Estatística Descritiva

Prof. Janser Moura Pereira

janser@famat.ufu.br
 Descrição e apresentação de dados

Estatística Descritiva:
Coleta → Sumário → Análise

Inferência Estatística:
Generalizações (Amostra → População)

Características Importantes:

• A natureza ou forma da distribuição dos dados, como forma

de sino, uniforme ou assimétrica;

• Um valor representativo, como uma média;

• Uma medida de dispersão ou variação.

 Classificação das variáveis

Variáveis Qualitativas
• qualitativa ordinal → possível ordenação
•qualitativa nominal → não há possibilidade de
ordenação

Variáveis Quantitativas

• quantitativa discreta: contagem

• quantitativa contínua: mensuração

 Resumo dos dados com tabelas de frequencias
• Dados Brutos
Tabela 1 – Marcas de carros populares predominantes em 25 cidade do
triângulo.
Pálio Corsa Uno Gol Corsa
Uno Gol Uno Pálio Uno
Pálio Uno Gol Corsa Gol
Ka Gol Uno Uno Gol
Gol Corsa Gol Uno Uno
• Dados Elaborados - Rol
Tabela 2 – Marcas de carros populares predominantes em 25 cidade do
triângulo.
Uno Uno Gol Gol Corsa
Uno Uno Gol Gol Pálio
Uno Uno Gol Corsa Pálio
Uno Uno Gol Corsa Pálio
Uno Gol Gol Corsa Ka
 Distribuição de Frequencia
Tabela 3 – Distribuição das marcas de carros populares em 25 cidades do triângulo.
Marca Frequencia
Corsa 4
Gol 8
Ka 1
Pálio 3
Uno 9
Σ 25

Tabela 4 – Dist. de freq. das marcas de carros populares em 25 cidades do triângulo.

Marca fi fr fp(%)
Corsa 4 4/25 = 0,16 16
Gol 8 8/25 = 0,32 32
Ka 1 1/25 = 0,04 4
Pálio 3 3/25 = 0,12 12
Uno 9 9/25 =0,36 36
Σ 25 1,00 100
 Distribuição de Frequencia
Tabela 5 – Dados brutos referentes ao número de ovos danificados de uma cidade
distante para Lavras (30 embalagens, de uma dúzia cada).
0 0 1 1 1
3 0 0 0 0
2 3 3 0 0
1 5 4 1 2
2 1 1 1 0
0 0 0 1 0
Tabela 6 – Dist. freq. referentes ao número de ovos danificados de uma cidade distante
para Lavras (30 embalagens, de uma dúzia cada).
Nº ovos quebrados - xi fi fr fp(%)
0 13 13/30 = 0,44 44
1 9 9/30 = 0,30 30
2 3 3/30 = 0,10 10
3 3 3/30 = 0,10 10
4 1 1/30 = 0,03 3
5 1 1/30 = 0,03 3
Σ 30 1,00 100
 Distribuição de Frequencia para dados contínuos ou
discretos

Elementos de uma distribuição de freqüência

i. Organizar (ordenar): dados brutos → dados elaborados

ii. Cálculo da amplitude total (A): A = X ( n ) − X (1)

iii. Cálculo do número de classes: Adotar um critério

iv. Cálculo de amplitude de classe (C): C = A ( k − 1)

C
v. Cálculo do limite inferior da primeira classe: LI1ª = X (1) −
2
vi. Calcular as classes.
 Determinando o número de classes - k

Critérios:
 k = n , n ≤ 100
i) Critério de Oliveira (1994): 
 k = 5.log( n), n > 100

A3 n
ii) Critério de Scott(1979): k= S
3, 49

iii) Critério de Sturges: k = 1 + 3, 3.log(n)

 Distribuição de Frequencia
Tabela 7- Dados da produção de grãos em g/planta obtidos numa amostra de
n = 20 plantas de feijão da geração F2 do cruzamento das cultivares Flor de
Maio e Carioca
1,38 4,14 6,23 12,13 17,12
3,65 4,54 6,79 12,56 19,68
3,78 5,64 8,21 13,19 21,26
3,87 5,67 9,79 15,60 24,57

Tabela 8 – Dist. de freq. da produção de grãos em g/planta obtidos numa

amostra de n = 20 plantas de feijão da geração F2 do cruzamento das
cultivares Flor de Maio e Carioca.
Classes de pesos Xi fi fr fp (%)
-2,485├5,245 1,38 6 0,30 30
5,245├12,975 9,11 8 0,40 40
12,975├20,705 16,84 4 0,20 20
20,705├28,435 24,57 2 0,10 10
Σ 20 1,00 100
 Exercícios

1- Na Tabela 9, temos as anotações das estaturas de 40 alunos do sexo

masculino.

Tabela 9 - Estaturas de alunos universitários do sexo masculino (m), em

ordem crescente.
1,58 1,68 1,70 1,71 1,74 1,75 1,79 1,80 1,83 1,86
1,62 1,69 1,70 1,71 1,74 1,76 1,80 1,81 1,83 1,87
1,64 1,69 1,70 1,72 1,75 1,77 1,80 1,81 1,84 1,94
1,68 1,70 1,71 1,73 1,75 1,77 1,80 1,83 1,85 1,94

Construa uma tabela com a distribuição de frequencia absoluta, relativa e

percentual referente às estaturas de alunos universitários do sexo masculino.
Utilizar o critério de Oliveira.
 Exercícios
2 - Na Tabela 10, temos dados brutos referentes à dureza de 30 peças de
alumínio.

Tabela 10 - Dados brutos referentes à dureza de 30 peças de alumínio.

53,0 70,2 84,3 69,5 77,8 87,5 53,4 82,5 67,3 54,1
70,5 71,4 95,4 51,1 74,4 55,7 63,5 85,8 53,5 64,3
82,7 78,5 55,7 69,1 72,3 59,5 55,3 73,0 52,4 50,7

Construa uma tabela com a distribuição de frequencia absoluta, relativa e

percentual referente à dureza de 30 peças de alumínio. Utilizar o critério de
Oliveira.
Medidas de Posição – Medidas de Tendência Central

• Média
– Média populacional → µ (mi)

– Média amostral → X (X barra)

• Mediana
– Mediana populacional → µd

– Mediana amostral → Md

• Moda
– Moda populacional → µo

– Moda amostral → Mo
 Média para dados não agrupados
N

∑X
i =1
i
X1 + X 2 + ⋯ + X N
– Média populacional: µ= =
N N

∑X i
X1 + X 2 + ⋯ + X n
– Média amostral: X= i =1
=
n n

Exemplo: Sabendo-se que o número de peças defeituosas observados

em amostras retiradas diariamente da linha de produção, durante
uma semana foi de 10, 14, 13, 15, 16, 18 e 12 peças, têm, para
número médio de peças defeituosas da semana:
n 7

∑X
i =1
i ∑X
i =1
i
X 1 + X 2 + ⋯ + X 7 10 + 14 + 13 + 15 + 16 + 18 + 12
X= = = =
n 7 7 7
98
X= = 14 peças/dia
7
 Média para dados agrupados

k k
– Média populacional: µ = ∑ X i fi N ou µ = ∑ X i f i N
i =1 i =1

k k
– Média amostral: X = ∑ X i f i n ou X = ∑ X i f i n
i =1 i =1

Exemplo: Número de gols por partida (variável discreta).

7
Nº. de gols por partida ( X i ) fi X i fi ∑X f
i i
X 1 f1 + X 2 f 2 + ⋯ X 7 f 7
0 7 0 X= i =1
=
1 12 12 60 60
2 16 32 0 + 12 + ⋯ + 12
3 12 36 X=
60
4 9 36
5 2 10 138
X= = 2, 3 gols por partida
6 2 12 60
Σ 60 138
 Média para dados agrupados

Exemplo: Coeficiente de atrito cinético (variável contínua)

Classes de Coeficiente de Atrito Cinético fi Xi X i fi

0,15 ├ 0,35 5 0,25 1,25
0,35 ├ 0,55 10 0,45 4,50
0,55 ├ 0,75 8 0,65 5,20
0,75 ├ 0,95 17 0,85 14,45
Σ 40 - 25,40
4

∑fX
i =1
i i
f1 X 1 + f 2 X 2 + f3 X 3 + f 4 X 4
X= =
40 40
5 * 0, 25 + 10 * 0, 45 + 8 * 0, 65 + 17 * 0, 85
X=
40
25, 40
X= = 0, 635.
40
 Mediana para dados não agrupados
X  n  + X  n+ 2 
n 2  2 
   
Se n é par: E = ⇒ Md =
2 2

n +1
Se n é ímpar: E = ⇒ Md = X  n +1
2 
 2 


Exemplo: Considere a seguinte amostra de dados: 9, 9, 8, 11, 12, 13, 13, 14.
X  n  + X  n+2  X  8  + X  8+2 
n 8  
2
 
 2 
 
2
 
 2 
X ( 4 ) + X (5 ) 11 + 12
E = = = 4 ⇒ Md = = = = = 11, 5
2 2 2 2 2 2

Exemplo: Considere a seguinte amostra de dados: 9, 9, 8, 11, 12, 13, 13.

n +1 7 +1
E= = = 4 ⇒ Md = X  n+1 = X  7 +1 = X ( 4) = 11
2 2 
 2 
 
 2 

 Mediana para dados agrupados
• Se a variável é discreta: o procedimento é o mesmo.
Exemplo para variável discreta: Número de gols por partida.
nº. de gols por partida ( X i ) fi Fi
0 7 7
E = n 2 = 60 2 = 30
1 12 19 X  n  + X  n+2 
2 16 35  
2
 
 2 
X (30 ) + X ( 31)
3 12 47 Md = =
2 2
4 9 56
5 2 58 2+2 4
Md = = = 2 gols por partida
6 2 60 2 2
Σ 60 -

• Se a variável é contínua: o procedimento (estimador) muda.

n 
 − F ( anterior ) 
2
Md = LI Md +  ×h
Md
f i Md
 Mediana para dados agrupados

Exemplo para variável contínua: Coeficiente de atrito cinético.

Classes de Coeficiente de Atrito Cinético fi Fi

0,15 ├ 0,35 5 5
0,35 ├ 0,55 10 15
0,55 ├ 0,75 8 23
0,75 ├ 0,95 17 40
Σ 40 -

E = n 2 = 40 2 = 20
n   40 
 − F( anterior )  × h  − 15  × 0, 20
2 2
Md = LI Md +  = 0, 55 +  
f i Md 8
( 5 ) × 0, 20 1
Md = 0, 55 + + = 0, 55 + = 0, 55 + 0,125 = 0, 675.
8 8
 Moda para dados não agrupados

Exemplo: Considere a seguinte amostra: 8, 9, 9, 11, 13, 13, 13, 14. O valor
que mais se repete é o 13, que aparece três vezes, portanto a moda é Mo =
13 (unimodal).

Observação:
Pode haver mais de uma moda em uma série.
Exemplo: A série: 8, 9, 9, 11, 12, 13, 13, 14 então, os valores 9 e 13 ocorrem
com maior frequencia que os demais. Esta série apresenta duas modas,
sendo dita bimodal.

É possível encontrar séries de dados nas quais nenhum valor apareça mais
do que os outros.
Exemplo: A série 8, 9, 10, 11, 13, 14 então, esta série é dita amodal.
 Moda para dados agrupados
• Se a variável é discreta
discreta:: observa a maior frequencia (muito simples).
Exemplo: Número de circuitos defeituosos por sistema, observados em
uma amostra de 19 sistemas.
nº. de circuitos defeituosos ( X i ) f i A maior freqüência foi a da
1 10 primeira “classe”, cujo valor é 1
2 7 circuito defeituoso por sistema ,
3 1
4 1 por isso a moda da distribuição é
Σ 19 Mo = 1 circuito defeituoso/sistema.

• Se a variável é contínua
contínua:: o estimador muda.

∆1
Mo = LI Mo + × h Mo
∆1 + ∆ 2
 Moda para dados agrupados
Exemplo para variável contínua: Coeficiente de atrito cinético.

Classes de Coeficiente de Atrito Cinético fi

0,15 ├ 0,35 5
0,35 ├ 0,55 10
0,55 ├ 0,75 8
0,75 ├ 0,95 17
Σ 40

∆1 (17 − 8)
Mo = LI Mo + × h Mo = 0, 75 + × 0, 20
∆1 + ∆ 2 (17 − 8) + (17 − 0)
(9) 9 1, 8
Mo = 0, 75 + × 0, 20 = 0, 75 + × 0, 20 = 0, 75 +
(9) + (17) 26 26
Mo = 0, 75 + 0, 0692 = 0, 8192
 ASSIMETRIA
Assimetria: significa desvio ou afastamento da simetria, (grau de
deformação de uma curva).
# Simétrica, se a média e a moda coincidem.
# Assimétrica à esquerda ou negativa, se a média é
menor que a moda.
# Assimétrica à direita ou positiva, se a média é maior
que a moda.
 Natureza da distribuição dos dados

freq freq.

Assimétrica Assimétrica
à esquerda à direita
ou negativa ou positiva

Média Moda
Moda Média
Mediana Mediana

freq.

Simétrica

Moda = Média = Mediana

 Medidas de Dispersão

Informação Incompleta das Medidas de Posição (“Deficiência”)

Sintetiza toda informação da distribuição dos dados em uma única estimativa
pontual, ou seja, não se tem noção sobre a variabilidade (dispersão) dos
dados.

Situação: Escolher uma entre as três marcas de lâmpadas (A, B e C),

levando em consideração o tempo médio de vida. Dado que o tempo médio
de vida das três marcas de lâmpadas são iguais a 6 meses.

A B C
X A = 6 meses X B = 6 meses X C = 6 meses
 Medidas de Dispersão

• Amplitude → A
• Variância
– Variância populacional → σ2
– Variância amostral → S2
• Desvio Padrão
– Desvio Padrão Populacional → σ
– Desvio Padrão Amostral → S
• Coeficiente de Variação → CV
• Erro Padrão da Média
– Erro Padrão da Média Populacional → σX
– Erro Padrão da Média Amostral → SX
 Amplitude para dados agrupados e não agrupados

A = maior valor - menor valor = X(n) – X(1) = X k − X 1

Exemplo 1: Dados da amostra de tempo de vida de pneus: 40.000; 40.500;
35.600; 39.300; 37.200; 39.700; 35.000; 32.300 km.
Logo, o tempo de vida do pneu apresenta uma amplitude A = 40.500 – 32.300
= 8.200 km, ou seja, o tempo de vida do pneu varia entre 32.300 e 40.500.

Exemplo 2: Amplitude do coeficiente de atrito cinético

Classes de Coeficiente de Atrito Cinético fi Xi
0,15 ├ 0,35 5 0,25
0,35 ├ 0,55 10 0,45
0,55 ├ 0,75 8 0,65
0,75 ├ 0,95 17 0,85
Σ 40 -

Logo, o coeficiente de atrito cinético apresenta uma amplitude A = 0,85 – 0,25

= 0,60 . Isto é, o coeficiente de atrito cinético varia entre 0,25 e 0,85.
 Variância para dados não agrupados

Variância Populacional

N   N  
2
N

∑( Xi − µ ) ∑ ∑
2
N  Xi   Xi
ou σ 2 =  ∑ X i2 −  i =1   , em que µ = i =1
1
σ2 = i =1

N N  i =1 N  N
 
 

Variância Amostral

n   n
 
2
n

∑( Xi − X ) ∑ ∑
2
 n  Xi   Xi
1   i =1   , em que X = i =1
S2 = i =1

n −1
ou S 2 = ∑ i
n − 1  i =1
X 2
−
n  n
 
 
 Desvio Padrão para dados não agrupados

Desvio Padrão Populacional

N   N  
2
N

∑( Xi − µ )
2
 ∑ Xi 
1  N 2  i =1   ∑ Xi
σ= i =1

N
ou σ = ∑
N  i =1
Xi −
N 
, em que µ = i =1
N
 
 

Desvio Padrão Amostral

n   n  
2
n

∑( X ∑ ∑
2
i −X)  n  Xi   Xi
X i2 −  i =1   , em que X = i =1
1 
S= i =1

n −1
ou S = ∑
n − 1  i =1 n  n
 
 
 Variância e Desvio Padrão para dados não agrupados

Exemplo: Considere os dados referentes ao tempo de vida de uma marca de

pneu: 40.000; 40.500; 35.600; 39.300; 37.200; 39.700; 35.000; 32.300 km.
Determine a variância e o desvio padrão.
n n

∑( X ∑X
2
−X)
Situação 1: Estimador não simplificado
i i
2 i =1 i =1
S = , em que X =
n −1 n
n

∑X
i =1
i
40.000 + 40.500 + ⋯ + 32.300
X= = = 37.450 km
n 8
8
2
∑( Xi − X ) ( 40.000 − 37.450 )
2 2
+ ( 40.500 − 37.450 ) + ⋯ + ( 32.300 − 37.450 )
2

S2 = i =1
=
n −1 8 −1
60.300.000
S2 = = 8.614.285, 714 km 2
7

S = 8.614.285, 714 = 2.935, 0103 km

 Variância e Desvio Padrão para dados não agrupados

Exemplo: Considere os dados referentes ao tempo de vida de uma marca de

pneu: 40.000; 40.500; 35.600; 39.300; 37.200; 39.700; 35.000; 32.300 km.
Determine a variância e o desvio padrão.
  n
 
2

1 
 n  ∑ Xi  
 i =1  
Situação 2: Estimador simplificado S 2
= ∑ i
n − 1  i =1
X 2
−
n 
 
 
2
2 1  2 2 2 ( 40 . 000 + 40 .500 + ⋯ + 32 .300 ) 
S = ( 40.000 + 40.500 + ⋯ + 32.300 ) − 
8 − 1  8 
2
2 1 10 ( 299.600 )  1
S = 1,128032 * 10 −  = 1,128032 * 1010 − 1,122002 * 1010 
7  8  7

1
S2 = [60.300.000] = 8.614.285, 714 km2
7

S = 8.614.285, 714 = 2.935, 0103 km

 Variância para dados agrupados
Variância Amostral para variável contínua

  k  
2

 k  ∑ X i fi  
X i2 f i −  i =1  
1 
S2 = ∑
n − 1  i =1 n 
 
 

Variância Amostral para variável discreta

  k
 
2

 k  ∑ X i fi  
1  X 2 f −  i =1  
S2 = ∑ i i
n − 1  i =1 n 
 
 
 Desvio Padrão para dados agrupados
Desvio Padrão Amostral para variável contínua

  k
 
2


1  k 2  ∑ X i fi  
 i =1  
S= ∑ i i
n − 1  i =1
X f −
n 
 
 

Desvio Padrão Amostral para variável discreta

  k  
2

 k  ∑ X i fi  
X i2 fi −  i =1  
1 
S= ∑
n − 1  i =1 n 
 
 
 Variância e Desvio Padrão para dados agrupados
Exemplo: Coeficiente de atrito cinético (variável contínua)
Classes de Coeficiente de Atrito Cinético fi Xi
0,15 ├ 0,35 5 0,25
0,35 ├ 0,55 10 0,45
0,55 ├ 0,75 8 0,65
0,75 ├ 0,95 17 0,85
Σ 40 -
2
  k  
 k  ∑ X i fi  
1 
S2 = ∑ X i2 f i −  i =1  
n − 1  i =1 n 
 
 
2
2 1  2 2 ( 0, 25 * 5 + ⋯ + 0, 85 * 17 ) 
S = ( 0, 25 * 5 + ⋯ + 0, 85 * 17 ) − 
40 − 1  40 
2
2 1  ( 25, 4 )  1
S = 18 − = [18 − 16,129] = 0, 0480
39  40  39

S = 0, 0480 = 0, 2190
 Variância e Desvio padrão para dados agrupados
Exemplo: Número de ovos danificados (variável discreta)
Número de ovos quebrados ( X i ) fi
0 13
1 9
2 3
3 3
4 1
5 1
Σ 30
2
  k  
 k  ∑ X i fi  
1  X 2 f −  i =1  
S2 = ∑
n − 1  i =1
i i
n 
 
 
2
2 1  2 2 2 ( 0 * 13 + 1* 9 + ⋯ + 5 * 1) 
S = ( 0 * 13 + 1 * 9 + ⋯ + 5 * 1) − 
30 − 1  30 
2
1  ( 33 )  1
2
S = 89 − = [89 − 36, 3] = 1, 8172 ( ovos danificados )2
29  30  29

S 2 = 1, 8172 = 1, 3480 ovos danificados

 Coeficiente de Variação

σ
Coeficiente de Variação Populacional CV = 100%
µ

S
Coeficiente de Variação Amostral CV = 100%
X

Erro Padrão da Média

σ σ2
Erro Padrão da Média Populacional σX = =
n n

S S2
Erro Padrão da Média Amostral SX = =
n n
 Coeficiente de Variação

• Conjunto de dados com diferentes unidades de medidas;

• Mesma unidade de medida mas, com médias de magnitudes distintas.

Exemplo: Qual das lâmpadas possui maior uniformidade de tempo de vida?

X A = 4, 0 meses, S A = 0, 8 meses, X B = 8, 0 meses e S B = 1, 2 meses

SA 0, 8 SB 1, 2
CVA = x100 = x100 = 20% CVB = x100 = x100 = 15%
XA 4, 0 XB 8, 0

A lâmpada B é a mais uniforme, pois possui um menor CV que a lâmpada A .

 Representação Gráfica

Gráfico para variáveis qualitativas:

Gráfico em barras horizontais ou verticais;

Gráfico em setores (“pizza”).

Gráfico para variáveis quantitativas:

Histograma;

Polígono de Frequencia.
 Ilustração gráfica
Exemplo: Nível de instrução no setor de orçamento de uma companhia.
Grau de instrução fi fr fp.(%)
Fundamental 12 0,3333 33,33
Médio 18 0,5000 50,00
Superior 6 0,1667 16,67
Total 36 1,00 100,00

24

18
Frequencia

12

0
Fundamental Médio Superior
Grau de Instrução

Figura 1 - Gráfico em barras verticais para a variável grau de instrução.

 Ilustração gráfica
Exemplo: Nível de instrução no setor de orçamento de uma companhia.
Grau de instrução fi fr fp.(%)
Fundamental 12 0,3333 33,33
Médio 18 0,5000 50,00
Superior 6 0,1667 16,67
Total 36 1,00 100,00

6; 16,7%

12; 33,3%

18; 50,0%

Fundamental Médio Superior

Figura 2 - Gráfico em setores para a variável grau de instrução.

 Ilustração gráfica
Exemplo: Produção de grãos em g/planta.
Classes de pesos Xi fi fr fp (%)
-2,485├5,245 1,38 6 0,30 30
5,245├12,975 9,11 8 0,40 40
12,975├20,705 16,84 4 0,20 20
20,705├28,435 24,57 2 0,10 10
Σ 20 1,00 100

Figura 3 - Histograma e Polígono de Frequencia para a variável Produção (g/planta).

 Ilustração gráfica

Marca Frequencia
Corsa 4 Gráfico de "Pizza"
Gol 8 4
Ka 1 9 16% Corsa

Pálio 3 36% Gol

Uno 9 Ka

Σ 25 8 Pálio
3 32% Uno
1
12% 4%
Figura 4 – Gráfico de pizza para a variável marca de
carros populares predominantes em 25 cidade
do triângulo.
 Ilustração gráfica
Gráfico de Barras

8
Marca Frequencia 7
Corsa 4 6
Gol 8
Frequencia
5
Ka 1
4
Pálio 3
3
Uno 9
2
Σ 25
1

0
Corsa Gol Ka Pálio Uno
Marcas ou modelos predominantes

Figura 5 – Gráfico de barras para a variável marca de

carros populares predominantes em 25 cidade
do triângulo.
 Ilustração gráfica
Gráfico de Barras

Marca Frequencia
Corsa 4
Gol 8
4
Ka 1
3
Pálio 3
Uno 9
1
Σ 25

Corsa Gol Ka Pálio Uno

Marcas de carros

Figura 6 – Gráfico de barras para a variável marca de

carros populares predominantes em 25 cidade
do triângulo.
 Ilustração gráfica
Classes de Coeficiente de Atrito Cinético fi Xi
0,15 ├ 0,35 5 0,25
0,35 ├ 0,55 10 0,45
0,55 ├ 0,75 8 0,65
0,75 ├ 0,95 17 0,85
Σ 40 -
Histograma

16
14
12
Frequencias

10
8
6
4
2
0
0,25 0,45 0,65 0,85
Coeficiente de atrito cinético

Figura 7 – Histograma para a variável coeficiente de atrito cinético de uma amostra

de 40 pneus.
 Ilustração gráfica
Classes de Coeficiente de Atrito Cinético fi Xi
0,15 ├ 0,35 5 0,25
0,35 ├ 0,55 10 0,45
0,55 ├ 0,75 8 0,65
0,75 ├ 0,95 17 0,85
Σ 40 -

Histograma
17

10
8

0,25 0,45 0,65 0,85

Coeficiente de atrito cinético
Figura 8 – Histograma para a variável coeficiente de atrito cinético de uma amostra
de 40 pneus.