrência. Em particular, a
medida de probabilidade associada com o conjunto nulo é zero e a medida de probabilidade atribuída ao espaço amostral é 1.
NOTA 2 A propriedade b) indica que, se uma seqüência de eventos não tiver nenhum elemento em comum quando
considerada em pares, então a medida de probabilidade da união é a soma das medidas de probabilidade individuais.
Como indicado na propriedade b), isto vale se o número de eventos for contável até o infinito.
NOTA 3 Os três componentes da probabilidade são efetivamente relacionados por variáveis aleatórias. As probabilidades
(2.5) dos eventos no conjunto imagem da variável aleatória (2.10) derivam das probabilidades dos eventos no espaço
amostral. A um evento no conjunto imagem da variável aleatória é atribuída a probabilidade do evento no espaço amostral que
lhe é aplicada pela variável aleatória.
NOTA 4 O conjunto imagem da variável aleatória é o conjunto de números reais ou o conjunto de n-tupletos ordenados
de números reais. (Notar que o conjunto imagem é o conjunto em que a variável aleatória se aplica.)

Anexo A
(informativo)
Símbolos
Símbolo(s) Termo em português Termo em inglês Item

A evento event 2.2
AC evento complementar complementary event 2.3
sigma álgebra de sigma algebra
eventos,  -álgebra, of events, σ algebra,
 sigma campo, sigma field 2.69
 -campo σ-field
α nível de significância significance level 1.45
α, λ, μ, β, σ,
ρ, γ, p, N, M, parâmetro parameter
c, v a b, k
2 coeficiente de curtose coefficient of Kurtosis 2.40
 
E Xk
momento amostral de
ordem k
sample moment of order
k
1.14
esperança matemática expectation of the

E g  X  da função g de uma function g of a randon 2.12
variável aleatória X variable X
F x  função de distribuição distribuition function 2.7
f x  função de densidade de probability density

2.26
probabilidade function
coeficiente de
1 coefficient of skewness 2.39
assimetria
H hipótese hypothesis 1.40
H0 hipótese nula null hypothesis 1.41
H A , H1 hipótese alternativa alternative hypothesis 1.42
k dimensão dimension
1.14, 2.34,
k, r, s momento de ordem order of a moment
2.41, 2.42
 média mean 2.35
v graus de liberdade degrees of freedom 2.54
n tamanho de amostra sample size
 espaço amostral sample space 2.1
, , espaço de probabilidade probability space 2.68
P A  probabilidade de um
probability of an event A 2.5
evento A
P A | B  probabilidade conditional probability
2.6
condicional de A dado B of A given B
 medida de probabilidade probability measure 2.70
rxy coeficiente de sample correlation
1.23
correlação amostral coefficient

Símbolo(s) Termo em português Termo em inglês Item
observed value of
valor observado de um
S a sample standard
desvio-padrão amostral
deviation
sample standard
S desvio-padrão amostral 1.17
deviation
S2 variância amostral sample variance 1.16
S XY covariância amostral sample covariance 1.22
 desvio-padrão standard deviation 2.37
V variância variance 2.36
 XY covariância covariance 2.43

^ erro-padrão standard error 1.24


X erro-padrão da média standard error

amostral of the sample mean
parâmetro de uma parameter of

θ
distribuição a distribution
estimador estimator 1.12
variância de uma variance of a randon

V(X) 2.36
variável aleatória X variable X
i-ésima estatística de
X(i) ith order statistic 1.9
ordem
x, y, z valor observado observed value 1.4
X, Y, Z, T variável aleatória random variable 2.10

quantil de ordem p; p-quantile
Xp, xp 2.13
fractil de ordem p p-fractile
X, X média amostral, média average, sample mean 1.15

Anexo B
(informativo)
Diagramas conceituais de termos estatísticos
♦ população
(1.1)
♦ amostra
(1.3)
♦ função de
♦ unidade de amostragem (1.2) distribuição (2.7)
♦ valor observado ♦ amostra aleatória

(1.4) (1.6)
♦ variável
aleatória
(2.10)
... ♦ estatística de
♦ estatística ensaio (1.52)
(1.8)
...
♦ estatistica ♦ amostra aletória ♦ estatística de
descritiva (1.5) simples (1.7) ordem (1.9)
♦ estimador
(1.12)
♦ mediana
amostral (1.13)
♦ (estatística de ordem
extrema)
♦ amplitude ♦ meio da
amostral (1.10) amplitude (1.11)
Figura B.1 — Conceitos básicos de população e amostra

♦ amostra aleatória simples (1.7)
♦ momento amostral de ordem (1.14)
♦ média amostral (1.15)

...
♦ coeficiente de assimetria ♦ coeficiente de

♦ coeficiente de variação ♦ variância amostral amostral (1.20) curtose
amostral (1.18) (1.16) amostral (1.21)
♦ coeficiente de correlação
♦ desvio-padrão amostral (1.17)
amostral (1.23)
♦ covariância amostral (1.22)
♦ variável aleatória amostral

padronizada (1.19)
Figura B.2 — Conceitos relativos aos momentos amostrais

♦ desvio-padrão (1.24)
♦ estimação (1.36)
♦ estimador (1.12)
... ... ...
♦ estimador de ♦ estimativa ♦ erro de ♦ estimador de ♦ estimação de

intervalo (1.25) (1.31) estimação máxima máxima
(1.32) verossimillhança verossimilhança
(1.35) (1.37)
♦ intervalo de
predição (1.30)
Tendência ♦ estimador não
(1.33) tendencioso (1.34)
♦ parâmetro
(2.9)
♦ função de
♦ intervalo de ♦ intervalo de verossimilhança
confiança tolerância (1.38)
(1.28) estatístico
♦ função de densidade
(1.26)
de probabilidade (2.26)
...
♦ família de ♦ função de perfil de

distribuições verossimilhança (1.39)
(2.8)
♦ função de massa
de probabilidade
(2.24)
♦ intervalo de
confiança
unilateral (1.29)
♦ limite de
tolerância
estatístico (1.27)
Figura B.3 — Conceitos de estimação

♦ estatística de teste (1.52) ♦ teste estatístico (1.48)
♦ hipótese (1.40)
♦ valor de
p (1.49)
♦ hipótese ♦ hipótese ♦ hipótese

♦ hipótese
alternativa( simples composta
nula (1.41)
1.42) (1.43) (1.44)
♦ nível de
significância
(1.45)
♦ erro Tipo I (1.46)
♦ teste estatístico
(1.48)
♦ erro Tipo II (1.47)
♦ poder do teste (1.50)
♦ curva de poder (1.51)
♦ família de distribuições
(2.8)
Figura B.4 — Conceitos relativos a testes estatísticos

♦ estatística descritiva (1.5)

...
♦ estatística ♦ estatística
descritiva gráfica descritiva numérica ♦ valor observado (1.4)
(1.53) (1.54)
♦ classe (1.55)
♦ freqüência (1.59)
♦ frequência
♦ ponto médio ♦ limites de ♦ largura da ♦ distribuição relativa (1.64)
da classe classe classe de frequência
(1.57) (1.56) (1.58) (1.60)
♦ frequência
cumulativa
(1.63)
♦ representação de uma ♦ frequência relativa

distribuição de frequência acumulada (1.65)
♦ histograma (1.61) ♦ diagrama de barras (1.62)
Figura B.5 — Conceitos relativos às classes e distribuições empíricas

♦ população finita
♦ população infinita ♦ população (1.1) ♦ modelo estatístico
♦ população hipotética
♦ variável aleatória
♦ amostra (1.3) ♦ parametro (2.9)
(2.10)
♦ valor observado
(1.4)
♦ estatística de inferência
♦ estimação (1.36) ♦ teste estatístico (1.48)

♦ (predição)
Figura B.6 — Diagrama conceitual de inferência estatística

Anexo C
(informativo)
Diagramas conceituais de termos de probabilidade
♦ espaço de
probabilidade (2.68)
♦ esperança matemática
(2.12)
♦ espaço ♦ sigma álgebra ♦ medida de

amostral, Ω de eventos ,  probabilidade,


(2.68) (2.69) (2.70)
♦ evento ♦ evento ♦ probabilidade (2.6)

complementar (2.2)
(2.3)
♦ família de
♦ probabilidade distribuições
condicional de A (2.8)
dado B (2.6)
♦ parâmetro
(2.9)
♦ função de
♦ eventos (   , x)
distribuição
independentes (2.7)
(2.4)
♦ distribuição de
♦ variável
probabilidade
aleatória (2.10)
(2.11)
♦ quantil de ordem p (2.13)
...
♦ mediana
♦ quartil (2.15)
(2.14)
Figura C.1 — Conceitos fundamentais em probabilidade

♦ esperança
♦ distribuição de ♦ variável aleatória matemática (2.12)
probabilidade (2.11) (2.10)
...
...
...
♦ momento combinado de
ordens r e s (2.41)
♦ variável ♦ variável aleatória
aleatória discreta contínua (2.29)
(2.28)
...
♦ distribuição de ♦ momento de
probabilidade ♦ variável aleatória
centrada (2.31) ordem r (2.34)
centrada (2.30)
♦ momento combinado
... central de ordens r e s
(2.42)
... ...
...
♦ média (2.35)
♦ covariância (2.43)
♦ distribuição ♦ variável aleatória

padronizada de
probabilidade padronizada (2.33)
(2.32)
♦ coeficiente ♦ variância ♦ coeficiente ♦ coeficiente de

de variação (2.36) de assimetria curtose (2.40)
(2.38) (2.39)
♦ erro-padrão
(1.24)
♦ desvio-padrão ♦ correlação (2.44)

(2.37)
Figura C.2 — Conceitos relativos a momentos

♦ distribuição de probabilidade (2.11)
♦ distribuição de ♦ distribuição de ♦ função de massa ♦ distribuição de ♦ distribuição ♦ função de

probabilidade probabilidade de probabilidade probabilidade de densidade de
univariada (2.16) multivariada (2.17) (2.24) discreta (2.22) probabilidade probabilidade
contínua (2.23) (2.26)
...
♦ moda da função
de massa de
probabilidade
(2.25)
♦ moda da
função de
densidade de
probabilidade
(2.27)
♦ distribuição ♦ distribuição de
marginal probabilidade
(2.18) condicional (2.19)
♦ distribuição ♦ distribuição ♦ distribuição

♦ distribuição
de Poisson hipergeométrica binomial
multinomial
(2.47) (2.48) negativa (2.49)
(2.45)
♦ curva de ♦ superfície de
regressão regressão ...
(2.20) (2.21)
probabilidade
univariada (2.16)
probabilidade
multivariada (2.17)
♦ distribuição
binomial (2.46)
Figura C.3 — Conceitos relativos às distribuições de probabilidade

♦ distribuição de probabilidade
contínua (2.23)
...
♦ distribuição ♦ distribuição ♦ distribuição t ♦ distribuição F

lognormal normal (2.50) (2.53) (2.55)
(2.52)
...
♦ graus de
liberdade(2.54)
♦ distribuição ♦ distribuição ♦ (lei dos ♦ distribuição

♦ distribuição normal gama (2.56) beta (2.59) valores normal
padronizada (2.51) extremos) multivariada
(2.64)
...
... ...
...
♦ distribuição ♦ distribuição ♦ distribuição ♦ distribuição

qui-quadrado exponencial uniforme (2.60) normal bivariada
(2.57) (2.58)
(2.65)
...
♦ distribuição
normal
bivariada
padronizada
(2.66)
♦ distribuição ♦ distribuição ♦ distribuição

de valores de valores de valores
extremos extremos extremos
tipo I, Gumbel tipo II, Frechet tipo III, Weibull
(2.61) (2.62) (2.63)
Figura C.4 — Conceitos relativos às distribuições contínuas

Anexo D
(informativo)
Metodologia usada no desenvolvimento do vocabulário
D.1 Introdução
A aplicação universal da família de normas ISO exige a utilização de vocabulário coerente e harmonizado que seja
facilmente compreensível por todos os usuários potenciais das normas de estatística aplicada.
Os conceitos são inter-relacionados, e uma análise das relações entre conceitos dentro do campo da estatística
aplicada e a ordenação destes em diagramas de conceito são uma condição prévia de um vocabulário coerente.
Tal análise foi usada no desenvolvimento desta parte da ABNT NBR ISO 3534. Uma vez que os diagramas
de conceito empregados durante o processo de desenvolvimento podem ser úteis em um sentido informativo,
estes são reproduzidos em D.4.
D.2 Conteúdo de um item de vocabulário e a regra de substituição

O conceito forma a unidade de transferência entre idiomas (incluindo variantes dentro de um idioma, por exemplo,
inglês americano e inglês britânico). Para cada idioma, o termo mais apropriado para a transparência universal do
conceito neste idioma, isto é, não um enfoque literal da tradução, é escolhido.
Uma definição é formada descrevendo-se somente aquelas características que são essenciais para identificar
o conceito. Informações a respeito do conceito que são importantes, mas não são essenciais para sua descrição,
são apresentadas em uma ou mais notas da definição.
Quando um termo é substituído por sua definição, sujeita a pequenas mudanças de sintaxe, não deveria haver
mudança no significado do texto. Tal substituição fornece um método simples de verificar a exatidão de uma
definição. Entretanto, onde a definição é complexa, no sentido de conter certo número de termos, a substituição é
melhor realizada tomando-se uma ou, no máximo, duas definições de cada vez. A substituição completa da
totalidade dos termos torna-se difícil de conseguir sintaticamente e não tem utilidade, sob o ponto de vista
do entendimento.
D.3 Relação entre conceitos e sua representação gráfica
D.3.1 Generalidades
No trabalho de terminologia, as relações entre conceitos são baseadas na formação hierárquica das
características de uma espécie, de forma que a descrição mais concisa de um conceito seja formada,
nomeando-se sua espécie e descrevendo as características que a distinguem de seus conceitos superiores e do
mesmo nível hierárquico.
Há três formas primárias de relações de conceitos indicadas neste anexo: genérica (B.3.2), partitiva (B.3.3)
e associativa (B.3.4).

D.3.2 Relação genérica
Os conceitos subordinados dentro da hierarquia herdam todas as características do conceito do nível superior
e contêm descrições destas características que as distinguem do conceito superior (pai) e dos seus pares (irmãos),
por exemplo, a relação de primavera, verão, outono e inverno à estação.
As relações genéricas são descritas por um diagrama de tipo “ventilador” ou “árvore”, sem setas (ver Figura D.1).
estação
Primavera Verão Outono Inverno

Figura D.1 — Representação gráfica de uma relação genérica
D.3.3 Relação partitiva
Os conceitos subordinados dentro da hierarquia de partes constituintes do conceito superior, por exemplo,
a primavera, o verão, o outono e o inverno podem ser definidos como partes do conceito ano. Comparativamente,
é impróprio definir tempo ensolarado (uma característica possível do verão) como parte de um ano.
As relações partitivas são descritas por um diagrama (ver Figura D.2). Partes unitárias são descritas por uma linha,
partes múltiplas por linhas duplas.
ano
primavera verão outono inverno
Figura D.2 — Representação gráfica de uma relação partitiva
D.3.4 Relação associativa
As relações associativas não podem fornecer a economia na descrição que está presente em relações genéricas
e partitivas, mas são úteis para identificar a natureza do relacionamento entre um conceito e outro, dentro
de um sistema de conceito, por exemplo causa e efeito, atividade e posição, atividade e resultado, ferramenta e
função, material e produto.
Relações associativas são descritas por uma linha com setas em cada extremidade (ver Figura D.3).
tempo ensolarado verão
Figura D.3 — Representação gráfica de uma relação associativa

D.4 Diagramas de conceito

As Figuras B.1 a B.5 mostram diagramas de conceito nos quais as definições da Seção 1 desta parte
da ABNT NBR ISO 3534 são baseadas. A Figura B.6 é um diagrama de conceito adicional que indica a relação
de determinados termos que aparecem previamente nas Figuras B.1 a B.5. As Figuras C.1 a C4 mostram
os diagramas de conceito nos quais as definições da Seção 2 desta parte da ABNT NBR ISO 3534 são baseadas.
Há diversos termos que aparecem em vários diagramas de conceito, fornecendo assim uma ligação entre eles.
Estes são indicados como segue:
Figura B.1 Conceitos básicos de população e amostra:

estatística descritiva (1.5) Figura B.5
amostra aleatória simples (1.7) Figura B.2
estimador (1.12) Figura B.3
estatística de teste (1.52) Figura B.4
variável aleatória (2.10) Figura C1, C2
função de distribuição (2.7) Figura C1
Figura B.2 Conceitos relativos a momentos amostrais:

amostra aleatória simples Figura B.1
Figura B.3 Conceitos de estimação:

estimador (1.12)
Figura B.1
parâmetro (2.9)
Figura C.1
família de distribuições (2.8)
Figura B.4, C.1
função de densidade de probabilidade
Figura C.3
(2.26)
Figura C.3
função de massa de probabilidade (2.24)
Figura B.4 Conceitos relativos a testes estatísticos:

Figura B.1
estatística de teste (1.52)

função de densidade de probabilidade Figura B.3, C.3
(2.26)
função de massa de probabilidade (2.24) Figura B.3, C.3
família de distribuições (2.8)
Figura B.3, C.1
Figura B.5 Conceitos relativos a classes e distribuições empíricas:

estatística descritiva (1.5) Figura B.1

Figura B.6 Diagrama conceitual de infefência estatística:

população (1.1) Figura B.1
amostra (1.3) Figura B.1
valor observado (1.4) Figura B.1, B.5
estimação (1.36) Figura B.3
teste estatístico (1.48) Figura B.4
parâmetro (2.9) Figura B.3, C.1
variável aleatória (2.10) Figura B.1, C.1, C.2
Figura C.1 Conceitos fundamentais em probabilidade:
variável aleatória (2.10) Figura B.1, C.2
distribuição de probabilidade (2.11) Figura C.2, C.3
família de distribuições (2.8) Figura B.3, B.4
função de distribuição (2.7) Figura B.1

parâmetro (2.9) Figura B.3
Figura C.2 Conceitos relativos a momentos:
variável aleatória (2.10) Figura B.1, C.1
Figura C.3 Conceitos relativos às distribuições de probabilidade:
função de massa de probabilidade (2.24) Figura B.3, B.4
distribuição contínua (2.23) Figura C.4
distribuição univariada (2.16) Figura C.4
distribuição multivariada (2.17) Figura C.4
Figura C.4 Conceitos relativos às distribuições contínuas:
distribuição univariada (2.16) Figura C.3
distribuição multivariada (2.17) Figura C.3
distribuição contínua (2.23) Figura C.3
Como uma nota final da Figura C.4, as distribuições seguintes são exemplos de distribuições univariadas: normal,
distribuição t, distribuição F, normal padronizada, gama, beta, qui-quadrado, exponencial, uniforme, valor extremo
de Tipo I, valor extremo de Tipo II, e valor extremo de Tipo III. As distribuições seguintes são exemplos de
distribuições multivariadas: normal multivariada, normal bivariada e normal bivariada padronizada. Incluir a
distribuição univariada (2.16) e a distribuição multivariada (2.17) no diagrama de conceito tornaria
a figura indevidamente carregada.

Bibliografia
[1] ISO 31-11:1992, Quantities and units – Part 11: Mathematical signs and symbols for use in the physical
sciences and technology
[2] ISO 3534-2:2006, Statistics – Vocabulary and symbols – Part 2: Applied statistics
[3] ISO 5725 (all parts), Accuracy (trueness and precision) of measurements methods and results
[4] VIM:1993, International vocabulary of basic and general terms in metrology, NIPM, IEC, IFCC, ISO, OIML,
IUPAC, IUPAP

Índice alfabético
Índice alfabético -álgebra 2.69

 -campo 2.69
A
amostra 1.3
amostra aleatória 1.6
amostra aleatória simples 1.7
amplitude 1.10
C
classe 1.55.1, 1.55.2, 1.55.3

classes 1.55
coeficiente de assimetria 2.39
coeficiente de assimetria amostral 1.20
coeficiente de correlação 2.44
coeficiente de correlação amostral 1.23
coeficiente de curtose 2.40
coeficiente de curtose amostral 1.21
coeficiente de variação 2.38
coeficiente de variação amostral 1.18
covariância 2.43
covariância amostral 1.22
curva de poder 1.51
curva de regressão 2.20
D
desvio-padrão 2.37
desvio-padrão amostral 1.17
diagrama de barras 1.62
distribuição 2.11
distribuição beta 2.59
distribuição binomial 2.46
distribuição binomial negativa 2.49
distribuição condicional 2.19
distribuição contínua 2.23
distribuição qui-quadrado 2.57
distribuição 2 2.57

distribuição de amostragem 2.67

distribuição de Fréchet 2.62
distribuição de freqüência 1.60
distribuição de Gumbel 2.61
distribuição de Poisson 2.47
distribuição de probabilidade 2.11
distribuição de probabilidade centrada 2.30
distribuição de probabilidade condicional 2.19
distribuição de probabilidade contínua 2.23
distribuição de probabilidade discreta 2.22
distribuição de probabilidade marginal 2.18
distribuição de probabilidade multivariada 2.17
distribuição de probabilidade padronizada 2.32
distribuição de probabilidade univariada 2.16

distribuição de Student 2.53
distribuição de valor extremo do tipo I 2.61
distribuição de valor extremo do tipo II 2.62
distribuição de valor extremo do tipo III 2.63
distribuição de Weibull 2.63
distribuição discreta 2.22
distribuição exponencial 2.58
distribuição F 2.55
distribuição gama 2.56
distribuição gaussiana 2.50
distribuição gaussiana padronizada 2.51
distribuição hipergeométrica 2.48
distribuição lognormal 2.52
distribuição marginal 2.18
distribuição multinomial 2.45
distribuição multivariada 2.17
distribuição normal 2.50
distribuição normal bivariada 2.65
distribuição normal bivariada padronizada 2.66
distribuição normal multivariada 2.64
distribuição normal padronizada 2.51
distribuição retangular 2.60
distribuição t 2.53
distribuição uniforme 2.60
distribuição univariada 2.16

erro de estimação 1.32

erro-padrão 1.24
erro Tipo I 1.46
erro Tipo II 1.47
espaço amostral 2.1
espaço de probabilidade 2.68
esperança matemática 2.12
estatística 1.8
estatística de ordem 1.9
estatística de teste 1.52
estatística descritiva 1.5
estatística descritiva gráfica 1.53

estatística descritiva numérica 1.54
estimação de máxima verossimilhança 1.37
estimação 1.36
estimador 1.12
estimador de intervalo 1.25
estimador de máxima verossimilhança 1.35
estimador não tendencioso 1.34
estimativa 1.31
evento 2.2
evento complementar 2.3
eventos independentes 2.4
F
família de distribuições 2.8

fractil de ordem p 2.13
freqüência 1.59
freqüência cumulativa 1.63
freqüência relativa 1.64
freqüência relativa acumulada 1.65
fronteiras de classe 1.56
função de densidade de probabilidade 2.26
função de distribuição de uma variável aleatória X 2.7
função de massa de probabilidade 2.24
função de perfil de verossimilhança 1.39
função de verossimilhança 1.38

graus de liberdade 2.54

H
hipótese 1.40
hipótese alternativa 1.42
hipótese composta 1.44
hipótese nula 1.41
hipótese simples 1.43
histograma 1.61
I
intervalo de confiança unilateral 1.29

intervalo de confiança 1.28
intervalo de predição 1.30

intervalo de tolerância estatístico 1.26
L
largura da classe 1.58

limite de tolerância estatístico 1.27
limites de classe 1.56
M
média amostral 1.15

média aritmética 1.15
média 1.15, 2.35.1, 2.35.2
mediana 2.14
mediana amostral 1.13
medida de probabilidade 2.70
meio da amplitude 1.11
moda da função de densidade de probabilidade 2.27
moda da função de massa de probabilidade 2.25
momento amostral de ordem k 1.14
momento combinado de ordens r e s 2.41
momento combinado central de ordens r e s 2.42
momento de ordem r 2.34
momento de ordem r = 1 2.35.1

N
nível de significância 1.45
P
parâmetro 2.9
poder do teste 1.50
ponto médio da classe 1.57
população 1.1
probabilidade condicional 2.6
probabilidade de um evento A 2.5
Q
quantil de ordem p 2.13

quartil 2.15
r-ésimo momento 2.34

S
sigma álgebra de eventos 2.69

sigma campo 2.69
superfície de regressão 2.21
tendência 1.33
teste estatístico 1.48
teste de significância 1.48
U
unidade de amostragem 1.2

V
valor de p 1.49
valor observado 1.4
variância 2.36
variável aleatória 2.10
variável aleatória amostral padronizada 1.19
variável aleatória centrada 2.31
variável aleatória contínua 2.29
variável aleatória discreta 2.28
variável aleatória padronizada 2.33
variância amostral 1.16


Estatísticas ABNT

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estatísticas ABNT

Enviado por

Direitos autorais:

Formatos disponíveis

NORMA ABNT NBR

Estatística — Vocabulário e símbolos

Statistics – Vocabulary and symbols

ICS 01.040.03; 03.120.30 ISBN 978-85-07-02066-0

© ISO 2006 - © ABNT 2010

Impresso por: Mery Piedad Zamudio Igami (ADM.)

ii © ISO 2006 - © ABNT 2010 - Todos os direitos reservados

Impresso por: Mery Piedad Zamudio Igami (ADM.)

D.2 Conteúdo de um item de vocabulário e a regra de substituição............................................................60

© ISO 2006 - © ABNT 2010 - Todos os direitos reservados iii

Esta Norma cancela e substitui a ABNT NBR 10536:1988.

O Escopo desta Norma Brasileira em Inglês é o seguinte

The terms are classified as:

a) General statistics terms (Clause 1);

b) Terms used in probability (Clause 2).

iv © ISO 2006 - © ABNT 2010 - Todos os direitos reservados

Impresso por: Mery Piedad Zamudio Igami (ADM.)

Um conjunto bem definido e razoavelmente completo de termos de probabilidade e estatística é essencial

© ISO 2006 - © ABNT 2010 - Todos os direitos reservados v

Impresso por: Mery Piedad Zamudio Igami (ADM.)

Estatística — Vocabulário e símbolos

Os termos são classificados como:

a) termos estatísticos gerais (Seção 1);

b) termos usados em probabilidade (Seção 2).

1 Termos estatísticos gerais

© ISO 2006 - © ABNT 2010 - Todos os direitos reservados 1

NOTA 1 Os sinônimos comuns são "realização" e "dado".

2 © ISO 2006 - © ABNT 2010 - Todos os direitos reservados

Impresso por: Mery Piedad Zamudio Igami (ADM.)

porque envolve o valor desconhecido do parâmetro (2.9) µ .

NOTA 3 A definição apresentada é técnica, correspondendo ao tratamento encontrado na estatística matemática.

© ISO 2006 - © ABNT 2010 - Todos os direitos reservados 3

EXEMPLO Continuando com o exemplo de 1.9, a amplitude observada da amostra é 19 – 6 = 13

estatística (1.8) usada na estimação (1.36) do parâmetro

4 © ISO 2006 - © ABNT 2010 - Todos os direitos reservados

Impresso por: Mery Piedad Zamudio Igami (ADM.)

© ISO 2006 - © ABNT 2010 - Todos os direitos reservados 5

NOTA 4 A grandeza n - 1 é conhecida como graus de liberdade (2.54).

NOTA 2 O desvio-padrão amostral é uma medida da dispersão de uma distribuição (2.11).

6 © ISO 2006 - © ABNT 2010 - Todos os direitos reservados

Impresso por: Mery Piedad Zamudio Igami (ADM.)

NOTA 1 A fórmula correspondente à definição é

© ISO 2006 - © ABNT 2010 - Todos os direitos reservados 7

NOTA 1 A fórmula que corresponde à definição é:

8 © ISO 2006 - © ABNT 2010 - Todos os direitos reservados

Impresso por: Mery Piedad Zamudio Igami (ADM.)

Tabela 1 — Resultados para o Exemplo 1

NOTA 2 A covariância S XY amostral é dada como:

© ISO 2006 - © ABNT 2010 - Todos os direitos reservados 9

257,118/(12,948 × 21,329) = 0,931 2

- 54,356/(21,329 × 4,165) = - 0,612

NOTA 1 Em termos de notação, o coeficiente de correlação amostral é calculado como:

O coeficiente de correlação amostral observado é baseado nas realizações x1, y 1 , x 2 , y 2 , ..., x n , y n  .

NOTA 1 Na prática, o erro-padrão fornece uma estimativa natural do desvio-padrão de um estimador.

10 © ISO 2006 - © ABNT 2010 - Todos os direitos reservados

Impresso por: Mery Piedad Zamudio Igami (ADM.)

NOTA Intervalos de tolerância estatísticos podem ser

 bilaterais, e neste caso apresentam ambos os limites.

© ISO 2006 - © ABNT 2010 - Todos os direitos reservados 11

estimativa nos casos em que a estimação de intervalo está ocorrendo.

12 © ISO 2006 - © ABNT 2010 - Todos os direitos reservados

Impresso por: Mery Piedad Zamudio Igami (ADM.)

© ISO 2006 - © ABNT 2010 - Todos os direitos reservados 13

14 © ISO 2006 - © ABNT 2010 - Todos os direitos reservados