Conceitos Básicos de Estatística

Disciplina
Estatística
Professor Luide Riani Maciel dos Reis

Estatística - UVB
Apresentação
Caro Aluno,
Bem-vindo à disciplina de Estatística!!!
Diariamente somos influenciados pela estatística, que é intuitivamente

uma de nossas principais ferramentas para a tomada de decisão.
Vejamos um exemplo simples: quando pensamos em trocar o uso
diário do automóvel pelo uso de uma motocicleta, o primeiro aspecto
que nos vem à cabeça é o índice de ferimentos graves ao motociclista
em caso de acidente, ou a probabilidade de nos ferirmos, ainda que
estejamos pilotando da maneira certa.....
Vamos neste semestre descobrir como melhorar a assertividade da

nossa intuição, pois aprenderemos a usar as ferramentas estatísticas
para fundamentar nossas decisões.
Faculdade On-line UVB

Estatística - UVB
Ementário
Em um mundo onde a quantidade e a velocidade de crescimento de

dados disponíveis só avança, apresentar a estatística e as técnicas de
pesquisa como um conjunto de conceitos e técnicas essenciais para
a transformar dados em informação relevante para o sucesso nos
negócios.

Estatística - UVB
Habilidades e Atitudes
1. Identificar os diferentes meios de pesquisar, organizar,

apresentar e analisar dados.
2. Comparar diferentes métodos e identificar o mais eficaz de
acordo com o projeto.
3. Calcular correlações e analisar resultados para a tomada de
decisões.
4. Testar resultados, considerando as variáveis estatísticas.
5. Identificar diferentes métodos de pesquisa, considerando as
variáveis: tempo, custo e objetivo final.
6. Coletar, processar, interpretar e apresentar dados e resultados
de pesquisas.
7. Identificar e julgar distribuições normais.
8. Calcular e interpretar gráficos de controle estatístico de
processo.

Estatística - UVB
Sumário
01. Aula 01 -Conceitos Básicos de Estatística.

02. Aula 02 Distribuição de Freqüências e Apresentação de
Dados
03. Aula 03 - Representação Gráfica
04. Aula 04 - Medidas de Tendência Central e Separatrizes
05. Aula 05 - Medidas de Dispersão, Assimetria e Curtose
06. Aula 06 - Conceito e Aplicações dos Números-Índice
07. Aula 07 - Amostragem
08. Aula 08 - Probabilidade
09. Aula 09 - Distribuições amostrais
10. Aula 10 - Estimação e Intervalo de Confiança
11 Aula 11 - Testes de Hipóteses
12. Aula 12 -Testes Não-Paramétricos
13. Aula 13 - Comparação de Variáveis Médias
14. Aula 14 - Correlação e Regressão Linear Simples
15. Aula 15 - Controle Estatístico de Processo

Estatística - UVB
Aula 01 -
Conceitos Básicos de Estatística
Objetivos da Aula
• Apresentar o conceito de Estatística e suas divisões.

• Apresentar o conceito de População, Amostra e
Experimento Aleatório.
• Conhecer a organização e tipo dos dados estatísticos
Segundo o dicionário Aurélio, estatística é:

[Do fr. statistique.] S. f.
1. Parte da matemática em que se investigam os processos de

obtenção, organização e análise de dados sobre uma população
ou sobre uma coleção de seres quaisquer, e os métodos de tirar
conclusões e fazer ilações ou predições com base nesses dados.
2. Qualquer parâmetro de uma amostra, como, p. ex., a sua
média, o seu desvio-padrão, a sua variância.
3. Conjunto de elementos numéricos respeitantes a um fato
social.
4. Representação e explicação sistemática, por observações
quantitativas de massa, dos acontecimentos e das leis da vida
social que deles se podem deduzir.
5. Método que objetiva o estudo dos fenômenos de massa,
i. e., os que dependem de uma multiplicidade de causas, e
tem por fim representar, sob forma analítica ou gráfica, as
tendências características limites desses fenômenos.
( Ferreira, 1999)

Estatística - UVB
Entretanto, vamos enfocar a Estatística como a ciência que estuda a

organização, descrição, análise e interpretação dos dados.
É uma ferramenta muito importante para o profissional de

Administração de Empresas, pois, o auxilia nos processos de tomada
de decisão.
A estatística pode ser dividida em:
• Estatística Descritiva: responsável pela organização e descrição

das informações;
• Estatística Indutiva ou Inferencial: compreende os processos
de generalização, a partir da análise e interpretação dos dados
amostrais.
Dois importantes conceitos devem ser apresentados aqui: o de

população e o de amostra:
• População ou Universo é um conjunto fundamental de todos os

elementos com pelo menos uma característica comum.
• Amostra ou Evento é o subconjunto de um Universo.
Para padronizar nossa linguagem, iremos trabalhar usando as

expressões População (representado pela letra P) e Amostra
(representado pela letra A).
A teoria matemática dos conjuntos dá uma visão clara dos conceitos,

conforme abaixo:
A estatística indutiva busca obter conclusões para todo a população

P, a partir dos resultados encontrados na amostra retirada deste
mesmo universo; ou seja, ela generaliza o resultado da amostra para
o universo.

Estatística - UVB
Mas, ao efetuarmos esta generalização, podemos notar que um erro

(também chamado de desvio ou incerteza) poderá ocorrer. Assim, o
ramo da estatística que irá estudar esta situação é a Probabilidade.
Conforme Costa Neto (1992)
“a Probabilidade é um número associado a um evento,

destinado a medir sua possibilidade de ocorrência.”
Os ramos da estatística interagem da seguinte forma:
Estatística Probabilidade
Descritiva
Estatística
Indutiva
Amostragem Aleatória é uma forma de obter a amostra na qual todos

os elementos do universo têm igual probabilidade de ocorrer.
Um Experimento Aleatório ou Não-determinístico é a observação

estatística de um fenômeno qualquer, como por exemplo, no
lançamento de uma moeda (não viciada) observar o resultado final,
cara ou coroa.
Um evento aleatório é caracterizado por poder ser repetido
indefinidamente sob condições essencialmente inalteradas. Apesar

Estatística - UVB
da repetibilidade acima, não será possível dizer qual será o resultado

particular do experimento, mas poderá ser descrito o conjunto de
todos os resultados possíveis.
Dicas importantes: `Para visualizar facilmente os conceitos de

População, Amostra e Experimento Aleatório veja o material digital.
Os dados estatísticos podem estar organizados ou desorganizados.
Quando organizados recebem o nome de “dados estatísticos em rol”

e quando desorganizados recebem o nome de “dados estatísticos
brutos”.
Os dados estatísticos em rol podem ser organizados em ordem

numérica, alfabética ou ainda alfanumérica (quando aplicável); de
forma crescente ou decrescente. Veja os exemplos abaixo:
Dados Estatísticos Brutos

U=(9, 5, 1, 7, 5, 3, 3, 6, 9, 7, 8, 5)
Dados Estatísticos em Rol

U=(1, 3, 3, 5, 5, 5, 6, 7, 7, 8, 9, 9)
U=(9, 9, 8, 7, 7, 6, 5, 5, 5, 3, 3, 1)
Os dados estatísticos também podem ser identificados pela sua

espécie ou tipo, sendo eles:
1. Dados Contínuos são aqueles onde as variáveis podem assumir

qualquer valor dentro de um intervalo de valores, digamos todos
os valores x no intervalo 0 ≤ x ≤ 1 , assim, estas são então variáveis
contínuas. Como exemplo de variável contínua temos o peso
líquido de cada pneu num universo de pneus novos de uma certa
marca, modelo e dimensão.
2. Dados Discretos, onde as variáveis só podem assumir determinados

Estatística - UVB
valores num intervalo de valores, ou seja, a menor diferença não-

nula entre dois valores dessa variável é finita. Um exemplo de
variável discreta é o número de pontos obtidos em cada jogada,
durante o lançamento de um dado comum não viciado.
Os dois tipos de dados acima são chamados de dados quantitativos,

pois seus valores são expressos em números, outro tipo de dado é
o qualitativo, já que é resultado de uma classificação por tipos ou
atributos, como exemplo podemos citar num universo dos moradores
de uma cidade a variável cor dos olhos.
Dentro da classificação de dado qualitativo temos a variável nominal,

que ocorre quando são definidas “categorias”, tais como sexo
(masculino ou feminino), cor dos olhos (pretos, azuis etc.), campo de
estudo (engenharia, direito, economia etc.).
Para processar estatisticamente as variáveis nominais, à elas são

atribuídos números de forma a se tornarem “contáveis”.
Dados por postos são qualitativos e são sujeitos a avaliações subjetivas

quanto à preferência ou desempenho em um conjunto de observações.
São exemplos competições de beleza, concursos de moda.
Variável Quantitativa Variável Qualitativa

Variável
Variável Discreta Variável Nominal Variável por Postos
Contínua
Universo: Peças Universo: 10
Universo: alunos de Universo: concurso de
fabricadas em uma lançamentos de uma
uma sala de aula beleza feminina
fábrica moeda não viciada
Variável: sexo
Variável: diâmetro Variável: número de Variável: a candidata mais
masculino ou
externo caras obtidas bela.
feminino
Quando relacionamos os dados estatísticos a alguns fatores, tais como

tempo, local e fenômeno, dizemos que estes dados formam uma Série
Faculdade On-line UVB 10

Estatística - UVB
Estatística.
As séries estatísticas geralmente encontradas são:
• Série Temporal, Cronológica, Histórica ou Evolutiva; aqui a

variável é o tempo.
• Série Geográfica, Territorial ou Espacial; aqui a variável é o
local.
• Série Específica ou Especificativa; aqui a variável é o
fenômeno.
• Série Mista, onde variam mais de um dos fatores acima.
• Distribuição de Freqüência, uma representação gráfica ou
em tabela, que aponta o número de vezes que uma variável
aparece em uma amostra.
Referências Bibliográficas
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo:
Editora Edgard Blücher Ltda., 1992.
FERREIRA, Aurélio Buarque de Holanda. Dicionário Aurélio Eletrônico

Século XXI. Ed Lexikon Informática Ltda. Versão 3.0, 1999. CD-ROM.
MANDIM, Daniel. Estatística Descomplicada. 10. ed. Brasília: Vestcon

Editora Ltda., 2003.
MEYER, Paul L. Probabilidade, Aplicações à Estatística. 2. ed. Rio de

Janeiro: Livros Técnicos e Científicos Editora S.A., 2003.

Estatística e Pesquisa - UVB
Aula 02
Distribuição de Freqüências e
Apresentação de Dados
Objetivos da Aula
•Apresentar os conceitos de Distribuição de Freqüência;

•Demonstrar modelos de Apresentação de Dados;
•Fixar os conceitos através de exercício.
Tipos de representação dos dados discretos

e contínuos
Na aula 1, aprendemos algumas definições sobre o que é estatística,
seus processos, seus conceitos, os tipos de dados, os tipos de
variáveis e os tipos de séries. Nesta aula, vamos conhecer as formas
de Distribuição de Freqüências e como pode ser feita a Apresentação
dos Dados.
Podemos dizer que Distribuição de Freqüências é uma forma

de apresentação dos dados “resumida” de maneira, que para um
determinado item, indica-se o número de observações efetuadas.
Vejamos o exemplo:
Consideremos a amostra de dados discretos formada por:

9, 8, 5, 4, 5, 6, 2, 2, 4, 3, 4, 7, 9, 5, 6, 7, 1, 4, 7, 2, 4, 6, 3, 5, 7, 9, 5, 1, 4, 8, 2, 9

A Distribuição de Freqüência Simples Absoluta (fi) para o caso é:
A Distribuição de Freqüências é usada para racionalizar a apresentação

da informação, imagine se não fosse usado o recurso acima, quão
cansativa e repetitiva seria nossa tabela.
Para construção de uma Tabela de Distribuição de Freqüências

objetiva podemos adotar os seguintes passos:
1.Encontre os valores que podem ser assumidos pela variável;

2.Organize os valores da variável em ordem crescente, na
coluna da esquerda de sua tabela;
3.Faça uma consolidação do número de vezes que cada
valor aparece;
4.Insira os números encontrados no passo 3 na coluna ao lado
da coluna “Valores”, na coluna denominada “Freqüência”;
5.Faça uma checagem rápida somando a coluna “Freqüência”
e comparando com o total de itens de sua amostra.
Imediatamente junto à este conceito, vem o de Amplitude Amostral

(A), que é a diferença entre o menor e o maior valor da amostra, sendo
A=9–1 A=8

As Freqüências são divididas em tipos conforme abaixo:
Com os dados do nosso quadro anterior podemos mostrar claramente:
Freqüência de uma classe: é o número de dados observados

naquela classe.
Freqüência relativa de uma classe :
Freqüência acumulada de uma classe: é a soma das freqüências

das classes anteriores e da classe atual.

Até agora apresentamos a forma de se representar dados discretos,

os dados contínuos devem ser apresentados na forma de intervalos
(chamada de Distribuição Intervalar).
Freqüentemente no caso de grandes amostras de dados discretos

(com número de elementos maior que 30) a distribuição intervalar
também é usada.
Cada um dos grupos ou intervalos da distribuição intervalar, formados a

partir do agrupamento ou conjunto destes dados, é chamado de Classe.
O número de classes de uma representação pode ser obtido por vários

métodos, sendo mais usuais as Regras de Sturges e do Quadrado.
Onde:
K = número de classes
N = número total de observações
Se considerarmos um exemplo com 1000 observações, temos:
Pela Regra de Sturges:
Pela Regra do Quadrado:

Podemos notar que os valores encontrados não são nem de perto

parecidos, por isso deve ser registrado que na organização e construção
de uma tabela de distribuição de freqüências, o que deve prevalecer é
o bom senso e não só e simplesmente o resultado encontrado, usando
os modelos matemáticos acima.
O importante é que a representação seja de fato esclarecedora com

elementos homogêneos.
Pessoalmente, penso que a Regra de Sturges tende a apontar um

número de classes com mais eficiência que a do Quadrado.
Uma regra de bolso diz que as tabelas de distribuição de

freqüências devem ter de 5 a 20 classes, pois abaixo de 5 está
se perdendo informação preciosa diluída nas classes e acima de
30 o nível de detalhamento torna-se exagerado e pouco eficaz.
Alguns autores sugerem que a distribuição intervalar tenha de 5
até 16 classes apenas.
As classes encontradas podem ser representadas pela forma

tradicional ou pela moderna.
Para a Forma Tradicional veja o exemplo:
Esta representação utiliza o conceito de limites aparentes e reais

das classes, assim:
10 – é o limite inferior aparente da 1ª classe

19 – é o limite superior aparente da 1ª classe
20 – é o limite inferior aparente da 2ª classe, e assim por diante

Os limites reais são calculados utilizando-se a média aritmética

simples dos limites chamados diagonais, veja:
Então os limites reais são:
9,5 inclusive até 19,5 exclusive

19,5 inclusive até 29,5 exclusive
Dessa forma:
9,5 – é o limite inferior real da 1ª classe

19,5 (exclusive) – é o limite superior real da 1ª classe
19,5 (inclusive) – é o limite inferior real da 2ª classe, e assim por diante.
Vale ressaltar que o limite inferior real da 1ª classe é a metade do primeiro

valor disponível na diagonal (número 19).
A Representação Moderna, usa a simbologia de intervalo aberto ou

fechado, veja:
Portanto temos:

Conhecendo os limites inferiores e superiores de uma classe, obtemos

mais uma informação importante que é a Amplitude do Intervalo de
Classe “(C)”, que nada mais é que a diferença entre os limites superiores
e os inferiores sucessivos.
Então: C = 360-320 = 40 ou C = 399-359 = 40, portanto C = 40.
Para a forma de representação moderna de classes, a Amplitude

de Intervalo de Classes pode ser obtida apenas subtraindo o limite
inferior do limite superior dentro da mesma classe.
Uma Classe também possui um Ponto Médio (Pm), que é calculado

pela média aritmética simples dos limites (superior e inferior) de
cada classe.
Conhecendo-se as técnicas de Distribuição de Freqüência, temos

que dar o passo seguinte no sentido de fazer uma Apresentação
de dados correta e clara.

A ABNT (Associação Brasileira de Normas Técnicas) publica normas

nacionais para a organização e apresentação de tabelas, mas de forma
geral uma tabela deve conter:
Título: precede a tabela e explica, resumidamente, o dado

em estudo, aponta também o tempo (data) e o lugar a que
os dados se referem;
Cabeçalho: especifica o conteúdo de cada coluna;
Coluna Indicadora: especifica o conteúdo de cada linha;
Corpo da Tabela: apresenta os dados.
Existem alguns elementos que auxiliam o entendimento e situam a

tabela no contexto. E seu uso também é importante. São eles:
Fonte: o nome da Entidade, Órgão ou outro que forneceu

os dados.
Notas: são esclarecimentos de maneira geral
Chamadas: são esclarecimentos de maneira específica
Preferencialmente Fonte, Notas e Chamadas são colocadas no rodapé

da tabela.
Exemplo 1:

Exemplo 2:
Para finalizarmos a aula, seguem abaixo algumas dicas para construção

de uma tabela.
1.Delimite a tabela, no alto e embaixo, por traços horizontais;

2.Se existir mais de uma tabela no texto, numere-as;
3.Escreva na tabela os totais das linhas e colunas, ou as médias, ou
qualquer outro resultado que possa ajudar o leitor;
4.Delimite o total por um traço horizontal;
5.Faça traços verticais no interior da tabela se isso trouxer maior
clareza;
6.Separe o cabeçalho do corpo da tabela por um traço horizontal;
7.Sempre inclua a fonte de origem dos dados;
8.Havendo necessidade, inclua as notas e chamadas;
9.Use letras maiúsculas apenas no início das palavras de uma linha ou
de uma coluna;
10.Se o dado não existir, faça um traço no campo da tabela onde este
dado deveria ser inserido.

Referência Bibliográfica:
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo: Editora
Edgard Blücher Ltda., 1992.
Sites
ABNT – Associação Brasileira de Normas Técnicas: http://www.abnt.org.br/

Estatística - UVB
Aula 03
Representação Gráfica
Tipos de representação gráfica e suas
aplicações.
Objetivos da aula:
• Fixar os conceitos dos tipos de representação gráfica,

• Apresentar os Pictogramas,
• Exercitar os conhecimentos adquiridos.
Introdução
Na aula 2, conhecemos as técnicas de Distribuição de Freqüências
e de Apresentação de Dados. Hoje aprenderemos como facilitar o
entendimento e interpretação das informações através da utilização
de gráficos.
A Representação Gráfica, usualmente chamada de gráfico, é uma

maneira mais agradável, mais atrativa visualmente e porque não,
mais lúdica do que as tabelas, para demonstrar fenômenos físicos,
econômicos, sociais ou outros que estejamos analisando.
A Representação Gráfica permite uma visualização rápida e

entendimento fácil.
Freqüentemente, a partir de um bom gráfico, podemos formar

instantaneamente nossa opinião a respeito do tema em questão,
tendo em vista que as grandezas absolutas e relativas estão todas
apresentadas.

Estatística - UVB
Existem várias tipos de gráficos que podem ser usados e comumente

há dois ou mais modelos que podem nos atender; a decisão de qual
usar depende de que tipo de informação buscamos privilegiar com
nosso gráfico. Vamos os exemplos:
Histograma
Freqüentemente utilizado para dados agrupados em classes
(geralmente dados contínuos), privilegia a grandeza relativa em
detrimento à absoluta, que pode ser apresentada numa tabela
adicional quando imprescindível.
Poligonal Característica
É o gráfico que utiliza, em sua representação, o contorno do
histograma.

Estatística - UVB
Polígono de Freqüências
É o gráfico que se obtém unindo-se por linhas retas os pontos
médios das bases superiores dos retângulos de um histograma;
tende a valorizar o comportamento da curva, apontando claramente
o crescimento, decrescimento ou estabilização.

Estatística - UVB
Curva de Freqüências
É a suavização das retas obtidas no polígono de freqüências

Estatística - UVB
Gráficos de Linhas
Semelhante ao polígono de freqüências, mas não derivado dos
pontos do histograma, muito utilizado para representação de séries
temporais.

Estatística - UVB
Gráfico de Colunas ou Barras Verticais

Corresponde ao histograma, porém utilizado na representação de
dados nominais em séries categóricas, cronológicas e geográficas.

Estatística - UVB
Gráfico de Barras Horizontais

Equivalente ao gráfico de colunas, mas com disposição horizontal das
informações.

Estatística - UVB
Gráfico das Freqüências Acumuladas

É a representação acumulada das colunas ou barras horizontais.

Estatística - UVB
Gráfico de Setores
Usualmente construído para apresentar a importância relativa das
proporções, com a disseminação das ferramentas de informática,
passou a incluir as grandezas absolutas.

Estatística - UVB
Diagrama de Pareto
É uma ferramenta usada amplamente quando se objetiva ganhos de
qualidade, pois ela estabelece prioridades. Seu nome tem origem de
um economista italiano de chamado Pareto que, em seus estudos de
distribuição de renda, primeiramente construiu este tipo de gráfico.

Estatística - UVB

VIEIRA, Sonia. Princípios de Estatística. 1ª reimpr. da 1ª ed. São Paulo:

Editora Pioneira Thomson Learning, 2003.

Estatística - UVB
Aula 04
Medidas de Tendência Central e
Separatrizes
Objetivos da aula:
Na aula 3, aprendemos a elaborar representações gráficas diversas,

que permitirão facilitar o entendimento e a interpretação das
informações.
Nesta aula, veremos como encontrar as diversas formas de média,

mediana e moda, que nos auxiliam apontando a tendência de
comportamento dos dados estatísticos.
Também veremos como obter as Separatrizes, que permitem

decidirmos qual cobertura dos dados pretendemos atingir ou
selecionar.
Medidas de Tendência Central

A medida de tendência central é a tendência que os dados têm de
agruparem-se em torno de certos valores.
Média Aritmética Simples

É a soma de todos os dados, divididos pelo número deles.
∑x i
x= i =1

Estatística - UVB
Onde:
x- - média aritmética
n- número de dados
xi - os valores da variável
n
Relembrando a notação ∑ xi(lê-se somatório de xi , i de 1 a n) significa
i =1
que todos os valores de xi devem ser somados, desde o primeiro (xi )
até o n-ésimo (xi ).
Média Geométrica Simples

É a raiz n-ésima do produto de todos os dados.
x g = n x1.x2 ......xn
Onde:
x g - média geométrica
n - número de dados
x1 x2 ..... xn - os valores da variável
Média Geométrica Ponderada
É a raiz n-ésima do produto de todos os dados.
∑c
x gp = i =1 x1c1 .x2c2 ......xncn
Onde:
x gp - média geométrica ponderada

Estatística - UVB
x1 x2 ..... xn - os valores da variável

c1 , c2 ...... cn - freqüência de cada variável
Média Harmônica Simples
É o inverso da média aritmética dos inversos dos números.
n
xh = n
1
∑
i =1 xi
x h - média harmônica simples

xi - os valores das variáveis
n - número de variáveis
Média Harmônica Ponderada
n
x hp = n
ci
∑i =1 xi
x hp - média harmônica ponderada
xi - os valores das variáveis
n - número de variáveis
ci - freqüência das variáveis
Moda
É uma medida de tendência central que se caracteriza pelo valor mais

Estatística - UVB
freqüente (maior freqüência absoluta simples).
Para encontrar a Moda para valores tabulados, deve ser usado o

método de Czuber, pois este é o método considerado mais preciso.
f mo − f ant
M o = li + c
2 f mo − (f ant + f post )
Onde:
li - limite inferior da classe modal
c - intervalo de classe
f mo - freqüência da classe modal
f ant - freqüência anterior à classe modal
f post- freqüência posterior à classe modal
Mediana
A Mediana ( ) é uma medida de tendência central, que divide uma série
ordenada (ROL) de tal maneira que pelo menos a metade, ou 50% dos
itens, sejam iguais ou maiores que ela. Dessa forma, é também uma
separatriz , dividindo a série em partes iguais.
Mediana de valores não tabulados
Inicialmente, determina-se o elemento central da série.
n +1
E=
2
onde:
E - é o elemento central da amostra
n - é o número de valores da amostra
Para o caso de amostras com número ímpar de valores conta-se a

Estatística - UVB
partir do primeiro até o valor igual a e este é a Mediana.
Para o caso de amostras com número par de valores, depois de

encontrar o elemento central, faz-se a média aritmética dos valores
anteriores e posteriores ao elemento central.
Mediana de Valores Tabulados
a) Quando tratarmos de dados discretos (não agrupados

em classes)
xi fi fac
2 5 5
4 10 15
6 15 30
8 12 42
10 5 47
12 3 50
Somatório 50
Calculamos o elemento central, notando que n = ∑ fi
n 50
E= = = 25
2 2
Comparando-se o valor com a freqüência acumulada f ac, observa-se

que está acima do 15 e abaixo do 30; diretamente, temos que o 25º
valor (ou seja o elemento central 25) está entre o 24º e o 26º valores,
então calculamos a mediana pela média aritmética entre o 24º e 26º
valores.
6+6
Md = =6
2

Estatística - UVB
Quando é ímpar teremos apenas um valor para o elemento central E

, dispensando o cálculo da média aritmética.
b) Quando tratarmos de dados contínuos (agrupados em

classes)
E − f antac
M d = li + c
f Md
onde:
li - limite inferior da classe mediana
E - sempre determinado por
f Md - freqüência absoluta da classe mediana
f Md - freqüência acumulada anterior à classe mediana
c - intervalo de classe
Comparação entre Média, Mediana e Moda

Definição Vantagens Limitações Quando usar
1-Deseja-se obter a
medida de posição
Soma de todos os Reflete cada que possui a maior
valores dividido valor;Possui estabilidade;
É influenciada por
Média pelo total de propriedades 2-Houver
valores externos.
elementos do matemáticas necessidade de
conjunto. atraentes. um tratamento
algébrico posterior.

Estatística - UVB
1- Deseja-se obter o
ponto que divide o
conjunto em partes
Difícil de iguais;
Valor que divide o Menos sensível a determinar 2- Há valores
Mediana conjunto em duas valores extremos para grande extremos que
partes iguais. que a média. quantidade de afetam de maneira
dados acentuada a média;
3- A variável em
estudo é salário.
1-
Deseja-
se obter ima
Não se presta
medida rápida e
Valor “típico”; a análise
aproximada da
Maior quantidade matemática;Pode
Valor mais posição;
Moda de valores não haver moda
freqüente 2- A medida de
concentrados neste para certos
posição deve ser o
ponto conjuntos de
valor mais típico da
dados
distribuição.
Relação entre Média, Moda e Mediana (relação empírica de Pearson)
x − M0 ≅ 3 x − Md ( )
Essa expressão pode ser apresentada sob diversas formas e indica,
geometricamente, que a mediana situa-se entre a média e a moda,
sendo sua distância à moda o dobro de sua distância à média.
Sua verificação prática tende a ser mais perfeita para conjuntos maiores
de dados, sendo a moda calculada com base em dados agrupados em
classe de freqüências.

Estatística - UVB
É uma relação aproximada para distribuições de freqüências unimodais

e “fracamente” assimétricas.
Separatrizes
Quartis
Os quartis separam um conjunto de dados ordenados (ROL) em quatro

partes iguais; assim:
• é o 1º quartil, deixa 25% dos elementos abaixo dele;

• é o 2º quartil, coincide com a mediana, deixa 50% dos
elementos abaixo dele;
• é o 3º quartil, deixa 75% dos elementos abaixo dele.
Cálculo de Q1 :
n 
 − f aQ1 
Q1 = liQ1 + 4 c
 f Q1 
 
 
Onde:
liQ1 - limite inferior da classe que contém Q1

f aQ1 - freqüência acumulada das classes anteriores à classe que
contém Q1
f Q - freqüência da classe que contém Q1
1
C - amplitude da classe que contém Q1
Cálculo de Q2:
 3n 
 − f aQ3 
Q3 = liQ3 + 4 c
 f Q3 
  Faculdade On-line UVB 40
Estatística - UVB
Onde:
- limite inferior da classe que contém Q3
- freqüência acumulada das classes anteriores à classe que
contém Q3
- freqüência da classe que contém Q3
- amplitude da classe que contém Q3
Decis
Os decis são valores que dividem uma série de dados ordenados em

dez partes iguais.
O i-ésimo decil, (i=1,2,...,10), de um conjunto de observações

organizadas na forma de uma distribuição de freqüências pode ser
obtido por:
 in 
 − f aDi 
Di = liDi +  10 c
 f Di 
 
 
Onde:
liDi - limite inferior da classe que contém D; i
f aDi - freqüência acumulada das classes anteriores à classe que
contém D ; i
f Di - freqüência da classe que contém D; i
c - amplitude da classe que contém D. i
Percentis
Os percentis são valores que dividem uma série de dados ordenados

em 100 partes iguais.
O i-ésimo percentil (i=1,2,...,100) de um conjunto de observações

organizadas na forma de uma distribuição de freqüências pode ser

Estatística - UVB
obtido por:
in
− f aPi
Pi = liPi + 100 c
f Pi
Onde:
liPi - limite inferior da classe que contém Pi ;
f aPi - freqüência acumulada das classes anteriores à classe que
;
contém Pi ;
f Pi - freqüência da classe que. contém Pi ;
c - amplitude da classe que contém Pi
CRESPO, Antonio Arnot. Estatística Fácil. São Paulo: Editora Saraiva,

1998.
MAGALHÃES, Marcos Nascimento e Lima, Antonio Carlos Pedroso

de. Noções de Probabilidade e Estatística. São Paulo: 5a. ed. Editora da
Universidade de São Paulo, 2002.

STEVENSON, Willian J. Estatística Aplicada à Administração. São Paulo:

Ed. Harbra, 1981.

Estatística - UVB

Estatística - UVB
Aula 05
Medidas de Dispersão, Assimetria
e Curtose
Objetivos da aula:
• Apresentar as Medidas de Dispersão, Assimetria e Curtose;

• Apresentar exemplos para fixação de conceitos
Introdução
A aula 4 apresentou os conceitos de média, moda e mediana que
permitem sintetizar em valores representativos o conjunto de valores
de uma amostra. Mas, de maneira geral, é importante que se saiba o
quanto de variação há entre os valores máximo e média; e mínimo e
média. Essa “distância” é a dispersão.
Amplitude Total
É a diferença entre o maior e o menor valor dos dados apresentados
At = x máx − x mín
At - amplitude total
xmáx - valor máximo observado na amostra
xmín - valor mínimo observado na amostra
No caso de dados agrupados com intervalos de classe, é a diferença

Estatística - UVB
entre o limite superior da última classe e o inferior da primeira classe.
Desvio Médio Absoluto (DMA)

É igual à média dos valores absolutos dos desvios, calculados em
relação à média do conjunto de valores. É uma medida de dispersão
pouco usada.
No caso de dados não tabulados:

n
∑d i
DMA = i =1
x
X= (1,3,5,7,9), x - = 5 e n =5
xi di = xi - x- |di|
1 1 - 5 = -4 4
3 3 - 5= -2 2
5 5 - 5= 0 0
7 7 - 5= 2 2
9 9 - 5= 4 4
Total 12
Então o DMA é:
∑d i
12
DMA = i =1
= = 2,4
x 5
∴
DMA = 2,4

Estatística - UVB
Para dados tabulados não agregados em classes (dados

discretos):
n
∑ (d i * fi )
DMA = i =1
n
∑f
i =1
i
xi fi di = xi - x- |di| |di| * fi
1 10 1-5=-4 4 40
3 20 3-5 = -2 2 40
5 40 5-5 = 0 0 0
7 20 7-5 = 2 2 40
9 10 9-5 = 4 4 40
Total 100 Total 12 160
∑ (d i * fi )
160
DMA = i =1
n
= = 1,6
100
∑f
i =1
i
∴
DMA = 1,6
Amplitude Semi-Interquartílica (desvio quartílico)
É a metade da diferença entre o terceiro quartil (Q3) e o

primeiro quartil (Q2).
Q3 − Q1
Dq =
2

Estatística - UVB
Variância e Desvio Padrão
No cálculo do DMA, podemos observar que trabalhamos

com o módulo dos desvios (|di| ), isto porque, sem este
módulo, as somatórias dos valores dos desvios seriam nulas.
Outra forma de eliminarmos o problema relativo ao sinal do
desvio (número negativo e positivo) é elevar cada desvio ao
quadrado, assim todos eles passam a ser positivos.
A Variância usa esta alternativa, e ela é então:

2
n
 n 
∑ x ∑x
2
σ 2 = i =1 −  i =1 
n  n 
 
 
Você deve ter notado que a variância está ao quadrado
σ 2 ). Sob o ponto de vista prático, é um inconveniente;
(
dessa forma estabeleceu-se uma medida que tem utilidade
e interpretação práticas, denominada de Desvio Padrão que
é o valor positivo da raiz quadrada da variância, ou seja:
s= σ2
Nota:
1. O desvio padrão e a variância são medidas de dispersão ou

variabilidade, a opção do uso de um ou outro, depende da
finalidade da informação.
2. A variância tem pouca utilidade na estatística descritiva,

porém é muito importante na inferência estatística e em
combinações de amostras.

Estatística - UVB
3. O desvio padrão é muito usado na estatística descritiva.
4. É importante notar que, se os dados representarem uma

amostra e não toda a população, a expressão matemática
da variância deve ter (n-1) no denominador em substituição
ao fator n, esta mudança é chamada de fator de correção
de Bessel ou conforme os estatísticos, número de graus de
liberdade. Dessa forma temos a variância da amostra.
σ lê-se sigma, é o símbolo usado para indicar a variância da

5. -
população e é a variância da amostra.
O desvio padrão possui propriedades importantes, dentre

elas destacam-se:
yi = x ± c ⇒ s y = s x
Somando-se ou subtraindo-se, uma constante (c) de todos
os valores de uma variável, o desvio padrão não se altera:
yi = c * xi ⇒ s y = c * s x
Relação empírica entre Desvio Padrão e Amplitude
Na quase totalidade dos casos práticos, o desvio padrão

supera um sexto da amplitude e é inferior a um terço da
amplitude, isto é:
At At
<s<
6 3
Essa relação é útil até mesmo para a verificação de erros
grosseiros no cálculo do desvio padrão.

Estatística - UVB
Dispersão Relativa
Também conhecido como coeficiente de variação aponta a
homogeneidade dos dados, sua vantagem é caracterizar a
dispersão dos dados em termos relativos a seu valor médio.
Quanto menor o valor, mais homogêneo será o conjunto de
dados.
s
CV p =
x
Medidas de assimetria
Numa distribuição estatística, a assimetria é o quanto sua curva

de freqüência se desvia ou afasta da posição simétrica. Podemos
caracterizar as distribuições de freqüência em:
· Assimétrica à direita ou positiva

· Assimétrica à esquerda ou negativa;
· Assimetria nula ou simétrica.
Pela expressão abaixo podemos apontar a simetria da curva de

freqüência.
x − Mo
Se:
x − M o = 0 - assimetria nula ou distribuição simétrica

x − M o < 0 - assimetria negativa ou à esquerda
x − M o > 0 - assimetria positiva ou à direita

Estatística - UVB
Distribuição Simétrica
Distribuição Negativa
Distribuição Positiva
Coeficiente de Assimetria
O grau de assimetria de uma curva de freqüências, dentre outros, é

dado pelo coeficiente de assimetria de Pearson:
As =
(
3 x − Md )
s
Se 0,15<|A5|1, a assimetria é considerada moderada; se |A5|>1 é forte.

Estatística - UVB
Medidas de Curtose
Defini-se Curtose como o grau de achatamento de uma distribuição

em relação a uma distribuição em relação padrão. São três os tipos
curvas de distribuição no que se refere a curtose: Leptocúrtica,
Mesocúrtica e Platicúrtica.
Mesocúrtica Platicúrtica
Mesocúrtica
Coeficiente de curtose
É a medida do grau de achatamento da curva:
Q3 − Q1
C=
2(P90 − P10 )
Se
C = 0,263 - curva mesocúrtica
C < 0,263 - curva leptocúrtica
C > 0,263 - curva platicúrtica

Estatística - UVB
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São
Paulo: Editora Edgard Blücher Ltda., 1992.
CRESPO, Antonio Arnot. Estatística Fácil. São Paulo: Editora

Saraiva, 1998.
MAGALHÃES, Marcos Nascimento e LIMA, Antonio Carlos

Pedroso de. Noções de Probabilidade e Estatística. São Paulo:
5a. ed. Editora da Universidade de São Paulo, 2002.
MANDIM, Daniel. Estatística Descomplicada. 10. ed. Brasília:

Vestcon Editora Ltda., 2003.
SETEVENSON, Willian J. Estatística Aplicada à Administração.

São Paulo: Ed. Harbra, 1981.
VIEIRA, Sonia. Princípios de Estatística. 1ª reimpr. da 1ª ed. São

Paulo: Editora Pioneira Thomson Learning, 2003.

Estatística - UVB
Aula 06
Conceitos e Aplicações dos
Números-Índice
Objetivos da aula:
• Apresentar exemplos para fixação de conceitos relativos a

Números-índice e deflacionamento.
Introdução
Na aula 5 aprendemos os conceitos de Medidas de Dispersão,
Assimetria e Curtose. Nesta aula, compreenderemos os Números-
índice, ou simplesmente Índices, que estão presentes diariamente
em nossas vidas, seja pelo noticiário da TV ou ainda pelos jornais e
revistas, nos ajudando a tomar decisões de aspecto profissional e
também pessoal.
Números-Índice
O Número-índice é uma razão entre o valor de uma variável numa
data e o valor desta mesma variável em outra data. Esta razão se dá
dividindo o valor da variável na data objetivada ou atual pelo valor
desta variável na data base. O resultado então é multiplicado por
100.
Os Números-índice são freqüentemente usados na economia e nos

negócios em geral, mas também são usados nas ciências físicas,
químicas, naturais e sociais.

Estatística - UVB
Os índices mais usados geralmente apresentam variações de preço,

de quantidade ou de valor.
A fórmula de cálculo do Número-índice é:
Valor da variável na data considerada * 100

Valor da variável na data base
Vamos para um exemplo:
Imagine o número de toneladas de soja produzidas por uma fazenda

durante os anos de 1998 até 2003.
Ano 1998 1999 2000 2001 2002 2003

Quantidade (ton) 120000 128000 135000 150000 152000 160000
Número-índice 100 106,7 112,5 125 126,7 133,3
Você deve ter percebido que os Números-índice são na prática uma

evolução percentual; entretanto, por convenção, não é usado o sinal
de percentagem (%). Então um índice de 140 significa 140%, mas
escrevemos apenas 140.
Propriedades do Número-Índice
São quatro as propriedades básicas mais importantes do Número-
índice que veremos:
a) Identidade
O número-índice deve ser igual a unidade quando a data atual (t)

coincidir com a data base (o).
I t ,t = 1 ou
I o ,o = 1

Estatística - UVB
b) Reversão do Tempo
Ao se permutarem dois períodos s e t, os resultados serão o inverso

um do outro.
1
I s ,t * I t , s = 1 I s ,t =
ou I t ,s
Por exemplo:
Is,t=1,25 (acréscimo de 25%)

It,s= 0,80 (queda de 20%)
I s ,t * I t , s = 1,25 * 0,80 = 1
c) Circular
O produto de diversos índices entre si, calculados individualmente

com data base móvel, é igual ao índice entre a data final e a data base
“zero”.
I 0,1 * I1, 2 * I 2,3 * I 3, 4 ... * I t −1,t = I 0,t

Vejamos no exemplo:
A evolução do custo de fabricação de automóveis foi de 8% em

fevereiro em relação a janeiro, em março com relação a fevereiro
ficou na ordem de 3% e em abril com relação a março 4%. Calcule a
evolução percentual de abril em relação a janeiro.
P1,2=1,08
P2,3=1,03
P3,4=1,04
P1, 4 = P1, 2 * P2,3 * P3, 4 = 1,08 *1,03 *1,04 = 1,1569

Estatística - UVB
O acréscimo então de janeiro a abril foi de 15,69%.
d) Decomposição das Causas (Inversão ou Reversão de

Fatores)
Ip0,t * Iq0,t = Iv0,t
Índice Índice Índice

de de de
Preço Quantidade Valor
Acompanhe no exemplo:
Uma empresa adquiriu, em janeiro de 1980, 1500 unidades de um

componente de fabricação ao preço unitário de R$300,00 e em
fevereiro, 1470 unidades a R$330,00 cada. Calcular o valor relativo da
transação em fevereiro, com base em janeiro.
p1=300
p2=330
q1=1500
q2=1470
p2 330
p1, 2 = = = 1,10
p1 300
q2 1470
q1, 2 = = = 0,98
q1 1500
v1, 2 = p1, 2 * q1, 2 = 1,10 * 0,98 = 1,078

Estatística - UVB
Dessa forma o acréscimo foi de 7,8%.
Elos Relativos
A propriedade circular dos Números-índice nos permite conhecer
os elos relativos de cada período que estamos tratando. Vejamos no
exemplo:
Um bem apresentou no mercado internacional, no período de 1991 a

1994, respectivamente, os preços de US$240,00, US$300,00, US$360,00
e US$540,00. Os elos relativos são:
P92 300
P91,92 = * 100 = * 100 = 1,25 * 100 = 125
P91 240
P93 360
P92,93 = *100 = *100 = 1,2 *100 = 120
P92 300
P94 540
P94,93 = *100 = *100 = 1,5 *100 = 150
P93 360
Com estes dados podemos formar a tabela de elos relativos:
Anos 1991 1992 1993 1994

Elos relativos --- 125 120 150
Relativos em Cadeia
Considerando o exemplo anterior temos:

Estatística - UVB
P92 300
P91,92 = * 100 = * 100 = 1,25 * 100 = 125
P91 240
P93 360
P91,93 = *100 = *100 = 1,5 *100 = 150
P91 240
P94 540
P91,94 = * 100 = * 100 = 2,25 * 100 = 225
P91 240
Anos 1991 1992 1993 1994

Relativos em Cadeia --- 125 150 225
Índices Agregativos
Os índices estudados até agora são caracterizados por serem
compostos apenas de uma variável, mas a composição de um índice
de inflação (um exemplo clássico de Índice Agregativo), por exemplo,
considera diversas variáveis com diversos pesos distintos.
Índices Agregativos Simples

A maneira mais simples de calcular um índice composto por diversos
outros é através da média aritmética simples. Os diversos tipos de
média estudados na aula 4 podem ser usados, mas neste caso somente
as médias simples converterão índices em índices simples.
Por exemplo, teremos Índice Médio Harmônico Simples se usarmos

uma média harmônica simples ou Índice Geométrico Ponderado se
optarmos por média geométrica ponderada. Em seguida veremos
que existem outras formas de Índice Agregativo Ponderado.

Estatística - UVB
Índice Agregativo Ponderado

Para que nossa informação tenha a maior qualidade possível,
podemos trabalhar com Índices ponderados, atribuindo coeficientes
de ponderação a cada índice separadamente, ou seja, dando a eles
pesos relativos entre si conforme sua importância dentro do Índice
Geral.
São dois modelos principais usados na construção de índices

ponderados: a Fórmula de Laspeyres, ou método da época base, e a
Fórmula de Paasche, ou método da época atual.
Fórmula de Laspeyres ou Método da Época Base

p
Ponderando os relativos de preço t onde pt é o preço na época atual
p
e po é o preço na época base, peloovalores (preços * quantidades) do
ano base poqo, obtemos a fórmula de Laspeyres:
Lo ,t =
∑ pt q o
∑ po qo
Nota: O relativo que queremos tratar é aquele de índice t. Então, se
desejamos ponderar o relativo de quantidade, teremos:
Lo ,t = ∑qp t o
∑ pq o o
Fórmula de Paasche ou Método da Época Atual

Analogamente a Fórmula de Laspeyres, mas agora com foco na época
atual, teremos:

Estatística - UVB
=∑
pt qt
Po ,t
∑ po qt
Nota: O relativo que queremos tratar é aquele de índice t. Então, se

desejamos ponderar o relativo de quantidade, teremos:
Po ,t = ∑ qpt t
∑ pqo t
Vamos para um exemplo onde tudo ficará claro.
Considerando a tabela:
1993 1994 1995

Bens
p q p q P Q
A 20 4 28 3 34 5
B 40 3 56 3 62 7
C 15 8 30 12 40 14
Calcule o índice ponderado para preços, empregando a fórmula de

Laspeyres e Paasche e tomando 1993=100.
Por Laspeyres:
Lp93,94 = ∑
p94q93 (28 * 4) + (56 * 3) + (30 * 8) 520
= = = 1,625
∑ p93q93 (20 * 4) + (40 * 3) + (15 * 8) 320
Lp93,95 = ∑
p95q93 (34 * 4) + (62 * 3) + (40 * 8) 642
= = = 2,0063
∑ p95q93 (20 * 4) + (40 * 3) + (15 * 8) 320
Por Paasche:

Estatística - UVB
Pp93,94 = ∑
p94q94 (28 * 3) + (56 * 3) + (30 *12) 612
= = = 1,700
∑ p93q94 (20 * 3) + (40 * 3) + (15 *12) 360
Pp93,95 = ∑
p95q95 (34 * 5) + (62 * 7) + (40 *14) 1164
= = = 1,9729
∑ p93q95 (20 * 5) + (40 * 7) + (15 *14) 590
Índices de Preços
Para construir um índice de preços, qualquer que seja sua finalidade,
devemos inicialmente responder às questões abaixo, observando os
detalhes dos aspectos levantados em cada uma delas:
a. Qual o objetivo do Índice?

É fundamental qualificar, com toda a precisão, o objetivo do índice,
determinar o que ele está medindo e a quem se refere. Dessa
determinação dependerá a seleção dos produtos que comporão o
índice.
b. Que produtos devem ser incluídos em seu cálculo?

Devem ser incluídos os produtos julgados mais importantes e que
sejam representativos do conjunto de bens que integram o setor para
o qual se vai calcular o índice.
c. Quais preços devem ser incluídos em seu cálculo?

Deve-se identificar o setor para o qual serão determinados os preços
(varejo, atacado, etc.). Também é necessário decidir a forma de cotação
e como deverão ser coletados os dados.
d. Qual o peso a ser atribuído a cada bem em particular?

O sistema de pesos a ser atribuído deve depender essencialmente da
finalidade ou da utilidade do índice. Os pesos, por isso mesmo, devem
refletir a importância relativa de cada bem no conjunto tomado para
a determinação do índice.

Estatística - UVB
e. Qual a fórmula mais adequada?

Em geral, quando se trata de índices de preços, é usada a fórmula de
Laspeyres, que emprega pesos fixos, permitindo a revisão periódica de
seus valores. Resulta daí a possibilidade de termos sempre as mesmas
comparações, feitas diretamente ou através de elos de relativos.
Nota:
Freqüentemente no mundo dos negócios, existem grandes contratos

de aluguel, prestação de serviços ou de fornecimentos de longo prazo,
onde é definido um índice de reajuste. Nestas situações é comum que
se faça um “mix” de diversos relativos, dando pesos a cada um deles,
de forma que o valor total ou a somatória dos relativos é igual a 1. Veja
o exemplo:
Uma empresa negociou com seu cliente que o reajuste de preço será
composto por três fatores principais: mão-de-obra, matérias-primas
e distribuição do produto entre a fábrica e os pontos de venda. No
último ano os custos se comportaram conforme a tabela abaixo:
Custo da Mão-de-obra Custo das matérias- Custo da distribuição

- iMO primas - iMP - iD
Peso relativo 50% 35% 15%
Janeiro/2000 R$120000,00 R$270000,00 R$50000,00
Dezembro/2000 R$180000,00 R$300000,00 R$65000,00
Calculando o índice final para reajustar o preço, temos:

180000
iMO = = 1,50
120000
300000
iMP = = 1,11
270000
65000
iD = = 1,30
50000
Estatística - UVB
O aumento geral a ser aplicado é de 33,35%.
Deflacionamento de Dados
Os aumentos de preços implicam em baixas no poder de compra ou no
valor da moeda. Por isso mesmo, a manutenção do poder de compra
dos salários é um problema que muito preocupa os assalariados de
países onde o valor da moeda está continuamente se deteriorando.
Assim, embora os salários nominais estejam freqüentemente

aumentando, os salários reais podem estar diminuindo, devido ao
aumento do custo de vida (inflação), e, conseqüentemente, tendo o
seu poder aquisitivo reduzido.
Daí a importância dos índices de preços, pois a eles recorremos para

responder questões tais como:
Sabendo-se que um assalariado, em dezembro de 1995, tinha salário

de R$1071,00 e o Índice de Preços de dezembro de 1995, com base
em novembro, era de 101,24%, calcular qual o valor real do salário em
dezembro com base em novembro.
St
SR = * 100
IPt
1071
SR = * 100
101,24
SR = 1057,88
Principais Índices de Preços

Estatística - UVB
1. INPC/IBGE
O Índice Nacional de Preços ao Consumidor, levantado pelo IBGE,

começou a ser calculado em 1948. Em 1966 ocorreram algumas
mudanças no processo de cálculo, quando o sistema de ponderação
foi modificado. Nesta modificação os gastos foram agrupados em
categorias de consumo de mesma natureza, como alimentação,
habitação, vestuário, higiene, transportes, luz e combustível, educação,
recreação e diversos.
O INPC mede a variação de preços no varejo com base no consumo
médio de famílias com renda mensal de 1 a 8 salários mínimos. O IBGE
também calcula o IPCA (Índice de Preços ao Consumidor Amplo), que
mede a variação de preços para famílias com renda de 1 a 40 salários
mínimos. Os dois índices são médias de 11 regiões metropolitanas,
para as quais o IBGE fornece os índices individualmente.
2. IGP/FGV
O IGP/FGV é o Índice Geral de Preços, levantado pela Fundação Getúlio

Vargas. É o mais usado como indexador de contratos de longo prazo,
públicos e privados. Ele é composto pela média ponderada de três
outros índices levantados pela Fundação:
IPA – Índice de Preços no Atacado, obtido com base na pesquisa feita

nacionalmente com quase 500 empresas. O IPA entra no cálculo do
IGP com peso 6;
IPC – Índice de preços ao Consumidor, é um índice de preços no varejo

similar ao INPC/IBGE, obtido no Rio de Janeiro e em São Paulo. O IPC
entra no cálculo do IGP com peso 3;
INCC – Índice Nacional do Custo da Construção, que mede a variação

de preços de materiais de construção e de mão-de-obra. O INCC entra
no cálculo do IGP com peso 1.

Estatística - UVB
A FGV calcula ainda o IGP-DI (Índice Geral de Preços, Disponibilidade

Interna), o IGP-M (Índice Geral de Preços, de Mercado) e o IGP-10 (Índice
Geral de Preços 10). O IGP-DI considera os preços médios do início ao
fim do mês (mês fechado), o IGP-M considera os preços médios do dia
21 de um mês ao dia 20 do mês seguinte e o IGP-10, que é usado como
indicador da tendência da inflação, considera os preços médios do dia
11 de um mês até o dia 10 do mês seguinte.
3. IPC/FIPE
O Índice de Preços ao Consumidor da Fundação Instituto de Pesquisas

Econômicas da Universidade de São Paulo é o índice mais antigo do
Brasil e começou a ser levantado logo depois da revolução de 30, com
a finalidade de salvaguardar os direitos trabalhistas recém-adquiridos.
Era chamado “índice ponderado de custo de vida da classe operária
de São Paulo”. De acordo com alguns especialistas, este é o índice que
melhor mede a inflação que nos diz respeito, isto é, é o índice que
melhor reflete a variação dos preços de alimentos, aluguel, vestuário,
transportes, etc.
4. ICV do Dieese
O Índice do Custo de Vida, levantado pelo Departamento Intersindical

de Estatística e Estudos Socioeconômicos, em São Paulo desde 1959,
mede o efeito da variação dos preços de perto de 350 produtos para
as famílias paulistas com renda mensal entre 1 e 30 salários mínimos.
5. INCC e CUB
O Índice Nacional do Custo da Construção Civil é um dos componentes

do IGP e reflete a variação de materiais de construção e da mão-de-
obra do setor. Este índice é utilizado no financiamento direto de
construtoras e incorporadoras.

Estatística - UVB
O Custo Unitário Básico também mede a variação de preços de

materiais de construção e da mão-de-obra do setor. É calculado por
sindicatos da indústria da construção, chamados Sinduscon. Esse
índice é usado nos financiamentos de imóveis.

Saraiva, 1998.





Estatística - UVB
Aula 07
Amostragem
Objetivos da aula:
• Apresentar exemplos para fixação de conceitos de

amostragem;
• Praticar os conceitos em exercícios.
Introdução
. Em nosso encontro da aula 6 conhecemos os números índice, uma
técnica muito importante para acompanharmos a evolução ou
involução do valor de uma variável ao longo do tempo.
Mas, se necessitarmos levantar informações de uma população

muito grande, como trataremos essa massa de dados?
A resposta é: com a amostragem, que é o alvo de nossa aula de hoje.
Amostragem
A utilização de técnicas de amostragem se faz necessária quando, por
questões práticas ou econômicas, é impossível (ou quase) estudar
toda a população.
Como exemplo, temos o caso de uma fábrica de automóveis que,

pelas questões apontadas acima, não efetua inspeção e ensaios em
100% dos itens que serão agregados ao automóvel, faz as verificações

Estatística - UVB
de qualidade e conformidade em momentos específicos durante

a produção, seja no início, meio ou fim. Logo no início do processo
produtivo, é efetuada a inspeção (usando técnicas de amostragem)
dos lotes de produtos recebidos.
Outro exemplo interessante do uso de técnicas de amostragem é o

manejo sustentável de áreas florestais com fins extrativistas. Neste
caso, numa floresta definem-se áreas de controle, mede-se a densidade
florestal destas áreas e extrapola-se o resultado para toda a mata;
pode-se assim conhecer com boa precisão o número de espécies
vegetais encontradas e sua idade média, dentre outros aspectos.
A amostragem pode ser obtida por dois métodos, a amostragem não

probabilística e a amostragem probabilística.
Amostragem por Julgamento

É baseada na escolha deliberada e exclui qualquer processo aleatório.
O uso deste método requer uma boa compreensão da população. O
que, no entanto, caracteriza este método é que cada caso selecionado,
ou cada seleção é pré-determinada e não depende de chance.
A amostragem por julgamento apresenta algumas desvantagens, que

são:
• É propensa a parcialidades;
• A amostra é tão pequena que pode ser um problema acerca
da credibilidade dos resultados;
• Os resultados amostrados não podem ser usados para
extrapolações a partir dos casos selecionados para o
levantamento da população, e não podem prover estimativas

Estatística - UVB
da população. Neste caso vemos que o risco desse tipo de

testes situa-se, principalmente, na eventualidade de que o
resultado venha a ser projetado para formar um juízo global,
o que não é aceitável, em virtude da amostra poder não ser
representativa.
Amostragem por Quotas

Aqui a população deve ser conhecida, pelo menos aproximadamente,
de forma que a representatividade de cada grupo de dentro da
população seja percebida na amostra.
O que queremos dizer é que as quotas (amostras) buscam repetir

as mesmas características da população, ou seja, por exemplo, as
proporções de pessoas de diferentes idades, sexo, grupos étnicos, etc,
devem ser representadas na amostra conforme estão na população.
A grande diferença entre a amostragem por quotas e estratificada

é que na primeira não há a seleção por qualquer base aleatória,
enquanto que na estratificada a seleção é aleatória como veremos.
A amostragem por quotas é freqüentemente usada em pesquisas de
opinião e pesquisa de mercado.
Amostragem Aleatória Simples

É o método básico de amostragem aleatória, pela sua facilidade de
selecionar amostras, analisar dados e reduzir erros de amostragem,
mas ele não pode ser aplicado sempre, e não é sempre o mais
apropriado.
O método se fundamenta no princípio de que todos os membros de

uma população têm a mesma probabilidade de serem incluídos na
amostra.

Estatística - UVB
Fases do método:
a) listagem da população;
b) determinação do tamanho da amostra;
c) uso de números aleatórios (tabela ou algoritmos
computacionais).
Existem fórmulas e tabelas para estabelecer o tamanho das amostras

e as estimativas, de acordo com:
• tamanho da população;
• o nível de confiabilidade desejável;
• o índice de precisão escolhido;
• o grau de dispersão;
• a taxa de ocorrência.
Amostragem Sistemática
Aqui os membros da população que participam da amostra são
determinados a partir de intervalos fixos, e não há a utilização de
tabelas de números aleatórios.
Por exemplo, numa população de 100 peças, para obtermos 10

amostras sistemáticas podemos retirar as peças de número 10, 20, 30,
e assim por diante, até completarmos 10 amostras sistematicamente
colhidas.
Para encontrarmos os pontos onde faremos as coletas sistemáticas das

amostras, podemos seguir os seguintes passos (conforme exemplo):
Define-se o tamanho da população: N= 1600

Define-se o tamanho da amostragem total: n= 100
N 1600
n
=
100
= 16
Estatística - UVB
Faz-se então: ;
Sorteia-se um número de 1 a 16, que será o primeiro número da

amostra, logo as próximas amostras serão retiradas de 16 em 16.
Vantagens:
1. Facilidade de determinação dos elementos da amostra;

2. Não precisa usar números aleatórios;
3. Mais rapidez para grandes populações.
Desvantagens:
1. Cuidados com o fator “posição” na lista dos componentes da

população;
2. Cuidado com fenômenos sazonais.
Amostragem Estratificada
Consiste em dividir a população em subgrupos mais homogêneos
(estratos) e retirar amostras aleatórias simples dos subgrupos.
Por exemplo:
Deseja-se estudar a aceitação de determinados métodos de controle

de natalidade em uma determinada cidade.
Solução:
Aspectos relevantes nesta aceitação: religião e situação

socioeconômica;
Uma identificação sugerida - religião: católicos, protestantes e

Estatística - UVB
judeus;
Outra identificação sugerida – classe social: alta, média e baixa.
Estratos que poderiam ser formados:
• Protestantes de classe alta;

• Protestantes de classe média;
• Protestantes de classe baixa;
• Católicos de classe alta;
• Católicos de classe média;
• Católicos de classe baixa;
• Judeus de classe alta;
• Judeus de classe média;
• Judeus de classe baixa.
Retiramos amostras aleatórias simples de cada estrato, usando o

processo já sugerido (listagem, números aleatórios);
Juntar numa só amostra a fim termos uma amostra de toda a
população;
A idéia básica é que: “um grupo homogêneo requer amostra menor

que um grupo heterogêneo”.
As amostras estratificadas são divididas em três tipos:
1. Uniforme
Na amostragem estratificada uniforme sorteia-se igual número de
elementos de cada estrato.
2. Proporcional
Na amostra estratificada proporcional, o número de elementos em
cada estrato é proporcional ao número de elementos existentes no
estrato.

Estatística - UVB
3. Ótima
Na amostra estratificada ótima, quando se toma em cada estrato
um número de elementos proporcional ao número de elementos
do estrato e também à variação da variável de interesse no estrato,
medida pelo seu desvio padrão.
A técnica de estratificar é bastante útil, quando a população apresenta

muita diversidade nos seus valores individuais, datas, etc; assim
estabelecem-se estratos de modo que a variância do valor do item
seja o menor possível dentro de cada estrato.
Amostragem por Conglomerados

É um método muito utilizado por motivos de ordem prática e
econômica, onde divide-se uma população em pequenos grupos
e sorteia-se um número suficiente desses pequenos grupos
(conglomerados), cujos elementos constituirão a amostra.
Neste método, existem pelo menos dois níveis de amostragem que
são empregados:
Nível 1 – Unidade de Amostragem;

Nível 2 – Elementos Amostrados (dentro de cada conglomerado).
Exemplo:
Deseja-se entrevistar uma amostra representativa de pessoas que

vivem numa grande área da cidade. Extrair uma amostra aleatória
simples, ou sistemática ou estratificada de pessoas espalhadas numa
grande área implicaria em muitas viagens, alto custo e muito tempo.
Solução: Tomar, por exemplo, quarteirões da cidade como unidade

primária de amostragem ou conglomerado.
a) Listar os quarteirões;

Estatística - UVB
b) Sortear uma amostra aleatória simples de quarteirões

(números aleatórios);
c) Entrevista-se as residências dos quarteirões selecionados.
Alguns aspectos da representatividade de uma amostra

probabilística:
1. A amostra não deve ter preconceito ou tendência;

2. Cada item da população deve ter uma chance conhecida de
ser selecionado;
3. Seu tamanho deve ser grande o bastante de modo a minimizar
o risco da amostra atípica.

Saraiva, 1998.





Estatística - UVB
Aula 08
Probabilidade
Objetivos da Aula
Desenvolver e fixar os conceitos de probabilidade.
Introdução
A aula 7 nos apresentou as técnicas de amostragem; agora, veremos
os conceitos básicos de Probabilidade. Os fundamentos, aqui
apresentados, são inter-relacionados; para facilitar seu entendimento,
leia este material, detalhadamente, no mínimo duas vezes, antes
de ir para a aula digital. Já na web, trabalhe com a aula impressa
simultaneamente.
Bom aprendizado!
Probabilidade
A maioria dos fenômenos de que trata a estatística são de natureza
aleatória ou probabilística; dessa forma, é importante conhecer os
fundamentos dos cálculos de probabilidades para que se possa
continuar o estudo da estatística indutiva.
Alguns fenômenos são previsíveis, outros não. Em matemática, os

fenômenos previsíveis são aqueles chamados determinísticos. Por
exemplo: se uma pedra for lançada de um prédio e sua velocidade for

Estatística - UVB
medida durante a queda, os resultados serão sempre iguais porque

esse fenômeno obedece às leis da física.
Entretanto, se lançarmos uma moeda comum e observarmos qual face

ficará para cima quando estiver no solo, teremos apenas a certeza de
que metade das chances é de cara e a outra metade de coroa. Aqui,
percebemos que existe a probabilidade de 50% de cara e 50% de
coroa, isso é um fenômeno probabilístico.
A definição clássica de probabilidade é:
Se forem possíveis n eventos mutuamente exclusivos e igualmente

prováveis, se nA desses eventos tem o atributo A, então a probabilidade
de A é dada pela razão nA/n.
Dessa forma, a probabilidade de um evento é o número

real P(A), tal que:
Conceitos Básicos
Experimento Aleatório (E)
Nos experimentos aleatórios, mesmo em condições iniciais sempre

idênticas, os resultados finais de cada vez que o experimento é
efetuado serão diferentes e não previsíveis.
Com exemplo temos:
O lançamento de um dado e a observação do número mostrado na

face de cima;
O lançamento de uma moeda e a observação do número de caras obtido;

Estatística - UVB
Determinação da vida útil de um componente eletrônico.
Freqüência Relativa
Seja o experimento de lançar uma mesma moeda n vezes. Seja m o

número de vezes que ocorre cara, podemos então definir a freqüência
relativa como:
Logo, a definição clássica para a freqüência relativa é:
Freqüência Relativa do evento A é a razão entre o número de vezes

em que ocorreu A (nA) e o número de eventos observados (n).
Numa longa seqüência de repetições de qualquer experimento

aleatório nas mesmas condições, a freqüência relativa aproxima-se de
um número fixo. Esse número é uma estimativa de probabilidade do
evento ocorrer.
Dois axiomas devem ser verdadeiros na freqüência relativa:

A probabilidade de um evento ocorrer é um valor entre 0 e 1.
Se cada evento de um fenômeno aleatório pode ocorrer com
determinada probabilidade, a soma dessas probabilidades é
igual a 1.
Espaço Amostral (S)
Espaço Amostral de um experimento aleatório é o conjunto

dos resultados possíveis do experimento. O Espaço Amostral é
representado pela letra S.
Exemplos:

Estatística - UVB
No caso de lançamento de uma moeda, S={cara, coroa}

No caso de lançamento de um dado comum, S={1, 2, 3, 4, 5, 6}
No caso de lançamento de uma moeda 4 vezes e observação do
número de caras, S={0, 1, 2, 3, 4}
Eventos
Um evento A (relativo a um espaço amostral S, associado a um

experimento E) é um subconjunto do espaço amostral S, dessa forma
o próprio S constitui um evento, assim como o conjunto vazio que
também o pode ser.
Como exemplos podemos citar:

No caso de lançamento de um dado comum, S={1, 2, 3, 4, 5, 6}, se
nos interessa somente a ocorrência de números pares, então o evento
A={2, 4, 6}
No caso de lançamento de uma moeda 4 vezes e observação do

número de caras, S={0, 1, 2, 3, 4}, se nos interessa somente quanto 2
caras ocorrem então A={2}.
Eventos Complementares
São todos os resultados do espaço amostral que não fazem parte do

evento. Se considerarmos p como a probabilidade de que um evento
ocorra (sucesso) e q que ele não ocorra (fracasso), então para um
mesmo evento:
No caso de lançamento de um dado comum, a probabilidade de tirar

o número 5 é de . Logo, a probabilidade não sair o número 5
é de
O evento complementar é representado pelas seguintes simbologias

Estatística - UVB
Eventos Independentes
Dois eventos são independentes quando o resultado de um não tem

dependência do resultado do outro.
Como exemplo, temos o lançamento simultâneo de dois dados;

o resultado do primeiro não tem influência sobre o resultado do
segundo e vice-versa.
Dessa maneira, se dois eventos são independentes, a probabilidade

de que eles realizem-se, simultaneamente, é igual ao produto das
probabilidades de realização dos dois eventos.
Definindo p1 como a probabilidade de realização do primeiro evento

e p2 como a probabilidade do segundo evento, a probabilidade de
que ambos realizem-se, simultaneamente, é dada por:
Exemplo:
No lançamento de 2 dados, a probabilidade de no primeiro dado

obtermos o número 1 é
No segundo dado, a possibilidade de obtemos o número 5 é
Então:
Evento Mutuamente Exclusivo
São eventos que não têm elemento comum ou, então, são aqueles
em que a ocorrência de um deles exclui a ocorrência de outros.
Como exemplo, podemos, novamente, recorrer ao lançamento de uma

moeda, pois ao ocorrer o evento “cara” é excluída, completamente, a

Estatística - UVB
possibilidade de ocorrer o evento coroa, ou vice e versa, assim sendo,

a ocorrência de um impede, completamente, a ocorrência de outro.
Se dois eventos são, mutuamente, exclusivos, a probabilidade de que

um ou outro realize-se é igual à soma da probabilidade de que cada
um deles realize-se, então, o modelo matemático é:
Se lançarmos um dado à probabilidade de obtermos um 4 ou um 6,

então é:
Probabilidade Condicional
Se A e B são dois eventos, a probabilidade de B ocorrer, depois de A

ter acontecido, é definida por: P(B/A)
Nessa probabilidade, a ocorrência de um evento está vinculada à

ocorrência de outro, daí o nome probabilidade condicionada.
Definimos Probabilidade Condicional de A dado que B ocorre (A/B),

como segue: ,se
Lembre-se representa a intersecção, neste caso de A com B.
Evento Composto
Caracteriza-sepelaocorrênciadeambososeventos(AeB),simultaneamente,
ou então pela ocorrência de um ou outro evento (A ou B).
Assim, a representação matemática é:
Lembre-se: representa a união, nesse caso de A com B.

Estatística - UVB
Regras de Probabilidade
As regras da adição e da multiplicação são ,freqüentemente,

usadas na solução dos problemas de probabilidade, entretanto,
devemos notar que para cada tipo de evento há uma regra a ser
aplicada.
Regra da Adição (caso geral):
Regra da Adição para eventos, mutuamente, exclusivos:
Regra da Multiplicação (caso geral):
Regra da Multiplicação para eventos independentes:
Teorema de Bayes e Diagrama de Árvore
Vamos apresentar aqui o conceito do Teorema de Bayes, entretanto,

uma explicação detalhada que irá completar o entendimento e o
Diagrama de Árvore está na aula digital.
Imagine que os eventos A1, A2, A3, A4,... An, são mutuamente
exclusivos, ou seja, quando um ocorre, o outro não pode ocorrer
e nosso espaço amostral S é composto de todos os diversos
eventos
Seja P(A1) a probabilidade conhecida da ocorrência de cada

evento.
Seja B um evento qualquer de S, conhecendo-se todas as

probabilidades condicionais P(B/A1).

Estatística - UVB
Então, o Teorema de Bayes é:
Permutações
Considerando que existam três objetos a serem dispostos sobre

uma mesa, de quantas maneiras isso pode acontecer?
Sendo os objetos a, b e c, então, nossas permutações são abc,

acb, bac, bca, cab, cba, logo, a resposta é 6. Mas como fazer
isso matematicamente? Usando o fatorial. Assim, o número de
permutações de n objetos diferentes é dado por:
Lembrando que para fazer o fatorial basta multiplicar o número

por todos seus antecessores, veja o exemplo para permutar 6
objetos.
Arranjos
E se desejarmos apenas arranjar 3 dentre 6 objetos, por exemplo,

de quantas formas podemos fazê-lo?
Em nosso exemplo n= 6 e r=3, logo:

Estatística - UVB
Combinações
Se estivermos interessados em montar comissões formadas por 3

pessoas dentre um grupo inicial de 8 pessoas, quantas combinações
podem ter, desde que duas comissões sejam a mesma, se forem
constituídas pelas mesmas pessoas, não se levando em conta a ordem
em que sejam escolhidas?
Para responder situações desse tipo, podemos usar o modelo e

combinação:
Veja:
Logo:
Variáveis Aleatórias Unidimensionais
Seja E um experimento e S o espaço amostral associado ao

experimento. Uma função X, que associe a cada elemento s S um
número real, X(s), é denominada variável aleatória, ou ainda uma
variável aleatória é a função que associa a todo evento pertencente a
uma partição do espaço amostral um único número real.

Estatística - UVB
O espaço Rx, que é o conjunto de todos os valores possíveis de X, é

denominado contradomínio.
Exemplo:
E: lançamento simultâneo de duas moedas;

X: número de coroas obtidas nas duas moedas;
S={(c,c), (c,k), (k,c), (k,k)};
c= cara;
k= coroa;
X=0, evento (c,c) de P(x)=1/4;
X=1, evento (c,k) e (k,c) de P(x)=2/4;
X=2, evento (k,k) de P(x)=1/4.
Podemos, então, dizer que:
Variável Aleatória Discreta possui um contradomínio finito ou infinito

numerável; em outras palavras, se o número de valores possíveis de
X (isto é, Rx, o contradomínio) podem ser postos em uma lista como
x1, x2,...,xn. No caso finito, a lista acaba; no caso infinito, continua
indefinidamente.
Variável Aleatória Contínua possui um contradomínio intervalo ou

uma coleção de intervalos, ou seja, X pode tomar todos os valores
de um determinado intervalo; por exemplo, todos os valores x no
intervalo 0 x 1.
O exemplo citado acima (lançamento de 2 moedas) é um caso de

variável aleatória discreta; perceba que o número de resultados, no
contradomínio, é numerável.

Estatística - UVB
Função de Probabilidade
É a função que associa a cada valor assumido pela variável aleatória a

probabilidade do evento correspondente; isso é,
Ou seja, é a probabilidade de que a variável aleatória X assuma o valor x.
Ao conjunto {(xi, p(xi)),i=1,...,n} damos o nome de Distribuição de

Probabilidades da variável aleatória X.
É importante verificar que para que haja uma distribuição de

probabilidades de uma variável X é necessário que:
Veja no exemplo:
Lançam-se 2 dados. Seja X: soma das faces. Determinar a distribuição

de probabilidades de X.
Esperança Matemática
Os parâmetros das distribuições são características numéricas muito

importantes em uma distribuição de probabilidades. O primeiro
parâmetro é a Esperança Matemática de uma variável aleatória, que é
um número real calculado por média aritmética ponderada, conforme

Estatística - UVB
exemplo abaixo.
Suas notações são E(X), (X), e ; adotaremos E(X).
Uma seguradora para $30.000,00 em caso de acidente de carro e

cobra uma taxa de $1.000,00. Sabe-se que a probabilidade de que um
carro sofra acidente é de 3%. Quanto espera a seguradora ganhar por
carro segurado?
Podemos aproximar dizendo que de 100 carros segurados 97 dão lucro

de $1.000,0 e 3 dão prejuízo de $29.000,00 ($30.000,00-1.000,00).
O lucro total = 97*1.000,00 – 3*29.000,00 = $10.000,00

E o lucro médio = $10.000,00/100 = $100,00
Neste exemplo ,a Esperança Matemática é o lucro médio por carro,

então:
Onde:
X1=1.000,00 e p(x1)=0,97
X2=29.000,00 e p(x2)=0,03
Dessa forma, o modelo matemático para a Esperança Matemática é:
Variância
Necessitamos também de uma medida que nos dê o grau de

concentração de probabilidade em torno da média; esse outro
parâmetro de distribuição importante é a Variância, pois aponta a
dispersão ou a concentração das probabilidades em torno da média.

Estatística - UVB
Considerando as distribuições das variáveis aleatórias X e Y, com suas

respectivas médias, faremos a apresentação deste conceito:
Notamos que há grande concentração de probabilidade em X e uma

grande dispersão em Y com relação à média.
Definiremos, agora, variância como:
Então, pela tabela de valores:

Estatística - UVB
Ao observamos novamente os gráficos e os valores de V(X) e V(Y),

concluímos que: Quanto menor a variância, menor a dispersão de
probabilidades em torno da média e vice-versa; quanto maior a
variância, maior o grau de dispersão da probabilidade em torno
da média.
Finalizando, a variância é um quadrado e muitas vezes o resultado

torna-se artificial; contornamos esse problema pelo uso do Desvio
Padrão, que conforme estudado na aula 5, é a raiz quadrada positiva
da variância.

Estatística - UVB
Referência Bibliográfica
CRESPO, Antonio Arnot. Estatística Fácil. São Paulo: Editora Saraiva, 1998.
MAGALHÃES, Marcos Nascimento e LIMA, Antônio Carlos Pedroso de.

Noções de Probabilidade e Estatística. São Paulo: 5a. ed. Editora da

MEYER, Paul L. Probabilidade, Aplicações à Estatística. 2. ed. Rio de

Janeiro: Livros Técnicos e Científicos Editora S.A., 2003.
MORETTIN, Luiz Gonzaga. Estatística Básica - Probabilidade. 3. ed. São

Paulo: Livraria Ciência e Tecnologia Editora, 1983.
SETEVENSON, Willian J. Estatística Aplicada à Administração. São Paulo:

Ed. Harbra, 1981.


Aula 09 Distribuições Amostrais
Objetivos da Aula
Nesta aula, os alunos desenvolverão habilidades e competências

para trabalhar com distribuição de Amostragem Normal e
distribuição de Amostragem Binomial.
Depois de conhecermos alguns aspectos de Probabilidades na aula 8,

vamos nesta aula estudar as Distribuições Amostrais. Veremos que os
estudiosos em estatística já provaram que as variáveis se comportam
seguindo certos padrões que veremos a seguir. Seja bem vindo!
Distribuição de Probabilidades
Imagine o número de acidentes num estacionamento:
Durante um dia, a probabilidade de acontecer acidentes, então é:
Nenhum acidente:
Um acidente:

Dois acidentes:
Três acidentes:
Pode-se então montar a seguinte tabela que representa a Distribuição

de Probabilidades:
A definição, então, é:
Seja X uma variável aleatória que pode assumir os valores x1, x2, x3,
..., xn. A cada valor xi correspondem pontos do espaço amostral.
Associamos, então, a cada valor xi a probabilidade pi de ocorrência
de tais pontos no espaço amostral. Desta forma temos:
Os valores x1, x2, x3, ..., xn e seus correspondentes p1, p2, p3, ..., pn
definem uma distribuição de probabilidade.
Distribuições Amostrais
Ao retirarmos uma amostra aleatória de uma população e calcularmos a
partir desta amostra qualquer quantidade, encontramos a estatística,
ou seja, chamaremos os valores calculados em função dos elementos
da amostra de estatísticas.
As estatísticas, sendo variáveis aleatórias, terão alguma

distribuição de probabilidade, com uma média, uma variância,
etc. A distribuição de probabilidade de uma estatística chama-

se comumente distribuição amostral.
Distribuições Amostrais Probabilísticas

Distribuição Amostral da Média, ou Distribuição Amostral de
Sendo a população infinita ou a amostragem feita com reposição,

resulta que os diversos valores da amostra podem ser considerados
como valores de variáveis aleatórias independentes, com a mesma
distribuição de probabilidade da população, portanto, com a mesma
média da população e a mesma variância da população. 1
Matematicamente, podemos provar que a média em torno da

qual devem variar os possíveis valores da estatística é a própria
média da população. Este resultado também é extensivo ao caso
de amostragem sem reposição de populações finitas.
Distribuição Amostral de - população normal
1 Neste capítulo, usamos para a média populacional, contrastando com a média amostral . Da
mesma forma, designará a variância populacional (e o desvio-padrão populacional), ao passo
que designa a variância amostral (e o desvio-padrão amostral)

Se a população não for distribuída de forma normal, mas o tamanho

da amostra for suficientemente grande (maior ou igual a 30
elementos, segundo Spiegel), teremos a distribuição amostral de
será aproximadamente normal.
Distribuição Amostral de população não normal e amostra

suficientemente grande
Os tipos de Distribuição Probabilística

Existem diversas formas de comportamento para a Distribuição de
Probabilidades; vamos apenas citar as mais encontradas e detalhar as
duas mais comuns:
Para Variáveis Aleatórias Contínuas, temos:

Distribuição Normal
Distribuição Exponencial
Distribuição Gama
Distribuição Qui-quadrado
Distribuição t de Student

Para Variáveis Aleatórias Discretas, temos:

Distribuição Binomial
Distribuição de Poisson (lê-se “poassôm”)
Distribuição Geométrica
Distribuição de Pascal
Distribuição Hipergeométrica
Distribuição Multinomial
A Distribuição Normal
A distribuição Normal é, talvez, a mais importante das distribuições
de probabilidade. Erros de mensuração de fenômenos físicos ou
econômicos são freqüentemente modelados pela distribuição
Normal; mas esta não é a única aplicação desta densidade.
Por exemplo, a distribuição dos pesos, alturas e QI’s das pessoas

numa população também já foram modelados com sucesso por esta
distribuição. A distribuição Normal tem a forma de um sino.
A distribuição Normal é também chamada de Gaussiana em

homenagem ao matemático Carl Friederich Gauss (1777 - 1855), que a
utilizou pela primeira vez na modelagem de erros de medida.
A distribuição Normal também funciona como uma boa aproximação

para outras densidades. Por exemplo, sob algumas condições pode-
se provar que a densidade Binomial (que estudaremos) pode ser
aproximada pela Normal.
Graficamente a apresentação da curva da distribuição Normal é:

Para a perfeita compreensão da distribuição Normal, observe a

gráfico anterior e visualize as seguintes propriedades:
A variável aleatória X pode assumir todo e qualquer
valor real.
A curva em forma de sino, simétrica em torno da média ( ).
A área total limitada pela curva e pelo eixo das abscissas é
igual a 1, já que essa área corresponde à probabilidade de a
variável aleatória X assumir qualquer valor real.
A curva normal é assintótica em ralação ao eixo das abscissas,
isto é, aproxima-se indefinidamente do eixo das abscissas
sem, contudo, alcançá-lo.
Como a curva é simétrica em torno de , a probabilidade de
ocorrer maior valor que a média é igual à probabilidade de
ocorrer valor menor que a média, isto é, as probabilidades
são iguais a 0,5. Escrevemos
A distribuição Normal é dada pela equação:

Se conhecemos (média) e (desvio padrão), de um fenômeno

e desejamos encontrar a probabilidade de uma variável aleatória
ocorrer podemos, efetuando uma integração, solucionar o
problema, entretanto, devido à dificuldade de integração de f(x)
desenvolveu-se uma simplificação para aplicações práticas, que
é chamada e de Distribuição Normal Padronizada.
Com a Distribuição Normal Padronizada, devemos aceitar que, se

X é uma variável aleatória com distribuição normal e desvio
padrão s, passamos a trabalhar com a nova variável z que é dada
pela fórmula:
Desta forma, desenvolveu-se também a Tabela para a Distribuição

Normal - integral compreendida entre 0 e z, veremos na aula
digital como usar esta tabela.
Tabela para a Distribuição Normal Padronizada

integral compreendida entre 0 e z

A Distribuição Binomial
Vamos imaginar um experimento aleatório que tenha as seguintes
características:
O experimento dever repetido nas mesmas condições, um

número finito de vezes, ou seja, considerar n tentativas;
As provas repetidas devem ser independentes, isto é, o
resultado de uma não deve afetar os resultados das demais;
Cada tentativa admite apenas dois resultados: fracasso e
sucesso, com as mesmas probabilidades de ocorrer;
No decorrer do experimento, a probabilidade p do
sucesso e probabilidade q (q=1-p) do insucesso manter-
se-ão constantes.
Com a distribuição binomial poderemos determinar a probabilidade

de se obter k sucessos em n tentativas.
A função para tal é:

Onde:
P(X=k) é a probabilidade de que o evento se realize k vezes em n

provas;
p é a probabilidade de que o evento se realize em uma só prova
(sucesso);
q é a probabilidade de que o evento não se realize no decurso dessa
prova (insucesso);
é o coeficiente binomial de n sobre k, igual a
É importante lembrar que o sinal ! representa a função fatorial, logo 5!

é igual a 5*4*3*2*1 = 120.
Finalizando, o nome binomial vem do fato de fato de

ser o termo geral do desenvolvimento do binômio de Newton.
Bibliografia:


Ed. Harbra, 1981.
MAGALHÃES, Marcos Nascimento e LIMA, Antonio Carlos Pedroso de.


SPIEGEL, Murray R. Estatística. São Paulo: Editora McGraw-Hill, 1952.

Aula 10
Estimação e Intervalo de
Confiança
Objetivos da Aula
Fixação dos conceitos de Estimação;

Utilização das tabelas de Distribuição Normal e t de Student
Introdução
Freqüentemente necessitamos, por meio das amostras, conhecer
informações gerais da população.
Já sabemos que a estatística indutiva é a ferramenta que vai nos

auxiliar neste processo, ou seja, vai nos permitir tirar conclusões
probabilísticas sobre aspectos das populações, com base na
observação de amostras extraídas dessas populações.
Estimação
A estimação é o processo que consiste no uso de dados da
amostra (dados amostrais) para estimar valores de parâmetros
populacionais desconhecidos, tais como média, desvio padrão,
proporções etc.

Estimativas Pontuais e Intervalares

Os dois tipos clássicos de estimação são as estimativas pontuais e as
intervalares.
Neste momento é importante definirmos dois conceitos:

Chamamos de estimador a quantidade calculada em função
dos elementos da amostra, que será usada no processo de
estimação do parâmetro desejado. O estimador é, como
vemos, uma estatística. Será, portanto, uma variável aleatória
caracterizada por uma distribuição de probabilidade e seus
respectivos parâmetros próprios.
Chamaremos de estimativa a cada valor particular assumido
por um estimador.
Estimativa Pontual
É quando fazemos uma única estimativa (um valor) para um
determinado parâmetro populacional. Vejamos os exemplos:

Estimativa Intervalar
É quando fazemos uma estimativa de um intervalo de valores possíveis,
no qual se admite esteja o parâmetro populacional.
Neste tipo de estimativa temos um intervalo de valores em torno do

parâmetro amostral, no qual julgamos, com um risco conhecido de
erro, estar o parâmetro da população. A esse intervalo chamamos
intervalo de confiança.
Estimativa de Médias de uma População

Para efetuar a Estimativa de Médias de uma População utiliza-se
desvio padrão da distribuição que constitui a amostra (distribuição
amostral), deve-se levar em consideração se o desvio padrão da
população é ou não conhecido.
Para desvio padrão populacional conhecido temos:
Estimativa Pontual da Média
Estimativa Intervalar da média

Assim teremos a estimativa intervalar:
Salientamos que a estimativa intervalar da média populacional

baseia-se na hipótese de que a distribuição das médias amostrais é
normal, daí usarmos a nova variável z. Para grandes amostras (quando
n é maior que 30) esta premissa é garantida pelo Teorema do Limite
Central, que não estudaremos.
Para amostras de 30 ou menos elementos, é importante saber que

a população submetida à amostragem tem distribuição normal ou
aproximadamente normal.
Exemplo:
Considerando que uma amostra de cem elementos extraída de uma

população aproximadamente normal, cujo desvio padrão é igual a 2,
forneceu média de 35,6 ( ), construir intervalos de confiança de 90%,
95% e 99% para a média dessa população.
Vejamos como determinar z:
Ao observarmos a representação da distribuição normal reduzida

abaixo, sabemos que toda a área compreendida entre a curva e sua
base tem valor 1. Logo, a parte em cor amarela tem valor 0,5.

Em nossa aula anterior calculávamos z e então encontrávamos a área

correspondente e, assim, a probabilidade desejada. Agora a ação
será inversa. Desejamos, em nosso exemplo acima, para seu primeiro
intervalo 90% de confiança, então fazemos:
Conhecendo a área que nos dá 90% de confiança no resultado, vamos

até a Tabela para a Distribuição Normal Padronizada e encontramos
o valor mais próximo de 0,45, que é 0,4494974. Para este valor temos
(considerando a linha e a coluna) z = 1,64
Podemos representar da seguinte forma:

Erro admitido num intervalo (erro de estimação)

É a diferença entre a média da amostra e a verdadeira média
da população.
Como o intervalo de confiança tem centro na média da amostra, o

erro máximo provável que está sendo admitido é igual à metade da
amplitude do intervalo.
O erro de estimação pode ser descrito pela relação:
Percebemos que quando aumentamos este erro potencial

aumenta. Podemos concluir também que maiores amostras (aumenta
n) possuem um potencial de erro menor.
No caso do desvio padrão populacional desconhecido que é

habitualmente a situação mais comum, teremos o mesmo raciocínio.
Entretanto, em nossa avaliação inicial devemos verificar o tamanho da

amostra (n), se:
Quando usamos a distribuição normal
Quando usamos a distribuição t de Student
Assim nos intervalos termos:

Distribuição t de Student
Para pequenas amostras a distribuição normal apresenta valores
menos precisos, o que nos leva a utilizar um modelo melhor. Por
isso iremos conhecer a distribuição t de Student.
A principal diferença entre a distribuição normal e a t de Student

é que esta tem mais área nas caudas.
Existe um valor de t para cada tamanho de amostra, sendo que

à medida que a amostra (n) cresce, a distribuição t de Student se
aproxima da distribuição normal.
Para calcular o valor de t a ser usado é necessário ter:
Um nível de confiança desejado:
Qual o número de graus de liberdade a ser utilizado:
Por exemplo:
Sabendo-se que uma amostra tem 25 elementos, que a sua média 150
e desvio padrão igual a 10. Represente um intervalo de confiança em
nível de 90%.
Como a amostra é menor que 30 elementos, então iremos usar a

distribuição t de Student. Se desejamos um intervalo de confiança de
90%, temos:

Para trabalharmos com a tabela, encontramos o número de graus de

liberdade, que é: (n-1), logo (25-1)=24.
O nível de confiança desejado é
Conhecendo o número de graus de liberdade e o nível de

confiança desejado vamos a tabela e encontramos o valor t, neste
caso igual a 1,7109.

Determinação do Tamanho da Amostra

O tamanho da amostra depende de 3 fatores, conforme abaixo:
O grau de confiança desejado (z);
Quantidade de dispersão entre os valores individuais da
população ( );
Erro tolerável ou admitido (e).
Sendo a fórmula para encontrarmos o tamanho da amostra:
Por exemplo:
Qual o tamanho de amostra necessária para se estimar a média de

uma população infinita cujo desvio padrão é igual a 4, com 98% de
confiança e erro de 0,5?
Lembramos que z foi retirado da tabela normal. Logo, precisamos de

uma amostra com 348 elementos.

Bibliografia
CRESPO, Antonio Arnot. Estatística Fácil. São Paulo : Editora
Saraiva, 1998.
MAGALHÃES, Marcos Nascimento e LIMA, Antonio Carlos Pedroso de.



SPIEGEL, Murray R. Estatística. São Paulo: Editora McGraw-Hill, 1952.

Ed. Harbra, 1981.

Estatística- UVB
Aula 11
Teste de Hipóteses
Objetivo da Aula:
• Fixar os conceitos de Teste de Hipóteses;

• Apresentar exemplos de exercício resolvido com a aplicação
dos conceitos.
Introdução
Nesta aula, veremos que para um determinado aspecto da população
e, inversamente aos problemas de estimação, vamos considerar que
existe uma hipótese que será válida até que se prove o contrário. Logo,
esta hipótese será testada com base nos resultados amostrais, sendo
aceita ou rejeitada
Teste de Hipóteses
Para começarmos, devemos ter claramente dois aspectos em mente:
• Hipótese existente, ou hipótese a ser testada – H0

• Hipótese alternativa – H1
Ao efetuarmos o teste das hipóteses, podemos tomar decisões certas

ou erradas ao aceitar ou rejeitar a hipótese testada. Se representarmos
isso numa tabela, temos:

Estatística- UVB
Realidade
H0 verdadeira H0 falsa
Aceitar H0 Decisão correta Erro do tipo II
(1 - α) (β)
Decisão
Rejeitar H0 Erro do tipo I Decisão correta
(α) (1 - β)
O temos que perceber acima é:
Quando a decisão é aceitar H0 e na realidade H0 é verdadeira, então

nossa decisão foi correta.
Quando a decisão é rejeitar H0 e na realidade H0 é falsa, então nossa

decisão foi correta.
Mas,
Quando a decisão é aceitar H0 e na realidade H0 é falsa, então nossa

decisão foi um erro, convencionalmente chamado erro do tipo II.
Quando a decisão é rejeitar H0 e na realidade H0 é verdadeira, então

nossa decisão um foi um erro, convencionalmente chamado erro do
tipo I.
Note que só podemos cometer o erro do tipo I se H0 for verdadeira e

o erro do tipo II se H0 for falsa.
Graficamente, podemos representar as regiões de aceitação em

rejeição da seguinte forma:

Estatística- UVB
Aceita H0
Rejeita H0
α�
Valor Crítico
Acima, temos o que é chamado de teste monocaudal ou unilateral,

pois a hipótese H1 admitia um único sentido para as possibilidades do
parâmetro testado com alternativa a H0.
As alternativas para H1 podem ser:
• Bilateral
α� α�
2 2
• Unilateral direito
α�
• Unilateral esquerdo
α�

Estatística- UVB
Uma importante observação faz-se quanto a aceitação ou rejeição de

lotes, quando tratamos da aplicação prática deste conceito, o risco do
produtor e o risco do consumidor.
O risco do produtor é aquele devido à possibilidade de erro do tipo I,

ou seja, quando um lote bom é rejeitado.
O risco do consumidor é aquele devido à possibilidade de erro do tipo

II, ou seja, quando um lote ruim é aceito.
Estrutura do Teste de Hipóteses

Para executarmos o teste de hipóteses, podemos estabelecer alguns
passos, sendo:
1. Formulação de H0 e H1;
2. Escolha de uma distribuição amostral adequada;
3. Escolha de um nível de significância e definição da região
crítica;
4. Cálculo de uma estatística de teste;
5. Comparação do valor teste com a região crítica;
6. Rejeitar H0 se o valor teste excede a região crítica ou aceitar
em caso contrário.
Até aqui, vimos como identificar H0 e H1 e já estudamos e sabemos

quando usar a distribuição normal ou a t de Student.
Então, vamos ver os passos seguintes.
Nível de Significância e Região Crítica

A probabilidade α do erro tipo I é denominada nível de significância
do teste. O nível de significância indica qual a probabilidade de erro do

Estatística- UVB
tipo I estamos dispostos a aceitar; na prática, observa-se que usa-se α

é igual a 1% ou 5%, ou seja, a disposição de aceitar uma probabilidade
de erro tipo I de 1% ou 5%.
Dessa forma pela distribuição normal, quando α = 1%, temos z=2,58

e quando = 5%, temos z=1,64. Dessa maneira para 1% de nível de
significância e considerando a distribuição normal, temos a região
crítica igual a 2,58 e, de forma semelhante, para 5% temos 1,64.
Estatística de Teste
A Estatística de Teste é o cálculo do coeficiente “z” que, então no passo
5 será comparado com a região crítica.
Existem duas situações para o cálculo da estatística de teste:
1. Quando o desvio padrão da população é conhecido;
x−µ
zteste =
σ
onde:
n
Ζ = estatística de teste
х- = média obtida na amostra
µ = média da população
s = desvio padrão da população
n = número de elementos na amostra
2. Quando o desvio padrão da população não é conhecido;
Neste caso, como desconhecemos s ,iremos trabalhar com s, que é

o desvio padrão da amostra; e também com t quando a amostra for

Estatística- UVB
menor igual a 30, pois, usaremos a distribuição t de Student.
x − µ0
tteste =
s
n
onde:
Ζ = estatística de teste
х- = média obtida na amostra
µ0 = média esperada da população
S = desvio padrão da população
n = número de elementos na amostra
A comparação entre o valor teste e a região crítica é direta e a veremos

em exemplo na aula digital.
Os passos 5 e 6 serão demonstrados diretamente em exercícios

resolvidos na aula digital.
Costa Neto, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo: Editora
Mandim, Daniel. Estatística Descomplicada. 10. ed. Brasília: Vestcon


Estatística - UVB
Aula 12
Testes Não-Paramétricos
Objetivos da Aula
Fixação dos conceitos dos Testes Não-Paramétricos;

Apresentar exemplos solucionados com a aplicação dos conceitos
Introdução
Em nossa aula anterior vimos como podemos testar hipóteses
relacionadas a parâmetros conhecidos, desta forma estes testes então
são chamados paramétricos. Nesta aula veremos os testes que se
referem a outros aspectos, então chamados não paramétricos.
Teste do Qui-Quadrado
Este teste é utilizado para comparação entre as freqüências esperadas
e observadas, segundo um modelo probabilístico qualquer.
Uma medida da discrepância entre as freqüências esperadas e

observadas é dada por:

Estatística - UVB
A expressão acima fornece sempre um valor positivo, e pode-se

demonstrar que .Onde é uma distribuição Qui-Quadrado
com v graus de liberdade.
A estatística pode ser utilizada tanto para verificar a aderência das

freqüências observadas a um modelo, (teste qui-quadrado de
aderência), como para verificar a independência entre duas variáveis,
ambos os casos veremos abaixo.
Teste de Aderência pelo Qui-Quadrado

No teste de aderência pelo Qui-Quadrado, a hipótese se refere
ao modelo adotado em relação à forma real da distribuição da
população. Então neste caso testamos se a distribuição da variável
de interesse comporta-se conforme a distribuição que adotamos,
assim, verificamos uma boa ou má aderência dos dados da amostra
ao modelo escolhido.
Neste teste também é usado:
H0 – a hipótese é verdadeira
H1 – a hipótese é falsa
O número de graus de liberdade é dado por:
onde:
k - é o número de classes;
m - é o número de parâmetros estimados para se obter as
freqüências esperadas.
O teste Qui-Quadrado é unilateral, sendo que a hipótese H0 será

rejeitada se , lembrando que é o valor calculado para a
distribuição Qui-quadrado, ou ;e é o valor conforme tabela

Estatística - UVB
de distribuição Qui-Quadrado, também chamado de , que segue

abaixo. Isto é razoável, pois, se o modelo testado estiver longe
da realidade, as freqüências observadas irão diferir bastante das
esperadas, e a variável de teste tenderá a crescer.
Teste de Aderência pelo Método de Kolmogorov-

Smirnov
Kolmogorov e Smirnov desenvolveram um método, para testar a
aderência entre o modelo escolhido e o real. Neste teste a variável
de teste é a maior diferença observada entre a função de distribuição
acumulada e a da amostra.
O teste consta da verificação do valor d:
Se d for maior que o valor crítico, rejeita-se H0. A tabela de valores

críticos segue abaixo:

Estatística - UVB
Na aula web veremos um exercício completo que facilitará

o entendimento.
Teste de Independência
O teste x 2 de independência é aplicado a tabelas de
contingência, as quais são construídas no intuito de estudar
a relação entre duas variáveis categóricas.
Com as tabelas de contingência, conseguimos de uma

maneira conveniente fazer a descrição dos dados da
amostra quando temos duas ou mais variáveis qualitativas
a considerar.
Vamos considerar o exemplo de uma pesquisa de opinião

relativa a um projeto de lei, efetuada junto a 100 pessoas,
com os resultados apresentados abaixo :
O que desejamos saber é se as variáveis qualitativas envolvidas são ou

não são independentes, dessa forma nossas hipóteses são:

Estatística - UVB
H0 – as variáveis são independentes

H1 – as variáveis não são independentes, ou seja, apresentam algum
grau de associação entre si.
Executaremos o teste usando a estatística do Qui-Quadrado:
Onde:
Foij é a freqüência observada
Feij é a freqüência esperada
O cálculo da freqüência esperada é dado por:
O número de graus de liberdade é dado por:
Onde p é o número de parâmetros estimados.
O cálculo da freqüência estimada então:
O número de graus de liberdade então deve ser calculado:

Estatística - UVB
Lembramos que h equivale a linhas e k a colunas, e neste caso p=0,

pois não há parâmetro estimado.
Bibliografia


Estatística - UVB
Aula 13
Comparação de Várias Médias
Objetivos da Aula
Fixação dos conceitos para Comparação de Várias Médias;

Apresentar exemplo solucionado com a aplicação dos conceitos.
Apresentar exercício que deverá ser solucionado pelo aluno.
Introdução
Já vimos como testarmos hipóteses paramétricas e não paramétricas.
Hoje, veremos a Comparação de Várias Médias e usaremos a principal
e mais importante técnica para esse fim, que é a Análise da Variância.
Análise da Variância
A análise da variância é um método suficientemente poderoso
para poder identificar diferenças entre as médias populacionais
devidas a várias causas, atuando simultaneamente sobre os
elementos da população.
A análise da variância então, permite fazer comparações entre três

ou mais médias amostrais. Este teste produz uma estatística ou
razão F, cujo numerador representa a variação entre os grupos,
e cujo denominador contém uma estimativa da variação dentro
dos grupos.

Estatística - UVB
Existem condições básicas que devem ser consideradas para se efetuar

uma análise da variância:
As amostras devem ser aleatórias e independentes;

As amostras devem ser extraídas de populações que sigam o
modelo de uma distribuição normal;
As populações devem ter variâncias semelhantes.
Existem três aspectos que podemos resumir abaixo e nos apresentam

detalhadamente a lógica da análise da variância:
1.Variação Total
A variação total é composta por duas outras variações já citadas acima,

a variação dentro dos grupos e a variação entre os grupos. Abaixo,
segue um detalhamento destas variações.
1.1.Variação Dentro dos Grupos
x1 x1 x2 x2 x3 x3

Estatística - UVB
Na figura, podemos observar que existe uma variação entre o valor

médio do grupo e os valores individuais.
1.2.Variação entre os grupos
x1 x2 x3
A variação entre os grupos fica bastante clara na diferença entre os

valores médios de cada grupo entre si.
2.Razão F
A razão F é a razão compreendida pela Variação Entre os Grupos

dividida pela Variação Dentro dos Grupos.
Quanto maior for F, maior a probabilidade de rejeição da

hipótese nula.
3.Soma de Quadrados
Dentro da análise da variância, usamos as notações abaixo para

representar as diversas somas de quadrados, veja:
STQ – é a Soma Total de Quadrados ou variação total;

SQE – é a Soma de Quadrados Entre Grupos ou variação entre

Estatística - UVB
tratamentos;
SQD – é a Soma de Quadrados Dentro dos Grupos ou variação dentro

dos tratamentos.
De fato, temos que:
F
V
De
Onde:
SQE - soma dos quadrados entre amostras;

SQD - soma dos quadrados dentro das amostras;
STQ - soma total dos quadrados;
k - número de grupos de amostras;
h - número de elementos em cada grupo de amostra;
Ti - soma dos valores da i-ésima amostra;
T - soma total dos valores;
Qi - soma dos quadrados dos valores da i-ésima amostra;
Q - soma total dos quadrados dos valores das amostras;
S2E - quadrado médio entre as amostras;
S2d - quadrado médio dentro das amostras;
Fteste - razão ou estatística de teste;
Ftabela - razão ou estatística da tabela;
A comparação entre o Fteste e o Ftabela nos permitirá saber se a Hipótese

H0 deve ser aceita ou rejeitada.
A tabela da Distribuição F segue abaixo para significância de 5% e 1%.

Perceba que a tabela é unilateral à direita. A Distribuição F também

Estatística - UVB
é conhecida como Distribuição F de Snedecor ou ainda Distribuição

Fisher Snedecor.
0,01
0,05

Estatística - UVB
Limites unilaterais da distribuição F com 1% de significância

V1
V2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 40 60 120 240
1 4052.2 4999.3 5403.5 5624.3 5764.0 5859.0 5928.3 5981.0 6022.4 6055.9 6083.4 6106.7 6125.8 6143.0 6157.0 6208.7 6286.4 6313.0 6339.5 6352.6
2 98.502 99.000 99.164 99.251 99.302 99.331 99.357 99.375 99.390 99.397 99.408 99.419 99.422 99.426 99.433 99.448 99.477 99.484 99.491 99.495
3 34.116 30.816 29.457 28.710 28.237 27.911 27.671 27.489 27.345 27.228 27.132 27.052 26.983 26.924 26.872 26.690 26.411 26.316 26.221 26.173
4 21.198 18.000 16.694 15.977 15.522 15.207 14.976 14.799 14.659 14.546 14.452 14.374 14.306 14.249 14.198 14.019 13.745 13.652 13.558 13.511
5 16.258 13.274 12.060 11.392 10.967 10.672 10.456 10.289 10.158 10.051 9.963 9.888 9.825 9.770 9.722 9.553 9.291 9.202 9.112 9.066
6 13.745 10.925 9.780 9.148 8.746 8.466 8.260 8.102 7.976 7.874 7.790 7.718 7.657 7.605 7.559 7.396 7.143 7.057 6.969 6.925
7 12.246 9.547 8.451 7.847 7.460 7.191 6.993 6.840 6.719 6.620 6.538 6.469 6.410 6.359 6.314 6.155 5.908 5.824 5.737 5.694
8 11.259 8.649 7.591 7.006 6.632 6.371 6.178 6.029 5.911 5.814 5.734 5.667 5.609 5.559 5.515 5.359 5.116 5.032 4.946 4.903
9 10.562 8.022 6.992 6.422 6.057 5.802 5.613 5.467 5.351 5.257 5.178 5.111 5.055 5.005 4.962 4.808 4.567 4.483 4.398 4.354
10 10.044 7.559 6.552 5.994 5.636 5.386 5.200 5.057 4.942 4.849 4.772 4.706 4.650 4.601 4.558 4.405 4.165 4.082 3.996 3.953
11 9.646 7.206 6.217 5.668 5.316 5.069 4.886 4.744 4.632 4.539 4.462 4.397 4.342 4.293 4.251 4.099 3.860 3.776 3.690 3.647
12 9.330 6.927 5.953 5.412 5.064 4.821 4.640 4.499 4.388 4.296 4.220 4.155 4.100 4.052 4.010 3.858 3.619 3.535 3.449 3.405
13 9.074 6.701 5.739 5.205 4.862 4.620 4.441 4.302 4.191 4.100 4.025 3.960 3.905 3.857 3.815 3.665 3.425 3.341 3.255 3.210
14 8.862 6.515 5.564 5.035 4.695 4.456 4.278 4.140 4.030 3.939 3.864 3.800 3.745 3.698 3.656 3.505 3.266 3.181 3.094 3.050
15 8.683 6.359 5.417 4.893 4.556 4.318 4.142 4.004 3.895 3.805 3.730 3.666 3.612 3.564 3.522 3.372 3.132 3.047 2.959 2.914
16 8.531 6.226 5.292 4.773 4.437 4.202 4.026 3.890 3.780 3.691 3.616 3.553 3.498 3.451 3.409 3.259 3.018 2.933 2.845 2.799
17 8.400 6.112 5.185 4.669 4.336 4.101 3.927 3.791 3.682 3.593 3.518 3.455 3.401 3.353 3.312 3.162 2.920 2.835 2.746 2.700
18 8.285 6.013 5.092 4.579 4.248 4.015 3.841 3.705 3.597 3.508 3.434 3.371 3.316 3.269 3.227 3.077 2.835 2.749 2.660 2.613
19 8.185 5.926 5.010 4.500 4.171 3.939 3.765 3.631 3.523 3.434 3.360 3.297 3.242 3.195 3.153 3.003 2.761 2.674 2.584 2.537
20 8.096 5.849 4.938 4.431 4.103 3.871 3.699 3.564 3.457 3.368 3.294 3.231 3.177 3.130 3.088 2.938 2.695 2.608 2.517 2.470
21 8.017 5.780 4.874 4.369 4.042 3.812 3.640 3.506 3.398 3.310 3.236 3.173 3.119 3.072 3.030 2.880 2.636 2.548 2.457 2.409
22 7.945 5.719 4.817 4.313 3.988 3.758 3.587 3.453 3.346 3.258 3.184 3.121 3.067 3.019 2.978 2.827 2.583 2.495 2.403 2.355
23 7.881 5.664 4.765 4.264 3.939 3.710 3.539 3.406 3.299 3.211 3.137 3.074 3.020 2.973 2.931 2.780 2.536 2.447 2.354 2.306
24 7.823 5.614 4.718 4.218 3.895 3.667 3.496 3.363 3.256 3.168 3.094 3.032 2.977 2.930 2.889 2.738 2.492 2.403 2.310 2.261
25 7.770 5.568 4.675 4.177 3.855 3.627 3.457 3.324 3.217 3.129 3.056 2.993 2.939 2.892 2.850 2.699 2.453 2.364 2.270 2.220
26 7.721 5.526 4.637 4.140 3.818 3.591 3.421 3.288 3.182 3.094 3.021 2.958 2.904 2.857 2.815 2.664 2.417 2.327 2.233 2.183
27 7.677 5.488 4.601 4.106 3.785 3.558 3.388 3.256 3.149 3.062 2.988 2.926 2.872 2.824 2.783 2.632 2.384 2.294 2.198 2.148
28 7.636 5.453 4.568 4.074 3.754 3.528 3.358 3.226 3.120 3.032 2.959 2.896 2.842 2.795 2.753 2.602 2.354 2.263 2.167 2.117
29 7.598 5.420 4.538 4.045 3.725 3.499 3.330 3.198 3.092 3.005 2.931 2.868 2.814 2.767 2.726 2.574 2.325 2.234 2.138 2.087
30 7.562 5.390 4.510 4.018 3.699 3.473 3.305 3.173 3.067 2.979 2.906 2.843 2.789 2.742 2.700 2.549 2.299 2.208 2.111 2.060
40 7.314 5.178 4.313 3.828 3.514 3.291 3.124 2.993 2.888 2.801 2.727 2.665 2.611 2.563 2.522 2.369 2.114 2.019 1.917 1.862
50 7.171 5.057 4.199 3.720 3.408 3.186 3.020 2.890 2.785 2.698 2.625 2.563 2.508 2.461 2.419 2.265 2.007 1.909 1.803 1.745
60 7.077 4.977 4.126 3.649 3.339 3.119 2.953 2.823 2.718 2.632 2.559 2.496 2.442 2.394 2.352 2.198 1.936 1.836 1.726 1.666
80 6.963 4.881 4.036 3.563 3.255 3.036 2.871 2.742 2.637 2.551 2.478 2.415 2.361 2.313 2.271 2.115 1.849 1.746 1.630 1.566
100 6.895 4.824 3.984 3.513 3.206 2.988 2.823 2.694 2.590 2.503 2.430 2.368 2.313 2.265 2.223 2.067 1.797 1.692 1.572 1.504
120 6.851 4.787 3.949 3.480 3.174 2.956 2.792 2.663 2.559 2.472 2.399 2.336 2.282 2.234 2.191 2.035 1.763 1.656 1.533 1.462
240 6.742 4.695 3.864 3.398 3.094 2.878 2.714 2.586 2.482 2.395 2.322 2.260 2.205 2.157 2.114 1.956 1.677 1.565 1.432 1.351

Estatística - UVB
Limites unilaterais da distribuição F com 5% de significância

V1
V2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 40 60 120 240
1 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5 241.9 243.0 243.9 244.7 245.4 245.9 248.0 251.1 252.2 253.3 253.8
2 18.513 19.000 19.164 19.247 19.296 19.329 19.353 19.371 19.385 19.396 19.405 19.412 19.419 19.424 19.429 19.446 19.471 19.479 19.487 19.492
3 10.128 9.552 9.277 9.117 9.013 8.941 8.887 8.845 8.812 8.785 8.763 8.745 8.729 8.715 8.703 8.660 8.594 8.572 8.549 8.538
4 7.709 6.944 6.591 6.388 6.256 6.163 6.094 6.041 5.999 5.964 5.936 5.912 5.891 5.873 5.858 5.803 5.717 5.688 5.658 5.643
5 6.608 5.786 5.409 5.192 5.050 4.950 4.876 4.818 4.772 4.735 4.704 4.678 4.655 4.636 4.619 4.558 4.464 4.431 4.398 4.382
6 5.987 5.143 4.757 4.534 4.387 4.284 4.207 4.147 4.099 4.060 4.027 4.000 3.976 3.956 3.938 3.874 3.774 3.740 3.705 3.687
7 5.591 4.737 4.347 4.120 3.972 3.866 3.787 3.726 3.677 3.637 3.603 3.575 3.550 3.529 3.511 3.445 3.340 3.304 3.267 3.249
8 5.318 4.459 4.066 3.838 3.688 3.581 3.500 3.438 3.388 3.347 3.313 3.284 3.259 3.237 3.218 3.150 3.043 3.005 2.967 2.947
9 5.117 4.256 3.863 3.633 3.482 3.374 3.293 3.230 3.179 3.137 3.102 3.073 3.048 3.025 3.006 2.936 2.826 2.787 2.748 2.727
10 4.965 4.103 3.708 3.478 3.326 3.217 3.135 3.072 3.020 2.978 2.943 2.913 2.887 2.865 2.845 2.774 2.661 2.621 2.580 2.559
11 4.844 3.982 3.587 3.357 3.204 3.095 3.012 2.948 2.896 2.854 2.818 2.788 2.761 2.739 2.719 2.646 2.531 2.490 2.448 2.426
12 4.747 3.885 3.490 3.259 3.106 2.996 2.913 2.849 2.796 2.753 2.717 2.687 2.660 2.637 2.617 2.544 2.426 2.384 2.341 2.319
13 4.667 3.806 3.411 3.179 3.025 2.915 2.832 2.767 2.714 2.671 2.635 2.604 2.577 2.554 2.533 2.459 2.339 2.297 2.252 2.230
14 4.600 3.739 3.344 3.112 2.958 2.848 2.764 2.699 2.646 2.602 2.565 2.534 2.507 2.484 2.463 2.388 2.266 2.223 2.178 2.155
15 4.543 3.682 3.287 3.056 2.901 2.790 2.707 2.641 2.588 2.544 2.507 2.475 2.448 2.424 2.403 2.328 2.204 2.160 2.114 2.090
16 4.494 3.634 3.239 3.007 2.852 2.741 2.657 2.591 2.538 2.494 2.456 2.425 2.397 2.373 2.352 2.276 2.151 2.106 2.059 2.035
17 4.451 3.592 3.197 2.965 2.810 2.699 2.614 2.548 2.494 2.450 2.413 2.381 2.353 2.329 2.308 2.230 2.104 2.058 2.011 1.986
18 4.414 3.555 3.160 2.928 2.773 2.661 2.577 2.510 2.456 2.412 2.374 2.342 2.314 2.290 2.269 2.191 2.063 2.017 1.968 1.943
19 4.381 3.522 3.127 2.895 2.740 2.628 2.544 2.477 2.423 2.378 2.340 2.308 2.280 2.256 2.234 2.155 2.026 1.980 1.930 1.905
20 4.351 3.493 3.098 2.866 2.711 2.599 2.514 2.447 2.393 2.348 2.310 2.278 2.250 2.225 2.203 2.124 1.994 1.946 1.896 1.870
21 4.325 3.467 3.072 2.840 2.685 2.573 2.488 2.420 2.366 2.321 2.283 2.250 2.222 2.197 2.176 2.096 1.965 1.916 1.866 1.839
22 4.301 3.443 3.049 2.817 2.661 2.549 2.464 2.397 2.342 2.297 2.259 2.226 2.198 2.173 2.151 2.071 1.938 1.889 1.838 1.811
23 4.279 3.422 3.028 2.796 2.640 2.528 2.442 2.375 2.320 2.275 2.236 2.204 2.175 2.150 2.128 2.048 1.914 1.865 1.813 1.785
24 4.260 3.403 3.009 2.776 2.621 2.508 2.423 2.355 2.300 2.255 2.216 2.183 2.155 2.130 2.108 2.027 1.892 1.842 1.790 1.762
25 4.242 3.385 2.991 2.759 2.603 2.490 2.405 2.337 2.282 2.236 2.198 2.165 2.136 2.111 2.089 2.007 1.872 1.822 1.768 1.740
26 4.225 3.369 2.975 2.743 2.587 2.474 2.388 2.321 2.265 2.220 2.181 2.148 2.119 2.094 2.072 1.990 1.853 1.803 1.749 1.720
27 4.210 3.354 2.960 2.728 2.572 2.459 2.373 2.305 2.250 2.204 2.166 2.132 2.103 2.078 2.056 1.974 1.836 1.785 1.731 1.702
28 4.196 3.340 2.947 2.714 2.558 2.445 2.359 2.291 2.236 2.190 2.151 2.118 2.089 2.064 2.041 1.959 1.820 1.769 1.714 1.685
29 4.183 3.328 2.934 2.701 2.545 2.432 2.346 2.278 2.223 2.177 2.138 2.104 2.075 2.050 2.027 1.945 1.806 1.754 1.698 1.669
30 4.171 3.316 2.922 2.690 2.534 2.421 2.334 2.266 2.211 2.165 2.126 2.092 2.063 2.037 2.015 1.932 1.792 1.740 1.683 1.654
40 4.085 3.232 2.839 2.606 2.449 2.336 2.249 2.180 2.124 2.077 2.038 2.003 1.974 1.948 1.924 1.839 1.693 1.637 1.577 1.544
50 4.034 3.183 2.790 2.557 2.400 2.286 2.199 2.130 2.073 2.026 1.986 1.952 1.921 1.895 1.871 1.784 1.634 1.576 1.511 1.476
60 4.001 3.150 2.758 2.525 2.368 2.254 2.167 2.097 2.040 1.993 1.952 1.917 1.887 1.860 1.836 1.748 1.594 1.534 1.467 1.430
80 3.960 3.111 2.719 2.486 2.329 2.214 2.126 2.056 1.999 1.951 1.910 1.875 1.845 1.817 1.793 1.703 1.545 1.482 1.411 1.370
100 3.936 3.087 2.696 2.463 2.305 2.191 2.103 2.032 1.975 1.927 1.886 1.850 1.819 1.792 1.768 1.676 1.515 1.450 1.376 1.333
120 3.920 3.072 2.680 2.447 2.290 2.175 2.087 2.016 1.959 1.910 1.869 1.834 1.803 1.775 1.750 1.659 1.495 1.429 1.352 1.307
240 3.881 3.033 2.642 2.409 2.252 2.136 2.048 1.977 1.919 1.870 1.829 1.793 1.761 1.733 1.708 1.614 1.445 1.375 1.290 1.237

Estatística - UVB
Bibliografia


Aula 14 - Correlação e Regressão

Linear
Objetivos da Aula
Fixação dos conceitos para Correlação e Regressão Linear;

Apresentar exemplo solucionado com a aplicação dos conceitos;
Apresentar exercício que deverá ser solucionado pelo aluno.
Introdução
Em nossos estudos até este momento sempre nos concentramos em
descrever a forma da distribuição dos valores de uma variável, mas ao
trabalhamos com duas variáveis podemos avaliar e medir as relações
entre as variáveis estudadas, o que é chamado de correlação.
Se houver uma correlação entre as variáveis, poderemos ter uma

função matemática que caracteriza esta relação, com a regressão
seremos capazes de determinar os parâmetros desta função.
Relação Funcional
Neste tipo de relação a ligação entre as variáveis é exata, veja
o exemplo:
O perímetro de um quadrado é exatamente a soma da dimensão de

seus quatro lados, logo:

Onde:
P – é o perímetro
l – é a medida do lado do quadrado
Vemos que esta relação é exata, portanto, é uma relação funcional.
Relação Estatística
Aqui existe uma relação entre as variáveis que não é exata, mas sim
estatística, veja o exemplo:
A relação entre o peso e a altura de um grupo de pessoas. Vemos

claramente que a ligação entre peso e altura não é precisa quanto à
ligação entre os lados do quadrado e seu perímetro, porém, em média
quanto maior a altura, maior o peso.
Correlação
Quando duas variáveis estão ligadas por uma relação estatística,
dizemos que existe correlação entre elas. A correlação, então, é
a verificação da existência e do grau de relação entre duas (ou
mais) variáveis.
Diagrama de Dispersão
O Diagrama de Dispersão é uma forma simplista e útil de verificar a
tendência da correlação existente.

Correlação Linear
Ao observarmos os diagramas abaixo, vemos que os pontos formam
uma elipse, quanto mais fina esta elipse, mais ela se aproximará de
uma reta, assim chamada de correlação linear.
Os tipos de correlação mais comuns são:
Correlação Linear Positiva

Correlação Linear Positiva
Correlação não Linear Positiva

Correlação não Linear Negativa
Coeficiente de Correlação Linear

O instrumento empregado para a medida da correlação linear é o
coeficiente de correlação. Esse coeficiente deve indicar o grau de
intensidade da correlação entre duas variáveis e, ainda, o sentido
dessa correlação (positivo ou negativo).
O coeficiente de correlação determinado por Pearson considera:
logo:
onde n é o número de observações.
Os limites de r são –1 e +1, isto é, o valor de r pertence ao intervalo

(-1,+1). Se o valor absoluto de r for maior que 1 há um erro de cálculo.
Valores de r iguais a –1 ou +1 indicam que os pontos estão sobre a
reta, isto é a correlação é perfeita. Valores de r próximos de –1 ou +1

indicam uma correlação forte e valores de r próximos de zero indicam

correlação fraca.
O sinal de r indica se a correlação é positiva ou negativa.
De maneira prática, para tirarmos conclusões significativas

sobre o comportamento simultâneo de variáveis analisadas, é
necessário que:
Se há uma correlação relativamente fraca entre

as variáveis.
Se , a correlação é muito fraca e, praticamente

nada podemos concluir sobre a relação entre as variáveis em estudo.
Veja um exemplo completo na aula digital.
Regressão Linear
Quando duas variáveis possuem certo grau de relacionamento
(verificado pela correlação), podemos aplicar a análise de regressão
que vai nos permitir descrever através de um modelo matemático, a
relação entre duas variáveis, partindo de n observações das mesmas.
Para executarmos a regressão, as variáveis serão divididas em

variável dependente e variável independente. Para o eixo x,
indicamos a variável independente e para o eixo y, a dependente.
Dessa forma temos:
é o coeficiente linear, que dá a altura em que a reta corta o eixo

das ordenadas.

Y = a + bX
q
a
b = tgq
O coeficiente angular é dado por:
O coeficiente linear é dado por:
Onde:
Veremos na aula digital um exemplo completo de regressão linear.

Outros tipos de regressão

Vimos como proceder trabalhando com funções lineares e aplicando
a regressão linear. Para as funções não lineares são aplicados modelos
de regressão não lineares, as funções mais comuns não lineares são:
1.Função Múltipla
Quando uma função tem diversas variáveis explanatórias.
2.Função Potencial
Também conhecida como função de Cobb-Douglas.
3.Função Exponencial
4.Função Logística
Os diversos tipos de regressão são freqüentemente usados para o

cálculo de demandas.
Alguns dos exemplos que podemos citar são: o cálculo do volume de

vendas em função dos anos, o cálculo do custo em função da taxa de
câmbio, o tempo de execução de uma tarefa em função do tempo de
experiência na execução desta tarefa.
Deve-se perceber, porém, que geralmente todas as situações

citadas também são influenciadas por outros fatores, o que faz da
função encontrada, apenas o primeiro passo para fundamentar
uma decisão.

Referência Bibliográfica



Aula 15
Controle Estatístico de Processo
Objetivos da Aula
Durante nosso curso vimos diversos conceitos de estatística e

procuramos, quando viável, apontar nos exemplos as aplicações
práticas destes conceitos. Hoje iremos conhecer um pouco sobre
Controle Estatístico de Processo, e você verá como a Estatística pode
auxiliar a todos durante a execução de processos de negócios.
Controle Estatístico de Processo - CEP

Todos sabemos que a produção de bens ou a prestação de serviços
não possui uma regularidade absoluta, ou seja os resultados obtidos
na fabricação ou no atendimento a um cliente dependem dos
fatores externos e internos destas atividades daí sua variabilidade.
Para visualizar com mais facilidade vamos pensar na produção de

uma fábrica de açúcar refinado. No final da cadeia produtiva está
a etapa de ensacamento para venda. É fácil compreender que nas
embalagens de 1 kg teremos pequenas variações, logo haverá
pacotes com 1,005 kg e outros com 0,995 kg. Dentro de limites pré-
estabelecidos esta variabilidade é considerada aceitável, mas como
acompanhar toda a produção e ter a tranqüilidade de afirmar que
o peso apresentado na embalagem é o peso de açúcar contido na
embalagem? Usando o Controle Estatístico de Processo..

Podemos conceituar controle como um processo usado para

manter certo fenômeno dentro de padrões pré-estabelecidos. Os
produtos e serviços apresentam níveis de qualidade que serão
atingidos se determinadas características durante a execução
estiverem de acordo com o que foi planejado.
O Controle Estatístico de Processo então, é uma ferramenta de

gestão que permite medir o nível atual de qualidade de um produto
ou serviço e compará-lo com um padrão desejado, permitindo uma
ação imediata para correção dos desvios.
O nome Controle Estatístico de Processo vem portanto da utilização

da estatística na análise das medidas de qualidade efetuada.
Na ótica do CEP, diz-se que um processo está sob controle se os produtos

resultantes mantêm-se dentro da faixa desejável de qualidade.
Vamos à partir deste ponto trabalhar todos os conceitos nos

referindo apenas a produtos, entretanto muitos deles também são
aplicados à serviços.
Variáveis, Atributos e Especificações

A qualidade de um produto pode ser definida através de variáveis , de
atributos ou através de ambos.
Uma variável é uma das grandezas do produto passível de assumir

diversos valores. São exemplos o comprimento, a largura, a altura, o
peso, a densidade, a área, a resistência elétrica, a vida útil em horas
de uma lâmpada. Os produtos possuem muitas grandezas, mas nem
todas são alvo de controle; na prática procura-se diminuir o número
de variáveis à controlar para não onerar demasiadamente o CEP.

Quanto mais preciso o instrumento de medição da variável,

mais valores diferentes podem ser atribuídos à ela e a precisão
requerida será função da importância da variável no desempenho
posterior do produto.
Um atributo pode ser definido como um fator, freqüentemente não

mensurável mas observável, que pode estar presente ou ausente
no produto. Os atributos podem ser de análise simples e sem
subjetividade, como o fato de uma lâmpada acender ou não acender,
entretanto, podem ser mais complexos e subjetivos como a ocorrência
de um defeito de superfície numa peça.
O CEP busca manter as variáveis dentro dos limites considerados

aceitáveis e no caso dos atributos, o que procura controlar é o número
de vezes que o atributo aparece nos produtos.
Os requisitos da qualidade de um produto são expressos através de

especificações, que são informações sistematizadas que definem
a qualidade pretendida de um produto. As especificações atribuem
valores numéricos às variáveis e seu limite inferior e superior de desvio
aceitável. Estes limites são chamados de tolerância. Para os atributos,
as especificações definem os parâmetros claros para avaliação e
julgamento dos desvios.
Como Atua o Controle Estatístico de Processo

A Estatística se constitui numa excelente ferramenta quando nos
deparamos com problemas de variabilidade na produção ou em
serviços. Não se trata de dizer que a Estatística acabará com essa
variabilidade, e nem nos diga como corrigir desvios, de fato, as
informações disponibilizadas pela Estatística funcionarão como um
indicador do desvio, sua freqüência, sua amplitude, seu impacto geral,
permitindo uma análise sistemática para ajuste a especificação.

O CEP atua inicialmente através de amostras de produtos retirados de

uma população maior. A partir desta amostra são efetuadas avaliações
para verificar se elas são representativas do universo. Se a amostra é
representativa do universo, então as características da amostra podem
ser estendidas ao universo, ou seja a todas as unidades produzidas.
Conforme já estudamos uma amostra não é 100% representativa

de um universo e aqui temos em termos práticos a aplicação das
questões de significância e os mesmos erros já estudados em nossa
aula 11 relativos à teste de hipóteses.
Tipos Básicos de CEP

Alguns autores fazem a separação em duas formas principais de
executar o CEP, outros preferem entender como sendo apenas
variações sobre o mesmo tema, vejamos:
Controle de Processo (ou na Fabricação): é efetuado sobre

amostras tiradas durante o processo de produção, de tempos em
tempos. A análise permitirá saber se o processo está produzindo
conforme esperado.
Inspeção por Amostragem (ou Controle de Lotes): é efetuado

sobre um lote de produtos recebidos de fabricantes. A análise da
amostra tem como objetivo aceitar o lote como bom ou rejeita-lo
como inadequado.
Ferramentas usadas no CEP

Cartas de Controle
Quando é necessário verificar quanto de variabilidade do processo

é devido a variação aleatória e quanto é devida a causas comuns/
ações individuais, a fim de se determinar se o processo está sob

controle estatístico.
LSC é o Limite Superior de Controle

LIC é o Limite Inferior de Controle
Capabilidade do Processo
Estar sob controle não é suficiente. Um processo “sob controle”,
pode produzir peças rejeitáveis. A verdadeira melhoria de um
processo é obtida através do equilíbrio entre repetibilidade,
consistência e capacidade de atender às especificações de
projeto. Índices de capabilidade comparam a distribuição do
processo com os limites de especificação.
CEP e outras ferramentas da Qualidade

O Controle Estatístico de Processo foi uma das primeiras
ferramentas a surgir com o objetivo de melhorar a qualidade
durante a produção de bens e ou a prestação de serviços. Muitas
outras surgiram com a evolução da tecnologia e a evolução das
técnicas de administração de operações e produção, abaixo segue
um artigo que fala de Seis Sigma, onde se pode perceber que esta

ferramenta moderna tem suas bases calçadas em ferramentas

consagradas como o CEP.
Seis Sigma para todos nós

Andrew Spanyi e Marvin Wurtzel
Dentro de grandes corporações, a popularidade do Seis Sigma, como

meio de melhorar a qualidade e reduzir os custos, continua a crescer.
Entretanto, o mesmo não pode ser dito de organizações de pequeno
e médio porte que, em geral, têm mostrado menos entusiasmo
em adotar o Seis Sigma. Muitas resistem e acreditam não poderem
pagar nem o luxo de um programa complicado de Seis Sigma, nem o
investimento exigido para treinar um Master Black Belt.
Apesar disso, as empresas menores devem levar em conta que

os princípios dos processos empresariais que estão por trás da
abordagem do Seis Sigma, bem como algumas das ferramentas
específicas do programa, oferecem um meio eficiente de
melhorar significativamente seus níveis de desempenho. Vale
considerar que esses são alguns dos princípios e ferramentas
mais importantes que as empresas menores podem usar sem
lançar mão de uma iniciativa maior.
Relembrando o Seis Sigma

Como já se sabe, durante os anos 80, a Motorola desenvolveu
o Seis Sigma, que foi adotado em seguida por corporações de
liderança como a GE, a Sun Microsystems, a AlliedSignal e o Sank
of America. O Seis Sigma oferece um método estruturado para
melhorar o desempenho. Sua metodologia é baseada nas técnicas
de controle estatístico do processo, nos métodos de análise de
dados e no treinamento sistemático de todo o pessoal envolvido na
atividade ou no processo estabelecido pelo programa. Trata-se de

uma metodologia bem estruturada e comandada por dados para

a eliminação de defeitos, desperdício ou problemas da qualidade
na manufatura, no serviço de entrega, no gerenciamento e em
outras atividades do negócio.
A letra grega é também um símbolo matemático que representa

uma medida de variação, a distribuição em torno da meta de
qualquer processo ou procedimento. O termo “Seis Sigma” define
uma medição da qualidade: 3.4 defeitos por milhão de eventos. Se
uma organização puder reduzir a média de desvio de seus produtos,
uma menor quantidade deles terá defeitos e haverá uma economia
de custo. Em outras palavras, faça bem-feito logo da primeira vez com
o monitoramento progressivo e a eliminação de erros.
De maneira ideal, o Seis Sigma deve ser baseado no conhecimento

do cliente e nos principais indicadores de desempenho do
processo que preencham esses requisitos. Entender o que o
cliente acha “crítico para qualidade” é a base para o sucesso de
qualquer iniciativa de Seis Sigma. A ligação entre o Seis Sigma e o
modo de operar do processo geralmente determina a distância e a
profundidade das melhorias do desempenho. Tanto a melhoria do
processo do negócio quanto o Seis Sigma pretendem desenvolver
soluções focadas em eliminar as causas-raiz dos problemas de
desempenho do negócio, sem mudar radicalmente os processos
já existentes ou a estrutura organizacional.
A abordagem Seis Sigma incorpora cinco processos críticos: definir,

medir, analisar, melhorar e controlar. Uma organização identifica
uma área de problema, mede-a, identifica sua causa-raiz e, então,
conserta-a e a controla.Definir. Essa etapa lida com a definição
das metas e limites do projeto e com a identificação de questões
que podem ser tratadas para alcançar um nível sigma aprimorado
(ex: taxa de defeito).Medir. Durante essa etapa, as informações
sobre a situação atual são reunidas para obter os dados-base do
desempenho atual do processo e identificar as áreas de problema.

Analisar. Essa etapa tem o foco na identificação das causas-raiz

dos problemas da qualidade e na confirmação dessas causas com
as ferramentas de análise de dados apropriadas.Melhorar.
Durante essa etapa, são implementadas soluções para tratar das

causas-raiz dos problemas identificados ao longo da fase analisar.
Controlar. Aqui, a fase de melhoria anterior é avaliada e monitorada.
Vantagens para as empresas menores

Por que as empresas de pequeno e médio porte deveriam
considerar seriamente as ferramentas do Seis Sigma como um
meio de melhorar a qualidade? Porque o modelo de processo
de negócio por trás do Seis Sigma representa uma grande
oportunidade para economizar custos. As empresas menores
comumente têm processos de negócio com muitas oportunidades
de melhoria. As taxas de erro normalmente flutuam entre 20 e
30% e aquelas oportunidades são proporcionalmente altas. Além
disso, devido a seu tamanho gerenciável, um ambiente menor
de negócios é, de maneira geral, mais propício a novas idéias de
processo do negócio do que o grande setor corporativo.
As companhias de médio e pequeno porte, que implementaram o

Seis Sigma com sucesso, começaram por identificar os principais
processos - aqueles que agregam valor ao cliente e que tendem
a ser multifuncionais por natureza. Lembre-se de que existe uma
diferença entre um departamento e um processo. É essencial
compreender que, para qualquer esforço de melhoria, o trabalho
deve passar por vários departamentos para gerar valor ao cliente.
Depois de identificar os principais processos, a organização
deve identificar o escopo necessário da melhoria para garantir
que os processos entreguem, de maneira consistente, os
comprometimentos estratégicos.

Muitas empresas de médio e pequeno porte operam seus

processos em um nível sigma de 2 a 3 e, por isso, uma melhoria
de apenas um sigma representa um passo enorme em direção
à satisfação do cliente e à redução de custos. Por meio de uma
melhor compreensão de seus processos, as empresas de menor
porte podem realizar melhorias significativas rapidamente. Por
exemplo, se um negócio que tem um processo de execução de
pedidos operando em 3 sigma (ou 66.000 defeitos por milhão
de oportunidades) puder melhorar seu desempenho para o nível
de sigma 4 (ou 6.210 defeitos por milhão de oportunidades), ele
ganhará dez vezes mais em desempenho. E se cada erro custar o
mínimo de 10,00 reais para ser consertado, a economia de custos
resultante será de cerca de 600.000,00 reais.
Além disso, os negócios menores costumam confiar em métodos

de gerenciamento que são mais espontâneos do que controlados.
Essas empresas poderiam se beneficiar com a metodologia do
Seis Sigma, que é estruturada e direcionada por dados para
eliminar defeitos, desperdício ou problemas da qualidade cujas
causas são desconhecidas.
Preparando-se
Primeiramente, identifique os processos-chave dos negócios de
sua organização, que agregam valor diretamente ao cliente. Não
os confunda com os processos de suporte (ex: recursos humanos,
elaboração de orçamentos ou de elementos exigidos para o
funcionamento de uma operação). A maioria das empresas tem
entre cinco e oito clientes principais - e/ou processos críticos
de missão, como o desenvolvimento de um novo produto de
preenchimento de pedido. Mapeie esses processos em um nível
médio e meça os resultados do processo atual. Os fluxos de
processos detalhados, como os que são encontrados no nível de
instrução de trabalho, não são necessários aqui. Ao invés disso,

faça um esboço das maiores interfaces entre as organizações

funcionais de negócios. Depois, identifique os assuntos ou
“desajustes” mais importantes entre a perspectiva do cliente e da
empresa e encarregue a equipe de liderança a priorizá-los.
A seguir, você deve decidir o escopo exigido pela melhoria e se

deve realizar a melhoria do processo ou reelaborá-lo. Ilustramos
a comparação de duas escolhas. A melhoria normalmente corrige
uma parte de um processo maior, enquanto a reelaboração
envolve a construção de um novo processo para substituir o
antigo. Inicialmente, as empresas de pequeno a médio porte
devem começar pela realização da melhoria do processo, usando
uma metodologia básica de Seis Sigma, para depois medir os
resultados e calcular a economia.
Embora essas etapas pareçam ser bastante diretas, elas estão

longe de não exigir esforço. A seguir, temos apenas alguns
elementos necessários para o sucesso:
Comprometimento visível do gerenciamento.

Excelente senso de urgência.Definição clara dos requisitos
do cliente.
Conhecimento compartilhado sobre os processos principais
e os clientes-chave.
Honestidade na medição do desempenho atual.
Disciplina na priorização dos projetos críticos de melhoria.
Comunicar os acontecimentos que obtiveram sucesso e
provar que a abordagem funciona.
Recompensar e reconhecer os realizadores.
Institucionalizar a abordagem.
Tais fatores podem ser desafiadores para as empresas menores

cuja liderança é suscetível à constante mudança das prioridades.
Ainda assim, as recompensas possíveis são significativas. Segundo
o especialista em reengenharia Michael Hammer, o poder do Seis

Sigma é otimizado quando aplicado a problemas internos que não

desafiam a estrutura do processo existente. De acordo com seu
comentário, pode-se afirmar que, se compararmos às corporações
maiores, as empresas menores têm ainda mais probabilidade de se
beneficiar da aplicação dos métodos de Seis Sigma, já que muitos de
seus problemas são orientados pela execução e difíceis de encontrar.
Ao contrário, as empresas maiores cuidam freqüentemente de
problemas fundamentais na elaboração de um processo ou na
estrutura organizacional.
Desmentindo os mitos
As empresas menores não devem ater-se aos mitos que rondam o
Seis Sigma. Um deles é a necessidade de Black Belts e Green Belts.
Embora isso seja exigido para as grandes corporações, não há essa
necessidade para as pequenas empresas. As ferramentas do Seis
Sigma não são completamente novas; elas remontam técnicas bem
conhecidas de gerenciamento total da qualidade da década de 80
e de ferramentas de controle estatístico do processo criadas nos
anos 30 e 40.
Também não é necessariamente verdade que todos devam assistir

a semanas de treinamento em Seis Sigma antes da implementação.
Se o programa estiver apropriadamente estruturado, as empresas
menores podem tirar vantagem de práticas just-in-time na aplicação

do Seis Sigma.
Outro mal-entendido comum é o de que o estabelecimento de

grandes metas pode impedir o sucesso do programa. As empresas
menores são bem equipadas para estabelecer seus esforços de Seis
Sigma claramente dentro da estrutura de um processo de negócio, o
que as permite contribuir para alcançar metas agressivas.
Embora seja verdade que a resolução de problemas leve tempo, a

aplicação do Seis Sigma em empresas de pequeno ou médio porte
não leva mais tempo do que o que elas podem pagar. Afinal, se não
houver tempo para descobrir como realizar um processo corretamente
da primeira vez, como será possível encontrar tempo para realizá-lo
outras vezes?
O benefício mais intangível que pode resultar da aplicação dessas

práticas é o aumento no conforto com relação aos processos e sua
aplicação no gerenciamento. Os líderes tenderão a fazer e responder
as seguintes perguntas:
Quais processos principais de negócio são fundamentais

para alcançar metas estratégicas?
Que grau de melhoria é necessário para tais processos
de negócio?
Em que medida a elaboração organizacional atual apóia ou
impede o desempenho desses processos críticos de negócio?
Em que medida as políticas corporativas atuais apóiam
ou impedem o desempenho desses processos críticos
de negócio?
Em que medida os sistemas de reconhecimento atuais
apóiam ou impedem o desempenho desses processos
críticos de negócio?

O ambiente atual de negócios exige uma dedicação ainda maior em

relação à qualidade do produto e do serviço. A combinação do Seis
Sigma com as idéias do processo de negócio oferece às empresas
menores uma oportunidade para se livrar da acomodação e continuar a
competir em um mercado cada vez mais dirigido pela qualidade. Com
uma iniciativa de Seis Sigma implementada com sucesso, as empresas
de pequeno e médio porte podem esperar melhorar a excelência de
seu serviço e perceber significativas economias de custo.
Fonte: Quality Digest, julho de 2003, pp. 22-26.

Traduzido por Cinthia Garcia Alencar, da Setec - Consultoria de
Interface
Tradução autorizada
Andrew Spanyi é diretor de gerência do Spanyi International Inc.,

uma empresa de consultoria e treinamento que opera no âmbito
organizacional e na elaboração de processos de negócio. Trabalhou com
equipes executivas em grandes corporações, por mais de duas décadas.
Sua área consiste em auxiliar os executivos a transformar a forma
tradicional com que eles tendem a pensar a respeito de seus negócios; e
Marvin Wurtzel é o principal consultor da Marvin M. Wurtzel Associates,
uma firma de consultoria especializada em gestão de processos de
negócio. Trabalhou em empresas bem-sucedidas de serviços financeiros
e em firmas de manufatura e é membro da National Graduate School.
Wurtzel é membro da American Society for Quality e tem sido um dos
examinadores do Prêmio de Qualidade Nacional Malcolm Baldrige.

Este artigo foi publicado na edição de maio de 2004 da revista FALANDO

DE QUALIDADE (BANAS)
Bibliografia:
BRASSARD, Michael. Qualidade – Ferramentas para uma Melhoria
Contínua. Rio de Janeiro: QualityMark Editora Ltda., 1985.
MOREIRA, Daniel Augusto. Administração da Produção e Operações. 7ª

reimpr. da 1ª. ed. São Paulo: Pioneira Thomson Learning, 2004.
SPANYI, Andrew; WURTZEL Marvin. Seis Sigma para todos nós. Disponível
em: http://www.banasqualidade.com.br Acesso em 21 nov. 2004,
09:30:40.

Conceitos Básicos de Estatística

Enviado por

Dados do documento

Descrição original:

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

Conceitos Básicos de Estatística

Enviado por

Direitos autorais:

Formatos disponíveis

Disciplina

Professor Luide Riani Maciel dos Reis

Bem-vindo à disciplina de Estatística!!!

Diariamente somos influenciados pela estatística, que é intuitivamente

Vamos neste semestre descobrir como melhorar a assertividade da

Faculdade On-line UVB 

Em um mundo onde a quantidade e a velocidade de crescimento de

Faculdade On-line UVB 

1. Identificar os diferentes meios de pesquisar, organizar,

Faculdade On-line UVB 

01. Aula 01 -Conceitos Básicos de Estatística.

Faculdade On-line UVB 

• Apresentar o conceito de Estatística e suas divisões.

Segundo o dicionário Aurélio, estatística é:

1. Parte da matemática em que se investigam os processos de

Faculdade On-line UVB 

Entretanto, vamos enfocar a Estatística como a ciência que estuda a

É uma ferramenta muito importante para o profissional de

A estatística pode ser dividida em:

• Estatística Descritiva: responsável pela organização e descrição

Dois importantes conceitos devem ser apresentados aqui: o de

• População ou Universo é um conjunto fundamental de todos os

Para padronizar nossa linguagem, iremos trabalhar usando as

A teoria matemática dos conjuntos dá uma visão clara dos conceitos,

A estatística indutiva busca obter conclusões para todo a população

Faculdade On-line UVB 

Mas, ao efetuarmos esta generalização, podemos notar que um erro

Conforme Costa Neto (1992)

“a Probabilidade é um número associado a um evento,

Os ramos da estatística interagem da seguinte forma:

Amostragem Aleatória é uma forma de obter a amostra na qual todos

Um Experimento Aleatório ou Não-determinístico é a observação

Faculdade On-line UVB 

da repetibilidade acima, não será possível dizer qual será o resultado

Dicas importantes: `Para visualizar facilmente os conceitos de

Os dados estatísticos podem estar organizados ou desorganizados.

Quando organizados recebem o nome de “dados estatísticos em rol”

Os dados estatísticos em rol podem ser organizados em ordem

Dados Estatísticos Brutos

Dados Estatísticos em Rol

Os dados estatísticos também podem ser identificados pela sua

1. Dados Contínuos são aqueles onde as variáveis podem assumir

2. Dados Discretos, onde as variáveis só podem assumir determinados

Faculdade On-line UVB 

valores num intervalo de valores, ou seja, a menor diferença não-

Os dois tipos de dados acima são chamados de dados quantitativos,

Dentro da classificação de dado qualitativo temos a variável nominal,

Para processar estatisticamente as variáveis nominais, à elas são

Dados por postos são qualitativos e são sujeitos a avaliações subjetivas

Variável Quantitativa Variável Qualitativa

Quando relacionamos os dados estatísticos a alguns fatores, tais como

Faculdade On-line UVB 10

• Série Temporal, Cronológica, Histórica ou Evolutiva; aqui a

FERREIRA, Aurélio Buarque de Holanda. Dicionário Aurélio Eletrônico

MANDIM, Daniel. Estatística Descomplicada. 10. ed. Brasília: Vestcon

MEYER, Paul L. Probabilidade, Aplicações à Estatística. 2. ed. Rio de

Faculdade On-line UVB 11

•Apresentar os conceitos de Distribuição de Freqüência;

Tipos de representação dos dados discretos

Podemos dizer que Distribuição de Freqüências é uma forma

Consideremos a amostra de dados discretos formada por:

Faculdade On-line UVB 12

A Distribuição de Freqüência Simples Absoluta (ﬁ) para o caso é:

Faculdade On-line UVB

Faculdade On-line UVB

Faculdade On-line UVB

Faculdade On-line UVB

Faculdade On-line UVB

Faculdade On-line UVB

Faculdade On-line UVB

Faculdade On-line UVB