Apostila Estatistica Eng

Estatística
Básica para
Engenharia
Silvio Alves de Souza
1
ÍNDICE
Introdução ...................................................................................................................4
Software R ..................................................................................................................5
Software SPSS............................................................................................................6
Conceitos Básicos de Estatística ................................................................................7
População................................................................................................................9
Amostra .................................................................................................................10
Arredondamento de números ................................................................................10
Proporção ..............................................................................................................14
Porcentagem .........................................................................................................15
Exercícios ..............................................................................................................16
Fases do Método Estatístico .....................................................................................20
Definição do Problema ..........................................................................................20
Planejamento.........................................................................................................20
Coleta dos Dados ..................................................................................................21
Apuração dos Dados .............................................................................................23
Apresentação dos Dados.......................................................................................23
Análise e Interpretação dos Dados........................................................................24
Questionários ............................................................................................................25
Ordem das Questões.............................................................................................26
Tipo de Abordagem ...............................................................................................26
Clareza nas Perguntas ..........................................................................................26
Não Sugerir Respostas..........................................................................................27
A Necessidade do Pré-Teste .................................................................................27
A Prática de Pesquisas por Amostragem ..............................................................27
Amostragem..............................................................................................................28
Amostragem Aleatória Simples..............................................................................29
Amostragem Estratificada......................................................................................31
Amostragem Sistemática .......................................................................................34
Exercícios ..............................................................................................................35
Distribuição de Freqüência........................................................................................41
Dados Brutos .........................................................................................................41
Rol .........................................................................................................................41
Tabela de freqüência .............................................................................................42
Distribuição de Freqüências de Dados Tabulados Não-Agrupados em Classes42
Distribuição de Freqüências de Dados Agrupados em Classes.........................43
Manual para Normalização de Publicações Técnico – cientificas..........................49
Exercícios ..............................................................................................................50
Medidas de Tendência Central. ................................................................................56
Dados brutos .........................................................................................................56
Dados em tabela de distribuição de freqüência .....................................................60
Exercícios ..............................................................................................................67
Separatrizes ..............................................................................................................69
2
Dados brutos ou em tabela de distribuição simples...............................................69
Dados agrupados em classes................................................................................71
Exercícios: .............................................................................................................73
Medidas de Variabilidade ..........................................................................................76
Desvio padrão........................................................................................................77
Coeficiente de variação: ........................................................................................79
Exercícios ..............................................................................................................82
Representação Gráfica .............................................................................................89
Exercícios ............................................................................................................100
Probabilidade ..........................................................................................................101
Técnicas de contagem.........................................................................................101
Cálculo de Probabilidade .....................................................................................105
Exercícios: ...........................................................................................................118
Distribuições de probabilidade ................................................................................126
Variável Aleatória.................................................................................................126
Distribuições discretas de probabilidade..............................................................133
Distribuições contínuas de probabilidade ............................................................140
Teste de Hipótese ...................................................................................................152
Distribuição Amostral ..............................................................................................166
Correlação...............................................................................................................170
Regressão Linear ....................................................................................................177
Regressão Múltipla..................................................................................................184
Bibliografia ..............................................................................................................188
Anexo 1 ...................................................................................................................189
Anexo 2 ...................................................................................................................191
3
Introdução
Esta apostila é uma tentativa de compor todo o conteúdo da disciplina

Estatística do CEFET – MG. Esta disciplina é ministrada nos vários cursos de
Engenharia e Bacharelados.
Seu conteúdo é de acordo com o plano de ensino dos cursos citados acima.
Na verdade é um material complementar para os alunos. Ele não os isenta da
necessidade de consultar outras bibliografias.
A disciplina de Estatística é abordada com o auxílio de vários softwares para
tratamento de dados, entre eles o R e o SPSS.
Em anexo estão todas as tabelas utilizadas no decorrer do curso.
Os exemplos e exercícios foram montados com o objetivo de contextualizar o
conteúdo dentro dos vários cursos. Não buscamos priorizar nenhum desses cursos
para que o aluno possa perceber a utilização da Estatística em cada área do
conhecimento.
A construção do conhecimento foi elaborada de acordo com os passos de
uma pesquisa, salvo casos em que o conteúdo requer outros elementos essenciais
para seu entendimento.
4
Software R
O software R é um software livre utilizado para análise de dados, cálculo e

construão de gráficos.
Sua construção foi feita utilizando vários colaboradores.
Para sua utilização é necessário conhecimento de sua linguagem própria, ou
seja, seus comandos. Algumas tarefas podem facilmente serem realizadas apenas
utilizando seus comandos e outras são necessárias a construção de algoritmos.
O R tem um help que os ajuda na execução das tarefas.
No decorrer do curso iremos utilizá-lo para análise de vários dados e para a
construção de alguns gráficos específicos. Os comandos necessários bem como a
utilização do software serão apresentados no decorrer das aulas.
A utilização deste software é uma tentativa de demonstrar como utilizar a
tecnologia computacional na análise de dados.
Comandos básicos
1) Criar vetor: para construir um vetor basta digitar a letra c e, entre parênteses
separados por vírgula, digitar os valores do vetor. Para visualisar o vetor
basta digitar seu nome na linha de comando.
Exemplo: Criar um vetor de nome x com os valores 2, 3, 6 e 13.

Solução: x<- c(2,3,6,13)
No anexo 2 encontra-se alguns comandos úteis.
5
Software SPSS
O software SPSS é um software não-livre utilizado para análise Estatística em

geral.
Por não ser um software livre muitas pessoas preferem a utilização do
software R. No entanto ele é muito utilizado no meio empresarial.
Ao contrário do R o SPSS é bem simples de utilizar. Neste caso não é
necessário conhecimento dos comandos.
O SPSS tem um help que os ajuda na execução das tarefas.
No decorrer do curso iremos utilizá-lo para análise de vários dados e para a
construção de alguns gráficos específicos.
A utilização deste software também é uma tentativa de demonstrar como
utilizar a tecnologia computacional na análise de dados.
6
Conceitos Básicos de Estatística
Estatísticas
Uma coleção de dados numéricos ou qualitativos.
Estatística
Ramo da ciência que se dedica a desenvolver metodologias para a coleta,

classificação, apresentação, análise e interpretação de dados quantitativos e
qualitativos e a utilização desses dados para a tomada de decisões.
A Estatística pode ser dividida em três grandes áreas:
Estatística Descritiva
Probabilidade
Inferência Estatística
Utiliza técnicas com o objetivo de descrever, analisar e interpretar o conjunto

de dados.
É utilizada na etapa inicial da análise.
Probabilidade
Trabalha com a idéia de incerteza.

Desenvolve e utiliza técnicas capazes de calcular as chances de que algum
fenômeno aconteça.
7
Inferência Estatística
Desenvolve e utiliza técnicas capazes de fazer uma extrapolação dos

resultados, estimação de quantidades desconhecidas e testar hipóteses a partir de
uma amostra.
Baseando-se na amostra podemos assim chegar a conclusões sobre a
população.
A figura a seguir nos dá uma noção de como podemos trabalhar com os
dados:
População Amostra
Inferência
Natureza dos dados
• Dados Nominais: Trata-se de dados qualitativos ou descritivos, ou seja, que

descrevem uma qualidade ou uma descrição. Exemplos: solteiro ou casado,
certo ou errado, peça boa ou peça defeituosa, etc. Podem ser transformados
em dados numéricos, como por exemplo: 1 – solteiro e 2 – casado.
• Dados ordinais: Trata-se de dados numéricos os quais podemos estabelecer

desigualdades. Como exemplo considere 1- alumínio e 2 – diamante. Temos
que 2>1 (significa que o diamante é mais resistente do que o alumínio).
• Dados intervalares: Trata-se de dados numéricos os quais podemos

estabelecer desigualdades e formar diferenças. Exemplo: Temperaturas.
• Dados de razão: trata-se de dados numéricos que podemos estabelecer

desigualdades, diferenças, formar multiplicação e divisão. Exemplos: peso,
altura, dinheiro, volume, diâmetro, etc.
8
Objetivo do Estudo da Estatística
A utilização da Estatística é cada vez mais acentuada em qualquer atividade

profissional da vida moderna. Nos seus mais diversificados ramos de atuação, as
pessoas estão freqüentemente expostas à Estatística, utilizando-a com maior ou
menor intensidade. Isto se deve às múltiplas aplicações que o método estatístico
proporciona àqueles que dele necessitam.
População
Conjunto da totalidade dos indivíduos sobre o qual de faz uma inferência.
Em linguagem mais formal, a população é o conjunto constituído por todos os

indivíduos que apresentem pelo menos uma característica comum, cujo
comportamento interessa analisar (inferir).
Essas características da população são comumente chamadas de
parâmetros, os quais são valores fixos e ordinariamente desconhecidos.
Exemplo:
Suponha que estamos interessados em realizar um estudo sobre a qualidade
das peças produzidas por uma empresa em determinado dia. Neste caso existe uma
observação para cada peça fabricada naquele dia. Podemos limitar a população a
cada turno de trabalho da empresa, como por exemplo o 2º turno.
Observação:
É importante ficar bem claro que uma população é estudada em termos das
características a serem estudadas. Assim, por exemplo, o diâmetro de uma peça
constituem uma população. Poderia haver uma população correspondente ao
comprimento dessas mesmas peças.
9
Amostra
Um subconjunto, uma parte selecionada da totalidade de observações

abrangidas pela população, através da qual se faz um juízo ou inferência sobre as
características da população.
Exemplo:
Avaliação da qualidade das peças produzidas por uma determinada empresa.
Seleciona-se, dentre as peças produzidas em determinado dia, uma porcentagem
destas peças. Avalia-se as peças selecionadas.
A partir da amostra estabelecemos o que é conveniente para a população, ou
seja, fazemos uma inferência sobre a população.
Arredondamento de números
Arredondamento por falta

Quando o primeiro dígito, aquele situado mais à esquerda entre os que irão
ser eliminados, for igual ou menor que quatro, não deverá ser alterado o dígito
anterior.
Número a arredondar Arredondamento para Número arredondado
12,489 Inteiros 12
20,733 Décimos 20,7
35,992 Centésimos 35,99
Arredondamento por excesso
Quando o primeiro dígito, aquele situado mais à esquerda entre os que irão
ser eliminados, for maior ou igual a cinco seguido por dígitos maiores que zero, o
dígito anterior será acrescido de uma unidade.
10
15,504 Inteiros 16
16,561 Décimos 16,6
Arredondamento centrais
Quando o primeiro dígito, aquele situado mais à esquerda dos que serão
eliminados for um cinco ou um cinco seguido somente de zeros, o último dígito
anterior, se for par, não se altera, e se for ímpar será aumentado uma unidade.
15,500 Inteiros 16
16,500 Inteiros 16
17,750 Décimos 17,8
Arredondamento de Soma
Quando se trata de soma, deve-se arredondar primeiro o total, e

posteriormente as parcelas. Há aqui dois casos a considerar:
a) Se a soma das parcelas da série arredondada for superior ao total, deve-se

retornar à série original, arredondando-se, por falta, tantas parcelas quantas
forem as unidades excedentes. Serão escolhidas as parcelas anteriormente
arredondadas por excesso e cujas frações desprezadas representem o menor
erro relativo.
11
Erro relativo
Dados dois números diferentes de zero x e y com x > y , o erro relativo
entre eles será calculado pela expressão
x−y
ER =
x
O arredondamento do erro é feito de modo a poder identificar a ordem das

parcelas.
Exemplo: O quadro abaixo apresenta um modelo de arredondamento, para inteiro,

da soma total de uma série.
Série original Erro relativo Série arredondada Série corrigida

5,51 0,082 6 6
7,50 0,062 8 8
14,63 0,025 15 15
20,10 20 20
24,73 0,011 25 24 *
27,52 0,017 28 27 *
Total : 99,99 102 100
Observações: 1. (*) série corrigida

2. O arredondamento do erro foi milesimal para poder identificar as
duas menores parcelas.
Veja o cálculo dos erros relativos
6 − 5,51
ER = = 0,082
6
8 − 7,50
ER = = 0,062
8
15 − 14,63
ER = = 0,025
15
12
25 − 24,73
ER = = 0,011
25
28 − 27,52
ER = = 0,017
28
b) Se a soma das parcelas da série arredondada for inferior ao total, deve-se

retornar à série original, arredondando-se, por excesso, tantas parcelas
quantas forem as unidades em falta. Serão escolhidas as parcelas
anteriormente arredondadas por falta e cujas frações desprezadas
representem o menor erro relativo.
Exemplo: O quadro abaixo apresenta um modelo de arredondamento, para

centésimo, da soma total de uma série.
Série original Erro relativo Série arredondada Série corrigida

2,514 0,0016 2,51 2,51
12,502 0,0002 12,50 12,50
4,6355 4,64 4,64
11,1028 0,0002 11,10 11,10
35,733 0,0001 35,73 35,74 *
7,524 0,0005 7,52 7,52
Total : 74,0113 74,00 74,01
Observação: (*) série corrigida
13
Proporção
Um certo número de pessoas foi classificado em quatro categorias. Essas

categorias são, naturalmente, mutuamente exclusivas e exaustivas. Em outras
palavras: uma pessoa só poderá estar incluída em uma única categoria, e todas elas
deverão estar classificadas.
Em termos simbólicos, pode-se escrever:
N1 = número de pessoas incluídas na categoria 1.

N2 = número de pessoas incluídas na categoria 2.
N 3 = número de pessoas incluídas na categoria 3.
N 4 = número de pessoas incluídas na categoria 4.

N = N1 + N 2 + N 3 + N 4 = número total de pessoas consideradas.
Neste caso, a proporção de pessoas pertencentes à primeira categoria é

determinada mediante o cálculo do seguinte quociente
N1
N
A proporção de pessoas pertencentes à segunda categoria é determinada

mediante o cálculo do seguinte quociente
N2
N
Sucessivamente temos
N3 N
e 4
N N
o cálculo da proporção das pessoas pertencentes à terceira e quarta categoria.
Observe que
14
N1 N 2 N 3 N 4 N
+ + + = =1.
N N N N N
Exemplo: A tabela a seguir apresenta o número de sócios praticantes e não-

praticantes de futebol em um clube hipotético.
Tabela 1: Número de sócios praticantes e não-praticantes

de futebol em um clube hipotético
Sócios Praticante (exclusivamente) de: Clube 1 Proporção
Futebol de salão 580 0,100
Futebol de campo 430 0,074
Não-Praticantes 4810 0,826
Total 5820 1,000
Fonte: Referência bibliográfica 1
Porcentagem
As porcentagens são obtidas a partir do cálculo das proporções, simplesmente

multiplicando-se o quociente obtido por 100. Para representá-las usamos o símbolo
%.
Voltando ao exemplo anterior temos:
Tabela 2: Número de sócios praticantes e não-praticantes

de futebol em um clube hipotético
Sócios Praticante (exclusivamente) de: Clube 1 Porcentagem (%)
Futebol de salão 580 10
Futebol de campo 430 7,4
Não-Praticantes 4810 82,6
Total 5820 100
Fonte: Referência bibliográfica 1
15
Exercícios
1) Considere as situações a seguir e identifique a população e a amostra em cada

caso.
a. Para a análise de desempenho dos alunos da 8.ª série de uma determinada

escola municipal foram escolhidas as notas de português de 35 alunos.
b. Uma amostra de sangue foi retirada de um paciente com suspeita de alto
colesterol.
c. Uma maternidade entrevista 20 mães de recém nascidos dos 218 partos, no
mês de janeiro, para avaliar a satisfação na prestação de serviço.
d. A fim de avaliar a intenção de voto dos eleitores para deputado estadual, um
candidato entrevista 2.120 eleitores em Minas Gerais.
2) Use os critérios de arredondamento para arredondar cada valor a seguir para

décimos.
a) 21,24 d) 0,75 g) 3,521

b) 1,088 e) 5,819 h) 9,275
c) 125,5555 f) 0,3333 i) 235,25
3) Aplique os critérios de arredondamento para completar o quadro abaixo:

25,458 Centésimo
123,99 Décimo
205,7056 Milésimo
17,561 Inteiro
16
4) Aplique os critérios de arredondamento para completar o quadro abaixo:

1,23 Décimo
5,488 Centésimo
0,126 Centésimo
35,4 Inteiro
13,99 Décimo
25,7056 Milésimo
7,561 Inteiro
690,1555 Centésimo
0,115588 Milésimo
5) A tabela abaixo representa a produção, em unidades, da fábrica X de

determinada peça no segundo semestre de 2005.
Mês Produção
Julho 35.500
Agosto 34.750
Setembro 36.800
Outubro 35.150
Novembro 32.300
Dezembro 31.250
Calcule: (Use arredondamento para centésimos)
a) a proporção de peças produzidas no mês de outubro.

b) a proporção de peças produzidas até setembro.
c) a porcentagem de peças produzidas em dezembro.
17
6) Uma escola ia contratar um grupo de 8 professores para dar um curso sobre
computadores em 48 horas, pagando um total de R$ 9 216,00. No entanto, como
medida de economia, ela resolveu contratar somente 6 professores e dar o curso em
36 horas. Quanto a escola economizará?
7) João comprou uma mercadoria em uma loja de utilidades. Quando foi pagar a
conta, o vendedor informou-lhe que devido a uma promoção relâmpago, ele teria 8
% de desconto na compra à vista pagando, pelo produto, R$ 276,00. João optou por
não pagar à vista. Quanto ele pagará pela mercadoria se compra-la a prazo?
8) Para as situações descritas a seguir, identifique a população e a amostra

correspondente. Discuta a validade do processo de inferência estatística, ou seja, se
as amostras foram coletadas corretamente, para cada um dos casos. Não esqueça
de apontar o erro de cada caso.
a) Uma amostra de sangue foi retirada de um paciente com suspeita de

anemia.
b) Para verificar a audiência de um programa de TV, 563 indivíduos foram

entrevistados por telefone com relação ao canal em que estavam
sintonizados.
c) A fim de avaliar a intenção de voto para presidente dos brasileiros, 122

pessoas foram entrevistadas em Brasília.
9) Para encher um reservatório em 15 dias, são necessárias 3 torneiras. Em quanto

tempo 5 torneiras, idênticas às anteriores, encherão o mesmo reservatório?
10) Um navio dispõe de reservas suficientes para alimentar 14 homens durante 45

dias, mas recebe 4 sobreviventes de um naufrágio. Durante quantos dias durarão as
reservas de alimento?
18
11) Calcule:
a) 15 % de R$ 2 800,00 ?
b) 42 % de R$ 18 300,00 ?
12) Resolva os problemas abaixo:
a) Numa classe foram reprovados 15 % dos alunos, isto é, 9 alunos. Quantos

alunos haviam nesta classe?
b) Em uma cidade haviam 5600 eleitores do candidato A e 7800 eleitores do

candidato B.
1) Qual a proporção dos eleitores do candidato A?
2) Qual a proporção dos eleitores do candidato B?
13) Em um colégio existem 1 200 alunos, dos quais 720 são meninos. Determine:
a) Qual a proporção do número de meninos?
b) Qual a proporção do número de meninas?
14) Num livro de 200 páginas, há 30 linhas em cada página. Se houvesse 25 linhas,
quantas páginas teria o livro?
19
Fases do Método Estatístico
Quando se pretende empreender um estudo estatístico completo existem

diversas fases do trabalho que devem ser desenvolvidas para se chegar aos
resultados finais do estudo.
Definição do Problema
A primeira fase do trabalho estatístico consiste em uma definição ou

formulação correta do problema a ser estudado.
O problema deve ser preciso, bem determinado e específico.
Além de considerar detidamente o problema objeto do estudo, o analista
deverá examinar outros levantamentos realizados no mesmo campo e análogos,
uma vez que parte da informação de que necessita pode, muitas vezes, ser
encontrada nesses últimos.
Saber exatamente aquilo que se pretende pesquisar é o mesmo que definir
corretamente o problema.
Planejamento
Consiste em se determinar o procedimento necessário para resolver o

problema e, em especial, como levantar informações sobre o assunto objeto do
estudo.
Mais especialmente, na fase do planejamento a preocupação maior reside na
escolha das perguntas.
É nessa fase que será escolhido o tipo de levantamento a ser utilizado. Sob
esse aspecto, pode haver dois tipos de levantamento:
a) Levantamento censitário, quando a contagem abranger todo o
universo.
b) Levantamento por amostragem, quando a contagem for parcial.
Nesta fase temos outros elementos importantes que devem ser tratados.
20
a) cronograma das atividades, através do qual são fixados os prazos
para as varias fases;
b) Os custos envolvidos;
c) O exame das informações disponíveis;
d) O delineamento da amostra;
e) A forma como serão escolhidos os dados, etc.
Obs: Os livros mais específicos sobre pesquisa de mercado poderão ser

consultados.
Coleta dos Dados
O terceiro passo é essencialmente operacional.

A coleta de dados se refere à obtenção, reunião e registro sistemático de
dados, com um objetivo determinado.
Espécies de dados:
I) Dados Primários: quando são publicados ou comunicados pela

própria pessoa ou organização que os haja recolhido.
II) Dados Secundários: Quando são publicados ou comunicados por
outra organização.
Um conjunto de dados é, pois, primário ou secundário em relação a

alguém.
É mais seguro trabalhar com fontes primárias, pois:
a) Uma fonte primária oferece, em geral, informações mais detalhadas

do que uma secundária.
b) É mais provável que as definições de termos e de unidades figurem
somente nas fontes primárias.
c) O uso da fonte secundária traz o risco adicional de erros de
transcrição.
21
d) Uma fonte primária poderá vir acompanhada de cópias dos
impressos utilizados para coletar as informações, juntamente com o
procedimento adotado na pesquisa, a metodologia seguida e o tipo
de tamanho da amostra.
Essas informações proporcionam ao usuário uma idéia do grau de garantia

que os dados oferecem.
A coleta de dados pode ser realizada de duas maneiras: direta ou
indiretamente.
Coleta Direta
A coleta é direta quando é obtida diretamente da fonte.
Ex.: Uma empresa pesquisa seus consumidores.
Há três tipos de coleta direta:
a) Coleta direta contínua: quando estes são obtidos ininterruptamente,

automaticamente e na vigência de um determinado período.
Ex.: Registros de nascimento, de casamento, de óbito, etc.
b) Coleta direta periódica: quando é realizada em períodos curtos,

determinados, de tempo em tempo.
Ex: Recenseamento demográfico. O censo industrial.
c) Coleta direta ocasional: Quando os dados forem colhidos

esporadicamente, atendendo a uma conjuntura qualquer ou a uma
emergência.
Ex.: Casos fatais em surto epidêmico.
22
Coleta Indireta
A coleta dos dados é indireta quando é inferida a partir dos elementos

conseguidos pela coleta direta, ou através do conhecimento de outros fenômenos
que, de algum modo, estejam relacionados com o fenômeno em questão.
É feita, portando, por deduções e conjunturas, podendo ser realizada:
a) Por analogia: quando o conhecimento de um fenômeno é induzido a
partir de outro que com ele guarda relações de casualidade.
b) Por proporcionalização: Quando o conhecimento de um fato se induz
das condições quantitativas de uma parte dele.
c) Por indícios: quando são escolhidos fenômenos sintomáticos para
discutir um aspecto geral da vida social.
d) Por avaliação: quando através de informações fidedignas ou
estimativas cadastrais, se presume o estado quantitativo de um
fenômeno.
Apuração dos Dados
Consiste em resumir os dados, através de sua contagem e agrupamento.

Ela pode ser manual, mecânica, eletromecânica ou eletrônica.
Através da apuração tem-se a oportunidade de condensar os dados, de modo
a obter um conjunto compacto de números, o qual possibilita distinguir melhor o
comportamento do fenômeno na sua totalidade.
Entretanto, a contrapartida da melhor apreciação dos dados em seu conjunto
é a perda correspondentes de detalhes, uma vez que se trata de um processo de
sintetização.
Apresentação dos Dados
Há duas formas de apresentação, que não se excluem mutuamente.
a) Apresentação Tabular: É uma apresentação numérica dos dados.

Consiste em dispor os dados em linhas e colunas distribuídas de
modo ordenado.
23
b) Apresentação Gráfica: Constitui uma Apresentação Geométrica.
Embora a apresentação tabular seja de extrema importância, no
sentido de facilitar a análise numérica dos dados, não permite ao
analista obter uma visão tão rápida, fácil e clara do fenômeno e sua
variação como a conseguida através de um gráfico.
Análise e Interpretação dos Dados
É a última fase e a mais importante e também a mais delicada.

O interesse maior, nesta etapa, reside em tirar conclusões que auxiliem o
pesquisador a resolver seu problema.
A análise está ligada essencialmente ao cálculo de medidas, cuja finalidade
principal é descrever o fenômeno.
Obs: As fases do método Estatístico foram tiradas da referência bibliográfica 1.
24
Questionários
Questionários são o meio mais comum de coleta de informações.

Dois tipos de questões são usualmente empregados na redação de
questionários:
Questões de múltipla escolha
Questões de resposta aberta
As alternativas em uma questão de múltipla escolha devem ser claras,

mutuamente excludentes e, quando pedirem opiniões, fornecer opções dos dois
lados do assunto. Idealmente, as opções devem cobrir todas as respostas prováveis.
Se, entretanto, muitas alternativas são apresentadas, elas podem não ser
suficientemente claras e confundir o respondente no momento de sua decisão. A
grande desvantagem de questões de múltipla escolha é que tendem a sugerir uma
resposta, já que limita as respostas possíveis, impedindo o respondente de dizer
exatamente o que pensa.
Este tipo de limitação não ocorre nas questões de resposta aberta, em que o
entrevistado usa suas próprias palavras para responder à pergunta. Uma pergunta
deste tipo produz uma grande gama de respostas que devem ser classificadas em
grupos homogêneos antes que se possa fazer uma análise estatística. Esta
classificação é uma tarefa difícil quando o número de respostas a serem analisadas
é muito grande. Por isso, questões de respostas abertas são mais freqüentemente
empregadas em estudos pilotos ou nos estágios exploratórios, quando se procura
determinar quais tipos de respostas aparecerão. Essas informações são então
usadas na construção do questionário a ser utilizado na obtenção dos dados de um
grupo maior. Às vezes é inevitável misturar os dois tipos de pergunta, quando, por
exemplo, colocamos a opção “outros” e pedimos especificação. Se os dados forem
analisados por computador, deve-se pensar na etapa da codificação ao redigir as
perguntas.
25
Ordem das Questões
Um questionário consistente em uma bateria de questões arranjadas em certa

ordem. As primeiras questões são para estabelecer contato com o respondente e
devem ser bem simples. Quando vários tópicos estão envolvidos, deve-se completar
um tópico antes de passar a outro. A ordem das questões freqüentemente afeta as
respostas dadas pelo respondente, já que as perguntas chamam a atenção do
entrevistado para um conjunto de pensamentos e sentimentos, em cujo contexto as
outras perguntas serão respondidas. Em pesquisa de mercado, por exemplo,
questões que mencionam um produto específico tendem a viciar as perguntas que
se seguem; conseqüentemente, estas questões identificando produtos ou firmas
devem ser colocadas no final, sempre que possível.
Tipo de Abordagem
Muitas pessoas tendem a racionalizar ou exagerar suas respostas quando

são questionadas diretamente sobre seus motivos, realizações ou outros assuntos
que envolvam seu prestígio ou auto-estima. Para se evitar a introdução de
tendenciosidade nessas respostas, usa-se freqüentemente uma abordagem indireta
na elaboração de questões que envolvem prestígio. Por exemplo, ao invés de
perguntas: “Você terminou o curso secundário?”, pode-se perguntar: “Em que ano
você estava quando deixou de estudar?”. Na segunda pergunta tenta-se evitar
constrangimento aos respondentes que não terminaram o curso secundário.
Clareza nas Perguntas
Uma pergunta deve ter aproximadamente o mesmo sentido para todos os

entrevistados; caso contrário, os dados obtidos não terão grande utilidade. Termos
com sentido dúbio devem ser evitados. As perguntas devem ser simples. Nem todos
os entrevistados entenderão questões com enunciado complexo, originando, assim,
resultados ruins.
26
Não Sugerir Respostas
Na formulação das perguntas deve-se evitar um tipo de redação como esta:

“Você concorda em que esta bebida, sendo a melhor, deva custar mais caro?”
Esta pergunta sugere tão obviamente uma resposta que é praticamente inútil.
Algumas vezes, entretanto, é difícil perceber que a redação de uma pergunta possa
sugerir determinada resposta.
A Necessidade do Pré-Teste
Assim que um questionário tenha sido redigido, deve ser testado em um

estudo piloto. Esta fase é fundamental para detectar dificuldades não observadas,
como o lay out do questionário, ordem e redação das perguntas, necessidade de
instruções mais claras para os entrevistadores, etc. Naturalmente, a correção dessas
imprecisões melhorará a qualidade do levantamento.
A Prática de Pesquisas por Amostragem
O leitor deve convencer-se de que é fundamental conhecer as características

específicas da área onde pretende participar de pesquisas por amostragem. O
significado especial de algumas palavras, os melhores locais e horários para se
fazer coleta de dados, o tipo de entrevistador são, entre outros, fatores importantes
para o bom andamento do levantamento. Só lendo literatura na área específica é
que se pode, entretanto, conhecer estes detalhes.
27
Amostragem
Conceitos Fundamentais
Assim que decidimos obter informações através de um levantamento

amostral, temos imediatamente dois problemas:
definir cuidadosamente a população de interesse e

selecionar a característica que iremos pesquisar.
A população-alvo é a população sobre a qual vamos fazer inferências

baseadas na amostra.
Caracterizada a população-alvo, o próximo passo é escolher as
características que iremos medir. Aqui o erro freqüente é querer incluir muitas
características. A qualidade da mensuração cai com o aumento do número de
perguntas. Devemos, portanto, fixar-nos apenas em perguntas que contribuam para
a quantificação adequada da característica populacional de real interesse para o
estudo.
Para que possamos fazer inferências válidas sobre a população a partir de
uma amostra, é preciso que esta seja representativa. Uma das formas de se
conseguir representatividade é fazer com que o processo de escolha da amostra
seja, de alguma forma, aleatório. Além disso, a aleatoriedade permite o cálculo de
estimativas dos erros envolvidos no processo de inferência.
28
Amostragem Aleatória Simples
Neste caso a amostra é escolhida elemento a elemento.

A população é numerada de 1 a N.
Escolhem-se, em seguida, na tábua de números aleatórios, n números
compreendidos entre 1 e N.
Esse processo é equivalente a um sorteio no qual se colocam todos os números
misturados dentro de uma urna. Os elementos correspondentes aos números
escolhidos formarão a amostra.
Exemplo: A tabela a seguir refere-se aos diâmetros de 30 eixos produzidos por uma
industria automobilística (dados hipotéticos)
26 32 26 19 20 22 30 31 17 20
16 17 28 15 26 19 14 16 16 26
27 31 13 26 18 29 18 16 21 24
Extrair, sem reposição, uma amostra aleatória de tamanho n = 5.
Solução: Primeiramente deveremos numerar a população.
Eixo 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17
Diâmetro 26 32 26 19 20 22 30 31 17 20 16 17 28 15 26 19 14
Eixo 18 19 20 21 22 23 24 25 26 27 28 29 30
Diâmetro 16 16 26 27 31 13 26 18 29 18 16 21 24
Escolhemos uma coluna na TNA.

Procuramos os 5 primeiros números não superiores a 30, lendo os dos
últimos algarismos ou os dois primeiros.
29
Obtemos:
2.ª coluna
Leitura na TNA (2 últimos) 18 15 22 24 03
Diâmetro 16 26 31 26 26
30
Amostragem Estratificada
Quando os elementos da população estão divididos em grupos não

superpostos, é mais fácil e mais eficiente escolher, independentemente, uma
amostra aleatória simples dentro de cada um destes grupos, os quais são chamados
estratos.
Esta forma de amostragem é uma das mais utilizadas, já que a maioria das
populações tem estratos bem definidos: os homens e as mulheres; os alunos das
escolas X, Y, Z; os estados brasileiros; ect.
O mais comum é utilizar-se a Amostragem Estratificada Proporcional, que
consiste em selecionar os elementos da amostra entre os vários estratos, em
número proporcional ao tamanho de cada um dos estratos. Em outras palavras,
sejam:
N o número de elementos da população

L o número de estratos
N i o número de elementos do estrato i
n o tamanho da amostra a ser selecionada
n i tamanho de amostra no estrato i
Note que
N = N1 + N2 + ... + NL
Calcula-se a fração de amostragem dada por:

n
f=
N
Obs: A fração de amostragem calcula o tamanho de amostra por unidade da
população.
O número de elementos a serem sorteados em cada estrato será:

n1 = N1 .f
n 2 = N 2 .f
31
M
n L = N L .f
Exemplo: Na execução de uma rede elétrica, uma firma especializada utiliza

eletrodutos de dois tipos: E e F. em uma análise do custo do material
foram considerados 30 faturas, representadas abaixo pelo preço de 10m
de eletroduto.
Eletroduto (estrato) E
Fatura 01 02 03 04 05 06
Preço (R$) 710 710 715 715 755 760
Eletroduto (estrato) F
Fatura Preço Fatura Preço Fatura Preço Fatura Preço

(R$) (R$) (R$) (R$)
01 750 07 760 13 770 19 790
02 750 08 765 14 770 20 795
03 750 09 765 15 770 21 795
04 750 10 765 16 785 22 800
05 755 11 765 17 785 23 810
06 760 12 765 18 790 24 820
Extrair, sem reposição, uma amostra estratificada proporcional de tamanho

n = 8.
Solução:
8
f= = 0,27
30
32
De cada estrato serão sorteadas respectivamente nE e nF unidades:
nE = (0,27) . 6 = 1,62 ≅ 2
nF = (0,27) . 24 = 6,48 ≅6
Para encontrar a amostra referente ao eletroduto E utilizamos TNA (8.ª coluna –

primeiro algarismo) e para encontrar a amostra referente ao eletroduto F utilizamos
TNA (4.ª coluna – últimos algarismos). Assim obtemos:
Estrato E F
Leitura na 3 1 20 03 18 17 24 12
TNA
Fatura (R$) 715 710 795 750 790 785 820 765
Entre as vantagens da amostragem estratificada destacam-se:

a) os dados são geralmente mais homogêneos dentro de cada estrato do que na
população como um todo;
b) o custo da coleta e análise dos dados é freqüentemente menor nesse tipo de
amostragem do que na aleatória simples, devido a conveniências
administrativas;
c) podem-se obter estimativas separadas dos parâmetros populacionais para
cada estrato sem selecionar outra amostra e, portanto, sem custo adicional.
33
Amostragem Sistemática
Uma amostragem sistemática de tamanho n é constituída dos elementos de

ordem K, K+r, K+2r, ... , onde K é um inteiro escolhido aleatoriamente entre 1 e n . E
r é o inteiro mais próximo da fração
N
r≈
n
Por exemplo, se a população tem 100 elementos e vamos escolher uma

amostra de tamanho 6, K é um inteiro escolhido aleatoriamente entre 1 e 6, e r =
100/6 = 16,6 = 17.
Pela TNA (8ª coluna – primeiro algarísmo) K = 3. Assim a amostra será
composta pelos elementos de posição:
3, 20, 37, 54, 71, 88
Se o tamanho da população é desconhecido, não podemos determinar

exatamente o valor de r. Escolheremos intuitivamente um valor razoável para r.
Às vezes a amostragem sistemática é preferida à amostragem aleatória
simples, porque é mais fácil de executar, estando portando menos sujeita a erros, e
proporciona mais informações com menor custo.
Exemplo: escolha a técnica adequada para extrair uma amostra de 50

compradores de uma loja.
Solução: A amostragem aleatória simples não pode ser empregada neste caso,
pois o entrevistador não pode determinar quais compradores serão incluídos na
amostra, uma vez que não se conhece o tamanho N da população, até que todos os
compradores tenham ido à loja. Assim, ele pode usar a amostragem sistemática
(digamos 1 em cada 20 compradores) até obter a amostra do tamanho desejado.
34
Exercícios
1) Com relação a amostragem aleatória simples é CORRETO afirmar que:
a) ( ) Utilizamos a tabela de números aleatórios para encontrar o valor do k.

b) ( ) É utilizada quando conhecemos parte da população
c) ( ) Pode ser utilizada quando não conhecemos a população
d) ( ) É um método aleatório em que não há possibilidade do pesquisador
interferir na escolha da amostra;
e) ( ) Nenhuma das alternativas acima.
2) Com relação a amostragem sistemática é CORRETO afirmar que:
a) ( ) Permite encontrar amostras de população cujo número total de

elementos é desconhecido;
b) ( ) A amostra é encontrada utilizando uma progressão geométrica cujo
primeiro termo é o primeiro elemento da população ;
c) ( ) A amostra é encontrada utilizando uma progressão aritmética cujo
primeiro termo é o primeiro elemento da população ;
d) ( ) A amostra é encontrada utilizando uma progressão aritmética cuja razão
é encontrada na tabela de números aleatórios;
3) Com relação a amostragem estratificada é CORRETO afirmar que:
a) ( ) Permite encontrar amostras de estratos que não possuem nenhuma

característica em comum;
b) ( ) Os estratos devem ser disjuntos;
c) ( ) A amostra é sempre dividida em partes iguais para cada estrato;
d) ( ) Utilizamos uma amostragem aleatória simples considerando todos os
estratos juntos;
35
4) O gerente de um determinado banco com o intuito de fazer uma pesquisa junto a
seus clientes utiliza o seguinte processo: Pega o primeiro cliente que compareceu à
agência naquele dia e o entrevista. O segundo a ser entrevistado é o 6.º cliente. O
terceiro a ser entrevistado é o 11.º cliente e assim sucessivamente até que a
agência feche. É CORRETO afirmar que:
a) ( ) O gerente utilizou uma amostragem estratificada proporcional;

b) ( ) O gerente utilizou uma amostragem aleatória simples;
c) ( ) O gerente utilizou uma amostragem sistemática;
d) ( ) O gerente não utilizou nenhum método de amostragem;
5) Considere o seguinte problema: Deve-se extrair uma amostra estratificada

proporcional de tamanho 60 de uma população de tamanho 4.000, que consiste de
três estratos de tamanhos N1=2.000, N2=1.200 e N3= 800. É CORRETO afirmar que:
a) ( ) Do primeiro estrato deverá ser extraída 18 amostras;

b) ( ) Do segundo estrato deverá ser extraída 30 amostras;
c) ( ) Do terceiro estrato deverá ser extraída 12 amostras;
d) ( ) Deverá extrair 20 amostras de cada estrato;
6) A única opção que traz dois métodos de amostragem em que é preciso conhecer
todos os elementos da população é:
a) ( ) Aleatória simples e por conglomerado;

b) ( ) Por conglomerado e sistemática;
c) ( ) Aleatória simples e sistemática;
d) ( ) Estratificada e por conglomerado;
7) Os dados abaixo se referem a taxa de hemoglobina no sangue (em gramas/cm3)

de 12 professores de uma determinada escola.
36
Professor 1 2 3 4 5 6 7 8 9 10 11 12
Taxa de
11,1 12,2 15,2 11,3 14,4 12,7 13,5 15,8 11,7 16,3 14,1 12,5
hemoglobina
Extrair uma amostra sistemática de 3 taxas de hemoglobina. (Usar 7.ª coluna da

TNA, último algarismo).
8) Os dados abaixo referem-se ao salário (em salários mínimos) de 20 funcionários

administrativos em uma indústria.
10.1 7.3 8.5 5 4.2 3.1 2.2 9 9.4 6.1

3.3 10.7 1.5 8.2 10 4.7 3.5 6.5 8.9 6.1
a) Extraia uma amostra de 6 elementos usando a amostra aleatória simples.

(Usar 2.ª coluna na TNA, dois últimos algarismos);
TNA 18 15 03 16 01 19
Salário 6.5 10 8.5 4.7 10.1 8.9
b) Extraia uma amostra de 5 elementos usando a amostra sistemática. (Usar

2.ª coluna na TNA, último algarismo).
9) Uma pesquisa com usuários de transporte coletivo na cidade de São Paulo

indagou sobre os diferentes tipos usados nas suas locomoções diárias. Dentre
ônibus, metrô e trem, o número de diferentes meios de transporte utilizado foi o
seguinte: 2, 3, 2, 1, 2, 1, 2, 1, 2, 3, 1, 1, 1, 2, 2, 3, 1, 1, 1, 1, 2, 1, 1, 2, 2, 1, 2, 1, 2 e
3.
a) Extraia uma amostra de 10 elementos usando a amostra aleatória simples.

b) Extraia uma amostra de 10 elementos usando a amostra sistemática. (Usar

3.ª coluna na TNA, dois últimos algarismos);
37
10) A idade dos 20 ingressantes num certo ano no curso de pós-graduação em
jornalismo de uma universidade foi o seguinte: 22, 22, 22, 22, 23, 23, 24, 24, 24, 24,
25, 25, 26, 26, 26, 26, 27, 28, 35 e 40.
a) Extraia uma amostra, com reposição, de 8 elementos usando a amostra

aleatória simples. (Usar 3.ª coluna na TNA, dois últimos algarismos);
b) Extraia uma amostra, sem reposição, de 8 elementos usando a amostra

sistemática. (Usar 3.ª coluna na TNA, último algrarismo);
11) Um novo medicamento para cicatrização está sendo testado e um experimento é

feito para estudar o tempo (em dias) de completo fechamento em cortes
provenientes de cirurgia. As 30 cobaias tiveram os seguintes tempos: 15, 17, 16, 15,
17, 14, 17, 16, 16, 17, 15, 18, 14, 17, 15, 14, 15, 16, 17, 18, 18, 17, 15, 16, 14, 18,
18, 16, 15 e 14.
a) Extraia uma amostra, sem reposição, de 10 elementos usando a amostra

aleatória simples. (Usar 3.ª coluna na TNA, dois últimos algarismos);
b) Extraia uma amostra, sem reposição, de 10 elementos usando a amostra

sistemática. (Usar 3.ª coluna na TNA, dois últimos algarismos);
12) Um exame vestibular para uma faculdade tem 80 questões, sendo 40 de

português e 40 de matemática. Para os 20 melhores classificados, apresentamos o
número de acertos em cada disciplina, em ordem decrescente de pontos:
Aluno 1 2 3 4 5 6 7 8 9 10
Português 35 35 34 32 31 30 26 26 24 23
Matemática 31 29 27 28 28 26 30 28 25 23
Aluno 11 12 13 14 15 16 17 18 19 20
Português 23 12 11 20 17 12 14 20 8 10
Matemática 21 32 31 20 21 25 20 13 23 20
38
a) Extraia uma amostra de 5 alunos usando a amostra aleatória simples.
b) Extraia uma amostra de 5 alunos usando a amostra sistemática. (Usar 3.ª

coluna na TNA, dois últimos algarismos);
13) Em uma escola da rede municipal, estão matriculados 370 alunos no curso da
manhã. Eles estão distribuídos na seguinte maneira:
Salas 5.ª A 5.ª B 5.ª C 6.ª A 6.ª B 6.ª C 6.ª D 7.ª A 7.ª B 8.ª A 8.ª B 8.ª C
Alunos 30 25 30 30 30 25 25 35 40 35 35 30
a) Extraia uma amostra de 74 alunos usando a amostra estratificada. (Usar 3.ª

coluna na TNA, dois últimos algarismos)
14) O Departamento de Ensino de uma Escola Particular, de um bairro de classe

média, deseja realizar uma pesquisa para saber se seria conveniente criar o 2.º grau
em seu quadro de turmas. Isso porque ela ministra apenas da 1.ª série à 8.ª série do
ensino básico e fundamental.
Para isso ela contrata uma firma de consultoria para realizar esta pesquisa.
Suponhamos que você faça parte dessa firma e seja indicado(a) para formular
um questionário a fim de coletar dados que irão ajudar na solução deste problema.
Então você deverá criar um questionário com esse objetivo. Bom trabalho.!!!
15) Os dados a seguir referem-se ao consumo de energia elétrica, em mil MWh. Os

dados são da CEMIG,FURNAS, ELETROBRÁS.
Setor 2007 2006 2005 2004 2003 2002 2001 2000 1999 1998 1997
Refinaria
301 286 262 248 246 253 238 259 242 236 251
de petróleo
Química 3471 3465 3189 3089 2929 2770 2591 2747 2033
Residencial 7301 7118 7047 6965 6963 6785 6899
Extrair uma amostra estratificada proporcional de tamanho 9, sem repetição.
39
Usar: Refinaria: 2ª coluna, Química: 4ª coluna e Residência: 7ª coluna. Ambos
utilizar primeiros lgarísmos.
16) Os dados a seguir referem-se ao número de acidentes de tráfego durante 50

horas de pico em certa rodovia.
1 0 3 2 3 5 3 0 2 7
0 4 3 1 3 1 5 3 4 4
2 1 3 1 2 2 1 0 2 0
0 1 1 2 4 5 3 4 3 4
3 3 5 2 1 6 1 2 4 6
17) Os dados a seguir referem-se ao número de alarmes falsos (acionados

acidentalmente ou por mau funcionamento do equipamento) recebidos em 30 dias
por um serviço de monitoramento da segurança.
3 6 2 4 5 8 2 5 6 3
4 7 4 6 5 5 5 4 3 7
4 4 6 3 9 5 7 4 4 6
18) Um artigo em Technometrics (Vol. 19, 1977, pg. 425) apresenta dados sobre
taxas de octanagem de combustível para motor, de várias misturas de gasolina. 40
destes resultados são apresentados a seguir:
88,5 94,7 84,3 90,1 89 89,8 91,6 90,3 90 91,5

89,9 98,8 88,3 90,4 91,2 90,6 92,2 87,7 91,1 86,7
93,4 96,1 89,6 90,4 91,6 90,7 88,6 88,3 94,2 85,3
90,1 89,3 91,1 92,2 83,4 91 88,2 88,5 93,3 87,4
Extrair uma amostra sistemática de tamanho n = 6.

Utilize a tabela de números aleatórios: 1ª coluna, primeiro algarismo.
OBS.: A numeração deverá ser feita por linha.
40
Distribuição de Freqüência
Dados Brutos
Após a coleta de dados é comum encontrá-los desordenados, ou seja, fora de

alguma ordem. Por essa razão, costuma-se chamá-los de dados brutos.
Exemplo: Os dados a seguir representam a temperatura de efluentes em dias

consecutivos na descarga de uma estação de tratamento de esgoto:
43 45 49 47 52
45 51 46 44 48
51 50 52 44 48
50 49 50 46 46
49 49 51 50 49
Rol
Quando tomamos os dados brutos e colocamos seus elementos em uma

determinada ordem, crescente ou decrescente, obtemos um conjunto organizado
denominado Rol.
43 44 44 45 45
46 46 46 47 48
48 49 49 49 49
49 50 50 50 50
51 51 51 52 52
41
Tabela de freqüência
As tabelas de freqüências são representações nas quais os valores se

apresentam em correspondência com suas repetições.
Uma das vantagens da tabela de freqüência é proporcionar uma rápida
visualização dos dados. Também é possível calcular medidas com um menor
número de cálculos.
A seguir apresentamos as tabelas de freqüências simples (não agrupadas em
classes).
Distribuição de Freqüências de Dados Tabulados Não-Agrupados em Classes
É uma tabela onde cada valor da variável aparece individualmente com sua
respectiva freqüência, repetição. Esse tipo de apresentação é utilizado para
representar uma variável discreta ou descontinua.
Exemplo: A tabela abaixo representa Os dados a seguir representam a temperatura

de efluentes em dias consecutivos na descarga de uma estação de tratamento de
esgoto:
42
Tabela 3: Temperatura de efluentes em dias consecutivos
na descarga de uma estação de tratamento de esgoto:
Freqüência
Temperatura fj
43 1
44 2
45 2
46 3
47 1
48 2
49 5
50 4
51 3
52 2
25
Fonte: Estatística Aplicada e Probabilidade para Engenheiros [2]
Distribuição de Freqüências de Dados Agrupados em Classes
Muitas vezes, mesmo com o risco de se sacrificar algum detalhe manifestado

na ordenação de valores individuais, há vantagem em resumir os dados originais em
uma distribuição, onde os valores observados não mais aparecerão individualmente,
mas agrupados em classes.
Para variáveis contínuas sempre usamos agrupar. Para variáveis discretas e
número de valores representativos dessa variável muito grande também agrupamos.
Elementos de uma Distribuição de Freqüências
1) Freqüência Simples Absoluta: fj
É o número de observações correspondentes a essa classe ou a esse valor.

A freqüência simples absoluta, ou simplesmente freqüência, é simbolizada por fj .
43
2) Amplitude Total: At
É a diferença entre o maior e o menor valor observado da variável em estudo.
3) Número de Classes
É cada um dos grupos de valores em que se subdivide a amplitude total do

conjunto de valores observados da variável.
Uma classe pode ser identificada por seus extremos ou pela ordem em que
ela se encontra na tabela (valor do índice j)
O número de classes pode ser calculado usando a fórmula de Sturges:
k = 1 + 3,3 log10 N
Onde
k = número de classes
N = número total de observações
O arredondamento de k é feito para o inteiro imediatamente superior.
4) Limites de classes
Os limites de classe são seus valores extremos.
a) Limite Inferior: É o valor mínimo de uma classe.

b) Limite Superior: É o valor máximo de uma classe. Este pode não
pertencer à classe atual.
5) Amplitude do Intervalo de classe
Amplitude do intervalo de classe ou simplesmente intervalo de classe é o

comprimento da classe, sendo geralmente definida como a diferença entre seus
limites superior e inferior.
44
6) Ponto médio de classe
O ponto médio ou valor médio é o valor que a representa, para efeito de

cálculos de certas medidas. Na distribuição de freqüências com valores
agrupados em classes, considera-se que os resultados incluídos em cada classe
distribuem-se uniformemente por seu intervalo.
Exemplo 1: Os dados a seguir representam a temperatura de efluentes em dias

43 44 44 45 45
46 46 46 47 48
48 49 49 49 49
49 50 50 50 50
51 51 51 52 52
Amplitude total = 52 – 43 = 9
Número de classes:
k = 1 + 3,3 x log 25
k = 1 + 3,3 x 1,3979
k = 5,61
k≅6
Amplitude do intervalo de classe:

Ac = At / k = 9 / 6 = 1,5
Obs: Devemos inicialmente testar se o limite superior da última classe é maior ou

igual ao valor máximo. Para isto utilizamos a fórmula
Limite superior da última classe = mínimo + k. Ac
Caso o limite superior não seja maior ou igual ao valor máximo então devemos,
como alternativa, fazer um arredondamento por excesso na amplitude de classe.
Limite superior da última classe = 43 + 6. 1,5 = 52
45
na descarga de uma estação de tratamento de esgoto
temperatura fj
43,0 |--- 44,5 3
44,5 |--- 46,0 2
46,0 |--- 47,5 4
47,5 |--- 49,0 2
49,0 |--- 50,5 9
50,5 |---| 52,0 5
Total 25
Tipos de freqüência
Frequência simples ( fj): é a freqüência de cada valor individual ou de cada

classe;
Frequênca acumulada simples ( Fj): é a soma de todas as frequências simples
anteriores;
Frequência relativa simples (frj): é o valor de cada freqüência simples dividido
pela soma das freqüências;
Frequênca acumulada relativa (Frj): é a soma de todas as frequências
relativas simples anteriores;
46
Exemplo: Considere a tabela a seguir

Frequência Frequência Frequência

temperatura fj acumulada relativa relativa
simples Simples Acumulada
Fj frj Frj
43,0 |--- 44,5 3 3 0,12 0,12
44,5 |--- 46,0 2 5 0,08 0,20
46,0 |--- 47,5 4 9 0,16 0,36
47,5 |--- 49,0 2 11 0,08 0,44
49,0 |--- 50,5 9 20 0,36 0,80
50,5 |---| 52,0 5 25 0,20 1,00
Total 25 1,00
Observação: A soma total da freqüência relativa simples deve ser igual a 1.
47
ROTEIRO PARA A ELABORAÇÃO DE UMA TABELA DE FREQÜÊNCIAS COM
DADOS AGRUPADOS EM CLASSES
Para a construção de uma tabela de freqüências, é conveniente adotar-se um

roteiro que, embora baseado em critérios relativamente arbitrários, facilita e torna
operacional o trabalho de quem irá montar a tabela. O roteiro proposto consta dos
seguintes passos:
a) Lista de dados brutos que pode ou não ser transformada em rol;

b) Encontrar a amplitude total do conjunto de valores observados:
At = Maior valor do conjunto - Menor valor do conjunto
c) Calcular o número de classes (k) usando a fórmula de Sturges:
d) Determinar a amplitude do intervalo de classe.
Muitas vezes convém arredondar o número correspondente à amplitude

do intervalo de classe a que se chegou para um número mais adequado, que
facilite os cálculos.
e) Determinar os limites das classes, escolhendo-se preferencialmente,

números inteiros.
f) Construir a tabela de freqüências.
48
Manual para Normalização de Publicações Técnico – cientificas
Ed. UFMG
Tabelas de distribuição de freqüência
1) As tabelas devem ser dotadas de um título claro e conciso localizado acima

delas. São numeradas seqüencialmente em todo o trabalho, com algarismos
arábicos (1, 2, 3, ...), segundo normas do IBGE.
2) No cabeçalho de cada coluna indica-se o seu conteúdo. Os títulos das
colunas podem ser datilografados verticalmente, se necessário, para
economizar espaço.
3) Não se deve deixar nenhuma “casa” vazia no corpo da tabela, usando-se os
símbolos, conforme convenção internacional:
- quando, pela natureza do fenômeno, o dado não existir

Z quando o dado for rigorosamente zero
... quando não se dispuser do cálculo
4) Na construção de tabelas usam-se os seguintes traços:
a) traço duplo horizontal, limitando o quadro;

b) traço simples vertical, separando a coluna indicadora das demais e
estas entre si; no corpo da tabela pode ser eliminado desde que o número de
colunas seja pequeno e não haja prejuízo na leitura dos dados;
5) a tabela não deve ser fechada lateralmente, tampouco se colocam traços
horizontais separando os dados numéricos.
49
Exercícios
Para os exercícios 1 a 5 construa uma tabela de distribuição de freqüência
simples.
1) As cifras abaixo representam os ganhos de 15 vendedores:
425 440 610 518 324

482 624 390 468 457
509 561 482 480 520
2) Dão-se a seguir os pesos, em libras, de 20 candidatos a empregos no corpo de

bombeiros de uma cidade:
225 182 194 210 205 172 181 198 164 176
180 193 178 193 208 186 183 170 186 188
3) Os seguintes números de unidades de um produto foram completados em

determinados dia por 20 operários de uma fábrica de artigos de artesanato:
61 58 59 72 47 55 40 73 66 60
71 69 63 58 51 42 67 80 62 53
4) Uma auditoria em 60 faturas de venda revelou os seguintes números de erros na

fixação de preços:
0 0 2 1 4 1 0 1 3 2
2 0 1 1 1 4 0 3 1 5
1 1 0 2 0 0 1 1 4 3
0 1 0 2 1 4 3 1 0 0
5 1 2 0 3 0 2 1 1 3
1 4 3 0 2 0 1 1 0 1
50
5) Dão-se, a seguir, os números de alarmes falsos(acionados acidentalmente ou por
mau funcionamento do equipamento) recebidos em 30 dias por um serviço de
monitoramento da segurança:
3 6 2 4 5 8 2 5 6 3
4 7 4 6 5 5 5 4 3 7
4 4 6 3 9 5 7 4 4 6
As questões de 6 a 11 são referentes à tabela a seguir. Ela se refere a notas de

alunos, em uma prova de 30 pontos, de uma determinada escola.
Notas fj
11 I----- 6
I----- 2
I----- 2
I----- 10
I----- 6
21 I----- 4
Total 30
6) O valor do limite superior da 4.ª classe é de:
a) ( ) 17;
b) ( ) 18;
c) ( ) 19;
d) ( ) 20;
7) O valor do limite inferior da 3.ª classe é de:
a) ( ) 13;
b) ( ) 14;
51
c) ( ) 15;
d) ( ) 16;
8) O valor da freqüência acumulada simples da 5.ª classe é de:
a) ( ) 8;
b) ( ) 10;
c) ( ) 20;
d) ( ) 26;
9) O valor da freqüência relativa acumulada 4.ª classe é de:
a) ( ) 0,2000;
b) ( ) 0,2667;
c) ( ) 0,3333;
d) ( ) 0,6667;
10) Porcentagem dos alunos que tiraram abaixo de 50% da nota da prova é de:
a) ( ) 20%;
b) ( ) 27%;
c) ( ) 34%;
d) ( ) 67%;
11) A nota em que 66% dos alunos estão acima dela é de:
a) ( ) 15;
b) ( ) 16;
c) ( ) 17;
d) ( ) 18;
52
As questões de 12 a 15 são referentes à tabela a seguir. Ela se refere a pacientes
internados no hospital X, localidade Y, no ano Z.
Grupo etários (em anos) fj

20 |--- 1
|--- 3
|--- 5
|--- 6
|--- 4
70 |--- 1
Total 20
12) O valor do limite superior da 4.ª classe é de:
13) O valor do limite inferior da 3.ª classe é de:
14) O valor da freqüência acumulada simples da 5.ª classe é de:
15) O valor da freqüência relativa simples da 4.ª classe é de:
16) Os dados se referem aos pesos dos alunos de uma determinada escola:
60.5 60 70 47.4 60 57 52 47 55 50
55 58 54 66 58.5 63 73 95 39 54.5
72.8 47 58 85.2 49.2 52 56 84 75 50
80.9 57.8 68.5 54.5 48 49 58 60 55 71
55 58 63.5 52.5 51.6 59 87 73 49 86
Após construir uma tabela de distribuição de freqüência agrupada em classes, a

freqüência simples da terceira classe é de:
53
17) Os dados abaixo se referem aos pesos dos alunos de uma determinada escola:
60.5 60 70 47.4 60 57 52 47 55 50
55 58 54 66 58.5 63 73 95 44 54.5
72.8 47 58 85.2 49.2 52 56 84 75 50
80.9 57.8 68.5 54.5 48 49 58 60 55 71
55 58 63.5 52.5 51.6 59 87 73 49 86
Siga os passos para a construção de uma tabela de distribuição de freqüência com

dados agrupados:
a) Determine a amplitude total
b) Determine a amplitude de classe
c) Construa a tabela usando 7 classes
d) Inclua na tabela as freqüências relativas simples
e) Inclua na tabela as freqüências acumuladas (abaixo de) simples
f) Inclua na tabela as freqüências acumuladas (abaixo de) relativas
18) Com relação à tabela de distribuição de freqüência agrupada acima responda:
a) Quantos alunos pesam até 69 kg?
b) Quantos alunos pesam mais de 76 kg?
c) Qual a porcentagem de alunos que pesam menos de 62 kg?
54
19) Uma importante característica de qualidade da água é a concentração de
material sólido suspenso. Em seguida, são apresentadas 60 medidas de sólidos
suspensos de um certo lago. Os dados são do livro Estatística Aplicada e
Probabilidade para Engenheiros.
42,4 54,3 56,3 65,7 54 43,3 29,8 73,1 57,4 58,7

81,3 45,3 52,1 59,9 80,1 55,8 56,9 49,7 57 62,2
42,8 68,7 69,9 42,4 67,3 66,9 59,6 67,3 59 65,8
61,4 42,6 61,4 64 77,4 73,1 64,2 54,7 77,3 72,6
57,1 48,5 72,5 77,3 89,8 46,1 39,3 50,7 53,1 76,4
52 56,1 59,3 59,6 67,2 51,1 66,1 70,7 73,8 31,6
Com o objetivo de construir uma tabela de distribuição de frequência agrupada em

classes calcule:
a) Valor mínimo e máximo;
b) Amplitude total;
c) Número de classes;
d) Amplitude de classes;
e) Construa a tabela apresentando as frequência simples e relativa simples.
Considere log 60 = 1,7782
55
Medidas de Tendência Central.
As medidas de tendência central têm por objetivo localizar o centro dos

dados. Estas medidas são: média, mediana e moda.
Em muitos casos estas medidas são diferentes, mas elas também podem ser
iguais.
Nesta apostila adotamos, didaticamente, dois casos para o cálculo destas
medidas: quando os dados são brutos ou estão em tabela de distribuição simples e
quando os dados estão em tabela de distribuição agrupada em classes.
Dados brutos
1) Média Aritmética Simples
A média aritmética simples, amostral, de um conjunto de n observações

x1 , x 2 , L , x n é definida por
n
∑ xi
i =1
x =
n
A média aritmética simples, populacional, de um conjunto de N observações

x1 , x2 , L , xN é definida por
N
∑ xi
i =1
µ =
N
56
Exemplo: Os dados a seguir representam as temperaturas (em ºF) em que ocorrem
uma deflexão, devido à carga, em uma amostra de 10 tubos plásticos idênticos.
206 188 205 187 194 193 207 185 189 213
Qual a média aritmética?

Solução: A média será
n
∑x
i =1
i
x =
n
206 + 188 + 205 + 187 + 194 + 193 + 207 + 185 + 189 + 213
x=
10
1.967
x=
10
x = 196,7
2) Mediana: Md
Para evitar a possibilidade de sermos enganados por valores muito pequenos

ou muito grandes, ocasionalmente descrevemos o “meio” ou “centro”de um
conjunto de dados com outras medidas estatísticas que não a média. Uma
dessas medidas, a MEDIANA de n valores, exige que os ordenemos, e se define
como:
O valor do elemento do meio se n é ímpar, ou a média aritmética dos dois

valores do meio se n é par.
n +1
Assim dizemos que a mediana é o valor do elemento.
2
57
Exemplo: Os dados a seguir representam as temperaturas (em ºF) em que ocorrem
uma deflexão, devido à carga, em uma amostra de 10 tubos plásticos idênticos.
206 188 205 187 194 193 207 185 189 213
Qual a mediana?
Solução: Ordenando os elementos temos:
185 187 188 189 193 194 205 206 207 213
Como temos 10 elementos, número par, a mediana será a média aritmética dos dois
193 + 194
elementos centrais. Logo a mediana é Md = = 193,5 .
2
Exemplo 2: Em algumas áreas, as pessoas autuadas por certas infrações leves de

tráfego podem freqüentar um curso de direção defensiva em lugar de pagar uma
multa. Se 11 desses cursos foram freqüentados por
40 32 37 30 24 40 38 35 40 28 32
Cidadãos. Qual a mediana?
Solução: Ordenando os elementos temos:
24 28 30 32 32 35 37 38 40 40 40
Como temos 11 elementos, número ímpar, a mediana será o valor do elemento

11 + 1
central. A posição central é o 6º elemento, Posição = = 6 . Logo a mediana será
2
35.
58
3) Moda: Mo
É o valor que ocorre com maior freqüência e mais de uma vez.
Exemplo: Vinte reuniões de um clube de dança tiveram as seguintes freqüências de

seus membros
26 25 28 23 25 24 24 21 23 26
28 26 24 32 25 27 24 23 24 22
Qual a moda?
Solução: A moda vale 24, pois ocorre 5 vezes.
Observação: A moda é raramente utilizada em inferência estatística pelo fato de

nem sempre existir (o que ocorre quando não há dois valores iguais) ou de,
eventualmente, não ser única.
Exemplo: Os dados a seguir referem-se a quantidade de pessoas que assistiram a 6

sessões de um filme no cinema:
121 133 121 133 114 141
Qual o número modal de pessoas que assistiram ao filme?
Solução: Temos que os números 121 e 133 repetem, ambos, duas vezes. Portanto a
moda não é única. Logo as modas são 121 e 133.
59
Dados em tabela de distribuição de freqüência
Considere:
xi o ponto médio da classe i ,

fi a freqüência da classe i,
k a quantidade de classe.
1) Média aritmética
A média aritmética é definida por:
k
∑ x i . fi
i =1
x =
k
∑ fi
i =1
OBS.:
Caso tenhamos uma tabela de distribuição agrupada em classes, o valor de

xi será o ponto médio da classe.
O arredondamento será sempre uma casa decimal a mais que os dados.
60
Exemplo: A tabela abaixo representa o número de defeitos por peça.
Tabela: Número de defeitos por peça

Freqüência
Número de defeitos (xi) fj
0 5
1 10
2 18
3 12
4 5
50
Fonte: Referência bibliográfica [1]
Calcule número médio de defeitos.

Solução: Preenchemos a tabela com os valores necessários
Freqüência
Número de defeitos (xi) fi Xifi
0 5 0
1 10 10
2 18 36
3 12 36
4 5 20
50 102
A média será
k
∑x . f
i =1
i i
102
x = k
= = 2,0
50
∑f
i =1
i
61
Exemplo: A tabela abaixo representa as temperatura de efluentes em dias
consecutivos na descarga de uma estação de tratamento de esgoto.

temperatura fj
43,0 |--- 44,5 3
44,5 |--- 46,0 2
46,0 |--- 47,5 4
47,5 |--- 49,0 2
49,0 |--- 50,5 9
50,5 |---| 52,0 5
Total 25
Calcule a temperatura média.

Solução: Preenchemos a tabela com os valores necessários
temperatura fj xj x jf j
43,0 |--- 44,5 3 43,75 131,25
44,5 |--- 46,0 2 45,25 90,50
46,0 |--- 47,5 4 46,75 187,00
47,5 |--- 49,0 2 48,25 96,50
49,0 |--- 50,5 9 49,75 447,75
50,5 |---| 52,0 5 51,25 256,25
Total 25 1.209,25
A temperatura média será

k
∑x . f
i =1
i i
1.209,25
x = k
= = 48,37
25
∑f
i =1
i
62
2) Mediana
Se tivermos uma tabela de distribuição de freqüência simples, então podemos

proceder como no caso dos dados estarem na forma bruta.
Freqüência
Número de defeitos (xi) fi
0 5
1 10
2 18
3 12
4 5
50
Qual o número mediano de defeito?
Solução: Como temos 50 elementos, o valor mediano deverá ser a média dos dois
elementos centrais. Neste caso os dois elementos centrais são os elementos de
2+2
posição 25º e 26º, = 2 . Assim o número mediano de defeito é 2.
2
Para uma distribuição de freqüência agrupada em classes, a mediana é tal
que metade da área total dos retângulos do histograma da distribuição está à sua
esquerda, e a outra metade está à sua direita.
De modo geral podemos calcular a mediana por:
n 
 −∑ f 
x = L+  ⋅h
2
Md = ~
F
63
onde
L: é o limite inferior da classe em que a mediana deve estar.

F: é a freqüência da classe mediana
h: o intervalo de classe
n: é o número de elementos ou tamanho da amostra
∑ f : soma das frequência anteriores à classe da mediana

Calcule a temperatura média.

temperatura fi
43,0 |--- 44,5 3
44,5 |--- 46,0 2
46,0 |--- 47,5 4
47,5 |--- 49,0 2
49,0 |--- 50,5 9
50,5 |---| 52,0 5
Total 25
Qual o valor da temperatura mediana?

Solução: Como temos 25 elementos, o valor mediano deverá estar no
25
= 12,5º elemento.
2
Assim 3 + 2 + 4 + 2 = 11 e 3 + 2 + 4 + 2 + 9 = 20. A mediana estará na 5.ª classe.
Usando a fórmula temos:
L = 49,0, F = 9, h = 1,5 e ∑ f = 11 . Logo

64
n 
 −∑ f 
Md = L +   ⋅h
2
F
Md = 49,0 +
(12,5 − 11) ⋅ 1,5
9
Md = 49,25
Portanto a mediana é 49,25.
3) Moda
Se tivermos uma tabela de distribuição de freqüência simples, então podemos

proceder como no caso dos dados brutos.
Freqüência
Número de defeitos (xi) fi
0 5
1 10
2 18
3 12
4 5
50
Qual o número de defeito modal?

Solução: 0 número de defeito que mais ocorre é 2, pois ocorre 18 vezes. Logo o
número de defeito modal é Mo = 2.
65
Quando temos uma tabela de distribuição de freqüência agrupada em
classes, o cálculo da moda é feito utilizando a fórmula de Czuber.
1.º passo: Identificamos a classe modal ( aquela que possui maior frequência)
2.º passo: Aplica-se a fórmula
∆1
Mo = L + ⋅h
∆1 + ∆ 2
onde
L: É o limite inferior da classe modal.
∆1 : Diferença entre a freqüência da classe modal e a classe imediatamente anterior.
∆2 : Diferença entre a freqüência da classe modal e a classe imediatamente
posterior.
h: Amplitude da classe modal


temperatura fi
43,0 |--- 44,5 3
44,5 |--- 46,0 2
46,0 |--- 47,5 4
47,5 |--- 49,0 2
49,0 |--- 50,5 9
50,5 |---| 52,0 5
Total 25
Calcule a temperatura modal
66
Solução:
1.º passo: A classe modal é a 5.ª, pois ela possui a maior freqüência.
2.º passo: Temos
L = 49,0 , ∆ 1 = 9 − 2 = 7 , ∆ 2 = 9 − 5 = 4 e h = 1,5
7
Mo = 49,0 + ⋅ 1,5
7+4
Mo = 49,95
Logo a temperatura modal é Mo = 49,95.
Obs: Podemos também calcular o valor aproximado da moda utilizando a fórmula de

Pearson:
Mo = 3Md − 2 x
Exercícios
I) Considere a tabela
Tabela: Quantidade de óxido de enxofre (em toneladas)
emitidas por uma indústria em 70 dias
Tempo f
6,2 |--- 9,4 4
9,4 |--- 12,6 8
12,6 |--- 15,8 9
15,8 |--- 19,0 14
19,0 |--- 22,2 14
22,2 |--- 25,4 11
25,4 |--- 28,6 8
28,6 |--- 31,8 2
70
Fonte: referência bibliográfica [2]
Calcule:
2) Mediana
3) Moda
4) Compare as medidas calculadas.
67
II) Considere a tabela
Tabela: Tempo de percurso, para o trabalho, de 100 empregados

de um grande escritório localizado no centro da cidade
Tempo f
11,4 |--- 25,65 20
25,65 |--- 39,90 36
39,90 |--- 54,15 29
54,15 |--- 68,40 5
68,40 |--- 82,65 1
82,65 |--- 96,90 4
96,90 |--- 111,15 3
111,15 |--- 125,40 2
100
Fonte:
Calcule:
2) Mediana
3) Moda
4) Compare as mediadas calculadas.
68
Separatrizes
As separatrizes são medidas de posição, ou seja, são medidas que dividem o

conjunto de dados em partes iguais.
As medidas de posição estudadas nesta apostila são: quartil, decil e percentil.
A seguir destacamos os métodos de cálculo destas medidas.
Dados brutos ou em tabela de distribuição simples
Para o cálculo das medidas separatrizes é necessário, primeiramente,

ordenar os dados.
Quartis
Os quartis dividem um conjuto de dados em quatro partes uguais. Assim:

Q1 = 1º quartil
Q2 = 2º quartil
Q3 = 3º quartil
O cálculo dos quartis é feito utilizando a fórmula:
i
Posição: PQ i = (N + 1)
4
i
( )
Valor: Q i = X ( j ) + X ( j +1) − X ( j ) , onde j é a parte inteira do resultado de
4
PQ i .
Exemplo: Os dados a seguir referem-se a pressão sanguínea sistólica de 20

pacientes de um hospital.
165 135 151 153 155 182 152 158 146 149
124 162 173 204 159 130 177 162 141 156
Calcule:
1) 2º quartil
Solução: Ordenando os dados.
124 130 135 141 146 149 151 152 153 155
156 158 159 162 162 165 173 177 182 204
2
Posição: PQ i = (20 + 1) = 10,5
4
i
( )
Valor: Q i = X ( j ) + X ( j +1) − X ( j ) = 155 + 0 ,5(156 − 155) = 155,5
4
69
2) 3º quartil
3
Posição: PQ i = (20 + 1) = 15,75
4
i
Valor: Q i = X ( j ) + (X ( j +1) − X ( j ) ) = 162 + 0,75(165 − 162) = 164,2
4
Decis
Os decis dividem um conjuto de dados em dez partes uguais. Assim:

D1 = 1º decil
D2 = 2º decil
M
D9 = 9º decil
O cálculo dos decis é semelhante ao cálculo dos quartis.
i
Calcula-se a posição utilizando: PDi = (N + 1)
10
Calcula-se o valor de cada decil utilizando a fórmula:
i
Di = X( j) +
10
( )
X ( j +1) − X ( j ) , onde j é a parte inteira do resultado de PDi .
Percentis
Os percentis dividem um conjuto de dados em cem partes uguais. Assim:
P1 = 1º percentil
P2 = 2º percentil
M
P99 = 99º percentil
O cálculo dos percentis é semelhante ao cálculo dos quartis.

i
Calcula-se a posição utilizando: PPi = (N + 1)
100
Calcula-se o valor de cada percentil utilizando a fórmula:
i
Pi = X ( j ) +
100
( )
X ( j +1) − X ( j ) , onde j é a parte inteira do resultado de PPi .
Exercícios
I) Os dados a seguir referem-se a pressão sanguínea sistólica de 20 pacientes de

um hospital.
124 130 135 141 146 149 151 152 153 155
156 158 159 162 162 165 173 177 182 204
Calcule:
1) 3º decil;
70
2) 9º decil;
3) 75º percentil;
4) 95º percentil.
II) Exemplo 1: Os dados a seguir representam a temperatura de efluentes em dias

43 44 44 45 45
46 46 46 47 48
48 49 49 49 49
49 50 50 50 50
51 51 51 52 52
Calcule:
1) 3º decil;
2) 7º decil;
3) 85º percentil;
Dados agrupados em classes
Quartis
Os quartis dividem um conjuto de dados em quatro partes uguais. Assim:
Q1 = 1º quartil
Q2 = 2º quartil
Q3 = 3º quartil
O cálculo dos quartis é feito utilizando a fórmula:
 n⋅i 
 − ∑ f ⋅h
Qi = LQi +  
4
FQi
Onde:
LQi : é o limite inferior da classe em que o quartil deve estar.
FQi : é a freqüência da classe do quartil
∑ f : soma das frequência anteriores à classe do quartil

Decis
Os decis dividem um conjuto de dados em dez partes uguais. Assim:
71
D1 = 1º decil
D2 = 2º decil
M
D9 = 9º decil
O cálculo dos decis é feito utilizando a fórmula:
 n⋅i 
 −∑ f ⋅h
Di = LDi +  
10
FDi
Onde:
LDi : é o limite inferior da classe em que o decil deve estar.
FDi : é a freqüência da classe do decil
∑ f : soma das frequência anteriores à classe do decil

Percentis
Os percentis dividem um conjuto de dados em cem partes uguais. Assim:

P1 = 1º percentil
P2 = 2º percentil
M
P99 = 99º percentil
O cálculo dos percentis é feito utilizando a fórmula:
 n⋅i 
 −∑ f ⋅h
Pi = LPi +  
100
FPi
Onde:
L Pi : é o limite inferior da classe em que o percentil deve estar.
FPi : é a freqüência da classe do percentil
∑ f : soma das frequência anteriores à classe do percentil
72
Exercícios:
1) Considere a tabela
Tabela: Quantidade de óxido de enxofre (em toneladas)
emitidas por uma indústria em 70 dias
Tempo f
6,2 |--- 9,4 4
9,4 |--- 12,6 8
12,6 |--- 15,8 9
15,8 |--- 19,0 14
19,0 |--- 22,2 14
22,2 |--- 25,4 11
25,4 |--- 28,6 8
28,6 |--- 31,8 2
70
Calcule:
a) 3º quartil
b) 6º decil
c) 90º percentil
2) Considere a tabela
Tabela: Tempo de percurso, para o trabalho, de 100 empregados

de um grande escritório localizado no centro da cidade
Tempo f
11,4 |--- 25,65 20
25,65 |--- 39,90 36
39,90 |--- 54,15 29
54,15 |--- 68,40 5
68,40 |--- 82,65 1
82,65 |--- 96,90 4
96,90 |--- 111,15 3
111,15 |--- 125,40 2
100
Fonte:
Calcule:
a) 2º quartil
b) 4º decil
c) 95º percentil
73
3) Em uma fábrica ou um escritório, o tempo, no horário de trabalho, durante o qual
uma máquina não está funcionando em virtude de quebra ou falha é chamado tempo
parado. A tabela a seguir é uma amostra da duração desses tempos parados de
certa máquina.
Tabela: o tempo, no horário de trabalho, durante o qual

uma máquina não está funcionando em virtude de quebra ou falha
Tempo parado Frequência

(minutos) f
0 ---- 9 2
9 ---- 18 15
18 ---- 27 17
27 ---- 36 12
36 ---- 45 3
45 ---- 54 1
Total 50
Calcule:
a) Tempo 70º percentil.
b) Tempo 3º quartil.
4) O gráfico, ramo e folhas, a seguir representa o número de clientes que almoçaram

em um restaurante. Ele foi gerado pelo software SPSS.
Gráfico 1: Número de clientes que almoçaram em um restaurante
Frequency Stem & Leaf
1,00 4. 1
3,00 4 . 233
1,00 4. 5
4,00 4 . 6677
4,00 4 . 8899
5,00 5 . 00111
10,00 5 . 2222233333
9,00 5 . 444555555
12,00 5 . 666666777777
15,00 5 . 888888899999999
16,00 6 . 0000000011111111
15,00 6 . 222222233333333
11,00 6 . 44444445555
7,00 6 . 6666777
2,00 6 . 89
1,00 7. 1
1,00 7. 3
1,00 7. 4
1,00 7. 6
74
Stem width: 10
Each leaf: 1 case(s)
Baseando no gráfico responda:

i
a) Qual o 6º decil? Use, para calcular a posição do decil, PDi = (n + 1) .
10
75
Medidas de Variabilidade
São medidas estatísticas utilizadas para avaliar o grau de variabilidade, ou

dispersão, dos valores em torno da média.
Considere os dois conjuntos de dados a seguir:
Conjunto 1 20 20 20 20 20 20 20
Conjunto 2 30 15 15 20 20 20 20
Gráfico: comparação entre a média e conjunto de dados 2
Ambos os conjuntos têm média 20.

O desvio-padrão ou a variância são mediadas que expressão o grau de
dispersão dos em torno da média. Quanto maior a dispersão maior o desvio-padrão.
A seguir apresentamos as fórmulas utilizadas para o cálculo do devio-padrão,
S . A variância é dada como o quuadrado do desvio-padrão, S2 .
Em situações práticas é usado o cálculo do desvio-padrão devido ao fato de
que ele tem a mesma unidade de medida que os dados.
76
Desvio padrão
Símbolo: S
Dados não agrupados
Amostral Populacional
 2
n    N  
2
 ∑ x  
i   ∑ xi  
1 n 2 
 i =1 
 1  N 2  i =1  
S=  ∑ xi −  σ= ∑ xi − N 
n − 1 i =1 n  N  i =1
   
   
 
Cálculo do desvio padrão de dados em tabela de distribuição de freqüência
Sejam :
xi o ponto médio da classe i ,
fi a freqüência da classe i,
k a quantidade de classe.
Amostral Populacional
  
2
 2
 k k  

1 k 2


∑ x .
i if 

   ∑ xi .fi  

S=
 ∑
n − 1 i =1
xi . f i − i =1
n  σ =
1  k 
∑ xi2.fi −  i =1
 
 
  n i =1 n 
   
 
 
77
Exemplo:
1) Voltando aos dois conjuntos iniciais
Conjunto 1 20 20 20 20 20 20 20
Conjunto 2 30 15 15 20 20 20 20
Temos que o desvio-padrão do conjunto 1 é 0 (zero);

Já o desvio-padrão do conjunto 2 é 5 (cinco);

parado.
A tabela a seguir é uma amostra da duração desses tempos parados de certa
máquina.
Tabela: o tempo, no horário de trabalho,
durante o qual uma máquina não está
funcionando em virtude de quebra ou falha

(minutos) f
0 |---- 9 2
9 |---- 18 15
18 |---- 27 17
27 |---- 36 12
36 |---- 45 3
45 |---- 54 1
Total 50
Calcule o desvio-padrão do tempo parado.
78
Solução: Para o cálculo do desvio-padrão é necessário alguns resultados. Podemos
obtê-los completando a tabela, veja a seguir:
Tempo parado Frequência Tempo
(minutos) f Médio: xi xi fi x i2 f i
0 |---- 9 2 4,5 9 40,5
9 |---- 18 15 13,5 202,5 2733,75
18 |---- 27 17 22,5 382,5 8606,25
27 |---- 36 12 31,5 378 11907
36 |---- 45 3 40,5 121,5 4920,75
45 |---- 54 1 49,5 49,5 2450,25
Total 50 1143 30658,5
O desvio-padrão será:
  k  
2
  ∑ xi . f i  
1 k 2
∑ xi . f i −   
i =1
S=

n − 1 i =1 n 
 
 
1  (1143)2 
S= 30658,5 − 
50 − 1  50 
1
S= [30658,5 − 26.128,98]
49
S = 92,4392
S = 9,6
Coeficiente de variação:
Quando calculamos a variância ou o desvio-padrão de um conjunto de dados

obtemos valores absolutos. No entanto, muitas das vezes, é fundamental comparar
o valor do desvio-padrão em termos da média. Esta medida relativa é denominada
coeficiente de variação.
Assim, o coeficiente de variação é uma medida relativa entre a média e o
desvio-padrão.
79
s
CV =
x
Podemos expressar o valor do coeficiente de variação em porcentagem
multiplicando por 100 o resultado.
Exemplo: considere a tabela a segir

Tabela: Notas obtidas por 500 alunos em um teste de geografia.
Notas fj xi xi.f xi2. f

10 |--- 25 44 17,5 770 13.475
25 |--- 40 70 32,5 2.275 73.937,5
40 |--- 55 92 47,5 4.370 207.575
55 |--- 70 147 62,5 9.187,5 574.218,75
70 |--- 85 115 77,5 8.912,5 690.718,75
85 |--- 100 32 92,5 2.960 273.800
Total 500 28.475 1.833.725
Temos que
1  (28.475)2 
s= 1.833.725 − 
500 − 1  500 

1
s= (1.833.725 − 1.621.651,25)
499
1
s= (212.073,75)
499
s = 424,9975
s = 20,6
Logo o desvio-padrão é de 19,2.
A média é 57,0.
O coeficiente de variação é dado por:
s 19,2
CV = = = 0,3368 = 33,68 %
x 57,0
80
Neste caso o desvio-padrão corresponde a 33,68 % da média.
Em um conjunto de dados, seja ele amostral ou populacional, o ideal seria
encontrar desvio-padrão igual a zero. No entanto isso é difícil. Então quanto mais
próximo de zero estiver o coeficiente de variação melhor.
Uma pergunta interessante seria a seguinte: se dois conjuntos de dados tem
o mesmo desvio-padrão então eles seriam igualmente bons? A resposta é não.
Para ilustrar a finalidade do coeficiente de variação considere os conjuntos:
Conjunto 1:
10 11 12 13 14 15 16
Conjunto 2:
500 501 502 503 504 505 506
Para estes dois conjuntos temos o mesmo desvio-padrão de 2,16. No entanto

o coeficiente de variação do conjunto 1 é 0,166 e do conjunto 2 é 0,004. Assim
vemos que o desvio-padrão do conjunto 1 representa 16,6% da média enquanto que
no conjunto 2 representa 0,4%. Logo concluímos que o conjunto 2 é melhor que o
conjunto 1. Podemos perceber que variar 2,16 em 503 (média do conjunto 2) é
melhor que variar 2,16 em 13 (média do conjunto 1) .
81
Exercícios
1) A tabela abaixo se refere ao peso, em kg, de 50 alunos de uma determinada

escola.
Peso = xi fi
45 8
55 22
65 8
75 6
85 5
95 1
Total 50
a) Calcule a média dos dados agrupados
b) Calcule a variância.
2) A média aritmética é a razão entre:
a) ( ) O número de valores e o somatório;

b) ( ) O somatório dos valores e o número;
c) ( ) Os valores extremos;
d) ( ) Os dois valores centrais.
3) Numa distribuição de valores todos iguais, o desvio-padrão é:
a) ( ) negativo;
b) ( ) positivo;
c) ( ) a unidade;
d) ( ) zero.
4) A média de um conjunto de valores iguais a uma constante é:
82
a) ( ) zero;
b) ( ) o valor da constante;
c) ( ) a unidade;
d) ( ) a quantidade de valores que temos
5) O desvio-padrão de um conjunto de dados é 4. A variância será:
a) ( ) 3;
b) ( ) 4;
c) ( ) 16;
d) ( ) 81.
6) Uma empresa possui dois serventes recebendo salários de R$ 250,00 cada um,
quatro escriturários recebendo R$ 600,00 cada um, um chefe de escritório com
salário de R$ 1.000,00 e três técnicos. A média de salários da empresa é de R$
1.050,00. Quanto cada técnico recebe?
7) A média do conjunto de valores
46,1 57,5 21,6 16,8 4,2

é igual a?
8) O desvio-padrão do conjunto de valores
46 57 21 16 4
É igual a?
9) Os 20 dados abaixo se referem aos índices pluviométricos em determinado

Estado:
144 152 159 160 160 151 157 146 154 145
141 150 142 146 142 141 141 150 143 158
Determine:
83
a) O índice médio.
b) O índice mediano.
10) Os dados abaixo se referem a pesos (em gramas) de 50 ratos usados em um

estudo de deficiência de vitaminas.
136 125 135 137 126 129 124 118 120 126
119 92 115 115 127 95 100 113 95 113
146 103 101 118 121 129 110 126 106 148
137 87 126 119 125 132 108 118 119 117
120 110 82 105 102 104 133 104 132 146
a) Construa uma tabela de distribuição de freqüência agrupada em classes.

b) Qual o peso modal?
c) Qual o desvio-padrão?
d) Um rato é considerado magro se seu peso é menor que x − 2s e gordo se seu
peso é maior que x + 2s . Quais os pesos máximo e mínimo para que um rato seja
considerado magro ou gordo?
e) Baseado na letra e, um rato cujo peso é de 135 gramas é considerado magro ou
gordo? Justifique sua resposta.
11) Dê um exemplo numérico, com no máximo 4 amostras, em que a média e a

mediana sejam iguais e o desvio-padrão seja nulo.
12) Dê um exemplo numérico, com no máximo 4 amostras, em que a média é menor

que a mediana.
13) Um artigo de jornal fez menção a determinada pesquisa citando que o conjunto
amostral acusa Σx = 5, Σx2 = 7 e s = 0,5. Por erro esqueceram de citar o tamanho da
amostra utilizado. Considerando as informações anteriores o que podemos dizer
sobre os possíveis tamanho da amostra?
84
14) Uma lista de números acusa Σx =202, Σx2 = 3.452 e n = 15. Qual o desvio-
padrão?
15) Em quatro paradas no box, o mecânico dos pneus dianteiros trocou o pneu
dianteiro direito dos carros de corrida em
10,8 12,0 10,5 10,7

segundos. Calcule:
a) o tempo médio de troca de pneus

b) o desvio-padrão.
16) A tabela a seguir apresenta o tempo que 80 estudantes dedicam a atividade de

lazer durante uma semana escolar típica
Horas fj
10 |--- 15 9
15 |--- 20 28
20 |--- 25 27
25 |--- 30 12
30 |--- 35 4
Total 80
Calcule:
a) o tempo médio
b) o tempo mediano
c) Qual a porcentagem dos alunos que dedicam mais de 25 horas de lazer ?
17) Uma lista de números acusa Σx =40 e Σx2 = 156. Quantos valores figuram na
lista, se seu desvio-padrão é 2,0?
85
18) Um inspetor de controle de qualidade examinou 15 engradados de telhas de
cerâmica, contendo cada um 144 telhas. Os números de telhas trincadas nessas
caixas foram
2 5 3 4 2 0 1 5 7 3 0 2 2 4 3
Calcule:
a) o número médio de telhas trincadas e
b) o desvio-padrão.
19) A tabela de distribuição a seguir apresenta o número de peças defeituosas em

uma produção de determinado produto
N.º de defeitos N.º de peças

0 5
1 10
2 18
3 12
4 5
Total 40
Calcule:
a) a média
b) a mediana
c) a moda
86
20) A tabela a seguir apresenta os salários pagos a 100 operários de uma empresa
N.º de salários
mínimos fj
0 |--- 2 40
2 |--- 4 30
4 |--- 6 10
6 |--- 8 15
8 |--- 10 5
Total 100
Calcule:
a) o salário médio
b) o salário mediano
c) Qual a porcentagem dos empregados que ganham acima de 4
salários?
d) O dono da empresa afirmou, em entrevista, que seus funcionários
ganham, em média, R$ 1440,00. Considerando o salário mínimo no
valor de R$ 330,00, a afirmação do dono da empresa é verdadeira?
21) Os dados a seguir referem-se ao consumo de eletricidade (mil MWh) pelo

setor ferroviário entre os anos de 1978 e 2007. Os dados são do IBGE.
6 5 5 4 3 6 14 8 9
11 8 10 11 12 14 17 19 21
Calcule a variância e o coeficiente de variação.

parado. A tabela a seguir é uma amostra da duração desses tempos parados de
certa máquina.
87
Tabela: o tempo, no horário de trabalho, durante o qual
uma máquina não está funcionando em virtude de quebra ou falha

(minutos) f
0 |---- 9 2
9 |---- 18 15
18 |---- 27 17
27 |---- 36 12
36 |---- 45 3
45 |---- 54 1
Total 50
Calcule:
a) Desvio-padrão.
88
Representação Gráfica
1) Classificação dos gráficos segundo o objetivo
Os gráficos são usados para apresentar visualmente um conjunto de

dados, proporcionando maior facilidade e rapidez de compreensão dos mesmos,
ou, então, para apresentar conclusões ou resultados de uma análise.
Há, portanto, dois tipos de gráficos, conforme o objetivo ou uso a que se
destinam: gráficos de informação e gráficos de análise.
a) Gráficos de Informação
São gráficos destinados principalmente ao público em geral, objetivando

proporcionar uma visualização rápida e clara da intensidade das modalidades e
dos valores relativos ao fenômeno observado.
São gráficos tipicamente expositivos, devendo, por conseguinte, ser o mais
completo possível, dispensando comentários explicativos adicionais.
b) Gráficos de Análise
Os gráficos de análise prestam-se melhor ao trabalho estatístico,

fornecendo elementos úteis à fase de análise dos dados, sem deixar de ser
também informativos.
Quando se usam gráficos para apresentar os resultados de uma análise,
esses freqüentemente vêm acompanhados de uma tabela. Inclui-se, muitas vezes,
um texto dissertativo, chamando a atenção do leitor para os pontos principais
revelados pelo gráfico ou pela tabela.
89
2) Histograma
O histograma é um gráfico de barras verticais.

Cada barra é proporcional à freqüência (simples ou relativa) da classe que ele
representa. Assim, a soma dos valores correspondentes às áreas dos retângulos
será sempre igual à freqüência total.
Para a construção do histograma utiliza-se dois eixos coordenados. No eixo
horizontal são anotados os valores individuais da variável em estudo, ou os limites
das classes. No eixo vertical temos as freqüências.

43 45 49 47 52
45 51 46 44 48
51 50 52 44 48
50 49 50 46 46
49 49 51 50 49
Solução: No R temos:
a) Crie um arquivo, y, com os dados;
b) Use o comando:
hist(y,freq=F,ylab="Frequência",xlab="Temperatura",main="Temperatura de
efluentes",ylim = c(0, 0.2))
O resultado é o gráfico a seguir
90
Gráfico: temperatura de efluentes em dias consecutivos
Exemplo: Um artigo em Technometrics (Vol. 19, 1977, pg. 425) apresenta dados
sobre taxas de octanagem de combustível para motor, de várias misturas de
gasolina. 20 destes resultados são apresentados a seguir:
88,5 94,7 84,3 90,1 89 89,8 91,6 90,3 90 91,5

89,9 98,8 88,3 90,4 91,2 90,6 92,2 87,7 91,1 86,7
Construa o histograma.
Solução: No R temos:
a) Crie um arquivo, y, com os dados;
b) Use o comando:
hist(y,freq=T,ylab="Frequência",xlab="Taxas",main="Taxa de octanagem",ylim = c(0,
10))
O resultado é o gráfico a seguir
91
Gráfico: taxas de octanagem de combustível para motor,
de várias misturas de gasolina
No R temos a opção de escolher, através do comando nclass= argumento, o

número de rtângulos no histograma. Pode ocorrer que o número escolhido não seja
viável. Neste caso o R faz uma aproximação viável do número de retângulos.
3) Box-plot
É um gráfico em forma de caixa.

Nele encontramos valores numéricos do tipo: o ponto de mínimo, 1º quartil,
mediana, 3º quartil e o ponto de máximo.
Dependendo da natureza dos dados estes valores podem ser iguais ou
diferentes.
Para que possamos construir o box-plot é necessário que se conheça os
dados na forma bruta ou rol.
Na construção dos gráficos foi utilizado o software R.

92
43 45 49 47 52
45 51 46 44 48
51 50 52 44 48
50 49 50 46 46
49 49 51 50 49
Consrua o box-plot.
Solução: Utilizando o R temos:

a) construa o vetor y com os dados;
b) utilize o comando: boxplot(y,ylab="Frequência",xlab="Temperatura", ylim=c(42,52)
O resultado é o gráfico
Gráfico: temperatura de efluentes em dias consecutivos

Exemplo: Um artigo em Technometrics (Vol. 19, 1977, pg. 425) apresenta dados
sobre taxas de octanagem de combustível para motor, de várias misturas de
gasolina. 20 destes resultados são apresentados a seguir:
88,5 94,7 84,3 90,1 89 89,8 91,6 90,3 90 91,5
93
89,9 98,8 88,3 90,4 91,2 90,6 92,2 87,7 91,1 86,7
Construa o box-plot.
b) utilize o comando: boxplot(t,ylab="Frequência",xlab="Taxa",ylim=c(80,100))
Gráfico: Taxas de octanagem de combustível para motor,

de várias misturas de gasolina
4) Ramo-e-folhas
É uma forma de visualização dos dados originais o qual nos permite ver a
distribuição dos dados sem a perda de informações.
Permite visualizar a ordenação dos dados.
Para a construção de um gráfico ramo-e-folhas tomamos como ramo os
algarismos mais a esquerda e as folhas os algarismos mais a direita. Por exemplo,
no número 352, o ramo é 35 e a folha é o 2.
94
43 45 49 47 52
45 51 46 44 48
51 50 52 44 48
50 49 50 46 46
49 49 51 50 49
Construa o gráfiico ramo-e-folhas.

b) utilize o comando: stem(y)
Gráfico: Temperatura de efluentes em dias consecutivos

The decimal point is at the |
42 | 0
44 | 0000
46 | 0000
48 | 0000000
50 | 0000000
52 | 00
Podemos utilizar o comando, scale=argumento, para melhorar a visualização
dos dados. Veja o mesmo exemplo anterior utilizando o comndo stem(y, scale=2).
95
Gráfico: Temperatura de efluentes em dias consecutivos
The decimal point is at the |
43 | 0
44 | 00
45 | 00
46 | 000
47 | 0
48 | 00
49 | 00000
50 | 0000
51 | 000
52 | 00
Exemplo: Os valores a seguir são referentes a salários, em reais, pagos em

determinada empresa. A fonte é o livro Estatística Aplicada á Gestão Empresarial.
381 389 389 418 429 430 472 486 568 1209
669 682 699 728 821 821 856 822 904 866
Construa o gráfico ramo e folhas.

b) utilize o comando: stem(y,scale=2)
96
Gráfico: Salários, em reais, pagos em determinada empresa
The decimal point is 2 digit(s) to the right of the |
3 | 899
4 | 23379
5|7
6 | 78
7 | 03
8 | 22267
9|0
10 |
11 |
12 | 1
c) Considere o conjunto de dados a seguir. Eles são referentes ao número de telhas

estragadas em 21 lotes de um milheiro cada.
100 110 121 124 145 135 122 100 146 151 162 121 123 134 122 118 145 151 100
144 125
Construa o gráfiico ramo-e-folhas.

b) utilize o comando: stem(y,scale=2)
97
Gráfico: número de telhas estragadas em 21 lotes de um milheiro cada
The decimal point is 1 digit(s) to the right of the |
10 | 000
11 | 08
12 | 1122345
13 | 45
14 | 4556
15 | 11
16 | 2
98
Tabelas - Normalização de Publicações Técnico – cientificas - Ed. UFMG
6) As tabelas devem ser dotadas de um título claro e conciso localizado acima

delas. São numeradas seqüencialmente em todo o trabalho, com algarismos
arábicos (1, 2, 3, ...), segundo normas do IBGE.
7) No cabeçalho de cada coluna indica-se o seu conteúdo. Os títulos das
colunaspodem ser datilografados verticalmente, se necessário, para
economizar espaço.
8) Não se deve deixar nenhuma “casa” vazia no corpo da tabela, usando-se os
símbolos, conforme convenção internacional:
- quando, pela natureza do fenômeno, o dado não existir

Z quando o dado for rigorosamente zero
... quando não se dispuser do cálculo
9) Na construção de tabelas usam-se os seguintes traços:
a) traço duplo horizontal, limitando o quadro;

b) traço simples vertical, separando a coluna indicadora das
demais e estas entre si; no corpo da tabela pode ser eliminado
desde que o número de colunas seja pequeno e não haja
prejuízo na leitura dos dados;
10) a tabela não deve ser fechada lateralmente, tampouco se colocam traços
horizontais separando os dados numéricos.
99
Exercícios
1) Observe o histograma abaixo.
Número de defeitos em instrumentos

óticos
400
340
350
290
Frequência
300
250
200 160
150 120
100
40 30
50
0
0 1 2 3 4 5
Número de defeitos
Complete a tabela de distribuição abaixo.
Número de defeitos fi
0
1 120
2
3
4
5
Total
100
Probabilidade
Técnicas de contagem
Fatorial
O fatorial de um número inteiro positivo n é representado por n ! (Lê-se: n
fatorial).
O fatorial do número n é obtido pela multiplicação de n por todos os inteiros
inferiores até o número 1.
n ! = n ⋅ (n − 1)⋅ (n − 2 )⋅K⋅ 1
Exemplos:
1) 4 ! = 4 . 3 . 2 .1 = 24
2) 6 ! = 6 . 5 . 4 . 3 . 2 .1 = 720
Por definição:
0! = 1
1! = 1
Observação:
6 ! = 6 .5 .4! = 6 .5 !
Exemplo:
12 !
Qual o valor de ?
10 ! ⋅ 3 !
12 ! 12 .11 .10 ! 12 .11
Solução: = = = 22
10 ! ⋅ 3 ! 10 ! . 3 . 2 .1 6
Exercício:
Muitas calculadoras ou computadores não podem calcular diretamente valores de
70 ! ou superiores. Para n muito grande, n ! pode ser aproximado por n ! = 10 k ,
101
onde o valor de k é dado por k = (n + 0 ,5 )log n + 0 ,39908993 − 0 ,43429448 n .
Calcule 50 ! utilizando a tecla fatorial da calculadora e utilizando a aproximação.
Princípio Fundamental da Contagem

Se um primeiro acontecimento pode ocorrer de m1 maneiras distintas, um segundo
pode ocorrer de m 2 maneira distintas e, sucessivamente, um n − ésimo

acontecimento pode ocorrer de m n maneiras distintas, sendo todos eventos
independentes, então o número de maneiras distintas em que os n acontecimentos

ocorrem conjuntamente é m 1 . m 2 .K . m n .
Exemplos:
1) Quantas placas para identificação de veículos podem ser confeccionadascom 3
letras e 3 algarismos? ( Considere 26 letras, supondo que não há nenhuma
restrição)
2) Existem 5 ruas ligando os supermercados X e Y e 3 ruas ligando os

supermercados Y e W. Quantos trajetos diferentes podem ser utilizados para irmos
de X a W, passando por Y?
Arranjo Simples
Corresponde ao estudo da quantidade de maneiras em que se pode agrupar os

objetos de uma amostra em que a ordem dos objetos seja relevante.
O número de arranjos simples (sem repetição) de r elementos escolhidos dentre

n elementos é
n!
An , r =
(n − r )!
102
Exemplos:
1) No estoque de uma determinada empresa existem 8 caixas diferentes, das quais

devem ser escolhidas e empilhadas 4. De quantas maneiras podemos empilhar
estas 4 caixas?
Solução: A ordem com que empilhamos as caixas é relevante, logo temos um
problema de arranjo. Assim
8!
A8 , 4 = = 1.680
(8 − 4 )!
2) Um almoxarifado necessita organizar uma estante, destinada a armazenar
suprimentos diversos. Sabendo que existem 3 itens diferentes da área industrial
(departamento de produção), 6 itens diferentes da área de transporte e 3 itens
diferentes do departamento de recursos humanos. Calcule:
a) de quantas maneiras os itens poderiam ser organizados?

b) se os itens da produção precisassem necessariamente ficar juntos, quantas
maneiras de organizar todos os itens possíveis?
Solução:
a) Temos 12 itens diferentes. Ao organizá-los a ordem é relevante. Assim
12 !
A12 , 12 = = 479.001.600
(12 − 12 )!
b) Temos 3 itens diferentes da área industrial. Os outros 9 não precisam ficar juntos.
Podemos então considerar os 3 itens da produção como um único bloco. Assim
teremos
10 ! 3!
A10 , 10 . A3 , 3 = ⋅ = 10 ! . 3 !
(10 − 10 )! (3 − 3)!
Combinação Simples
Corresponde ao estudo da quantidade de maneiras em que se pode agrupar os

objetos de uma amostra em que a ordem dos objetos seja irrelevante.
103
O número de combinações simples (sem repetição) de r elementos escolhidos
dentre n elementos é
n!
Cn , r =
(n − r )! . r !
Exemplos:
1) Uma empresa de pesquisa mercadológica deseja selecionar uma comissão
formada por 4 consumidores de uma amostra previamente selecionada de 8
pessoas. Calcule:
a) de quantas maneiras possíveis as 4 pessoas poderão ser selecionadas?

b) se a comissão fosse composta por um presidente, um vice-presidente, um relator
e um secretário, escolhidos nessa ordem, de quantas maneiras possíveis
poderemos formar a comissão?
Solução:
8!
a) C 8 , 4 = = 70
(8 − 4 )! . 4 !
8!
b) A8 , 4 = = 1.680
(8 − 4 )!
2) Em um departamento industrial existem 8 engenheiros eletricistas e 7 técnicos em
eletrônica. Sabendo que uma comissão deverá ser formada, calcule de quantas
maneiras a comissão poderá ser elaborada, supondo que:
a) 5 pessoas devem ser escolhidas.
b) 3 engenheiros e 2 técnicos devem ser escolhidos.
Solução:
15 !
a) C15 , 5 = = 3.003
(15 − 5 )! . 5 !
8! 7!
b) C 8 , 3 ⋅ C7 = ⋅ = 1.176
, 2
(8 − 3)! . 3 ! (7 − 2 )! . 2 !
104
Cálculo de Probabilidade
Definições:
Experimento Aleatório: é qualquer processo que permite ao pesquisador fazer

observações cujos resultados não podem ser previstos com certeza.
Exemplos:
E1 : Retirar uma carta de um baralho com 52 cartas e observar seu naipe.
E 2 :Jogar uma moeda 10 vezes e observar o número de caras obtidas.
E3 : Em uma linha de produção, fabricam-se peças em série e conta-se o
número de peças defeituosas produzidas em um período de 24 horas.
E4 : Uma lâmpada é fabricada. Em seguida é testada e verifica-se o tempo
de vida.
E5 : Retira-se uma bola de uma urna que contém bolas pretas, vermelhas e
amarelas e observa sua cor.
Espaço Amostral: Para cada experimento E, define-se espaço amostral S o

conjunto de todos os possíveis resultados desse experimento.
Exemplos:
Considerando os experimentos aleatórios anteriores, o espaço amostral para cada

um deles pode ser descrito como:
S 1 : {ouro, copa, paus, espada}
S 2 : {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
S 3 : {0, 1, 2, 3, ..., N}, onde N é o máximo de peças produzidas em 24 horas.
S 4 : {t | t ≥ 0}
S 5 : {preta, vermelha, amarela}
O espaço amostral pode ser:
1. Finito: formado por um número limitado de resultados possíveis.
105
2. Infinito enumerável: formado por um número infinito de resultados, os quais
podem ser listados ou enumerados.
Exemplo: número de mensagens que são transmitidas corretamente por dia

em uma rede de computadores.
3. Infinito: formado por intervalo de números reais.
Evento: É qualquer subconjunto do espaço amostral.

A é um evento ↔ A ⊆ S
Em particular S é o evento certo e φ é o evento impossível.

Exemplo:
Considere o experimento
E = jogar uma moeda três vezes e observar os resultados.
Então S = {(c , c , c ), (c , c , k ), (k , c , c ), (c , k , c ), (c , k , k ), (k , c , k ), (k , k , c ), (k , k , k )}
Seja o evento: A = ocorrer pelo menos duas caras.

Então A = {(c , c , c ), (c , c , k ), (k , c , c ), (c , k , c )}
Eventos Mutuamente Exclusivos: Dois eventos A e B são denominados

mutuamente exclusivos, se eles não puderem ocorrer simultaneamente, isto é
A∩ B =φ .
Exemplo:
Considere o experimento
E = jogar um dado e observar o número da parte de cima.
Então S = {1, 2 , 3 ,4 , 5 , 6}
Sejam os eventos: A = ocorrer um número par, e B = ocorrer um número
ímpar.
Então A = {2 , 4 ,6 } , B = {1, 3 , 5} e A ∩ B = φ .
Definição clássica de probabilidade
106
Dado um experimento aleatório E, S o espaço amostral e A um evento. A
probabilidade do evento A, P( A) , é uma função definida em S que associa a cada
evento um número real calculada pela relação:
n( A )
P ( A) =
n (S )
Onde: n( A) : é o número de vezes em que o evento A pode ocorrer
n(S ) : é o número de vezes em que o espaço amostral S pode ocorrer
Obs: Ao expressar a probabilidade devemos fazê-la utilizando as frações ordinárias

ou com 4 casas decimais.
Exemplos:
1. Considere um baralho com 52 cartas. Qual a probabilidade de se retirar uma
carta de ouro?
Solução: Em um baralho temos 13 cartas de ouro. Logo considerando o evento A
13 1
= retirar uma carta de ouro temos P( A) = =
52 4
2. Num lote de 12 peças, 4 são defeituosas; duas peças são retiradas

aleatoriamente. Qual a probabilidade de ambas serem defeituosas?
Solução: Evento A = ambas peças são defeituosas.
4 4!
Número de maneiras do evento A ocorrer =   = =6 .
2   (4 − 2 )! .2!
 12  12!
Número de maneiras do espaço S ocorrer =   = = 66 .
 2  (12 − 2 )! .2!
6 1
Logo P( A) = = .
66 11
3. A MasterCard International efetuou um estudo de fraude em cartões de
crédito. Os resultados estão apresentados na tabela a seguir.
107
Tabela: Tipos de fraude em cartões de crédito
Tipo de fraude Número de ocorrência
Cartão roubado 243
Cartão falsificado 85
Pedido por correio/ telefone 52
Outros 46
Selecionando aleatoriamente um caso de fraude, qual a probabilidade de:

a) a fraude resultar de um cartão roubado?
b) A fraude não ser de cartão falsificado?
Solução:
a) Considere o evento A = cartão roubado. Logo
243
P ( A) = = 0 ,5704 .
426
b) Considere o evento B = cartão não falsificado. Então
341
P (B ) = = 0 ,8005
426
Propriedades da probabilidade
Para cada evento A é associado um número real P (A) com as seguintes

propriedades:
1) 0 ≤ P (A) ≤ 1
2) P (S ) = 1
3) Se A e B forem eventos mutuamente exclusivos então
P (A ∪ B ) = P (A) + P (B )
Eventos complementares: Dois eventos A e B são complementares quando A U B

= S. Neste caso vale a propriedade P( A) + P(B ) = 1 .
Neste caso simbolizamos B = A

c
Exemplo: O evento A = chuva e o evento B = não chuva são complementares.
108
Evento Composto: É qualquer evento que combina dois ou mais eventos simples.
Exemplo: No lançamento de um dado considere o evento A = {2,5}.
Regra da Adição: Se A e B são dois eventos quaisquer, então:

P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B )
Observações:
P( A ∪ B ) denota a probabilidade do evento A, ou do evento B, ou de
ambos.
P( A ∩ B ) denota a probabilidade do evento A e do evento B
simultaneamente em um mesmo experimento.
Exemplos:
1) As preferências de homens e mulheres por cada gênero de filme alugado em uma
locadora de vídeos, estão apresentados na tabela a seguir:
Tabela: Preferência de homens e mulheres por filmes
Sexo / Filme Comédia Romance Policial
Homens 136 92 248
Mulheres 102 195 62
Sorteando-se ao acaso uma dessas locações de vídeo, pergunta-se a probabilidade

de:
a) Uma mulher ter alugado um filme ou o filme é do gênero policial;
b) Um homem ter alugado um filme ou o filme é do gênero romance.
Solução:
a) Considere os eventos
A = mulher aluga o filme e
B = Filme é do gênero policial
P ( A ∪ B ) = P ( A) + P (B ) − P ( A ∩ B )
109
359 310 62 607
P( A ∪ B ) = + − = = 0 ,7269
835 835 835 835
b) Considere os eventos
A = homem aluga o filme e
B = Filme é do gênero romance
P ( A ∪ B ) = P ( A) + P (B ) − P ( A ∩ B )
476 287 92 671
P( A ∪ B ) = + − = = 0 ,8036
835 835 835 835
2) Uma loja de material de construção possui 2 caixas de conexões. Na primeira,

das 30 conexões 11 são defeituosas. Na segunda, das 12 conexões 4 são
defeituosas. Uma conexão é retirada aleatoriamente. Qual a probabilidade de a
conexão ser defeituosa ou ter sido retirada da segunda caixa?
Solução:
a) Considere os eventos
A = conexão defeituosa.
B = conexão retirada da segunda caixa.
P ( A ∪ B ) = P ( A) + P (B ) − P ( A ∩ B )
15 12 4 23
P( A ∪ B ) = + − = = 0 ,5476
42 42 42 42
Obs: Este exemplo pode ser melhor visualizado utilizando a árvore de probabilidade.
Ou seja:
110
Regra da Multiplicação: Se A e B são dois eventos quaisquer, então:
P( A ∩ B ) = P( A) . P(B ) se A e B são independentes ou
P( A ∩ B ) = P( A) . P (B | A) se A e B são dependentes
Notação: P(B | A) representa a probabilidade de ocorrência do evento B dado que o

evento A ocorreu. É chamado de probabilidade condicional.
Dois eventos A e B são independentes se a ocorrência de um deles não

afeta a probabilidade de ocorrência do outro. Caso contrário eles são
dependentes.
Exemplos:
1) Uma determinada companhia produz um lote de 50 filtros de combustíveis, dos
quais 6 são defeituosos. Escolhem-se aleatoriamente e testam-se dois filtros do lote.
Determine a probabilidade de ambos serem bons, se os filtros são selecionados:
a) com reposição;
b) sem reposição.
Solução: Considere os eventos

A = filtro bom.
111
B = filtro bom.
a) Como processo de escolha é com reposição, então a escolha do primeiro filtro
não afeta a escolha do segundo filtro. Logo são independentes. Assim
P ( A ∩ B ) = P ( A) . P (B )
44 44 1936
P( A ∩ B ) = ⋅ = = 0 ,7744
50 50 2500
b) Como processo de escolha é sem reposição, então a escolha do primeiro filtro
afeta a escolha do segundo filtro. Logo são dependentes. Assim
P( A ∩ B ) = P ( A) . P ( B | A)
44 43 1892
P( A ∩ B ) = ⋅ = = 0 ,7722
50 49 2450
2) Uma loja de material de construção possui 2 caixas de conexões. Na primeira,

das 30 conexões 11 são defeituosas. Na segunda, das 12 conexões 4 são
defeituosas. Uma conexão é retirada aleatoriamente de cada caixa. Calcule a
probabilidade de:
a) Apenas uma ser defeituosa.

b) Ambas serem defeituosas.
c) Ambas não serem defeituosas.
Solução:
a) Podemos ter os seguintes casos: DB ou BD. Assim
Caso 1:
A = defeituosa na primeira
B = boa na segunda.
P ( A ∩ B ) = P ( A) . P (B )
11 8 88
P( A ∩ B ) = ⋅ = = 0 ,2444
30 12 360
Caso 2:
A = defeituosa na segunda
B = boa na primeira.
P ( A ∩ B ) = P ( A) . P (B )
112
4 19 76
P( A ∩ B ) = ⋅ = = 0 ,2111
12 30 360
Portanto a probabilidade de apenas uma ser defeituosa é de
P(apenas uma defeituosa ) = 0 ,2444 + 0 ,2111 = 0 ,4555
b) 12,22%.
c) 42,22%.
113
Teorema da probabilidade total
Considere o espaço amostral particionado em k eventos,

A1 , A2 , K , Ak , satisfazendo às seguintes condições:
a) Ai ∩ A j = φ para todo i ≠ j .
b) A1 ∪ A2 ∪ K ∪ Ak = S .
c) P( Ai ) ≥ 0 para i = 1, 2, K , k .
Seja um evento F qualquer, referente ao espaço amostral S . Então:

k
P(F ) = ∑ P( Ai )P(F | Ai )
i = 1
Demonstração: Considere F um evento qualquer em S. Então

F = (F ∩ A1 ) ∪ (F ∩ A2 ) ∪ K ∪ (F ∩ Ak )
Usando a regra do produto teremos
P(F ) = P (F ∩ A1 ) + P(F ∩ A2 ) + K + P(F ∩ Ak )
Usando a regra do produto teremos o teorema da probabilidade total
P(F ) = P( A1 )P (F | A1 ) + P( A2 )P(F | A2 ) + K + P( Ak )P(F | Ak )
k
P(F ) = ∑ P( Ai )P(F | Ai )
i = 1
Cqd.
Exemplo:
Uma determinada peça é manufaturada por três fábricas, denominadas X, Y e Z.
Sabe-se que X produz o dobro de peças que Y, e Y e Z produzem o mesmo
número de peças. Sabe-se também que 2% das peças produzidas por X e Y são
defeituosas, enquanto que 4% das produzidas por Z são defeituosas. Todas as
peças são colocadas em um depósito, e depois uma peça é extraída
aleatoriamente. Qual a probabilidade de que a peça escolhida seja defeituosa?
114
Solução:Considere os seguintes eventos
F = a peça é defeituosa
A1 = a peça provém da fábrica X.
A2 = a peça provém da fábrica Y.
A3 = a peça provém da fábrica Z.
Empregando o teorema da probabilidade total temos
P(F ) = P( A1 )P (F | A1 ) + P( A2 )P(F | A2 ) + P( A3 )P(F | A3 )
Sabe-se que:
1
P( A1 ) =
2
1
P( A2 ) =
4
1
P( A3 ) =
4
P(F | A1 ) = P(F | A2 ) = 0 ,02
P(F | A3 ) = 0 ,04
Logo
1 1 1
P (F ) = ⋅ 0 ,02 + ⋅ 0 ,02 + ⋅ 0 ,04 = 0 ,0250
2 4 4
Assim, a probabilidade da peça ser defeituosa é de 0,0250 ou 2,50%.
115
Teorema de Bayes (Thomas Bayes 1702 - 1761)
Considere o espaço amostral particionado em k eventos,

A1 , A2 , K , Ak , satisfazendo às seguintes condições:
a) Ai ∩ A j = φ para todo i ≠ j .
b) A1 ∪ A2 ∪ K ∪ Ak = S .
c) P( Ai ) ≥ 0 para i = 1, 2 , K , k .
Seja um evento F qualquer, referente ao espaço amostral S . Então:

P( Ai )P(F | Ai )
P( Ai | F ) =
P(F )
Exemplo:
1) (voltando ao exemplo anterior) Uma determinada peça é manufaturada por três
fábricas, denominadas X, Y e Z. Sabe-se que X produz o dobro de peças que Y, e Y
e Z produzem o mesmo número de peças. Sabe-se também que 2% das peças
produzidas por X e Y são defeituosas, enquanto que 4% das produzidas por Z são
defeituosas. Todas as peças são colocadas em um depósito, e depois uma peça é
extraída aleatoriamente. Qual a probabilidade de que a peça escolhida seja
produzida pela fábrica Y dado que ela era defeituosa?
Solução:Considere os seguintes eventos
F = a peça é defeituosa
A1 = a peça provém da fábrica X.
A2 = a peça provém da fábrica Y.
A3 = a peça provém da fábrica Z.
Sabe-se que:
P(F ) = 0 ,0250 (pelo exemplo anterior)
1
P( A2 ) =
4
P(F | A1 ) = P(F | A2 ) = 0 ,02
Logo
116
P( A2 )P(F | A2 )
P( A2 | F ) =
P(F )
1
⋅ 0 ,02
P( A2 | F ) = 4
0 ,0250
0 ,005
P( A2 | F ) =
0 ,0250
P( A2 | F ) = 0 ,2000
2) Uma rede local de computadores é composta por um servidor e cinco clientes (A,
B, C, D e E). Registros anteriores indicam que dos pedidos de determinado tipo de
processamento, realizados através de uma consulta, cerca de 10% vêm do cliente A,
15% do B, 15% do C, 40% do D e 20% do E. Se o pedido não for feito de forma
adequada, o processamento apresentará erro. Usualmente, ocorrem os seguintes
percentuais de pedidos inadequados: 1% do cliente A, 2% do cliente B, 0,5% do
cliente C, 2% do cliente D e 8% do cliente E.
a) Qual é a probabilidade de o sistema apresentar erro?
b) Qual é a probabilidade de que o processo tenha sido pedido pelo cliente E,
sabendo-se que apresentou erro?
3) Um novo método analítico de detectar poluentes em água é testado. Esse novo

método de análise química é importante porque, se adotado, poderia ser usado para
detectar três diferentes contaminantes: poluentes orgânicos, solventes voláteis e
compostos clorados, em vez de ter de usar um único teste para cada poluente.
As pessoas que elaboraram o teste afirmam que ele pode detectar altos níveis de
poluentes orgânicos com 99,7% de acurácia, solventes voláteis com 99,95% de
acurácia e composto clorados com 89,7% de acurácia.
Se um poluente não estiver presente, o teste não sinaliza.
117
Amostras são preparadas para calibração do teste e 60% delas são contaminadas
com poluentes orgânicos, 27% com solventes voláteis e 13% com traços de
compostos clorados.
Uma amostra teste é selecionada aleatoriamente.
a) Qual a probabilidade de o teste sinalizar?
b) Se o teste sinalizar, qual é a probabilidade de os compostos clorados estarem

presentes?
Exercícios:
1) As preferências de homens e mulheres por cada gênero de filme alugado em

uma locadora de vídeos, estão apresentados na tabela a seguir:
Sexo / Filme Comédia Romance Policial

Homens 136 92 248
Mulheres 102 195 62
Sorteando-se ao acaso uma dessas locações de vídeo, pergunta-se a probabilidade

de:
c) Uma mulher ter alugado um filme e o filme ser de comédia;
d) Um homem ter alugado um filme e o filme ser de romance.
2) Uma determinada companhia produz um lote de 50 filtros de combustíveis, dos

quais 6 são defeituosos. Escolhem-se aleatoriamente e testam-se dois filtros do lote.
Determine a probabilidade de ambos serem bons, se os filtros são selecionados:
c) com reposição;
d) sem reposição.
3) Joga-se dois dados equilibrados e soma-se os dois resultados. Qual a

probabilidade de se obter o total 5 ?
118
4) Se 226 dentre 300 assinantes de um jornal, selecionado aleatoriamente,
afirmaram que lêem a seção cômica diariamente. Qual a probabilidade de um
assinante escolhido aleatoriamente não ler a seção cômica?
5) Diga se cada afirmação é verdadeira ou se ela é falsa.
a. Espaço amostral é o conjunto de todos os resultados possíveis de um

experimento.
b. Se dois eventos não podem ocorrer ao mesmo tempo eles são chamados de
mutuamente excludentes.
c. A regra da adição é usada para encontrar a probabilidade de dois eventos
ocorrerem simultaneamente.
d. A amostra é um subconjunto da população. Em todo experimento a amostra pode
ser igual à população.
e. Dado x um evento, então 0 < P (x ) < 1 .
6) Dois dados são lançados simultaneamente. Qual a probabilidade de o primeiro

resultado ser maior do que o segundo?
7) Um grupo de 100 alunos de dois cursos de uma faculdade foram escolhidos para
responderem a uma pesquisa. A tabela a seguir apresenta a composição destes
alunos:
Matemática Pedagogia
Homens 31 10
Mulheres 23 36
Selecionando aleatoriamente um aluno:

a) qual a probabilidade dele ser homem ou ser do curso de Pedagogia?
b) qual a probabilidade dela ser mulher dado que é do curso de Matemática?
8) Uma livraria acaba de receber 40 novos livros, entre eles 12 romances históricos.
Se quatro desses livros são escolhidos aleatoriamente, e sem reposição, qual a
119
probabilidade de nenhum deles ser romance histórico? (Expressar o resultado em
fração)
9) A tabela a seguir apresenta o número de pacientes internados no hospital X, por

Alas.
Sexo e Número
Alas Masculino Feminino Total
A 415 220 635
B 250 375 595
C 105 220 325
Total 740 815 1555
A probabilidade de um paciente selecionado aleatoriamente ser do sexo feminino ou

estar internado na ala A é de:
10) Complete com V se a afirmação for verdadeira e com F se for falsa.
a. ( ) Espaço amostral é o conjunto de todos os resultados possíveis de um

experimento.
b. ( ) Se dois eventos podem ocorrer ao mesmo tempo eles são chamados de

mutuamente excludentes.
c. ( ) A regra da multiplicação é usada para encontrar a probabilidade de dois

eventos ocorrerem simultaneamente.
d. ( ) A amostra é um subconjunto da população. Em todo experimento a amostra

nunca será igual à população.
e. ( ) Dado x um evento, então 0 < P (x ) ≤ 1.
120
11) Dois dados são lançados simultaneamente. Qual a probabilidade de o primeiro
resultado ser menor do que o segundo?
12) Um grupo de 100 alunos de dois cursos de uma faculdade foram escolhidos para
responderem a uma pesquisa. A tabela a seguir apresenta a composição destes
alunos:
Matemática Pedagogia
Homens 31 10
Mulheres 23 36
Selecionando aleatoriamente um aluno(a):

a) qual a probabilidade dele ser homem e ser do curso de Pedagogia?
b) qual a probabilidade dela ser mulher ou ser do curso de Matemática?
13) Uma livraria acaba de receber 40 novos livros, entre eles 12 romances
históricos. Se um desses livros é escolhido aleatoriamente, e sem reposição, qual a
probabilidade dele ser romance histórico? (Expressar o resultado em fração)
14) Quais dos valores abaixo não podem ser probabilidade?
0; 0,0001; -0,2 ; 3/2 ; 2/3 ; 2 ; 0,2
15) Quanto é P(A), se A é o evento “Fevereiro tem 30 dias este ano”?

16) Quanto é P(A), se A é o evento “Novembro tem 30 dias este ano”?
17) Qual a probabilidade do resultado “cara” ao jogar uma moeda?
121
18) A MasterCard International efetuou um estudo de fraude em cartões de crédito.
Os resultados estão na tabela a seguir
Tipo de fraude Número

Cartão roubado 243
Cartão falsificado 85
Pedido por correio/ telefone 52
Outros 46
Selecionado aleatoriamente um caso de fraude, qual a probabilidade de a fraude

resultar de um cartão falsificado?
19) Um casal planeja ter 2 filhos.
a) Relacione os diferentes resultados, de acordo com o sexo de cada criança.
b) Determine a probabilidade de o casal ter 2 meninas
c) Determine a probabilidade de exatamente uma criança de cada sexo.
20) Em um teste com 3 questões do tipo verdadeiro/falso, um estudante que não

está preparado deve responder cada uma aleatoriamente.
a) Relacione os diferentes resultados possíveis.
b) Qual é a probabilidade de responder corretamente todas as três questões?
c) Qual a probabilidade de “palpitar” incorretamente todas as três questões?
d) Qual a probabilidade de acertar duas questões?
21) Diga se os dois eventos são mutuamente excludentes:

a. Escolha de um espectador de televisão do sexo masculino;
b. Escolha de alguém que raramente utiliza o controle remoto.
22) Diga se os dois eventos são mutuamente excludentes:

c. Girar uma roleta e obter um número 7;
d. Girar uma roleta e obter um número par.
23) De um conjunto de cinco empresas, deseja-se selecionar, aleatoriamente, uma

empresa, mas com probabilidade proporcional ao número de funcionários. O número
de funcionários da Empresa A é 20; de B é 15; de C é 7; de D é 5 e de E é 3.
122
a) Qual a probabilidade de cada uma das empresas ser selecionada?
b) Qual é a probabilidade de a Empresa A não ser
Selecionada?
24) Se P( A) = 0,4 e P( B) = 0,5 , o que se pode dizer quanto a P( A ∪ B) se A e B são
eventos mutuamente exclusivos?
25) Num lote de 12 peças, 4 são defeituosas; três peças são retiradas
aleatoriamente. Calcule:
a. A probabilidade de ambas serem defeituosas.
b. A probabilidade de ambas não serem defeituosas.
c. A probabilidade de ao menos uma ser defeituosa.
26) Um lote é formado por 10 peças boas, 4 com defeitos leves e 2 com defeitos
graves. Uma peça é escolhida aleatoriamente. Calcule a probabilidade de:
a. Ela não tenha defeitos graves.
b. Ela não tenha defeito.
c. Ela ou seja boa ou tenha defeitos graves.
27) Três máquinas, A, B e C produzem respectivamente 40%, 50% e 10% do total
de peças de uma fábrica. As porcentagens de peças defeituosas nass respectivas
máquinas são 3%, 5% e 2%. Uma peça é selecionada aleatoriamente e verifica-se
que é defeituosa. Qual a probabilidade de que a peça tenha vindo da máquina B?
28) A probabilidade de o aluno X resolver um problema é de 3/5 e a do aluno Y
resolver o mesmo problema é de 4/7. Qual a probabilidade de que o problema seja
resolvido?
29) Um grupo de 15 elementos apresenta a seguinte composição:
Homem Mulher
Menores 5 3
Adultos 5 2
Um elemento é escolhido ao acaso. Pergunta-se:

a. Qual a probabilidade de ser homem?
b. Qual a probabilidade de ser adulto?
c. Qual a probabilidade de ser mulher e menor?
123
d. Sabendo-se que o elemento escolhido é adulto, qual a probabilidade de ser
homem?
e. Dado que a escolhida é mulher, qual a probabilidade de ser menor/
30) Suponha que um fabricante de sorvete recebe 20% de todo o leite que utiliza de
uma fazenda F1 , 30% de uma outra fazenda F2 e 50% de F3 . Um órgão de
fiscalização inspecionou as fazendas de surpresa, e observou que 20% do leite

produzido por F2 estava adulterado por adição de água, enquanto que para F2 e
F3 , essa proporção era de 5% e 2%, respectivamente. Na indústria de sorvetes os
galões de leite são armazenados em um refrigerador sem identificação das

fazendas. Para um galão escolhido ao acaso, dado que ele foi adulterado, calcule:
a) a probabilidade de que o leite tenha sido produzida pela fazenda F1
b) a probabilidade de que o leite tenha sido produzida pela fazenda F2
c) a probabilidade de que o leite tenha sido produzida pela fazenda F3
31) Uma companhia que fura poços artesianos trabalha numa região escolhendo
aleatoriamente o ponto de furo. Não encontrando água nessa tentativa, sorteia outro
local e, caso também não tenha sucesso, faz uma terceira e última tentativa. Admita
probabilidade de 0,7 de encontrar água em qualquer ponto dessa região. Calcule a
probabilidade de:
a) encontrar água na segunda tentativa.
b) encontrar água em até duas tentativas
encontrar água.
32) Pastilhas utilizadas na fabricação de semicondutores podem estar

contaminadas. A tabela a seguir apresenta um histórico de pastilhas produzidas por
uma indústria.
Localização na ferramenta de recolhimento

Contaminação Centro Borda Total
Baixa 514 68 582
Alta 112 246 358
Total 626 314
124
Selecionando-se aleatoriamente uma pastilha qual a probabilidade dela ter alta
contaminação ou a pastilha esteja no centro de uma ferramenta de recolhimento?
125
Distribuições de probabilidade
Variável Aleatória
Definição:
Sejam E um experimento e S o espaço amostral associado ao experimento.
Uma função X, que associe a cada elemento s ∈ S um número real X (s ) é
denominada variável aleatória.
Veja a ilustração
Exemplo:
E: Lançamento de duas moedas;
X: Número de caras obtidas nas duas moedas;
S = {(c , c ), (c , k ), (k , c ), (k , k )}, onde c= cara e k= coroa;
A variável aleatória X pode assumir os valores 0, 1 e 2.
Outros exemplos de variáveis aleatórias:

2. X: número de acidentes com aviões de uma determinada companhia;
3. X: número de mulheres entre 10 empregados recém-admitidos;
4. X: número de peças produzidas por uma empresa em determinado dia;
5. X: altura de um adulto do sexo masculino selecionado aleatoriamente.
126
Definições:
Uma variável aleatória discreta admite um número finito de valores ou um número

infinito enumerável de valores.
Exemplo:
a. O número de espectadores que vêem um filme.
b. Número de peças produzidas em um dia.
Uma variável aleatória contínua admite um número infinito de valores, e esses

valores podem ser associados a mensurações em uma escala contínua.
Exemplo:
a) A voltagem em uma pilha.
b) Quantidade de leite em um copo.
Distribuição de Probabilidade
Dada uma variável aleatória discreta, podemos identificar:

1) Quais os possíveis resultados podem ocorrer;
2) Qual a probabilidade de cada resultado ocorrer.
Por exemplo: No lançamento de duas moedas não viciadas, o número de caras

possíveis e suas probabilidades é dada por:
127
Tabela: Distribuição de probabilidade do nº
de caras no lançamento de duas moedas
Nº de caras Probabilidade
x
0 1/4
1 2/4
2 1/4
Total 1
Assim, definimos:
A Distribuição de probabilidade de uma variável aleatória X é a descrição do
conjunto de probabilidades associadas aos possíveis resultados de X. Podemos
também chamá-la de função de probabilidade.
Simbolicamente temos: p( xi ) = P( X = xi ) com i = 1, 2, ...
No caso do exemplo anterior temos:

1
p( 0 ) = P( X = 0 ) =
4
2
p( 1 ) = P( X = 1 ) =
4
1
p( 2 ) = P( X = 2 ) =
4
O gráfico da distribuição de probabilidade é dada por:
128
Gráfico: Distribuição de probabilidade do número
A função de probabilidade deve satisfazer às seguintes propriedades:

1) p( x i ) ≥ 0 ;
2) ∑ p( x ) = 1 .
i
i
Função de distribuição acumulada

Podemos também representar uma distribuição de probabilidade por sua
função de distribuição acumulada definida por:
F ( x) = P( X ≤ x), ∀x ∈ ℜ
onde ℜ é o conjunto dos números naturais.
Obs.: A distribuição acumulada descreve a probabilidade de ocorrer um valor até x.

Exemplo: No lançamento de duas moedas não viciadas, a distribuição acumulada do
número de caras possíveis é dada por:
1
4 se x ≤ 0

3
F (x ) =  se x ≤ 1
4
1 se x ≤ 2


129
Tabela: Distribuição de probabilidade acumulada do nº
Valores possíveis Distribuição acumulada
x
0 1/4
1 3/4
2 4/4
Na tabela acima temos:

1
F ( 0) = P ( X ≤ 0) = P ( X = 0 ) =
4
3
F (1) = P( X ≤ 1) = P( X = 0 ) + P( X = 1) =
4
4
F (2) = P( X ≤ 2) = P( X = 0 ) + P( X = 1) + P( X = 2 ) =
4
O gráfico da distribuição acumulada da variável X = número de caras em dois

lançamentos é:
Gráfico: Distribuição acumulada de probabilidade do número

Valor esperado
A média ou valor esperado de uma variável aleatória X é dado por:
k
µ = E( X ) = ∑ xi . p( xi )
i =1
130
Variância
A variância de uma variável aleatória X é dada por:
Var( X ) = E ( X 2 ) − µ 2 = ∑ xi2 p(xi ) − µ 2
Exemplo: No lançamento de duas moedas não viciadas, a média e a variância são

dadas por:
Valores possíveis Probabilidade xi ⋅ p( xi ) xi2 ⋅ p(xi )
x p(x)
0 1/4 0 0
1 2/4 2/4 2/4
2 1/4 2/4 1
Total 1 1 1,5
Assim
k
µ = ∑ xi . p( xi ) = 1
i =1
Var( X ) = E( X 2 ) − µ 2 = 1,5 − 1 = 0 ,5
Exercícios
1) Num lote de 12 peças, 4 são defeituosas. Duas peças são retiradas
aleatoriamente sem reposição. Resolva:
a) Encontre a distribuição de probabilidade associada a variável aleatória
X = número de peças defeituosas.
b) Faça o gráfico do resultado obtido na letra a.
c) Encontre a distribuição acumulada de X.
d) Faça o gráfico do resultado obtido na letra c
e) Encontre a média de peças defeituosas, ou seja, a média de X.
f) Encontre a variância do número de peças defeituosas, ou seja, a variância de X.
2) Considere o lançamento de um dado honesto. Encontre a distribuição de
probabilidade associada ao resultado da face deste dado.
131
x
3) Suponha P(x ) = (onde x assume valores 0, 1, 2, 3). P(x ) Define uma
5
distribuição de probabilidade?
x
4) Suponha P(x ) = (onde x assume valores 0, 1, 2). P(x ) Define uma distribuição
3
de probabilidade?
3
5) Suponha P(x ) = (onde x assume valores 0, 1, 2, 3). P(x ) Define uma
[4(3 − x)! x!]
distribuição de probabilidade?
6) O peso de um livro escolhido aleatoriamente é uma variável aleatória discreta ou
contínua?
7) O custo de uma peça escolhida aleatoriamente é uma variável aleatória discreta
ou contínua?
8) Suponha que a variável aleatória discreta x possa tomar os valores 1, 2, 3, ..., n e
(n + 1)
que esses valores sejam igualmente prováveis. Mostre que µ = e
2
σ2 =
(n 2
−1 )
12
Pricipais propriedades:
Considere c constante e X e Y variáveis aleatórias.
Média Variância
E(c) = c V(c) = 0
E(X+c) = E(X) + c V(X + c) = V(X)
E(cX) = c E(X) V(cX) = c2 V(X)
E(X+Y) = E(X) + E(Y) DP(cX) = |c| DP(X)
E(X-Y) = E(X) - E(Y)
132
Distribuições discretas de probabilidade
Para motivar suponha a seguinte situação:

Num lote de 12 peças, 4 são defeituosas. Três peças são retiradas
aleatoriamente. Calcule:
a) Qual a probabilidade de apenas uma ser defeituosa, considerando retiradas com
reposição?
b) Qual a probabilidade de a primeira peça defeituosa ser a 3ª peça, considerando
retiradas com reposição?
c) Qual a probabilidade de apenas uma ser defeituosa, considerando retiradas sem
reposição?
Cada uma destas perguntas tem uma solução diferente. Passaremos agora a
explicar os métodos necessários para a solução das mesmas.
I) Distribuição Binomial
Premissas assumidas pelo modelo binomial:

a) n provas (ou experimentos) independentes e do mesmo tipo são realizadas;
b) cada prova admite apenas dois resultados: sucesso e falha;
c) a probabilidade de sucesso em cada prova é P{ sucesso } = p constante em todo o
experimento. Neste caso consideramos amostragem aleatória com reposição.
A probabilidade da variável X assumir certo valor x, pertencente ao conjunto {0, 1, 2,

...} é dada por
n
P( X = x) =  . p x .(1 − p ) n − x
 x
Onde E( X ) = n. p e Var( X ) = n. p.( 1 − p ) .
Exercícios:
1) Num lote de 12 peças, 4 são defeituosas; duas peças são retiradas
aleatoriamente e com reposição. Calcule:
a) Qual a probabilidade de ambas serem defeituosas?
b) Qual a probabilidade de apenas uma ser defeituosa?
133
Solução:
a) Usando probabilidade (regra da multiplicação) temos
4 4 1
P ( A) = ⋅ = .
12 12 9
Resolvendo usando a distribuição binomial temos:
4
Seja A: uma peça ser defeituosa. Então P ( A) = p = . Assim a probabilidade de
12
retirar duas peças defeituosas é:
2 2
 2  4  4 2−2  2   4  8 0 16 1
P( X = 2) =  .  .(1 − ) =  .  .( ) = =
 2   12  12  2   12  12 144 9
b) Exercício
2) Cada amostra de ar tem 10% de chance de conter um determinado poluente

orgânico. Considere que as amostras sejam independentes com relação à presença
do poluente. Determine:
a) a probabilidade de que nas próximas 18 amostras exatamente 2 contenham o
poluente.
b) a probabilidade de que no mínimo quatro amostras contenham o poluente.
c) a probabilidade de que 3 ≤ X < 7 .
Solução:
18 
a) P( X = 2) =  .(0,1) .(1 − 0,1)18− 2 = 0,2835
2
2
3
18 
b) P( X ≥ 4) = 1 − P( X < 4 ) = 1 − ∑  .(0,1) .(1 − 0,1)18− x = 0,098
x
x =0  x 
 
6 18
c) P(3 ≤ X < 7) = ∑  .(0,1) .(1 − 0,1)18− x = 0,265
x
x =3  x 
3) Dados históricos mostram que 5% dos itens provindos de um fornecedor

apresentam algum tipo de defeito. Considerando um lote de 20 itens, calcule a
probabilidade de (com reposição):
a) haver algum item com defeito;
b) haver exatamente dois itens defeituosos;
c) haver mais de dois itens defeituosos;
d) qual é o número esperado de itens defeituosos?
134
e) e de itens bons?
4) Se 7% das lâmpadas de certa marca são defeituosas, achar a probabilidade de

que, numa amostra de 100 lâmpadas, escolhidas ao acaso e com reposição,
tenhamos três defeituosas.
5) Seja X uma variável aleatória binomial com n = 10 e p = 0,5 . Determine as

seguintes probabilidades:
a) P( X = 5)
b) P( X ≤ 2)
c) P(2 ≤ X < 5)
6) As linhas telefônicas em um sistema de reservas de uma companhia aérea estão
ocupadas 40% do tempo. Suponha que os eventos em que as linhas estejam
ocupadas em sucessivas chamadas sejam independentes. Considere que 10
chamadas aconteçam.
a) qual a probabilidade de que para exatamente três chamadas as linhas estejam
ocupadas?
b) qual é a probabilidade de que para no mínimo uma chamada as linhas estejam
ocupadas?
c) qual é o número esperado de chamadas em que as linhas estejam ocupadas?
II) Distribuição geométrica
Se um caso satisfaz todas as condições de um experimento binomial, exceto

pelo fato de o número de provas não ser fixo, então aplicamos a distribuição
geométrica.
A distribuição geométrica se aplica quando estamos interessados na
probabilidade de o primeiro sucesso ocorrer em determinada prova.
Para que o sucesso ocorra, por exemplo na x − ésima prova, deve-se ser precedido
x −1
por x − 1 fracassos, cuja probabilidade é (1 − p ) .
135
A distribuição é chamada geométrica porque seus valores sucessivos
constituem uma progressão geométrica.
Considere um experimento E e uma variável aleatória X com
probabilidade de sucesso p. Se X tem distribuição geométrica, então a
probabilidade de X obter sucesso na x-ésima prova é dada por
P ( X = x ) = p (1 − p )
x −1
, x = 1, 2, 3, L
onde
1
E(X ) =
p
Var ( X ) =
(1 − p )
p2
Exercícios;
1) Num lote de 12 peças, 4 são defeituosas. Seleciona-se aleatoriamente 5 peças,
com reposição. Qual a probabilidade de a primeira peça defeituosa ser a 3ª peça
escolhida?
Solução: A probabilidade de uma peça ser defeituosa é
4
p(defeito ) = = 0 ,3333
12
Escolhida 5 peças, a probabilidade da primeira peça defeitosa ser a 3ª é
P ( X = 3) = 0,3333 ⋅ (1 − 0,3333 ) = 0,1481
2
2) A probabilidade de uma pastilha conter uma partícula grande de contaminação é

de 0,01. Se for considerado que as pastilhas sejam independentes, qual será a
probabilidade de que exatamente 125 pastilhas necessitem ser analisadas antes que
uma partícula grande seja detectada?
Solução:
Seja x: o número de amostras analisadas até que uma partícula grande seja
detectada. Então X é uma variável aleatória geométrica com p = 0,01 . A
probabilidade então é:
P ( X = 125) = (0,99 ) (0,01) = 0,0029
124
136
3) A probabilidade de uma criança contrair uma doença contagiosa, à qual está
exposta é 0,70. Qual é a probabilidade de a sétima criança exposta à doença ser a
primeira a contraí-la?
 4  8 
  
 2  2 − 2  1
P( X = 2) = =
 4 + 8 11
 
 2 
IV) Distribuição de Poisson
Suponha que queremos avaliar o número de ocorrência de um evento por

unidade de tempo, de comprimento, de área, de volume, etc.
Exemplo:
a) número de consultas em uma base de dados por minuto;
b) número de erros de tipografia em um formulário;
Se tivermos:
a) Independência entre as ocorrências do evento e
b) Os eventos ocorrerem de forma aleatória,
Então a probabilidade da variável aleatória X assumir um determinado valor é dada

por
e − λ .λ x
P( X = x) = com x = 0, 1, ...
x!
Onde E( X ) = Var( X ) = λ.
Exercícios:
1) Suponha que as consultas num banco de dados ocorrem de forma independente
e aleatória, com uma taxa média de três consultas por minuto. Qual a probabilidade
de que no próximo minuto ocorram:
a) nenhuma consulta?
137
b) uma consulta?
c) duas consultas?
d) menos do que três consultas?
Solução:
Seja λ = taxa média = 3 consultas/min.
a) Queremos a probabilidade de não ter consulta no próximo minuto, ou seja,
x = 0. Assim
e −3 .30 0,0498 ⋅ 1
P ( X = 0) = = = 0,0498
0! 1
Portanto a probabilidade de, no próximo minuto, ter nenhuma consulta é 0,0498.
b) Queremos a probabilidade de ter 1 consulta no próximo minuto, ou seja,
x = 1. Assim
e −3 .31 0,0498 ⋅ 3
P ( X = 1) = = = 0,1494
1! 1
Portanto a probabilidade de, no próximo minuto, ter uma consulta é 0,1494.
c) Queremos a probabilidade de ter 2 consultas no próximo minuto, ou seja,
x = 2. Assim
e −3 .3 2 0,0498 ⋅ 9
P ( X = 2) = = = 0,2241
2! 2
Portanto a probabilidade de, no próximo minuto, ter duas consultas é 0,2241.
d) Queremos P( X = 0) + P( X = 1) + P( X = 2) = 0,0498 + 0,1494 + 0,2241 = 0,4233
2) Suponha que as consultas num banco de dados ocorrem de forma independente

e aleatória, com uma taxa média de três consultas por minuto. Qual a probabilidade
de que nos próximos dois minutos ocorram mais do que 5 consultas?
3) Suponha que X tenha uma distribuição de Poisson, com uma média de 4.

Determine:
a) P( X = 4 )
b) P( X ≤ 2)
138
4) O número de falhas na superfície de painéis de plástico usados no interior de
automóveis tem uma distribuição de poisson, com uma média de 0,05 falha por pé
quadrado de painel de plástico. Considere que o interior de um automóvel contém 10
pés quadrados de painel plástico. (Obs.: um pé equivale a 30,48 cm)
a) qual a probabilidade de não haver falha na superfície do interior do automóvel?

b) Se 10 carros forem vendidos para uma companhia de aluguel de carros, qual será
a probabilidade de no máximo um carro ter qualquer falha na superfície?
5) Tráfego de carros é tradicionalmente modelado como uma distribuição de

Poisson. Um engenheiro de tráfego monitora o fluxo de carros em um cruzamento
que tem uma média de 6 carros por minuto.
Calcule: (Para estabelecer o tempo de um sinal, as seguintes probabilidades são
usadas)
a) Qual a probabilidade de três ou mais carros passarem pelo cruzamento em 30

segundos?
b) Calcule o número mínimo de carros que passam pelo cruzamento, em 30

segundos, x , de modo que P( X ≤ x ) ≥ 0,90 .
139
Distribuições contínuas de probabilidade
Uma variável aleatória X é dita contínua quando ela assume qualquer valor
real dentro de um intervalo.
Exemplos:
1) Altura de uma pessoa;
2) Tempo de viagem;
3) Tempo de uma reação química;
4) Volume de leite em um copo; etc
Definição
Seja f (x ) a função densidade de probabilidade da variável contínua X.

Então f (x ) deve satisfazer às seguintes propriedades:
1) f ( x ) ≥ 0, ∀x real
+∞
∫ f ( x)dx = 1
2) −∞
b
3) Se A = [a, b] , então P(a ≤ X ≤ b) = ∫ f ( x)dx .
a
A função de densidade de probabilidade fornece uma descrição simples das

probabilidades associadas a uma variável aleatória.
Exemplos:
1) Considere a função f (x ) = x 2 + 1, 0 ≤ x < 3 . Verifique se a função f ( x ) é função

de densidade de probabilidade.
2) Considere a função f (x ) = e − ( x − 4 ) , 4 < x . Verifique se a função f ( x ) é função de

densidade de probabilidade.
3) Considere a função f ( x ) = e − x , 0 < x . Verifique se a função f ( x ) é função de

densidade de probabilidade.
Função de distribuição acumulada
140
A função de distribuição acumulada de uma variável aleatória contínua X é:
x
F (x ) = P( X ≤ x ) = ∫ f (u )du
−∞
Para − ∞ < x < ∞ .
Seja f (x ) a função densidade de probabilidade da variável contínua X, então temos:

+∞
a) µ = E( X ) = ∫ x. f ( x)dx
−∞
+∞
b) σ = Var ( X ) = ∫ ( x − µ ) 2 . f ( x)dx .
2
−∞
Uma curva de densidade é o gráfico de uma distribuição contínua

de probabilidade. Deve satisfazer as seguintes propriedades
1. A área total sob a curva deve ser 1;

2. Todo ponto da curva deve ter uma altura vertical não inferior a 0.
141
I) Distribuição Uniforme.
Uma variável aleatória X tem distribuição uniforme quando todos os seus valores
possíveis tem a mesma probabilidade.
A curva de densidade de X é uma reta horizontal.
Uma variável aleatória X tem distribuição uniforme de parâmetros α e

β com β > α se
 1
 , para x ∈ [α , β ]
f ( x) =  β − α
 0, para x ∉ [α , β ]
Neste caso
α +β (β − α ) 2
E( X ) = e Var ( X ) = .
2 12
Exemplos:
1) Um profissional de computação observou que seu sistema gasta entre 20 e 24

segundos para realizar determinada tarefa, segundo uma distribuição uniforme em
[20, 24]. Sua curva de densidade é dada por
Gráfico: Curva de densidade da probabilidade

de um sistema
142
Exercício:
1) Um profissional de computação observou que seu sistema gasta entre 20 e 24
segundos para realizar determinada tarefa. Considere a probabilidade uniforme em
[20, 24]. Resolva:
a) Encontre, graficamente, a função densidade de probabilidade.
b) P ( X > 23) .
c) E( X )
d) Var ( X ) .
2) Seja a variável aleatória contínua X a corrente em um fio delgado de cobre,

medida em miliampères. Suponha que a faixa de X seja [0, 20 mA] e considere que
1
a função densidade de probabilidade de X seja f ( x ) = .
20
a) Qual é a probabilidade de que uma medida da corrente seja menor que 10 mA?
b) Determine x de modo que P( X < x ) = 0,95 .
c) Determine E ( X ) e Var ( X ) .
d) Calcule a função de distribuição de probabilidade acumulada.
3) A função de densidade para o peso de pacotes entregues pelo correio é
70
f (x ) =
69 x 2
para 1 < x < 70 libras.
Calcule:
a) verifique que f é função de densidade de probabilidade;
b) a probabilidade de ser entregue um pacote com peso entre 60 e 70 libras?
c) Se o custo para despachar for R$ 5,00 por libra, qual será o custo médio para
despachar um pacote?
d) a variância do peso?
143
II) Distribuição Exponencial
Uma distribuição exponencial é utilizada quando queremos modelar a variável

aleatória contínua que representa:
a) Tempo até a próxima consulta a uma base de dados;
b) Tempo entre pedidos a um servidor;
c) Distância entre defeitos de uma fita.
Sejam as variáveis aleatórias:

X t = número de ocorrências no intervalo de tempo [0, t]; e
T = tempo entre as ocorrências.

Sendo λ a taxa média de ocorrências por unidade de tempo, então, considerando
independência entre as ocorrências, T tem distribuição exponencial dada por:
f (t ) = λ.e − λ .t
1 1
Onde E (T ) = e Var (T ) =
λ λ2
A curva de densidade da variável T com distribuição exponencial é dada por
b
− λ .t
A probabilidade P (a ≤ T ≤ b ) = ∫ λ .e .
a
144
Exercícios:
1) Seja a variável aleatória T definida como o tempo de resposta na consulta a um
banco de dados, em minutos. Suponha que essa variável tenha a seguinte função
densidade de probabilidade:
2e −2t , para t ≥ 0
f ( x) = 
 0, para t < 0
Calcule:
a) A probabilidade de a resposta demorar mais do que 3 minutos?
b) Calcule P ( 2 ≤ T ≤ 3) .
Solução:
∞
− 2.t
a) P (T ≥ 3 ) = ∫ 2.e dt = −e − 2.t ∞
3 = −e − 2.∞ + e − 2.3 =0 + 0 ,0025 = 0 ,0025 .
3
3
P(2 ≤ T ≤ 3) = ∫ 2.e − 2.t dt = −e − 2.t 32 = −e − 2.3 + e − 2.2 =0 ,0025 + 0 ,0183
b) 2
= 0 ,0208
2) O tempo de vida (em horas) de um transistor é uma variável aleatória T com

distribuição exponencial. O tempo médio de vida do transistor é de 500 horas.
a) Faça a curva de densidade.
b) Calcule a probabilidade de o transistor durar mais do que 500 horas.
c) Calcule a probabilidade de o transistor durar entre 300 e 1000 horas.
145
3) A função densidade de probabilidade do tempo em que clientes chegam a um
terminal (em minutos depois de 8h) é
x
−
e 10
f (x ) =
10
para x > 0. Determine a probabilidade de:
a) o primeiro cliente chegar até 9h.
b) o primeiro cliente chegar entre 8h15min e 8h30min.
c) dois ou mais clientes chegarem antes das 8h40min, entre os cinco que chegam ao
terminal. Considere que as chegadas dos clientes sejam independentes.
d) determine a função de distribuição acumulada.
4) Seja a variável aleatória X o diâmetro de um orifício perfurado em uma placa

com componentes metálicos. O diâmetro-alvo é 12,5 milímetros. A maioria dos
distúrbios aleatórios no processo resulta em diâmetros maiores. Dados históricos
mostram que a distribuição de X pode ser modelada por uma função de densidadde
de probabilidade
f ( x ) = 20e − 20( x −12,5)

para x ≥ 12,5 . Determine:
a) Se uma peça com diâmetro maior que 12,60 mm for descartada, qual será a
proporção de peças descartadas?
b) Qual o diâmetro médio?
c) Qual a variância?
Sugestão: Utilize integração por parte ∫ u dv = uv − ∫ v du
146
III) Distribuição Normal
Uma variável aleatória X tem distribuição normal se seu histograma tem a

forma de um sino.
200
100
Std. Dev = 994,59

Mean = 2516,6
0 N = 1488,00
0,
50
10
15
20
25 0
30
35
40 0
45
50
55
60
0
0,
00
00
00
00
00
00
00
00
00
00
00
0
,0
,0
,0
,0
,0
,0
,0
,0
,0
Vendas de auto peças
Definição
Dados os parâmetros µ e σ > 0 reais, a função densidade de probabilidade
da normal é dada por:
1 x−µ 2
1 − (
2 σ
)
f ( x) = .e
σ . 2π
Onde E ( X ) = µ e Var ( X ) = σ .
Podemos perceber que o cálculo de probabilidade usando a distribuição

normal é muito difícil devido ao tipo de função. Uma forma de contornarmos este
problema é utilizar a distribuição normal padronizada.
A distribuição normal padronizada tem este nome pois sua média é 0 e a
variância é um. Com isso os cálculos ficam muito mais práticos pois podemos utilizar
as tabelas de probabilidade normal padronizada.
Uma conseqüência importante do fato de uma distribuição Normal ser
completamente caracterizada por sua média e desvio-padrão é que a área sob a
curva entre um ponto qualquer e a média é função somente do número de desvios-
padrões que o ponto está distante da média.
147
Como existem uma infinidade de distribuições normais (uma para cada média
e desvio-padrão), transformamos a unidade estudada seja ela qual for (peso,
espessura, tempo, etc.) na unidade Z, que indica o número de desvios-padrão a
contar da média.
Para padronizar um conjunto de dados que tem distribuição normal é só
aplicar a fórmula
X −µ
z=
σ
Utilização da tabela da normal padronizada

A tabela nos dá a área sobre o gráfico, ou seja, a probabilidade.
Exemplo 1: A resistência à tração do papel usado em sacolas de super-mercado é

uma característica de qualidade importante.
Sabe-se que essa resistência segue um modelo Normal com média 40 psi e
desvio padrão 2 psi.
Se a especificação estabelece que a resistência deve ser maior que 35 psi,
qual a probabilidade que uma sacola produzida com este material satisfaça a
especificação?
P{X ≥ 35} = 1 − P{X ≤ 35}
 35 − 40 
P{X ≤ 35} = P Z ≤  = P{Z ≤ −2 ,5}
 2 
Pela tabela da normal padronizada temos probabilidade de 0,0062.
Logo a resposta é 1-0,0062 = 99,38%.
148
Exercícios
1) Utilizando a tabela da distribuição normal padronizada calcule:
a) P ( z < 0 ,42 )
b) P ( z < 0 ,75 )
c) P ( z < −0 ,30 )
d) P ( z > 0 ,56 )
e) P (0 ,25 < z < 0 ,72 )
f) P (− 0 ,25 < z < 0 ,20 )
g) o valor de z tal que P (− z < Z < z ) = 0 ,90 .
Propriedades da distribuição normal
1) a curva é simétrica em torno da média;
2) xlim f (x ) = 0
→∞
3) a área total sob a curva é igual a 1;
área=1
área=0,5 área=0,5
Comparação entre média e variância
149
f(x)
A B
a) da distribuição A para B muda a tendência central, mas a variabilidade é

constante;
b) da distribuição A para C muda a variabilidade, mas a tendência central é
constante;
c) da distribuição B para C muda a tendência central e a variabilidade.
Exercícios
1) Suponha que a absorção de água(%) em certo tipo de piso cerâmico tenha

distribuição normal com média 2,5 e desvio-padrão 0,6. Selecionando,
aleatoriamente, uma unidade desse piso, qual é a probabilidade de ele acusar
absorção de água entre 2% e 3,5%?
150
2) Uma fábrica de chocolates comercializa barras que pesam em média 200g. Os
pesos são normalmente distribuídos. Sabe-se que o desvio padrão é igual a 40g.
Calcule a probabilidade de uma barra de chocolate, escolhida aleatoriamente, pesar
a) entre 200 e 250g;
b) mais de 230g;
c) menos que 150g.
3) Suponha que uma variável aleatória X tenha distribuição normal com média 5 e
desvio-padrão 4. Calcule:
P(2 ≤ X < 8 )
151
Teste de Hipótese
Teste de Hipótese
Em Estatística, uma hipótese é uma afirmação sobre uma propriedade de

uma população.
Podemos estar interessados em saber informações sobre a média, a
proporção ou a variância.
Componentes de um teste de hipótese
1) Hipótese nula - H0 : é uma afirmação sobre o valor de um parâmetro
populacional. Deve conter o sinal de igualdade e deve escrever-se como = , ≤ , ≥ .
2) Hipótese alternativa - H1 : é a afirmação que deve ser verdadeira se a hipótese

nula for falsa. Não deve conter o sinal de igualdade.
Exemplos:
a) Testar a afirmação de que a média populacional é 75.
Solução: Neste caso temos H 0 : µ = 75 e H1 : µ ≠ 75 .
b) Testar a afirmação de que a média é no máximo 2,50.

Solução: Neste caso temos H 0 : µ ≤ 2,50 e H1 : µ > 2,50 .
3) Erro tipo I: Consiste em rejeitar a hipótese nula quando ela é verdadeira.
H 0 verdadeira H 0 falsa
Rejeita H 0 Erro tipo I Acerto
Não rejeita H 0 Acerto Erro tipo II
4) Nível de significância - α : A probabilidade do erro tipo I ocorrer.
152
5) Erro tipo II: Consiste em não rejeitar a hipótese nula quando ela é falsa.
6) A probabilidade de ocorrer o erro tipo II é β .
7) Estatística de teste: É uma estatística amostral baseado nos dados amostrais.
8) Região crítica: É o conjunto de todos os valores da estatística de teste que
levam à rejeição da hipótese nula.
9) Valor Crítico: É o valor, ou valores, que separa(m) a região crítica dos valores
da estatística de teste que não levam à rejeição da hipótese nula.
Conclusões no teste de hipótese
Em um teste de hipótese concluímos por:

• rejeitar a hipótese nula ou
• não rejeitar a hipótese nula.
Tipos de teste
• Bilateral (sinal de H1 : ≠ ): a região crítica está situada nas duas regiões.

α
Neste caso cada área tem valor .
2
153
• Unilateral esquerdo (sinal de H1 : <): a região crítica está situada na parte
esquerda. Neste caso P(Erro tipo I ) = α .
• Unilateral direito (sinal de H1 : >): a região crítica está situada na parte direita.
P(Erro tipo I ) = α .
154
Teste de uma afirmação sobre uma média: grandes amostras
Considere uma amostra razoavelmente grande ( n ≥ 30 ) para valer o teorema

central do limite, ou que os dados provenham de uma distribuição aproximadamente
normal. Para testarmos alguma informação com respeito à média populacional
utilizamos a estatística de teste dada por:
x − µx
Estatística de teste: z =
σ
n
Caso σ seja desconhecido podemos substituí-lo por s .
Os valores críticos são encontrados na Tabela A – 2.
Exemplo:
O tempo médio entre falhas de um rádio da Telektronic Companhy para
aviões de pequeno porte é 420 horas. Após terem sido modificados 35 aparelhos de
rádio, em uma tentativa de melhorar sua confiabilidade, os testes acusaram um
tempo médio de 385 horas para esta amostra, com desvio-padrão de 24 horas. Ao
nível de significância de 0,05, teste a afirmação de que o tempo médio, após as
modificações, é menor que 420 horas .
Solução:
 H 0 : µ ≥ 420
a) As hipóteses são: 
 H1 : µ < 420
b) O teste é unilateral esquerdo, pois o sinal de H1 é <.
c) O nível de significância é α = 0,05 ;
d) Os valores críticos são zα = 1,645 ; Logo temos:
155
e) Os dados amostrais são: x = 385 e s = 24 ;
f) Como n=35 ( n ≥ 30 ), a estatística de teste é dada por:
x − µx 385 − 420
z= = = −8,63
σ 24
n 35
g) Conclusão: Como a estatística de teste está na dentro da região crítica, então

rejeitamos H 0 .
Exercícios
1) O gerente de uma empresa de transporte suspeita da afirmação de um

vendedor de pneus de que o seu produto tem uma vida média de, ao menos,
28 000 milhas. Para verificar a afirmação, a firma instala 40 desses pneus em
seus caminhões, obtendo uma vida média de 27 563 milhas, com desvio-
padrão de 1 348 milhas. Qual a conclusão do gerente, se a probabilidade de
um erro tipo I deve ser 0.01?
2) A vida média de uma amostra de 100 lâmpadas de certa marca é 1615 horas.
Por similaridade com outros processos de fabricação, supomos o desvio-
padrão igual a 120 horas. Utilizando um nível de significância de 2 %, teste a
afirmação de que a duração média de todas as lâmpadas dessa marca é igual
a 1600 horas.
156
Teste de uma afirmação sobre uma média: pequenas amostras
Considere uma amostra pequena ( n < 30 ) , que os dados provenham de uma

distribuição normal e que o desvio-padrão populacional σ é desconhecido. Para
testarmos alguma informação com respeito à média populacional utilizamos a
estatística de teste dada por:
x − µx
Estatística de teste: t =
s
n

O número de Graus de liberdade = n – 1.
Exemplo:
Os sete valores relacionados a seguir são cargas axiais (em libras) da
primeira amostra de sete latas de alumínio de 12oz. A carga axial de uma lata é o
peso máximo que seus lados podem suportar, e deve ser superior a 165 libras,
porque esta é a pressão máxima aplicada quando se fixa a tampa no lugar. Ao nível
de significância de 0,01, teste a afirmação do engenheiro supervisor de que esta
amostra provém de uma população com média superior a 165 libras.
270 273 258 204 254 228 282
Solução:
 H 0 : µ ≤ 165
a) As hipóteses são: 
 H1 : µ > 165
b) O teste é unilateral direito, pois o sinal de H1 é>;
157
d) O valor do grau de liberdade é de 7-1 = 6. Logo o valor crítico é tα = 3,143 ;
Logo temos:
e) Os dados amostrais são: x = 252,7 e s = 27,6 ;
Como n = 7 ( n < 30 ), a estatística de teste é dada por:
x − µ x 252,7 − 165
t= = = 8,407
s 27,6
n 7
f) Conclusão: Como a estatística de teste está na dentro da região crítica, então

rejeitamos H 0 .
Exercícios
1) Admitindo que a pressão sanguínea arterial em homens siga o modelo

Normal, 7 pacientes foram sorteados e tiveram sua pressão medida obtendo
os seguintes resultados:
82 - 84 - 78 - 85 - 69 - 80 - 75
Utilizando um nível de significância de 0,02 , teste a afirmação de a média da

pressão sanguínea é de 82.
158
2) O inspetor de qualidade da JF Construções mediu 25 barras de aço e obteve
as seguintes medidas em metros:
4,51 5,38 4,84 5,33 4,74 4,99 5,15 5,52 5,82 5,45
4,68 4,74 5,53 5,40 4,72 4,97 5,24 4,94 4,75 5,50
4,81 5,25 4,86 4,93 4,95
Pode-se afirmar, com com nível de significância de 5%, que tais barras foram
sacadas de um lote cujo comprimento médio é de 5,00 metros?
Teste de uma afirmação sobre variância ou desvio-padrão
Ao testar uma hipótese sobre o desvio-padrão σ ou a variância σ 2 de uma

população, admitimos que os valores da população sejam distribuídos normalmente.
Para testar uma informação sobre desvio-padrão σ ou a variância σ 2 a
estatística de teste é dada por:
Estatística de teste: χ 2
=
(n − 1) ⋅ s 2
,
σ2
onde
n = tamanho da amostra
s 2 = variância amostral
σ 2 = variância populacional

O número de Graus de liberdade = n – 1.
159
Exemplo:
O tempo para transmitir 10 MB em determinada rede de computadores varia
segundo um modelo normal, com média 7,4 segundos e variância 1,3 segundos.
Depois de algumas mudanças na rede, acredita-se numa redução no tempo de
transmissão de dados, Além de uma possível mudança na variabilidade. Foram
realizados 10 ensaios independentes com um arquivo de 10 MB e foram coletados
os tempos de transmissão, em segundos:
6,8 7,1 5,9 7,5 6,3 6,9 7,2 7,3 6,6 6,3
Resolva:
a) Existe evidência suficiente de que as mudanças na rede de computadores
alteraram a variabilidade no tempo de transmissão de dados? Ao nível de
0,05.
b) Existe evidência suficiente de que as mudanças na rede de computadores
alteraram o tempo médio de transmissão de dados? Ao nível de 0,05
Solução da letra a:
 H 0 : σ 2 = 1,3
a) As hipóteses são:  2
 H 1 : σ ≠ 1,3
b) O teste é bilateral direito, pois o sinal de H1 é ≠ ;

160
d) O valor do grau de liberdade é de 10-1 = 9. Logo os valores críticos são
χ 2 = 2,700 e χ 2 = 19,023 ; Logo temos:
e) Os dados amostrais indicam: s = 0,261 ;

f) a estatística de teste é dada por:
(10 − 1) ⋅ 0,261
χ2 = = 1,807
1,3
g) Conclusão: Como a estatística de teste está na dentro da região crítica, então

rejeitamos H 0 .
Exercícios
1) A cofap alega que a variância da vida média de seus amortecedores é de nove

meses. A Chevrolet ensaia 18 peças e encontra variância de um ano para a vida
média das referidas peças. A 5% de significância, isso lhe permite refutar a alegação
da Cofap?
2) Um laboratório fez oito determinações da quantidade de impurezas em porções

de certo composto. Os valores eram (em mg):
12,4 – 12,6 – 12,0 – 12,0 – 12,1 – 12,3 – 12,5 – 12,7
161
Teste a hipótese de que o desvio-padrão é 1, ao nível se significância de 0,05.
3) Uma máquina de enchimento automático é usada para encher garrafas com

detergente líquido. Uma amostra aleatória de 20 garrafas resulta em uma variância
amostral de volume de enchimento de 0,0153 (onça fluida)2. Se a variância do
volume de enchimento exceder 0,01 (onça fluida)2, existirá uma proporção
inaceitável de garrafas cujo enchimento não foi completo e cujo enchimento foi em
demasia.
Há evidência nos dados da amostra que sugira que o fabricante tenha um problema
com garrafas cheias com falta e excesso de detergente? Use nível de significância
de 5%.
TESTE DE HIPÓTESE PARA PROPORÇÃO
O teste para proporção é aplicado em situações nas quais queremos verificar

se a proporção de algum atributo na população pode ser igual a certo valor p0 .
SUPOSIÇÕES:
1) São verificadas as condições para um experimento binomial. Isto é, temos um
número fixo de provas independentes com probabilidade constante, e cada
prova comporta dois resultados, que designamos “sucesso” e “falha”.
2) As condições np ≥ 5 e nq ≥ 5 são ambas verificadas, de modo que a

distribuição binomial das proporções amostrais pode ser aproximada por uma
distribuição normal com µ = np e σ = npq .
162
______________________________________________________________
NOTAÇÃO:
n : número de provas;
p : proporção populacional (usada na hipótese nula);
x
pˆ = : proporção amostral;
n
q =1 − p
______________________________________________________________
ESTATÍSTICA DE TESTE:
pˆ − p
z=
pq
n
Os valores críticos são obtidos na tabela A – 2 (distribuição normal
padronizada).
Exemplos:
1) Uma empresa retira periodicamente amostras aleatórias de 500 peças de sua
linha de produção para análise da qualidade. As peças da amostra são
classificadas como defeituosas ou não, sendo que a política da empresa
exige que o processo produtivo seja revisto se houver evidência de mais de
1,5% de peças defeituosas. Na última amostra, foram encontradas nove
peças defeituosas. Usando nível de significância de 1%, o processo precisa
ser revisto?
Solução:
 H 0 : p ≤ 0,015
h) As hipóteses são: 
 H 1 : p > 0,015
i) O teste é unilateral direito, pois o sinal de H1 é > .
j) O nível de significância é α = 0,01 ;
k) O valor crítico é zα = 2,33 ; Logo temos:
163
9
l) Os dados amostrais são: pˆ = = 0,018
500
m) Critérios para a aproximação normal:
n ⋅ p = 500 ⋅ 0,015 = 7,5 e

n ⋅ q = 500 ⋅ (1 − 0,015) = 500 ⋅ 0,985 = 492,5
n) Estatística de teste é dada por:
pˆ − p 0,018 − 0,015 0,003

z= = = = 0,552
pq 0,015⋅ 0,985 0,005436
n 500
o) Conclusão: Como a estatística de teste está fora da região crítica, então não
rejeitamos H 0 .
2) Em um estudo da eficácia do air-bag em automóveis, constatou-se que, em

821 colisões de carros de tamanho médio equipados com air-bag, 46 colisões
resultaram em hospitalização do motorista. Ao nível de significância de 0,01,
teste a afirmação de que a taxa de hospitalização nos casos de air-bag é
inferior à taxa de 7,8% para colisões de carros de tamanho médio equipados
com cintos automáticos de segurança.
3) O controle estatístico de certo processo de fabricação de determinada

lâmpada estabeleceu que pelo menos 94% delas têm que estar sem defeito.
164
Para verificar a validade desta afirmação, foi coletada uma amostra de 150
lâmpadas das quais 138 estavam sem defeito.
Com 1% de significância, há evidência de que o processo está de acordo com
o esperado?
165
Distribuição Amostral
Um estimador é uma estatística amostral (como a média amostral x )

utilizada para obter uma aproximação de um parâmetro populacional.
Exemplos:
1) x (média amostral) é um estimador de µ (média populacional)

2) s 2 (variância amostral) é um estimador de σ 2 (variância populacional)
Propriedade do estimador:
1) Tendenciosidade: Um estimador é dito não tendencioso se a esperança dele for

igual ao valor populacional. Por exemplo:
()
E x =µ
( )
E s2 = σ 2
Uma estatística é um valor específico, ou um intervalo de valores, usado

para aproximar um parâmetro populacional
Uma estimativa pontual é um valor único usado para aproximar um

parâmetro populacional.
Exemplo: considere uma população formada pelos elementos
1 1 2 3
Suponha uma amostra de tamanho 2
1 3
A média amostral é 2.
A média populacional é 1,75.
Uma estimativa intervalar, ou intervalo de confiança, é uma amplitude de

valores que tem probabilidade de conter o verdadeiro valor do parâmetro
populacional.
O grau de confiança é a probabilidade 1 − α de o intervalo de confiança

conter o verdadeiro valor do parâmetro populacional.
Um valor crítico é o número na fronteira que separa os valores das

estatísticas amostrais prováveis de ocorrerem, dos valores que têm pouca chance
de ocorrer.
166
Quando utilizamos dados amostrais para estimar um parâmetro populacional
podemos cometer erros. A margem de erro, denotada por E, é a diferença máxima
provável (com probabilidade 1 − α ) entre o valor amostral e o verdadeiro valor
populacional. A margem de erro E é chamada também de erro máximo da
estimativa. Veja o cálculo dos erros:
Parâmetro Cálculo do Intervalo de confiança Tamanho de

erro amostra
Média σ x−E < µ < x+E 2
E = zα ⋅  zα ⋅ σ 
(Grandes 2 n n= 2 
amostras)  E 
 
Média s x−E < µ < x+E 2
E = tα ⋅  tα ⋅ s 
(Pequenas 2 n n= 2 
amostras)  E 
 
Proporção pˆ qˆ pˆ − E < p < pˆ + E 2
E = zα ⋅  
n  zα  pˆ qˆ
n =  2
2
ou
E2
2
 
 zα  0,25
n =  2
E2
Variância (n − 1)s 2 (n − 1)s 2
<σ2 <
χ R2 χ L2
Teorema Central do Limite
Se X 1 , X 2 , L , X n for uma amostra aleatória de tamanho n, retirada de uma

população (finita ou infinita), com média µ e variância σ 2 , e se X for a média
amostral, então a forma limite da distribuição de
X −µ
Z=
σ
n
quando n tende ao infinito, é a distribuição normal padrão.
Ou:
167
Teorema Central do Limite
Se extrairmos todas as amostras aleatórias possíveis, de tamanho n, de uma

população com média µ e variância σ 2 , a média das médias se denota por µ x ;
assim,
µx = µ
Por sua vez, o desvio-padrão das médias amostrais se denota por σ x ; então,
σ
σx =
n
Exemplo:
Uma companhia eletrônica fabrica resistores que têm um resistência média de

100 ohms e um desvio-padrão de 10 0hms. A distribuição de resistências é normal.
Encontre a probabilidade de uma amostra aleatória de 25 resistores ter uma
resistência média menor que 95 ohms.
Estimador de Máxima Verossimilhança
Um dos melhores métodos de obter um estimador de um parâmetro é o

método da máxima verossimilhança. Essa técnica foi desenvolvida nos anos de
1920 pelo famoso estatístico britânico Sir R. A. Fisher. Como o nome implica, o
estimador será o valor do parâmetro que maximiza a função verossimilhança.
Suponha que X seja uma variável aleatória com distribuição de

probabilidade f ( x,θ ) , em que θ é um único parâmetro desconhecido. Sejam
x1 , x 2 , K , xn os valores observados na amostra aleatória de tamanho n . Então, a
função verossimilhança da amostra é
L(θ ) = f ( x1 , θ ) ⋅ f ( x 2 , θ ) ⋅ L ⋅ f ( xn , θ )
O estimador de máxima verossimilhança é aquele que maximiza a função de

verossimilhança.
Obs.: A função de verossimilhança da amostra L(θ ) é apenas a probabilidade
P( X 1 = x1 , K , X n = xn )
Exemplo:
Seja X normalmente distribuída, com média µ desconhecida e variância σ 2

conhecida. Qual o estimador de máxima verossimilhança para a média µ
considerando uma amostra de tamanho n ?
168
(x − µ )
i
2
1 −
Sugestão: Utilize f ( x, µ ) = e 2σ 2
σ 2π
169
Correlação
Com muita freqüência, na prática, verifica-se que existe uma relação entre
duas (ou mais) variáveis. Por exemplo: os pesos dos adultos do sexo masculino
dependem, em certo grau, de suas alturas; as circunferências de círculos dependem
de seus raios; a pressão de uma determinada massa de gás depende de sua
temperatura e de seu volume.
Em engenharia uma das perguntas interessantes é:
Será que existe relação entre o desgaste em um aço e a viscosidade do óleo

utilizado?
A tabela a seguir apresenta 9 dados do volume desgastado do aço e da

viscosidade do óleo. No decorrer da exposição nosso objetivo é utilizar os dados da
tabela abaixo para responder a pergunta inicial.
Tabela 1
Volume desgastado Viscosidade
Y (10-4 mm3) X
240 1,6
181 9,4
193 15,5
155 20
172 22
110 35,5
113 43
75 40,5
94 33
Dado duas variáveis X e Y, ou mais, nosso objetivo é verificar se existe

relação entre elas. Por exemplo: Os conjuntos X = {1, 2, 3, 4, 5} e Y = {3, 5, 7, 9, 11}
são tais que Y = 2X+1. Portanto dizemos que as variáveis X e Y são
correlacionadas.
Encontrar uma relação entre variáveis é de fundamental importância para
podermos predizer valores futuros. Por exemplo: se soubermos que duas variáveis
se relacionam por Y = 2X – 4, então os valores de Y são encontrado apenas
atribuindo valores a X.
170
Vamos aqui estudar variáveis que se relacionam linearmente. No final deste
estudo daremos um exemplo de variáveis que não se relacionam linearmente e sim
de forma quadrática.
Definição: Existe uma correlação entre duas variáveis quando uma delas está, de
alguma forma, relacionada com a outra.
Como estamos interessados em variáveis que se relacionam linearmente,

então estas relações são descritas por uma equação de uma reta, ou seja, equações
do tipo Y = b0 + b1X.
Como não podemos basear nossas conclusões apenas em diagramas,
necessitamos de métodos mais precisos e objetivos para tirarmos conclusões.
Vamos utilizar o coeficiente de correlação linear. Ele também é conhecido como
coeficiente de correlação de Pearson (Karl Pearson).
Definição: O coeficiente de correlação linear r mede o grau de relacionamento

linear entre os valores emparelhados x e y em uma amostra.
Podemos encontrar o valor do coeficiente de correlação linear r através da

fórmula:
n ∑ xy − ( ∑ x )( ∑ y )
r =
n ∑ x 2 − ( ∑ x )2 . n ∑ y 2 − ( ∑ y )2
Como r é calculado com base em dados amostrais, é uma estatística amostral

usada para medir o grau da correlação linear entre x e y. Se tivéssemos todos os
pares de valores (x, y) para a população, a fórmulas acima seria um parâmetro
populacional.
Arredondamento do coeficiente de correlação linear
Arredondamos o coeficiente de correlação linear r para três casas decimais,

afim de que seu valor possa ser comparado com os valores críticos da tabela A-6.
171
Propriedades do Coeficiente de Correlação Linear r
1) O valor de r está sempre compreendido entre –1 e +1;

2) O valor de r não varia se todos os valores de qualquer uma das variáveis são
convertidos para uma escala diferente;
3) O valor de r não é afetado pela escolha de X ou Y;
4) O valor de r mede a intensidade, ou grau, de um relacionamento linear. Não
serve para medir a intensidade de um relacionamento não-linear.
Os gráficos de dispersão a seguir descrevem alguns dos tipos de correlação

existentes.
Correlação linear positiva
30
25
20
Y 15
10
5
0
0 5 10
X
A correlação será considerada positiva se valores crescentes de X estiverem

associados a valores crescentes de Y, ou valores decrescentes de X estiverem
associados a valores decrescentes de Y. Neste caso 0 < r < 1.
Correlação linear perfeita positiva
30
25
20
Y 15
10
5
0
0 5 10
X
A correlação linear será considerada perfeita positiva se valores

crescentes de X estiverem perfeitamente alinhados a valores crescentes de Y, ou
valores decrescentes de X estiverem perfeitamente alinhados a valores
decrescentes de Y. Neste caso r = 1.
172
Correlação Negativa
30
25
20
Y 15
10
5
0
0 2 4 6 8 10
X
A correlação é considerada negativa quando valores crescentes da variável X

estiverem associados a valores decrescentes da variável Y, ou valores decrescentes
de X estiverem associados a valores crescentes da variável Y. Neste caso –1 < r <
0.
Correlação negativa perfeita
30
25
20
Y 15
10
5
0
0 2 4 6 8 10
X
A correlação linear será considerada perfeita negativa se valores crescentes

de X estiverem perfeitamente alinhados a valores decrescentes de Y, ou valores
decrescentes de X estiverem perfeitamente alinhados a valores crescentes de Y.
Neste caso r = -1.
Correlação nula
30
25
20
Y 15
10
5
0
0 2 4 6 8 10
X
173
Quando não houver relação entre as variáveis X e Y, ou seja, quando as
variações de X e Y ocorrerem independentemente não existe correlação entre elas.
Neste caso r = 0.
Correlação não-linear
30
20
Y
10
0
0 5 10
X
Quando não houver correlação linear entre as variáveis X e Y pode

acontecer que haja outro tipo de correlação. Esta correlação pode ser quadrática,
exponencial, logarítmica, uma curva do 3.º grau, etc.
Cálculo do coeficiente de correlação para os dados da tabela 1.
Para o cálculo do coeficiente de correlação é conveniente a construção de

tabelas ampliadas, onde, a partir dos valores de X e Y, são determinadas todas as
somas necessárias.
Volume desgastado Viscosidade

-4 3
X2 Y2 XY
Y (10 mm ) X
240 1,6 2,56 57600 384
181 9,4 88,36 32761 1701,4
193 15,5 240,25 37249 2991,5
155 20 400 24025 3100
172 22 484 29584 3784
110 35,5 1260,25 12100 3905
113 43 1849 12769 4859
75 40,5 1640,25 5625 3037,5
94 33 1089 8836 3102
1333 220,5 7053,67 220549 26864,4
Assim,
174
n ∑ xy − (∑ x)(∑ y )
r=
n∑ x 2 − (∑ x ) 2 . n∑ y 2 − (∑ y ) 2
9 ⋅ (26.864,4) − (220,5) ⋅ (1.333)
r=
9 ⋅ (7.053,67) − (220,5)2 ⋅ 9 ⋅ (220.549 ) − (1.333)2
r = −0,938
O valor de r é dado por r = - 0,938.
Interpretação do valor de r
Se o valor de r está próximo de 0 (zero), concluímos que não há correlação

linear significativa entre X e Y, mas se r está próximo de –1 ou +1, concluímos pela
existência de correlação linear significativa entre X e Y. Como o termo “próximo” é
vaga, temos que adotar um critério de decisão. Para verificarmos se há correlação
faremos então um teste de hipótese.
Teste de hipótese para determinar se há correlação
Podemos utilizar dois métodos para verificar se duas variáveis possuem

correlação linear entre elas. Utilizando a teoria do teste de hipótese vamos verificar
se há correlação entre as variáveis X e Y de uma população. Neste caso usaremos o
parâmetro ρ para representar a correlação entre duas variáveis de uma população.
Assim temos:
H0: ρ = 0 (Não há correlação linear entre as variáveis X e Y)
H1: ρ ≠ 0 (Há correlação linear significativa entre as variáveis X e Y)
175
Método: Estatística de Teste é r. Usamos o valor calculado do Coeficiente de
Correlação Linear de Pearson r.
Estatística de Teste r para Correlação Linear

Estatística de Teste: r
Valores críticos: Tabela do Coeficiente de Correlação r de Peason.
Exemplo: Para os dados da Tabela 1 temos: r = - 0,938 (calculado). Utilizando o

teste de hipótese teremos:
A estatística de teste é r = - 0,938. Os valores críticos são r = - 0,666 e r=

0,666 com n = 9 e nível de significância 0,05. Como r está dentro da área crítica,
então rejeitamos H0. Logo há evidências para apoiar a existência de uma correlação
linear.
Rejeitar Não Rejeitar Rejeitar
ρ=0 ρ=0 ρ=0
-1 r = -0,666 r = 0,666 1
Como sabemos que há correlação entre as variáveis X e Y, basta agora

encontrar qual a correlação, ou seja, qual a equação que relaciona as duas
variáveis. Isto podemos facilmente encontrar usando a Regressão Linear.
176
Regressão Linear
Definição: Dada uma coleção de dados emparelhados (X, Y) populacionais, a

equação de regressão é dada por
y = β 0 + β1 x
Como não conhecemnos os coeficientes populacionais devemos estimá-los.

Então dada uma coleção de dados amostrais emparelhados (X, Y), a equação
de regressão
ŷ = b 0 + b 1x
descreve a relação entre as duas variáveis. O gráfico da equação de regressão é

chamado reta de regressão. (ou reta de melhor ajuste, ou reta de mínimos
quadrados)
Esta definição expressa uma relação entre x (chamada variável independente
ou variável preditora) e ŷ (chamada variável dependente ou variável resposta).
Temos que b0 é o intercepto y e b1 é o coeficiente angular.
Suposições:
1) Estamos investigando apenas relações lineares.

2) Para cada x, y é uma variável aleatória com distribuição normal. Todas essas
distribuições de y têm a mesma variância e, ainda, para um dado valor de x, a
média da distribuição dos valores de y está sobre a reta de regressão.
Fórmulas:
Estimamos os valores b0 e b1 , utilizando método dos mínimos quadrados,
pelas fórmulas a seguir.
(∑ y)( ∑ x 2 ) − (∑ x )( ∑ xy )
b0 =
n(∑ x 2 ) − (∑ x ) 2
n(∑ xy ) − (∑ x )(∑ y)
b1 =
n(∑ x 2 ) − (∑ x ) 2
177
Arredondamentos
Cálculos intermediários arredondar para seis casas decimais. Arredondar o

resultado final para uma casa decimal a mais que os dados.
Voltando ao problema proposto, Tabela 1, vamos calcular a reta de regressão

entre as variáveis X e Y.
(∑ y )(∑ x 2 ) − (∑ x)(∑ xy )
b0 =
n( ∑ x 2 ) − ( ∑ x ) 2
(1.333)(7.053,67) − (220,5)(26.864,4)
b0 =
9 ⋅ (7.053,67) − (220,5) 2
b0 = 234,07
e
n(∑ xy ) − (∑ x)(∑ y )
b1 =
n(∑ x 2 ) − (∑ x ) 2
9 ⋅ (26.864,4) − (220,5)(1.333)
b1 =
9 ⋅ (7.053,67) − (220,5) 2
b1 = −3,51
Assim a reta de regressão é dada por yˆ = 234,07 − 3,51x .

As equações de regressão podem ser úteis quando usadas para predizer o
valor de uma variável, dado um valor determinado da outra variável. Ao predizer um
valor de y com base em determinado valor de x:
1) Se não há correlação linear significativa, o melhor valor predito de y é a média

de y;
2) Se há correlação linear significativa, obtém-se o melhor valor predito de y
substituindo-se o valor de x na equação de regressão.
Por exemplo, se queremos saber qual o desgaste quando a viscosidade for

de 41 então basta substituir na reta de regressão o valor de x por 41:
178
y = 234,07 − 3,51 ⋅ 41
y = 90,16
Estimativa da variância
n
Seja SQE = ∑ ( yi − yˆ i )2 a soma dos quadrados dos erros. Uma estimativa da
i =1
variância do modelo é dada por

SQ E
σˆ 2 = .
n−2
No nosso exemplo teremos:
Volume desgastado
-4 3 Yˆ (Y − Yˆ ) 2
Y (10 mm )
240 228,454 133,3101
181 201,076 403,0458
193 179,665 177,8222
155 163,87 78,6769
172 156,85 229,5225
110 109,465 0,286225
113 83,14 891,6196
75 91,915 286,1172
94 118,24 587,5776
2.787,978
Assim,
SQ E
σˆ 2 =
n−2
2.787,978
σˆ 2 =
7
σˆ 2 = 398,28
179
Exemplo:
1) Os dados a seguir trazem os resultados do experimento que avalia o índice de
octanagem da gasolina (y) em função da adição de um novo aditivo (x), em
porcentagem.
x (%) y (%)
1 80
2 81
3 82
4 83
5 83
6 85
A reta de regressão estimada é Y = 79,1 + 0,9 X . Qual a estimativa da variância da

reta estimada?
Teste de hipótese na regressão linear simples
Quando estimamos os coeficientes da regressão linear é importante

testarmos a hipótese de que eles são ou não iguais a zero. Caso isso seja
verdadeiro podemos retira-lo do modelo.
No caso da regressão simples testamos:
H 0 : β0 = 0 H 0 : β1 = 0
e
H1 : β 0 ≠ 0 H 1 : β1 ≠ 0
Para testarmos estar a hipótese sobre β 0 utilizamos a estatística de teste
βˆ0
T0 = onde T0 tem distribuição t com n-2 graus de liberdade. Utilizamos
σˆ 2
S xx
2
 n 
 ∑ xi 
n  
2  i =1 
S xx = ∑ xi − .
i =1
n
180
Utilizamos o método análogo para testar β1 . Neste caso a estatística de teste
βˆ1
é T1 = onde T1 tem distribuição t com n-2 graus de liberdade.
σˆ2
S xx
Exemplo: Voltando ao nosso exemplo anterior teremos:
1º caso: Para testarmos a hipótese sobre β 0
2
 n 
 ∑ xi 
n  
2  i =1 
S xx = ∑ xi −
i =1
n
S xx = 7.053,67 −
(220,5)2
9
S xx = 7.053,67 − 5.402,25
S xx = 1.651,42
Estatística de teste
βˆ0
T0 =
σˆ 2
S xx
234,07
T0 =
398,28
1.651,42
T0 = 476,63
Para valores críticos temos t = ±2,365 com nível de significância α = 0,05 .

Como a estatística T0 está dentro da região crítica, então rejeitamos a hipótese
nula. Logo o coeficiente é significativo.
2º caso: Para testar hipótese sobre β1 :
Estatística de teste
181
βˆ1
T1 =
σˆ 2
S xx
− 3,51
T1 =
398,28
1.651,42
T1 = −7,147
Para valores críticos temos t = ±2,365 com nível de significância α = 0,05 .

Como a estatística T0 está dentro da região crítica, então rejeitamos a hipótese
nula. Logo o coeficiente é significativo.
Intervalo de confiança para os coeficientes
Sob a suposição de que as observações sejam normal e independentemente

distribuídas, um intervalo de confiança de 100 (1 − α )% para a inclinação na
regressão linear simples é:
σˆ 2 σˆ 2
βˆ1 − tα ,n−2 S
≤ β1 ≤ ˆ +t
β 1 α ,n−2
2 xx 2 S xx
Similarmente, um intervalo de confiança de 100 (1 − α )% para a interseção na

regressão linear simples é:
1 x2  
2 1 x2 
βˆ0 − tα ,n −2
σˆ 2  +  ≤ β 0 ≤ βˆ0 + tα , n − 2 σˆ  + 
2  n S xx  2  n S xx 
Exemplo: Considerando o exemplo anterior, um intervalo de confiança de 95% para

os coeficientes é dado por:
1 x2  
2 1 x2 
βˆ0 − tα ,n−2
σˆ 2  +  ≤ β 0 ≤ ˆ
β 0 + t α ,n−2 σˆ  + 
2  n S xx  2  n S xx 
1 24,5 2  1 24,5 2 
234,07 − 2,365 398,28 +  ≤ β 0 ≤ 234,07 + 2,365 398,28 + 
 9 1.651,42   9 1.651,42 
1 24,5 2  1 24,5 2 
234,07 − 2,365 398,28 +  ≤ β 0 ≤ 234,07 + 2,365 398,28 + 
 9 1.651,42   9 1.651,42 
201,56 ≤ β 0 ≤ 266,58
182
ˆ σˆ 2 ˆ σˆ 2
β1 − tα , n − 2 ≤ β1 ≤ β1 + tα , n − 2
2 S xx 2 S xx
398,28 398,28
− 3,51 − 2,365 ≤ β1 ≤ −3,51 + 2,365
1.651,42 1.651,42
− 4,67 ≤ β1 ≤ −2,35
Exercício:
1) Considere Y a pureza do oxigênio (%) e X o nível de hidrocarboneto (%). A reta

de regressão entre Y e X é dada por:
Y = 74,283 + 14,947 X
A estimativa da variância é de σˆ 2 = 1,18 e S xx = 0,68088 . Use α = 0,05 e n = 18 .
Encontre um intervalo de 95% de confiança para a inclinação β1 .
Erro padrão da estimativa
O erro padrão da estimativa é uma medida coletiva da dispersão dos pontos

amostrais em torno da reta de regressão. Denotado por S e , é calculado como:
Se =
∑ y 2 − b0 ∑ y − b1 ∑ xy
n−2
Exemplo: Voltando ao exemplo anterior:
Se =
∑ y 2 − b0 ∑ y − b1 ∑ xy
n−2
220.549 − 234,07 ⋅ (1.333) − (− 3,51) ⋅ 26.864,4
Se =
7
S e = 403,962
S e = 20,01
183
Regressão Múltipla
_______________________________________________________________
Definição:
Uma equação de regressão múltipla expressa um relacionamento linear entre
uma variável dependente y e duas ou mais variáveis independentes
(x1 , x2 , K, xk ) .
_______________________________________________________________
Notação:
yˆ = b0 + b1 x1 + b2 x2 + L + bk xk + ε : fórmula geral da equação de regressão múltipla
estimada;
n : tamanho da amostra;
k : número de variáveis independentes;
ŷ : valor predito da variável dependente;
x1 , x2 , K, xk : variáveis independentes;
β 0 : intercepto;
b0 : estimativa de β 0 ;
β1 , β 2 , K, β k : coeficientes das variáveis independentes x1 , x2 , K, xk ;
b1 , b2 , K, bk : estimativas de β1 , β 2 , K, β k .
ε : erro
Exemplos:
Os dados seguintes se referem ao mercado brasileiro de tratores e
colheitadeiras. Baseados neles, determine a equação de regressão múltipla da
produção em função das vendas internas e das exportações.
184
Ano 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
Produção 22,20 22,08 32,18 51,33 28,34 22,19 31,66 33,41 28,22 35,43
Vendas
18,94 16,84 27,41 46,69 22,74 13,97 21,47 24,85 24,70 31,06
internas
Exportações 4,22 5,82 4,48 5,03 5,26 8,36 10,06 8,86 4,21 5,27
Solução: Saída do Excel 97. (Ferramentas – análise de dados - regressão)

RESUMO DOS
RESULTADOS
Estatística de regressão
R múltiplo 0,998739179
R-Quadrado 0,997479948
R-quadrado 0,996759933
ajustado
Erro padrão 0,498084785
Observações 10
ANOVA
gl SQ MQ F F de
significação
Regressão 2 687,3836208 343,6918104 1385,359963 8,03403E-
10
Resíduo 7 1,736619173 0,248088453
Total 9 689,12024
Coeficientes Erro padrão Stat t valor-P

Interseção - 0,811205051 - 0,303955593
0,899860129 1,109288124
Variável X 1 1,002741039 0,019093396 52,51768884 2,378E-10
Variável X 2 1,083108449 0,082237436 13,17050357 3,39691E-06
185
RESULTADOS DE RESÍDUOS
Observação Y previsto Resíduos

1 22,6627728 -0,462772798
2 22,28999013 -0,209990135
3 31,43759759 0,742402407
4 51,36615447 -0,036154466
5 27,59962153 0,740378468
6 22,16321881 0,026781186
7 31,52506097 0,134939033
8 33,61459554 -0,204595539
9 28,4277301 -0,207730097
10 35,95325806 -0,523258059
Interpretações:
Na primeira tabela:
• o valor de R-quadrado igual a 0,997 indica que, na amostra observada, cerca
de 99,7% da variação da produção pode ser explicada por uma relação linear
que envolve as vendas internas e as exportações.
• o valor de R-quadrado ajustado igual a 0,997 é o coeficiente múltiplo de

determinação, R-quadrado, modificado de modo a levar em conta o número
de variáveis e o tamanho da amostra..
Na segunda tabela, o valor de F de significação = 8,034E-10, extremamente

pequeno, mostra que no teste de hipótese rejeitamos a hipótese nula,
H 0 : β 0 = β1 = K = β k = 0 .
Na terceira tabela temos as estimativas dos coeficientes do modelo. Neste caso o
modelo é:
yˆ = −0,900 + 1,003 ⋅ Vendas + 1,083 ⋅ Exportações
186
187
Bibliografia
1. TOLEDO, Geraldo Luciano. OVALLE, Ivo Izidoro. Estatística Básica. 2ª edição.

São Paulo: Atlas, 1985.
2. MONTGOMERY, Douglas C., RUNGER, George C.. Estatística aplicada e

probabilidade para engenheiros. Rio de Janeiro: LTC, 2009.
3. MILONE, Giuseppe. Estatística: geral e aplicada. São Paulo: Thomson Learning,

2006.
4. BRUNI, Adriano Leal. Estatística aplicada à gestão empresarial. 2ª edição. São

Paulo: Atlas, 2008.
188
Anexo 1
1. Algoritmo para calcular frequência em tabela agrupada em classes.
freqagrup<-function(dados){
cat("Dados",dados,"\n\n")
n<-length(dados)
cat("dimensão dados =",n,"\n\n")
menor<-min(dados)
maior<-max(dados)
At<-maior-menor;
k1<-1+3.3*log(n)/log(10);
cat("Numero de classes sem arredondamento =",k1,"\n\n")
k2<-round(1.5+3.3*log(n)/log(10),0);
cat("Número de classes arredondado =",k2,"\n\n")
k<-k2
Ac<-At/k;
cat("At =",At,"\n\n")
cat("k =",k,"\n\n")
cat("Ac =",Ac,"\n\n")
for(j in 1:k){
if(j<k){
freq2<-0
freq1<-0
for(i in 1:n){
if((menor+(j-1)*Ac)<=dados[i]&dados[i]<(menor+(j)*Ac)){
freq<-1
freq1<-freq+freq1
}
}
freq2[j]<-freq1
cat("Classe (",j,")=>","De",(menor+(j-1)*Ac),"até",(menor+j*Ac),"=> frequênica

=",freq2[j],"\n\n")
}
if(j==k)
{
freq2<-0
freq1<-0
for(i in 1:n){
if((menor+(j-1)*Ac)<=dados[i]&dados[i]<=(menor+(j)*Ac)){
freq<-1
freq1<-freq+freq1
}
189
}
freq2[j]<-freq1
cat("Classe (",j,")=>","De",(menor+(j-1)*Ac),"até",(menor+j*Ac),"=> frequênica

=",freq2[j],"\n\n")
}
}
190
Anexo 2
Comandos Software R
#=======================================================
Gerar amostras aleatórias
#=======================================================
criar vetor de amostras x
sort(x)# ordena os valores de x.
sample(x,5,T)# gera 5 amostras do vetor x com reposição
sample(x,5)# gera 5 amostras do vetor x sem reposição
#=======================================================
# Mudar diretório
#=======================================================
Arquivo
Mudar diretorio
Nome da pasta
#=======================================================
# Leitura e Preliminares dos Dados
#=======================================================
Leitura dos dados
gasolina <- scan(file="gasolina.txt")
frango <- scan(file="frango.txt")
alcatra <- scan(file="alcatra.txt")
dados<-data.frame(frango,alcatra) # banco de dados juntos frango + alcatra
attach(dados)# apresenta os nomes das variáveis
names(dados)# apresenta os nomes das variáveis
dim(dados) # dimensão dos dados
dados[1:15]# apresenta os 15 primeiros resultados
191
#==========================================================
# Estatísticas Descritivas
#==========================================================
summary(gasolina)
summary(frango)
mean(gasolina)
median(gasolina)
quantile(gasolina) # retorna os quartis
var(gasolina)# variância
cov(frango,alcatra) #Covariância
cor(frango,alcatra)#correlação
#==============================================================
# Tabela
#===============================================================
table(frango)# apresenta tabela distribuição frequencia simples.
#==============================================================
# Graficos
#===============================================================
boxplot(gasolina,ylab="Preços da Gasolina")
boxplot(frango,alcatra,ylab="Preços",xlab="frango X alcatra")
hist(frango)
plot(alcatra)
pairs(cbind(frango,alcatra)) # faz o gráfico de dispersão x1 versus x2 e vice

versa
t<-ts(frango) # transforma um conjunto de dados frango em uma série

temporal
plot(t)# faz o gráfico da série temporal
par(mfrow=c(2,1))#divide a tela em 2.
hist(gasolina)
192
abline(v=mean(gasolina))# faz uma linha na média de x1.
abline(v=median(gasolina))# faz uma linha na mediana de x1.
abline(v=quantile(gasolina))# faz uma linha nos quantis de x1.
#==============================================================
Regressão linear
#===============================================================
plot(x, y) # gráfico de dispersão.
fm <- lm(y ~ x) # regressão entre conjuntos pareados y e x.
fm # apresenta os coeficientes da regressão.
anova(fm)# apresenta tabela anova do modelo.
abline(lm(y~x)) # traça a reta de regressão.
193

Apostila Estatistica Eng

Enviado por

Dados do documento

Descrição original:

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

Apostila Estatistica Eng

Enviado por

Direitos autorais:

Formatos disponíveis

Estatística

Silvio Alves de Souza

Esta apostila é uma tentativa de compor todo o conteúdo da disciplina

O software R é um software livre utilizado para análise de dados, cálculo e

Exemplo: Criar um vetor de nome x com os valores 2, 3, 6 e 13.

No anexo 2 encontra-se alguns comandos úteis.

O software SPSS é um software não-livre utilizado para análise Estatística em

Ramo da ciência que se dedica a desenvolver metodologias para a coleta,

A Estatística pode ser dividida em três grandes áreas:

Utiliza técnicas com o objetivo de descrever, analisar e interpretar o conjunto

Trabalha com a idéia de incerteza.

Desenvolve e utiliza técnicas capazes de fazer uma extrapolação dos

Natureza dos dados

• Dados Nominais: Trata-se de dados qualitativos ou descritivos, ou seja, que

• Dados ordinais: Trata-se de dados numéricos os quais podemos estabelecer

• Dados intervalares: Trata-se de dados numéricos os quais podemos

• Dados de razão: trata-se de dados numéricos que podemos estabelecer

A utilização da Estatística é cada vez mais acentuada em qualquer atividade

Conjunto da totalidade dos indivíduos sobre o qual de faz uma inferência.

Em linguagem mais formal, a população é o conjunto constituído por todos os

Um subconjunto, uma parte selecionada da totalidade de observações

Arredondamento por falta

Número a arredondar Arredondamento para Número arredondado

Arredondamento por excesso

Número a arredondar Arredondamento para Número arredondado

Quando se trata de soma, deve-se arredondar primeiro o total, e

a) Se a soma das parcelas da série arredondada for superior ao total, deve-se

O arredondamento do erro é feito de modo a poder identificar a ordem das

Exemplo: O quadro abaixo apresenta um modelo de arredondamento, para inteiro,

Série original Erro relativo Série arredondada Série corrigida

Observações: 1. (*) série corrigida

Veja o cálculo dos erros relativos

b) Se a soma das parcelas da série arredondada for inferior ao total, deve-se

Exemplo: O quadro abaixo apresenta um modelo de arredondamento, para

Série original Erro relativo Série arredondada Série corrigida

Observação: (*) série corrigida

Um certo número de pessoas foi classificado em quatro categorias. Essas

N1 = número de pessoas incluídas na categoria 1.

N 4 = número de pessoas incluídas na categoria 4.

Neste caso, a proporção de pessoas pertencentes à primeira categoria é

A proporção de pessoas pertencentes à segunda categoria é determinada

o cálculo da proporção das pessoas pertencentes à terceira e quarta categoria.

Exemplo: A tabela a seguir apresenta o número de sócios praticantes e não-

Tabela 1: Número de sócios praticantes e não-praticantes

As porcentagens são obtidas a partir do cálculo das proporções, simplesmente

Voltando ao exemplo anterior temos:

Tabela 2: Número de sócios praticantes e não-praticantes

1) Considere as situações a seguir e identifique a população e a amostra em cada

a. Para a análise de desempenho dos alunos da 8.ª série de uma determinada

2) Use os critérios de arredondamento para arredondar cada valor a seguir para

a) 21,24 d) 0,75 g) 3,521

Número a arredondar Arredondamento para Número arredondado

Número a arredondar Arredondamento para Número arredondado

5) A tabela abaixo representa a produção, em unidades, da fábrica X de

Calcule: (Use arredondamento para centésimos)

a) a proporção de peças produzidas no mês de outubro.

8) Para as situações descritas a seguir, identifique a população e a amostra

a) Uma amostra de sangue foi retirada de um paciente com suspeita de

b) Para verificar a audiência de um programa de TV, 563 indivíduos foram

c) A fim de avaliar a intenção de voto para presidente dos brasileiros, 122

9) Para encher um reservatório em 15 dias, são necessárias 3 torneiras. Em quanto

10) Um navio dispõe de reservas suficientes para alimentar 14 homens durante 45