Notas Aulas Estatistica

Esdras Adriano
Estatística Básica
Notas de Aula para as disciplinas de Introdu-

çãa à Estatística da UFS
Universidade Federal de Sergipe

Centro de Ciências Exatas e Tecnologia
CCET - UFS
Departamento de Estatística e Ciências Atuárias
DECAT - UFS
São Critóvão
30 de maio de 2021
Sumário
I ESTATÍSTICA 7
1 ESTATÍSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Fenômenos Estatísticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Fases do Método Estatístico . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Definição do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.2 Planejamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2.1 Conceitos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.3 Coleta dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.4 Apuração dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.5 Apresentação dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.6 Análise e interpretação dos dados . . . . . . . . . . . . . . . . . . . . . . . 21
II ESTATÍSTICA DESCRITIVA 23
2 ESTATÍSTICA DESCRITIVA . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Tabelas Estatísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.1 Normas de Apresentação de uma Tabela . . . . . . . . . . . . . . . . . . . 26
2.2.2 A Distribuição de frequência (DF) . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2.1 Variáveis Qualitativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2.2 Variáveis Quantitativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3 Medidas Descritivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.1 Medidas de Posição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.1.1 Média Aritmética . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.1.2 Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3.1.3 Moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.1.4 Medidas Separatrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.1.5 Para dados não Tabulados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.1.6 Para dados agrupados em Classes: . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.1.7 Para dados Agrupados em Intervalos de classes . . . . . . . . . . . . . . . . . 46
2.3.2 Medidas de Dispersão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.3.2.1 Amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.3.2.2 Desvio Quartil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.3.2.3 Variância e Desvio Padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3.2.4 Desvio Médio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3.2.5 Coeficiente de Variação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.3.2.5.1 Propriedades da Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.4 Gráficos Estatísticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.4.1 Gráficos Univariados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.4.1.1 Variável Qualitativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.4.1.1.1 Gráfico de Barras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.4.1.1.2 Gráfico de Setor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.4.1.1.3 Tree Map . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.4.1.2 Variável Quantitativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.4.1.2.1 Histograma e Polígono de Frequência . . . . . . . . . . . . . . . . . . . . . . . . 60
2.4.2 Gráficos Bivariados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.4.2.1 Duas Variáveis Qualitativa × Qualitativa . . . . . . . . . . . . . . . . . . . . . 63
2.4.2.1.1 Gráfico de barras empilhadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.4.2.1.2 Gráfico de barras Agrupadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.4.2.1.3 Gráfico de barras Segmentadas . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.4.2.2 Variável Quantitativa × Quantitativa . . . . . . . . . . . . . . . . . . . . . . . 66
2.4.2.2.1 Gráfico de Dispersão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.4.2.3 Variável Quantitativa × Qualitativas . . . . . . . . . . . . . . . . . . . . . . . 67
2.4.2.3.1 Gráfico de Barras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.4.2.3.2 Boxplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.4.2.3.3 Gráficos de média . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.4.2.3.4 Gráficos de Tiras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.4.3 Outros Gráficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.4.3.1 Gráfico de Radar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.5 Lista de Exercícios de Estatística Descritiva . . . . . . . . . . . . . . . . . 74
III PROBABILIDADE 89
3 REVISÃO DE CONJUNTOS . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2 Conceitos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2.1 Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2.1.1 Conjunto Universo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.2.1.2 Conjunto Vazio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.2.1.3 Subconjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.2.1.4 Operações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.2.2 Leis da Algebra de conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.2.3 Contagem de Elementos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4 PROBABILIDADE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.1 Conceitos de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.1.1 Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2 Lista de Exercícios Probabilidade . . . . . . . . . . . . . . . . . . . . . . . 108
IV VARIÁVEIS ALEATÓRIAS 111
5 VARIÁVEIS ALEATÓRIAS . . . . . . . . . . . . . . . . . . . . . . . . . . 113

5.1 Introdução Variáveis aleatórias . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.2 Variável Aleatória Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.2.1 Valor Esperado e Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2.1.1 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2.2 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2.2.1 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.2.3 Principais Modelos Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.2.3.1 Distribuição de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.2.3.2 Distribuição binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.2.3.3 Distribuição geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.2.3.4 Distribuição de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.2.4 Lista de Exercícios de Variáveis Aleatórias Discretas . . . . . . . . . . . . 122
5.3 Variável Aleatória Contínua . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.3.1 Valor Esperado e Variância . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.3.1.1 Propriedades do Valor Esperado . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.3.1.2 Propriedades da Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.3.2 Principais Modelos Contínuos . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.3.2.1 Distribuições Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.3.2.2 Distribuição Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.3.2.3 Distribuições Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.4 Lista de Exercícios Variáveis Aleatórias Contínuas . . . . . . . . . . . . . 142
ANEXO A – TABELAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
ANEXO B – BANCOS DE DADOS . . . . . . . . . . . . . . . . . . . . . 187

B.1 Banco de Dados Alunos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
Parte I
Estatística
9
1 Estatística
Sumário
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Fenômenos Estatísticos . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Fases do Método Estatístico . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Definição do problema . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.2 Planejamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.3 Coleta dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.4 Apuração dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.5 Apresentação dos dados . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.6 Análise e interpretação dos dados . . . . . . . . . . . . . . . . . . . 21
1.1 Introdução
Neste memento a Estatística se fez evidente com adendo da pandemia. Números,
médias, gráficos e outras formas de apresentação de informações sobre o corona vírus estão
presentes diariamente no jornais e telejornais. Um exemplo as informações são os dados
apresentados pelo site Worldometer1 2 (Wikipedia contributors, 2020c). O Worldometer,
é um site que fornece informações estatísticas em tempo real de diversos tópicos como:
tamanho da população mundial; numero de celulares vendidos no mundo; quantidade de
e-mails enviados e valores a respeito da covid-19. Ele pertence e é operado pela empresa
de dados Dadax, gerando suas receita através de anúncios publicitários online (Wikipedia
contributors, 2020c).
Outras organizações coletam e armazenam dados diariamente como DATASUS. O
DATASUS é o departamento de informática do Sistema Único de Saúde do Brasil, órgão
da Secretaria de Gestão Estratégica e Participativa do Ministério da Saúde. Este tem como
responsabilidade coletar, processar e disseminar informações sobre saúde (WIKIPéDIA,
2020c). Outro órgão Dataprev que é uma empresa de Tecnologia da Informação e Comuni-
cação, pública e vinculada ao Ministério da Economia. Tem como objetivo fornecer soluções
para o aprimoramento e a execução de políticas sociais do Estado brasileiro.(WIKIPéDIA,
2020b; WIKIPéDIA, 2020a). O Dataprev é responsável pela gestão da Base de Dados
1
<https://www.worldometers.info/>
2
<https://www.worldometers.info/about/>
10 Capítulo 1. Estatística
Sociais Brasileira, especialmente a do Instituto Nacional do Seguro Social (INSS). Citamos

aqui apenas duas empresas que coletam dados e os gerenciam. Para lidar com essa massa
de informações se faz necessário um conjunto de técnicas que auxiliem na gerencia destes
dados. A ciência que tem como objeto de estudo a mensuração, organização, descrição,
análise e interpretação de dados é a Estatística.
1.2 Definição
Antes de definir formalmente a definição de estatística algumas frases podem nos
ajudar no entendimento do que é Estatística.
“A estatística investiga e desenvolve métodos específicos para avaliar

hipóteses à luz de fatos empíricos1 . Um método é chamado de estatístico e,
portanto, objeto de estudo em estatística, se relaciona fatos e hipóteses de
um tipo particular: os fatos empíricos devem ser codificados e estruturados
em conjuntos de dados, e as hipóteses devem ser formuladas em termos
de distribuições de probabilidade sobre possíveis conjuntos de dados.”
Romeijn (2017)
“A filosofia da estatística diz respeito às fundações e à interpretação
adequada dos métodos estatísticos, suas contribuições e seus resultados.”
Romeijn (2017)
“Como a estatística é invocada em quase todas as pesquisas científicas
empíricas, servindo para apoiar e comunicar descobertas científicas, a
filosofia da estatística é de importância fundamental para a filosofia da
ciência. ” Romeijn (2017)
“ Tem um impacto na avaliação filosófica do método científico e no debate
sobre o status epistêmico e ontológico da teoria científica.”Romeijn (2017)
Definição 1.1. Segundo o Romeijn (2017) a Estatística é uma disciplina matemática e

conceitual que se concentra na relação entre dados e hipóteses. Sendo os dados gravações
(medições) de observações ou eventos em um estudo científico. E desta forma os dados
realmente obtidos são chamados de amostra, dados da amostra ou simplesmente dados.
Definição 1.2. Segundo Milone (2004) a Estatística não focaliza seus interesses nos
objetos sob estudo, e sim foca, na medida (mesuração) de propriedades que identificam,
caracterizam, descrevem, qualificam ou organizam o fenômeno (físico, social, econômico,
etc), o fato ou a população que se quer analisar. E assim Magalhães e Lima (2010),
define a Estatística como um conjunto de técnicas que permite, de forma sistemática,
organizar, descrever, analisar e interpretar dados oriundos de estudos ou experimentos,
realizados em qualquer área do conhecimento. Sendo denominados de dados o conjunto de
1
• em·pí·ri·co (adj): 1. Relativo a empirismo. 2. Que designa o conhecimento adquirido através da

prática.
• em·pi·ris·mo (sm.): 1. Comportamento de quem se atém aos conhecimentos práticos decorrentes
da experiência com critérios ou normas exclusivas da verdade.
1.3. Fenômenos Estatísticos 11
informações mensuráveis, em forma numérica ou não, de um conjunto de indivíduos ou

objetos (MAGALHÃES; LIMA, 2010).
1.3 Fenômenos Estatísticos

Os “Fenômenos Estatísticos” que são resultantes do competição, de um grande
número de causas como cita Toledo e Ovalle (1995) e classificados como: Fenômenos de
Massa ou Coletivos; Fenômenos Individuais e Fenômenos de Multidão.
• Fenômenos de Massa ou Coletivos: quando são definidos por mais de uma observação.
Por exemplo: a natalidade, a mortalidade, o preço médio da gasolina.
• Fenômenos Individuais: são componentes particulares dos Fenômenos de Massa. Por

exemplo: cada nascimento, cada morte, o preço em cada posto.
• Fenômenos de Multidão: são assim chamados quando as características que são

observadas para a massa não são verificadas para uma particular.
Eles podem ser classificados segundo a forma de manifestação como Fenômenos Típicos
ou Atípicos (TOLEDO; OVALLE, 1995):
• Fenômenos Típicos: são aqueles que se manifestam de forma regular, e assim revelam
um comportamento bem definido.
• Fenômenos Atípicos: são aqueles cuja manifestação se dá através de um comporta-

mento irregular, e assim não revelam uma tendência definida.
1.4 Fases do Método Estatístico

A pesquisa científica é a aplicação de uma série de procedimentos para o de-
senvolvimento de um experimento, com a finalidade de produzir novos conhecimentos,
incorporando-os aos estudos pré-existentes seguindo etapas, ordenadamente dispostas de
maneira lógica e racional. (FONTELLES et al., 2009). Assim, nota-se que para realizar
um estudo estatístico se faz necessário seguir algumas etapas, que Toledo e Ovalle (1995)
as subdivide da seguinte forma:
1.4.1 Definição do problema

Fase inicial do trabalho estatístico, momento no qual o pesquisador deve:
• Escolher o tema da pesquisa,

• Formular o problema
• Apresentar uma justificativa para o trabalho
• Realizar uma revisão de literatura extensa para determinar os objetivos pesquisa.
De posse de todas as informações levantadas nesta faze o pesquisador deve indicar quais
questões serão abordadas, expondo sua relevância, pontos fortes e resultados esperados
(FONTELLES et al., 2009).
1.4.2 Planejamento
Segunda fase do estudo, na qual o pesquisador deve desenhar, com base nas infor-
mações levantadas na fase de Determinação do problema, as estratégias para a realização
da pesquisa, determinando os procedimentos necessários de forma lógica, escolhendo o
melhor delineamento estatístico. O pesquisador deve:
• A população alvo, com o tamanho da amostra desta população;
• Determinar as informações a serem coletadas (variáveis);
• Forma de coleta destas informações a ser executado: Pesquisa presencial ou por meio
eletrônico (Ex: internet, telefone, redes sociais); Coleta dados disponibilizados por
algum banco de informações (Ex: Ipea, IBGE, etc).
Antes continuar a enunciar a fase do planejamento alguns conceitos deve ser definidos e
detalhados.
1.4.2.1 Conceitos Básicos
• População: é o conjunto completo de indivíduos ou objetos que serão estudados

pelo pesquisador. Cada elemento da população possui uma característica ou in-
formação que pode ser registrada através alguma forma de mensuração (Medição)
(MORETTIN, 2010). Com exemplo de população temos:
– A população de estudantes de uma universidade;

– A quantidade de parafusos fabricados em uma linha de montagem;
– O conjunto de pessoas residentes em uma cidade, etc.
• Amostra: é um subconjunto da população. Dos indivíduos que formam a amostra

as informações de interesse devem ser coletadas (mensuradas) para posterior estudo.
Como exemplos de amostra podemos citar:
1.4. Fases do Método Estatístico 13
– Os alunos que cursam a disciplina de Estatística de uma universidade;

– Um lote de parafusos fabricados em uma linha de montagem;
– As pessoas residentes em um determinado bairro em uma certa cidade, etc.
• Variável: é o mome dado ao conjunto de informações mensuradas para cada inte-

grante da amostra se apresentando de forma distinta de indivíduo para indivíduo,
ou seja, “variam” de objeto para objeto sob estudo. Como exemplo temos
– A nota dos alunos que cursam a disciplina de Estatística;

– A resistência à tração dos parafusos de um lote fabricado;
– A renda das pessoas residentes em um determinado bairro em uma certa cidade.
Uma variável é classificada de acordo com a escala de mensuração.
• Escala de Mensuração (Nível de Medição): de uma variável é a classificação

que descreve a natureza das informações continentes desta variável que é mensurada
de indivíduos, objetos ou sujeitos em forma de números ou fatores. Este Nível de
Medição refere ao grau em que as características dos dados podem ser modeladas da
forma matemática. Assim sendo, nos processos científicos o registro dos resultados do
experimento devem ser feitos de forma adequada e enquadrando em uma escala de
medida (MORAIS, 2005). Segundo Morais (2005) as Escalas de Mensuração devem
satisfazer as seguintes propriedades:
– Exaustividade: abrangência que permite representar todos os dados possíveis;

– Exclusividade: coerência para que qualquer dado ou acontecimento só possa ser
representado de uma única forma.
Para cada variável a escolha de uma particular escala de medida deve levar em
consideração entre outras condições:
– Quais operações matemáticas que se são permitidas com as respectivas variáveis;

– Quais as transformações que se podem ser realizadas sem perda ou alteração
da informação;
– Qual a informação sustentada pela variável e quais interpretações que são
possíveis;
– Quais as estatísticas de tendência central ou de dispersão que são possíveis de
serem determinada;
– etc...
Os tipos de Escalas de Mensuração são:

– Escala Nominal: as variáveis expressas na Escala Nominal não expressam

propriedades matemáticas, seus valores são apenas nomes sem qualquer efeito de
ordenação entre as observações. Os registros desta variável, que geralmente são
nomes, servem apenas para identificar a pertinência ou não a uma determinada
categoria. Como exemplo podemos citar Estado Civil, Sexo, Cor dos Cabelos,
etc (WIKIPÉDIA, 2019). A Variável Qualitativa Nominal é expressa na
Escala Nominal.
– Escala Ordinal: a variável expressa na Escala Ordinal não expressam proprie-
dades matemáticas, assumindo valores são nomes ou números que indicam a
posição relativa dos itens, mas não a magnitude da diferença entre cada um
dos indivíduos sob estudo (WIKIPÉDIA, 2019; Wikipedia contributors, 2020b).
Exemplos: Níveis de Cargos e Carreiras, Escala Social (WIKIPÉDIA, 2019). A
Variável Qualitativa Ordinal é expressa na Escala Ordinal.
– Escala métrica: a variável expressa na Escala Métrica apresentam valores
numéricos com propriedades matemáticas. Os valores assumidos por variáveis
em Escala métrica não só servem para ordenar os indivíduos como também
servem para quantificar a magnitude das diferenças entre eles. Escalas métricas
são classificadas de acordo com os valores assumidos, em Escala intervalar e
Escala de razão ou rácio (WIKIPÉDIA, 2019; Wikipedia contributors, 2020b).
∗ Escala intervalar: Nesta escala é viável avaliar as distâncias entre as
medições através de operações de soma e subtração, e não há um ponto nulo
natural, ou seja, um registro zero. Seus Valores simplesmente representam
uma posição em uma escala. Como exemplo temos as escalas numéricas
em pesquisa opinião (likert). (WIKIPÉDIA, 2019; Wikipedia contributors,
2020b; LARSON; FARBER, 2015).
∗ Escala de razão ou rácio: nesta escala é possível quantificar as diferen-
ças entre as medições, e estão garantidas certas condições matemáticas
vantajosas, como um ponto de nulidade (o zero natural do conjunto). As
operações matemáticas quociente, multiplicação, soma e subtração podem
ser realizadas entre duas medições da mesma variável, independentemente
da unidade de medida. Ainda pode-se realizar conversão de unidades. Como
exemplo podemos citar: idade, comprimento, distância, etc (WIKIPÉDIA,
2019; Wikipedia contributors, 2020b; LARSON; FARBER, 2015).
As Variáveis Quantitativas Discretas e Contínuas são expressas naEscala métrica.
– Tipos de Variáveis Com base nas definições das escalas métricas os tipos de
variáveis são:
∗ Variáveis Quantitativas discretas: é uma variável cujos valores por ela
assumido pertencem ao conjunto do números inteiros (Z). Geralmente
seu valores provem do resultado de experimentos de contagem (TOLEDO;

OVALLE, 1995). Exemplo: Números de alunos de uma turma, Número de
pessoas residentes em um domicílio.
∗ Variáveis Quantitativas Contínuas: é uma variável em que seus valores
pertencem ao conjunto do números reais (R) e geralmente são resultados
de experimentos de medição (mensuração). Exemplo: Altura dos alunos de
uma turma.
Exemplo 1.1. Com o objetivo de avaliar o atendimento de sua oficina mecânica, o dono
levantou os dados expostos na Tabela 1. Classifique as variáveis quanto ao Tipo.
Tabela 1 – Dados do atendimento de uma Oficina Mecânica
Sexo Carro Opinião Quilometragem Anos de Uso

FEMININO Sedan ótimo 26763 3
MASCULINO Jipe ótimo 51301 5
MASCULINO Sedan ótimo 31827 3
FEMININO Sedan ótimo 27559 3
MASCULINO Sedan ótimo 33480 3
FEMININO Hatch péssimo 2990 1
MASCULINO Picape bom 45609 5
MASCULINO Picape bom 43818 4
MASCULINO SUV bom 40725 4
FEMININO Hatch péssimo 10330 1
Fonte: Criado pelo autor
Solução:
• Sexo é nominal,
• Caro é nominal,
• Opinião é Ordinal,
• Quilometragem é Contínua,
• Anos de Uso o tempo é contínuo, mas dependendo da definição feita pelo pesquisador,
a esta pode ser considerada como discreta (discretizada).
Outros pontos importantes que devem ser observados pelo pesquisador no momento
dde planejamento são
• Viabilidade financeira e temporal: toda pesquisa, pública ou privada, é financi-

ada e, desta forma o pesquisador tem que levar em conta estas restrição no momento
de planejar sua pesquisa. Os custos com insumos, material humano, entre outros,
devem ser considerados na contabilidade da pesquisa (TOLEDO; OVALLE, 1995;
FONTELLES et al., 2009).
• cronograma da fases de aplicação: após avaliar a restrição orçamentária o

pesquisador determina cronograma de desenvolvimento da pesquisa. Delimitando o
tempo de execução de cada faze do trabalho (TOLEDO; OVALLE, 1995).
• O delineamento estatístico: para se avaliar uma pesquisa, métodos estatísticos

devem ser usados. Desde a definição do problema até a análise final dos resultados.
E nesta faze, de posse das informações levantadas na fase de definição do problema
o pesquisado, com a ajuda da teoria estatística e na maioria das vezes, com o auxílio
de um Estatístico deve determinar as técnicas estatísticas que serão usadas no
experimento (TOLEDO; OVALLE, 1995). treinamento de colaboradores, etc. Mais
detalhes podem ser encontrados em livros especializados e em trabalhos como o
desenvolvido por (TOLEDO; OVALLE, 1995; FONTELLES et al., 2009)
1.4.3 Coleta dos dados

Esta fase é essencialmente operacional. Momento do registro das informações que
foram exaustivamente definidas e planejadas. Esta coleta pode ser feita por experimentação,
como o estudo de uma vacina, pesquisa por questionários, extração de dados de um
repositório na internet, entre outros. Um exemplo pode ser conveniente para o entendimento
dos conceitos de coleta de dados.
Na avaliação do desempenho de seu negócio o empreendedor pode se valer dos dados
de controle de caixa para verificar se as vendas estão sendo positivas. Alem disso o mesmo,
com a mesmas finalidade de avaliar seu desempenho em relação aos seus concorrentes. Para
isso, o Empreendedor pode buscar informações de um organismo que agregue os dados
desejados e os distribua de alguma forma, impressa ou virtual (informações externas).
O nível de satisfação do cliente é um indicador de bom desempenho de um negócio,
e desta forma o Empreendedor deve realizar uma pesquisa de opinião junto aos seus
clientes para verificar esta informação (informação externas). Logo estas duas fontes
de informações externas, dão origem à duas espécies de dados: primários e secundários
(TOLEDO; OVALLE, 1995).
• Dados Primários: Quando os dados são publicados pelo indivíduo ou organização

que os coletou, estes dados são denominados como primários (TOLEDO; OVALLE,
1995).
• Dados Secundários: Quando um indivíduo ou organização, publicam os informações

extraídas de outras fontes, os dados são denominados como secundários (TOLEDO;
OVALLE, 1995).
A forma de coleta pode ser direta ou indireta:
• Coleta é direta é quando os dados são obtidos diretamente da fonte, como exemplo
temos uma pesquisa de opinião. As coletas são classificadas quanto tempo de coleta.
– Coleta Contínua: quando os dados coletados de forma contínuas. Como

exemplo temos o tamanho da população mundial, que está ligada a diferença
entre o número de nascimentos menos o números de óbitos no mundo.
– Coleta Periódica: quando os dados coletados é realizada em determinados
momentos em um um curto período de tempo. Como exemplo temos a Pesquisa
Nacional por Amostra de Domicílios - PNAD ( Instituto Brasileiro de Geografia
e Estatística - IBGE , 2021) realizada pelo IBGE periodicidade trimestral
gerando indicadores que acumulados para gerar resultados anuais (TOLEDO;
OVALLE, 1995).
– Coleta Ocasional: quando os dados são coletados de forma esporádica, aten-
dendo a uma determinada conjuntura ou a um estado de emergência (TOLEDO;
OVALLE, 1995). Como exemplo temos a coleta de casos fatais na pandemia do
Covid-19.
• Coleta indireta quando a coleta dos dados é inferida, por deduções e conjeturas, a
partir de informações obtidos de forma direta, ou através do conhecimento prévio de
um outro fenômeno que, de certo modo, esteja relacionado com o fenômeno em sob
estudo (TOLEDO; OVALLE, 1995). Como exemplo podemos citar a pesquisa sobre
mortalidade pode câncer.
1.4.4 Apuração dos dados

Nesta fase os dados coletados devem ser trabalhados de forma facilitar a apresen-
tação e análise destes. O procedimento consistem em consolidar, filtrar e tabular-los de
forma de tornar possível a captação do significado de todas as informações contidas nos
dados. Esta “limpeza” realizada sobre os dados pode ser realizada de forma manual e ou
eletrônica.
• Apuração manual: é realizadas quando não se recorre a métodos mecânicos ou

eletrônicos. Exemplo: contagem de votos.
• Apuração eletrônica: é realizadas quando não se recorre a métodos eletrônicos.

Exemplo: pesquisa pela internet onde os dados são tabulados de forma automática
com o uso de alguma plataforma eletrônica.
Observação 1.1. A estrutura de tabulação no geral é semelhante a uma planilha da

Microsoft Excel, e recebe o geralmente a nomenclatura de “Banco de Dados”.
1.4.5 Apresentação dos dados

Nesta faze os dados já apurados os e reunidos, podem ser apresentados de forma
tabulada ou gráfica
• Forma tabulada: Conforme (MILONE, 2004) uma tabela é classificada de acordo

com os dados que a compõem. E Toledo e Ovalle (1995) define os dados apresentados
nesta tabelas com Séries Estatística e as define de forma ampla como uma sucessão
de números referidos a qualquer variável. Em termos de seus dados que a compõem
uma tabela pode ser:
– Tabela Temporal (Históricas, Cronológicas, ou marchas): os valores

da variável nesta tabela apresentados são indexados pelo tempo, ou seja, cada
valor é referente a um momento do tempo. Exemplo na Tabela 2.
Tabela 2 – Produção de petróleo em

Metro cúbico (mil)
Ano qte
2009 113.519
2010 119.595
2011 122.445
2012 120.244
2013 117.711
2014 131.129
2015 141.716
2016 146.322
2017 152.533
2018 150.468
2019 161.956
Fonte:(Ipeadata, 2020)
– Tabela geográficas: os valores da variável apresentados são indexados pelo

local ou região, ou seja, cada valor é referente a um local determinado. Exemplo
na Tabela 3.
Tabela 3 – Dez municípios brasileiros com mais focos acumulados no dia 11/Out/2020
Localidade Estado 11/Out/2020

POCONÉ MATO GROSSO 75
CORUMBÁ MATO GROSSO DO SUL 68
ÓBIDOS PARÁ 19
ALENQUER PARÁ 12
AQUIDAUANA MATO GROSSO DO SUL 12
PEDRA PRETA MATO GROSSO 12
CURUÁ PARÁ 11
TEFÉ AMAZONAS 11
URUARÁ PARÁ 11
NOVA BANDEIRANTES MATO GROSSO 10
Fonte:(INPE - Instituto Nacional de Pesquisas Espaciais, 2020)
– Tabelas específicas ou categóricas: os valores da variável apresentados são

indexados por uma através de uma característica, ou seja, cada objeto pertence
a uma determinada categoria. Exemplo na Tabela 4.
Tabela 4 – Quantidade produzida por Tipo de Parafuso
Tipo qte
A 100.000
B 150.000
C 46.000
D 126.000
Fonte: Criado pelo autor
– Tabelas conjugadas ou Tabelas de dupla entrada os valores da variável

apresentados são indexados simultaneamente por valores de duas ou mais
variáveis em uma única tabela. Exemplo na Tabela 5
Tabela 5 – Municípios mais pacíficos em 2015
2013 2014 2015

Brasil 57396 60474 59080
Acre 234 232 217
Alagoas 2148 2085 1748
Amapá 225 256 293
Amazonas 1191 1240 1472
Bahia 5694 6052 6012
Fonte:(CERQUEIRA et al., 2017)
• Forma Gráfica: Esta forma de apresentação, busca a exibir os dados de forma resu-
mida, através de gráficos que muitas vezes lançando da geometria. Como exemplo
podemos citar os gráficos de Barras e de Pizza nos quais as informações são apre-
sentadas através de formas geométricas. Como exemplo podemos citar o gráfico de
Barras (Figura 1) e o Gráfico de Pizza (Figura 2) da Variável da variável Curso do
Banco de Dados exposto na Tabela 93 que será usado como exemplo ao logo destas
notas de aula.
Figura 1 – Gráfico de Barras da Variável Curso
Figura 2 – Gráfico de Pizza da Variável Curso

1.4.6 Análise e interpretação dos dados

Fase onde os dados são analisados com o uso de várias técnicas estatísticas com
a finalidade de responder os questionamentos que motivaram a pesquisa. Esta análise é
realizada a fim de obter conclusões que comprovem o refutem a(s) tese(s) do pesquisador.
Para fins didático em várias obras de ensino de estatística como por exemplo os livros dos
autores Magalhães e Lima (2010), Milone (2004), as técnicas Estatísticas é subdividida
em Estatística Descritiva, Probabilidade e Inferência.
• A Estatística Descritiva pode ser definida como um conjunto de técnicas que

tem por finalidade:
– A observação de fenômenos estatísticos, a coleta de dados observados referentes

a esses fenômenos,
– A organização e a classificação destes dados, a sua apresentação na forma de
tabelas e gráficos
– O cálculo de coeficientes (estatísticas) que por se só descrevem de forma resumida
os resultados destes fenômenos.
Estás técnicas são utilizadas nas fases de apuração e apresentação dos dados.
• Probabilidade é o ramo da matemática e estatística que experimentos que repe-

tidos sob as mesmas condições produzem em grande parte resultados diferentes
(MORGADO; CARVALHO; FERNANDEZ, 1991). A definição de probabilidade
como o quociente do número de “casos favoráveis” sobre o número de “casos possíveis”
foi a primeira definição formal de probabilidade, e apareceu pela primeira vez em
forma clara na obra Liber de Ludo Aleae de Jeronimo Cardano (1501-1576) segundo
Morgado, Carvalho e Fernandez (1991)
• Inferência Estatística é um conjunto de técnicas que tem a finalidade de estudar

informações de uma população, através informações mensuradas de elementos de
uma amostra(MAGALHÃES; LIMA, 2010).
Parte II
Estatística Descritiva
25
2 Estatística Descritiva
Sumário
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Tabelas Estatísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.1 Normas de Apresentação de uma Tabela . . . . . . . . . . . . . . . 26

2.2.2 A Distribuição de frequência (DF) . . . . . . . . . . . . . . . . . . . 27
2.3 Medidas Descritivas . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.1 Medidas de Posição . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.3.2 Medidas de Dispersão . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4 Gráficos Estatísticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.4.1 Gráficos Univariados . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

2.4.2 Gráficos Bivariados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.4.3 Outros Gráficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.5 Lista de Exercícios de Estatística Descritiva . . . . . . . . . . 74
2.1 Introdução
A Estatística Descritiva pode ser definida como um conjunto de técnicas que
tem por finalidade a observação de fenômenos estatísticos, a coleta de dados observados
referentes a esses fenômenos, organização e a classificação destes dados, a sua apresentação
na forma de tabelas e gráficos, além do cálculo de coeficientes (estatísticas) que por se só
descrevem de forma resumida os resultados destes fenômenos (LARSON; FARBER, 2015;
MILONE, 2004; MAGALHÃES; LIMA, 2010).
Segundo alguns autores a exemplo de Milone (2004), a Estatística Descritiva
geralmente é utilizada na fase inicial da análise dos dados, ou seja, no momento que
tomamos contato com os dados pela primeira vez.
De posse um conjunto de dados, o processo de análise descritiva começa pela
avaliação do comportamento individual de cada variável (Estudo Univariado ou Análise
Univariada). Posteriormente busca-se, no caso onde foram coletadas, no experimento,
mais de uma varável, verificar as relações dois a dois entre as variáveis (Estudo Bivariado
ou Análise Bivariada). E finalmente, busca-se verificar o comportamento geral do Banco
de dados através da avaliação das relações entre todas as variáveis relevantes (Estudo
Multivariado ou Análise Multivariada).
26 Capítulo 2. Estatística Descritiva
Observação 2.1. As variáveis neste texto serão representadas algebricamente por letras
maiúsculas do fim do alfabeto como por exemplo {X, Y, Z, . . .} e os valores assumidos por
letras minusculas também do fim do alfabeto {x, y, z, . . .}.
2.2 Tabelas Estatísticas

Dado um conjunto de dados as informações contidas em cada uma das variáveis
podem ser resumidas por meio de tabelas. A sumarização é feita pela frequência de
ocorrência de acordo com o tipo de variável.
• Para variável qualitativas pela frequência de ocorrência de cada categoria;
• Para Uma variável discreta pela frequência de ocorrência de cada um dos valores da
variável;
• Para Uma variável Contínua pela frequência de ocorrência dos valores da variável
contidos em um intervalo de classe.
Este resumo citado é denominado Distribuição de frequência (MILONE, 2004)(TO-

LEDO; OVALLE, 1995).
2.2.1 Normas de Apresentação de uma Tabela

As normas gerais de estilo e formatação de uma tabela depende de para qual
instituição a mesma é preparada. Geralmente em apresentação de trabalhos estatísticos
seguimos a Norma (ABNT, 2011) que expõe as seguintes recomendações:
1. A tabela deve ter numeração independente e consecutiva;
2. O título da Tabela deve ser colocado na parte superior chamada de cabeçalho,

precedido da palavra Tabela e de seu número de ordem;
3. A Tabelas deve utilizar linhas horizontais e verticais para separar os títulos das
colunas no cabeçalho e fechando na parte inferior, sendo evitando linhas verticais
para separar as colunas e linhas horizontais para separar as linhas.
4. Devem ser inseridas e posicionadas em um ponto do texto a que se referem;
5. Se a Tabela não couber na folha, após o texto a que se referem, devem ser inserida
na folha imediatamente posterior.
No decorrer do texto usaremos o padrão apresentado na Tabela 6

2.2. Tabelas Estatísticas 27
Tabela 6 – Título: Informações do dados Expostos na Tabela

Título do Banco de dados
Cabeçalho: Título das Variáveis
Corpo da tabela: Valores das Variáveis
Fonte: Fonte dos dados expostos na Variável
2.2.2 A Distribuição de frequência (DF)
A Distribuição de frequência é a forma de resumo, através da frequência, em uma

tabela para variáveis Qualitativas e Quantitativas. As Distribuições de Frequências são
amplamente estudadas na estatística por sua relação intrínseca com o comportamento
probabilístico da variável, tema da próxima unidade. A construção de uma DF será
apresentada por meio de exemplos.
2.2.2.1 Variáveis Qualitativas
As variáveis qualitativas são classificadas como Ordinais ou Nominais. Nos dois

casos a forma de resumo é realizado da mesma forma. Apresentaremos o processo através
de exemplos. Para as variáveis categóricas temos o exemplo 2.1.
Exemplo 2.1. Os dados de um dia de trabalho de um lava-jato estão expostos na Tabela

7. Construa a DF que resumam os dados por categorias.
Tabela 7 – Dados de um dia de trabalho de um lava-jato
Sexo Carro Opinião

FEMININO Sedan ótimo
MASCULINO Jipe ótimo
MASCULINO Picape bom
MASCULINO Sedan ótimo
FEMININO Hatch péssimo
FEMININO Hatch péssimo
Fonte: Dados Fictícios
Solução:
Temos que o resultados do resumo de frequência dado por:
Tabela 8 – Resumo da Variável Sexo Tabela 9 – Resumo da Variável Carro
Categoria Sexo f Categoria Carro f

1 FEMININO 5 1 Hatch 2
2 MASCULINO 13 2 Jipe 5
3 Picape 4
4 Sedan 7
Tabela 10 – Resumo da Variável Opinião
Categoria Opinião f
1 bom 4
2 ótimo 12
3 péssimo 2
Pensando 2.1. Nas Tabelas 8, 9 e 10 você pode identificar alguma coisa faltante?
2.2.2.2 Variáveis Quantitativas
O resumo tabular é feito de acordo o tipo das variáveis, discreta ou contínua.
Exemplo 2.2 (Variável Discreta). Calcule a DF para a variável Idade exposto an

Tabela 19 presente no Banco de dados exposto na Tabela 93.
Tabela 11 – Dados da Idade (Brutos)
22 20 17 16 22 23 19 18 22 24
18 22 23 23 19 19 21 23 18 21
24 21 24 19 19 20 22 24 19 24
25 17 24 20 17 17 17 17 21 18
21 23 16 24 22 25 23 22 20 17
Solução:
A solução será realizada seguindo um algorítimo.
1. Colocamos os dados brutos em ordem crescente ou decrescente, que chamamos de

ROL, como exposto na Tabela 12.
Tabela 12 – Dados da Idade (ROL)
16 16 17 17 17 17 17 17 17 18
18 18 18 19 19 19 19 19 19 20
20 20 20 21 21 21 21 21 22 22
22 22 22 22 22 23 23 23 23 23
23 24 24 24 24 24 24 24 25 25
2. Verificamos quantas vezes o menor valor da amostra do ROL x1 se repete, ou seja,

calculamos sua frequência f1 . Estes valores formam a linha 1 das duas colunas da
DF a coluna da Idade e a coluna da frequência fi .
3. Verificamos quantas vezes o 2º menor valor da amostra em ROL x2 se repete, ou

seja, calculamos sua frequência f2 . Estes valores formam a linha 2 das duas colunas
da DF a coluna da Idade e a coluna da frequência fi .
4. Verificamos quantas vezes o 3º menor valor da amostra em ROL x3 se repete, ou

seja, calculamos sua frequência f3 , Estes valores formam a linha 3 as duas colunas
da DF a coluna da Idade e a coluna da frequência fi .
5. Verificamos quantas vezes o j-ésimo menor valor da amostra em ROL xj se repete,

ou seja, calculamos sua frequência fj , Estes valores formam a j-ésima linha das
duas colunas da DF a coluna da Idade e a coluna da frequência fi
6. Repetimos o processo exposto no Item 5 até o ultimo valor dos dados em ROL.
7. Em seguida, montamos uma tabela com as seguintes colunas:
• A 1ª coluna é formada pelos elementos da amostra xj em Rol com j =

{1, 2, . . . , N c} sendo N c o número de classes.
• A 2ª coluna é composta pelos valores da frequências absolutas (fj ) de cada um

dos elementos da amostra. Onde fj é a quantidade de elementos de xj presente
na variável
• A 3ª coluna é composta pelos valores das frequências relativas (f rj ) tal que:
fj
f rj =
n
Nc
onde n = ∑ fj
j=1
• A 4ª coluna é composta pelas frequências acumuladas (Fj ) até a j-ésima linha

de forma que:
F1 = f1
F2 = f2 + F1
⋮
Fj = f1 + f2 + f3 + . . . + fj
j
Fj = ∑ fj
j=1
Fj = fj + Fj−1
• A 5ª coluna é composta pelas frequências acumuladas relativas (F rj ) de modo

que
Fj
F rj =
n
Tabela 13 – Dist. de Frequência genérica
Idade fj f rj Fj F rj
x1 f1 f1 /n F1 F1 /n
x2 f2 f2 /n F2 F2 /n
x3 f3 f3 /n F3 F3 /n
⋮ ⋮ ⋮ ⋮ ⋮
xN c fN c fN c /n FN c FN c /n
O resultado está apresentado na Tabela 14.

Tabela 14 – Dist. de Frequência da Idade
Idade fj f rj Fj F rj
16 2 0,20 2 0,20
17 7 0,70 9 0,90
18 4 0,40 13 1,30
19 6 0,60 19 1,90
20 4 0,40 23 2,30
21 5 0,50 28 2,80
22 7 0,70 35 3,50
23 6 0,60 41 4,10
24 7 0,70 48 4,80
25 2 0,20 50 5,00
Quando lidamos com dados de contínuos, o procedimento de construção TDF é análogo

ao processo anterior.
Exemplo 2.3 (Variável Contínua). Calcule a DF para a variável Altura de um grupo de

alunos estão expostos na Tabela 15.
Tabela 15 – Dados da Altura (Brutos)
1,65 1,68 1,67 1,70 1,70 1,55 1,55 1,54 1,57 1,57
1,68 1,70 1,68 1,69 1,70 1,53 1,53 1,53 1,55 1,59
1,65 1,67 1,69 1,70 1,68 1,57 1,56 1,53 1,54 1,54
1,64 1,67 1,70 1,69 1,69 1,58 1,57 1,54 1,55 1,58
1,65 1,67 1,67 1,70 1,71 1,56 1,54 1,58 1,57 1,58
A solução será realizada seguindo um algorítimo.
1. Colocamos os dados brutos em ordem (rol) crescente ou decrescente como exposto

na Tabela 16.
Tabela 16 – Dados da Altura (ROL)
1,53 1,53 1,53 1,53 1,54 1,54 1,54 1,54 1,54 1,55
1,55 1,55 1,55 1,56 1,56 1,57 1,57 1,57 1,57 1,57
1,58 1,58 1,58 1,58 1,59 1,64 1,65 1,65 1,65 1,67
1,67 1,67 1,67 1,67 1,68 1,68 1,68 1,68 1,69 1,69
1,69 1,69 1,70 1,70 1,70 1,70 1,70 1,70 1,70 1,71
2. Calculamos o número de linhas (N c) chamado de nº de classes da tabela de frequência.

Os critérios de cálculo de N c é baseado no tamanho da amostra (n) (MILONE,
2004), são eles:
√
• Nc = n - Critério da Raiz.
• N c = 1 + 3, 3 log10 (n) - Critério de Sturges.

• N c = −1 + 2 ln(n) - Critério de .
em que d é o numero de decimais dos elementos amostrais, x1 é o valor mínimo, xn

é o valor máximo.
• O Critério de Sturges fornece o valor:
N c = 1 + 3, 3 log10 (50) = 6, 607 ≈ 7
• O Critério de Raiz fornece o valor:

√
N c = 50 = 7, 071 ≈ 7
• O Critério de Milone fornece o valor:
N c = −1 + 2 ⋅ ln(50) = 6, 824 ≈ 7
A seguir será usado o critério de Sturges.
3. Para determinar o tamanho de cada classe é necessário calcular a Intervalo da Classe

Ic que é definido como:
1, 71 − 1, 53
Ic = XnN−cX1 = 7 = 0, 0257 ≈ 0, 03
4. De posse do numero de Classes (N c) e do intervalo de cada classe (Ic ), podemos

construir a coluna das classes da seguinte forma;
a) Tomamos o menor dos valores do conjunto de dados em rol x1 como sendo

o limite inferior do intervalo de classe denominado li1 e calculamos o Limite
Superior da primeira classe Ls1 da seguinte forma
li1 = x1
Ls1 = x1 + Ic
b) Tomamos Ls1 calculamos Ls2 da seguinte forma
li2 = Ls1
Ls2 = Ls1 + Ic
c) Para o i-ésima linha da DF Tomamos o Lsi−1 calculamos Lsi da seguinte forma
lii = Lsi−1
Lsi = Lsi−1 + Ic
d) Repetimos o passo 4c até o valor de N c ser alcançado.
Para o nosso exemplo temos:
li1 = x1 = 1, 53 ⇒ Ls1 = x1 + Ac = 1, 53 + 0, 03 = 1, 56
li2 = Ls2 = 1, 59 ⇒ Ls2 = Ls2 + Ac = 1, 56 + 0, 03 = 1, 59
li3 = Ls3 = 1, 62 ⇒ Ls3 = Ls3 + Ac = 1, 59 + 0, 03 = 1, 62
li4 = Ls4 = 1, 65 ⇒ Ls4 = Ls4 + Ac = 1, 62 + 0, 03 = 1, 65
li5 = Ls5 = 1, 68 ⇒ Ls5 = Ls5 + Ac = 1, 65 + 0, 03 = 1, 68
li6 = Ls6 = 1, 71 ⇒ Ls6 = Ls6 + Ac = 1, 68 + 0, 03 = 1, 71
li7 = Ls7 = 1, 74 ⇒ Ls7 = Ls7 + Ac = 1, 71 + 0, 03 = 1, 74
5. A coluna (P mj ) (Ponto médio da j-ésima classe) será necessária para o calculo da

medidas paramétricas. O valor de P mj é definido como:
lij + Lsj
P mj = para j = {2, 3, . . . , k}
2
a) para o cálculo de P m1 tomamos os limites do intervalo [l1 , L1 ) da primeira
li1 + Ls1
classe e calculamos o ponto médio P m1 =
2
b) para o cálculo de P m1 tomamos os limites do intervalo [l2 , L2 ) da segunda
li2 + Ls2
classe e calculamos o ponto médio P m2 =
2
c) para o cálculo de P mj tomamos os limites do intervalo [lj , Lj ) da j-ésima
lij + Lsj
classe e calculamos o ponto médio P mj =
2
d) Repetimos o passo 5c até o valor de k ser alcançado.
6. Construção da coluna da frequência absoluta (fj )
a) Para 1ª classe contamos o nº de valores (f1 ) que pertencem o intervalo [l1 , L1 );

b) Para 2ª classe contamos o nº de valores (f2 ) que pertencem o intervalo [l2 , L2 );
c) Para j-ésima classe contamos o nº de valores (fj ) que pertencem o intervalo
[lj , Lj );
d) Repetimos o passo 6c até o valor de k ser alcançado.
7. Construção da coluna da frequência absoluta Fj
a) Tomamos f1 com o valor de F1 ;

b) Tomamos f1 + f2 como valor de F2 ;
c) Tomamos f1 + f2 + f3 como valor de F3 ;
d) Tomamos f1 + f2 + f3 + ⋯ + fj como valor de Fj que pode ser definido por
Fj = fj + Fj−1 ;
e) Repetimos o passo 7d até k ser alcançado.
fj
8. Para construção da coluna f rj tomamos f rj = n
f1
a) Tomamos f r1 = ;
n
f2
b) Tomamos f r2 = ;;
n
f3
c) Tomamos f r3 = ;
n
fj
d) Tomamos f rj = ;
n
Fj
9. Para construção da coluna F rj tomamos F rj = n
F1
a) Tomamos F r1 = ;
n
F2
b) Tomamos F r2 = ;;
n
F3
c) Tomamos F r3 = ;
n
Fj
d) Tomamos F rj = ;
n

Tabela 17 – Tabela genérica de frequência
Nc Intervalos P mj fj f rj Fj F rj
2.2. Tabelas Estatísticas
li1 + Ls1 f
1 li1 ⊢ (li1 + Ic ) = Ls1 P mj = f1 f r1 = n1 F 1 = f1 F r1 = Fn1
2
li2 + Ls2 f
2 Ls1 ⊢ (Ls1 + Ic ) = L2 P mj = f2 f r2 = n2 F2 = F1 + f2 F r2 = Fn2
2
li3 + Ls3 f
3 Ls2 ⊢ (Ls2 + Ic ) = L3 P mj = f3 f r3 = n3 F3 = F2 + f3 F r3 = Fn3
2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
lij + Lsj f F
j Lsj−1 ⊢ (Lsj−1 + Ic ) = Lsj P mj = fj f rj = nj Fj = Fj−1 + fj F rj = nj
2
⋮ ⋮ ⋮ ⋮ ⋮
liN c + LsN c fN c
Nc lsN c−1 ⊢ lsN c−1 + Ic = LsN c P mj = fN c f rN c = n FN c = FN c−1 + fN c F rN c = Fnk
2
35
Ao final obtemos a Tabela 18
Tabela 18 – TDF da Altura
Altura P mj fj f rj f rj % Fj F rj
1,53 ⊢ 1,56 1,545 13 0,26 26 13 26
1,56 ⊢ 1,59 1,575 11 0,22 22 24 48
1,59 ⊢ 1,62 1,605 1 0,02 2 25 50
1,62 ⊢ 1,65 1,635 1 0,02 2 26 52
1,65 ⊢ 1,68 1,665 8 0,16 16 34 68
1,68 ⊢ 1,71 1,695 15 0,30 30 49 98
1,71 ⊢ 1,74 1,725 1 0,02 2 50 100
2.3 Medidas Descritivas

São medidas de resumo, através de um único valor, das informações contidas em
uma variável Quantitativa. Se este valor é calculado na população é chamado de parâmetro,
já na amostra temos uma estimativa deste parâmetro (estatística). Estas estatísticas são
classificados como Medidas de Posição, Dispersão.
2.3.1 Medidas de Posição

Também chamadas de Medidas de Tendência Central (TOLEDO; OVALLE, 1995)
em virtude do comportamento intrínseco dos valores observados de uma varável, que
agruparem-se em torno destas. As mais usadas em análises estatísticas são média aritmética,
a moda e a mediana.
2.3.1.1 Média Aritmética
Definição 2.1 (Média Aritmética). é o quociente entre a soma dos valores de uma variável
e número total de observações desta variável.
O cálculo da média é realizado de acordo com apresentação dos dados.
1. Para dados não agrupados: Neste caso os dados estão conforme foram coletados
(Brutos) ou ordenados (Rol)
n
xi (x1 + x2 + ⋯ + xn )
X =∑ = (2.1)
i=1 n n
em que xi é o valor da i-ésima observação da amostra.
Exemplo 2.4. De posse dos dados da Idade do Banco de Dados expostos na Tabela
93 e apresentados na Tabela 19
2.3. Medidas Descritivas 37
Tabela 19 – Dados da Idade (Brutos)
22 20 17 16 22 23 19 18 22 24
18 22 23 23 19 19 21 23 18 21
24 21 24 19 19 20 22 24 19 24
25 17 24 20 17 17 17 17 21 18
21 23 16 24 22 25 23 22 20 17
Solução:
22 + 18 + . . . + 17 1032
X= = = 20, 64
50 50
2. Para Dados Tabulados Agrupados em classes:: Neste caso cada valor da coluna
de dados xj que representa a j-ésima classe da Tabela é multiplicado pelo Valor da
Frequência fj . Apos isso os dados são dividos
Nc
∑ xj f j
j=1 (x1 .f1 + x2 .f2 + ⋯ + xN c .fN c )
X= n = (2.2)
(f1 + f2 . . . fN c ) = n
∑ fj
j=1
Exemplo 2.5. De posse dos dados da Tabela 14, calcule a Média.
Solução:
16 ⋅ 2 + 17 ⋅ 7 + . . . + 25 ⋅ 2 1032
X= = = 20, 64
50 50
3. Para Dados Tabulados Agrupados em Intervalos de Classe: temos neste caso

que cada intervalo é uma classe, e desta forma o representante de cada classe é o
lij − Lsj
Ponto Médio (P mj = ).
2
Nc
∑ P mj fj
j=1 (P m1 .f1 + P m2 .f2 + ⋯ + P mN c .fN c )
X= n = (2.3)
(f1 + f2 . . . fN c ) = n
∑ fj
j=1
Exemplo 2.6. Baseado nos dados da Tabela 18 Calcule a Média X.
Solução: ‘
1. Primeiro caso na Tabela de Distribuição de Frequência a coluna do Ponto médio

P mj não tenha sido calculada a mesma deve ser obtida.
2. Segundo os valores da coluna P mj devem se multiplicado pelos valores da coluna fj

de modo a ser formada a coluna com os resultados deste produto, ou seja, a coluna
P mj × fj .
Tabela 20 – TDF da Altura Incluindo P mj × fj
Altura fj f rj f rj % P mj Fj F rj P mj × fj
1,53 ⊢ 1,56 13 0,26 26 1,545 13 26 20,085
1,56 ⊢ 1,59 11 0,22 22 1,575 24 48 17,325
1,59 ⊢ 1,62 1 0,02 2 1,605 25 50 1,605
1,62 ⊢ 1,65 1 0,02 2 1,635 26 52 1,635
1,65 ⊢ 1,68 8 0,16 16 1,665 34 68 13,320
1,68 ⊢ 1,71 15 0,30 30 1,695 49 98 25,425
1,71 ⊢ 1,74 1 0,02 2 1,725 50 100 1,725
3. Terceiro somamos os valores da coluna P mj × fj e dividir por n, conforme exposto

na Equação 2.3 e obtemos a média.
20.085 + 17.325 + 1.605 + 1.635 + 13.32 + 25.425 + 1.725
X=
50
81.12
X= = 1.6224
50
Propriedades da Média
1. A soma dos desvios dos valores de um conjunto de dados X em relação a média X é

nula. Matematicamente temos as seguintes equações:
Para Dados Não Tabulados(Brutos) :
n
∑(xi − X) = 0 (2.4)
i=1
Demonstação: Temos que

n n n
∑(xi − X) = ∑ xi − ∑ X
i=1 i=1 i=1
´¸¶
n
n
= ∑ xi − nX
i=1
n
⎛∑ x ⎞
n ⎜ i=1 i ⎟
= ∑ xi −
n⎜⎜ n ⎟
⎟
i=1 ⎜ ⎟
⎝ ⎠
n n

= ∑xi − ∑xi
i=1
i=1

= 0
Exemplo 2.7.
Para Dados Tabulados não Agrupados em Classe:

k
∑(xj − X)fj = 0 (2.5)
j=1
2. A soma de guardados dos desvios dos valores de um conjunto de dados X em relação

a média X é um mínimo.
Para Dados Não Tabulados(Brutos) :
n n
2 2
∑ (xi − X) ≤ ∑ (xi − x0 ) (2.6)
i=1 i=1
Para Dados Tabulados não Agrupados em Classe:

n n
2 2
∑ (xj − X) fj ≤ ∑ (xj − x0 ) fj (2.7)
j=1 j=1
3. Se o conjunto de dados possui k subgrupos com tamanhos nj j = {1, 2, 3, . . . , k} cada

grupo com sua média X̄j , então podemos calcular a média total X̄ da seguinte forma:
k
∑ X j nj
X 1 n1 + X 2 n2 + . . . + X k nk j=1
X= = k
(2.8)
n1 + n2 + . . . + nk
∑ nj
j=1
4. Seja X uma variável quantitativa composta dos seguintes elementos {x1 , x2 , . . . , xn }.
a) se somarmos ou subtrairmos a cada um destes elementos valor constante c

obtemos um novo conjunto de dados Y com elementos {y1 , y2 , y3 , . . . , yn } de
forma que Y = X + c.
Demonstação:
Temos que Y = X ± c e desta forma yi = xi ± c ∀i
n
yi
Y = ∑
i=1 n
n
xi ± c
= ∑
i=1 n
n
xi n c
= ∑ ±∑
i=1 n i=1 n
n
xi c
= ∑ ± n
i=1 n n
´¹¸¹ ¶
X
= X ±c
b) se multiplicarmos um valor constante c escolhido de forma arbitrária, a cada

elemento da amostra, de forma a obter um novo conjunto de dados representados
pela variável aleatória Y = X ⋅ c, isto é Y = {x1 ⋅ c + x2 ⋅ c + . . . + xn ⋅ c} teremos
Y =X ⋅c (2.9)
Temos que Y = X ± c e desta forma yi = xi ± c ∀i

n
yi
Y = ∑
i=1 n
n
xi ⋅ c
= ∑
i=1 n
n
xi
= c ⋅ (∑ )
i=1 n
⎛ ⎞
⎜n ⎟
⎜ xi ⎟
= c⋅⎜
⎜∑ n ⎟
⎟
⎜i=1 ⎟
⎜ ⎟
⎝´¹¸¹ ¶⎠
X
= c⋅X
c) se dividirmos um valor constante c escolhido de forma arbitrária, a cada elemento

da amostra, de forma a obter um novo conjunto de dados representados pela
variável aleatória Y = X ÷ c, isto é Y = {x1 ÷ c + x2 ÷ c + . . . + xn ÷ c} teremos:
Y =X ÷c (2.10)
n
yi
Y = ∑
i=1 n
n
xi ÷ c
= ∑
i=1 n
n
1 xi
= ⋅ (∑ )
c i=1 n
⎛ ⎞
⎜n ⎟
1 ⎜ xi ⎟
= ⋅⎜∑ ⎟
c ⎜i=1 n ⎟
⎜
⎟
⎜ ⎟
⎝´¹ ¸ ¹ ¶ ⎠
X
1
= ⋅X
c
2.3.1.2 Mediana
Definição 2.2 (Mediana). é o valor que divido o conjunto de dados em dua partes de
tamanhos iguais.
Definição 2.3 (Mediana (TOLEDO; OVALLE, 1995)). A mediana correspondeBom dia.

Alguma dúvida quanto a aulas? ao valor que divide um conjunto de dados ordenados de
tal forma que pelo menos a metade ou 50% dos itens sejam iguais ou menores do que
este, e que haja pelo menos outra metade ou 50% maiores. Sua notação é M d (TOLEDO;
OVALLE, 1995).
O calculo da mediana depende e como os dados estão dispostos.
• Para Dados não Tabulados :
– Se n é par temos que o rol admite dois termos centrais, a saber os valores de
ordens n/2 e (n/2) + 1. Então o valor da mediana será a média aritmética dos
valores x( n ) e x( n +1)
2 2
Exemplo 2.8. De posse dos dados da Tabela 19 Calcule a Mediana.
X 50 + X 51 21 + 21 42
2 2
Md = = = = 21
2 2 2
Exemplo 2.9. De posse do conjunto de dados: X = {23, 25, 28, 28, 31, 31, 32, 32}
calcule a mediana.
Solução:
Notamos que n = 8 e desta forma a quantidade de elementos dos dados é par.
Assim temos que a mediana é
X8/2 + X8/2+1
Md =
2
X4 + X5
=
2
28 + 31
=
2
= 29, 5
– Se n é ímpar, o rol admite apenas um termo central que ocupa a posição

(n + 1)/2.
Exemplo 2.10. De posse dos dados da Tabela 19 mas desta vez retirando 5
elementos aleatórios dos dados obtemos a Tabela 21. Calcule a Mediana.
Tabela 21 – Dados da Idade (ROL)
16 16 17 17 17 17 17 17 17
18 18 18 19 19 19 19 19 20
20 20 20 21 21 21 21 21 22
22 22 22 22 22 23 23 23 23
24 24 24 24 24 24 24 25 25
Solução:
Md = X (45+1) = X 46 = X23 = 20
2 2
Exemplo 2.11. De posse do conjunto de dados: Y = {23, 25, 28, 28, 31, 31, 32, 32, 45}
calcule a mediana.
Solução: Notamos que n = 9 e desta forma a quantidade de elementos dos

dados é par. Assim temos que a mediana é
Md = Y9/2+0,5
= Y4,5+0,5
= Y5
= 31
• Para Dados Tabulados em classes:Para seu cálculo devemos localizar a classe da

mediana que corresponde à classe cujo valor da Frequência Acumulada Fj ≥ EM d ou
Fj ≥ n/2. Após identificada a classe da mediana, o cálculo é análogo ao calculado no
item anterior.
• Para Dados Tabulados e Agrupados em Intervalos de Classes : Para seu

cálculo devemos localizar a classe da mediana que corresponde à classe cujo valor da
Frequência Acumulada Fj ≥ n/2. Após identificada a classe da mediana, o cálculo
do valor de M d é efetuado usando a Equação 2.11 adaptada do livro de (TOLEDO;
OVALLE, 1995)
n/2 − Fant
M d = liM d + IcM d × (2.11)
fM d
em que
n o nº de elementos do conjunto de dados;

Fant é a frequência acumulada até a classe anterior à classe da mediana;
fM d é a frequência simples da classe da mediana;
liM d são o limite inferior da classe da mediana;
IcM d são a amplitude da classe da mediana.
Exemplo 2.12. De posse do conjunto de dados Tabela 18
Solução:
Para os dados da Altura temos que Md é:
n/2 − Fant 25 − 24
Md = li + IcM d ⋅ = 1, 59 + 0, 03 ⋅ = 1, 62
f Md 1
2.3.1.3 Moda
Definição 2.4 (Moda). É o valor ou valores mais frequente(s) no conjunto de dados.

Notação: M o.
• Para dados não Tabulados e Tabulados em Classes: Basta buscar o valor

predominante, ou seja, de maior frequência, no conjunto de dados.
Exemplo 2.13. Calcule a Moda para o conjunto de dados exposto na Tabela 19
Solução:
Os Valores da moda são:
x
n/2 − Fant 25 − 24
Md = li + IcM d ⋅ = 1, 59 + 0, 03 ⋅ = 1, 62
fMd 1
• Para dados Tabulados e Agrupados em Intervalos de Classes: Na tabela

de Distribuição de Frequências devemos primeiramente identificar a classe modal
(aquela que possui maior frequência) e nesta usar a Equação 2.12 adaptado do livro
Toledo e Ovalle (1995).
∆1
M o = liM o + IcM o × (2.12)
∆1 + ∆2
é conhecida como Moda de Czuber segundo Toledo e Ovalle (1995), em que:
– liM o representam o limite inferior da classe modal;
– IcM o‘ representam a amplitude da classe modal;
– ∆1 = fM o − fantM o ; e ∆2 = fM o − fpostM o sendo fM o a frequência da classe modal,

fant a frequência da classe anterior à classe modal e fpos a frequência da classe
posterior à classe modal.
Exemplo 2.14. Calcule a Moda para os conjuntos exposto na Tabela 15 de dados:
Solução:
Buscando na Tabela 16 a linha com maior frequência temos que:
15 − 8
M o = 1, 68 + 0, 03 ⋅ = 1, 69
(15 − 8) + (15 − 1)
2.3.1.4 Medidas Separatrizes
As medidas separatrizes também chamadas de quantis são valores numéricos que

dividem o conjunto de dados X de tamanho n em τ subconjuntos onde 1 ≤ τ < n e τ ∈ Z∗+ .
O número de valores necessários para dividir o conjunto de dados em τ é o = τ − 1 de forma
que o ∈ A = {o ∈ R∣1 ≤ o ≤ τ − 1}. Assim o-ésimo quantil é qo (MILONE, 2004). O modo de
cálculo do dos quantis é realizada de acordo com o modo de apresentação dos dados. Em
especial os valores de τ mais usados na literatura são τ = {4, 10, 100} de modo que:
• A Mediana: é definida por τ = 2 e o = 1 e sua notação é (Md );
• Os Quartis é definida por τ = 4 e 1 ≤ o ≤ 3 e sua notação é (Qo );
• Os Decis é definida por τ = 10 e 1 ≤ o ≤ 9 e sua notação é (Do );
• Os Percentis ou Centis é definido por τ = 100 e 1 ≤ o ≤ 99 e sua notação é (Co ).
2.3.1.5 Para dados não Tabulados
As variáveis podem ser discretas ou contínuas.
• Para variáveis discretas

Sendo X é uma variável com valores Inteiros o procedimento de cálculo de q0 se dá
seguinte forma:
1. Inicialmente calcula-se o valor de Eq0 usando a equação 2.13:

o
Eqo = (n + 1) (2.13)
τ
2. Em seguida calculamos o valor qo com usando a equação 2.14
qo = x⌊Eqo ⌋ + (Eqo − ⌊Eqo ⌋) (x⌊Eqo ⌋+1 − x⌊Eqo ⌋ ) (2.14)
em que x⌊Eqo ⌋ é um elemento do conjunto de dados X sendo sua posição

determinada pela aplicação da Função Chão ⌋ ⋅ ⌊ ao valor de Eq0 .
Definição 2.5 (Função Chão). é a função, denotada por ⌊x⌋, que converte
o valor de x no maior número inteiro menor que x (GRAHAM; KNUTH;
PATASHNIK, 1989). Formalmente temos:
⌊x⌋ = max {m ∈ Z∣m ≤ x} (2.15)
a parte fracionaria (decimal) de x é definida por: {x} = x − ⌊x⌋ ∀ x.
Conforme a definição da Função Chã, notamos que o valor ⌊Eqo ⌋ é a parte

inteira de Eqo e o valor resultante da diferença (Eqo − ⌊Eqo ⌋) é a parte fracionaria
(decimal) de Eqo (MILONE, 2004).
Exemplo 2.15. De posse da Tabela 12 calcule os Quartis.

Solução:
EQ1 = 14 ⋅ (50 + 1) = 12.75

Q1 = x⌊EQ ⌋ + (EQ1 − ⌊EQ1 ⌋) (x⌊EQ ⌋+1 − x⌊EQ ⌋ )
1 1 1
Q1 = x12 + (12.75 − 12) (x13 − x12 )
Q1 = 18 + (12.75 − 12) (18 − 18)
Q1 = 18 + 0.75 ⋅ 0
Q1 = 18
EQ2 = 42 ⋅ (50 + 1) = 25.5

Q2 = x⌊EQ ⌋ + (EQ2 − ⌊EQ2 ⌋) (x⌊EQ ⌋+1 − x⌊EQ ⌋ )
2 2 2
Q2 = x25 + (25.5 − 25) (x26 − x25 )
Q2 = 21 + (25.5 − 25) (21 − 21)
Q2 = 21 + 0.5 ⋅ 0
Q2 = 21
EQ3 = 43 ⋅ (50 + 1) = 38.25

Q3 = x⌊EQ ⌋ + (EQ3 − ⌊EQ3 ⌋) (x⌊EQ ⌋+1 − x⌊EQ ⌋ )
3 3 3
Q3 = x38 + (38.25 − 38) (x39 − x38 )
Q3 = 23 + (38.25 − 38) (23 − 23)
Q3 = 23 + 0.25 ⋅ 0
Q3 = 23
• Para Variáveis Contínuas

Se X é uma variável com valores contínuos, ou seja, X = {x∣x ∈ R e a < x < b}
definimos qo da seguinte forma:
qo o
∫x p(x)dx = τ (2.16)
min
onde xmin é o valor mínimo de X, qo é a o-ésima separatriz, e p(⋅) é a função da

frequência ou de probabilidade dos dados.
Exemplo 2.16. Para dados contínuos usamos a relação 2.16. Supondo X = {x∣x ∈ 2 < x < 5}
o qual representa o tempo de estudo de um conjunto de 1000 alunos. Calcule os Decis
8 e Quartil 3
Solução: Assim
8º Decil:
D8 1 8 D8 1 x D8 D8 − 2 8
∫2 dx = ⇒ ∫ = ∣ = = ∴ D8 = 4, 4
5−2 10 2 5−2 3 2 3 10
3º Quartil:
Q3 1 3 Q3 1 x Q3 Q3 − 2 3
∫2 dx = ⇒ ∫ dx = ∣ = = ∴ Q3 = 4, 25
5−2 4 2 5−2 3 2 3 4
2.3.1.6 Para dados agrupados em Classes:
O procedimento neste caso é análogo ao realizado para o cálculo da Mediana para

os dados tabulados e agrupados classes (MILONE, 2004; TOLEDO; OVALLE, 1995). A
ordem, posição do quantil na tabela é determinado, buscando um valor maior ou igual a
Eqo (Equação 2.17) na coluna da Frequência Acumulada Fj .
o
Eqo = (n) (2.17)
τ
Encontrando o valor a linha referente a este valor é chamada de linha do o-ésimo quantil.
O o-ésimo Quantil é igual ao valor xj da linha.
Exemplo 2.17. De posse da Tabela 14 calcule os Quartis.
Solução:
Os valores dos Quartis são
1 2 3
EQ1 = ⋅ (50) = 12.5 EQ2 = ⋅ (50) = 25 EQ3 = ⋅ (50) = 37.5
4 4 4
Q1 = 18 Q2 = 21 Q3 = 23
2.3.1.7 Para dados Agrupados em Intervalos de classes
Sendo X é uma variável com valores inteiros agrupados em classes o procedimento

de cálculo de q0 neste caso é análogo ao realizado para o cálculo da Mediana para os dados
tabulados e agrupados em intervalos de classes (MILONE, 2004; TOLEDO; OVALLE,
1995) se dá seguinte forma:
1. Inicialmente calcula-se o valor de Eq0 usando a equação 2.18:

o
Eqo = (n) (2.18)
τ
2. Buscamos na coluna das Frequência Acumuladas a linha onde Fj ≥ Eqo ,ou seja, um
o valor da Frequência Acumulada Fj que seja maior ou igual a Eq0 .
3. Encontrando o valor de Eq0 e determinada a linha referente a este valor chamada de

linha do o-ésimo quantil, o cálculo é realizado usando a Equação 2.19.
Eqo − Fantqo
qo = liqo + Icqo × (2.19)
fqo
em que
n é número de elementos do conjunto de dados;

Fant frequência acumulada até a classe anterior a classe do centil;
fqo frequência simples da classe do centil;
liqo limite inferior da classe do centil;
Icqo amplitude da classe do centil.
Exemplo 2.18. Calculo os Valores dos Quartis para os dados expostos na Tabela 18.
Solução:
1 2 3
EQ1 = ⋅ (50) = 12.5 EQ2 = ⋅ (50) = 25 EQ3 = ⋅ (50) = 37.5
4 4 4
EQ1 − FantQ1 EQ2 −FantQ EQ3 −FantQ
Q1 = liQ1 + IQ1 ⋅ Q2 = liQ2 + IQ2 ⋅ fQ2
2
Q3 = liQ3 + IQ3 ⋅ fQ3
3
fQ1
Q2 = 1.59 + 0.03 ⋅ 25−24 Q3 = 1.68 + 0.03 ⋅ 37.5−34
Q1 = 1.53 + 0.03 ⋅ 12.5−
13
1 15
Q2 = 1.62 Q3 = 1.687
Q1 = 1.55884615384615
Exite relações entre as principais separatrizes, as quais estão expostas na Tabela

22.
Tabela 22 – Equivalência entre os Quantis, Decis e Centis
Centis C10 C20 C25 C30 C40 C50

Decis D1 D2 D3 D4 D5
Quartis Q1 Q2
Centis C60 C70 C75 C80 C90
Decis D6 D7 D8 D9
Quartis Q3
2.3.2 Medidas de Dispersão

Em um processo de análise apenas as medidas de posição não são suficientes para
caracterizar de forma completa o conjunto de dados. Um estudo do gral de espalhamento
dos dados é de grande valia na Estatística. Assim surge a questão, será que os dados são
pouco ou muito espalhados em relação a algum ponto de referência? Para responder a esta
pergunta apresentaremos as medidas de variabilidade.
2.3.2.1 Amplitude
A amplitude é definida de maneira geral como a diferença entre extremos de um

intervalo de valores(MILONE, 2004)(TOLEDO; OVALLE, 1995). As principias são:
Definição 2.6 (Amplitude Total). é a diferença entre o menor valor e o maior valor do
banco de dados. Matematicamente temos:
At = Xmáximo − Xmínimo (2.20)
Seu uso mede apenas a extensão de cobertura dos dados não informando como
demais valores enter os extremos se comportam do ponto de vista dos seus posicionamentos
(TALBOT, 2012).
Exemplo 2.19. No caso da Variável Idade presente no conjunto de dado 93. Calcule a
Amplitude. Solução:
At = xmáximo − xmínimo = 25 − 16 = 9
Definição 2.7 (Amplitude Quatílica). é a diferença entre o quantil qτ −1 e q1 sendo τ o

número de partições do conjunto de dados, Sua é expressa matematicamente da seguinte
forma:
Aτ = qτ −1 − q1 para dados discretos. (2.21)

qτ −1 2
Aτ = ∫ p(x)dx = 1 − para dados contínuos. (2.22)
q1 τ
em que p(x) é definida segundo a Equação ??.
Exemplo 2.20. No caso da Variável Idade presente no conjunto de dados 93. Calcule a
Amplitude.Quantílica. Solução:
Q3 = 23
Q2 = 21
Q1 = 18
AQ = Q3 − Q1 = 23 − 18 = 5
2.3.2.2 Desvio Quartil
Sua definição formal esta apresentada a seguir:
Definição 2.8 (Desvio Quartil). é definido como a rasão entre Q1 e Q3 divido por 2 de
maneira geral temos:
Q3 − Q1
DQ = (2.23)
2
Aliando estas com a medida de amplitude temos informações mais detalhadas

dos dados mas apenas estas medidas não temos informações a respeito dos valores entre
os quantis assim este é semelhante assim devemos usar uma medida de dispersão mais
eficiente.
Exemplo 2.21. No caso da Variável Idade presente no conjunto de dados 93. Calcule
Desvio Quantil. Solução:
Q3 − Q1 23 − 18
DQ = = = 2.5
2 2
2.3.2.3 Variância e Desvio Padrão
Definição 2.9 (Variância e Desvio Padrão). A Variância é definida como a média

aritmética dos valores dos desvios tomados em relação a média e elevados ao quadrado.
Sus forma muda se calculada sobre a população ou a amostra. Assim temos:
• Sendo os dados provindos de uma população de tamanho N com média temos

N
∑(xi − µ)2
i=1
σ2 = (2.24)
N
N
xi
em que µ = ∑ a média populacional.
i=1 N
• Sendo os dados provindo de uma amostra de tamanho n temos que
– Para Dados não Tabulados:

n
∑(xi − X)2
i=1
S2 = (2.25)
n
Exemplo 2.22. De posse dos dados da Tabela 19 calcule a Variância
(22 − 20, 64)2 + (18 − 20, 64)2 + +(24 − 20, 64)2 + . . . + (17 − 20, 64)2
S2 =
50
(1, 8496) + (6, 9696) + (11, 2896) + . . . + (13, 2496)
S2 =
50
345, 52
S2 =
50
S 2 = 6, 9104
– Para Dados Tabulados Agrupados em Classes:

Nc
∑(xj − X)2 fj
j=1
S2 = Nc
(2.26)
∑ fj = n
j=1
Exemplo 2.23. De posse dos dados expostos na Tabela 14 calcule a Variância.
Solução: Para o cálculo necessitamos calcular os valores de P mj × fi estes

valores estão expostos na Tabela 23.
Tabela 23 – Dist. de Frequência da Idade

Idade fj f rj Fj F rj Idade × fj (Idade − X)2 fj
16 2 0,20 2 0,20 32,00 43,06
17 7 0,70 9 0,90 119,00 92,75
18 4 0,40 13 1,30 72,00 27,88
19 6 0,60 19 1,90 114,00 16,14
20 4 0,40 23 2,30 80,00 1,64
21 5 0,50 28 2,80 105,00 0,65
22 7 0,70 35 3,50 154,00 12,95
23 6 0,60 41 4,10 138,00 33,42
24 7 0,70 48 4,80 168,00 79,03
25 2 0,20 50 5,00 50,00 38,02
e assim temos que

43, 06 + 92, 75 + 27, 88 + 16, 14 + 1, 64 + 0, 65 + 12, 95 + 33, 42 + 79, 03 + 38, 02
S2 =
50
345, 52
S2 =
50
S 2 = 6, 9104
– Para Dados Tabulados Agrupados em Classes:

Nc
∑(P mj − X)2 fj
j=1
S2 = Nc
(2.27)
∑ fj = n
j=1
Exemplo 2.24. Os cálculos da variância para um conjunto de dados Tabulados

Agrupados em intervalos de Classes esta exposto na Tabela 24
Solução:
Tabela 24 – TDF da Altura Incluindo (P mj − X)2 × fj
Altura fj f rj f rj % P mj Fj F rj P mj ⋅ fj (P mj − X)2 ⋅ fj
1,53 ⊢ 1,56 13 0,26 26 1,545 13 26 20,085 0,0015575976
1,56 ⊢ 1,59 11 0,22 22 1,575 24 48 17,325 0,0004942872
1,59 ⊢ 1,62 1 0,02 2 1,605 25 50 1,605 0,0000060552
1,62 ⊢ 1,65 1 0,02 2 1,635 26 52 1,635 0,0000031752
1,65 ⊢ 1,68 8 0,16 16 1,665 34 68 13,320 0,0002903616
1,68 ⊢ 1,71 15 0,30 30 1,695 49 98 25,425 0,0015812280
1,71 ⊢ 1,74 1 0,02 2 1,725 50 100 1,725 0,0002105352
0, 0015575976 + 0, 0004942872 + ⋯ + 0, 001581228 + 0, 0002105352

S2 =
50
0, 00414324
S2 = = 8, 28648e − 05
50
Definição 2.10 (Desvio Padrão). O Desvio Padrão é definido como a raiz Quadrada
da Variância.
√
S = S2 (2.28)
O desvio padrão é muito importante na análise da variabilidade, por seu valor estar
na mesma unidade de medida dos dados. Isso porque, como a Variância é definida como a
soma dos desvios ao quadrado, a sua unidade de medida é a unidade dos dados elevada
ao quadrado. Por exemplo, se a unidade de medida dos dados é metros (m) o valor da
variância estará em metros quadrados m2 ).
Observação 2.2. Como a análise dos dados é feita quase sempre sobre uma amostra e
não a população, o denominador das expressões 2.25, 2.26 e 2.27 deve ser (n − 1) em lugar
de n para que se tenha uma melhor precisão no valor calculado.
2.3.2.4 Desvio Médio
Definição 2.11 (Desvio Médio). é definido como a média dos dos desvios absolutos em
função da Média X ou da Mediana Md . Matematicamente temos:
Matematicamente as funções para o calculo do DM são:
• Para Dados não Tabulados:

n
∑ ∣xi − x̄∣
i=1
Dm = (2.29)
n
n
∑ ∣xi − Md ∣
i=1
Dm = (2.30)
n
• Para Dados Tabulados não Agrupados em Classes:
k
2
∑ ∣xj − x̄∣ fj
j=1
Dm = k
(2.31)
∑ fj = n
j=1
k
2
∑ ∣xj − Md ∣ fj
j=1
Dm = k
(2.32)
∑ fj = n
j=1
sendo que para dados tabulados agrupados em classes temos que P mj = xj .
Exemplo 2.25. Sabendo que o calulo do Desvil médio é similar oa da Variância, fica
como exercício os cálculos do mesmo.
2.3.2.5 Coeficiente de Variação
Quando necessitamos fazer comparações entre variáveis com unidades de medidas

diferentes, podemos usar uma medida adimensional chamada de Coeficiente de Varia-
ção. Esta medida expõe a variância de cada variável sem levar em conta as unidades de
medida, pois como já informado ela é adimensional. Matematicamente temos:
S
CV = (2.33)
X
Exemplo 2.26. Em um estudo foram coletas o peso e altura de um grupo de pessoas. Dos
dados foram calculadas, a média do peso 85 kg a média da altura 1, 72 m o Desvio padrão
(DP) do peso 1, 8 kg e o DP da altura 0, 9 m. Qual das variáveis tem maior dispersão?
Solução:
• Para o peso:
1, 8 kg 1, 8 kg 1, 8
CVP eso = = = = 0, 0212
85 kg 85 kg 85
• Para a altura:
0, 9
m
0, 9
CVAltura = = = 0, 5233
1, 72
1, 72
m
Logo, podemos concluir o Peso apresenta menor dispersão do que a Alturas.
2.3.2.5.1 Propriedades da Variância
1. Se for somado um valor constante c a cada uma das observações de um conjunto de

dados X a variância não é alterada. Matematicamente temos um novo conjunto de
dados Y = X + c de forma que (TOLEDO; OVALLE, 1995):
yi = xi + c ⇒ SY2 = SX
2
(2.34)
Mas se c = −k teremos
yi = xi − k ⇒ SY2 = SX
2
(2.35)
2. Se for multiplicada uma constante c a cada uma das observações de um conjunto de

dados X a variância não é alterada. Matematicamente temos um novo conjunto de
dados Y = X ⋅ c de forma que (TOLEDO; OVALLE, 1995):
yi = c ⋅ xi ⇒ SY2 = c ⋅ SX
2
(2.36)
2.4. Gráficos Estatísticos 53
Mas se c = 1/k teremos
xi S2
yi = ⇒ SY2 = X (2.37)
k k
3. Sendo X1 e X2 dois conjuntos de dados contendo n1 e n2 elementos respectivamente

então a Variância combinada das duas amostra é (TOLEDO; OVALLE, 1995):
(n1 − 1)S12 + (n2 − 1)S22 + (n1 − 1)(X − X 1 )2 + (n2 − 1)(X − X 2 )2

S2 = (2.38)
n1 + n2 − 2
quando usamos n − 1 como denominador da variância e
n1 S12 + n2 S22 + n1 (X − X 1 )2 + n2 (X − X 2 )2
S2 = (2.39)
n1 + n2
quando usamos n no denominador da variância.
2.4 Gráficos Estatísticos

Os Gráficos Estatísticos são uma outra forma de apresentação de um conjunto de
dados. Como a análise estatística pode ser ou Univariada ou BiVariadam,ou Multivariada,
os gráficos seguem a mesma lógica. Assim apresentaremos os exemplos de gráficos segundo
esta divisão e levando em conta o tipo de Variável (KABACOFF, 2020; MORETTIN;
BUSSAB, 2010).
2.4.1 Gráficos Univariados

2.4.1.1 Variável Qualitativa
Este tipo de variável é comumente representada por gráficos de Barras e de Setor

(Pizza), (KABACOFF, 2020; MORETTIN; BUSSAB, 2010). Uma outra alternativa é o
Tree Map em tradução livre Mapa de Árvore.
2.4.1.1.1 Gráfico de Barras
É um gráfico formado por barras retangulares e comprimento proporcional ao valor

da variável que por ela é represento. As barras podem ser desenhadas verticalmente ou
horizontalmente. O gráfico de barras vertical as vezes é chamado de gráfico de colunas. Este
gráfico pode ser usado para realizar comparações entre categorias ou valores discretos de
uma variável onde um eixo do gráfico mostra especificamente o que está sendo comparado
enquanto o outro eixo apresenta valores discretos (WIKIPÉDIA, 2018).
Exemplo 2.27. Calcule o gráfico para a variável Transp exposta na Tabela 93.
Solução:
• Um exemplo simples de Gráfico de Barras da Variável Trasp (Meio de Transporte)

representando a frequência fj de cada categoria. Esse é o default do Software R (R
Core Team, 2021), usando o pacote (WICKHAM, 2016).
Figura 3 – Gráfico Simples de Barras da Variável Meio de Transporte (Transp)
• O mesmo gráfico da Variável Trasp (Meio de Transporte) com alterações no Rótulos

do eixos, Cores e Inclusão de Título usando a frequência fj de cada categoria.
Figura 4 – Gráfico Simples de Barras da Variável Meio de Transporte (Transp)

do eixos, Cores e Inclusão de Título usando a frequência f rj ×100% de cada categoria.
Figura 5 – Gráfico Simples de Barras de f rj × 100% da Variável Meio de Transporte da

(Transp)

do eixos, Cores e Inclusão de Título usando a frequência f rj × 100% de cada categoria
Ordenada.

(Transp)
• O gráfico da Variável Trasp (Meio de Transporte) com alterações no Rótulos do eixos,

Cores e Inclusão de Título usando a frequência fj de cada categoria Ordenadas.

(Transp)
• O gráfico da Variável Trasp (Meio de Transporte) com alterações no Rótulos do

eixos, Cores e Inclusão de Título usando a frequência fj de cada categoria Ordenadas
em Ordem Decrescente.

(Transp)

forma Horisontal.

(Transp)

com cores e legendas.

(Transp)
• O gráfico da Variável Trasp (Meio de Transporte) personalizado usando a frequência

fj de cada categoria Ordenadas forma Vertical.
Figura 11 – Gráfico de Barras da Variável Meio de Transporte (Transp)
2.4.1.1.2 Gráfico de Setor
O gráfico de setor esta baseado na relação angulo porcentagem. Sua construção

consiste em se dividir 360 ° por 100% levando a seguinte relação:
360○
Setori = f ri . (2.40)
100
Figura 12 – Gráfico de Setor da Variável Meio de Transporte

Figura 13 – Gráfico de Setor da Variável Curso
2.4.1.1.3 Tree Map
O Tree Map é uma alternativa ao gráfico de Setor quando a variável sob estudo
possui várias categorias. Segundo Uma alternativa para um gráfico de pizza é um mapa de
árvore. Ao contrário dos gráficos de pizza, ele pode lidar com variáveis categóricas.
Figura 14 – Mapa de Arvore da variável Meio de Transporte Setor (Transp)

Figura 15 – Mapa de Arvore da variável Meio de Transporte Setor (Transp) com legendas
2.4.1.2 Variável Quantitativa
2.4.1.2.1 Histograma e Polígono de Frequência
Definição 2.12. O Histograma é um gráfico composto por retângulos justapostos em que

a base de cada um deles corresponde ao intervalo de classe e a sua altura à respectiva
frequência.
Para a construção de um Histograma podemos utilizar as frequências absolutas

(f ) ou relativas (f r). A construção é bem simples. No eixo X (abscissas), marcamos, em
escala, os limites inferiores dos intervalos de classe e também o limite superior da última
classe. No eixo Y (ordenadas) marcamos as frequências da j-ésima classe, ou (fj ) ou (f rj ),
que delimitam a altura de cada um dos retângulos. Na Figura 16 temos o histograma para
os dados organizados em frequência da Tabela 20.
Figura 16 – Histograma Básico do Altura
Definição 2.13 (Polígono de Frequência). É um gráfico em Linha, construído unindo-se

os pontos marcados sobre as bases superiores dos retângulos do Histograma com segmentos
de reta. As ordenadas de cada um dos pontos são os valores dos pontos médios (P m) de
cada classe. Para completar o polígono, acrescentamos um ponto médio das classes com
frequência zero antes a primeiro intervalo e após ao ultimo intervalo do histograma no eixo
das ordenadas. Na Figura 17 temos o histograma para os dados organizados em frequência
da Tabela 20 .
Figura 17 – Histograma e Polígono de Frequência da Altura
O Histograma básico do criado no software R (R Core Team, 2021) usando o pacote

ggplot2 (WICKHAM, 2016) Esta exposto na Figura 18
Figura 18 – Histograma Básico do Altura Usando o R
O gráfico exposto na Figura 18 e expõe algumas informações como a presença de

várias modas. E desta forma temos a concentração de dados en torno dos valores 1, 55m;
1, 65m e 1, 68m. O gráfico do jeito que está apresentado não permite a visualização de
informações mais detalhadas, e ainda não se assemelha ao gráfio de histograma exposto na

Figura 16. Isso pode ser melhorado com a mudança nos parâmetro da função da função
usada para construir o gráfico. Usando o critério de Sturges obtemos o gráfico exposto na
Figura 19.
Figura 19 – Mapa de Arvore da variável Meio de Transporte Setor (Transp) com legendas
Nota-se que, com o uso do critério de Sturges o Histograma apresenta forma

semelhante ao Histograma exposto na Figura 16.
2.4.2 Gráficos Bivariados

A análise bivariada consiste em verificar o comportamento entre duas variáveis. Os
gráficos neste tipo de análise podem ser classificados como gráficos bivariados e esboçam a
relação entre duas variáveis que podem ser uma qualitativa e outra quantitativa, as duas
qualitativas ou as duas quantitativas (KABACOFF, 2020; MORETTIN; BUSSAB, 2010).
2.4.2.1 Duas Variáveis Qualitativa × Qualitativa
Para verificar o relacionamento enter duas variáveis categóricas podemos usar o

gráfico de barras empilhadas.
2.4.2.1.1 Gráfico de barras empilhadas
Este gráfico é semelhante ao gráfico de Barras mas com o detalhes da divisão de

cada barra em categorias. Cada barra da categoria do eixo das abscisas é subdividida
em grupos (pedaços), e cada pedaço tem o tamanho igual ao número de elemento dentro
daquela categoria.
Figura 20 – Gráfico de Barras Empilhadas Curso × Meio de Transporte (Transp) de Setor

da Variável Meio de Transporte
No gráfico nota-se que para o curso de Mecânica há uma predominância de pessoas

que vem a-pé. Já para o curso de Química temos uma predominância de pessoas que
chegam a universidade de Bicicleta (B).
2.4.2.1.2 Gráfico de barras Agrupadas
Este gráfico comparamos duas variáveis categóricas, a saber X e Y . O gráfico no

eixo das abcissas apresenta as categorias da variável X e no eixo das ordenadas o valor
das frequência. O gráfico é formado por barras justaposta que representam as categorias
da Variável Y para cada categoria da variável X. E desta forma, pode-se comparar as
categorias da variável Y “dentro” de cada categoria da variável X. Este gráfico evidencia
melhor a diferença dos valores de cada categoria das variável Transporte. Notamos que a
categoria A pé da variável Transp (Y ) é a maioria das pessoas que cursam Mecânica e
Computação, categorias da Variável Curso (X).
Figura 21 – Gráfico de Barras Agrupadas Curso × Meio de Transporte (Transp) de Setor

2.4.2.1.3 Gráfico de barras Segmentadas
Este gráfico é semelhante ao gráfico de Barras empilhadas mas com a diferença é

que cada barra cada barra representa o 100 por da frequência. Desta forma o observador
tem a noção da magnetude das categorias da variável Transp “dentro” de cada curso.
Figura 22 – Gráfico de Barras Segmentadas Curso × Meio de Transporte (Transp) de Setor

A Figura 23 aprenta uma modificação do Gráfico exposto na Figura 22.


da Variável Meio de Transporte Incrementado

da Variável Meio de Transporte Incrementado 2
2.4.2.2 Variável Quantitativa × Quantitativa
Quando há a necessidade de se avaliar as relações entre duas variáveis pode-se usar

uma análise gráfica. O gráfico mais usado com essa finalidade é o Gráfico de Dispersão,
podento também ser usado o gráfico de linhas.
2.4.2.2.1 Gráfico de Dispersão
Este gráfico consiste de plotar os pontos do par ordenado formado pelas observações
de duas variáveis X e Y (xi , y2 ) em um pano cartesiana. Não é possível verifica um com-
portamento sistemático mas notamos uma concentração os nos intervalos [1, 53 m ; 1, 58 m]
e [1, 64 m ; 1, 71 m].

da Variável Meio de Transporte Incrementado 2
2.4.2.3 Variável Quantitativa × Qualitativas
São gráficos que visam verificar a relação entre uma variável qualitativa e uma variá-
vel quantitativa. Existem uma gamma de gráficos disponíveis para este fim, apresentaremos
aqui alguns deles.
2.4.2.3.1 Gráfico de Barras
Este gráfico é mais usado para relacionar variáveis qualitativas, mas o mesmo pode
também ser usado pra relacionar uma variável numérica com uma variável categórica.
Ou seja, podemos ver como os valores da variável categórica variam de acordo com as
categorias va variável qualitativa.
Figura 26 – Gráfico de Barras da MGP por Transporte
2.4.2.3.2 Boxplot
O Boxplot é um gráfico usado para representar graficamente um conjunto de dados.

Para construí-lo, desenha-se um retângulo (caixa) com o nível superior dado pelo terceiro
quartil (Q3 ) e o nível inferior pelo primeiro quartil (Q1 ), sendo o (Q2 ) é representado por
um traço no interior da caixa. Do lado superior do retângulo traça-se uma linha até o
ponto superior mais remoto que não exceda o limite superior
LS = Q3 + 1, 5 ⋅ dQ
De modo similar seguimos o mesmo procedimento só que no sentido inverso. Da parte

inferior do retângulo traça-se uma linha até o ponto inferior mais remoto que não exceda
o limite inferior superior
LI = Q1 − 1, 5 ⋅ dQ
em que dQ = Q3 − Q1 . Valores de X que estejam entre LI e LS são denominados de Valores

Adjacentes e valore que sejam maiores do que LS ou menores do que LI são denominados
de pontos exteriores e podem se chamados de outliers ou valores atípicos (BUSSAB;
MORETTIN, 2010; TUKEY, 1977). Baseado no conjunto de dados apresentado na Tabela
93 podemos montar um gráfico de boxpot exposta na Figura 27
Figura 27 – Boxplot do Sexo
Figura 28 – Boxplot do Sexo Colorido
2.4.2.3.3 Gráficos de média
Este gráfico tem a finalidade de comparar medias descritivas entre grupos, no eixo
das abcissas temos a divisão dos grupos como no gráfico de Barras, e no eixo das ordenadas
temos a média. O gráfico é formado por pontos, que representam a média de cada grupo
e para cada ponto temos barras de erros que podem representar o desvio padrão, ou
intervalos de confiança.
Podemos no mesmo gráfico agrupar mais de uma variável qualitativa par comparação

2.4.2.3.4 Gráficos de Tiras
Este gráfico objetiva verificar a relação entre uma variável numérica dado o agrupa-
mento formado por um variável categórica através de umm gráfico de dispersão onde cada
grupo forma uma tira de pontos, daí o nome de Gráficos de Tiras (KABACOFF, 2020)
gráficos de faixa.
Figura 31 – Gráfico de Tiras Simples
Podemos no mesmo gráfico agrupar mais de uma variável qualitativa par comparação
Figura 32 – Gráfico de Tiras Simples
Figura 33 – Gráfico de Tiras Adicionando um fator aleatório

2.4.3 Outros Gráficos

2.4.3.1 Gráfico de Radar
Gráficos de Radar1 é diagrama que composto de uma sequência de raios equiangu-

lares. Para uma uma variável qualitativa estes raios representam uma das categorias ou
fator desta variável. Já para um conjunto de três ou mais variáveis quantitativas os raios
representam cada uma destas variáveis que se quer avaliar. O comprimento de um raio
é proporcional à amplitude da variável para o ponto de dados. É desenhada uma linha
que liga os pontos extremos de cada um dos raios formando um polígono com aparência
semelhante a estrela e a origem de um dos nomes populares do gráfico de radar “gráfico
de estrela (WIKIPEDIA, 2016).
1
Também conhecido como gráfico “Teia de aranha"ou "Polar
2.5 Lista de Exercícios de Estatística Descritiva

1. Classifique as variáveis seguintes se são Quantitativas Discretas ou contínuas ou
Qualitativas Nominais ou Oridinais.
a) Tempo para fazer um teste.

b) Número de alunos aprovados por turma.
c) Nível sócio-econômico.
d) Gastos com alimentação.
e) Opinião com relação à pena de morte.
f) Religião.
g) Valor de um imóvel.
h) Conceitos em certa disciplina.
i) Classificação em um concurso.
2. Construa a distribuição de frequência para cada uma das variáveis presentes na

Tabela 93
3. Considere os dados referentes ao consumo de energia, em kW h, empresas em um

polo industrial.
Tabela 25 – Frequência do Consumo de Agua
Consumo fj
0 ⊢ 12 10
12 ⊢ 22 36
22 ⊢ 32 52
32 ⊢ 42 52
42 ⊢ 52 39
52 ⊢ 62 11
a) determine as frequências simples e acumuladas (absolutas e relativas);

b) interprete os valores de f r3 , f4 , F3 e (F r4 − F r3 ).
c) qual o percentual dessa s contas, cujo consumo foi maior ou igual a 30 m3 ?
d) construa o correspondente histograma de frequências relativas;
e) construa a correspondente ogiva de frequências relativas;
4. Os dados expostos na Tabela 26, representam as vendas de produtos de linha branca

feitos por um vendedor nos 5 anos que o mesmo trabalhou em uma loja pede-se:
2.5. Lista de Exercícios de Estatística Descritiva 75
Tabela 26 – Vendas de linha branca
Ano Vendas
1 15
2 18
3 17
4 30
5 20
a) Calcule o valor da média, da moda e da mediana, desses dados, e interprete os

resultados obtidos.
b) Calcule o desvio padrão, desses dados e interprete o resultado.
c) Se triplicarmos as vendas do vendedor em todos os anos, o que ocorrerá com o

valor da média aritmética? Justifique!
5. Em um estudo sobre o perfil familiar desenvolvido e depois aplicado em duas cidades.

Uma das variáveis foi o número de filho por casal. As amostras de cada cidade estão
expostas na Tabela 27
Tabela 27 – Frequência do número de fi-

lho por casal
1 2 4 4 7 3 3 2 4 5
Cidade A 2 4 3 5 3 2 4 3 6 5
5 6 4 6 5 2 5 4 3 2
1 7 7 6 1 2 6 1 7 2
Cidade B 1 3 2 7 5 6 1 7 4 1
5 7 6 3 2 1 2 5 3 1
a) Construa uma distribuição de frequência para a distribuição da variável número

de filhos.
b) Construa uma distribuição de frequências para a distribuição da variável número

de filhos estratificada por cidade.
c) Calcule as medidas de tendência central e variabilidade adequadas para cada

uma das estratificações.
d) Represente graficamente cada uma das distribuições.
e) Comente os resultados encontrados.
6. Nos estudos a seguir indique a população a amostra e qual o tipo de varável sob
estudo:
a) Um pesquisador estuda a produtividade de celulose para uma variedade de

eucalipto. Foram analisadas 1546 arvores e descobriu-se que a produtividade
aumentou em 40%.
b) Um fabricante de lampadas esta desenvolvendo um novo tipo de lampada. Assim
o mesmo colocou 500 lampadas e as manteve acesas e marcou o tempo até a
queima das mesmas.
c) Um levantamento feito pela Associação de Comercio de um Estado ouviu 872
consumidores no momento da reabertura pós-pandemia. Como resultado deste
levantamento mostrou que os consumidores pretendem gastar em média R$
200,00 nos presentes do dias das Crianças.
d) A secretaria Infraestrutura de um município fez uma pesquisa em cerca de 500
domicílios da cidade e verificou de cerda cerce de 35% destes possuem mais de
5 moradores.
7. De posse dos dados expostos na Tabela 28 compare as turmas usando os seus conhe-
cimentos em Estatística descritiva. Apresente suas conclusões de forma detalhada.
Tabela 28 – Idade dos Alunos de Quatro Turmas
Turma A 22.00 16.00 24.00 21.00 25.00 22.00 17.00 17.00 20.00 16.00
Turma B 23.00 23.00 24.00 20.00 23.00 22.00 21.00 16.00 19.00 21.00
Turma C 33.00 43.00 38.00 39.00 30.00 22.00 31.00 41.00 34.00 41.00
Turma D 21.00 41.00 33.00 43.00 35.00 31.00 37.00 45.00 41.00 33.00
8. Um fabricante de produtos eletrônicos esta desenvolvendo dois protótipos por equipes

de desenvolvimento em países diferentes. Os resultados do tempo até a falha dos
testes estão expostos na Tabela 29. De posse das informações expostas na Tabela 29,
na sua opinião qual dos protótipos o gerente de tecnologia deve escolher? Justifique
sua resposta usando análise descritiva dos dados.
Tabela 29 – Tempos até a falha
Componentes Tempos
A 12 13 13 14 15 11 11 300 16 18 16 4 19 17 20
B 50 54 57 53 58 68 64 49 52 52 63 59 70 68 60
a) Com base nos resultados qual empresa o pesquisador deve escolher? (Justifique
sua Resposta)
b) Qual dos critérios abaixo você usou para responder a questão? (Justifique sua
Resposta)
9. Seja um conjunto dados X com média X. Qual o valor da nova média se somamos o
valor 100 a metade dos valores de X e a outra uma o valor 200.
10. Busque na internet artigos científicos onde houve aplicação de estatística Ao ler o
artigo identifique dados como: a população, a amostra e as estatísticas usadas.
11. Calcule para cada um dos conjuntos de dados expostos a as medidas de posição e
dispersão:
a) A1 = {25, 22, 19, 16, 23, 19, 19, 23, 20, 19, }
b) A2 = {15, 15, 15, 7, 2, 13, 6, 14, 8, 8, 17, 2, 6, }
c) A3 = {21, 23, 29, 32, 30, 21, 32, 23, 22, 28, 28, 31, 21, }
d) A4 = {1, 2, 3, 5}
e) A5 = {3, 5, 6, 8, 2, 2, 5, 1, 0}
12. De posse da Tabela 30 ,identifique os seguintes elementos:
a) Frequência simples absoluta da Tabela 30 – Tabela de frequência

quinta classe. Classes fj
b) Frequência total. 2, 75 ⊢ 2, 80 2
2, 80 ⊢ 2, 85 3
c) Limite inferior da sexta classe. 2, 85 ⊢ 2, 90 10
2, 90 ⊢ 2, 95 11
d) Calcule as Média, a Mediana, o Des- 2, 95 ⊢ 3, 00 24
vio Padrão. 3, 00 ⊢ 3, 05 14
3, 05 ⊢ 3, 10 9
e) Quantos valores devem ser retirados 3, 10 ⊢ 3, 15 8
da quinta linha para mudar a medi- 3, 15 ⊢ 3, 20 6
ana da linha atual? 3, 20 ⊢ 3, 25 3
13. Um estudo busca avaliar o tempo gasto por uma pessoa assistido TV. Então foi
perguntado a um conjunto de 40 pessoas, quanto tempo os mesmo passavam em
frente a TV. É solicitado ao aluno que Construa a Distribuição de frequência (DF)
e calcule todas as medidas de Posição e de Dispersão avaliadas em sala de aula O
resultado da pesquisa estão expostos no quadro a seguir:
34 85 26 38 28 79 35 58 30 47
39 27 42 29 27 42 38 19 37 14
36 72 32 64 35 72 44 73 27 02
28 71 33 15 27 25 26 95 29 94
14. De posse dos dados apresentados na Tabela 31 pode-se dizer que a Heterogeneidade
(variabilidade) apresentada pela variável Altura é superior a da variável Peso?
Responda com suas palavras.
Tabela 31 – Peso e Altura dos alunos.
Peso 64.69 59.61 61.06 55.98 61.06 72.68 65.42 69.78 54.53 47.27
Altura 1.69 1.62 1.64 1.57 1.64 1.80 1.70 1.76 1.55 1.45
15. De posse dos conjuntos de dados expostos nas Tabelas 32 e 33. Construa as distribui-
ções de frequência os gráficos de Histograma para cada variável. Calcule as medidas
de posição e dispersão.
Tabela 32 – Preço Média da carne de Tabela 33 – Nº de acertos nos testes

frango (Kg).
Alunos 1 2 3 4 5
6, 1 7, 3 7, 5 6, 3 Português 35 35 34 32 31
6, 2 7, 7 7, 7 7, 4 Matemática 31 29 27 28 28
6, 7 7, 6 8, 2 7, 6 Alunos 11 12 13 14 15
6, 5 7, 4 8, 3 7, 7 Português 23 12 11 20 17
6, 9 7, 2 8, 1 7, 6 Matemática 21 32 31 20 21
7, 2 8, 1 7, 5 7, 4 Alunos 6 7 8 9 10
7, 3 8, 1 7, 6 7, 6 Português 30 26 26 24 23
7, 6 7, 9 7, 5 7, 5 Matemática 26 30 28 25 23
7, 5 7, 8 7, 6 7, 5 Alunos 16 17 18 19 20
7, 4 7, 5 7, 4 7, 6 Português 12 14 20 8 10
Matemática 25 20 13 23 20
16. Um Professor com um exemplo didático busca montar o perfil dos alunos de sua
turma. Assim foram coletadas informações de indivíduos de pertencentes a uma
amostra de alunos de um curso universitário. Dados expostos na Tabela 34. O
pesquisador após a coleta dos dados decidiu realizar as análise.
a) Construa as Distribuições de Frequência de todas as variáveis do Banco, con-

tendo apenas fj e Fj .
b) Calcule a média, a mediana, a Moda e o desvio-padrão das variáveis Peso e

Idade;
c) Em relação as variáveis Peso e a Idade, compare-as em relação a variabilidade.

Dica: Para realizar é necessário usar uma medida adimensional.
Tabela 34 – Dados de Alunos de uma turma de Estatística
id Sexo Idade Altura Peso id Sexo Idade Altura Peso

1 F 19 1, 54 57, 0 18 M 18 1, 85 72, 8
2 F 23 1, 62 63, 0 19 M 25 1, 85 80, 9
3 F 18 1, 62 52, 0 20 M 19 1, 76 60, 0
4 F 18 1, 57 49, 0 21 M 19 1, 78 68, 5
5 F 25 1, 65 59, 0 22 M 18 1, 80 85, 2
6 F 18 1, 61 52, 0 23 M 17 1, 71 73, 0
7 F 17 1, 65 56, 0 24 M 18 1, 73 87, 0
8 F 17 1, 67 58, 0 25 M 17 1, 70 95, 0
9 F 18 1, 60 47, 0 26 M 21 1, 85 84, 0
10 F 18 1, 70 60, 0 27 M 18 1, 73 73, 0
11 F 17 1, 70 55, 0 28 M 24 1, 76 75, 0
12 F 23 1, 45 44, 0 29 M 17 1, 80 71, 0
13 F 18 1, 68 55, 0 30 M 18 1, 83 86, 0
14 F 18 1, 55 49, 0 − − − − −
15 F 19 1, 70 50, 0 − − − − −
16 F 19 1, 55 54, 5 − − − − −
17 F 18 1, 60 50, 0 − − − − −
17. Os resultados da variável peso coletada de uma turma de alunos estão expostos na
Figura 34. De posse dos dados apresentados na Figura 34 é solicitado ao aluno que:
calcule a média, a mediana, a moda, o Coeficiente de Variação.
Figura 34 – Histograma do peso dos alunos.
18. Um professor de Estatística em uma de suas aulas resolveu coletar o peso e altura
dos alunos para exemplificar uma pesquisa. Os dados estão expostos nas Tabelas 35
e 36 respectivamente.Então:
a) Construa o Histograma da Altura.

b) Construa a distribuição de frequência do Peso.
c) Compare as duas variáveis quanto a variabilidade.
Tabela 35 – Alturas dos Alunos Tabela 36 – Peso dos alunos
Alturas fi 59 55 59 71 65
1, 70 ⊢ 1, 72 3, 00 51 50 67 79 69
1, 72 ⊢ 1, 74 4, 00 57 54 55 53 52
1, 74 ⊢ 1, 76 10, 00 53 67 78 56 79
1, 76 ⊢ 1, 78 5, 00 51 60 52 51 61
1, 78 ⊢ 1, 80 2, 00
19. Um professor de Estatística em uma de suas aulas resolveu coletar o peso dos alunos
de suas turmas. Os dados de uma amostra do peso dos alunos está exposta na Tabela
38. Após as provas de suas disciplinas ele agrupou estas em uma tabela de frequência
(Tabela 37).
• Quantos alunos notas entre 4 e 7.

• Quantos alunos têm notas acima da média da escola que 5.
• Calcule a média, a mediana, a moda, o desvio padrão e o coeficiente de variação
para o peso e Altura.
Construa o Histograma e o polígono de frequência das notas dos Alunos. Construa a

distribuição de frequência do Peso, (Tabela 38)
Tabela 37 – Notas dos alunos Tabela 38 – Peso dos alunos
N otas fi 59 55 59 71 72 54 42 72
0⊢2 8 65 51 50 67 64 85 49 54
2⊢4 10 79 69 57 54 72 62 83 42
4⊢6 12 55 53 52 53 44 79 91 93
6⊢8 13 67 78 56 79 93 58 73 58
8 ⊢ 10 5 51 60 52 51 71 47 94 73
20. Com a ampliação da média de um conjunto de dados em 50%, seu valor foi alterado
para 13, 44. Então qual o valor de X inicial?
21. Um pesquisador tem o interesse em estimar a quantidade de horas de estudo que

os alunos de uma Instituição de Ensino Superior (IES) gastam por semana. Para
isso, o mesmo monta um questionário e o aplica a uma amostra de estudantes. Os
resultados obtidos estão expostos na tabela Tabela 39
Tabela 39 – Horas de estudo.
Horas fj
4 ⊢ 6 4
6 ⊢ 8 5
8 ⊢ 10 6
10 ⊢ 12 7
12 ⊢ 14 8
14 ⊢ 16 2
a) De posse dos dados apresentados na Tabela 39 é solicitado a você que:

i. construa o Histograma e o Polígono de Frequência;
ii. determine o Coeficiente de Variação;
iii. determine quantos alunos tem o hábito de estudar menos que 10 horas por
semana.
b) Supondo que a média de tempo de estudo dos alunos das IES’s Brasileiras é de
12,5 horas com desvio padrão de 0,47 horas. Pode-se dizer que a Heterogenei-
dade da IES em questão é maior ou menor que a apresentada nacionalmente?
Responda com suas palavras.
22. Os funcionários de uma empresa têm seu dissídio coletivo em fevereiro. Neste foi
decidido que a categoria iria reivindicar um aumento médio, em maio, de 70% junto
com abono de 0,5 salários mínimos (s.m.) como auxilio creche. O salario médio da
categoria é de 5 s.m. e desvio padrão de 1 s.m. Qual é a nova média salarial e qual o
novo desvio padrão?
23. Um estudo busca verificar o a influencia da idade sobre o peso de mulheres. Assim
foram coletadas informações de indivíduos de pertencentes a uma amostra de alunos
de um curso universitário. O pesquisador após a coleta dos dados iniciou a análise
dos dados usando um gráficos de Histograma e de Box Plot Figuras 35, 36 e 37. De
posse dos dados apresentados nas Figuras 35, 37 e 36 e Tabela 40 é solicitado de
você que:
a) Construa as Distribuições de Frequência de todas as variáveis do Banco. Con-

tendo apenas as frequências absolutas fj e Fj .
b) Calcule a média, a mediana das variáveis Peso e Idade;
Tabela 40 – Dados da Pesquisa.
T urma Idade Alt P eso Exerc T urma Idade Alt P eso Exerc
A 17 1.60 60.5 0 B 23 1.62 63.0 8
A 18 1.69 55.0 0 B 18 1.62 52.0 1
A 19 1.58 55.0 2 B 18 1.57 49.0 3
A 22 1.75 58.0 3 B 25 1.65 59.0 1
A 18 1.64 47.0 2 B 18 1.61 52.0 2
A 18 1.62 57.8 3 B 17 1.65 56.0 2
A 17 1.64 58.0 2 B 17 1.67 58.0 4
A 18 1.72 70.0 10 B 18 1.60 47.0 5
A 18 1.66 54.0 0 B 18 1.70 60.0 5
A 21 1.70 58.0 6 B 17 1.70 55.0 5
A 18 1.65 63.5 4 B 23 1.45 44.0 2
A 19 1.63 47.4 0 B 18 1.68 55.0 5
A 17 1.82 66.0 3 B 18 1.55 49.0 0
A 20 1.60 54.5 3 B 19 1.70 50.0 0
A 18 1.68 52.5 7 B 19 1.55 54.5 4
A 21 1.70 60.0 8 B 18 1.60 50.0 2
A 18 1.65 58.5 0
A 18 1.57 49.2 5
A 20 1.55 48.0 0
A 20 1.69 51.6 8
A 19 1.54 57.0 6
• Idade: Idade dos alunos em anos ;
• Alt: Altura dos alunos em metros;
• Peso: Peso dos alunos em Kg;
• Exerc: Horas de atividade física semanais de cada aluno.

(a) Idade (b) Altura
(c) Peso (d) Exercício
Figura 35 – Histogramas das Variáveis: Idade, Altura, Peso e Exercícios

Figura 36 – Box-Plots das Variáveis: Idade, Altura, Peso e Exercícios

Figura 37 – Box-Plots das Variáveis: Idade, Altura, Peso e Exercícios dividido por Turma
a) A seguir apresentamos a Idade e a Altura dos alunos da Turma de Estatística.

Tabela 41 – Banco de Dados Alunos
Altura Idade Peso Estatística Cálculo Sexo

1,55 21,00 56,70 7,38 9,68 F
1,53 19,00 56,00 5,41 9,89 F
1,70 22,00 68,20 7,42 8,79 M
1,59 21,00 56,70 2,60 9,88 F
1,57 20,00 56,10 1,27 8,57 F
1,70 16,00 67,10 4,60 8,77 M
1,53 24,00 56,70 0,87 8,72 F
1,56 22,00 56,50 2,12 9,19 F
1,58 17,00 56,60 1,35 9,53 F
1,70 19,00 67,60 2,55 9,66 M
Assim de posse dos dado da Tabela 41 responda?

i. Construa a distribuição de Frequência de cada uma das variáveis.
ii. Construa o histograma de cada uma das Variáveis.
iii. Calcule os Quartis de cada uma das variáveis.
iv. Qual é o valor da Média e da Mediana de cada uma das Variáveis?
v. Qual é o valor da Variância, do Desvio Padrão e do Coeficiente de Variação
de cada das Variáveis?
vi. Qual medida de variabilidade você usaria para comparar as duas variáveis?
vii. Qual variável possui maior variabilidade?
viii. Com base nos dados da Tabela 43.
A. Qual o valor médio do IMC dos alunos?
B. Qual a categoria do IMC médio dos alunos da Turma?
‘
Tabela 42 – Dados da Peso Tabela 43 – Dados do IMC
56,60 68,20 56,40 64,40 Resultado Situação

56,70 56,70 65,70 67,30 Abaixo de 17 Muito abaixo do peso
68,40 56,70 56,70 66,60 Entre 17 e 18,49 Abaixo do peso
62,50 64,00 56,70 63,30 Entre 18,50 e 24,99 Peso normal
65,10 56,50 56,70 67,60 Entre 25 e 29,99 Acima do peso
Entre 30 e 34,99 Obesidade I
Entre 35 e 39,99 Obesidade II (severa)
Acima de 40 Obesidade III (mórbida
Fonte: Wikipedia
A fonte dos dados da Tabela 43 esta no link <https://pt.wikipedia.org/wiki/Índice_

de_massa_corporal>
24. De posse dos dados da Tabela 93 Faça uma análise completa dos dados usando seus
conhecimentos de estatística descritiva.
Parte III
Probabilidade
91
3 Revisão de Conjuntos
Sumário
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2 Conceitos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2.1 Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2.2 Leis da Algebra de conjuntos . . . . . . . . . . . . . . . . . . . . . . 94

3.2.3 Contagem de Elementos . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.1 Introdução
Foi estudado na unidade anterior técnicas de organização resumo das informação
contidas em um conjunto de dados. Nesta unidade estudaremos os Fenômenos Aleatórios
que segundo Magalhães e Lima (2010) é uma situação ou acontecimento cujos resultados
podem ser previstos. Por exemplo, as condições climáticas do próximo domingo.
3.2 Conceitos Básicos

Para o entendimento das teorias que serão expostas a seguir alguns conceito devem
ser relembrados.
3.2.1 Conjuntos
Em matemática o conceito de conjuntos é apresentado e formaliza a noção de se
agrupar elementos distintos, vendo-os como um único objeto (LIPSCHUTZ, 1963). A
notação que usaremos no decorrer do texto será:
• letras maiúsculas para representar conjuntos (A, B, . . .)
• letras minúsculas para representar elementos destes conjuntos (a, b, . . .).
A representação de um conjunto pode ser feita por:
Enumeração: onde todos os elementos do conjunto são listados um a um. Esta

forma é chamada de forma tabular (LIPSCHUTZ, 1963) e é viável quando o conjunto
92 Capítulo 3. Revisão de Conjuntos
possuir poucos elementos. Por exemplo o conjunto A dos algarismos numéricos pode
ser enumerado da seguinte forma
A = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}.
Uma Propriedade: onde a apresentação do conjunto é feita através da exposição

de uma propriedade inerente aos seus elementos. Por exemplo
A = {x∣x é uma vogal}.
Assim, a relação que pode existir entre elementos e conjunto é a de pertinência. Então
seja a um elemento, se este pertence ao conjunto A isso é escrito a ∈ A e se lê ” a pertence
ao conjunto A. Mas se a não pertence a A escrevemos a ∉ A e se lê ” a não pertence ao
conjunto A.
3.2.1.1 Conjunto Universo
Em certos problemas da Teoria dos Conjuntos, é necessário definição de um conjunto

que contenha todos os conjuntos considerados. Este conjunto é comumente chamado de
Conjunto Universo (U) (LIPSCHUTZ, 1963). No estudo probabilidade este conjunto
universo será o continente de todos os possíveis resultados de um experimento aleatório
como o lançamento de uma moeda. Sua notação ser Ω (LIPSCHUTZ, 1963).
3.2.1.2 Conjunto Vazio
Existe o conjunto que não possuem elementos, este é chamado de conjunto vazio.
Este tem como representação pela letra ∅.
3.2.1.3 Subconjuntos
Um conjunto A é subconjunto de outro conjunto B quando os elementos todos os

elementos pertencentes a A também pertencem a B e esta relação é matematicamente
escrita da seguinte forma A ⊂ B que se lé ” A esta contido em B ou B ⊃ A que se lé ” B
contem A. No caso onde existe o elemento k ∈ B que k ∉ A o conjunto A é denominado
conjunto próprio de B(MORGADO; CARVALHO; FERNANDEZ, 1991). Assim podemos
escrever o Teorema 3.1 (LIPSCHUTZ, 1963):
Teorema 3.1. 1. ∀A temos que ∅ ⊂ A ⊂ U
2. ∀A temos que A ⊂ A
3. se A ⊂ B e B ⊂ C ⇒ A ⊂ C
4. A = B se e somente se A ⊂ B e B ⊂ A
3.2. Conceitos Básicos 93
Definição 3.1 (Partição de Ω). Os eventos A1 , A2 , . . . , An são formadores de uma partição

de Ω se (MORETTIN, 2010):
1. Ai ≠ ∅, i = {1, 2, 3, . . . , n}
2. Ai ∩ Aj = ∅, ∀ i ≠ j
n
3. ⋃ Ai = Ω
i=1
3.2.1.4 Operações
Podemos formar novos conjuntos através de operações entre estes conjuntos (LIPS-
CHUTZ, 1963).
1. Sendo A ⊂ U e B ⊂ UA união entre A e B, é definida da seguinte forma:
A ∪ B = {x ∈ U∣x ∈ A ou x ∈ B}
A ∪ B ∪ C = {x ∈ U∣x ∈ A ou x ∈ B ou x ∈ C}
A ∪ B ∪ C ∪ D = {x ∈ U∣x ∈ A ou x ∈ B ou x ∈ C ou x ∈ D}
⋮
de forma geral a união de n conjuntos é representada por:

n
⋃ Ai ∀i ∈ {1, 2, 3, . . . n}
i=1
2. Sendo A ⊂ U e B ⊂ U A interseção entre A e B, é definida da seguinte forma:
A ∩ B = {x ∈ U∣x ∈ A e x ∈ B}
A ∩ B ∩ C = {x ∈ U∣x ∈ A e x ∈ B e x ∈ C}
A ∩ B ∩ C ∩ D = {x ∈ U∣x ∈ A e x ∈ B e x ∈ C e x ∈ D}
⋮
de forma geral a interseção de n conjuntos é representada por:

n
⋂ Ai ∀i ∈ {1, 2, 3, . . . n}
i=1
Propriedades:
a) Sejam A ⊂ Ω e B ⊂ Ω temos que A ∩ B ⊂ A e A ∩ B ⊂ B

b) Sejam A ⊂ Ω e B ⊂ Ω temos que A ⊂ A ∪ B e B ⊂ A ∪ B
c) Sejam A ⊂ Ω e B ⊂ Ω temos que se A ⊂ B implica que A ∩ B e A ∪ B
3. Sendo A ⊂ U o complementar de um conjunto é definido por:

c
A = A = {x ∈ U∣x ∉ A} (3.1)
e consiste dos elementos que pertencem ao conjunto U e não pertencem ao conjunto

A.
4. Sendo A ⊂ U e B ⊂ U temos que a diferença entre A e B (A − B) eé definida da

seguinte forma:
A ∩ B = {x ∈ U∣x ∈ A e x ∉ B} (3.2)
e consiste dos elementos que pertencem a A e não a B.
5. Sendo A ⊂ U e B ⊂ U a diferença simétrica entre A e B é definida da seguinte forma:
A B = (A ∪ B) − (A ∩ B) (3.3)
A B = (A − B) ∪ (B − A) (3.4)
e consiste dos elementos que pertencem individualmente cada conjunto e não a ambos
ao mesmo tempo.
3.2.2 Leis da Algebra de conjuntos
1. Leis DeMorgam (LIPSCHUTZ, 1963): Sendo A ⊂ U e B ⊂ U temos que:
(A ∪ B) = {x∣x ∉ (A ou B)} = {x∣x ∉ A e ∉ B} = A ∩ B

(A ∩ B) = {x∣x ∉ (A e B)} = {x∣x ∉ A ou ∉ B} = A ∪ B
2. Outras Leis da Álgebra de Conjuntos Sendo A ⊂ U, B ⊂ U e C ⊂ U temos que:
a) Idempotente A ∪ A = A e A ∩ A = A
b) Associativa
i. (A ∪ B) ∪ C = A ∪ (B ∪ C)
ii. (A ∩ B) ∩ C = A ∩ (B ∩ C)
c) Comutativa
i. A ∪ B = B ∪ A
ii. A ∩ B = B ∩ A
d) Distributiva
i. A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
ii. A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
e) Identidade
3.2. Conceitos Básicos 95
i. A ∪ ∅ = A
ii. A ∩ ∅ = ∅
iii. A ∪ U = U
iv. A ∩ U = A
f) Involução A = A ou (Ac )c = A
g) Complementar
i. A ∪ Ac = U
ii. A ∪ Ac = U
iii. Uc = ∅
iv. ∅c = U
Dualidade
O princípio da dualidade afirma que para uma equação de álgebra de conjuntos

definine que o dual deste equação é uma nova equação obtida substituindo {∩, ∪, U, ∅} por
respectivamente {∪, ∩, ∅, U} sem haver alteração no resultado. Por exemplo temos que:
(U ∩ A) ∪ (B ∩ A) = A → (∅ ∪ A) ∩ (B ∪ A) = A
3.2.3 Contagem de Elementos

Um conjunto quanto ao número de seus elementos podendo ser finito se seu numero
de elementos tiver um número determinado de elementos (n) ou infinito quando n → ∞.
A cardinalidade de um certo conjunto é conjunto é uma mensuração do número de
elementos deste conjunto (LIPSCHUTZ, 1963). Assim o número de elementos do conjunto
A ∈ U é #A. Dois conjuntos A ⊂ Ω B ⊂ Ω são chamados de disjuntos se A ∩ B = ∅ e desta
forma temos que:
#(A ∪ B) = #A + #B (3.5)
O principio da inclusão e exclusão é a contagem do número de elementos da união

vários conjuntos. Desta forma:
• para dois conjuntos A ∈ U e B ∈ U onde A ∩ B ≠ ∅:
#(A ∪ B) = #A + #B − #(A ∩ B)
• para três conjuntos A ∈ U, B ∈ U e C ∈ U sendo A ∩ B ∩ C ≠ ∅:
#(A∪B ∪C) = #A + #B + #C − #(A∩B) − #(A∩C) − #(B ∩C) + #(A∩B ∩C)

• por indução sejam Ai ∈ U; ∀ i ∈ {1, 2, 3, . . . n} então temos que
# (A1 ∪ A2 ∪ . . . ∩ An ) = #A1 + #A2 + . . . + An + (3.6)

−#(A1 ∩ A2 ) − #(A1 ∩ A3 ) − . . . (3.7)
−#(An−1 ∩ An ) + #(A1 ∩ A2 ∩ A3 ) + . . . + (3.8)
+(−1)n−1 # (A1 ∩ A2 ∩ . . . ∩ An ) (3.9)
Assim temos que:
1. U = #A + #A
2. A − B = #A + #(A ∩ B)
Classe de Conjuntos
Dados o conjunto A é possível formar um conjunto que contenha todos os seus

subconjuntos a este conjunto é chamado de conjunto das partes deste conjunto e sua
notação será P(A). Que é classifica em matemática como uma classe de conjuntos de A.
seus subconjuntos de todos os seus elementos que, para não haver estar declarando ´´o
conjunto do conjunto A. Temos que
#P = 2(#A)
97
4 Probabilidade
Sumário
4.1 Conceitos de probabilidade . . . . . . . . . . . . . . . . . . . . . . 97
4.1.1 Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2 Lista de Exercícios Probabilidade . . . . . . . . . . . . . . . . . . 108
A probabilidade é o ramo da matemática e estatística que experimentos que

repetidos sob as mesmas condições produzem em grande parte resultados diferentes
(MORGADO; CARVALHO; FERNANDEZ, 1991; HAZZAN, 1977). Para embasar os
estudo da probabilidade alguns conceitos devem ser apresentados.
4.1 Conceitos de probabilidade

A pesquisa de fenômenos estatísticos envolve avaliação de processos aleatórios que
podem provir de experimentação. Nosso foco em probabilidade está em experimentos
aleatórios.
Definição 4.1 (Experimento Aleatório). Procedimento que, ao ser repetido sob as

mesmas condições, pode fornecer resultados diferentes; ou um procedimento cujo resultado
é incerto (SPIEGEL; SCHILLER; SRINIVASAN, 2004).
Exemplo 4.1. Como exemplos de Experimentos Aleatórios temos:
1. O Lançar uma moeda e observar a face voltada para cima;
2. De um lote de 80 peças em perfeito estado e 20 defeituosas, selecionar de forma

aleatória 10 peças e observar o número de peças defeituosas;
3. Lançar um dado o observar a face voltada para cima.
Definição 4.2 (Espaço Amostral (Ω)). Conjunto que possuem como elementos todos
possíveis resultados de um experimento aleatório, cuja notação é a letra grega Ω.
1. O experimento de Lançar uma moeda e observar a face de cima tem como espaço
amostral Ω = {K, C} onde K representa cara e C coroa
2. Num lote tem 20 peças, observar o número de peças defeituosas pode ser Ω =
{0, 1, 2, 3, . . . , 19 , 20 }.
3. Ω = .
98 Capítulo 4. Probabilidade
Ao realizarmos um experimento aleatório estamos, quase sempre, interessados no

valor numérico, obtido da leitura do resultado abstrato deste experimento. Por exemplo,
no experimento lançar de um dado, os resultado serão as faces
.
Mas em jogos de azar como Craps 1 , o que realmente interessa é o valor numérico
representado nas faces dos dados. Para jogos com um dado os possíveis valores são
Ω = {1, 2, 3, 4, 5, 6}. Dependendo das regras do jogo (experimento aleatório) o jogador
ganhará caso um subconjunto de Ω ocorrera como por exemplo o conjunto dos valores
ímpares B = {1, 3, 5} que recebe o nome de evento do experimento aleatório “lançamento
de um dado”.
Definição 4.3 (Evento). É um subconjunto do espaço amostral Ω. É representado de

forma geral por letras latinas maiúsculas do início do alfabeto. Cada elemento de cardina-
lidade 1 de um espaço amostral é chamado de Evento elementar do espaço amostral em
questão.2
Exemplo 4.2. No experimento lançar duas moedas simultaneamente o espaço amostral

é Ω = {KK, KC, CK, CC}. O evento A ocorrer uma cara é representado pelo conjunto
A = {KC, CK}.
Definição 4.4 (Eventos Disjuntos). Dois eventos A, B ∈ Ω são disjuntos (mutuamente

exclusivos) quando A ∩ B = ∅ .
Exemplo 4.3. O experimento lançar um dado, possui como espaço amostral o conjunto
Ω = {1, 2, 3, 4, 5, 6}. Sejam os eventos A, obter um número par (A = {2, 4, 6}) e o evento B,
obter um número menor que 4 (B = {1, 2, 3}). Então podemos obter o evento A ∩ B = {2}.
Assim os eventos citados não são disjuntos.
Para um experimento aleatório, podemos buscar um valor que indique quantitati-

vamente a ocorrência de seus eventos, por meio da repetição do mesmo muitas vezes, nas
mesmas condições (HAZZAN, 1977).
Definição 4.5 (Frequência Relativa e Probabilidade). Seja Ω = {e1 , e2 , e3 , . . . , el } o Espaço

amostral de um Experimento Aleatório repetido n vezes, sempre mantendo as mesmas
condições. Define-se o valor f ri dado por
fi
f ri = para i ∈ {1, 2, 3, . . . , l} (4.1)
n
1
Craps é um jogo de dados em que os jogadores apostam no resultado do lançamento, ou uma série de
lançamentos, de um par de dados (Wikipedia contributors, 2020a). A versão mais conhecida deste jogo
é a apresentada no Cinema e é chamado de ”casino craps” em tradução livre "dados de cassino".
2
A ideia lógica de ocorrência de um evento é a seguinte: se um elemento do conjunto (evento) ocorre,
então o conjunto (evento) ocorre. Chamamos o ∅ de evento impossível e o Ω de evento certo e a um
elemento de Ω de evento fundamental ou elementar.
4.1. Conceitos de probabilidade 99
como a Frequência Relativa do evento xi . Tomando n → ∞ temos que
lim f ri = pi (4.2)
n→+∞
A constante pi é definida com a probabilidade do evento xi .
Exemplo 4.4. Seja o experimento de Lançar uma moeda e observar a face de cima tem
como espaço amostral Ω = {K, C} onde K representa cara e C coroa. Com o objetivo de
avalar o comportamento uma dos resultados de sequência, de lançamentos de uma moeda
o pesquisador resolve realizar de lançamentos sucessivos da moeda n vezes. Para cada
realização o resultado é anotado.
O Gráfico 38 expõe o valor da probabilidade para n = 10000 lançamentos de uma

moeda e o Gráfico 39 expõe os desvios dos valores da probabilidade de um lançamento
para o outro.
Figura 38 – Gráfico limite da Frequência Relativa de Cara

Figura 39 – Gráfico dos desvios do limite da Frequência Relativa
No Gráfico 38 temos uma convergência dos valores da probabilidade na direção

do valor 0, 5 e no Gráfico 39 expõe que os desvios dos valores das probabilidade de um
lançamento para o outro convergem para zero. Logo notamos que a probabilidade de cara
é 1/2. E assim para experimentos com l possíveis resultados os valores fi convergem para
os valores pi como definido.
A Frequência Relativa possui as seguintes propriedades:
fi
1. Como 0 ≤ ≤ 1 ∀i temos que 0 ≤ fi ≤ 1
n
2. Sendo Ω = {e1 , e2 , e3 , . . . , el } temos que
f1 f2 f3 fl f1 + f2 + f3 + ⋯ + fl n
+ + +⋯+ = = =1 (4.3)
n n n n n n
logo temos
f r1 + f r2 + f r3 + ⋯ + f rl = 1 (4.4)
Exemplo 4.5. Se E ⊂ Ω e E = ∅ temos que a f rE é a frequência relativa do evento E é

definida como:
fi
f rE = ∑ = ∑ f ri (4.5)
xi ∈E n ei ∈E
Sendo Ω = {e1 , e2 , e3 , . . . , el } temos que E ⊂ Ω onde E = {e2 , e4 , e6 } temos que
f2 f4 f6 f2 + f4 + f6
f rE = + + =
n n n n
E se E = Ω temos que
f1 f2 f3 fl f1 + f2 + f3 + ⋯ + fl n
f rE = f rΩ = + + +⋯+ = = =1
n n n n n n
Exemplo 4.6. Seja o evento lançar um dado. E ⊂ Ω e E = ∅ temos que a f rE é a
frequência relativa do evento E é definida como:
fi
f rE = ∑ = ∑ f ri (4.6)
xi ∈E n ei ∈E
Sendo Ω = {e1 , e2 , e3 , . . . , el } temos que E ⊂ Ω onde E = {e2 , e4 , e6 } temos que
f2 f4 f6 f2 + f4 + f6
f rE = + + =
n n n n
E se E = Ω temos que
f1 f2 f3 fl f1 + f2 + f3 + ⋯ + fl n
f rE = f rΩ = + + +⋯+ = = =1
n n n n n n
Nota-se que a definição de frequência relativa aqui apresentada está incriticamente

ligado ao conceito de frequência relativa usado na construção das distribuições de frequência.
Alem disso observa-se que o concito de frequência relativa esta ligado ao numéro de
elementos do conjunto E que é definido como #E e isso corrobora com a definição
apresentada no livro de Morgado, Carvalho e Fernandez (1991).
Definição 4.6. A definição de probabilidade como o quociente do número de “casos favorá-

veis” sobre o número de “casos possíveis” foi a primeira definição formal de probabilidade,
e apareceu pela primeira vez em forma clara na obra Liber de Ludo Aleae de Jeronimo
Cardano (1501-1576) segundo Morgado, Carvalho e Fernandez (1991 apud CARDANO,
2015). Os casos favoráveis Seja E ⊂ Ω temos que a probabilidade de E é definida como
(MORGADO; CARVALHO; FERNANDEZ, 1991 apud CARDANO, 2015):
#E
P (A) = (4.7)
#Ω
onde para P (⋅) temos que
1. Sendo A ⊂ Ω temos que 0 ≤ P (A) ≤ 1;

#Ω
2. P (Ω) = 1 porque P (Ω) = = 1;
#Ω
#∅ 0
3. P (∅) = 0 porque P (∅) = = = 0;
#Ω #Ω
4. Sedo A ⊂ Ω e B ⊂ Ω P (Ω) = 1 e A ∩ B = ∅ temos que P (A ∪ B) = P (A) + P (B)
Com base no exposto até aqui segue a definição de Função de Probabilidade
Definição 4.7 (Função de Probabilidade). Seja Ω espaço amostral. Uma função P definida
para todos os subconjuntos de Ω é chamada de probabilidade se satisfaz as seguintes
condições (MORGADO; CARVALHO; FERNANDEZ, 1991):
1. 0 ≤ P (A) ≤ 1, para todo o evento A ⊂ Ω, isto é, a probabilidade de qualquer evento

está entre 0 e 1;
2. Temos que P (∅) = 0 é o evento impossível e tem probabilidade zero e P (Ω) = 1, é o

evento certo tem probabilidade um;
3. Se A1 e A2 são conjuntos disjuntos temos que P (A1 ∪ A2 ) = P (A1 ) + P (A2 ). Gene-

ralizando temos que
n n
P (⋃ Ai ) = ∑ P (Ai )
i=1 i=1
Com base nesta definição algumas consequências que podemos observar.
1. As somas de probabilidades de um espaço amostral são sempre iguais a 1.

Demonstação:
Se A1 , A2 , . . . , An formam uma partição de Ω por definição
n
⋃ Ai = Ω
i=1
assim aplicando a função de probabilidade temos que

n
P (⋃ Ai ) = P (Ω)
i=1
e como P (Ω) = 1 temos que

n
P (⋃ Ai ) = 1
i=1
n n
e sabendo que P (⋃ Ai ) = ∑ P (Ai ) temos que
i=1 i=1
n
∑ P (Ai ) = 1
i=1
2. Se A ⊂ Ω, então P (A) = 1 − P (A).

Demonstação:
Sendo A ⊂ Ω e A ⊂ Ω o complementar de A sabemos que A ∩ A = ∅ e desta forma
A ∪ Ā = Ω logo
P (A ∪ A) = P (Ω) ⇒ P (A ∪ A) = 1 , Q.E.D
3. Se A ⊂ Ω e B ⊂ Ω e A ⊂ B então P (B) = P (A) − P (B − A)

Demonstação:
Sabemos que A ⊂ B implica que A = (A ∩ B)
A ⊂ B ⇒ A = (A ∩ B)
A B
e sabendo que B = (A ∩ B) ∪ (B ∩ A) e pode definição (B ∩ A) = (B − A)
B = (A ∩ B) ∪ (B ∩ A)
A B
A∩B B∩A
logo temos que B = A ∪ (B − A) logo aplicando a função de probabilidade temos que
P (B) = P (A) + P (B − A)
4. Se A ⊂ Ω e B ⊂ Ω e A ⊂ B então P (A) ≤ P (B)

Demonstação:
Já foi demostrado que P (B) = P (A) + P (B − A) logo P (A) = P (B) − P (B − A),
assim temos dois casos
a) Se B − A = ∅, isto significa eu B = A logo a igualdade é satisfeita pois P (A) =

P (B).
b) Se B ≠ A implica que (B − A) ≠ ∅ e desta forma P (B − A) ≥ 0 e desta forma
para satisfazer a igualdade P (A) = P (B) − P (B − A) , P (A) deve ser menor
do que P (B).
5. Se A ∈ Ω e B são dois eventos quaisquer, então
P (A ∪ B) = P (A) + P (B) − P (A ∩ B).
Demonstação:
Sabendo que (A ∪ B) = (A − B) ∪ B e A = (A ∩ B) ∪ (A ∩ B)
(A ∪ B) = (A − B) ∪ B A = (A ∩ B) ∪ (A ∩ B)
A B A B
A−B B A∩B A∩B
Ω Ω
Assim temos que P (A) = P (A − B) + P (A ∩ B) ⇒ P (A − B) = P (A) − P (A ∩ B) e

substituindo o valor P (A − B) em P (A ∪ B) = P (A − B) + P (B) temos que
P (A ∪ B) = P (A − B) + P (B) (4.8)
= P (A) − P (A ∩ B) + P (B) (4.9)
= P (A) + P (B) − P (A ∩ B) Q.E.D. (4.10)
6. Para os conjuntos A1 ∈ Ω e A2 ∈ Ω A3 ∈ Ω, que são três eventos quaisquer, temos que

(MORGADO; CARVALHO; FERNANDEZ, 1991):
P (A1 ∪ A2 ∪ A3 ) = P (A1 ) + P (A2 ) + P (A3 ) − P (A1 ∩ A2 ) − P (A2 ∩ A3 ) − P (A3 ∩ A1 )

+P (A1 ∩ A2 ∩ A3 ).
7. Sejam Ai ⊂ Ω ∀i ∈ {1, 2, 3, . . . , n} então temos que
P (A1 ∪ A2 ∪ . . . ∩ An ) = P (A1 ) + P (A2 ) + . . . + P (An ) +

−P (A1 ∩ A2 ) − P (A1 ∩ A3 ) − . . .
−P (An−1 ∩ An ) + P (A1 ∩ A2 ∩ A3 ) + . . . +
+(−1)n−1 P (A1 ∩ A2 ∩ . . . ∩ An ) (4.11)
8. Para quaisquer eventos A ⊂ Ω e B ⊂ Ω temos que P (A) = P (A ∩ B) + P (A ∩ B)

(MORGADO; CARVALHO; FERNANDEZ, 1991)(MORETTIN, 2010). Demons-
tação: Observando a figura nota-se que o conjunto A = (A ∩ B) ∪ (A ∩ B) logo
aplicando a função de Probabilidade temos que:
P (A) = P (A ∩ B) ∪ P (A ∩ B) = P (A ∩ B) + (A ∩ B)
A = (A ∩ B) ∪ (A ∩ B)
A B
A∩B A∩B
Figura 40 – Valor de A = (A ∩ B) ∪ (A ∩ B)
Este resultado pode ser generalizados para múltiplos conjuntos de forma que se a
concorrência de A resulta na ocorrência de um dos eventos mutuamente exclusivos
A1 , A2 , . . . , An então P (A) = P (A∩A1 )+P (A∩A2 )+. . .+P (A∩An ) (??MORETTIN,
2010).
Quando se associa a cada um dos elementos de um espaço amostral a mesma probabilidade

de ocorrência, temos um espaço amostral equiprovável. Em suma, se Ω contém n pontos,
então a probabilidade de cada elemento de Ω é igual a 1/n. Por exemplo, ao lançar um
dado, a probabilidade de cada elemento de Ω = {1, 2, 3, 4, 5, 6} é 1/6.
4.1.1 Probabilidade Condicional

Suponha um jogo com um dado, então Ω = {1, 2, 3, 4, 5, 6}. O jogador vence se
ocorrer B = {2, 3, 5} logo P (B) = 1/2. Mas como o jogador estava distante do local onde
o dado foi lançado, a banca o informou apenas que saiu um número ímpar. Neste caso,
ocorreu o evento A = { 1, 3, 5} e P (A) = 1/2. Baseado na informação da banca, chegamos
a conclusão que P (B) = 2/3. Houve, neste caso, uma mudança na probabilidade de vitória,
pois o único elemento de B que pode ocorrer é 3 e 5 (ímpares). Este pensamento nos leva
a seguinte definição.
Definição 4.8. Sejam A e B dois eventos tais que A ⊂ Ω e B ⊂ Ω. Denotamos por P (A∣B)
a probabilidade de A dado que B ocorreu, e a chamamos de Probabilidade Condicional
sendo esta representada por(MORGADO; CARVALHO; FERNANDEZ, 1991):
P (A ∩ B)
P (A∣B) = (4.12)
P (B)
Sendo P (B) > 0 temos que:
1. P (∅∣A) = 0 e P (Ω∣A) = 1
2. 0 ≤ P (A∣B) ≤ 1
3. P [(B ∪ C)∣A] = P (B∣A) + P (C∣A), se B ∩ C = ∅
4. E para P (A ∩ B) temos:
P (A ∩ B) = P (B)P (A∣B) (4.13)

P (A ∩ B) = P (A)P (B∣A) (4.14)
Exemplo 4.7. Usando os dados do exemplo citado acima notamos que P (A ∩ B) = 2/6 e
que P (A) = 1/2 desta forma usando 4.12 temos que:
P (A ∩ B) 2/6 2
P (B∣A) = = =
P (A) 1/2 3
Definição 4.9 ( Independência ). Se P (B∣A) = P (B) implica que a ocorrência do evento

A não é afetada pela ocorrência do evento B, então dizemos que A e B são independentes.
Isto é equivale a
P (A ∩ B) P
(A) ⋅ P (B)
P (B∣A) = = = P (B)
P (A) P (A)

Então A ∈ Ω e B ∈ Ω são independentes se:P (A ∩ B) = P (A) ⋅ P (B) esta definição pode

ser generalizada para vários eventos.
Exemplo 4.8. Seja um experimento no lançamento de 3 moedas.
1. Calcule a probabilidade de sair cara(C) no primeiro lançamento
2. Calcule a probabilidade de sair coroa(K) no terceiro lançamento
3. Os eventos anteriores são independentes?
Solução: Seja A o evento “ sair cara no primeiro lançamento ”, temos que:
Ω = {CCC, CCK, CKC, CKK, KCC, KCK, KKC, KKK}
desta forma temos
4 1
1. o evento A = {CCC, CCK, CKC, CKK} logo P (A) = =
8 2
4 1
2. o evento B = {CCK, CKK, KCK, KKK} logo P (A) = =
8 2
2 1
3. o evento A ∩ B = {CCK, CKK} logo P (A ∩ B) = = .
8 4
1 1 1
Como P (A).P (B) = . = os eventos são independentes.
2 2 4
.
Definição 4.10 (Regra do Produto). Sejam A1 , A2 , A3 , . . . , An evento contidos no espaço

n−1
amostral, isto é, Ai ⊂ Ω, ∀ i = 1, 2, 3, . . . n, com P ( ⋂ Ai ) > 0 a regra do produto de
i=1
probabilidade é dada por:
P (A1 ∩ A2 ∩ . . . ∩ An ) = P (A1 )P (A2 ∣A1 ) . . . P (An ∣ A1 ∩ A2 ∩ A3 ∩ . . . ∩ An−1 ) (4.15)
Exemplo 4.9. Em um urna temos 8 bolas brancas e 10. Calcule:
(a) De se escolher sucessivamente 3 bola brancas com reposição.
(b) De se escolher sucessivamente 3 bola brancas sem reposição.
Solução:
Primeiro definimos os eventos estudas como B para a escolha de uma bola Branca
e de V a escolha de uma bola Vermelha como temos que as bolas podem retornar a urna
depois da escolha a probabilidade é:
8 8 8
P (B1 ∩ B2 ∩ B3 ) = P (B1 )P (B2 )P (B3 ) = = 0, 087791495
18 18 18
Mas no caso onde não há reposição a probabilidade da sucessão de eventos muda a cada
escolha assim temos que
8 7 6
P (B1 ∩ B2 ∩ B3 ) = P (B1 )P (B2 ∣B1 )P (B3 ∣B1 ∩ B2 ) = = 0, 068627451
18 17 16
Definição 4.11 (Lei da Probabilidade Total). Suponha que os eventos B1 , B2 , B3 , . . . , Bn

formem uma partição do espaço amostral Ω e todos têm probabilidade positiva. Então, para
qualquer evento A temos:
n
P (A) = ∑ P (Bi )P (A∣Bi ). (4.16)
i=1
Suponha que os eventos B1 , B2 , B3 , . . . , Bn formem uma partição do espaço amostral Ω e

todos têm probabilidade positiva.
Teorema 4.1 (Teorema de Bayes). Seja A um evento qualquer com P (A) > 0. Então,
para todo j = 1, 2, . . . , n, temos:
P (A∣Bj )P (Bj )
P (Bj ∣A) = n . (4.17)
∑ P (Bi )P (A∣Bi )
i=1
Exemplo 4.10. Seja os dados da tabela abaixo.

Tabela 44 – Dados
SEXO
CURSOS
Homens Mulheres TOTAIS
Matemática Pura(M) 70 40 110
Matemática Aplicada(A) 15 15 30
Estatística(E) 10 20 30
Computação(C) 20 10 30
TOTAIS 115 85 200
Calcule as probabilidades dos Eventos seguintes:
115
1. Probabilidade de ser Homem. Solução: P (H) =
200
30
2. Probabilidade de ser aluno de Estatística. Solução: P (E) =
200
3. Probabilidade ser aluno de Estatística ou de ser Homem.
30 + 115 − 10
Solução: : P (E ∪ H) = P (H) + P (E) − P (E ∩ H) = 200 200 200
4.2 Lista de Exercícios Probabilidade

1. Uma urna contém 30 bolinhas numeradas de 1 a 30. Uma bolinha é escolhida e
observado seu número. Seja Ω = {1, 2, 3, . . . , 29, 30}. Descrever os eventos:
(a) o número obtido é par; (b) o número obtido é maior que 16;
2. Considere um jogo com bolas numeradas de 1 a 4, Ω = {1, 2, 3, 4} em uma esfera

giratória. No processo de escolha temos duas situações
a) as bolas tem mesma chance de seres escolhidas.

b) a bola 4 tem duas vezes mais chace de ser sorteada do que as demais. As bolas
1 , 2 e 3 tem mesma chance de seres escolhidas.
Assim para cada uma das situações responda os itens a seguir
a) as probabilidades de cada bola ser escolhida.

b) a probabilidade do evento A = {x∣x a bola tem número par}.
c) a probabilidade do evento B = {x∣x a bola tem número impar}.
d) a probabilidade do evento C = {x∣x a bola tem número menor que 3}.
e) as probabilidades
i. P (B)
ii. P (A ∪ B)
4.2. Lista de Exercícios Probabilidade 109
iii. P (A ∩ B)
iv. P (A ∪ B ∪ C)
3. Uma dado é viciado de tal forma que a probabilidade da face voltada para cima
de ser é 6 vezes mais provável do sair . A Chance dos demais é
inversamente proporcional ao valor numérico da face:
a) as probabilidades de cada valor de Ω = {1, 2, 3, 4, 5, 6}.

b) a probabilidade do evento A = {x∣x é um número par}.
c) a probabilidade do evento B = {x∣x é número impar}.
d) a probabilidade do evento B = {x∣x é um menor que 4}.
e) as probabilidades
i. P (B)
ii. P (A ∪ B)
iii. P (A ∩ B)
iv. P (A ∪ B ∪ C)
4. Em uma escola foi feito uma pesquisa quanto a cor dos olhos dos alunos com relação
curso. Os dados estão na Tabela 45)
Tabela 45 – Classificação
Olhos
Azuis Castanhos Cinza Verde
Curso
Estatística 20 19 15 10
Física 40 14 34 20
Matemática 23 35 5 20
Calcules a probabilidades:
a) do aluno ser do curso de Matemática.

b) do aluno ter olhos castanhos e verdes.
c) do aluno ter olhos castanhos ou verdes.
d) do alunos ter olhos azuis e verdes dado que é do curso de Estatística.
Parte IV
Variáveis Aleatórias
113
5 Variáveis aleatórias
Sumário
5.1 Introdução Variáveis aleatórias . . . . . . . . . . . . . . . . . . . 113
5.2 Variável Aleatória Discreta . . . . . . . . . . . . . . . . . . . . . . 114
5.2.1 Valor Esperado e Variância . . . . . . . . . . . . . . . . . . . . . . . 117
5.2.2 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2.3 Principais Modelos Discretos . . . . . . . . . . . . . . . . . . . . . . 119
5.2.4 Lista de Exercícios de Variáveis Aleatórias Discretas . . . . . . . 122
5.3 Variável Aleatória Contínua . . . . . . . . . . . . . . . . . . . . . 123
5.3.1 Valor Esperado e Variância . . . . . . . . . . . . . . . . . . . . . . . 124
5.3.2 Principais Modelos Contínuos . . . . . . . . . . . . . . . . . . . . . . 126
5.4 Lista de Exercícios Variáveis Aleatórias Contínuas . . . . . . 142
5.1 Introdução Variáveis aleatórias

Discorremos até este ponto os conceitos básicos de probabilidade que abrangem
um leque considerável de fenômenos estatísticos. Mas para lidar com os resultados de
experimentos aleatórios (E.A.) mais complexos, aprestaremos a definição de variável
Aleatória (V.A.).
Definição 5.1. Definimos X como uma V.A. e sendo Ω o espaço amostral de um E.A.
de forma que
X ∶Ω→R
(5.1)
ω → X(ω)
Exemplo 5.1. No lançamento de uma moeda duas vezes. Qual é a quantidade de caras
em cada lançamento.
Solução:
Para este experimento o espaço amostral para este experimento Ω = {KK, CK, KC, CC}
em que K representa cara e C representa coroa. Temos na Tabela 46 exposto o número de
caras presentes em cada lançamento.
Tabela 46 – Número de caras presente em cada par de resultados do experimento
Ponto amostral KK CK KC CC
X = {nº de caras} 2 1 1 0
114 Capítulo 5. Variáveis aleatórias
Nota-se que para cada resultado exposto em Ω temos um numero de caras, por
exemplo, para o resultado KK, o numero de cacaras é 2. Mas quando realizamos qualquer
experimento aleatório podemos calcular a chance de cada resultado de Ω através da função
de probabilidade.
P (⋅)
X P (X = x)
Ω R [0, 1]
P (CC) = 1/4
CC
0 P (X = 0)
CK
1 P (X = 1)
KC
2 P (X = 2)
KK
P (KK) = 1/4
P (KC) + P (CK) = 1/2
Figura 41 – Relações funcionais da V. A.do Exemplo 5.1.
Notamos ao observar a Tabela 46 e o gráfico na Figura 41 a relação funcional entre

os objetos de Ω e valores nos reais, proporcionada pela variável Aleatória X. A V.A X
associa resultado de Ω a um valor em R que corresponde ao número de cadas em cada
lançamento das moedas.
Observação 5.1. A notação usada para vaiáveis aleatórias será, letras a mesmas que
já forma apresentadas, letras maiúsculas do fim do alfabeto X, Y, Z, . . . e para os valores
destas variáveis letras minúsculas do fim do alfabeto.
5.2 Variável Aleatória Discreta
Definição 5.2 (Variável Aleatória Discreta ). Uma variável aleatória é ser definida
como uma função que associa a cada evento pertencente a uma partição do espaço amostral
Ω um único número real, isto é, X ∶ Ω → R. (MORETTIN, 2010). Os valores possíveis
desta variável podem ser finitos ou infinitos enumeráveis.
5.2. Variável Aleatória Discreta 115
Definição 5.3 (Função de probabilidade). Sendo X uma variável aleatória discreta

com valores possíveis {x1 , x2 , x3 . . .} definimos a função que atribui a cada um destes valores
sua probabilidade é chamada de função de probabilidade (MAGALHÃES; LIMA, 2007). A
notação a ser utilizada é:
P (X = xi ) = p (xi ) = pi i = 1, 2, 3 . . . (5.2)
satisfazendo as seguintes condições:
p(xi ) ≥ 0 (5.3)
∑ p(xi ) = 1 (5.4)
i
com a soma percorrendo todos os valores possíveis de X (eventualmente finitos).
Exemplo 5.2. Encontre a função de probabilidade correspondente à variável aleatória X

do Exemplo 5.1.
Solução:
1
Assumindo que a moeda é honesta, temos: P (KK) = P (CK) = P (KC) = P (CC) = ;
4
Tabela 47 – Probabilidades da V.A. X.
xi 0 1 2
p(xi ) 1/4 1/2 1/4
Da mesma forma que realizado para Distribuições de Frequência devemos calcular a

Distribuição de Frequências Acumuladas chamadas de Função Distribuição que consiste em
se calcular a probabilidade acumulada até um certo valor. O cálculo é feito de forma análoga
ao realizado para a Frequência relativa, so que para V.A.s é feito para as probabilidades
Definição 5.4 (Função de Distribuição de Probabilidade). Seja X uma V.A.função

distribuição acumulada, é dada por:
F (x) = P (X ≤ x) = ∑ p (u) (5.5)

u≤x
onde o somatório é tomado para todos os valores u da variável X tais que u ≤ x.
Propriedades da Função Distribuição
Para X uma V.A. temos que (CATALDO, 2012):
(a) Sendo X uma V.A. temos que 0 ≤ F (X) ≤ 1;

(b) Sendo X uma V.A. temos que
lim F (X) = 0
x→+∞
lim F (X) = 1
x→+∞
(c) Sendo X uma V.A. temos que F (X) é não decrescente e contínua a direita;
(d) Sendo X uma V.A. temos que P (x1 < X ≤ x2 ) = F (x2 ) = F (x1 )
(e) Sendo X uma V.A. temos que P (X > x) = 1 − F (x)
Outra forma de expor a Equação 5.5 é

⎧
⎪
⎪
⎪ 0 −∞ < x < x1
⎪
⎪
⎪
⎪
⎪
⎪ p (x1 ) x1 ≤ x < x2
⎪
⎪
F (x) = ⎨ p (x1 ) + p (x2 ) x2 ≤ x < x3
⎪
⎪
⎪
⎪
⎪
⎪ ⋮ ⋮
⎪
⎪
⎪
⎪
⎪
⎩ p (x1 ) + . . . + p (xn ) xn ≤ x < ∞
cujo gráfico pode ser apresentado da seguinte forma.
F (x1 )
1 ← p (x1 ) + p (x2 ) + . . . + p (xm ) = 1
← p (x1 ) + p (x2 )
p (x1 )
x1 x2 xn x
Figura 42 – Função de Distribuição

5.2.1 Valor Esperado e Variância

O conceito de Valor Esperado (Esperança) de uma V.A. é análogo ao conceito de
média de uma variável.
Definição 5.5 (Esperança Matemática). A média, valor esperado ou esperança mate-

mática de uma Variável Aleatória X é dada por:
n
µ = E(X) = ∑ xi ⋅ p(xi ) (5.6)
i
onde o valor de n pode ser infinito (BUSSAB; MORETTIN, 2010).
Exemplo 5.3. Considere uma V.A. X com a seguinte função discreta de probabilidade:
X 0 10 15 20
pi 0, 3 0, 2 0, 4 0, 1
calcule a esperança desta Variável Aleatória (V.A.).
Solução: Então o valor da esperança é:

4
µ = E(X) = ∑ xi ⋅ p(xi ) = (0) ⋅ 0, 3 + 10 ⋅ 0, 2 + 15 ⋅ 0, 4 + 20 ⋅ 0, 1 = 10, 0
i=1
5.2.1.1 Propriedades
1. O valor esperado (esperança) de uma constante é igual a própria constante; i.e. (isto
é), se “c” é uma constante, então E(c) = c.
2. O valor esperado de aX é dado por E(aX) = a E(X), logo para Y = a + bX temos

que E(Y ) = a + b E(X);
3. O valor esperado de X ± Y é dado por E(X ± Y ) = E(X) ± E(Y ) se XY , isto é se

X é independente de Y ;
5.2.2 Variância
O conceito de Variância de uma V.A. é análogo ao conceito de Variância de uma
variável. Através de um exemplo apresentaremos o conceito e importância da variância
para uma variável aleatória.
Exemplo 5.4. O tempo até o primeiro defeito de meses de dois aparelhos com a mesma
função são definidos pelas variáveis aleatórias X1 e X2 com as seguintes distribuições de
probabilidade.
X1 2 4 8 16 10 8 X2 4 8 12
p(X) 1/6 1/6 1/6 1/6 1/6 1/6 p(X) 0, 4 0, 2 0, 4
Suas médias são
E(X1 ) = 2 × 1/6 + 4 × 1/6 + 8 × 1/6 + 16 × 1/6 + 10 × 1/6 + 8 × 1/6 = 8

E(X2 ) = 4 × 0, 4 + 8 × 0, 2 + 12 × 0, 4 = 8
Analisando os resultados dos tempos dos dois equipamentos tem mesma média de tempo.
Assim a maneira de diferenciar os equipamentos é através da informação da Variância.
Definição 5.6 (Variância). Definimos a variância como a esperança dos quadrados dos
desvios dos valores de X em função da média. Se µ = E(X) é o valor esperado (média) da
variável aleatória X, então a variância é
n
Var(X) = ∑(xi − µ)2 p(xi ). (5.7)
i
em que o valor de n pode ser infinito (MAGALHÃES; LIMA, 2010).
Pode ser demonstrado que:
Var(X) = E(X 2 ) − [E(X)]2 . (5.8)

√
sendo o desvio padrão definido apenas como σ = V ar(X).
Exemplo 5.5. Baseado nos dados do Exemplo 5.4 e sabendo que E(X) = 8, 5 calculamos
a Variância
E(X 2 ) = 42 ⋅ 0, 4 + 82 ⋅ 0, 2 + 12 ⋅ 0, 40, 2
= 16 ⋅ 0, 4 + 64 ⋅ 0, 2 + 144 ⋅ 0, 40, 2
= 6, 4 + 12, 857, 6
= 76, 8
logo
2
Var(X) = E(X 2 ) − [E(X)]
= 76, 8 − 64
= 12, 8
e ainda
√
σ= 12, 8 = 3, 577709
Fica como exercício realizar a variância para a variável X2 e verificar qual possui
menor variância.
5.2.2.1 Propriedades
1. A variância de uma constante é nula; i.e. se “c” é uma constante, então Var(c) = 0.
2. A variância de aX é dada por Var(aX) = a2 Var(X), logo para Y = aX + b temos

que Var(X + c) = a2 Var(X);
3. A variância de X ± Y é dada por Var(X ± Y ) = Var(X) + Var(Y ) se XY , isto é se

X é independente de Y ;
5.2.3 Principais Modelos Discretos

5.2.3.1 Distribuição de Bernoulli
Definição 5.7. A Distribuição de Bernoulli é a distribuição discreta que assume apenas

os valores. Onde, geralmente 0 indica fracasso e 1 representa sucesso, sua função de
probabilidade é dada por (MORETTIN, 2010):
P (X = x) = px (1 − p)1−x em que x ∈ {0, 1} e 0 ≤ p ≤ 1 (5.9)
ou
X 0 1
(5.10)
pi 1 − p p,
Suas, esperança e variância são respectivamente:
E(X) = p e V ar(X) = p(1 − p). (5.11)
A notação é X ∼ Bernoulli(p) que se lê “X tem distribuição de Bernoulli com probabilidade

p”
Esta variável é geralmente usada para descrever fenômenos cujo resultado é do

tipo sucesso e fracasso, em que, por convenção, atribuímos o valor 1 para a ocorrência de
Sucesso e o valor 0 a ocorrência de de fracasso.
Exemplo 5.6. Seja X uma VA definida como “ocorrer cara no lançamento de uma moeda.
Neste caso, cara é o nosso sucesso, e desta forma, atribuímos 0 a ocorrência de coroa e 1
a ocorrência de cara. Como P (0) = P (1) = 1/2 temos que:
X 0 1
pi 1/2 1/2.
Exemplo 5.7. Seja o experimento onde é lançada uma moeda onde a probabilidade de
sair cara é 2 dobro da de sair coroa. Seja X uma V.A. com distribuição de Bernoulli com
parâmetro p onde o sucesso é sair coroa. Descubra o valor de p e calcule a E(X)
Solução:
Como P (C) ≡ P (X = 0) e P (K) ≡ P (X = 1) mas, P (X = 0) = 2P (X = 1). Assim
P (X = 1) = 1/3 de forma que p = 1/3.
5.2.3.2 Distribuição binomial
Definição 5.8. A V.A. X definida como o número de sucessos x em n ensaios executados

de forma independente um do outro e todos com a mesma probabilidade de sucesso p
é denominada de Distribuição Binomial com parâmetros n numero de realizações e p a
probabilidade de sucesso em cada tentativa. Sua função de probabilidade for dada por
(MORETTIN, 2010):
n
P (X = x) = p(x) = ( )px (1 − p)n−x , x ∈ {1, 2, 3, 4, 5, . . . , n} (5.12)
x
n n!
sendo ( ) = e temos que
k x!(n − x)!
E[X] = np e V ar(X) = np(1 − p). (5.13)
Notação: X ∼ Bin(n, p)
Exemplo 5.8. Seja X é uma VA definida como o número de caras em 12 lançamentos

de uma moeda. Calcule a probabilidade de sair 5 caras em 12 lançamentos.
Solução: Sendo n = 12 e p = 0, 5 temos de forma geral que calcular a probabilidade

do valor x = 5 ocorrer, logo
12
P (X = 5) = p(5) = ( )0, 55 (1 − 0, 5)12−5 = 0, 19
5
5.2.3.3 Distribuição geométrica
Definição 5.9. Seja X uma V.A.e denominada de V.A. o número de fracassos até o
primeiro sucesso geométrica tem Distribuição de Probabilidade Geométrica e sua função
de probabilidade é (MORETTIN, 2010):
P (X = n) = (1 − p)n−1 p para n = 1, 2, 3, . . . (5.14)
o valor esperado de uma variável aleatória X é 1/p e a variância é (1 − p)/p2
Definição 5.10. Seja Y uma V.A. definida como definida como o número de realizações
até o primeiro sucesso também e denominada de V.A. geométrica tem Distribuição de
Probabilidade Geométrica e sua função de probabilidade é (MORETTIN, 2010):
P (Y = n) = (1 − p)n p, para n = 0, 1, 2, . . . (5.15)
o valor esperado de uma variável aleatória Y geometricamente distribuída é (1 − p)/p, e a

sua variância é (1 − p)/p2 .
Definição 5.11. Qual é a probabilidade de que seja necessário chegar uma plataforma de
metrô 10 para encontra o trem chagando a estação, sabendo que a probabilidade de trem
estar chegando a estação é de 0, 8.
Solução:
P (X = 10) = (0.2)9 (0.8) = 0, 08192
5.2.3.4 Distribuição de Poisson
Definição 5.12. Uma variável aleatória X que usada para determinar a chace de um
numero x de eventos ocorrerem num certo intervalo de tempo, ou área da superfície ou
volume, ou taxa, segue o modelo de Poisson de parâmetro λ; λ > 0, se sua função de
probabilidade é dada por (MORETTIN, 2010):
e−λ λx
P (X = x) = , x = 1, 2, . . . (5.16)
x!
A sua média e a sua variância são E(X) = V ar(X) = λ logo, λ representa o número
esperado de ocorrências que ocorrem num dado intervalo de tempo. Notação: X ∼ P o(λ).
Exemplo 5.9. Uma central de telefone recebe, em média 12 chamadas por minuto. Qual
a probabilidade de que esta mesma central receba de 10 chamadas por minuto?
Solução:
e−12 1210
P (X = 10) = = 0, 1048373
10!
5.2.4 Lista de Exercícios de Variáveis Aleatórias Discretas

1. A distribuição de probabilidade da VA X número de pessoas no domicílio está
exposta na Tabela 48.
Tabela 48 – Número de pessoas no domicílio
Nº vendido 1 2 3 4 5
pi 0, 20 0, 30 0, 30 0, 15 0, 05
Responda:
a) Qual a probabilidade de que o número de pessoas seja maior que 2?

b) Calcule E(X) e V ar(X)
2. Durante o período de vendas de um ano (225 dias), um vendedor efetua entre 0 e 9

vendas por dia, conforme indicado na tabela abaixo.
Nº de vendas 0 1 2 3 4 5 6 7 8 9
F req, (emdias) 25 48 60 45 20 10 8 5 3 1
Se esse padrão for mantido, qual será o valor esperado para o número de vendas por
dia desse vendedor?
3. A probabilidade de chover em um dia em um dado mês de inverno é 60% qual a

probabilidade de chover mais de 3 dias.
4. A probabilidade do nascimento de uma criança do sexo feminino é de 50%. Desta

forma uma família tem 4 filhos qual a probabilidade de
a) pelo menos um filho ser do sexo feminino.

b) no máximo dois filhos serem do sexo masculino.
c) no máximo um ser do sexo masculino.
5. Uma Técnica de Radioterapia Externa foi usada em sete pacientes e a chance é de

70% de sucesso do tratamento. Obtenha a probabilidade de que a o tratamento seja
bem-sucedida para:
a) exatamente dois pacientes.

b) até dois pacientes.
c) no mínimo dois pacientes.
6. A taxa de acidentes domésticos é de 3 por dia. Qual a probabilidade de haver no

mínimo 1 acidentes em um dia? Determine o número médio de acidentes diários.
5.3. Variável Aleatória Contínua 123
7. Qual a probabilidade de ganhar na Mega-Sena com apenas um jogo.
8. A probabilidade de um alunos chegar atrasado na aula de estatística é de 50%. Qual

a probabilidade de que se passem 5 aulas para que o aluno chegue atrasado pela
primeira vez. Qual o valor esperado de dias até o primeiro atraso.
9. Uma prova de estatística tem 10 questões com 5 alternativas cada. Qual a probabili-
dade de que o aluno seja aprovado caso a média da universidade seja sete.
5.3 Variável Aleatória Contínua

Uma Variável Aleatória (V.A.) é dita ser contínua se os valores assumidos pela
mesma pertencem a um conjunto não enumerável de valores, ou seja, os valores possíveis
ocorrem aleatoriamente em um intervalo dos números reais.
Definição 5.13 (V.A. Contínua). é uma função X, definida sobre um espaço amostral Ω
e que assume valores num intervalo de números reais (MORETTIN, 2010)
Definição 5.14 (Função de Densidade de Probabilidade). Dizemos f (.) é uma que

uma função de probabilidade ou função de densidade de probabilidade (f dp) para uma
variável contínua (f dp) de X se satisfaz as condições (MORETTIN, 2010; MAGALHÃES,
2006):
1. f (x) ≥ 0 ∀x ∈ R
2. A área definida por f (x) é igual a 1 que matematicamente consiste em

∞
∫−∞ f (x) dx = 1 (5.17)
Usando adendo do Calculo diferencial Integral podemos calcular a probabilidade

para um intervalo [a, b] através do conceito de área sob o gráfico da função f definida pelo
intervalo, usando a expressão:
b
P (a ≤ X ≤ b) = ∫ f (xi ) dx (5.18)
a
= P (X ≤ b) − P (X ≤ a) (5.19)
= F (b) − F (a) (5.20)
Observação 5.2. Se temos que a = b na Equação 5.18 temos que:

a
P (a ≤ X ≤ a) = P (X = a) = ∫ f (x) dx = 0
a
e assim, tem-se as seguintes igualdades:
P (a ≤ X ≤ b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a < X < b).

Exemplo 5.10. Verifique se a função de densidade a seguir é uma distribuição de proba-

bilidade
⎧
⎪ x2 /9, 0 < x < 3;
⎪
f (x) = ⎨
⎪ 0
⎪
⎩ caso contrário.
Calcule a esperança a variância e o desvio padrão.
Solução: Para verificar se f (x) é uma função de densidade de probabilidade temos

que calcular a integral entre 0 e 3
3 x2 x3 3 33 − 0
∫0 ( ) dx = ∣ = =1 (5.21)
9 27 0 27
como a integral no intervalo 0 < x < 3 é igual a 1 a função acima é uma fdp.
Definição 5.15 (Função de Distribuição). Seja X uma variável aleatória contínua a

função distribuição acumulada fda ou simplesmente a função distribuição é dada por:
x
F (x) = P (X ≤ x) = ∫ f (u) du (−∞ < x < ∞) (5.22)
−∞
Exemplo 5.11. Com base na fdp do Exemplo 5.10 calcule P (x < 2)
Solução:
2 x2 x3 2 23 − 0 8
P (X < 2) = ∫ ( ) dx = ∣ = = = 0, 296 (5.23)
0 9 27 0 27 27
5.3.1 Valor Esperado e Variância

Um conceito muito importante em probabilidade e estatística é o de valor esperado,
também chamado esperança matemática, valor esperado ou média de uma variável aleatória
(V.A.). Para variáveis contínuas as definições são semelhantes as apresentadas para (V.A.)
discretas.
Definição 5.16 (Esperança). Para uma v.a. contínua X com função densidade f (x)
chama-se valor médio de X, representado por E(X), µx ou simplesmente µ, a integral
sobre o intervalo onde a função de densidade f (x) esta definida (MORETTIN, 2010):
∞
E[X] = ∫ xf (x)dx
−∞
desde que a integral exista e convirja absolutamente.
5.3.1.1 Propriedades do Valor Esperado
1. seja X uma v.a. dada por X = c onde “c” é uma constante então E(c) = c;
2. sejam X e Y variáveis aleatórias, de modo que X ≤ Y , então, E(X) ≤ E(Y );

3. se Y é uma v.a. de modo que Y = a ± bX onde a e b são constantes, então E(Y ) =

E(a ± bX) = a ± bE(X);
4. se X e Y são v.a., então E(X ± Y ) = E(X) ± E(Y );
5. se X e Y são v.a. independentes, então E(X ⋅ Y ) = E(X) ⋅ E(Y ).
Definição 5.17 (Variância e Desvio padrão). Chama-se variância de uma variável

aleatória X e a representa-se por V ar(X), σx2 ou apenas σ 2 a
∞
V ar(X) = σ 2 = E [(X − µ)2 ] = ∫ (x − µ)2 f (x)dx = E(X 2 ) − (E(X))2
−∞
√
e ainda σ = V ar[X] chama-se desvio padrão.
5.3.1.2 Propriedades da Variância
1. se Y = a ± bX onde a e b são constantes, temos
V ar(a ± bX) = b2 V ar(X)
2. se X e Y são variáveis aleatórias independentes então, temos que
V ar(X ± Y ) = V ar(X) + V ar(Y )
Exemplo 5.12. Dada a função densidade do exemplo 1:

⎧
⎪ x2 /9, 0 < x < 3;
⎪
f (x) = ⎨
⎩ 0
⎪
⎪ caso contrário.
Calcule a esperança a variância e o desvio padrão.
Solução:
a. A esperança é então
3 x2 3 x3 x4 3 34 − 0
E(X) = ∫ x( ) dx = ∫ = ∣ = = 2, 25
0 9 0 9 36 0 36
2
b. Como V ar(X) = E(X 2 ) − [E(X)] temos
3 x2 3 x4 x5 3 35 − 0
E(X 2 ) = ∫ x2 ( ) dx = ∫ = ∣ = = 6, 075
0 9 0 9 40 0 40
assim
2
V ar(X) = E(X 2 ) − [E(X)] = 6, 075 − 2, 252 = 1, 0125
sendo o desvio padrão
√
σ= 1, 0125 = 1, 006231
5.3.2 Principais Modelos Contínuos

5.3.2.1 Distribuições Uniforme
Definição 5.18. Seja [a, b] o espaço amostral. Então temos que a função densidade de
probabilidade, para a ≤ x ≤ b, é:
⎧
⎪ 1
⎪
⎪ , a < x < b;
f (x) = ⎨ b − a (5.24)
⎪
⎩ 0
⎪
⎪ c. c..
E a função distribuição é dada por:

⎧
⎪
⎪
⎪ 0, se x < a
⎪
⎪
F (x) = ⎨ (x − a)/(b − a), se a ≤ x < b; (5.25)
⎪
⎪
⎪
⎩ 1,
⎪
⎪ se x ≥ b.
f (x) F (x)
1
b−a 1
a b x a b x
Nota-se que para x ∈ [a, b] temos que
P (x1 < X < x2 ) = P (X < x2 ) − P (X < x1 )

= F (x2 ) − F (x1 )
x2 − a x1 − a
= −
b−a b−a
(x2 − a) − (x1 − a))
=
b−a
x2 −
a − x1 +
a
=
b−a
x2 − x1
=
b−a
logo temos que
x2 − x1
P (x1 < X < x2 ) = (5.26)
b−a
a+b (b − a)2
Sua Média e Variância são respectivamente E(X) = e V arX =
2 12
Exemplo 5.13. Seja X uma V.A uniformemente distribuída no intervalo [50, 200].
Calcule:
a. a probabilidade de P (X < 10);
b. a probabilidade de P (X < 100);
c. a probabilidade de P (100 < X < 150)
d. a média e o desvio padrão.
Solução:
1. Calcular a probabilidade de P (X < 10);
Como a probabilidade da função só está definida para o intervalo [50, 200] temos
que P (X < 10) = 0.
2. Calcular a probabilidade de P (X < 100);
Usando a Função 5.25 podemos calcular a probabilidade solicitada. Assim para o

intervalo [50, 200] temos que
100 − 50 50 1
P (X < 100) = = = (5.27)
200 − 50 150 3
3. Calcular a probabilidade de P (100 < X < 150)
Usando a equação 5.26 temos que
150 − 100 50 1
P (100 < X < 150) = = = (5.28)
200 − 50 150 3
4. Calcular a média e o desvio padrão.
A média da V.A. contínua X é 125 obtida com a equação:
a + b 50 + 200
E(X) = = = 125
2 2
Da mesma forma, a variância é 1875,00, obtida com a fórmula:
(b − a)2 (200 − 50)2

V arX = = = 1875, 00
12 12
√
O desvio padrão é obtido como: σ = 1875, 00
5.3.2.2 Distribuição Exponencial
Definição 5.19. Uma variável Aleatória X tem distribuição exponencial com parâmetro
λ > 0 se sua função densidade de probabilidade é definida por
⎧
⎪λe−λx , x ≥ 0,
⎪
f (x; λ) = ⎨ (5.29)
⎩ 0 , x < 0.
⎪
⎪
Sua função acumulada e dada por

⎧
⎪1 − e−λx , x ≥ 0,
⎪
F (x; λ) = ⎨ (5.30)
⎩ 0 , x < 0.
⎪
⎪
3 λ=1
λ=2
λ=3
2
f (x)
0
0 0.5 1 1.5 2 2.5 3
x
Figura 43 – Exemplos da Função Densidade de Probabilidade Exponencial alguns parâ-

metros distintos.
0.8
F (x)
0.6
0.4
λ=1
0.2 λ=2
λ=3
0
0 1 2 3 4 5
x
Figura 44 – Exemplos da Função Distribuição Acumulada de Probabilidade Exponencial

alguns parâmetros distintos.
P (x1 < X < x2 ) = P (X < x2 ) − P (X < x1 )

= F (x2 ) − F (x1 )
= (1 − e−λx2 ) − (1 − e−λx1 )
= 1 − e−λx2 − 1 + e−λx1
= e−λx1 − e−λx2
logo temos que

P (x1 < X < x2 ) = e−λx1 − e−λx2 (5.31)
1 1
Sua Média e Variância são respectivamente E(X) = e V arX = 2
λ λ
Exemplo 5.14. Seja uma V.A. exponencial com λ = 3. Calcule:
a. a probabilidade de X ≤ 3;
b. a probabilidade de 1 < X < 2.
Solução:
a. a probabilidade de X ≤ 3;
Usando a Equação 5.30 temos que
P (X < 3) = F (3) = 1 − e−3×3 = 1 − 0.0001234098 = 0, 9998766
b. a probabilidade de 1 < X < 2.

Usando a Equação 5.31 temos que
P (1 < X < 2) = e−3×10 − e−3×2 = 0, 04730832
5.3.2.3 Distribuições Normal
Definição 5.20. Uma variável X tem distribuição normal se sua função densidade de
probabilidade é dada por(MORETTIN; BUSSAB, 2010; MORETTIN, 2010):
1 (x − µ)2
f (x; µ, σ) = √ exp (− ) −∞≤x≤∞ (5.32)
σ 2π 2σ 2
em que
1. µ − ∞ ≤ µ ≤ ∞ é a média, σ 2 é a variância.
2. o ponto máximo de f (x) é µ.

3. os pontos de inflexão da função µ ± σ
4. f (x) = f (−x) em relação a média µ.
0.6 µ=0 σ = 0.5

µ=0 σ = 1.0
µ=0 σ = 1.5
f (x)
µ=1 σ = 2.0
0.4
0.2
0
−6 −4 −2 0 2 4 6 8
x
Figura 45 – Exemplos da Função Distribuição Acumulada de Probabilidade Normal alguns

parâmetros distintos.
0.8
F (x)
0.6
0.4 µ=0 σ = 0.5

µ=0 σ = 1.0
µ=0 σ = 1.5
0.2 µ=1 σ = 2.0
0
−6 −4 −2 0 2 4 6 8
x
Figura 46 – Exemplos da Função Distribuição Acumulada de Probabilidade Exponencial

alguns parâmetros distintos.
Observação 5.3. Como a normal não possui função primitiva foi usada para a construção
dos gráficos na Figura 46 a aproximação proposta por Bowling et al. (2009).
Figura 47 – Exemplos de algumas áreas, para a distribuição normal padrão.
Figura 48 – Exemplos da Distribuição Normal para alguns parâmetros distintos.
Como ilustrado na Figura 48 populações diferentes geram valores distintos dos

parâmetros µ e σ, que dão origem a distribuições diferentes. Ou seja, para populações

distintas temos X ∼ N (µ, eσ 2 ) diferentes. Mas para calcular os valores de probabilidade
podemos padronizar os valores usando a Função 5.33,
x−µ
x → z em que z = (5.33)
σ
e assim convertendo a distribuição da V.A. X ∼ N (µ, eσ 2 ) na distribuição normal padrão
Z ∼ N (0, 1).
Definição 5.21. Se a variável aleatória X segue esta distribuição escreve-se: X ∼ N (µ, σ 2 ),

sendo µ = 0 e σ = 1, então esta distribuição normal é chamada de distribuição normal
reduzida ou padrão. Sua função de densidade de probabilidade dada por:
1 x2
f (x) = √ exp (− ) .
2π 2
Observação 5.4. Com a aplicação da transformação não há alterações nas propriedades
da distribuição.
As probabilidades, referentes a normal padrão encontram-se na Tabela 49. tabeladas

de diferentes formas e podem ser encontradas no anexo da maioria dos livros referentes ao
estudo da estatística.
Exemplo 5.15. Uma montadora de notebooks, adquiriu uma nova linha de bateias de
um novo fabricante. O mesmo informou que suas baterias têm vida útil média de 650
dias e desvio padrão de 100 dias, sendo este tempo normalmente distribuído. Oferece uma
garantia de 1 ano, isto é, troca as baterias que apresentarem falhas no período de 365 dias.
O novo Fabricante produz 50.000 baterias por mês. Calcule o que se pede:
1. Calcule a Probabilidade de que a vida útil seja maior que 650 e menor que 843 dias.
2. Quantas baterias a montadora deverá trocar pelo uso da garantia por mês?
Solução:
Temos uma distribuição X normal com µ = 650 e σ = 100 desta forma, padronizado
os dados temos que
X − µ X − 650
Z= =
σ 100
Buscamos a probabilidade
365 − 650
P (X < 365) = P (Z < ) = P (Z < −2, 85)
100
O valor a ser buscado na tabela é dado por:
P (Z < −2, 85) = 0, 5 − P (−2, 85 < Z < 0)

= 0, 5 − P (0 < Z < 2, 85)
= 0, 5 − 0, 49781
= 0, 00219
A montadora devera substituir cerca de (15000 ∗ 0, 00219 = 32, 85) ∼ 33 baterias
Exemplo 5.16. Um fiscal do Estado, busca verificar a confiabilidade dos pacotes leite de
uma determinada marca. O processo de empacotamento é normalmente distribuído, com
média µ = 500 g e com desvio padrão de σ = 5 g. Isto é, os pacotes são cheios com o peso
médio 500 g e desvio padrão de 5 g. Com base nas informações calcule a probabilidade de
que um saco, selecionado aleatoriamente, contenha:
a. entre 500 g e 509, 8, g.
b. entre 490, 2 g e 500 g.
c. entre 490, 2 g e 509, 8, g.
d. acima de 509, 8 g.
e. abaixo de 490, 2 g.
f. abaixo de 490, 2 g ou acima de 509, 8 g.
g. A produção diária é de 23.500 sacos por semana, espera-se que quantos estejam com
o peso entre 490, 2 g e 509, 8, g?
h. Quais o valores de peso são os limites inferior e superior de um intervalo centrado

na média onde estejam 90% dos sacos produzidos.
Solução:
O problema apresenta um estudo de uma variável normal, X - peso dos sacos com
média µ = 500 g e σ 2 = 6, 35, a saber X ∼ N (µ = 500, σ 2 = 6, 25)), desta forma seguimos
para os cálculos
a. é solicitado calcular P (500 < X < 509, 8) que é graficamente traduzida pela área
exposta na Figura 49.
Figura 49 – Área do gráfico referente ao intervalo: [500; 509, 8].
Normalizando os limites do intervalo para a variável z normal padrão (x → z) temos

que
x − µ 500 − 500
• para x = 500: z = = =0
σ 5
x − µ 509, 8 − 50
• para x = 509, 8: z = = = 1, 96
σ 0, 5
e desta forma P (500 ≤ x ≤ 509, 8) = P (0 ≤ z ≤ 1, 96) = 0, 4750 como exposto na

Figura 50. O valor da probabilidade0, 4750 foi encontrado exposto na Tabela 49,
para z = 1, 96.
Figura 50 – Área do gráfico normal padrão referente ao intervalo: [490, 2; 500].
b. é solicitado calcular P (490, 2 ≤ x ≤ 500) que pode ser graficamente traduzida pela
seguinte área pintada exposta na Figura 51.
Figura 51 – Área do gráfico referente ao intervalo: [490, 2; 500].
Normalizando os limites do intervalo para a variável z normal padrão (x → z) temos

que
x − µ 490, 2 − 500
• para x = 490, 2 vem: z = = = −1, 96
σ 5
x − µ 500 − 50
• para x = 500 vem: z = = =0
σ 0, 5
nota-se que a probabilidade solicitada é P (490, 2 ≤ x ≤ 500) = P (−1, 96 ≤ z ≤ 0),
mas a Tabela 49 nos fornece probabilidades de valores maiores que 0 e menores
que z P (0 ≤ z ≤ z), z ≥ 0. Usando a propriedade de simetria, em torno de 0, da
Distribuição normal temos a seguinte igualdade P (−1, 96 ≤ z ≤ 0) = P (0 ≤ z ≤ 1, 96)
exposta na Figura 52. Então
P (490, 2 ≤ x ≤ 500) = P (−1, 96 ≤ z ≤ 0) = P (0 ≤ z ≤ 1, 96) = 0, 4750
Figura 52 – Exposição a propriedade da simetria da normal, referente ao intervalo:

[490, 2; 500].
c. é solicitado calcular P (490, 2 ≤ x ≤ 509, 8) exposta na Figura 53.
Figura 53 – Área do gráfico referente ao intervalo: [490, 2; 509, 8].
Fazendo x → z temos:
x − µ 490, 2 − 500
• para x = 490, 2 vem: z = = = −1, 96
σ 5
x − µ 509, 8 − 50
• para x = 509, 8 vem: z = = = 1, 96
σ 5
Como resultado temos que
P (490, 2 ≤ x ≤ 509, 2) = P (−1, 96 ≤ z ≤ 1, 96)
com área exposta na Figura 54.
Figura 54 – Área do gráfico referente ao intervalo: [−1, 96; 1, 96].
Observando a Figura 54, nota-se que essa área pode ser dividida em duas partes, a
área compreendida entre z = −1, 96 e z = 0, e a área limitada por z = 0 e z = 1, 96,
como podemos ver na Figura 55.
Figura 55 – Área do gráfico referente ao intervalo: [−1, 96; 0] e [0; 1, 96].
Usando o resultado do item anterior temos que:
P (490, 2 ≤ x ≤ 509, 8) = P (−1, 96 ≤ z ≤ 1, 96)

= P (−1, 96 ≤ z ≤ 0) + P (0 ≤ z ≤ 1, 96)
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
Divisão das áreas
= P (−2 ≤ z ≤ 0) + P (0 ≤ z ≤ 2)
= P (0 ≤ z ≤ 2) +P (0 ≤ z ≤ 2)
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
Simetria
= 2 × P (0 ≤ z ≤ 2)
= 2 × 0, 475
= 0, 95
d. é solicitado calcular P (X ≥ 509, 8), sendo esta probabilidade graficamente traduzida

pela seguinte área expostas na Figura 56.
Figura 56 – Área do gráfico referente ao intervalo: [509, 8; ∞[.

x − µ 509, 8 − 500
• para x = 509, 8 vem: z = = = 1, 96.
σ 5
Então P (z ≥ 509, 8) = P (z ≥ 1, 96) que representa a cauda superior da distribuição
normal padrão (Figura 57). Sabendo que P (x ≥ µ) = P (z ≥ 0) = 0, 5, temos que:
P (z ≥ 1, 96) = P (z ≥ 0) − P (0 ≤ z ≤ 1, 96) = 0, 5 − 0, 475 = 0, 025
Figura 57 – Área do gráfico referente ao intervalo: [1, 96; ∞[.
e. é solicitado calcular P (X ≤ 490, 2) sendo esta expressa graficamente pela seguinte

área exposta na Figura 58.
Figura 58 – Área do gráfico referente ao intervalo: ]∞; 490, 2].
x − µ 490, 2 − 500
• para x = 490, 2 vem z = = = −1, 96.
σ 5
de forma que Aplicando a propriedade da simetria:
P r(x ≤ 490, 2) = P (z ≤ −1, 96)

= P (z ≥ 1, 96)
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
Simetria
= P (z ≥ 0) − P (0 ≤ z ≤ 1, 96)
= 0, 5 − 0, 475
= 0, 025
Como exposto na Figura 59
Figura 59 – Área do gráfico referente ao intervalo: ]∞; −1, 96].
f. é solicitado calcular P (X < 490, 2) e P (> 509, 8) em que a área está exposta na
Figura 60.
Figura 60 – Área do gráfico referente ao intervalo: ] − ∞; 490, 2] ∪ [509, 8; ∞[.
x − µ 490, 2 − 500
• para x = 490, 2 vem: z = = = −1, 96
σ 5
x − µ 509, 2 − 500
• para x = 509, 8 vem: z = = = 1, 96
σ 5
A probabilidade solicitada é a soma de duas probabilidade P (X < 490, 2) = P (X <
−1, 96) e P (X > 509, 8) = P (X > 1, 96) como exposto na Figura 61. Sabendo que
P (X < −1, 96) = P (X > 1, 96) = 0, 025 temos que
P (X < −1, 96) + P (X > 1, 96) = 0, 025 + 0, 025 = 0, 05
Figura 61 – Área do gráfico referente ao intervalo: ] − ∞; −1, 96] ∪ [1, 96; ∞[.
g. é solicitado calcular a proporção de sacos com peso x ∈ [490, 2; 509, 8] dos 23.500
produzidos em uma semana. Aplicando os conhecimentos até ilustrados, conclui-se
que:
P (490, 2 ≤ x ≤ 509, 8) = P (−1, 96 ≤ z ≤ 1, 96)

= P (−1, 96 ≤ z ≤ 0) + P (0 ≤ z ≤ 1, 96)
= P (0 ≤ z ≤ 1, 96) + P (0 ≤ z ≤ 1, 96)
= 2 × P (0 ≤ z ≤ 1, 96)
= 2 × 0, 475
= 0, 95
de posse desta probabilidade,o nº esperado de sacos com peso x ∈ [490, 2; 509, 8] é

igual a:
23.500 × P (490, 2 ≤ x ≤ 509, 8) = 23500 × 0, 95 = 22325 sacos.
h. é solicitado calcular os limites inferior (x1 ) e superior (x2 ) do intervalo central onde
existem 95% dos sacos produzidos.
Pela propriedade de simetria sabe-se que P (X > µ) = P (X < µ) = 0, 5. Para este

problema sabemos P (x1 < X < x2 ) = 0, 90 pode ser subdividida em duas partes, a
saber P (x1 < X < µ) = P (µ < X < x2 ) = 0, 45. Como o intervalo solicitado é um
intervalo é central (centrado no valor da média) temos que:
P (x1 < X < µ) = 0, 45

x1 − µ X − µ µ − µ
P( < < ) = 0, 45
σ σ σ
P (z1 < Z < 0) = 0, 45
logo notamos z1 < 0. Para o segundo intervalo temos que
P (µ < X < x2 ) = 0, 45
µ − µ X − µ x2 − µ
P( < < ) = 0, 45
σ σ σ
P (0 < Z < x2 ) = 0, 45
notamos que z2 > 0 e deste podemos obter a probabilidade na Tabela 49 através

da probabilidade de 0, 45 que nos leva ao valor de z ≈ 1, 64 e desta forma temos
que z2 = 1, 64 e por simetria temos que z1 = −z2 e desta forma z1 = −1, 64. Então,
utilizando a expressão de redução à normal padrão
x−µ
z=
σ
obtém-se:
x2 = µ + z2 .σ ∴ x2 = 500 + 1, 64 × 5 = 508, 2
e
x1 = µ + z1 .σ → x1 = µ − z2 .σ ∴ x1 = 500 − 1, 64 × 5 = 490, 8
Concluindo que o intervalo pretendido é x ∈ [491, 8; 508, 2]
Na vida real na maioria das vezes não temos em mãos o conhecimento total ou até mesmo
parcial da distribuição que regem os dados. Assim lançamos mão de métodos estatísticos
para nos ajudar neste trabalho. A área da estatística que trata deste assunto é a inferência
estatística.
5.4 Lista de Exercícios Variáveis Aleatórias Contínuas

1. Seja Z uma variável aleatória Normal Padrão, determine:
a) P (Z = 0)
b) P (Z < 1, 96)
c) P (Z < 1, 64)
d) P (Z ≤ −2, 8)
e) P (Z > −2)
f) P (Z ≥ 2)
g) P (1 < Z < 2)
h) P (1 ≤ Z ≤ 2)
i) P (0 < Z < 1) Determine o valor de z:
i. P (0 < Z < z) = 0, 475
ii. O valor de z para formar um intervalo simétrico em torno da média com
probabilidade 0, 95, ou seja, P (−z < Z < z) = 0, 95 sendo
2. Considerando que o peso da pessoas de uma localidade seja normalmente distribuído

com média µ = 60 e desvio padrão 3. Determine a probabilidade de uma pessoa,
selecionada ao acaso:
a) pesar entre 50 e 60 gramas;

b) pesar entre 50 e 70 gramas;
c) pesar mais de 60 gramas;
d) pesar menos de 60 gramas;
e) pesar menor ou igual de 70;
f) pesar acima de 70.
3. A vida média das lâmpadas de lede de uma empresa foi estimada em 20000 horas,
com desvio padrão de 220 horas. Qual a probabilidade de que uma lampada
a) dure menos de 10000 horas;

b) dure mais de 10000 horas;
c) dure entre 10000 e 50000 horas;
d) dure mais de 50000 horas;
e) dure entre 10000 e 12000 horas.
5.4. Lista de Exercícios Variáveis Aleatórias Contínuas 143
4. Um fabricante de lampadas de led, afirma que o tempo de vida útil de um dos seus
produtos, voltado para industria automobilística, têm duração normal com média
de 200.000 horas e desvio padrão de 4.000 horas. Qual a probabilidade de que uma
lampada, escolhida ao acaso, dure:
a) menos de 110.000 horas?

b) entre 180.000 horas e 220.000 horas?
c) mais de 220.000 horas?
d) menos de 180.000 horas?
e) mais de 180.000 horas
f) mais de 220.000 horas?
g) A fabrica substitui uma lampada que apresentar defeito antes do fim da garantia.
Assim qual deve ser tempo de garantia para que menos de 1% das lampada
sejam substituídas?
145
Tabela 49 – Tabela da Distribuição Normal Padrão P (0 < Z < zα )
zα 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 zα
0,0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392 0,02790 0,03188 0,03586 0,0
ANEXO A. Tabelas
0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356 0,06749 0,07142 0,07535 0,1
0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,10257 0,10642 0,11026 0,11409 0,2
0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058 0,14431 0,14803 0,15173 0,3
0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724 0,18082 0,18439 0,18793 0,4
0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226 0,21566 0,21904 0,22240 0,5
0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537 0,24857 0,25175 0,25490 0,6
0,7 0,25804 0,26115 0,26424 0,26730 0,27035 0,27337 0,27637 0,27935 0,28230 0,28524 0,7
0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511 0,30785 0,31057 0,31327 0,8
0,9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147 0,33398 0,33646 0,33891 0,9
ANEXO A – Tabelas
1,0 0,34134 0,34375 0,34614 0,34849 0,35083 0,35314 0,35543 0,35769 0,35993 0,36214 1,0
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698 0,37900 0,38100 0,38298 1,1
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617 0,39796 0,39973 0,40147 1,2
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309 0,41466 0,41621 0,41774 1,3
1,4 0,41924 0,42073 0,42220 0,42364 0,42507 0,42647 0,42785 0,42922 0,43056 0,43189 1,4
1,5 0,43319 0,43448 0,43574 0,43699 0,43822 0,43943 0,44062 0,44179 0,44295 0,44408 1,5
1,6 0,44520 0,44630 0,44738 0,44845 0,44950 0,45053 0,45154 0,45254 0,45352 0,45449 1,6
1,7 0,45543 0,45637 0,45728 0,45818 0,45907 0,45994 0,46080 0,46164 0,46246 0,46327 1,7
1,8 0,46407 0,46485 0,46562 0,46638 0,46712 0,46784 0,46856 0,46926 0,46995 0,47062 1,8
1,9 0,47128 0,47193 0,47257 0,47320 0,47381 0,47441 0,47500 0,47558 0,47615 0,47670 1,9
2,0 0,47725 0,47778 0,47831 0,47882 0,47932 0,47982 0,48030 0,48077 0,48124 0,48169 2,0
2,1 0,48214 0,48257 0,48300 0,48341 0,48382 0,48422 0,48461 0,48500 0,48537 0,48574 2,1
2,2 0,48610 0,48645 0,48679 0,48713 0,48745 0,48778 0,48809 0,48840 0,48870 0,48899 2,2
2,3 0,48928 0,48956 0,48983 0,49010 0,49036 0,49061 0,49086 0,49111 0,49134 0,49158 2,3
2,4 0,49180 0,49202 0,49224 0,49245 0,49266 0,49286 0,49305 0,49324 0,49343 0,49361 2,4
2,5 0,49379 0,49396 0,49413 0,49430 0,49446 0,49461 0,49477 0,49492 0,49506 0,49520 2,5
2,6 0,49534 0,49547 0,49560 0,49573 0,49585 0,49598 0,49609 0,49621 0,49632 0,49643 2,6
2,7 0,49653 0,49664 0,49674 0,49683 0,49693 0,49702 0,49711 0,49720 0,49728 0,49736 2,7
2,8 0,49744 0,49752 0,49760 0,49767 0,49774 0,49781 0,49788 0,49795 0,49801 0,49807 2,8
2,9 0,49813 0,49819 0,49825 0,49831 0,49836 0,49841 0,49846 0,49851 0,49856 0,49861 2,9
3,0 0,49865 0,49869 0,49874 0,49878 0,49882 0,49886 0,49889 0,49893 0,49896 0,49900 3,0
3,1 0,49903 0,49906 0,49910 0,49913 0,49916 0,49918 0,49921 0,49924 0,49926 0,49929 3,1
3,2 0,49931 0,49934 0,49936 0,49938 0,49940 0,49942 0,49944 0,49946 0,49948 0,49950 3,2
3,3 0,49952 0,49953 0,49955 0,49957 0,49958 0,49960 0,49961 0,49962 0,49964 0,49965 3,3
3,4 0,49966 0,49968 0,49969 0,49970 0,49971 0,49972 0,49973 0,49974 0,49975 0,49976 3,4
3,5 0,49977 0,49978 0,49978 0,49979 0,49980 0,49981 0,49981 0,49982 0,49983 0,49983 3,5
3,6 0,49984 0,49985 0,49985 0,49986 0,49986 0,49987 0,49987 0,49988 0,49988 0,49989 3,6
146 3,7 0,49989 0,49990 0,49990 0,49990 0,49991 0,49991 0,49992 0,49992 0,49992 0,49992 3,7
3,8 0,49993 0,49993 0,49993 0,49994 0,49994 0,49994 0,49994 0,49995 0,49995 0,49995 3,8
3,9 0,49995 0,49995 0,49996 0,49996 0,49996 0,49996 0,49996 0,49996 0,49997 0,49997 3,9
4,0 0,49997 0,49997 0,49997 0,49997 0,49997 0,49997 0,49998 0,49998 0,49998 0,49998 4,0
Tabela 50 – Tabela da Distribuição F P (F > Fα ) = 0.01
N N
1 2 3 4 5 6 7 8 9 10 11 12
D D
1 4.052,18 4.999,50 5.403,35 5.624,58 5.763,65 5.858,99 5.928,36 5.981,07 6.022,47 6.055,85 6.083,32 6.106,32 1
2 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,39 99,40 99,41 99,42 2
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23 27,13 27,05 3
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,45 14,37 4
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,96 9,89 5
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,79 7,72 6
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62 6,54 6,47 7
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,73 5,67 8
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 5,18 5,11 9
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,77 4,71 10
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,46 4,40 11
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,22 4,16 12
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 4,02 3,96 13
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94 3,86 3,80 14
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,73 3,67 15
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,62 3,55 16
17 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,52 3,46 17
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,43 3,37 18
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,36 3,30 19
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,29 3,23 20
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,24 3,17 21
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,18 3,12 22
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,14 3,07 23
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,09 3,03 24
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13 3,06 2,99 25
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 3,02 2,96 26
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06 2,99 2,93 27
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,96 2,90 28
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00 2,93 2,87 29
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,91 2,84 30
35 7,42 5,27 4,40 3,91 3,59 3,37 3,20 3,07 2,96 2,88 2,80 2,74 35
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,73 2,66 40
45 7,23 5,11 4,25 3,77 3,45 3,23 3,07 2,94 2,83 2,74 2,67 2,61 45
50 7,17 5,06 4,20 3,72 3,41 3,19 3,02 2,89 2,78 2,70 2,63 2,56 50
147
100 6,90 4,82 3,98 3,51 3,21 2,99 2,82 2,69 2,59 2,50 2,43 2,37 100
ANEXO A. Tabelas
N N
13 14 15 16 17 18 19 20 21 22 23 24 25
D D
1 6.125,86 6.142,67 6.157,28 6.170,10 6.181,43 6.191,53 6.200,58 6.208,73 6.216,12 6.222,84 6.228,99 6.234,63 6.239,83 1
2 99,42 99,43 99,43 99,44 99,44 99,44 99,45 99,45 99,45 99,45 99,46 99,46 99,46 2
3 26,98 26,92 26,87 26,83 26,79 26,75 26,72 26,69 26,66 26,64 26,62 26,60 26,58 3
4 14,31 14,25 14,20 14,15 14,11 14,08 14,05 14,02 13,99 13,97 13,95 13,93 13,91 4
5 9,82 9,77 9,72 9,68 9,64 9,61 9,58 9,55 9,53 9,51 9,49 9,47 9,45 5
6 7,66 7,60 7,56 7,52 7,48 7,45 7,42 7,40 7,37 7,35 7,33 7,31 7,30 6
7 6,41 6,36 6,31 6,28 6,24 6,21 6,18 6,16 6,13 6,11 6,09 6,07 6,06 7
8 5,61 5,56 5,52 5,48 5,44 5,41 5,38 5,36 5,34 5,32 5,30 5,28 5,26 8
9 5,05 5,01 4,96 4,92 4,89 4,86 4,83 4,81 4,79 4,77 4,75 4,73 4,71 9
10 4,65 4,60 4,56 4,52 4,49 4,46 4,43 4,41 4,38 4,36 4,34 4,33 4,31 10
11 4,34 4,29 4,25 4,21 4,18 4,15 4,12 4,10 4,08 4,06 4,04 4,02 4,01 11
12 4,10 4,05 4,01 3,97 3,94 3,91 3,88 3,86 3,84 3,82 3,80 3,78 3,76 12
13 3,91 3,86 3,82 3,78 3,75 3,72 3,69 3,66 3,64 3,62 3,60 3,59 3,57 13
14 3,75 3,70 3,66 3,62 3,59 3,56 3,53 3,51 3,48 3,46 3,44 3,43 3,41 14
15 3,61 3,56 3,52 3,49 3,45 3,42 3,40 3,37 3,35 3,33 3,31 3,29 3,28 15
16 3,50 3,45 3,41 3,37 3,34 3,31 3,28 3,26 3,24 3,22 3,20 3,18 3,16 16
17 3,40 3,35 3,31 3,27 3,24 3,21 3,19 3,16 3,14 3,12 3,10 3,08 3,07 17
18 3,32 3,27 3,23 3,19 3,16 3,13 3,10 3,08 3,05 3,03 3,02 3,00 2,98 18
19 3,24 3,19 3,15 3,12 3,08 3,05 3,03 3,00 2,98 2,96 2,94 2,92 2,91 19
20 3,18 3,13 3,09 3,05 3,02 2,99 2,96 2,94 2,92 2,90 2,88 2,86 2,84 20
21 3,12 3,07 3,03 2,99 2,96 2,93 2,90 2,88 2,86 2,84 2,82 2,80 2,79 21
22 3,07 3,02 2,98 2,94 2,91 2,88 2,85 2,83 2,81 2,78 2,77 2,75 2,73 22
23 3,02 2,97 2,93 2,89 2,86 2,83 2,80 2,78 2,76 2,74 2,72 2,70 2,69 23
24 2,98 2,93 2,89 2,85 2,82 2,79 2,76 2,74 2,72 2,70 2,68 2,66 2,64 24
25 2,94 2,89 2,85 2,81 2,78 2,75 2,72 2,70 2,68 2,66 2,64 2,62 2,60 25
26 2,90 2,86 2,81 2,78 2,75 2,72 2,69 2,66 2,64 2,62 2,60 2,58 2,57 26
27 2,87 2,82 2,78 2,75 2,71 2,68 2,66 2,63 2,61 2,59 2,57 2,55 2,54 27
28 2,84 2,79 2,75 2,72 2,68 2,65 2,63 2,60 2,58 2,56 2,54 2,52 2,51 28
29 2,81 2,77 2,73 2,69 2,66 2,63 2,60 2,57 2,55 2,53 2,51 2,49 2,48 29
30 2,79 2,74 2,70 2,66 2,63 2,60 2,57 2,55 2,53 2,51 2,49 2,47 2,45 30
35 2,69 2,64 2,60 2,56 2,53 2,50 2,47 2,44 2,42 2,40 2,38 2,36 2,35 35
40 2,61 2,56 2,52 2,48 2,45 2,42 2,39 2,37 2,35 2,33 2,31 2,29 2,27 40
45 2,55 2,51 2,46 2,43 2,39 2,36 2,34 2,31 2,29 2,27 2,25 2,23 2,21 45
50 2,51 2,46 2,42 2,38 2,35 2,32 2,29 2,27 2,24 2,22 2,20 2,18 2,17 50
148 100 2,31 2,27 2,22 2,19 2,15 2,12 2,09 2,07 2,04 2,02 2,00 1,98 1,97 100
N N
26 27 28 29 30 35 40 45 50 100
D D
1 6.244,62 6.249,07 6.253,20 6.257,05 6.260,65 6.275,57 6.286,78 6.295,52 6.302,52 6.334,11 1
2 99,46 99,46 99,46 99,46 99,47 99,47 99,47 99,48 99,48 99,49 2
3 26,56 26,55 26,53 26,52 26,50 26,45 26,41 26,38 26,35 26,24 3
4 13,89 13,88 13,86 13,85 13,84 13,79 13,75 13,71 13,69 13,58 4
5 9,43 9,42 9,40 9,39 9,38 9,33 9,29 9,26 9,24 9,13 5
6 7,28 7,27 7,25 7,24 7,23 7,18 7,14 7,11 7,09 6,99 6
7 6,04 6,03 6,02 6,00 5,99 5,94 5,91 5,88 5,86 5,75 7
8 5,25 5,23 5,22 5,21 5,20 5,15 5,12 5,09 5,07 4,96 8
9 4,70 4,68 4,67 4,66 4,65 4,60 4,57 4,54 4,52 4,41 9
10 4,30 4,28 4,27 4,26 4,25 4,20 4,17 4,14 4,12 4,01 10
11 3,99 3,98 3,96 3,95 3,94 3,89 3,86 3,83 3,81 3,71 11
12 3,75 3,74 3,72 3,71 3,70 3,65 3,62 3,59 3,57 3,47 12
13 3,56 3,54 3,53 3,52 3,51 3,46 3,43 3,40 3,38 3,27 13
14 3,40 3,38 3,37 3,36 3,35 3,30 3,27 3,24 3,22 3,11 14
15 3,26 3,25 3,24 3,23 3,21 3,17 3,13 3,10 3,08 2,98 15
16 3,15 3,14 3,12 3,11 3,10 3,05 3,02 2,99 2,97 2,86 16
17 3,05 3,04 3,03 3,01 3,00 2,96 2,92 2,89 2,87 2,76 17
18 2,97 2,95 2,94 2,93 2,92 2,87 2,84 2,81 2,78 2,68 18
19 2,89 2,88 2,87 2,86 2,84 2,80 2,76 2,73 2,71 2,60 19
20 2,83 2,81 2,80 2,79 2,78 2,73 2,69 2,67 2,64 2,54 20
21 2,77 2,76 2,74 2,73 2,72 2,67 2,64 2,61 2,58 2,48 21
22 2,72 2,70 2,69 2,68 2,67 2,62 2,58 2,55 2,53 2,42 22
23 2,67 2,66 2,64 2,63 2,62 2,57 2,54 2,51 2,48 2,37 23
24 2,63 2,61 2,60 2,59 2,58 2,53 2,49 2,46 2,44 2,33 24
25 2,59 2,58 2,56 2,55 2,54 2,49 2,45 2,42 2,40 2,29 25
26 2,55 2,54 2,53 2,51 2,50 2,45 2,42 2,39 2,36 2,25 26
27 2,52 2,51 2,49 2,48 2,47 2,42 2,38 2,35 2,33 2,22 27
28 2,49 2,48 2,46 2,45 2,44 2,39 2,35 2,32 2,30 2,19 28
29 2,46 2,45 2,44 2,42 2,41 2,36 2,33 2,30 2,27 2,16 29
30 2,44 2,42 2,41 2,40 2,39 2,34 2,30 2,27 2,25 2,13 30
35 2,33 2,32 2,30 2,29 2,28 2,23 2,19 2,16 2,14 2,02 35
40 2,26 2,24 2,23 2,22 2,20 2,15 2,11 2,08 2,06 1,94 40
45 2,20 2,18 2,17 2,16 2,14 2,09 2,05 2,02 2,00 1,88 45
50 2,15 2,14 2,12 2,11 2,10 2,05 2,01 1,97 1,95 1,82 50
149
100 1,95 1,93 1,92 1,91 1,89 1,84 1,80 1,76 1,74 1,60 100
150 ANEXO A. Tabelas
Tabela 53 – Tabela da Distribuição t-student P (t > tα ) = α
α α
0.1 0.05 0.025 0.01 0.005
ν ν
1 3,0776835 6,3137515 12,7062047 31,8205160 63,6567412 1
2 1,8856181 2,9199856 4,3026527 6,9645567 9,9248432 2
3 1,6377444 2,3533634 3,1824463 4,5407029 5,8409093 3
4 1,5332063 2,1318468 2,7764451 3,7469474 4,6040949 4
5 1,4758840 2,0150484 2,5705818 3,3649300 4,0321430 5
6 1,4397557 1,9431803 2,4469119 3,1426684 3,7074280 6
7 1,4149239 1,8945786 2,3646243 2,9979516 3,4994833 7
8 1,3968153 1,8595480 2,3060041 2,8964594 3,3553873 8
9 1,3830287 1,8331129 2,2621572 2,8214379 3,2498355 9
10 1,3721836 1,8124611 2,2281389 2,7637695 3,1692727 10
11 1,3634303 1,7958848 2,2009852 2,7180792 3,1058065 11
12 1,3562173 1,7822876 2,1788128 2,6809980 3,0545396 12
13 1,3501713 1,7709334 2,1603687 2,6503088 3,0122758 13
14 1,3450304 1,7613101 2,1447867 2,6244941 2,9768427 14
15 1,3406056 1,7530504 2,1314495 2,6024803 2,9467129 15
16 1,3367572 1,7458837 2,1199053 2,5834872 2,9207816 16
17 1,3333794 1,7396067 2,1098156 2,5669340 2,8982305 17
18 1,3303909 1,7340636 2,1009220 2,5523796 2,8784405 18
19 1,3277282 1,7291328 2,0930241 2,5394832 2,8609346 19
20 1,3253407 1,7247182 2,0859634 2,5279770 2,8453397 20
21 1,3231879 1,7207429 2,0796138 2,5176480 2,8313596 21
22 1,3212367 1,7171444 2,0738731 2,5083246 2,8187561 22
23 1,3194602 1,7138715 2,0686576 2,4998667 2,8073357 23
24 1,3178359 1,7108821 2,0638986 2,4921595 2,7969395 24
25 1,3163451 1,7081408 2,0595386 2,4851072 2,7874358 25
26 1,3149719 1,7056179 2,0555294 2,4786298 2,7787145 26
27 1,3137029 1,7032884 2,0518305 2,4726599 2,7706830 27
28 1,3125268 1,7011309 2,0484071 2,4671401 2,7632625 28
29 1,3114336 1,6991270 2,0452296 2,4620214 2,7563859 29
30 1,3104150 1,6972609 2,0422725 2,4572615 2,7499957 30
30 1,3104150 1,6972609 2,0422725 2,4572615 2,7499957 30
35 1,3062118 1,6895725 2,0301079 2,4377225 2,7238056 35
40 1,3030771 1,6838510 2,0210754 2,4232568 2,7044593 40
45 1,3006493 1,6794274 2,0141034 2,4121159 2,6895850 45
50 1,2987137 1,6759050 2,0085591 2,4032719 2,6777933 50
60 1,2958211 1,6706489 2,0002978 2,3901195 2,6602830 60
70 1,2937629 1,6669145 1,9944371 2,3808075 2,6479046 70
80 1,2922236 1,6641246 1,9900634 2,3738683 2,6386906 80
90 1,2910289 1,6619611 1,9866745 2,3684975 2,6315652 90
100 1,2900748 1,6602343 1,9839715 2,3642174 2,6258905 100
151
Tabela 54 – Tabela da Distribuição Chi-Quadrado P (χ2 > χ2α ) = α

α α
0.995 0.99 0.975 0.95 0.9 0.8 0.75 0.7 0.5
ν ν
1 0,000039 0,0002 0,0010 0,0039 0,0158 0,0642 0,1015 0,1485 0,4549 1
2 0,010000 0,0201 0,0506 0,1026 0,2107 0,4463 0,5754 0,7133 1,3863 2
3 0,071700 0,1148 0,2158 0,3518 0,5844 1,0052 1,2125 1,4237 2,3660 3
4 0,207000 0,2971 0,4844 0,7107 1,0636 1,6488 1,9226 2,1947 3,3567 4
5 0,411700 0,5543 0,8312 1,1455 1,6103 2,3425 2,6746 2,9999 4,3515 5
6 0,675700 0,8721 1,2373 1,6354 2,2041 3,0701 3,4546 3,8276 5,3481 6
7 0,989300 1,2390 1,6899 2,1673 2,8331 3,8223 4,2549 4,6713 6,3458 7
8 1,344400 1,6465 2,1797 2,7326 3,4895 4,5936 5,0706 5,5274 7,3441 8
9 1,734900 2,0879 2,7004 3,3251 4,1682 5,3801 5,8988 6,3933 8,3428 9
10 2,155900 2,5582 3,2470 3,9403 4,8652 6,1791 6,7372 7,2672 9,3418 10
11 2,603200 3,0535 3,8157 4,5748 5,5778 6,9887 7,5841 8,1479 10,3410 11
12 3,073800 3,5706 4,4038 5,2260 6,3038 7,8073 8,4384 9,0343 11,3403 12
13 3,565000 4,1069 5,0088 5,8919 7,0415 8,6339 9,2991 9,9257 12,3398 13
14 4,074700 4,6604 5,6287 6,5706 7,7895 9,4673 10,1653 10,8215 13,3393 14
15 4,600900 5,2293 6,2621 7,2609 8,5468 10,3070 11,0365 11,7212 14,3389 15
16 5,142200 5,8122 6,9077 7,9616 9,3122 11,1521 11,9122 12,6243 15,3385 16
17 5,697200 6,4078 7,5642 8,6718 10,0852 12,0023 12,7919 13,5307 16,3382 17
18 6,264800 7,0149 8,2307 9,3905 10,8649 12,8570 13,6753 14,4399 17,3379 18
19 6,844000 7,6327 8,9065 10,1170 11,6509 13,7158 14,5620 15,3517 18,3377 19
20 7,433800 8,2604 9,5908 10,8508 12,4426 14,5784 15,4518 16,2659 19,3374 20
21 8,033700 8,8972 10,2829 11,5913 13,2396 15,4446 16,3444 17,1823 20,3372 21
22 8,642700 9,5425 10,9823 12,3380 14,0415 16,3140 17,2396 18,1007 21,3370 22
23 9,260400 10,1957 11,6886 13,0905 14,8480 17,1865 18,1373 19,0211 22,3369 23
24 9,886200 10,8564 12,4012 13,8484 15,6587 18,0618 19,0373 19,9432 23,3367 24
25 10,519700 11,5240 13,1197 14,6114 16,4734 18,9398 19,9393 20,8670 24,3366 25
26 11,160200 12,1981 13,8439 15,3792 17,2919 19,8202 20,8434 21,7924 25,3365 26
27 11,807600 12,8785 14,5734 16,1514 18,1139 20,7030 21,7494 22,7192 26,3363 27
28 12,461300 13,5647 15,3079 16,9279 18,9392 21,5880 22,6572 23,6475 27,3362 28
29 13,121100 14,2565 16,0471 17,7084 19,7677 22,4751 23,5666 24,5770 28,3361 29
30 13,786700 14,9535 16,7908 18,4927 20,5992 23,3641 24,4776 25,5078 29,3360 30
31 14,457800 15,6555 17,5387 19,2806 21,4336 24,2551 25,3901 26,4397 30,3359 31
32 15,134000 16,3622 18,2908 20,0719 22,2706 25,1478 26,3041 27,3728 31,3359 32
33 15,815300 17,0735 19,0467 20,8665 23,1102 26,0422 27,2194 28,3069 32,3358 33
34 16,501300 17,7891 19,8063 21,6643 23,9523 26,9383 28,1361 29,2421 33,3357 34
35 17,191800 18,5089 20,5694 22,4650 24,7967 27,8359 29,0540 30,1782 34,3356 35
36 17,886700 19,2327 21,3359 23,2686 25,6433 28,7350 29,9730 31,1152 35,3356 36
37 18,585800 19,9602 22,1056 24,0749 26,4921 29,6355 30,8933 32,0532 36,3355 37
38 19,288900 20,6914 22,8785 24,8839 27,3430 30,5373 31,8146 32,9919 37,3355 38
39 19,995900 21,4262 23,6543 25,6954 28,1958 31,4405 32,7369 33,9315 38,3354 39
40 20,706500 22,1643 24,4330 26,5093 29,0505 32,3450 33,6603 34,8719 39,3353 40
41 21,420800 22,9056 25,2145 27,3256 29,9071 33,2506 34,5846 35,8131 40,3353 41
42 22,138500 23,6501 25,9987 28,1440 30,7654 34,1574 35,5099 36,7550 41,3352 42
43 22,859500 24,3976 26,7854 28,9647 31,6255 35,0653 36,4361 37,6975 42,3352 43
44 23,583700 25,1480 27,5746 29,7875 32,4871 35,9743 37,3631 38,6408 43,3352 44
45 24,311000 25,9013 28,3662 30,6123 33,3504 36,8844 38,2910 39,5847 44,3351 45
46 25,041300 26,6572 29,1601 31,4390 34,2152 37,7955 39,2197 40,5292 45,3351 46
47 25,774600 27,4158 29,9562 32,2676 35,0814 38,7075 40,1492 41,4744 46,3350 47
48 26,510600 28,1770 30,7545 33,0981 35,9491 39,6205 41,0794 42,4201 47,3350 48
49 27,249300 28,9406 31,5549 33,9303 36,8182 40,5344 42,0104 43,3664 48,3350 49
50 27,990700 29,7067 32,3574 34,7643 37,6886 41,4492 42,9421 44,3133 49,3349 50
Tabela 55 – Tabela da Distribuição Chi-Quadrado P (χ2 > χ2α ) = α

α α
0.4 0.25 0.2 0.1 0.05 0.025 0.02 0.01 0.005
ν ν
1 0,7083263 1,3233 1,6424 2,7055 3,8415 5,0239 5,4119 6,6349 7,8794 1
2 1,8326000 2,7726 3,2189 4,6052 5,9915 7,3778 7,8240 9,2103 10,5966 2
3 2,9462000 4,1083 4,6416 6,2514 7,8147 9,3484 9,8374 11,3449 12,8382 3
4 4,0446000 5,3853 5,9886 7,7794 9,4877 11,1433 11,6678 13,2767 14,8603 4
5 5,1319000 6,6257 7,2893 9,2364 11,0705 12,8325 13,3882 15,0863 16,7496 5
6 6,2108000 7,8408 8,5581 10,6446 12,5916 14,4494 15,0332 16,8119 18,5476 6
7 7,2832000 9,0371 9,8032 12,0170 14,0671 16,0128 16,6224 18,4753 20,2777 7
8 8,3505000 10,2189 11,0301 13,3616 15,5073 17,5345 18,1682 20,0902 21,9550 8
9 9,4136000 11,3888 12,2421 14,6837 16,9190 19,0228 19,6790 21,6660 23,5894 9
10 10,4732000 12,5489 13,4420 15,9872 18,3070 20,4832 21,1608 23,2093 25,1882 10
11 11,5298000 13,7007 14,6314 17,2750 19,6751 21,9200 22,6179 24,7250 26,7568 11
12 12,5838000 14,8454 15,8120 18,5493 21,0261 23,3367 24,0540 26,2170 28,2995 12
13 13,6356000 15,9839 16,9848 19,8119 22,3620 24,7356 25,4715 27,6882 29,8195 13
14 14,6853000 17,1169 18,1508 21,0641 23,6848 26,1189 26,8728 29,1412 31,3193 14
15 15,7332000 18,2451 19,3107 22,3071 24,9958 27,4884 28,2595 30,5779 32,8013 15
16 16,7795000 19,3689 20,4651 23,5418 26,2962 28,8454 29,6332 31,9999 34,2672 16
17 17,8244000 20,4887 21,6146 24,7690 27,5871 30,1910 30,9950 33,4087 35,7185 17
18 18,8679000 21,6049 22,7595 25,9894 28,8693 31,5264 32,3462 34,8053 37,1565 18
19 19,9102000 22,7178 23,9004 27,2036 30,1435 32,8523 33,6874 36,1909 38,5823 19
20 20,9514000 23,8277 25,0375 28,4120 31,4104 34,1696 35,0196 37,5662 39,9968 20
21 21,9915000 24,9348 26,1711 29,6151 32,6706 35,4789 36,3434 38,9322 41,4011 21
22 23,0307000 26,0393 27,3015 30,8133 33,9244 36,7807 37,6595 40,2894 42,7957 22
23 24,0689000 27,1413 28,4288 32,0069 35,1725 38,0756 38,9683 41,6384 44,1813 23
24 25,1063000 28,2412 29,5533 33,1962 36,4150 39,3641 40,2704 42,9798 45,5585 24
25 26,1430000 29,3389 30,6752 34,3816 37,6525 40,6465 41,5661 44,3141 46,9279 25
26 27,1789000 30,4346 31,7946 35,5632 38,8851 41,9232 42,8558 45,6417 48,2899 26
27 28,2141000 31,5284 32,9117 36,7412 40,1133 43,1945 44,1400 46,9629 49,6449 27
28 29,2486000 32,6205 34,0266 37,9159 41,3371 44,4608 45,4188 48,2782 50,9934 28
29 30,2825000 33,7109 35,1394 39,0875 42,5570 45,7223 46,6927 49,5879 52,3356 29
30 31,3159000 34,7997 36,2502 40,2560 43,7730 46,9792 47,9618 50,8922 53,6720 30
31 32,3486000 35,8871 37,3591 41,4217 44,9853 48,2319 49,2264 52,1914 55,0027 31
32 33,3809000 36,9730 38,4663 42,5847 46,1943 49,4804 50,4867 53,4858 56,3281 32
33 34,4126000 38,0575 39,5718 43,7452 47,3999 50,7251 51,7429 54,7755 57,6484 33
34 35,4438000 39,1408 40,6756 44,9032 48,6024 51,9660 52,9952 56,0609 58,9639 34
35 36,4746000 40,2228 41,7780 46,0588 49,8018 53,2033 54,2438 57,3421 60,2748 35
36 37,5049000 41,3036 42,8788 47,2122 50,9985 54,4373 55,4889 58,6192 61,5812 36
37 38,5348000 42,3833 43,9782 48,3634 52,1923 55,6680 56,7305 59,8925 62,8833 37
38 39,5643000 43,4619 45,0763 49,5126 53,3835 56,8955 57,9688 61,1621 64,1814 38
39 40,5935000 44,5395 46,1730 50,6598 54,5722 58,1201 59,2040 62,4281 65,4756 39
40 41,6222000 45,6160 47,2685 51,8051 55,7585 59,3417 60,4361 63,6907 66,7660 40
41 42,6506000 46,6916 48,3628 52,9485 56,9424 60,5606 61,6654 64,9501 68,0527 41
42 43,6786000 47,7663 49,4560 54,0902 58,1240 61,7768 62,8918 66,2062 69,3360 42
43 44,7063000 48,8400 50,5480 55,2302 59,3035 62,9904 64,1155 67,4593 70,6159 43
44 45,7336000 49,9129 51,6389 56,3685 60,4809 64,2015 65,3367 68,7095 71,8926 44
45 46,7607000 50,9849 52,7288 57,5053 61,6562 65,4102 66,5553 69,9568 73,1661 45
46 47,7874000 52,0562 53,8177 58,6405 62,8296 66,6165 67,7714 71,2014 74,4365 46
47 48,8139000 53,1267 54,9056 59,7743 64,0011 67,8206 68,9852 72,4433 75,7041 47
48 49,8401000 54,1964 55,9926 60,9066 65,1708 69,0226 70,1968 73,6826 76,9688 48
49 50,8660000 55,2653 57,0786 62,0375 66,3386 70,2224 71,4061 74,9195 78,2307 49
50 51,8916000 56,3336 58,1638 63,1671 67,5048 71,4202 72,6133 76,1539 79,4900 50
N N
1 2 3 4 5 6 7 8 9 10 11 12
D D
1 4.052,18 4.999,50 5.403,35 5.624,58 5.763,65 5.858,99 5.928,36 5.981,07 6.022,47 6.055,85 6.083,32 6.106,32 1
2 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,39 99,40 99,41 99,42 2
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23 27,13 27,05 3
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,45 14,37 4
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,96 9,89 5
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,79 7,72 6
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62 6,54 6,47 7
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,73 5,67 8
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 5,18 5,11 9
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,77 4,71 10
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,46 4,40 11
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,22 4,16 12
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 4,02 3,96 13
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94 3,86 3,80 14
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,73 3,67 15
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,62 3,55 16
17 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,52 3,46 17
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,43 3,37 18
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,36 3,30 19
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,29 3,23 20
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,24 3,17 21
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,18 3,12 22
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,14 3,07 23
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,09 3,03 24
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13 3,06 2,99 25
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 3,02 2,96 26
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06 2,99 2,93 27
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,96 2,90 28
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00 2,93 2,87 29
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,91 2,84 30
35 7,42 5,27 4,40 3,91 3,59 3,37 3,20 3,07 2,96 2,88 2,80 2,74 35
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,73 2,66 40
45 7,23 5,11 4,25 3,77 3,45 3,23 3,07 2,94 2,83 2,74 2,67 2,61 45
50 7,17 5,06 4,20 3,72 3,41 3,19 3,02 2,89 2,78 2,70 2,63 2,56 50
153
100 6,90 4,82 3,98 3,51 3,21 2,99 2,82 2,69 2,59 2,50 2,43 2,37 100
ANEXO A. Tabelas
N N
13 14 15 16 17 18 19 20 21 22 23 24 25
D D
1 6.125,86 6.142,67 6.157,28 6.170,10 6.181,43 6.191,53 6.200,58 6.208,73 6.216,12 6.222,84 6.228,99 6.234,63 6.239,83 1
2 99,42 99,43 99,43 99,44 99,44 99,44 99,45 99,45 99,45 99,45 99,46 99,46 99,46 2
3 26,98 26,92 26,87 26,83 26,79 26,75 26,72 26,69 26,66 26,64 26,62 26,60 26,58 3
4 14,31 14,25 14,20 14,15 14,11 14,08 14,05 14,02 13,99 13,97 13,95 13,93 13,91 4
5 9,82 9,77 9,72 9,68 9,64 9,61 9,58 9,55 9,53 9,51 9,49 9,47 9,45 5
6 7,66 7,60 7,56 7,52 7,48 7,45 7,42 7,40 7,37 7,35 7,33 7,31 7,30 6
7 6,41 6,36 6,31 6,28 6,24 6,21 6,18 6,16 6,13 6,11 6,09 6,07 6,06 7
8 5,61 5,56 5,52 5,48 5,44 5,41 5,38 5,36 5,34 5,32 5,30 5,28 5,26 8
9 5,05 5,01 4,96 4,92 4,89 4,86 4,83 4,81 4,79 4,77 4,75 4,73 4,71 9
10 4,65 4,60 4,56 4,52 4,49 4,46 4,43 4,41 4,38 4,36 4,34 4,33 4,31 10
11 4,34 4,29 4,25 4,21 4,18 4,15 4,12 4,10 4,08 4,06 4,04 4,02 4,01 11
12 4,10 4,05 4,01 3,97 3,94 3,91 3,88 3,86 3,84 3,82 3,80 3,78 3,76 12
13 3,91 3,86 3,82 3,78 3,75 3,72 3,69 3,66 3,64 3,62 3,60 3,59 3,57 13
14 3,75 3,70 3,66 3,62 3,59 3,56 3,53 3,51 3,48 3,46 3,44 3,43 3,41 14
15 3,61 3,56 3,52 3,49 3,45 3,42 3,40 3,37 3,35 3,33 3,31 3,29 3,28 15
16 3,50 3,45 3,41 3,37 3,34 3,31 3,28 3,26 3,24 3,22 3,20 3,18 3,16 16
17 3,40 3,35 3,31 3,27 3,24 3,21 3,19 3,16 3,14 3,12 3,10 3,08 3,07 17
18 3,32 3,27 3,23 3,19 3,16 3,13 3,10 3,08 3,05 3,03 3,02 3,00 2,98 18
19 3,24 3,19 3,15 3,12 3,08 3,05 3,03 3,00 2,98 2,96 2,94 2,92 2,91 19
20 3,18 3,13 3,09 3,05 3,02 2,99 2,96 2,94 2,92 2,90 2,88 2,86 2,84 20
21 3,12 3,07 3,03 2,99 2,96 2,93 2,90 2,88 2,86 2,84 2,82 2,80 2,79 21
22 3,07 3,02 2,98 2,94 2,91 2,88 2,85 2,83 2,81 2,78 2,77 2,75 2,73 22
23 3,02 2,97 2,93 2,89 2,86 2,83 2,80 2,78 2,76 2,74 2,72 2,70 2,69 23
24 2,98 2,93 2,89 2,85 2,82 2,79 2,76 2,74 2,72 2,70 2,68 2,66 2,64 24
25 2,94 2,89 2,85 2,81 2,78 2,75 2,72 2,70 2,68 2,66 2,64 2,62 2,60 25
26 2,90 2,86 2,81 2,78 2,75 2,72 2,69 2,66 2,64 2,62 2,60 2,58 2,57 26
27 2,87 2,82 2,78 2,75 2,71 2,68 2,66 2,63 2,61 2,59 2,57 2,55 2,54 27
28 2,84 2,79 2,75 2,72 2,68 2,65 2,63 2,60 2,58 2,56 2,54 2,52 2,51 28
29 2,81 2,77 2,73 2,69 2,66 2,63 2,60 2,57 2,55 2,53 2,51 2,49 2,48 29
30 2,79 2,74 2,70 2,66 2,63 2,60 2,57 2,55 2,53 2,51 2,49 2,47 2,45 30
35 2,69 2,64 2,60 2,56 2,53 2,50 2,47 2,44 2,42 2,40 2,38 2,36 2,35 35
40 2,61 2,56 2,52 2,48 2,45 2,42 2,39 2,37 2,35 2,33 2,31 2,29 2,27 40
45 2,55 2,51 2,46 2,43 2,39 2,36 2,34 2,31 2,29 2,27 2,25 2,23 2,21 45
50 2,51 2,46 2,42 2,38 2,35 2,32 2,29 2,27 2,24 2,22 2,20 2,18 2,17 50
154 100 2,31 2,27 2,22 2,19 2,15 2,12 2,09 2,07 2,04 2,02 2,00 1,98 1,97 100
N N
26 27 28 29 30 35 40 45 50 100
D D
1 6.244,62 6.249,07 6.253,20 6.257,05 6.260,65 6.275,57 6.286,78 6.295,52 6.302,52 6.334,11 1
2 99,46 99,46 99,46 99,46 99,47 99,47 99,47 99,48 99,48 99,49 2
3 26,56 26,55 26,53 26,52 26,50 26,45 26,41 26,38 26,35 26,24 3
4 13,89 13,88 13,86 13,85 13,84 13,79 13,75 13,71 13,69 13,58 4
5 9,43 9,42 9,40 9,39 9,38 9,33 9,29 9,26 9,24 9,13 5
6 7,28 7,27 7,25 7,24 7,23 7,18 7,14 7,11 7,09 6,99 6
7 6,04 6,03 6,02 6,00 5,99 5,94 5,91 5,88 5,86 5,75 7
8 5,25 5,23 5,22 5,21 5,20 5,15 5,12 5,09 5,07 4,96 8
9 4,70 4,68 4,67 4,66 4,65 4,60 4,57 4,54 4,52 4,41 9
10 4,30 4,28 4,27 4,26 4,25 4,20 4,17 4,14 4,12 4,01 10
11 3,99 3,98 3,96 3,95 3,94 3,89 3,86 3,83 3,81 3,71 11
12 3,75 3,74 3,72 3,71 3,70 3,65 3,62 3,59 3,57 3,47 12
13 3,56 3,54 3,53 3,52 3,51 3,46 3,43 3,40 3,38 3,27 13
14 3,40 3,38 3,37 3,36 3,35 3,30 3,27 3,24 3,22 3,11 14
15 3,26 3,25 3,24 3,23 3,21 3,17 3,13 3,10 3,08 2,98 15
16 3,15 3,14 3,12 3,11 3,10 3,05 3,02 2,99 2,97 2,86 16
17 3,05 3,04 3,03 3,01 3,00 2,96 2,92 2,89 2,87 2,76 17
18 2,97 2,95 2,94 2,93 2,92 2,87 2,84 2,81 2,78 2,68 18
19 2,89 2,88 2,87 2,86 2,84 2,80 2,76 2,73 2,71 2,60 19
20 2,83 2,81 2,80 2,79 2,78 2,73 2,69 2,67 2,64 2,54 20
21 2,77 2,76 2,74 2,73 2,72 2,67 2,64 2,61 2,58 2,48 21
22 2,72 2,70 2,69 2,68 2,67 2,62 2,58 2,55 2,53 2,42 22
23 2,67 2,66 2,64 2,63 2,62 2,57 2,54 2,51 2,48 2,37 23
24 2,63 2,61 2,60 2,59 2,58 2,53 2,49 2,46 2,44 2,33 24
25 2,59 2,58 2,56 2,55 2,54 2,49 2,45 2,42 2,40 2,29 25
26 2,55 2,54 2,53 2,51 2,50 2,45 2,42 2,39 2,36 2,25 26
27 2,52 2,51 2,49 2,48 2,47 2,42 2,38 2,35 2,33 2,22 27
28 2,49 2,48 2,46 2,45 2,44 2,39 2,35 2,32 2,30 2,19 28
29 2,46 2,45 2,44 2,42 2,41 2,36 2,33 2,30 2,27 2,16 29
30 2,44 2,42 2,41 2,40 2,39 2,34 2,30 2,27 2,25 2,13 30
35 2,33 2,32 2,30 2,29 2,28 2,23 2,19 2,16 2,14 2,02 35
40 2,26 2,24 2,23 2,22 2,20 2,15 2,11 2,08 2,06 1,94 40
45 2,20 2,18 2,17 2,16 2,14 2,09 2,05 2,02 2,00 1,88 45
50 2,15 2,14 2,12 2,11 2,10 2,05 2,01 1,97 1,95 1,82 50
155
100 1,95 1,93 1,92 1,91 1,89 1,84 1,80 1,76 1,74 1,60 100

N N
30 31 32 33 34 35 36 37 38 39
D
1 6.260,65 6.264,01 6.267,17 6.270,14 6.272,93 6.275,57 6.278,06 6.280,41 6.282,65 6.284,77 1
2 99,47 99,47 99,47 99,47 99,47 99,47 99,47 99,47 99,47 99,47 2
3 26,50 26,49 26,48 26,47 26,46 26,45 26,44 26,43 26,43 26,42 3
4 13,84 13,83 13,81 13,80 13,79 13,79 13,78 13,77 13,76 13,75 4
5 9,38 9,37 9,36 9,35 9,34 9,33 9,32 9,31 9,31 9,30 5
6 7,23 7,22 7,21 7,20 7,19 7,18 7,17 7,16 7,16 7,15 6
7 5,99 5,98 5,97 5,96 5,95 5,94 5,94 5,93 5,92 5,91 7
8 5,20 5,19 5,18 5,17 5,16 5,15 5,14 5,14 5,13 5,12 8
9 4,65 4,64 4,63 4,62 4,61 4,60 4,59 4,59 4,58 4,57 9
10 4,25 4,24 4,23 4,22 4,21 4,20 4,19 4,19 4,18 4,17 10
11 3,94 3,93 3,92 3,91 3,90 3,89 3,89 3,88 3,87 3,87 11
12 3,70 3,69 3,68 3,67 3,66 3,65 3,65 3,64 3,63 3,63 12
13 3,51 3,50 3,49 3,48 3,47 3,46 3,45 3,45 3,44 3,43 13
14 3,35 3,34 3,33 3,32 3,31 3,30 3,29 3,29 3,28 3,27 14
15 3,21 3,20 3,19 3,18 3,18 3,17 3,16 3,15 3,15 3,14 15
16 3,10 3,09 3,08 3,07 3,06 3,05 3,05 3,04 3,03 3,02 16
17 3,00 2,99 2,98 2,97 2,96 2,96 2,95 2,94 2,93 2,93 17
18 2,92 2,91 2,90 2,89 2,88 2,87 2,86 2,86 2,85 2,84 18
19 2,84 2,83 2,82 2,81 2,81 2,80 2,79 2,78 2,77 2,77 19
20 2,78 2,77 2,76 2,75 2,74 2,73 2,72 2,72 2,71 2,70 20
21 2,72 2,71 2,70 2,69 2,68 2,67 2,66 2,66 2,65 2,64 21
22 2,67 2,66 2,65 2,64 2,63 2,62 2,61 2,60 2,60 2,59 22
23 2,62 2,61 2,60 2,59 2,58 2,57 2,56 2,56 2,55 2,54 23
24 2,58 2,57 2,56 2,55 2,54 2,53 2,52 2,51 2,51 2,50 24
25 2,54 2,53 2,52 2,51 2,50 2,49 2,48 2,47 2,47 2,46 25
26 2,50 2,49 2,48 2,47 2,46 2,45 2,45 2,44 2,43 2,42 26
27 2,47 2,46 2,45 2,44 2,43 2,42 2,41 2,41 2,40 2,39 27
28 2,44 2,43 2,42 2,41 2,40 2,39 2,38 2,37 2,37 2,36 28
29 2,41 2,40 2,39 2,38 2,37 2,36 2,35 2,35 2,34 2,33 29
30 2,39 2,38 2,36 2,35 2,35 2,34 2,33 2,32 2,31 2,31 30
35 2,28 2,27 2,26 2,25 2,24 2,23 2,22 2,21 2,21 2,20 35
40 2,20 2,19 2,18 2,17 2,16 2,15 2,14 2,14 2,13 2,12 40
45 2,14 2,13 2,12 2,11 2,10 2,09 2,08 2,08 2,07 2,06 45
50 2,10 2,09 2,08 2,07 2,06 2,05 2,04 2,03 2,02 2,01 50
100 1,89 1,88 1,87 1,86 1,85 1,84 1,83 1,82 1,81 1,80 10
157

N
40 41 42 43 44 45 50 55 90 100
D
1 6.286,78 6.288,70 6.290,52 6.292,27 6.293,93 6.295,52 6.302,52 6.308,25 6.330,59 6.334,11
2 99,47 99,47 99,48 99,48 99,48 99,48 99,48 99,48 99,49 99,49
3 26,41 26,40 26,40 26,39 26,39 26,38 26,35 26,33 26,25 26,24
4 13,75 13,74 13,73 13,73 13,72 13,71 13,69 13,67 13,59 13,58
5 9,29 9,28 9,28 9,27 9,27 9,26 9,24 9,22 9,14 9,13
6 7,14 7,14 7,13 7,13 7,12 7,11 7,09 7,07 7,00 6,99
7 5,91 5,90 5,90 5,89 5,89 5,88 5,86 5,84 5,77 5,75
8 5,12 5,11 5,10 5,10 5,09 5,09 5,07 5,05 4,97 4,96
9 4,57 4,56 4,55 4,55 4,54 4,54 4,52 4,50 4,43 4,41
10 4,17 4,16 4,15 4,15 4,14 4,14 4,12 4,10 4,03 4,01
11 3,86 3,85 3,85 3,84 3,84 3,83 3,81 3,79 3,72 3,71
12 3,62 3,61 3,61 3,60 3,60 3,59 3,57 3,55 3,48 3,47
13 3,43 3,42 3,41 3,41 3,40 3,40 3,38 3,36 3,28 3,27
14 3,27 3,26 3,25 3,25 3,24 3,24 3,22 3,20 3,12 3,11
15 3,13 3,13 3,12 3,11 3,11 3,10 3,08 3,06 2,99 2,98
16 3,02 3,01 3,01 3,00 3,00 2,99 2,97 2,95 2,87 2,86
17 2,92 2,91 2,91 2,90 2,90 2,89 2,87 2,85 2,78 2,76
18 2,84 2,83 2,82 2,82 2,81 2,81 2,78 2,77 2,69 2,68
19 2,76 2,75 2,75 2,74 2,74 2,73 2,71 2,69 2,61 2,60
20 2,69 2,69 2,68 2,68 2,67 2,67 2,64 2,62 2,55 2,54
21 2,64 2,63 2,62 2,62 2,61 2,61 2,58 2,56 2,49 2,48
22 2,58 2,58 2,57 2,57 2,56 2,55 2,53 2,51 2,43 2,42
23 2,54 2,53 2,52 2,52 2,51 2,51 2,48 2,46 2,39 2,37
24 2,49 2,49 2,48 2,47 2,47 2,46 2,44 2,42 2,34 2,33
25 2,45 2,45 2,44 2,43 2,43 2,42 2,40 2,38 2,30 2,29
26 2,42 2,41 2,40 2,40 2,39 2,39 2,36 2,34 2,26 2,25
27 2,38 2,38 2,37 2,37 2,36 2,35 2,33 2,31 2,23 2,22
28 2,35 2,35 2,34 2,33 2,33 2,32 2,30 2,28 2,20 2,19
29 2,33 2,32 2,31 2,31 2,30 2,30 2,27 2,25 2,17 2,16
30 2,30 2,29 2,29 2,28 2,27 2,27 2,25 2,22 2,14 2,13
35 2,19 2,19 2,18 2,17 2,17 2,16 2,14 2,12 2,03 2,02
40 2,11 2,11 2,10 2,09 2,09 2,08 2,06 2,04 1,95 1,94
45 2,05 2,05 2,04 2,03 2,03 2,02 2,00 1,98 1,89 1,88
50 2,01 2,00 1,99 1,99 1,98 1,97 1,95 1,93 1,84 1,82
100 1,80 1,79 1,78 1,78 1,77 1,76 1,74 1,71 1,61 1,60
ANEXO A. Tabelas
N N
1 2 3 4 5 6 7 8 9 10 11 12
D D
1 647,79 799,50 864,16 899,58 921,85 937,11 948,22 956,66 963,28 968,63 973,03 976,71 1
2 38,51 39,00 39,17 39,25 39,30 39,33 39,36 39,37 39,39 39,40 39,41 39,41 2
3 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42 14,37 14,34 3
4 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,79 8,75 4
5 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,57 6,52 5
6 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,41 5,37 6
7 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,71 4,67 7
8 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,24 4,20 8
9 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,91 3,87 9
10 6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,66 3,62 10
11 6,72 5,26 4,63 4,28 4,04 3,88 3,76 3,66 3,59 3,53 3,47 3,43 11
12 6,55 5,10 4,47 4,12 3,89 3,73 3,61 3,51 3,44 3,37 3,32 3,28 12
13 6,41 4,97 4,35 4,00 3,77 3,60 3,48 3,39 3,31 3,25 3,20 3,15 13
14 6,30 4,86 4,24 3,89 3,66 3,50 3,38 3,29 3,21 3,15 3,09 3,05 14
15 6,20 4,77 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 3,01 2,96 15
16 6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99 2,93 2,89 16
17 6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92 2,87 2,82 17
18 5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87 2,81 2,77 18
19 5,92 4,51 3,90 3,56 3,33 3,17 3,05 2,96 2,88 2,82 2,76 2,72 19
20 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,72 2,68 20
21 5,83 4,42 3,82 3,48 3,25 3,09 2,97 2,87 2,80 2,73 2,68 2,64 21
22 5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70 2,65 2,60 22
23 5,75 4,35 3,75 3,41 3,18 3,02 2,90 2,81 2,73 2,67 2,62 2,57 23
24 5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64 2,59 2,54 24
25 5,69 4,29 3,69 3,35 3,13 2,97 2,85 2,75 2,68 2,61 2,56 2,51 25
26 5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59 2,54 2,49 26
27 5,63 4,24 3,65 3,31 3,08 2,92 2,80 2,71 2,63 2,57 2,51 2,47 27
28 5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55 2,49 2,45 28
29 5,59 4,20 3,61 3,27 3,04 2,88 2,76 2,67 2,59 2,53 2,48 2,43 29
30 5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,46 2,41 30
35 5,48 4,11 3,52 3,18 2,96 2,80 2,68 2,58 2,50 2,44 2,39 2,34 35
40 5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39 2,33 2,29 40
45 5,38 4,01 3,42 3,09 2,86 2,70 2,58 2,49 2,41 2,35 2,29 2,25 45
50 5,34 3,97 3,39 3,05 2,83 2,67 2,55 2,46 2,38 2,32 2,26 2,22 50
158 100 5,18 3,83 3,25 2,92 2,70 2,54 2,42 2,32 2,24 2,18 2,12 2,08 100
N N
13 14 15 16 17 18 19 20 21 22 23 24 25
D D
1 979,84 982,53 984,87 986,92 988,73 990,35 991,80 993,10 994,29 995,36 996,35 997,25 998,08 1
2 39,42 39,43 39,43 39,44 39,44 39,44 39,45 39,45 39,45 39,45 39,45 39,46 39,46 2
3 14,30 14,28 14,25 14,23 14,21 14,20 14,18 14,17 14,16 14,14 14,13 14,12 14,12 3
4 8,71 8,68 8,66 8,63 8,61 8,59 8,58 8,56 8,55 8,53 8,52 8,51 8,50 4
5 6,49 6,46 6,43 6,40 6,38 6,36 6,34 6,33 6,31 6,30 6,29 6,28 6,27 5
6 5,33 5,30 5,27 5,24 5,22 5,20 5,18 5,17 5,15 5,14 5,13 5,12 5,11 6
7 4,63 4,60 4,57 4,54 4,52 4,50 4,48 4,47 4,45 4,44 4,43 4,41 4,40 7
8 4,16 4,13 4,10 4,08 4,05 4,03 4,02 4,00 3,98 3,97 3,96 3,95 3,94 8
9 3,83 3,80 3,77 3,74 3,72 3,70 3,68 3,67 3,65 3,64 3,63 3,61 3,60 9
10 3,58 3,55 3,52 3,50 3,47 3,45 3,44 3,42 3,40 3,39 3,38 3,37 3,35 10
11 3,39 3,36 3,33 3,30 3,28 3,26 3,24 3,23 3,21 3,20 3,18 3,17 3,16 11
12 3,24 3,21 3,18 3,15 3,13 3,11 3,09 3,07 3,06 3,04 3,03 3,02 3,01 12
13 3,12 3,08 3,05 3,03 3,00 2,98 2,96 2,95 2,93 2,92 2,91 2,89 2,88 13
14 3,01 2,98 2,95 2,92 2,90 2,88 2,86 2,84 2,83 2,81 2,80 2,79 2,78 14
15 2,92 2,89 2,86 2,84 2,81 2,79 2,77 2,76 2,74 2,73 2,71 2,70 2,69 15
16 2,85 2,82 2,79 2,76 2,74 2,72 2,70 2,68 2,67 2,65 2,64 2,63 2,61 16
17 2,79 2,75 2,72 2,70 2,67 2,65 2,63 2,62 2,60 2,59 2,57 2,56 2,55 17
18 2,73 2,70 2,67 2,64 2,62 2,60 2,58 2,56 2,54 2,53 2,52 2,50 2,49 18
19 2,68 2,65 2,62 2,59 2,57 2,55 2,53 2,51 2,49 2,48 2,46 2,45 2,44 19
20 2,64 2,60 2,57 2,55 2,52 2,50 2,48 2,46 2,45 2,43 2,42 2,41 2,40 20
21 2,60 2,56 2,53 2,51 2,48 2,46 2,44 2,42 2,41 2,39 2,38 2,37 2,36 21
22 2,56 2,53 2,50 2,47 2,45 2,43 2,41 2,39 2,37 2,36 2,34 2,33 2,32 22
23 2,53 2,50 2,47 2,44 2,42 2,39 2,37 2,36 2,34 2,33 2,31 2,30 2,29 23
24 2,50 2,47 2,44 2,41 2,39 2,36 2,35 2,33 2,31 2,30 2,28 2,27 2,26 24
25 2,48 2,44 2,41 2,38 2,36 2,34 2,32 2,30 2,28 2,27 2,26 2,24 2,23 25
26 2,45 2,42 2,39 2,36 2,34 2,31 2,29 2,28 2,26 2,24 2,23 2,22 2,21 26
27 2,43 2,39 2,36 2,34 2,31 2,29 2,27 2,25 2,24 2,22 2,21 2,19 2,18 27
28 2,41 2,37 2,34 2,32 2,29 2,27 2,25 2,23 2,22 2,20 2,19 2,17 2,16 28
29 2,39 2,36 2,32 2,30 2,27 2,25 2,23 2,21 2,20 2,18 2,17 2,15 2,14 29
30 2,37 2,34 2,31 2,28 2,26 2,23 2,21 2,20 2,18 2,16 2,15 2,14 2,12 30
35 2,30 2,27 2,23 2,21 2,18 2,16 2,14 2,12 2,10 2,09 2,07 2,06 2,05 35
40 2,25 2,21 2,18 2,15 2,13 2,11 2,09 2,07 2,05 2,03 2,02 2,01 1,99 40
45 2,21 2,17 2,14 2,11 2,09 2,07 2,04 2,03 2,01 1,99 1,98 1,96 1,95 45
50 2,18 2,14 2,11 2,08 2,06 2,03 2,01 1,99 1,98 1,96 1,95 1,93 1,92 50
159
100 2,04 2,00 1,97 1,94 1,91 1,89 1,87 1,85 1,83 1,81 1,80 1,78 1,77 100
ANEXO A. Tabelas
N N
26 27 28 29 30 35 40 45 50 100
D D
1 998,85 999,56 1.000,22 1.000,84 1.001,41 1.003,80 1.005,60 1.007,00 1.008,12 1.013,17 1
2 39,46 39,46 39,46 39,46 39,46 39,47 39,47 39,48 39,48 39,49 2
3 14,11 14,10 14,09 14,09 14,08 14,06 14,04 14,02 14,01 13,96 3
4 8,49 8,48 8,48 8,47 8,46 8,43 8,41 8,39 8,38 8,32 4
5 6,26 6,25 6,24 6,23 6,23 6,20 6,18 6,16 6,14 6,08 5
6 5,10 5,09 5,08 5,07 5,07 5,04 5,01 4,99 4,98 4,92 6
7 4,39 4,39 4,38 4,37 4,36 4,33 4,31 4,29 4,28 4,21 7
8 3,93 3,92 3,91 3,90 3,89 3,86 3,84 3,82 3,81 3,74 8
9 3,59 3,58 3,58 3,57 3,56 3,53 3,51 3,49 3,47 3,40 9
10 3,34 3,34 3,33 3,32 3,31 3,28 3,26 3,24 3,22 3,15 10
11 3,15 3,14 3,13 3,13 3,12 3,09 3,06 3,04 3,03 2,96 11
12 3,00 2,99 2,98 2,97 2,96 2,93 2,91 2,89 2,87 2,80 12
13 2,87 2,86 2,85 2,85 2,84 2,80 2,78 2,76 2,74 2,67 13
14 2,77 2,76 2,75 2,74 2,73 2,70 2,67 2,65 2,64 2,56 14
15 2,68 2,67 2,66 2,65 2,64 2,61 2,59 2,56 2,55 2,47 15
16 2,60 2,59 2,58 2,58 2,57 2,53 2,51 2,49 2,47 2,40 16
17 2,54 2,53 2,52 2,51 2,50 2,47 2,44 2,42 2,41 2,33 17
18 2,48 2,47 2,46 2,45 2,44 2,41 2,38 2,36 2,35 2,27 18
19 2,43 2,42 2,41 2,40 2,39 2,36 2,33 2,31 2,30 2,22 19
20 2,39 2,38 2,37 2,36 2,35 2,31 2,29 2,27 2,25 2,17 20
21 2,34 2,33 2,33 2,32 2,31 2,27 2,25 2,23 2,21 2,13 21
22 2,31 2,30 2,29 2,28 2,27 2,24 2,21 2,19 2,17 2,09 22
23 2,28 2,27 2,26 2,25 2,24 2,20 2,18 2,15 2,14 2,06 23
24 2,25 2,24 2,23 2,22 2,21 2,17 2,15 2,12 2,11 2,02 24
25 2,22 2,21 2,20 2,19 2,18 2,15 2,12 2,10 2,08 2,00 25
26 2,19 2,18 2,17 2,17 2,16 2,12 2,09 2,07 2,05 1,97 26
27 2,17 2,16 2,15 2,14 2,13 2,10 2,07 2,05 2,03 1,94 27
28 2,15 2,14 2,13 2,12 2,11 2,08 2,05 2,03 2,01 1,92 28
29 2,13 2,12 2,11 2,10 2,09 2,06 2,03 2,01 1,99 1,90 29
30 2,11 2,10 2,09 2,08 2,07 2,04 2,01 1,99 1,97 1,88 30
35 2,04 2,03 2,02 2,01 2,00 1,96 1,93 1,91 1,89 1,80 35
40 1,98 1,97 1,96 1,95 1,94 1,90 1,88 1,85 1,83 1,74 40
45 1,94 1,93 1,92 1,91 1,90 1,86 1,83 1,81 1,79 1,69 45
50 1,91 1,90 1,89 1,88 1,87 1,83 1,80 1,77 1,75 1,66 50
160 100 1,76 1,75 1,74 1,72 1,71 1,67 1,64 1,61 1,59 1,48 100
161

N
30 31 32 33 34 35 36 37 38 39
D
1 1.001,41 1.001,95 1.002,46 1.002,93 1.003,38 1.003,80 1.004,20 1.004,58 1.004,94 1.005,28
2 39,46 39,47 39,47 39,47 39,47 39,47 39,47 39,47 39,47 39,47
3 14,08 14,07 14,07 14,06 14,06 14,06 14,05 14,05 14,04 14,04
4 8,46 8,45 8,45 8,44 8,44 8,43 8,43 8,42 8,42 8,42
5 6,23 6,22 6,21 6,21 6,20 6,20 6,19 6,19 6,18 6,18
6 5,07 5,06 5,05 5,05 5,04 5,04 5,03 5,03 5,02 5,02
7 4,36 4,36 4,35 4,34 4,34 4,33 4,33 4,32 4,32 4,31
8 3,89 3,89 3,88 3,87 3,87 3,86 3,86 3,85 3,85 3,84
9 3,56 3,55 3,55 3,54 3,53 3,53 3,52 3,52 3,51 3,51
10 3,31 3,30 3,30 3,29 3,29 3,28 3,27 3,27 3,26 3,26
11 3,12 3,11 3,10 3,10 3,09 3,09 3,08 3,08 3,07 3,07
12 2,96 2,96 2,95 2,94 2,94 2,93 2,93 2,92 2,92 2,91
13 2,84 2,83 2,82 2,82 2,81 2,80 2,80 2,79 2,79 2,78
14 2,73 2,72 2,72 2,71 2,71 2,70 2,69 2,69 2,68 2,68
15 2,64 2,64 2,63 2,62 2,62 2,61 2,60 2,60 2,59 2,59
16 2,57 2,56 2,55 2,55 2,54 2,53 2,53 2,52 2,52 2,51
17 2,50 2,49 2,49 2,48 2,47 2,47 2,46 2,46 2,45 2,45
18 2,44 2,44 2,43 2,42 2,42 2,41 2,40 2,40 2,39 2,39
19 2,39 2,39 2,38 2,37 2,37 2,36 2,35 2,35 2,34 2,34
20 2,35 2,34 2,33 2,33 2,32 2,31 2,31 2,30 2,30 2,29
21 2,31 2,30 2,29 2,29 2,28 2,27 2,27 2,26 2,26 2,25
22 2,27 2,26 2,26 2,25 2,24 2,24 2,23 2,23 2,22 2,21
23 2,24 2,23 2,22 2,22 2,21 2,20 2,20 2,19 2,19 2,18
24 2,21 2,20 2,19 2,19 2,18 2,17 2,17 2,16 2,16 2,15
25 2,18 2,17 2,17 2,16 2,15 2,15 2,14 2,13 2,13 2,12
26 2,16 2,15 2,14 2,13 2,13 2,12 2,11 2,11 2,10 2,10
27 2,13 2,13 2,12 2,11 2,10 2,10 2,09 2,09 2,08 2,07
28 2,11 2,10 2,10 2,09 2,08 2,08 2,07 2,06 2,06 2,05
29 2,09 2,08 2,08 2,07 2,06 2,06 2,05 2,04 2,04 2,03
30 2,07 2,07 2,06 2,05 2,04 2,04 2,03 2,03 2,02 2,01
35 2,00 1,99 1,98 1,97 1,97 1,96 1,95 1,95 1,94 1,94
40 1,94 1,93 1,93 1,92 1,91 1,90 1,90 1,89 1,89 1,88
45 1,90 1,89 1,88 1,88 1,87 1,86 1,85 1,85 1,84 1,84
50 1,87 1,86 1,85 1,84 1,83 1,83 1,82 1,81 1,81 1,80
100 1,71 1,71 1,70 1,69 1,68 1,67 1,67 1,66 1,65 1,65

N N
40 41 42 43 44 45 50 55 90 100
D
1 1.005,60 1.005,90 1.006,20 1.006,48 1.006,74 1.007,00 1.008,12 1.009,03 1.012,61 1.013,17 1
2 39,47 39,47 39,47 39,47 39,48 39,48 39,48 39,48 39,49 39,49 2
3 14,04 14,03 14,03 14,03 14,02 14,02 14,01 14,00 13,96 13,96 3
4 8,41 8,41 8,40 8,40 8,40 8,39 8,38 8,37 8,33 8,32 4
5 6,18 6,17 6,17 6,16 6,16 6,16 6,14 6,13 6,09 6,08 5
6 5,01 5,01 5,00 5,00 5,00 4,99 4,98 4,97 4,92 4,92 6
7 4,31 4,30 4,30 4,30 4,29 4,29 4,28 4,26 4,22 4,21 7
8 3,84 3,84 3,83 3,83 3,82 3,82 3,81 3,79 3,75 3,74 8
9 3,51 3,50 3,50 3,49 3,49 3,49 3,47 3,46 3,41 3,40 9
10 3,26 3,25 3,25 3,24 3,24 3,24 3,22 3,21 3,16 3,15 10
11 3,06 3,06 3,05 3,05 3,05 3,04 3,03 3,01 2,96 2,96 11
12 2,91 2,90 2,90 2,89 2,89 2,89 2,87 2,86 2,81 2,80 12
13 2,78 2,78 2,77 2,77 2,76 2,76 2,74 2,73 2,68 2,67 13
14 2,67 2,67 2,67 2,66 2,66 2,65 2,64 2,63 2,57 2,56 14
15 2,59 2,58 2,58 2,57 2,57 2,56 2,55 2,54 2,48 2,47 15
16 2,51 2,50 2,50 2,50 2,49 2,49 2,47 2,46 2,40 2,40 16
17 2,44 2,44 2,43 2,43 2,43 2,42 2,41 2,39 2,34 2,33 17
18 2,38 2,38 2,38 2,37 2,37 2,36 2,35 2,33 2,28 2,27 18
19 2,33 2,33 2,32 2,32 2,32 2,31 2,30 2,28 2,23 2,22 19
20 2,29 2,28 2,28 2,27 2,27 2,27 2,25 2,24 2,18 2,17 20
21 2,25 2,24 2,24 2,23 2,23 2,23 2,21 2,19 2,14 2,13 21
22 2,21 2,21 2,20 2,20 2,19 2,19 2,17 2,16 2,10 2,09 22
23 2,18 2,17 2,17 2,16 2,16 2,15 2,14 2,12 2,07 2,06 23
24 2,15 2,14 2,14 2,13 2,13 2,12 2,11 2,09 2,03 2,02 24
25 2,12 2,11 2,11 2,10 2,10 2,10 2,08 2,06 2,01 2,00 25
26 2,09 2,09 2,08 2,08 2,07 2,07 2,05 2,04 1,98 1,97 26
27 2,07 2,06 2,06 2,06 2,05 2,05 2,03 2,01 1,95 1,94 27
28 2,05 2,04 2,04 2,03 2,03 2,03 2,01 1,99 1,93 1,92 28
29 2,03 2,02 2,02 2,01 2,01 2,01 1,99 1,97 1,91 1,90 29
30 2,01 2,00 2,00 1,99 1,99 1,99 1,97 1,95 1,89 1,88 30
35 1,93 1,93 1,92 1,92 1,91 1,91 1,89 1,87 1,81 1,80 35
40 1,88 1,87 1,87 1,86 1,86 1,85 1,83 1,82 1,75 1,74 40
45 1,83 1,83 1,82 1,82 1,81 1,81 1,79 1,77 1,70 1,69 45
50 1,80 1,79 1,79 1,78 1,78 1,77 1,75 1,74 1,67 1,66 50
100 1,64 1,63 1,63 1,62 1,62 1,61 1,59 1,57 1,50 1,48 10
N N
1 2 3 4 5 6 7 8 9 10 11 12
D D
1 161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 240,54 241,88 242,98 243,91 1
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,40 19,41 2
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,76 8,74 3
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,94 5,91 4
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,70 4,68 5
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,03 4,00 6
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,60 3,57 7
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,31 3,28 8
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,10 3,07 9
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,94 2,91 10
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,82 2,79 11
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,72 2,69 12
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,63 2,60 13
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,57 2,53 14
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,51 2,48 15
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,46 2,42 16
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,41 2,38 17
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,37 2,34 18
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,34 2,31 19
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,31 2,28 20
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,28 2,25 21
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,26 2,23 22
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,24 2,20 23
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,22 2,18 24
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,20 2,16 25
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,18 2,15 26
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20 2,17 2,13 27
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,15 2,12 28
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18 2,14 2,10 29
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,13 2,09 30
35 4,12 3,27 2,87 2,64 2,49 2,37 2,29 2,22 2,16 2,11 2,07 2,04 35
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,04 2,00 40
45 4,06 3,20 2,81 2,58 2,42 2,31 2,22 2,15 2,10 2,05 2,01 1,97 45
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03 1,99 1,95 50
163
100 3,94 3,09 2,70 2,46 2,31 2,19 2,10 2,03 1,97 1,93 1,89 1,85 100
ANEXO A. Tabelas
N N
13 14 15 16 17 18 19 20 21 22 23 24 25
D D
1 244,69 245,36 245,95 246,46 246,92 247,32 247,69 248,01 248,31 248,58 248,83 249,05 249,26 1
2 19,42 19,42 19,43 19,43 19,44 19,44 19,44 19,45 19,45 19,45 19,45 19,45 19,46 2
3 8,73 8,71 8,70 8,69 8,68 8,67 8,67 8,66 8,65 8,65 8,64 8,64 8,63 3
4 5,89 5,87 5,86 5,84 5,83 5,82 5,81 5,80 5,79 5,79 5,78 5,77 5,77 4
5 4,66 4,64 4,62 4,60 4,59 4,58 4,57 4,56 4,55 4,54 4,53 4,53 4,52 5
6 3,98 3,96 3,94 3,92 3,91 3,90 3,88 3,87 3,86 3,86 3,85 3,84 3,83 6
7 3,55 3,53 3,51 3,49 3,48 3,47 3,46 3,44 3,43 3,43 3,42 3,41 3,40 7
8 3,26 3,24 3,22 3,20 3,19 3,17 3,16 3,15 3,14 3,13 3,12 3,12 3,11 8
9 3,05 3,03 3,01 2,99 2,97 2,96 2,95 2,94 2,93 2,92 2,91 2,90 2,89 9
10 2,89 2,86 2,85 2,83 2,81 2,80 2,79 2,77 2,76 2,75 2,75 2,74 2,73 10
11 2,76 2,74 2,72 2,70 2,69 2,67 2,66 2,65 2,64 2,63 2,62 2,61 2,60 11
12 2,66 2,64 2,62 2,60 2,58 2,57 2,56 2,54 2,53 2,52 2,51 2,51 2,50 12
13 2,58 2,55 2,53 2,51 2,50 2,48 2,47 2,46 2,45 2,44 2,43 2,42 2,41 13
14 2,51 2,48 2,46 2,44 2,43 2,41 2,40 2,39 2,38 2,37 2,36 2,35 2,34 14
15 2,45 2,42 2,40 2,38 2,37 2,35 2,34 2,33 2,32 2,31 2,30 2,29 2,28 15
16 2,40 2,37 2,35 2,33 2,32 2,30 2,29 2,28 2,26 2,25 2,24 2,24 2,23 16
17 2,35 2,33 2,31 2,29 2,27 2,26 2,24 2,23 2,22 2,21 2,20 2,19 2,18 17
18 2,31 2,29 2,27 2,25 2,23 2,22 2,20 2,19 2,18 2,17 2,16 2,15 2,14 18
19 2,28 2,26 2,23 2,21 2,20 2,18 2,17 2,16 2,14 2,13 2,12 2,11 2,11 19
20 2,25 2,22 2,20 2,18 2,17 2,15 2,14 2,12 2,11 2,10 2,09 2,08 2,07 20
21 2,22 2,20 2,18 2,16 2,14 2,12 2,11 2,10 2,08 2,07 2,06 2,05 2,05 21
22 2,20 2,17 2,15 2,13 2,11 2,10 2,08 2,07 2,06 2,05 2,04 2,03 2,02 22
23 2,18 2,15 2,13 2,11 2,09 2,08 2,06 2,05 2,04 2,02 2,01 2,01 2,00 23
24 2,15 2,13 2,11 2,09 2,07 2,05 2,04 2,03 2,01 2,00 1,99 1,98 1,97 24
25 2,14 2,11 2,09 2,07 2,05 2,04 2,02 2,01 2,00 1,98 1,97 1,96 1,96 25
26 2,12 2,09 2,07 2,05 2,03 2,02 2,00 1,99 1,98 1,97 1,96 1,95 1,94 26
27 2,10 2,08 2,06 2,04 2,02 2,00 1,99 1,97 1,96 1,95 1,94 1,93 1,92 27
28 2,09 2,06 2,04 2,02 2,00 1,99 1,97 1,96 1,95 1,93 1,92 1,91 1,91 28
29 2,08 2,05 2,03 2,01 1,99 1,97 1,96 1,94 1,93 1,92 1,91 1,90 1,89 29
30 2,06 2,04 2,01 1,99 1,98 1,96 1,95 1,93 1,92 1,91 1,90 1,89 1,88 30
35 2,01 1,99 1,96 1,94 1,92 1,91 1,89 1,88 1,87 1,85 1,84 1,83 1,82 35
40 1,97 1,95 1,92 1,90 1,89 1,87 1,85 1,84 1,83 1,81 1,80 1,79 1,78 40
45 1,94 1,92 1,89 1,87 1,86 1,84 1,82 1,81 1,80 1,78 1,77 1,76 1,75 45
50 1,92 1,89 1,87 1,85 1,83 1,81 1,80 1,78 1,77 1,76 1,75 1,74 1,73 50
164 100 1,82 1,79 1,77 1,75 1,73 1,71 1,69 1,68 1,66 1,65 1,64 1,63 1,62 100
N N
26 27 28 29 30 35 40 45 50 100
D D
1 249,45 249,63 249,80 249,95 250,10 250,69 251,14 251,49 251,77 253,04 1
2 19,46 19,46 19,46 19,46 19,46 19,47 19,47 19,47 19,48 19,49 2
3 8,63 8,63 8,62 8,62 8,62 8,60 8,59 8,59 8,58 8,55 3
4 5,76 5,76 5,75 5,75 5,75 5,73 5,72 5,71 5,70 5,66 4
5 4,52 4,51 4,50 4,50 4,50 4,48 4,46 4,45 4,44 4,41 5
6 3,83 3,82 3,82 3,81 3,81 3,79 3,77 3,76 3,75 3,71 6
7 3,40 3,39 3,39 3,38 3,38 3,36 3,34 3,33 3,32 3,27 7
8 3,10 3,10 3,09 3,08 3,08 3,06 3,04 3,03 3,02 2,97 8
9 2,89 2,88 2,87 2,87 2,86 2,84 2,83 2,81 2,80 2,76 9
10 2,72 2,72 2,71 2,70 2,70 2,68 2,66 2,65 2,64 2,59 10
11 2,59 2,59 2,58 2,58 2,57 2,55 2,53 2,52 2,51 2,46 11
12 2,49 2,48 2,48 2,47 2,47 2,44 2,43 2,41 2,40 2,35 12
13 2,41 2,40 2,39 2,39 2,38 2,36 2,34 2,33 2,31 2,26 13
14 2,33 2,33 2,32 2,31 2,31 2,28 2,27 2,25 2,24 2,19 14
15 2,27 2,27 2,26 2,25 2,25 2,22 2,20 2,19 2,18 2,12 15
16 2,22 2,21 2,21 2,20 2,19 2,17 2,15 2,14 2,12 2,07 16
17 2,17 2,17 2,16 2,15 2,15 2,12 2,10 2,09 2,08 2,02 17
18 2,13 2,13 2,12 2,11 2,11 2,08 2,06 2,05 2,04 1,98 18
19 2,10 2,09 2,08 2,08 2,07 2,05 2,03 2,01 2,00 1,94 19
20 2,07 2,06 2,05 2,05 2,04 2,01 1,99 1,98 1,97 1,91 20
21 2,04 2,03 2,02 2,02 2,01 1,98 1,96 1,95 1,94 1,88 21
22 2,01 2,00 2,00 1,99 1,98 1,96 1,94 1,92 1,91 1,85 22
23 1,99 1,98 1,97 1,97 1,96 1,93 1,91 1,90 1,88 1,82 23
24 1,97 1,96 1,95 1,95 1,94 1,91 1,89 1,88 1,86 1,80 24
25 1,95 1,94 1,93 1,93 1,92 1,89 1,87 1,86 1,84 1,78 25
26 1,93 1,92 1,91 1,91 1,90 1,87 1,85 1,84 1,82 1,76 26
27 1,91 1,90 1,90 1,89 1,88 1,86 1,84 1,82 1,81 1,74 27
28 1,90 1,89 1,88 1,88 1,87 1,84 1,82 1,80 1,79 1,73 28
29 1,88 1,88 1,87 1,86 1,85 1,83 1,81 1,79 1,77 1,71 29
30 1,87 1,86 1,85 1,85 1,84 1,81 1,79 1,77 1,76 1,70 30
35 1,82 1,81 1,80 1,79 1,79 1,76 1,74 1,72 1,70 1,63 35
40 1,77 1,77 1,76 1,75 1,74 1,72 1,69 1,67 1,66 1,59 40
45 1,74 1,73 1,73 1,72 1,71 1,68 1,66 1,64 1,63 1,55 45
50 1,72 1,71 1,70 1,69 1,69 1,66 1,63 1,61 1,60 1,52 50
165
100 1,61 1,60 1,59 1,58 1,57 1,54 1,52 1,49 1,48 1,39 100

N N
30 31 32 33 34 35 36 37 38 39
D D
1 250,10 250,23 250,36 250,48 250,59 250,69 250,79 250,89 250,98 251,06 1
2 19,46 19,46 19,46 19,47 19,47 19,47 19,47 19,47 19,47 19,47 2
3 8,62 8,61 8,61 8,61 8,61 8,60 8,60 8,60 8,60 8,60 3
4 5,75 5,74 5,74 5,74 5,73 5,73 5,73 5,72 5,72 5,72 4
5 4,50 4,49 4,49 4,48 4,48 4,48 4,47 4,47 4,47 4,47 5
6 3,81 3,80 3,80 3,80 3,79 3,79 3,79 3,78 3,78 3,78 6
7 3,38 3,37 3,37 3,36 3,36 3,36 3,35 3,35 3,35 3,34 7
8 3,08 3,07 3,07 3,07 3,06 3,06 3,06 3,05 3,05 3,05 8
9 2,86 2,86 2,85 2,85 2,85 2,84 2,84 2,84 2,83 2,83 9
10 2,70 2,69 2,69 2,69 2,68 2,68 2,67 2,67 2,67 2,66 10
11 2,57 2,57 2,56 2,56 2,55 2,55 2,54 2,54 2,54 2,53 11
12 2,47 2,46 2,46 2,45 2,45 2,44 2,44 2,44 2,43 2,43 12
13 2,38 2,38 2,37 2,37 2,36 2,36 2,35 2,35 2,35 2,34 13
14 2,31 2,30 2,30 2,29 2,29 2,28 2,28 2,28 2,27 2,27 14
15 2,25 2,24 2,24 2,23 2,23 2,22 2,22 2,21 2,21 2,21 15
16 2,19 2,19 2,18 2,18 2,17 2,17 2,17 2,16 2,16 2,15 16
17 2,15 2,14 2,14 2,13 2,13 2,12 2,12 2,11 2,11 2,11 17
18 2,11 2,10 2,10 2,09 2,09 2,08 2,08 2,07 2,07 2,07 18
19 2,07 2,07 2,06 2,06 2,05 2,05 2,04 2,04 2,03 2,03 19
20 2,04 2,03 2,03 2,02 2,02 2,01 2,01 2,01 2,00 2,00 20
21 2,01 2,00 2,00 1,99 1,99 1,98 1,98 1,98 1,97 1,97 21
22 1,98 1,98 1,97 1,97 1,96 1,96 1,95 1,95 1,95 1,94 22
23 1,96 1,95 1,95 1,94 1,94 1,93 1,93 1,93 1,92 1,92 23
24 1,94 1,93 1,93 1,92 1,92 1,91 1,91 1,90 1,90 1,90 24
25 1,92 1,91 1,91 1,90 1,90 1,89 1,89 1,88 1,88 1,88 25
26 1,90 1,89 1,89 1,88 1,88 1,87 1,87 1,87 1,86 1,86 26
27 1,88 1,88 1,87 1,87 1,86 1,86 1,85 1,85 1,84 1,84 27
28 1,87 1,86 1,86 1,85 1,85 1,84 1,84 1,83 1,83 1,82 28
29 1,85 1,85 1,84 1,84 1,83 1,83 1,82 1,82 1,81 1,81 29
30 1,84 1,83 1,83 1,82 1,82 1,81 1,81 1,80 1,80 1,80 30
35 1,79 1,78 1,77 1,77 1,76 1,76 1,75 1,75 1,74 1,74 35
40 1,74 1,74 1,73 1,73 1,72 1,72 1,71 1,71 1,70 1,70 40
45 1,71 1,71 1,70 1,69 1,69 1,68 1,68 1,67 1,67 1,66 45
50 1,69 1,68 1,67 1,67 1,66 1,66 1,65 1,65 1,64 1,64 50
100 1,57 1,57 1,56 1,55 1,55 1,54 1,54 1,53 1,52 1,52 100
167

N N
40 41 42 43 44 45 50 55 90 100
D D
1 251,14 251,22 251,29 251,36 251,43 251,49 251,77 252,00 252,90 253,04 1
2 19,47 19,47 19,47 19,47 19,47 19,47 19,48 19,48 19,48 19,49 2
3 8,59 8,59 8,59 8,59 8,59 8,59 8,58 8,58 8,56 8,55 3
4 5,72 5,71 5,71 5,71 5,71 5,71 5,70 5,69 5,67 5,66 4
5 4,46 4,46 4,46 4,46 4,46 4,45 4,44 4,44 4,41 4,41 5
6 3,77 3,77 3,77 3,77 3,76 3,76 3,75 3,75 3,72 3,71 6
7 3,34 3,34 3,34 3,33 3,33 3,33 3,32 3,31 3,28 3,27 7
8 3,04 3,04 3,04 3,04 3,03 3,03 3,02 3,01 2,98 2,97 8
9 2,83 2,82 2,82 2,82 2,82 2,81 2,80 2,79 2,76 2,76 9
10 2,66 2,66 2,66 2,65 2,65 2,65 2,64 2,63 2,59 2,59 10
11 2,53 2,53 2,53 2,52 2,52 2,52 2,51 2,50 2,46 2,46 11
12 2,43 2,42 2,42 2,42 2,41 2,41 2,40 2,39 2,36 2,35 12
13 2,34 2,34 2,33 2,33 2,33 2,33 2,31 2,30 2,27 2,26 13
14 2,27 2,26 2,26 2,26 2,25 2,25 2,24 2,23 2,19 2,19 14
15 2,20 2,20 2,20 2,20 2,19 2,19 2,18 2,17 2,13 2,12 15
16 2,15 2,15 2,14 2,14 2,14 2,14 2,12 2,11 2,07 2,07 16
17 2,10 2,10 2,10 2,09 2,09 2,09 2,08 2,07 2,03 2,02 17
18 2,06 2,06 2,06 2,05 2,05 2,05 2,04 2,03 1,98 1,98 18
19 2,03 2,02 2,02 2,02 2,01 2,01 2,00 1,99 1,95 1,94 19
20 1,99 1,99 1,99 1,98 1,98 1,98 1,97 1,96 1,91 1,91 20
21 1,96 1,96 1,96 1,95 1,95 1,95 1,94 1,93 1,88 1,88 21
22 1,94 1,93 1,93 1,93 1,93 1,92 1,91 1,90 1,86 1,85 22
23 1,91 1,91 1,91 1,90 1,90 1,90 1,88 1,87 1,83 1,82 23
24 1,89 1,89 1,89 1,88 1,88 1,88 1,86 1,85 1,81 1,80 24
25 1,87 1,87 1,86 1,86 1,86 1,86 1,84 1,83 1,79 1,78 25
26 1,85 1,85 1,85 1,84 1,84 1,84 1,82 1,81 1,77 1,76 26
27 1,84 1,83 1,83 1,83 1,82 1,82 1,81 1,79 1,75 1,74 27
28 1,82 1,82 1,81 1,81 1,81 1,80 1,79 1,78 1,73 1,73 28
29 1,81 1,80 1,80 1,79 1,79 1,79 1,77 1,76 1,72 1,71 29
30 1,79 1,79 1,78 1,78 1,78 1,77 1,76 1,75 1,70 1,70 30
35 1,74 1,73 1,73 1,72 1,72 1,72 1,70 1,69 1,64 1,63 35
40 1,69 1,69 1,69 1,68 1,68 1,67 1,66 1,65 1,60 1,59 40
45 1,66 1,66 1,65 1,65 1,64 1,64 1,63 1,61 1,56 1,55 45
50 1,63 1,63 1,63 1,62 1,62 1,61 1,60 1,59 1,53 1,52 50
100 1,52 1,51 1,51 1,50 1,50 1,49 1,48 1,46 1,40 1,39 100
ANEXO A. Tabelas
N N
1 2 3 4 5 6 7 8 9 10 11 12
D D
1 0 0,01 0,03 0,05 0,06 0,07 0,08 0,09 0,09 0,10 0,10 0,11 1
2 0 0,01 0,03 0,06 0,08 0,09 0,10 0,12 0,12 0,13 0,14 0,14 2
3 0 0,01 0,03 0,06 0,08 0,10 0,12 0,13 0,14 0,15 0,16 0,17 3
4 0 0,01 0,03 0,06 0,09 0,11 0,13 0,14 0,16 0,17 0,18 0,18 4
5 0 0,01 0,04 0,06 0,09 0,11 0,13 0,15 0,17 0,18 0,19 0,20 5
6 0 0,01 0,04 0,07 0,09 0,12 0,14 0,16 0,17 0,19 0,20 0,21 6
7 0 0,01 0,04 0,07 0,10 0,12 0,14 0,16 0,18 0,19 0,20 0,22 7
8 0 0,01 0,04 0,07 0,10 0,12 0,15 0,17 0,18 0,20 0,21 0,22 8
9 0 0,01 0,04 0,07 0,10 0,13 0,15 0,17 0,19 0,20 0,22 0,23 9
10 0 0,01 0,04 0,07 0,10 0,13 0,15 0,17 0,19 0,21 0,22 0,23 10
11 0 0,01 0,04 0,07 0,10 0,13 0,15 0,17 0,19 0,21 0,22 0,24 11
12 0 0,01 0,04 0,07 0,10 0,13 0,15 0,18 0,20 0,21 0,23 0,24 12
13 0 0,01 0,04 0,07 0,10 0,13 0,16 0,18 0,20 0,22 0,23 0,24 13
14 0 0,01 0,04 0,07 0,10 0,13 0,16 0,18 0,20 0,22 0,23 0,25 14
15 0 0,01 0,04 0,07 0,10 0,13 0,16 0,18 0,20 0,22 0,24 0,25 15
16 0 0,01 0,04 0,07 0,10 0,13 0,16 0,18 0,20 0,22 0,24 0,25 16
17 0 0,01 0,04 0,07 0,10 0,13 0,16 0,18 0,20 0,22 0,24 0,25 17
18 0 0,01 0,04 0,07 0,10 0,13 0,16 0,18 0,21 0,22 0,24 0,26 18
19 0 0,01 0,04 0,07 0,10 0,13 0,16 0,19 0,21 0,23 0,24 0,26 19
20 0 0,01 0,04 0,07 0,10 0,14 0,16 0,19 0,21 0,23 0,24 0,26 20
21 0 0,01 0,04 0,07 0,10 0,14 0,16 0,19 0,21 0,23 0,25 0,26 21
22 0 0,01 0,04 0,07 0,11 0,14 0,16 0,19 0,21 0,23 0,25 0,26 22
23 0 0,01 0,04 0,07 0,11 0,14 0,16 0,19 0,21 0,23 0,25 0,26 23
24 0 0,01 0,04 0,07 0,11 0,14 0,16 0,19 0,21 0,23 0,25 0,26 24
25 0 0,01 0,04 0,07 0,11 0,14 0,17 0,19 0,21 0,23 0,25 0,27 25
26 0 0,01 0,04 0,07 0,11 0,14 0,17 0,19 0,21 0,23 0,25 0,27 26
27 0 0,01 0,04 0,07 0,11 0,14 0,17 0,19 0,21 0,23 0,25 0,27 27
28 0 0,01 0,04 0,07 0,11 0,14 0,17 0,19 0,21 0,23 0,25 0,27 28
29 0 0,01 0,04 0,07 0,11 0,14 0,17 0,19 0,21 0,23 0,25 0,27 29
30 0 0,01 0,04 0,07 0,11 0,14 0,17 0,19 0,22 0,24 0,25 0,27 30
35 0 0,01 0,04 0,07 0,11 0,14 0,17 0,19 0,22 0,24 0,26 0,27 35
40 0 0,01 0,04 0,07 0,11 0,14 0,17 0,20 0,22 0,24 0,26 0,28 40
45 0 0,01 0,04 0,07 0,11 0,14 0,17 0,20 0,22 0,24 0,26 0,28 45
50 0 0,01 0,04 0,07 0,11 0,14 0,17 0,20 0,22 0,24 0,26 0,28 50
168 100 0 0,01 0,04 0,07 0,11 0,14 0,17 0,20 0,23 0,25 0,27 0,29 100
N N
13 14 15 16 17 18 19 20 21 22 23 24 25
D D
1 0,11 0,11 0,12 0,12 0,12 0,12 0,12 0,12 0,12 0,13 0,13 0,13 0,13 1
2 0,15 0,15 0,16 0,16 0,16 0,17 0,17 0,17 0,17 0,17 0,18 0,18 0,18 2
3 0,17 0,18 0,18 0,19 0,19 0,20 0,20 0,20 0,21 0,21 0,21 0,21 0,21 3
4 0,19 0,20 0,20 0,21 0,21 0,22 0,22 0,23 0,23 0,23 0,23 0,24 0,24 4
5 0,21 0,21 0,22 0,23 0,23 0,24 0,24 0,24 0,25 0,25 0,25 0,26 0,26 5
6 0,22 0,22 0,23 0,24 0,24 0,25 0,25 0,26 0,26 0,27 0,27 0,27 0,28 6
7 0,23 0,23 0,24 0,25 0,25 0,26 0,27 0,27 0,27 0,28 0,28 0,29 0,29 7
8 0,23 0,24 0,25 0,26 0,26 0,27 0,28 0,28 0,29 0,29 0,29 0,30 0,30 8
9 0,24 0,25 0,26 0,26 0,27 0,28 0,28 0,29 0,29 0,30 0,30 0,31 0,31 9
10 0,24 0,25 0,26 0,27 0,28 0,29 0,29 0,30 0,30 0,31 0,31 0,32 0,32 10
11 0,25 0,26 0,27 0,28 0,28 0,29 0,30 0,30 0,31 0,31 0,32 0,32 0,33 11
12 0,25 0,26 0,27 0,28 0,29 0,30 0,30 0,31 0,32 0,32 0,33 0,33 0,33 12
13 0,26 0,27 0,28 0,29 0,29 0,30 0,31 0,31 0,32 0,33 0,33 0,34 0,34 13
14 0,26 0,27 0,28 0,29 0,30 0,31 0,31 0,32 0,33 0,33 0,34 0,34 0,35 14
15 0,26 0,27 0,28 0,29 0,30 0,31 0,32 0,32 0,33 0,34 0,34 0,35 0,35 15
16 0,26 0,28 0,29 0,30 0,31 0,31 0,32 0,33 0,33 0,34 0,35 0,35 0,36 16
17 0,27 0,28 0,29 0,30 0,31 0,32 0,32 0,33 0,34 0,34 0,35 0,35 0,36 17
18 0,27 0,28 0,29 0,30 0,31 0,32 0,33 0,33 0,34 0,35 0,35 0,36 0,36 18
19 0,27 0,28 0,29 0,30 0,31 0,32 0,33 0,34 0,34 0,35 0,36 0,36 0,37 19
20 0,27 0,29 0,30 0,31 0,32 0,32 0,33 0,34 0,35 0,35 0,36 0,37 0,37 20
21 0,27 0,29 0,30 0,31 0,32 0,33 0,34 0,34 0,35 0,36 0,36 0,37 0,37 21
22 0,28 0,29 0,30 0,31 0,32 0,33 0,34 0,35 0,35 0,36 0,37 0,37 0,38 22
23 0,28 0,29 0,30 0,31 0,32 0,33 0,34 0,35 0,35 0,36 0,37 0,37 0,38 23
24 0,28 0,29 0,30 0,31 0,32 0,33 0,34 0,35 0,36 0,36 0,37 0,38 0,38 24
25 0,28 0,29 0,31 0,32 0,33 0,34 0,34 0,35 0,36 0,37 0,37 0,38 0,38 25
26 0,28 0,29 0,31 0,32 0,33 0,34 0,35 0,35 0,36 0,37 0,37 0,38 0,39 26
27 0,28 0,30 0,31 0,32 0,33 0,34 0,35 0,36 0,36 0,37 0,38 0,38 0,39 27
28 0,28 0,30 0,31 0,32 0,33 0,34 0,35 0,36 0,36 0,37 0,38 0,38 0,39 28
29 0,28 0,30 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,37 0,38 0,39 0,39 29
30 0,29 0,30 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,37 0,38 0,39 0,39 30
35 0,29 0,30 0,32 0,33 0,34 0,35 0,36 0,37 0,37 0,38 0,39 0,40 0,40 35
40 0,29 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,39 0,40 0,41 40
45 0,29 0,31 0,32 0,33 0,35 0,36 0,37 0,38 0,38 0,39 0,40 0,41 0,41 45
50 0,30 0,31 0,32 0,34 0,35 0,36 0,37 0,38 0,39 0,40 0,40 0,41 0,42 50
169
100 0,31 0,32 0,34 0,35 0,36 0,37 0,38 0,39 0,40 0,41 0,42 0,43 0,44 100
ANEXO A. Tabelas
N N
26 27 28 29 30 35 40 45 50 100
D D
1 0,13 0,13 0,13 0,13 0,13 0,13 0,14 0,14 0,14 0,15 1
2 0,18 0,18 0,18 0,18 0,19 0,19 0,19 0,20 0,20 0,21 2
3 0,22 0,22 0,22 0,22 0,22 0,23 0,23 0,24 0,24 0,25 3
4 0,24 0,24 0,25 0,25 0,25 0,26 0,26 0,27 0,27 0,28 4
5 0,26 0,26 0,27 0,27 0,27 0,28 0,28 0,29 0,29 0,31 5
6 0,28 0,28 0,28 0,29 0,29 0,30 0,30 0,31 0,31 0,33 6
7 0,29 0,30 0,30 0,30 0,30 0,31 0,32 0,33 0,33 0,35 7
8 0,30 0,31 0,31 0,31 0,32 0,33 0,33 0,34 0,35 0,37 8
9 0,31 0,32 0,32 0,32 0,33 0,34 0,35 0,35 0,36 0,39 9
10 0,32 0,33 0,33 0,33 0,34 0,35 0,36 0,36 0,37 0,40 10
11 0,33 0,33 0,34 0,34 0,34 0,36 0,37 0,37 0,38 0,41 11
12 0,34 0,34 0,35 0,35 0,35 0,36 0,38 0,38 0,39 0,42 12
13 0,34 0,35 0,35 0,36 0,36 0,37 0,38 0,39 0,40 0,43 13
14 0,35 0,35 0,36 0,36 0,36 0,38 0,39 0,40 0,41 0,44 14
15 0,36 0,36 0,36 0,37 0,37 0,39 0,40 0,41 0,41 0,45 15
16 0,36 0,36 0,37 0,37 0,38 0,39 0,40 0,41 0,42 0,46 16
17 0,36 0,37 0,37 0,38 0,38 0,40 0,41 0,42 0,43 0,46 17
18 0,37 0,37 0,38 0,38 0,38 0,40 0,41 0,42 0,43 0,47 18
19 0,37 0,38 0,38 0,38 0,39 0,40 0,42 0,43 0,44 0,48 19
20 0,38 0,38 0,38 0,39 0,39 0,41 0,42 0,43 0,44 0,48 20
21 0,38 0,38 0,39 0,39 0,40 0,41 0,43 0,44 0,45 0,49 21
22 0,38 0,39 0,39 0,40 0,40 0,42 0,43 0,44 0,45 0,49 22
23 0,38 0,39 0,39 0,40 0,40 0,42 0,43 0,44 0,45 0,50 23
24 0,39 0,39 0,40 0,40 0,41 0,42 0,44 0,45 0,46 0,50 24
25 0,39 0,39 0,40 0,40 0,41 0,43 0,44 0,45 0,46 0,51 25
26 0,39 0,40 0,40 0,41 0,41 0,43 0,44 0,46 0,46 0,51 26
27 0,39 0,40 0,40 0,41 0,41 0,43 0,45 0,46 0,47 0,52 27
28 0,40 0,40 0,41 0,41 0,41 0,43 0,45 0,46 0,47 0,52 28
29 0,40 0,40 0,41 0,41 0,42 0,44 0,45 0,46 0,47 0,52 29
30 0,40 0,40 0,41 0,41 0,42 0,44 0,45 0,47 0,48 0,53 30
35 0,41 0,41 0,42 0,42 0,43 0,45 0,46 0,48 0,49 0,54 35
40 0,41 0,42 0,42 0,43 0,43 0,46 0,47 0,49 0,50 0,56 40
45 0,42 0,42 0,43 0,44 0,44 0,46 0,48 0,49 0,51 0,57 45
50 0,42 0,43 0,43 0,44 0,45 0,47 0,49 0,50 0,51 0,58 50
170 100 0,44 0,45 0,46 0,46 0,47 0,50 0,52 0,53 0,55 0,63 100
171

N N
30 31 32 33 34 35 36 37 38 39
D D
1 0,13 0,13 0,13 0,13 0,13 0,13 0,14 0,14 0,14 0,14 1
2 0,19 0,19 0,19 0,19 0,19 0,19 0,19 0,19 0,19 0,19 2
3 0,22 0,22 0,22 0,23 0,23 0,23 0,23 0,23 0,23 0,23 3
4 0,25 0,25 0,25 0,25 0,25 0,26 0,26 0,26 0,26 0,26 4
5 0,27 0,27 0,27 0,28 0,28 0,28 0,28 0,28 0,28 0,28 5
6 0,29 0,29 0,29 0,29 0,30 0,30 0,30 0,30 0,30 0,30 6
7 0,30 0,30 0,31 0,31 0,31 0,31 0,31 0,32 0,32 0,32 7
8 0,32 0,32 0,32 0,32 0,32 0,33 0,33 0,33 0,33 0,33 8
9 0,33 0,33 0,33 0,33 0,34 0,34 0,34 0,34 0,34 0,34 9
10 0,34 0,34 0,34 0,34 0,35 0,35 0,35 0,35 0,35 0,36 10
11 0,34 0,35 0,35 0,35 0,35 0,36 0,36 0,36 0,36 0,36 11
12 0,35 0,35 0,36 0,36 0,36 0,36 0,37 0,37 0,37 0,37 12
13 0,36 0,36 0,36 0,37 0,37 0,37 0,37 0,38 0,38 0,38 13
14 0,36 0,37 0,37 0,37 0,38 0,38 0,38 0,38 0,39 0,39 14
15 0,37 0,37 0,38 0,38 0,38 0,39 0,39 0,39 0,39 0,39 15
16 0,38 0,38 0,38 0,39 0,39 0,39 0,39 0,40 0,40 0,40 16
17 0,38 0,38 0,39 0,39 0,39 0,40 0,40 0,40 0,40 0,41 17
18 0,38 0,39 0,39 0,39 0,40 0,40 0,40 0,41 0,41 0,41 18
19 0,39 0,39 0,40 0,40 0,40 0,40 0,41 0,41 0,41 0,42 19
20 0,39 0,40 0,40 0,40 0,41 0,41 0,41 0,41 0,42 0,42 20
21 0,40 0,40 0,40 0,41 0,41 0,41 0,42 0,42 0,42 0,42 21
22 0,40 0,40 0,41 0,41 0,41 0,42 0,42 0,42 0,42 0,43 22
23 0,40 0,41 0,41 0,41 0,42 0,42 0,42 0,43 0,43 0,43 23
24 0,41 0,41 0,41 0,42 0,42 0,42 0,43 0,43 0,43 0,43 24
25 0,41 0,41 0,42 0,42 0,42 0,43 0,43 0,43 0,43 0,44 25
26 0,41 0,41 0,42 0,42 0,43 0,43 0,43 0,43 0,44 0,44 26
27 0,41 0,42 0,42 0,42 0,43 0,43 0,43 0,44 0,44 0,44 27
28 0,41 0,42 0,42 0,43 0,43 0,43 0,44 0,44 0,44 0,45 28
29 0,42 0,42 0,43 0,43 0,43 0,44 0,44 0,44 0,45 0,45 29
30 0,42 0,42 0,43 0,43 0,43 0,44 0,44 0,45 0,45 0,45 30
35 0,43 0,43 0,44 0,44 0,44 0,45 0,45 0,46 0,46 0,46 35
40 0,43 0,44 0,44 0,45 0,45 0,46 0,46 0,46 0,47 0,47 40
45 0,44 0,45 0,45 0,45 0,46 0,46 0,47 0,47 0,47 0,48 45
50 0,45 0,45 0,46 0,46 0,46 0,47 0,47 0,48 0,48 0,48 50
100 0,47 0,47 0,48 0,49 0,49 0,50 0,50 0,50 0,51 0,51 100

N N
40 41 42 43 44 45 50 55 90 100
D D
1 0,14 0,14 0,14 0,14 0,14 0,14 0,14 0,14 0,14 0,15 1
2 0,19 0,19 0,19 0,19 0,20 0,20 0,20 0,20 0,21 0,21 2
3 0,23 0,23 0,23 0,23 0,23 0,24 0,24 0,24 0,25 0,25 3
4 0,26 0,26 0,26 0,26 0,26 0,27 0,27 0,27 0,28 0,28 4
5 0,28 0,29 0,29 0,29 0,29 0,29 0,29 0,30 0,31 0,31 5
6 0,30 0,31 0,31 0,31 0,31 0,31 0,31 0,32 0,33 0,33 6
7 0,32 0,32 0,32 0,32 0,33 0,33 0,33 0,34 0,35 0,35 7
8 0,33 0,34 0,34 0,34 0,34 0,34 0,35 0,35 0,37 0,37 8
9 0,35 0,35 0,35 0,35 0,35 0,35 0,36 0,36 0,38 0,39 9
10 0,36 0,36 0,36 0,36 0,36 0,36 0,37 0,38 0,40 0,40 10
11 0,37 0,37 0,37 0,37 0,37 0,37 0,38 0,39 0,41 0,41 11
12 0,38 0,38 0,38 0,38 0,38 0,38 0,39 0,40 0,42 0,42 12
13 0,38 0,38 0,39 0,39 0,39 0,39 0,40 0,40 0,43 0,43 13
14 0,39 0,39 0,39 0,40 0,40 0,40 0,41 0,41 0,44 0,44 14
15 0,40 0,40 0,40 0,40 0,40 0,41 0,41 0,42 0,45 0,45 15
16 0,40 0,40 0,41 0,41 0,41 0,41 0,42 0,43 0,45 0,46 16
17 0,41 0,41 0,41 0,41 0,42 0,42 0,43 0,43 0,46 0,46 17
18 0,41 0,42 0,42 0,42 0,42 0,42 0,43 0,44 0,47 0,47 18
19 0,42 0,42 0,42 0,42 0,43 0,43 0,44 0,44 0,47 0,48 19
20 0,42 0,42 0,43 0,43 0,43 0,43 0,44 0,45 0,48 0,48 20
21 0,43 0,43 0,43 0,43 0,44 0,44 0,45 0,45 0,48 0,49 21
22 0,43 0,43 0,43 0,44 0,44 0,44 0,45 0,46 0,49 0,49 22
23 0,43 0,44 0,44 0,44 0,44 0,44 0,45 0,46 0,49 0,50 23
24 0,44 0,44 0,44 0,44 0,45 0,45 0,46 0,47 0,50 0,50 24
25 0,44 0,44 0,45 0,45 0,45 0,45 0,46 0,47 0,50 0,51 25
26 0,44 0,45 0,45 0,45 0,45 0,46 0,46 0,47 0,51 0,51 26
27 0,45 0,45 0,45 0,45 0,46 0,46 0,47 0,48 0,51 0,52 27
28 0,45 0,45 0,45 0,46 0,46 0,46 0,47 0,48 0,52 0,52 28
29 0,45 0,45 0,46 0,46 0,46 0,46 0,47 0,48 0,52 0,52 29
30 0,45 0,46 0,46 0,46 0,46 0,47 0,48 0,49 0,52 0,53 30
35 0,46 0,47 0,47 0,47 0,48 0,48 0,49 0,50 0,54 0,54 35
40 0,47 0,48 0,48 0,48 0,48 0,49 0,50 0,51 0,55 0,56 40
45 0,48 0,48 0,49 0,49 0,49 0,49 0,51 0,52 0,56 0,57 45
50 0,49 0,49 0,49 0,50 0,50 0,50 0,51 0,52 0,57 0,58 50
100 0,52 0,52 0,52 0,53 0,53 0,53 0,55 0,56 0,62 0,63 100
N N
1 2 3 4 5 6 7 8 9 10 11 12
D D
1 0 0,03 0,06 0,08 0,10 0,11 0,12 0,13 0,14 0,14 0,15 0,15 1
2 0 0,03 0,06 0,09 0,12 0,14 0,15 0,17 0,17 0,18 0,19 0,20 2
3 0 0,03 0,06 0,10 0,13 0,15 0,17 0,18 0,20 0,21 0,22 0,22 3
4 0 0,03 0,07 0,10 0,14 0,16 0,18 0,20 0,21 0,22 0,23 0,24 4
5 0 0,03 0,07 0,11 0,14 0,17 0,19 0,21 0,22 0,24 0,25 0,26 5
6 0 0,03 0,07 0,11 0,14 0,17 0,20 0,21 0,23 0,25 0,26 0,27 6
7 0 0,03 0,07 0,11 0,15 0,18 0,20 0,22 0,24 0,25 0,27 0,28 7
8 0 0,03 0,07 0,11 0,15 0,18 0,20 0,23 0,24 0,26 0,27 0,28 8
9 0 0,03 0,07 0,11 0,15 0,18 0,21 0,23 0,25 0,26 0,28 0,29 9
10 0 0,03 0,07 0,11 0,15 0,18 0,21 0,23 0,25 0,27 0,28 0,30 10
11 0 0,03 0,07 0,11 0,15 0,18 0,21 0,24 0,26 0,27 0,29 0,30 11
12 0 0,03 0,07 0,11 0,15 0,19 0,21 0,24 0,26 0,28 0,29 0,31 12
13 0 0,03 0,07 0,11 0,15 0,19 0,22 0,24 0,26 0,28 0,29 0,31 13
14 0 0,03 0,07 0,12 0,15 0,19 0,22 0,24 0,26 0,28 0,30 0,31 14
15 0 0,03 0,07 0,12 0,16 0,19 0,22 0,24 0,27 0,28 0,30 0,31 15
16 0 0,03 0,07 0,12 0,16 0,19 0,22 0,25 0,27 0,29 0,30 0,32 16
17 0 0,03 0,07 0,12 0,16 0,19 0,22 0,25 0,27 0,29 0,30 0,32 17
18 0 0,03 0,07 0,12 0,16 0,19 0,22 0,25 0,27 0,29 0,31 0,32 18
19 0 0,03 0,07 0,12 0,16 0,19 0,22 0,25 0,27 0,29 0,31 0,32 19
20 0 0,03 0,07 0,12 0,16 0,19 0,22 0,25 0,27 0,29 0,31 0,33 20
21 0 0,03 0,07 0,12 0,16 0,19 0,22 0,25 0,27 0,29 0,31 0,33 21
22 0 0,03 0,07 0,12 0,16 0,19 0,23 0,25 0,27 0,30 0,31 0,33 22
23 0 0,03 0,07 0,12 0,16 0,19 0,23 0,25 0,28 0,30 0,31 0,33 23
24 0 0,03 0,07 0,12 0,16 0,20 0,23 0,25 0,28 0,30 0,32 0,33 24
25 0 0,03 0,07 0,12 0,16 0,20 0,23 0,25 0,28 0,30 0,32 0,33 25
26 0 0,03 0,07 0,12 0,16 0,20 0,23 0,25 0,28 0,30 0,32 0,33 26
27 0 0,03 0,07 0,12 0,16 0,20 0,23 0,26 0,28 0,30 0,32 0,33 27
28 0 0,03 0,07 0,12 0,16 0,20 0,23 0,26 0,28 0,30 0,32 0,34 28
29 0 0,03 0,07 0,12 0,16 0,20 0,23 0,26 0,28 0,30 0,32 0,34 29
30 0 0,03 0,07 0,12 0,16 0,20 0,23 0,26 0,28 0,30 0,32 0,34 30
35 0 0,03 0,07 0,12 0,16 0,20 0,23 0,26 0,28 0,30 0,32 0,34 35
40 0 0,03 0,07 0,12 0,16 0,20 0,23 0,26 0,29 0,31 0,33 0,34 40
45 0 0,03 0,07 0,12 0,16 0,20 0,23 0,26 0,29 0,31 0,33 0,35 45
50 0 0,03 0,07 0,12 0,16 0,20 0,23 0,26 0,29 0,31 0,33 0,35 50
173
100 0 0,03 0,07 0,12 0,16 0,20 0,24 0,27 0,29 0,32 0,34 0,36 100
ANEXO A. Tabelas
N N
13 14 15 16 17 18 19 20 21 22 23 24 25
D D
1 0,16 0,16 0,16 0,16 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,18 1
2 0,20 0,21 0,21 0,21 0,22 0,22 0,22 0,22 0,23 0,23 0,23 0,23 0,23 2
3 0,23 0,24 0,24 0,25 0,25 0,25 0,26 0,26 0,26 0,26 0,27 0,27 0,27 3
4 0,25 0,26 0,26 0,27 0,27 0,28 0,28 0,28 0,29 0,29 0,29 0,30 0,30 4
5 0,27 0,27 0,28 0,29 0,29 0,30 0,30 0,30 0,31 0,31 0,31 0,32 0,32 5
6 0,28 0,29 0,29 0,30 0,31 0,31 0,32 0,32 0,32 0,33 0,33 0,33 0,34 6
7 0,29 0,30 0,30 0,31 0,32 0,32 0,33 0,33 0,34 0,34 0,34 0,35 0,35 7
8 0,30 0,30 0,31 0,32 0,33 0,33 0,34 0,34 0,35 0,35 0,36 0,36 0,36 8
9 0,30 0,31 0,32 0,33 0,34 0,34 0,35 0,35 0,36 0,36 0,37 0,37 0,37 9
10 0,31 0,32 0,33 0,33 0,34 0,35 0,35 0,36 0,37 0,37 0,37 0,38 0,38 10
11 0,31 0,32 0,33 0,34 0,35 0,36 0,36 0,37 0,37 0,38 0,38 0,39 0,39 11
12 0,32 0,33 0,34 0,35 0,35 0,36 0,37 0,37 0,38 0,38 0,39 0,39 0,40 12
13 0,32 0,33 0,34 0,35 0,36 0,37 0,37 0,38 0,38 0,39 0,40 0,40 0,40 13
14 0,32 0,34 0,35 0,35 0,36 0,37 0,38 0,38 0,39 0,40 0,40 0,41 0,41 14
15 0,33 0,34 0,35 0,36 0,37 0,37 0,38 0,39 0,39 0,40 0,41 0,41 0,41 15
16 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,39 0,40 0,40 0,41 0,41 0,42 16
17 0,33 0,34 0,36 0,37 0,37 0,38 0,39 0,40 0,40 0,41 0,41 0,42 0,42 17
18 0,34 0,35 0,36 0,37 0,38 0,39 0,39 0,40 0,41 0,41 0,42 0,42 0,43 18
19 0,34 0,35 0,36 0,37 0,38 0,39 0,40 0,40 0,41 0,42 0,42 0,43 0,43 19
20 0,34 0,35 0,36 0,37 0,38 0,39 0,40 0,41 0,41 0,42 0,42 0,43 0,43 20
21 0,34 0,35 0,36 0,38 0,38 0,39 0,40 0,41 0,42 0,42 0,43 0,43 0,44 21
22 0,34 0,36 0,37 0,38 0,39 0,40 0,40 0,41 0,42 0,42 0,43 0,44 0,44 22
23 0,34 0,36 0,37 0,38 0,39 0,40 0,41 0,41 0,42 0,43 0,43 0,44 0,44 23
24 0,35 0,36 0,37 0,38 0,39 0,40 0,41 0,42 0,42 0,43 0,43 0,44 0,45 24
25 0,35 0,36 0,37 0,38 0,39 0,40 0,41 0,42 0,42 0,43 0,44 0,44 0,45 25
26 0,35 0,36 0,37 0,38 0,39 0,40 0,41 0,42 0,43 0,43 0,44 0,45 0,45 26
27 0,35 0,36 0,37 0,39 0,40 0,40 0,41 0,42 0,43 0,44 0,44 0,45 0,45 27
28 0,35 0,36 0,38 0,39 0,40 0,41 0,41 0,42 0,43 0,44 0,44 0,45 0,45 28
29 0,35 0,36 0,38 0,39 0,40 0,41 0,42 0,42 0,43 0,44 0,44 0,45 0,46 29
30 0,35 0,37 0,38 0,39 0,40 0,41 0,42 0,43 0,43 0,44 0,45 0,45 0,46 30
35 0,36 0,37 0,38 0,39 0,41 0,41 0,42 0,43 0,44 0,45 0,45 0,46 0,47 35
40 0,36 0,37 0,39 0,40 0,41 0,42 0,43 0,44 0,45 0,45 0,46 0,47 0,47 40
45 0,36 0,38 0,39 0,40 0,41 0,42 0,43 0,44 0,45 0,46 0,46 0,47 0,48 45
50 0,36 0,38 0,39 0,40 0,42 0,43 0,44 0,44 0,45 0,46 0,47 0,47 0,48 50
174 100 0,37 0,39 0,40 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,49 0,50 100
N N
26 27 28 29 30 35 40 45 50 100
D D
1 0,18 0,18 0,18 0,18 0,18 0,18 0,18 0,19 0,19 0,19 1
2 0,23 0,24 0,24 0,24 0,24 0,24 0,25 0,25 0,25 0,26 2
3 0,27 0,27 0,28 0,28 0,28 0,28 0,29 0,29 0,29 0,31 3
4 0,30 0,30 0,30 0,31 0,31 0,31 0,32 0,32 0,33 0,34 4
5 0,32 0,32 0,33 0,33 0,33 0,34 0,34 0,35 0,35 0,37 5
6 0,34 0,34 0,34 0,35 0,35 0,36 0,36 0,37 0,37 0,39 6
7 0,35 0,36 0,36 0,36 0,36 0,37 0,38 0,39 0,39 0,41 7
8 0,37 0,37 0,37 0,37 0,38 0,39 0,40 0,40 0,41 0,43 8
9 0,38 0,38 0,38 0,39 0,39 0,40 0,41 0,41 0,42 0,45 9
10 0,39 0,39 0,39 0,40 0,40 0,41 0,42 0,43 0,43 0,46 10
11 0,39 0,40 0,40 0,40 0,41 0,42 0,43 0,44 0,44 0,47 11
12 0,40 0,41 0,41 0,41 0,41 0,43 0,44 0,44 0,45 0,48 12
13 0,41 0,41 0,42 0,42 0,42 0,43 0,44 0,45 0,46 0,49 13
14 0,41 0,42 0,42 0,42 0,43 0,44 0,45 0,46 0,47 0,50 14
15 0,42 0,42 0,43 0,43 0,43 0,45 0,46 0,47 0,47 0,51 15
16 0,42 0,43 0,43 0,44 0,44 0,45 0,46 0,47 0,48 0,52 16
17 0,43 0,43 0,44 0,44 0,44 0,46 0,47 0,48 0,49 0,52 17
18 0,43 0,44 0,44 0,44 0,45 0,46 0,47 0,48 0,49 0,53 18
19 0,44 0,44 0,44 0,45 0,45 0,47 0,48 0,49 0,50 0,54 19
20 0,44 0,44 0,45 0,45 0,46 0,47 0,48 0,49 0,50 0,54 20
21 0,44 0,45 0,45 0,46 0,46 0,48 0,49 0,50 0,51 0,55 21
22 0,45 0,45 0,45 0,46 0,46 0,48 0,49 0,50 0,51 0,55 22
23 0,45 0,45 0,46 0,46 0,47 0,48 0,49 0,51 0,51 0,56 23
24 0,45 0,46 0,46 0,46 0,47 0,49 0,50 0,51 0,52 0,56 24
25 0,45 0,46 0,46 0,47 0,47 0,49 0,50 0,51 0,52 0,56 25
26 0,46 0,46 0,47 0,47 0,47 0,49 0,50 0,52 0,52 0,57 26
27 0,46 0,46 0,47 0,47 0,48 0,49 0,51 0,52 0,53 0,57 27
28 0,46 0,46 0,47 0,47 0,48 0,50 0,51 0,52 0,53 0,58 28
29 0,46 0,47 0,47 0,48 0,48 0,50 0,51 0,52 0,53 0,58 29
30 0,46 0,47 0,47 0,48 0,48 0,50 0,51 0,53 0,54 0,58 30
35 0,47 0,48 0,48 0,49 0,49 0,51 0,53 0,54 0,55 0,60 35
40 0,48 0,48 0,49 0,49 0,50 0,52 0,53 0,55 0,56 0,61 40
45 0,48 0,49 0,49 0,50 0,50 0,52 0,54 0,55 0,56 0,62 45
50 0,49 0,49 0,50 0,50 0,51 0,53 0,55 0,56 0,57 0,63 50
175
100 0,51 0,51 0,52 0,53 0,53 0,56 0,57 0,59 0,60 0,67 100

N N
30 31 32 33 34 35 36 37 38 39
D D
1 0,18 0,18 0,18 0,18 0,18 0,18 0,18 0,18 0,18 0,18 1
2 0,24 0,24 0,24 0,24 0,24 0,24 0,24 0,24 0,25 0,25 2
3 0,28 0,28 0,28 0,28 0,28 0,28 0,29 0,29 0,29 0,29 3
4 0,31 0,31 0,31 0,31 0,31 0,31 0,32 0,32 0,32 0,32 4
5 0,33 0,33 0,33 0,34 0,34 0,34 0,34 0,34 0,34 0,34 5
6 0,35 0,35 0,35 0,35 0,36 0,36 0,36 0,36 0,36 0,36 6
7 0,36 0,37 0,37 0,37 0,37 0,37 0,38 0,38 0,38 0,38 7
8 0,38 0,38 0,38 0,38 0,39 0,39 0,39 0,39 0,39 0,39 8
9 0,39 0,39 0,39 0,40 0,40 0,40 0,40 0,40 0,40 0,41 9
10 0,40 0,40 0,40 0,41 0,41 0,41 0,41 0,41 0,42 0,42 10
11 0,41 0,41 0,41 0,41 0,42 0,42 0,42 0,42 0,42 0,43 11
12 0,41 0,42 0,42 0,42 0,42 0,43 0,43 0,43 0,43 0,44 12
13 0,42 0,42 0,43 0,43 0,43 0,43 0,44 0,44 0,44 0,44 13
14 0,43 0,43 0,43 0,44 0,44 0,44 0,44 0,45 0,45 0,45 14
15 0,43 0,44 0,44 0,44 0,44 0,45 0,45 0,45 0,45 0,46 15
16 0,44 0,44 0,44 0,45 0,45 0,45 0,46 0,46 0,46 0,46 16
17 0,44 0,45 0,45 0,45 0,46 0,46 0,46 0,46 0,47 0,47 17
18 0,45 0,45 0,45 0,46 0,46 0,46 0,47 0,47 0,47 0,47 18
19 0,45 0,46 0,46 0,46 0,46 0,47 0,47 0,47 0,47 0,48 19
20 0,46 0,46 0,46 0,47 0,47 0,47 0,47 0,48 0,48 0,48 20
21 0,46 0,46 0,47 0,47 0,47 0,48 0,48 0,48 0,48 0,49 21
22 0,46 0,47 0,47 0,47 0,48 0,48 0,48 0,48 0,49 0,49 22
23 0,47 0,47 0,47 0,48 0,48 0,48 0,48 0,49 0,49 0,49 23
24 0,47 0,47 0,48 0,48 0,48 0,49 0,49 0,49 0,49 0,50 24
25 0,47 0,47 0,48 0,48 0,48 0,49 0,49 0,49 0,50 0,50 25
26 0,47 0,48 0,48 0,48 0,49 0,49 0,49 0,50 0,50 0,50 26
27 0,48 0,48 0,48 0,49 0,49 0,49 0,50 0,50 0,50 0,50 27
28 0,48 0,48 0,49 0,49 0,49 0,50 0,50 0,50 0,50 0,51 28
29 0,48 0,48 0,49 0,49 0,49 0,50 0,50 0,50 0,51 0,51 29
30 0,48 0,49 0,49 0,49 0,50 0,50 0,50 0,51 0,51 0,51 30
35 0,49 0,50 0,50 0,50 0,51 0,51 0,51 0,52 0,52 0,52 35
40 0,50 0,50 0,51 0,51 0,51 0,52 0,52 0,52 0,53 0,53 40
45 0,50 0,51 0,51 0,52 0,52 0,52 0,53 0,53 0,53 0,54 45
50 0,51 0,51 0,52 0,52 0,53 0,53 0,53 0,54 0,54 0,54 50
100 0,53 0,54 0,54 0,55 0,55 0,56 0,56 0,56 0,57 0,57 100
177

N N
40 41 42 43 44 45 50 55 90 100
D D
1 0,18 0,18 0,19 0,19 0,19 0,19 0,19 0,19 0,19 0,19 1
2 0,25 0,25 0,25 0,25 0,25 0,25 0,25 0,25 0,26 0,26 2
3 0,29 0,29 0,29 0,29 0,29 0,29 0,29 0,30 0,31 0,31 3
4 0,32 0,32 0,32 0,32 0,32 0,32 0,33 0,33 0,34 0,34 4
5 0,34 0,35 0,35 0,35 0,35 0,35 0,35 0,36 0,37 0,37 5
6 0,36 0,37 0,37 0,37 0,37 0,37 0,37 0,38 0,39 0,39 6
7 0,38 0,38 0,38 0,38 0,39 0,39 0,39 0,40 0,41 0,41 7
8 0,40 0,40 0,40 0,40 0,40 0,40 0,41 0,41 0,43 0,43 8
9 0,41 0,41 0,41 0,41 0,41 0,41 0,42 0,42 0,44 0,45 9
10 0,42 0,42 0,42 0,42 0,42 0,43 0,43 0,44 0,46 0,46 10
11 0,43 0,43 0,43 0,43 0,43 0,44 0,44 0,45 0,47 0,47 11
12 0,44 0,44 0,44 0,44 0,44 0,44 0,45 0,46 0,48 0,48 12
13 0,44 0,45 0,45 0,45 0,45 0,45 0,46 0,47 0,49 0,49 13
14 0,45 0,45 0,46 0,46 0,46 0,46 0,47 0,47 0,50 0,50 14
15 0,46 0,46 0,46 0,46 0,47 0,47 0,47 0,48 0,50 0,51 15
16 0,46 0,47 0,47 0,47 0,47 0,47 0,48 0,49 0,51 0,52 16
17 0,47 0,47 0,47 0,48 0,48 0,48 0,49 0,49 0,52 0,52 17
18 0,47 0,48 0,48 0,48 0,48 0,48 0,49 0,50 0,52 0,53 18
19 0,48 0,48 0,48 0,49 0,49 0,49 0,50 0,50 0,53 0,54 19
20 0,48 0,49 0,49 0,49 0,49 0,49 0,50 0,51 0,54 0,54 20
21 0,49 0,49 0,49 0,49 0,50 0,50 0,51 0,51 0,54 0,55 21
22 0,49 0,49 0,50 0,50 0,50 0,50 0,51 0,52 0,55 0,55 22
23 0,49 0,50 0,50 0,50 0,50 0,51 0,51 0,52 0,55 0,56 23
24 0,50 0,50 0,50 0,50 0,51 0,51 0,52 0,53 0,56 0,56 24
25 0,50 0,50 0,51 0,51 0,51 0,51 0,52 0,53 0,56 0,56 25
26 0,50 0,51 0,51 0,51 0,51 0,52 0,52 0,53 0,56 0,57 26
27 0,51 0,51 0,51 0,51 0,52 0,52 0,53 0,54 0,57 0,57 27
28 0,51 0,51 0,51 0,52 0,52 0,52 0,53 0,54 0,57 0,58 28
29 0,51 0,51 0,52 0,52 0,52 0,52 0,53 0,54 0,57 0,58 29
30 0,51 0,52 0,52 0,52 0,52 0,53 0,54 0,54 0,58 0,58 30
35 0,53 0,53 0,53 0,53 0,54 0,54 0,55 0,56 0,59 0,60 35
40 0,53 0,54 0,54 0,54 0,54 0,55 0,56 0,57 0,60 0,61 40
45 0,54 0,54 0,55 0,55 0,55 0,55 0,56 0,57 0,61 0,62 45
50 0,55 0,55 0,55 0,55 0,56 0,56 0,57 0,58 0,62 0,63 50
100 0,57 0,58 0,58 0,58 0,59 0,59 0,60 0,62 0,67 0,67 100
ANEXO A. Tabelas
N N
1 2 3 4 5 6 7 8 9 10 11 12
D D
1 0,01 0,05 0,10 0,13 0,15 0,17 0,18 0,19 0,20 0,20 0,21 0,21 1
2 0,01 0,05 0,10 0,14 0,17 0,19 0,21 0,22 0,23 0,24 0,25 0,26 2
3 0,00 0,05 0,11 0,15 0,18 0,21 0,23 0,25 0,26 0,27 0,28 0,29 3
4 0,00 0,05 0,11 0,16 0,19 0,22 0,24 0,26 0,28 0,29 0,30 0,31 4
5 0,00 0,05 0,11 0,16 0,20 0,23 0,25 0,27 0,29 0,30 0,31 0,32 5
6 0,00 0,05 0,11 0,16 0,20 0,23 0,26 0,28 0,30 0,31 0,32 0,33 6
7 0,00 0,05 0,11 0,16 0,21 0,24 0,26 0,29 0,30 0,32 0,33 0,34 7
8 0,00 0,05 0,11 0,17 0,21 0,24 0,27 0,29 0,31 0,33 0,34 0,35 8
9 0,00 0,05 0,11 0,17 0,21 0,24 0,27 0,30 0,31 0,33 0,35 0,36 9
10 0,00 0,05 0,11 0,17 0,21 0,25 0,27 0,30 0,32 0,34 0,35 0,36 10
11 0,00 0,05 0,11 0,17 0,21 0,25 0,28 0,30 0,32 0,34 0,35 0,37 11
12 0,00 0,05 0,11 0,17 0,21 0,25 0,28 0,30 0,33 0,34 0,36 0,37 12
13 0,00 0,05 0,11 0,17 0,21 0,25 0,28 0,31 0,33 0,35 0,36 0,38 13
14 0,00 0,05 0,11 0,17 0,22 0,25 0,28 0,31 0,33 0,35 0,37 0,38 14
15 0,00 0,05 0,11 0,17 0,22 0,25 0,28 0,31 0,33 0,35 0,37 0,38 15
16 0,00 0,05 0,12 0,17 0,22 0,25 0,29 0,31 0,33 0,35 0,37 0,38 16
17 0,00 0,05 0,12 0,17 0,22 0,26 0,29 0,31 0,34 0,36 0,37 0,39 17
18 0,00 0,05 0,12 0,17 0,22 0,26 0,29 0,32 0,34 0,36 0,37 0,39 18
19 0,00 0,05 0,12 0,17 0,22 0,26 0,29 0,32 0,34 0,36 0,38 0,39 19
20 0,00 0,05 0,12 0,17 0,22 0,26 0,29 0,32 0,34 0,36 0,38 0,39 20
21 0,00 0,05 0,12 0,17 0,22 0,26 0,29 0,32 0,34 0,36 0,38 0,39 21
22 0,00 0,05 0,12 0,17 0,22 0,26 0,29 0,32 0,34 0,36 0,38 0,40 22
23 0,00 0,05 0,12 0,17 0,22 0,26 0,29 0,32 0,34 0,36 0,38 0,40 23
24 0,00 0,05 0,12 0,17 0,22 0,26 0,29 0,32 0,34 0,37 0,38 0,40 24
25 0,00 0,05 0,12 0,17 0,22 0,26 0,29 0,32 0,35 0,37 0,38 0,40 25
26 0,00 0,05 0,12 0,17 0,22 0,26 0,29 0,32 0,35 0,37 0,39 0,40 26
27 0,00 0,05 0,12 0,17 0,22 0,26 0,29 0,32 0,35 0,37 0,39 0,40 27
28 0,00 0,05 0,12 0,17 0,22 0,26 0,30 0,32 0,35 0,37 0,39 0,40 28
29 0,00 0,05 0,12 0,17 0,22 0,26 0,30 0,32 0,35 0,37 0,39 0,40 29
30 0,00 0,05 0,12 0,17 0,22 0,26 0,30 0,32 0,35 0,37 0,39 0,41 30
35 0,00 0,05 0,12 0,17 0,22 0,26 0,30 0,33 0,35 0,37 0,39 0,41 35
40 0,00 0,05 0,12 0,17 0,22 0,26 0,30 0,33 0,35 0,38 0,40 0,41 40
45 0,00 0,05 0,12 0,18 0,22 0,27 0,30 0,33 0,36 0,38 0,40 0,41 45
50 0,00 0,05 0,12 0,18 0,23 0,27 0,30 0,33 0,36 0,38 0,40 0,42 50
178 100 0,00 0,05 0,12 0,18 0,23 0,27 0,31 0,34 0,36 0,39 0,41 0,43 100
N N
13 14 15 16 17 18 19 20 21 22 23 24 25
D D
1 0,21 0,22 0,22 0,22 0,22 0,23 0,23 0,23 0,23 0,23 0,23 0,23 0,24 1
2 0,26 0,27 0,27 0,28 0,28 0,28 0,28 0,29 0,29 0,29 0,29 0,29 0,30 2
3 0,29 0,30 0,30 0,31 0,31 0,32 0,32 0,32 0,33 0,33 0,33 0,33 0,33 3
4 0,31 0,32 0,33 0,33 0,34 0,34 0,35 0,35 0,35 0,36 0,36 0,36 0,36 4
5 0,33 0,34 0,34 0,35 0,36 0,36 0,36 0,37 0,37 0,38 0,38 0,38 0,38 5
6 0,34 0,35 0,36 0,36 0,37 0,38 0,38 0,38 0,39 0,39 0,40 0,40 0,40 6
7 0,35 0,36 0,37 0,38 0,38 0,39 0,39 0,40 0,40 0,41 0,41 0,41 0,42 7
8 0,36 0,37 0,38 0,39 0,39 0,40 0,40 0,41 0,41 0,42 0,42 0,42 0,43 8
9 0,37 0,38 0,39 0,39 0,40 0,41 0,41 0,42 0,42 0,43 0,43 0,43 0,44 9
10 0,37 0,38 0,39 0,40 0,41 0,41 0,42 0,43 0,43 0,44 0,44 0,44 0,45 10
11 0,38 0,39 0,40 0,41 0,41 0,42 0,43 0,43 0,44 0,44 0,45 0,45 0,45 11
12 0,38 0,39 0,40 0,41 0,42 0,43 0,43 0,44 0,44 0,45 0,45 0,46 0,46 12
13 0,39 0,40 0,41 0,42 0,42 0,43 0,44 0,44 0,45 0,46 0,46 0,46 0,47 13
14 0,39 0,40 0,41 0,42 0,43 0,44 0,44 0,45 0,46 0,46 0,47 0,47 0,47 14
15 0,39 0,41 0,42 0,43 0,43 0,44 0,45 0,45 0,46 0,46 0,47 0,47 0,48 15
16 0,40 0,41 0,42 0,43 0,44 0,44 0,45 0,46 0,46 0,47 0,47 0,48 0,48 16
17 0,40 0,41 0,42 0,43 0,44 0,45 0,46 0,46 0,47 0,47 0,48 0,48 0,49 17
18 0,40 0,41 0,42 0,43 0,44 0,45 0,46 0,46 0,47 0,48 0,48 0,49 0,49 18
19 0,40 0,42 0,43 0,44 0,45 0,45 0,46 0,47 0,47 0,48 0,49 0,49 0,49 19
20 0,41 0,42 0,43 0,44 0,45 0,46 0,46 0,47 0,48 0,48 0,49 0,49 0,50 20
21 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,47 0,48 0,49 0,49 0,50 0,50 21
22 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,48 0,49 0,49 0,50 0,50 22
23 0,41 0,42 0,44 0,45 0,45 0,46 0,47 0,48 0,48 0,49 0,50 0,50 0,51 23
24 0,41 0,43 0,44 0,45 0,46 0,47 0,47 0,48 0,49 0,49 0,50 0,50 0,51 24
25 0,41 0,43 0,44 0,45 0,46 0,47 0,47 0,48 0,49 0,50 0,50 0,51 0,51 25
26 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,48 0,49 0,50 0,50 0,51 0,51 26
27 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,49 0,50 0,50 0,51 0,52 27
28 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,49 0,50 0,51 0,51 0,52 28
29 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49 0,50 0,50 0,51 0,51 0,52 29
30 0,42 0,43 0,45 0,46 0,47 0,47 0,48 0,49 0,50 0,50 0,51 0,52 0,52 30
35 0,42 0,44 0,45 0,46 0,47 0,48 0,49 0,50 0,50 0,51 0,52 0,52 0,53 35
40 0,43 0,44 0,45 0,46 0,48 0,48 0,49 0,50 0,51 0,52 0,52 0,53 0,53 40
45 0,43 0,44 0,46 0,47 0,48 0,49 0,50 0,51 0,51 0,52 0,53 0,53 0,54 45
50 0,43 0,45 0,46 0,47 0,48 0,49 0,50 0,51 0,52 0,52 0,53 0,54 0,54 50
179
100 0,44 0,46 0,47 0,48 0,49 0,51 0,52 0,52 0,53 0,54 0,55 0,56 0,56 100
ANEXO A. Tabelas
N N
26 27 28 29 30 35 40 45 50 100
D D
1 0,24 0,24 0,24 0,24 0,24 0,24 0,24 0,25 0,25 0,25 1
2 0,30 0,30 0,30 0,30 0,30 0,31 0,31 0,31 0,31 0,32 2
3 0,34 0,34 0,34 0,34 0,34 0,35 0,35 0,36 0,36 0,37 3
4 0,36 0,37 0,37 0,37 0,37 0,38 0,38 0,39 0,39 0,41 4
5 0,39 0,39 0,39 0,39 0,39 0,40 0,41 0,41 0,42 0,43 5
6 0,40 0,41 0,41 0,41 0,41 0,42 0,43 0,43 0,44 0,46 6
7 0,42 0,42 0,42 0,43 0,43 0,44 0,44 0,45 0,45 0,48 7
8 0,43 0,43 0,44 0,44 0,44 0,45 0,46 0,46 0,47 0,49 8
9 0,44 0,44 0,45 0,45 0,45 0,46 0,47 0,48 0,48 0,51 9
10 0,45 0,45 0,46 0,46 0,46 0,47 0,48 0,49 0,49 0,52 10
11 0,46 0,46 0,46 0,47 0,47 0,48 0,49 0,50 0,50 0,53 11
12 0,47 0,47 0,47 0,48 0,48 0,49 0,50 0,51 0,51 0,54 12
13 0,47 0,48 0,48 0,48 0,48 0,50 0,51 0,51 0,52 0,55 13
14 0,48 0,48 0,48 0,49 0,49 0,50 0,51 0,52 0,53 0,56 14
15 0,48 0,49 0,49 0,49 0,50 0,51 0,52 0,53 0,53 0,57 15
16 0,49 0,49 0,49 0,50 0,50 0,51 0,53 0,53 0,54 0,57 16
17 0,49 0,50 0,50 0,50 0,51 0,52 0,53 0,54 0,55 0,58 17
18 0,50 0,50 0,50 0,51 0,51 0,52 0,54 0,54 0,55 0,59 18
19 0,50 0,50 0,51 0,51 0,51 0,53 0,54 0,55 0,56 0,59 19
20 0,50 0,51 0,51 0,51 0,52 0,53 0,54 0,55 0,56 0,60 20
21 0,51 0,51 0,51 0,52 0,52 0,54 0,55 0,56 0,56 0,60 21
22 0,51 0,51 0,52 0,52 0,52 0,54 0,55 0,56 0,57 0,61 22
23 0,51 0,52 0,52 0,52 0,53 0,54 0,55 0,56 0,57 0,61 23
24 0,51 0,52 0,52 0,53 0,53 0,55 0,56 0,57 0,58 0,61 24
25 0,52 0,52 0,52 0,53 0,53 0,55 0,56 0,57 0,58 0,62 25
26 0,52 0,52 0,53 0,53 0,53 0,55 0,56 0,57 0,58 0,62 26
27 0,52 0,52 0,53 0,53 0,54 0,55 0,57 0,58 0,58 0,63 27
28 0,52 0,53 0,53 0,54 0,54 0,56 0,57 0,58 0,59 0,63 28
29 0,52 0,53 0,53 0,54 0,54 0,56 0,57 0,58 0,59 0,63 29
30 0,53 0,53 0,54 0,54 0,54 0,56 0,57 0,58 0,59 0,64 30
35 0,53 0,54 0,54 0,55 0,55 0,57 0,58 0,59 0,60 0,65 35
40 0,54 0,54 0,55 0,55 0,56 0,58 0,59 0,60 0,61 0,66 40
45 0,54 0,55 0,55 0,56 0,56 0,58 0,60 0,61 0,62 0,67 45
50 0,55 0,55 0,56 0,56 0,57 0,59 0,60 0,61 0,63 0,68 50
180 100 0,57 0,57 0,58 0,58 0,59 0,61 0,63 0,64 0,66 0,72 100
181

N N
30 31 32 33 34 35 36 37 38 39
D D
1 0,24 0,24 0,24 0,24 0,24 0,24 0,24 0,24 0,24 0,24 1
2 0,30 0,30 0,30 0,30 0,31 0,31 0,31 0,31 0,31 0,31 2
3 0,34 0,34 0,34 0,35 0,35 0,35 0,35 0,35 0,35 0,35 3
4 0,37 0,37 0,37 0,38 0,38 0,38 0,38 0,38 0,38 0,38 4
5 0,39 0,40 0,40 0,40 0,40 0,40 0,40 0,40 0,41 0,41 5
6 0,41 0,42 0,42 0,42 0,42 0,42 0,42 0,42 0,43 0,43 6
7 0,43 0,43 0,43 0,43 0,44 0,44 0,44 0,44 0,44 0,44 7
8 0,44 0,44 0,45 0,45 0,45 0,45 0,45 0,45 0,46 0,46 8
9 0,45 0,45 0,46 0,46 0,46 0,46 0,46 0,47 0,47 0,47 9
10 0,46 0,46 0,47 0,47 0,47 0,47 0,47 0,48 0,48 0,48 10
11 0,47 0,47 0,48 0,48 0,48 0,48 0,48 0,49 0,49 0,49 11
12 0,48 0,48 0,48 0,49 0,49 0,49 0,49 0,49 0,50 0,50 12
13 0,48 0,49 0,49 0,49 0,49 0,50 0,50 0,50 0,50 0,50 13
14 0,49 0,49 0,50 0,50 0,50 0,50 0,51 0,51 0,51 0,51 14
15 0,50 0,50 0,50 0,50 0,51 0,51 0,51 0,51 0,52 0,52 15
16 0,50 0,50 0,51 0,51 0,51 0,51 0,52 0,52 0,52 0,52 16
17 0,51 0,51 0,51 0,51 0,52 0,52 0,52 0,52 0,53 0,53 17
18 0,51 0,51 0,52 0,52 0,52 0,52 0,53 0,53 0,53 0,53 18
19 0,51 0,52 0,52 0,52 0,53 0,53 0,53 0,53 0,54 0,54 19
20 0,52 0,52 0,52 0,53 0,53 0,53 0,53 0,54 0,54 0,54 20
21 0,52 0,52 0,53 0,53 0,53 0,54 0,54 0,54 0,54 0,55 21
22 0,52 0,53 0,53 0,53 0,54 0,54 0,54 0,54 0,55 0,55 22
23 0,53 0,53 0,53 0,54 0,54 0,54 0,55 0,55 0,55 0,55 23
24 0,53 0,53 0,54 0,54 0,54 0,55 0,55 0,55 0,55 0,56 24
25 0,53 0,54 0,54 0,54 0,55 0,55 0,55 0,55 0,56 0,56 25
26 0,53 0,54 0,54 0,54 0,55 0,55 0,55 0,56 0,56 0,56 26
27 0,54 0,54 0,54 0,55 0,55 0,55 0,56 0,56 0,56 0,56 27
28 0,54 0,54 0,55 0,55 0,55 0,56 0,56 0,56 0,56 0,57 28
29 0,54 0,54 0,55 0,55 0,55 0,56 0,56 0,56 0,57 0,57 29
30 0,54 0,55 0,55 0,55 0,56 0,56 0,56 0,57 0,57 0,57 30
35 0,55 0,56 0,56 0,56 0,57 0,57 0,57 0,58 0,58 0,58 35
40 0,56 0,56 0,57 0,57 0,57 0,58 0,58 0,58 0,59 0,59 40
45 0,56 0,57 0,57 0,58 0,58 0,58 0,59 0,59 0,59 0,59 45
50 0,57 0,57 0,58 0,58 0,58 0,59 0,59 0,59 0,60 0,60 50
100 0,59 0,59 0,60 0,60 0,61 0,61 0,62 0,62 0,62 0,63 100

N N
40 41 42 43 44 45 50 55 90 100
D D
1 0,24 0,25 0,25 0,25 0,25 0,25 0,25 0,25 0,25 0,25 1
2 0,31 0,31 0,31 0,31 0,31 0,31 0,31 0,32 0,32 0,32 2
3 0,35 0,35 0,35 0,35 0,36 0,36 0,36 0,36 0,37 0,37 3
4 0,38 0,38 0,39 0,39 0,39 0,39 0,39 0,39 0,40 0,41 4
5 0,41 0,41 0,41 0,41 0,41 0,41 0,42 0,42 0,43 0,43 5
6 0,43 0,43 0,43 0,43 0,43 0,43 0,44 0,44 0,45 0,46 6
7 0,44 0,45 0,45 0,45 0,45 0,45 0,45 0,46 0,47 0,48 7
8 0,46 0,46 0,46 0,46 0,46 0,46 0,47 0,47 0,49 0,49 8
9 0,47 0,47 0,47 0,47 0,48 0,48 0,48 0,49 0,50 0,51 9
10 0,48 0,48 0,48 0,49 0,49 0,49 0,49 0,50 0,52 0,52 10
11 0,49 0,49 0,49 0,50 0,50 0,50 0,50 0,51 0,53 0,53 11
12 0,50 0,50 0,50 0,50 0,51 0,51 0,51 0,52 0,54 0,54 12
13 0,51 0,51 0,51 0,51 0,51 0,51 0,52 0,53 0,55 0,55 13
14 0,51 0,52 0,52 0,52 0,52 0,52 0,53 0,53 0,55 0,56 14
15 0,52 0,52 0,52 0,52 0,53 0,53 0,53 0,54 0,56 0,57 15
16 0,53 0,53 0,53 0,53 0,53 0,53 0,54 0,55 0,57 0,57 16
17 0,53 0,53 0,53 0,54 0,54 0,54 0,55 0,55 0,58 0,58 17
18 0,54 0,54 0,54 0,54 0,54 0,54 0,55 0,56 0,58 0,59 18
19 0,54 0,54 0,54 0,55 0,55 0,55 0,56 0,56 0,59 0,59 19
20 0,54 0,55 0,55 0,55 0,55 0,55 0,56 0,57 0,59 0,60 20
21 0,55 0,55 0,55 0,55 0,56 0,56 0,56 0,57 0,60 0,60 21
22 0,55 0,55 0,56 0,56 0,56 0,56 0,57 0,58 0,60 0,61 22
23 0,55 0,56 0,56 0,56 0,56 0,56 0,57 0,58 0,61 0,61 23
24 0,56 0,56 0,56 0,56 0,57 0,57 0,58 0,58 0,61 0,61 24
25 0,56 0,56 0,56 0,57 0,57 0,57 0,58 0,59 0,61 0,62 25
26 0,56 0,57 0,57 0,57 0,57 0,57 0,58 0,59 0,62 0,62 26
27 0,57 0,57 0,57 0,57 0,57 0,58 0,58 0,59 0,62 0,63 27
28 0,57 0,57 0,57 0,58 0,58 0,58 0,59 0,59 0,62 0,63 28
29 0,57 0,57 0,58 0,58 0,58 0,58 0,59 0,60 0,63 0,63 29
30 0,57 0,58 0,58 0,58 0,58 0,58 0,59 0,60 0,63 0,64 30
35 0,58 0,59 0,59 0,59 0,59 0,59 0,60 0,61 0,64 0,65 35
40 0,59 0,59 0,60 0,60 0,60 0,60 0,61 0,62 0,65 0,66 40
45 0,60 0,60 0,60 0,60 0,61 0,61 0,62 0,63 0,66 0,67 45
50 0,60 0,61 0,61 0,61 0,61 0,61 0,63 0,63 0,67 0,68 50
100 0,63 0,63 0,64 0,64 0,64 0,64 0,66 0,67 0,71 0,72 100
183
Tabela 86 – Tabela dos Quantis do Wilcoxon Signed Rank Test
Wα Wα
W.005 W.01 W.025 W.05 W.10 W.20 W.30 W.40 W.50 n ( n+1
2
)
n n
4 0 0 0 0 1 3 3 4 5 10 4
5 0 0 0 1 3 4 5 6 7 15 5
6 0 0 1 3 4 6 8 9 10 21 6
7 0 1 3 4 6 9 11 12 14 28 7
8 1 2 4 6 9 12 14 16 18 36 8
9 2 4 6 9 11 15 18 20 22 45 9
10 4 6 9 11 15 19 22 25 27 55 10
11 6 8 11 14 18 23 27 30 33 66 11
12 8 10 14 18 22 28 32 36 39 78 12
13 10 13 18 22 27 33 38 42 45 91 13
14 13 16 22 26 32 39 44 48 52 105 14
15 16 20 26 31 37 45 51 55 60 120 15
16 20 24 30 36 43 51 58 63 68 136 16
17 24 28 35 42 49 58 65 71 76 153 17
18 28 33 41 48 56 66 73 80 85 171 18
19 33 38 47 54 63 74 82 89 95 190 19
20 38 44 53 61 70 82 91 98 105 210 20
21 43 50 59 68 78 91 100 108 115 231 21
22 49 56 66 76 87 100 110 119 126 253 22
23 55 63 74 84 95 110 120 130 138 276 23
24 62 70 82 92 105 120 131 141 150 300 24
25 69 77 90 101 114 131 143 153 162 325 25
26 76 85 99 111 125 142 155 165 175 351 26
27 84 93 108 120 135 154 167 178 189 378 27
28 92 102 117 131 146 166 180 192 203 406 28
29 101 111 127 141 158 178 193 206 217 435 29
30 110 121 138 152 170 191 207 220 232 465 30
31 119 131 148 164 182 205 221 235 248 496 31
32 129 141 160 176 195 219 236 250 264 528 32
33 139 152 171 188 208 233 251 266 280 561 33
34 149 163 183 201 222 248 266 282 297 595 34
35 160 174 196 214 236 263 283 299 315 630 35
36 172 186 209 228 251 279 299 317 333 666 36
37 183 199 222 242 266 295 316 335 351 703 37
38 195 212 236 257 282 312 334 353 370 741 38
39 208 225 250 272 298 329 352 372 390 780 39
40 221 239 265 287 314 347 371 391 410 820 40
41 234 253 280 303 331 365 390 411 430 861 41
42 248 267 295 320 349 384 409 431 451 903 42
43 262 282 311 337 366 403 429 452 473 946 43
44 277 297 328 354 385 422 450 473 495 990 44
45 292 313 344 372 403 442 471 495 517 1.035 45
46 308 329 362 390 423 463 492 517 540 1.081 46
47 323 346 379 408 442 484 514 540 564 1.128 47
48 340 363 397 427 463 505 536 563 588 1.176 48
49 356 380 416 447 483 527 559 587 612 1.225 49
50 374 398 435 467 504 550 583 611 637 1.275 50
Tabela 87 – Tabela dos Quantis do Mann-Whitney U Testα = 0.001

n2 n2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
n1 n1
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 3
4 0 0 0 0 0 0 0 0 0 1 1 1 2 2 2 3 3 4 4 4 4
5 0 0 0 0 0 0 0 1 2 2 3 3 4 4 5 6 6 7 8 8 5
6 0 0 0 0 0 0 1 2 3 4 5 5 6 7 8 9 10 11 12 13 6
7 0 0 0 0 0 1 2 3 4 6 7 8 9 10 11 12 14 15 16 17 7
8 0 0 0 0 1 2 3 5 6 7 9 10 12 13 15 16 18 19 21 22 8
9 0 0 0 0 2 3 4 6 8 9 11 13 15 16 18 20 22 24 26 27 9
10 0 0 0 1 2 4 6 7 9 11 13 15 18 20 22 24 26 28 30 33 10
11 0 0 0 1 3 5 7 9 11 13 16 18 21 23 25 28 30 33 35 38 11
12 0 0 0 1 3 5 8 10 13 15 18 21 24 26 29 32 35 38 41 43 12
13 0 0 0 2 4 6 9 12 15 18 21 24 27 30 33 36 39 43 46 49 13
14 0 0 0 2 4 7 10 13 16 20 23 26 30 33 37 40 44 47 51 55 14
15 0 0 0 2 5 8 11 15 18 22 25 29 33 37 41 44 48 52 56 60 15
16 0 0 0 3 6 9 12 16 20 24 28 32 36 40 44 49 53 57 61 66 16
17 0 0 1 3 6 10 14 18 22 26 30 35 39 44 48 53 58 62 67 71 17
18 0 0 1 4 7 11 15 19 24 28 33 38 43 47 52 57 62 67 72 77 18
19 0 0 1 4 8 12 16 21 26 30 35 41 46 51 56 61 67 72 78 83 19
20 0 0 1 4 8 13 17 22 27 33 38 43 49 55 60 66 71 77 83 89 20

n2 n2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
n1 n1
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 2
3 0 0 0 0 0 0 0 0 1 1 1 2 2 2 3 3 3 3 4 4 3
4 0 0 0 0 0 1 1 2 2 3 3 4 4 5 6 6 7 7 8 9 4
5 0 0 0 0 1 2 2 3 4 5 6 7 8 8 9 10 11 12 13 14 5
6 0 0 0 1 2 3 4 5 6 7 8 10 11 12 13 14 16 17 18 19 6
7 0 0 0 1 2 4 5 7 8 10 11 13 14 16 17 19 20 22 23 25 7
8 0 0 0 2 3 5 7 8 10 12 14 16 18 19 21 23 25 27 29 31 8
9 0 0 1 2 4 6 8 10 12 14 17 19 21 23 25 28 30 32 34 37 9
10 0 0 1 3 5 7 10 12 14 17 19 22 25 27 30 32 35 38 40 43 10
11 0 0 1 3 6 8 11 14 17 19 22 25 28 31 34 37 40 43 46 49 11
12 0 0 2 4 7 10 13 16 19 22 25 28 32 35 38 42 45 48 52 55 12
13 0 0 2 4 8 11 14 18 21 25 28 32 35 39 43 46 50 54 58 61 13
14 0 0 2 5 8 12 16 19 23 27 31 35 39 43 47 51 55 59 64 68 14
15 0 0 3 6 9 13 17 21 25 30 34 38 43 47 52 56 61 65 70 74 15
16 0 0 3 6 10 14 19 23 28 32 37 42 46 51 56 61 66 71 75 80 16
17 0 0 3 7 11 16 20 25 30 35 40 45 50 55 61 66 71 76 82 87 17
18 0 0 3 7 12 17 22 27 32 38 43 48 54 59 65 71 76 82 88 93 18
19 0 1 4 8 13 18 23 29 34 40 46 52 58 64 70 75 82 88 94 100 19
20 0 1 4 9 14 19 25 31 37 43 49 55 61 68 74 80 87 93 100 106 20
185

n2 n2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
n1 n1
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
2 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 2 2 2
3 0 0 0 0 0 0 1 1 2 2 2 3 3 3 4 4 5 5 5 6 3
4 0 0 0 0 1 2 2 3 4 4 5 6 6 7 8 8 9 10 10 11 4
5 0 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 5
6 0 0 0 2 3 4 5 7 8 9 10 12 13 14 16 17 19 20 21 23 6
7 0 0 1 2 4 5 7 8 10 12 13 15 17 18 20 22 24 25 27 29 7
8 0 0 1 3 5 7 8 10 12 14 16 18 21 23 25 27 29 31 33 35 8
9 0 0 2 4 6 8 10 12 15 17 19 22 24 27 29 32 34 37 39 41 9
10 0 0 2 4 7 9 12 14 17 20 23 25 28 31 34 37 39 42 45 48 10
11 0 0 2 5 8 10 13 16 19 23 26 29 32 35 38 42 45 48 51 54 11
12 0 0 3 6 9 12 15 18 22 25 29 32 36 39 43 47 50 54 57 61 12
13 0 1 3 6 10 13 17 21 24 28 32 36 40 44 48 52 56 60 64 68 13
14 0 1 3 7 11 14 18 23 27 31 35 39 44 48 52 57 61 66 70 74 14
15 0 1 4 8 12 16 20 25 29 34 38 43 48 52 57 62 67 71 76 81 15
16 0 1 4 8 13 17 22 27 32 37 42 47 52 57 62 67 72 77 83 88 16
17 0 1 5 9 14 19 24 29 34 39 45 50 56 61 67 72 78 83 89 94 17
18 0 1 5 10 15 20 25 31 37 42 48 54 60 66 71 77 83 89 95 101 18
19 0 2 5 10 16 21 27 33 39 45 51 57 64 70 76 83 89 95 102 108 19
20 0 2 6 11 17 23 29 35 41 48 54 61 68 74 81 88 94 101 108 115 20

n2 n2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
n1 n1
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
2 0 0 0 0 0 0 0 1 1 1 1 2 2 2 2 2 3 3 3 3 2
3 0 0 0 0 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 3
4 0 0 0 1 2 3 4 5 5 6 7 8 9 10 11 12 12 13 14 15 4
5 0 0 1 2 3 4 6 7 8 9 10 12 13 14 15 16 18 19 20 21 5
6 0 0 2 3 4 6 7 9 11 12 14 15 17 18 20 22 23 25 26 28 6
7 0 0 2 4 6 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 7
8 0 1 3 5 7 9 11 14 16 18 20 23 25 27 30 32 35 37 39 42 8
9 0 1 3 5 8 11 13 16 18 21 24 27 29 32 35 38 40 43 46 49 9
10 0 1 4 6 9 12 15 18 21 24 27 30 34 37 40 43 46 49 53 56 10
11 0 1 4 7 10 14 17 20 24 27 31 34 38 41 45 48 52 56 59 63 11
12 0 2 5 8 12 15 19 23 27 30 34 38 42 46 50 54 58 62 66 70 12
13 0 2 5 9 13 17 21 25 29 34 38 42 46 51 55 60 64 68 73 77 13
14 0 2 6 10 14 18 23 27 32 37 41 46 51 56 60 65 70 75 79 84 14
15 0 2 6 11 15 20 25 30 35 40 45 50 55 60 65 71 76 81 86 91 15
16 0 2 7 12 16 22 27 32 38 43 48 54 60 65 71 76 82 87 93 99 16
17 0 3 7 12 18 23 29 35 40 46 52 58 64 70 76 82 88 94 100 106 17
18 0 3 8 13 19 25 31 37 43 49 56 62 68 75 81 87 94 100 107 113 18
19 0 3 8 14 20 26 33 39 46 53 59 66 73 79 86 93 100 107 114 120 19
20 0 3 9 15 21 28 35 42 49 56 63 70 77 84 91 99 106 113 120 128 20

n2 n2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
n1 n1
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
2 0 0 0 0 1 1 1 2 2 2 2 3 3 3 4 4 4 5 5 5 2
3 0 0 0 1 2 3 3 4 4 5 6 6 7 8 8 9 10 10 11 12 3
4 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 15 16 17 18 19 4
5 0 1 2 3 5 6 7 9 10 12 13 14 16 17 19 20 21 23 24 26 5
6 0 1 3 4 6 8 9 11 13 15 17 18 20 22 24 26 27 29 31 33 6
7 0 1 3 5 7 9 12 14 16 18 20 22 25 27 29 31 34 36 38 40 7
8 0 2 4 6 9 11 14 16 19 21 24 27 29 32 34 37 40 42 45 48 8
9 0 2 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 9
10 0 2 5 8 12 15 18 21 25 28 32 35 38 42 45 49 52 56 59 63 10
11 0 2 6 9 13 17 20 24 28 32 35 39 43 47 51 55 58 62 66 70 11
12 0 3 6 10 14 18 22 27 31 35 39 43 48 52 56 61 65 69 73 78 12
13 0 3 7 11 16 20 25 29 34 38 43 48 52 57 62 66 71 76 81 85 13
14 0 3 8 12 17 22 27 32 37 42 47 52 57 62 67 72 78 83 88 93 14
15 0 4 8 13 19 24 29 34 40 45 51 56 62 67 73 78 84 89 95 101 15
16 0 4 9 15 20 26 31 37 43 49 55 61 66 72 78 84 90 96 102 108 16
17 0 4 10 16 21 27 34 40 46 52 58 65 71 78 84 90 97 103 110 116 17
18 0 5 10 17 23 29 36 42 49 56 62 69 76 83 89 96 103 110 117 124 18
19 0 5 11 18 24 31 38 45 52 59 66 73 81 88 95 102 110 117 124 131 19
20 1 5 12 19 26 33 40 48 55 63 70 78 85 93 101 108 116 124 131 139 20

n2 n2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
n1 n1
1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 2 1
2 0 0 0 1 2 2 2 3 3 4 4 5 5 5 6 6 7 7 8 8 2
3 0 0 1 2 3 4 5 6 6 7 8 9 10 11 11 12 13 14 15 16 3
4 0 1 2 3 5 6 7 8 10 11 12 13 14 16 17 18 19 21 22 23 4
5 0 2 3 5 6 8 9 11 13 14 16 18 19 21 23 24 26 28 29 31 5
6 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 35 37 39 6
7 0 2 5 7 9 12 14 17 19 22 24 27 29 32 34 37 39 42 44 47 7
8 0 3 6 8 11 14 17 20 23 25 28 31 34 37 40 43 46 49 52 55 8
9 0 3 6 10 13 16 19 23 26 29 32 36 39 42 46 49 53 56 59 63 9
10 1 4 7 11 14 18 22 25 29 33 37 40 44 48 52 55 59 63 67 71 10
11 1 4 8 12 16 20 24 28 32 37 41 45 49 53 58 62 66 70 74 79 11
12 1 5 9 13 18 22 27 31 36 40 45 50 54 59 64 68 73 78 82 87 12
13 1 5 10 14 19 24 29 34 39 44 49 54 59 64 69 75 80 85 90 95 13
14 1 5 11 16 21 26 32 37 42 48 53 59 64 70 75 81 86 92 98 103 14
15 1 6 11 17 23 28 34 40 46 52 58 64 69 75 81 87 93 99 105 111 15
16 1 6 12 18 24 30 37 43 49 55 62 68 75 81 87 94 100 107 113 120 16
17 1 7 13 19 26 32 39 46 53 59 66 73 80 86 93 100 107 114 121 128 17
18 1 7 14 21 28 35 42 49 56 63 70 78 85 92 99 107 114 121 129 136 18
19 1 8 15 22 29 37 44 52 59 67 74 82 90 98 105 113 121 129 136 144 19
20 2 8 16 23 31 39 47 55 63 71 79 87 95 103 111 120 128 136 144 152 20
187
ANEXO B – Bancos de Dados
B.1 Banco de Dados Alunos

O banco de dados da Tabela 93 foram criados artificialmente para exemplos da
disciplinam e simula os dados de uma turma de Alunos. O label das variáveis é exposto a
seguir:
• Idade: idade dos alunos
• Altura: Altura dos alunos;
• Peso: Peso em Kg;
• Port: Nota final na disciplina de português instrumental;
• Estat: Nota final na disciplina de Estatística Aplicada;
• Calc: Nota final na disciplina de Cálculo;
• Alg: Nota final na disciplina de Álgebra;
• Qui: Nota final na disciplina de Química;
• MGP: Valor do Média Geral Ponderada;
• Curso: O curso que do aluno entrevistado:
– CIV: ENGENHARIA CIVIL

– COMP: CIÊNCIA DA COMPUTAÇÃO
– PET: ENGENHARIA DE PETRÓLEO
– MEC: ENGENHARIA MECÂNICA
– QUI: ENGENHARIA QUÍMICA
– PRO: ENGENHARIA DE PRODUÇÃO
– FIS: FÍSICA MÉDICA
– FAR: FARMÁCIA
• Sexo: Masculino (M) Feminino (F);
• Domic: n° de pessoas no Domicílio do Aluno;

188 ANEXO B. Bancos de Dados
• Transp: Meio de transporte usado para chegar a Universidade: Ônibus (O), Carro
(C), Moto (M), Bicicleta (B), A Pé (P);
• Horas: Tempo de estudo Diário do Aluno
• EstCiv: Estado civil: Casado (C) e Solteiro (S)
Tabela 93 – Conjunto de dados Gerado pelo Autor

ID Turma Idade Altura Sexo Peso Calc Est Alg Qui MGP Curso Dom Transp Horas EstCiv
1 A 22 1,645 M 62,1 6,08 9,33 8,81 6,67 7,72 COMP 4 O 13 S
2 A 18 1,678 M 62,5 9,26 5,62 9,48 8,40 8,19 QUI 2 B 16 S
3 A 24 1,651 M 62,9 3,18 6,56 4,04 5,12 4,72 FIS 3 M 11 S
4 A 25 1,644 M 63,3 3,56 5,51 8,45 7,98 6,38 CIV 5 B 11 S
5 A 21 1,647 M 63,7 3,71 6,45 5,42 2,16 4,44 FIS 2 M 11 S
6 A 20 1,679 M 64,0 6,03 8,81 5,72 9,21 7,44 PET 2 P 13 S
7 A 22 1,702 M 64,4 7,57 3,76 6,63 8,29 6,56 PRO 2 B 12 S
8 A 21 1,674 M 64,7 8,85 5,71 6,49 9,18 7,56 FAR 3 P 16 S
9 A 17 1,666 M 65,1 9,11 9,23 6,82 6,84 8,00 FAR 3 P 13 S
10 A 23 1,668 M 65,4 7,09 2,58 6,33 4,47 5,12 COMP 5 O 11 S
11 A 17 1,669 M 65,7 7,92 2,98 4,06 5,69 5,16 FIS 1 O 10 S
12 A 23 1,681 M 66,0 5,32 3,77 8,32 9,71 6,78 PRO 2 P 14 S
13 A 24 1,692 M 66,3 2,39 3,95 5,65 6,29 4,57 COMP 2 M 10 S
14 A 24 1,703 M 66,6 7,19 3,52 6,39 3,20 5,08 FIS 4 C 11 S
15 A 16 1,674 M 66,8 3,91 4,53 2,47 6,78 4,42 FAR 4 B 11 S
16 A 16 1,705 M 67,1 4,06 4,50 8,54 4,03 5,28 MEC 4 P 12 S
17 A 23 1,686 M 67,3 3,46 4,09 3,26 2,22 3,26 MEC 3 C 8 S
18 A 19 1,697 M 67,6 2,70 8,61 4,43 5,34 5,27 PET 2 B 14 S
19 A 20 1,687 M 67,8 5,51 9,93 6,73 3,73 6,47 COMP 5 P 13 S
20 A 24 1,698 M 68,0 3,75 3,42 6,63 7,48 5,32 PRO 5 C 11 S
21 A 22 1,698 M 68,2 3,45 9,71 9,36 8,61 7,78 COMP 3 P 15 S
22 A 19 1,698 M 68,4 5,39 2,22 2,68 3,52 3,45 CIV 3 B 10 S
23 A 19 1,678 M 68,6 2,76 5,73 7,06 6,42 5,49 PRO 4 C 10 S
24 A 17 1,688 M 68,7 3,67 5,14 2,53 4,19 3,88 FAR 3 B 11 S
25 A 22 1,708 M 68,9 8,62 3,50 6,27 2,28 5,17 FAR 3 C 12 S
26 B 23 1,554 F 55,9 6,25 6,79 2,21 3,83 4,77 FIS 4 P 10 S
27 B 19 1,535 F 56,0 2,77 5,44 7,59 4,48 5,07 FIS 2 M 10 S
28 B 20 1,575 F 56,1 6,64 9,18 7,26 9,90 8,24 CIV 3 M 14 S
29 B 17 1,576 F 56,2 7,62 5,70 5,80 9,23 7,09 CIV 3 M 17 S
30 B 25 1,556 F 56,3 4,08 3,17 8,75 5,33 5,33 QUI 5 C 10 S
31 B 19 1,547 F 56,4 5,63 8,02 2,46 3,28 4,85 QUI 5 O 11 S
32 B 21 1,527 F 56,4 3,19 7,73 4,93 5,92 5,44 QUI 3 B 10 S
33 B 22 1,558 F 56,5 8,47 7,24 7,85 5,47 7,26 PRO 2 O 14 S
34 B 17 1,568 F 56,6 3,57 2,96 7,53 8,35 5,60 MEC 2 M 11 S
35 B 23 1,539 F 56,6 8,82 7,17 7,61 7,02 7,66 QUI 4 P 14 S
36 B 18 1,539 F 56,6 7,26 9,77 9,35 7,84 8,55 COMP 3 C 16 S
37 B 23 1,530 F 56,7 7,80 6,08 3,83 3,72 5,36 PET 3 C 11 S
38 B 24 1,531 F 56,7 7,77 9,98 4,51 8,77 7,76 PET 2 C 13 S
39 B 17 1,541 F 56,7 3,53 9,77 9,82 5,93 7,26 PET 3 P 12 S
40 B 22 1,582 F 56,7 7,59 7,13 2,84 5,49 5,76 FAR 2 M 13 S
41 B 22 1,572 F 56,7 6,09 6,91 2,47 4,80 5,07 COMP 2 P 11 S
42 B 18 1,553 F 56,7 9,06 3,61 7,34 3,29 5,82 CIV 3 P 11 S
43 B 19 1,543 F 56,7 8,79 4,16 9,06 9,84 7,96 MEC 5 P 13 S
44 B 21 1,554 F 56,7 2,01 9,60 6,90 3,61 5,53 PRO 4 P 10 S
45 B 20 1,575 F 56,7 6,85 6,11 7,89 2,07 5,73 FIS 3 P 13 S
46 B 24 1,575 F 56,7 6,65 5,20 4,00 7,40 5,81 MEC 4 P 11 S
47 B 21 1,586 F 56,7 2,84 9,36 5,31 6,74 6,06 PRO 1 M 14 S
48 B 24 1,536 F 56,7 8,17 9,92 6,02 3,95 7,02 MEC 5 P 13 S
49 B 18 1,577 F 56,6 2,70 2,73 8,88 3,98 4,57 COMP 2 B 11 S
50 B 17 1,577 F 56,6 8,30 9,83 6,27 9,56 8,49 FIS 4 P 17 S
B.1. Banco de Dados Alunos 189
Tabela 94 – Dados Criados

1 1 A 22,000 1,645 M 62,100 8,870 1,220 5,490 6,610 6,410 QUI 2,000 C 14,000
2 2 A 18,000 1,678 M 62,500 9,280 2,300 1,310 8,560 6,280 FIS 1,000 C 12,000
3 3 A 24,000 1,651 M 62,900 8,060 3,010 8,980 9,080 7,590 PET 4,000 M 15,000
4 4 A 25,000 1,644 M 63,300 9,980 2,850 0,520 7,530 5,920 FIS 3,000 O 12,000
5 5 A 21,000 1,647 M 63,700 9,930 1,000 1,440 8,840 6,190 CIV 2,000 P 11,000
6 6 A 20,000 1,679 M 64,000 8,660 0,870 0,050 7,220 5,280 MEC 3,000 P 12,000
7 7 A 22,000 1,702 M 64,400 9,170 1,380 0,530 9,070 5,910 QUI 3,000 B 13,000
8 8 A 21,000 1,674 M 64,700 8,640 2,680 1,200 6,030 5,450 FIS 4,000 M 12,000
9 9 A 17,000 1,666 M 65,100 8,600 3,490 7,710 7,870 7,130 CIV 1,000 O 15,000
10 10 A 23,000 1,668 M 65,400 8,410 6,250 0,170 7,870 6,390 QUI 3,000 C 12,000
11 11 A 17,000 1,669 M 65,700 9,230 7,820 0,420 8,210 7,010 COMP 5,000 M 12,000
12 12 A 23,000 1,681 M 66,000 8,480 3,000 0,310 8,690 5,760 PET 3,000 B 17,000
13 13 A 24,000 1,692 M 66,300 9,560 1,320 0,260 7,380 5,540 PET 4,000 O 8,000
14 14 A 24,000 1,703 M 66,600 8,700 2,960 6,330 7,170 7,000 FIS 3,000 C 14,000
15 15 A 16,000 1,674 M 66,800 9,010 1,120 9,390 8,820 7,400 QUI 4,000 M 14,000
16 16 A 16,000 1,705 M 67,100 8,770 4,600 9,540 8,850 8,170 PET 5,000 O 20,000
17 17 A 23,000 1,686 M 67,300 8,500 1,130 0,080 6,170 5,110 COMP 3,000 M 9,000
18 18 A 19,000 1,697 M 67,600 9,660 2,550 3,240 7,280 6,500 QUI 2,000 C 13,000
19 19 A 20,000 1,687 M 67,800 8,850 4,340 5,700 7,440 7,160 PRO 4,000 M 17,000
20 20 A 24,000 1,698 M 68,000 8,900 2,800 0,650 8,610 6,040 COMP 2,000 P 11,000
21 21 A 22,000 1,698 M 68,200 8,790 7,420 0,150 7,680 6,740 PET 2,000 O 14,000
22 22 A 19,000 1,698 M 68,400 9,600 3,380 0,220 7,820 5,820 QUI 2,000 M 11,000
23 23 A 19,000 1,678 M 68,600 8,940 9,010 0,300 8,400 7,080 FAR 5,000 C 11,000
24 24 A 17,000 1,688 M 68,700 7,600 2,430 3,820 8,950 6,340 MEC 2,000 C 13,000
25 25 A 22,000 1,708 M 68,900 8,770 1,490 0,280 4,940 5,010 FIS 2,000 C 9,000
26 26 B 23,000 1,554 F 55,900 8,480 2,000 0,210 8,470 5,750 FIS 3,000 M 11,000
27 27 B 19,000 1,535 F 56,000 9,890 5,410 0,210 7,830 6,290 QUI 1,000 B 12,000
28 28 B 20,000 1,575 F 56,100 8,570 1,270 0,560 8,150 5,650 FAR 3,000 M 16,000
29 29 B 17,000 1,576 F 56,200 8,240 0,430 0,930 8,030 5,450 COMP 5,000 P 7,000
30 30 B 25,000 1,556 F 56,300 9,830 1,580 0,870 7,370 5,890 PRO 2,000 C 15,000
31 31 B 19,000 1,547 F 56,400 9,390 0,510 1,320 8,370 5,790 COMP 3,000 C 9,000
32 32 B 21,000 1,527 F 56,400 9,260 1,810 3,360 8,390 6,500 PRO 1,000 M 18,000
33 33 B 22,000 1,558 F 56,500 9,190 2,120 0,590 6,700 5,500 PET 4,000 M 15,000
34 34 B 17,000 1,568 F 56,600 8,650 3,290 5,880 9,150 7,230 PRO 3,000 M 9,000
35 35 B 23,000 1,539 F 56,600 8,010 4,660 1,410 7,580 6,100 MEC 4,000 M 9,000
36 36 B 18,000 1,539 F 56,600 8,970 1,680 2,880 6,880 6,000 PET 4,000 M 9,000
37 37 B 23,000 1,530 F 56,700 8,870 0,100 0,100 7,640 5,310 PRO 2,000 O 13,000
38 38 B 24,000 1,531 F 56,700 8,720 0,870 0,380 8,220 5,610 CIV 4,000 B 10,000
39 39 B 17,000 1,541 F 56,700 7,880 1,840 0,300 7,850 5,440 MEC 2,000 O 10,000
40 40 B 22,000 1,582 F 56,700 7,680 0,800 1,020 7,500 5,020 COMP 3,000 P 9,000
41 41 B 22,000 1,572 F 56,700 7,410 1,960 0,420 6,480 5,180 FIS 4,000 C 9,000
42 42 B 18,000 1,553 F 56,700 7,310 4,400 2,560 7,730 6,330 COMP 4,000 P 12,000
43 43 B 19,000 1,543 F 56,700 8,370 9,830 2,270 8,320 7,710 COMP 4,000 M 12,000
44 44 B 21,000 1,554 F 56,700 9,680 7,380 0,520 7,530 6,980 PET 1,000 O 12,000
45 45 B 20,000 1,575 F 56,700 8,600 2,960 1,270 8,370 6,040 QUI 4,000 M 11,000
46 46 B 24,000 1,575 F 56,700 9,420 2,190 2,330 6,620 5,950 FIS 4,000 P 7,000
47 47 B 21,000 1,586 F 56,700 9,880 2,600 1,950 6,790 6,130 MEC 2,000 M 10,000
48 48 B 24,000 1,536 F 56,700 9,720 1,690 2,370 6,270 6,000 MEC 3,000 P 14,000
49 49 B 18,000 1,577 F 56,600 9,460 5,380 1,970 6,890 6,540 PET 2,000 B 14,000
50 50 B 17,000 1,577 F 56,600 9,530 1,350 0,010 7,190 5,500 PET 1,000 B 9,000
191
Referências
Instituto Brasileiro de Geografia e Estatística - IBGE . Pesquisa Nacional por Amostra de

Domicílios Contínua - PNAD Contínua. 2021. <https://www.ibge.gov.br/estatisticas/
sociais/populacao/9171-pesquisa-nacional-por-amostra-de-domicilios-continua-mensal.
html?=&t=o-que-e>. [Acessado online 18 de março de 2021]. Citado na página 17.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 14724 : Informação
e documentação — trabalhos acadêmicos — apresentação. Rio de Janeiro, 2005. 9 p.
Citado na página 191.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 14724 : Informação e
documentação — trabalhos acadêmicos — apresentação. Rio de Janeiro, 2011. 15 p.
Substitui a Ref. ABNT (2005). Citado na página 26.
BOWLING, S. et al. A logistic approximation to the cumulative normal distribution.
Journal of Industrial Engineering and Management, v. 2, n. 1, 2009. Disponível em:
<http://www.jiem.org/index.php/jiem/article/view/60>. Citado na página 130.
BUSSAB, W. O.; MORETTIN, P. A. Estatítica Básia. 6. ed. São Paulo: Saraiva, 2010.
540 p. Citado 2 vezes nas páginas 68 e 117.
CARDANO, G. Liber de ludo aleae 1963. [S.l.]: Dover Publications, 2015. Citado na
página 101.
CATALDO, E. Introdução aos Processos Estocásticos. [S.l.]: Sociedade Brasileira de
Matemática Aplicada e Computacional, 2012. Citado na página 115.
CERQUEIRA, D. et al. Atlas da Violência. Instituto de Pesquisa Econômica Aplicada
(Ipea) e Fórum Brasileiro de Segurança Pública (FBSP), 2017. [Online; accessed
20-abril-2017]. Disponível em: <http://ipea.gov.br/atlasviolencia/>. Citado na página
19.
FONTELLES, M. J. et al. Metodologia da pesquisa científica: diretrizes para a elaboração
de um protocolo de pesquisa. Revista paraense de medicina, v. 23, n. 3, p. 1–8, 2009.
Citado 3 vezes nas páginas 11, 12 e 16.
GRAHAM, R.; KNUTH, D.; PATASHNIK, O. Concrete mathematics: a foundation
for computer science. Addison-Wesley, 1989. (Afoundation for computer science).
ISBN 9780201142365. Disponível em: <http://books.google.com.br/books?id=
8HpQAAAAMAAJ>. Citado na página 44.
HAZZAN, S. Fundamentos da Natemática Elementar 5. 3. ed. São Paulo: Atual, 1977.
Citado 2 vezes nas páginas 97 e 98.
INPE - Instituto Nacional de Pesquisas Espaciais. Relatório Diário Automático
12/Out/2020. Cachoeira Paulista, SP, Brasil, 2020. Disponível em <http://queimadas.dgi.
inpe.br/queimadas>. Citado na página 19.
Ipeadata. Instituto de Pesquisa Econômica Aplicada (Ipea). 2020. <http://www.ipeadata.
gov.br>. Acessado em 12 de outubro de 2020. Citado na página 18.
192 Referências
KABACOFF, R. Data Visualization with R. [S.l.]: Addison-Wesley, 2020. Citado 3 vezes

nas páginas 53, 63 e 71.
LARSON, R.; FARBER, B. Estatística aplicada. São Paulo: Pearson Education do Brasil,
2015. Tradução realizada por José Fernando Pereira Gonçalves com revisão técnica de
Manoel Henrique Salgado. Citado 2 vezes nas páginas 14 e 25.
LIPSCHUTZ, S. Teoria Dos Conjuntos. [S.l.]: McGraw-Hill, 1963. (Colecao Schaum).

Citado 5 vezes nas páginas 91, 92, 93, 94 e 95.
MAGALHÃES, M. Probabilidade e Variáveis Aleatórias. [S.l.]: Edusp, 2006. Citado na

página 123.
MAGALHÃES, M. N.; LIMA, A. C. P. Noções de Probabilidade e Estatística. 6. ed. São

Paulo: Campos, 2007. Citado na página 115.
MAGALHÃES, M. N.; LIMA, A. C. P. de. Noções de Probabilidade e Estatística. 7. ed.

São Paulo: EDUSP, 2010. Citado 6 vezes nas páginas 10, 11, 21, 25, 91 e 118.
MILONE, G. Estatística: geral e aplicada. Pioneira Thomson Learning, 2004.

ISBN 9788522103393. Disponível em: <http://books.google.com.br/books?id=
qVfAAAAACAAJ>. Citado 9 vezes nas páginas 10, 18, 21, 25, 26, 31, 44, 46 e 47.
MORAIS, C. M. Escalas de Medida, Estatística Descritiva e Inferência Estatística.

Instituto Politécnico de Bragança, Escola Superior de Educação, 2005. Disponível em:
<http://www.ipb.pt/~cmmm/conteudos/estdescr.pdf>. Citado na página 13.
MORETTIN, L. G. Estatística basíca: probabilidade e inferência : volume único. [S.l.]:

Pearson Prentice Hall, 2010. Citado 11 vezes nas páginas 12, 93, 104, 105, 114, 119, 120,
121, 123, 124 e 129.
MORETTIN, P. A.; BUSSAB, W. de O. Estatística básica. 6. ed. São Paulo: Saraiva,

2010. Citado 3 vezes nas páginas 53, 63 e 129.
MORGADO, A. C. de O.; CARVALHO, J. ao Bosco Pitombeira de C. P. C. P.;

FERNANDEZ, P. Análise combinatoria e probabilidade: com as solucoes dos exercicios. 10.
ed. [S.l.]: Sociedade Brasileira de Matemática (SBM), 1991. Citado 7 vezes nas páginas
21, 92, 97, 101, 102, 104 e 105.
R Core Team. R: A Language and Environment for Statistical Computing. Vienna,

Austria, 2021. Disponível em: <https://www.R-project.org/>. Citado 2 vezes nas
páginas 54 e 62.
ROMEIJN, J.-W. Philosophy of statistics. In: ZALTA, E. N. (Ed.). The Stanford

Encyclopedia of Philosophy. Spring 2017. [S.l.]: Metaphysics Research Lab, Stanford
University, 2017. Citado na página 10.
SPIEGEL, M. R.; SCHILLER, J. J.; SRINIVASAN, R. A. Teoria e Problemas de

Probabilidade e Estatística. 2. ed. São Paulo: Bookman, 2004. Citado na página 97.
TALBOT, N. L. User Manual for glossaries.sty. [S.l.], 2012. Disponível em:

<http://mirrors.ctan.org/macros/latex/contrib/glossaries/glossaries-user.pdf>. Acesso
em: 11 mar. 2013. Citado na página 48.
Referências 193
TOLEDO, G.; OVALLE, I. Estatística Básica. Atlas, 1995. ISBN 9788522417919.

Disponível em: <http://books.google.com.br/books?id=ZtClPgAACAAJ>. Citado 14
vezes nas páginas 11, 15, 16, 17, 18, 26, 36, 41, 42, 43, 46, 47, 52 e 53.
TUKEY, J. Exploratory Data Analysis. Addison-Wesley Publishing Company, 1977.

(Addison-Wesley series in behavioral sciences). ISBN 9780201076165. Disponível em:
<http://books.google.com.br/books?id=UT9dAAAAIAAJ>. Citado na página 68.
WICKHAM, H. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York,
2016. ISBN 978-3-319-24277-4. Disponível em: <https://ggplot2.tidyverse.org>. Citado 2
vezes nas páginas 54 e 62.
WIKIPEDIA. Radar chart — Wikipedia, The Free Encyclopedia. 2016. Disponível em:
<https://en.wikipedia.org/w/index.php?title=Radar_chart&oldid=727617261>. Acesso
em: 12 setembro 2016. Citado na página 73.
WIKIPÉDIA. Gráfico de barras — Wikipédia, a enciclopédia livre. 2018. [Acessado online

em 4 de novembro de 2018]. Disponível em: <https://pt.wikipedia.org/w/index.php?
title=Gr%C3%A1fico_de_barras&oldid=51420177>. Citado na página 53.
WIKIPÉDIA. Escala (estatística) — Wikipédia, a enciclopédia livre. 2019. [acessado em

12 de outubro de 2020]. Disponível em: <https://pt.wikipedia.org/w/index.php?title=
Escala_(estat%C3%ADstica)&oldid=56969971>. Citado na página 14.
Wikipedia contributors. Craps — Wikipedia, The Free Encyclopedia. 2020.

<https://en.wikipedia.org/w/index.php?title=Craps&oldid=978538266>. [Acessado
online em 16 de outubro de 2020]. Citado na página 98.
Wikipedia contributors. Scale (social sciences) — Wikipedia, The Free Encyclopedia.

2020. <https://en.wikipedia.org/w/index.php?title=Scale_(social_sciences)&oldid=
996071092>. [Acessado online 18 de março de 2021]. Citado na página 14.
Wikipedia contributors. Worldometer — Wikipedia, The Free Encyclopedia.

2020. [Acessado online em 8 de Outubro de 2020, e com mais informações
apresentadas no site <https://www.worldometers.info/about/>]. Disponível em:
<https://en.wikipedia.org/w/index.php?title=Worldometer&oldid=979777356>. Citado
na página 9.
WIKIPéDIA. Dataprev. 2020. [Online; accessed 15-outubro-2020]. Disponível em:

<https://portal2.dataprev.gov.br>. Citado na página 9.
WIKIPéDIA. Dataprev — Wikipédia, a enciclopédia livre. 2020. [Online; accessed

15-outubro-2020]. Disponível em: <https://pt.wikipedia.org/w/index.php?title=
Dataprev&oldid=59598155>. Citado na página 9.
WIKIPéDIA. DATASUS — Wikipédia, a enciclopédia livre. 2020. [Acessado online

em 2 de abril de 2020]. Disponível em: <https://pt.wikipedia.org/w/index.php?title=
DATASUS&oldid=57944872>. Citado na página 9.

Idioma

Notas Aulas Estatistica

Enviado por

Dados do documento

Título 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

Notas Aulas Estatistica

Título original:

Enviado por

Direitos autorais:

Formatos disponíveis

Esdras Adriano

Notas de Aula para as disciplinas de Introdu-

Universidade Federal de Sergipe

IV VARIÁVEIS ALEATÓRIAS 111

5 VARIÁVEIS ALEATÓRIAS . . . . . . . . . . . . . . . . . . . . . . . . . . 113

ANEXO A – TABELAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146

ANEXO B – BANCOS DE DADOS . . . . . . . . . . . . . . . . . . . . . 187

Sociais Brasileira, especialmente a do Instituto Nacional do Seguro Social (INSS). Citamos

“A estatística investiga e desenvolve métodos específicos para avaliar

Definição 1.1. Segundo o Romeijn (2017) a Estatística é uma disciplina matemática e

• em·pí·ri·co (adj): 1. Relativo a empirismo. 2. Que designa o conhecimento adquirido através da

informações mensuráveis, em forma numérica ou não, de um conjunto de indivíduos ou

1.3 Fenômenos Estatísticos

• Fenômenos Individuais: são componentes particulares dos Fenômenos de Massa. Por

• Fenômenos de Multidão: são assim chamados quando as características que são

• Fenômenos Atípicos: são aqueles cuja manifestação se dá através de um comporta-

1.4 Fases do Método Estatístico

1.4.1 Definição do problema

• Escolher o tema da pesquisa,

• Apresentar uma justificativa para o trabalho

• Realizar uma revisão de literatura extensa para determinar os objetivos pesquisa.

• A população alvo, com o tamanho da amostra desta população;

• Determinar as informações a serem coletadas (variáveis);

1.4.2.1 Conceitos Básicos

• População: é o conjunto completo de indivíduos ou objetos que serão estudados

– A população de estudantes de uma universidade;

• Amostra: é um subconjunto da população. Dos indivíduos que formam a amostra

– Os alunos que cursam a disciplina de Estatística de uma universidade;

• Variável: é o mome dado ao conjunto de informações mensuradas para cada inte-

– A nota dos alunos que cursam a disciplina de Estatística;

Uma variável é classificada de acordo com a escala de mensuração.

• Escala de Mensuração (Nível de Medição): de uma variável é a classificação

– Exaustividade: abrangência que permite representar todos os dados possíveis;

– Quais operações matemáticas que se são permitidas com as respectivas variáveis;

Os tipos de Escalas de Mensuração são:

– Escala Nominal: as variáveis expressas na Escala Nominal não expressam

seu valores provem do resultado de experimentos de contagem (TOLEDO;

Tabela 1 – Dados do atendimento de uma Oficina Mecânica

Sexo Carro Opinião Quilometragem Anos de Uso

• Viabilidade financeira e temporal: toda pesquisa, pública ou privada, é financi-

• cronograma da fases de aplicação: após avaliar a restrição orçamentária o

• O delineamento estatístico: para se avaliar uma pesquisa, métodos estatísticos

1.4.3 Coleta dos dados

• Dados Primários: Quando os dados são publicados pelo indivíduo ou organização

• Dados Secundários: Quando um indivíduo ou organização, publicam os informações

A forma de coleta pode ser direta ou indireta:

– Coleta Contínua: quando os dados coletados de forma contínuas. Como

1.4.4 Apuração dos dados

• Apuração manual: é realizadas quando não se recorre a métodos mecânicos ou

• Apuração eletrônica: é realizadas quando não se recorre a métodos eletrônicos.

Observação 1.1. A estrutura de tabulação no geral é semelhante a uma planilha da

1.4.5 Apresentação dos dados

• Forma tabulada: Conforme (MILONE, 2004) uma tabela é classificada de acordo

– Tabela Temporal (Históricas, Cronológicas, ou marchas): os valores

Tabela 2 – Produção de petróleo em

– Tabela geográficas: os valores da variável apresentados são indexados pelo

Localidade Estado 11/Out/2020

Fonte:(INPE - Instituto Nacional de Pesquisas Espaciais, 2020)

– Tabelas específicas ou categóricas: os valores da variável apresentados são

Tabela 4 – Quantidade produzida por Tipo de Parafuso

– Tabelas conjugadas ou Tabelas de dupla entrada os valores da variável