Apontamentos Estatística Aplicada 2020 - 023901

Apontamentos de Estatística seleccionados pelo Ph.D.
Abílio Eduardo – ISCED Benguela/2020 1
Estatística Aplicada
Temas para trabalho de grupos
1 – Variáveis e sua classificação Todos
2 – Método Estatístico (1)
3 – Regras de Arredondamento (1)
4 – Frequências e sua distribuição (sem e com classes) Todos
5 – Média Aritmética Simples e ponderada (sem e com classes) (2)
6 – Moda (sem e com classes) (3)
7 – Mediana (sem e com classes)
8 – Variância (sem e com classes)
9 – Desvio Padrão Coeficiente de Variação (sem e com classes) (4)
APRESENTAÇÃO DA DISCIPLINA
A disciplina Estatística Aplicada proporcionará uma visão geral aos

estudantes, dos problemas do estudo, problemas demográficos e sociológicos; grau
de sanidade contribuindo para a mobilização geral, serviços meteorológicos, na
agricultura, na biologia (medicinas e farmácias); estudo económico e financeiro.
Permite a tomadas de decisões, quer pelo estado, quer pelas diferentes
organizações sociais e profissionais.
A necessidade de formação estatística para todos no sentido de promover
uma participação esclarecida e crítica justifica-se, pois, voluntariamente, ou
involuntariamente, por vezes os resultados, estatísticos favorecem certos grupos
sociais em prejuízos dos outros. A este respeito, com base nos mesmos estudos, os
membros dos governos e os dirigentes sindicais, podem sustentar opiniões díspares
acerca do desemprego e não se pense que tais disparidades resultam sempre de
um uso distorcido da estatística, pois essas discrepâncias podem resultar da
consideração de certos aspectos em detrimento de outros, de acordo com interesse
dos interlocutores.
Apontamentos de Estatística seleccionados pelo Ph.D. Abílio Eduardo – ISCED Benguela/2020 2
PROGRAMA
Dados Gerais do Programa da Cadeira

Curso: Todas as epecialidades, excepto Matemática, Física e Química
Licenciatura em: Ciências da Educação
O título da cadeira; Estatística Aplicada.
Ano: 2º.
Tipo de disciplina: Semestral ___x___; Anual ___
• 3 horas/s (1htp+2hp)
• Carga horária total: 45 horas
• Aulas teóricas: 15
• Aulas práticas: 25
• Aulas teórico-práticas: 5
• Total: 45 h
• Ano: 2020
Docente: Ph.D. Abílio Eduardo. //Assistente da UKB//
PROGRAMA
Introdução: Fundamentação da disciplina.

A Disciplina Estatística está, é leccionada no 2º semestre do 2º ano de todos
os cursos ministrados pelos ISCED do país com excepção de curso de matemática
que tem a disciplina de probabilidade e estatística. Constitui uma das ferramentas
básicas instrumentais do ponto de vista metodológico para realizar em investigações
científicas.
Nela se articulam de forma lógica os conteúdos teóricos e as actividades
vinculadas directamente com a prática da investigação que se desenvolve ao longo
dos diferentes anos em que se ministram as especialidades em que se formam os
estudantes.
Esta disciplina em seu conjunto, permite dotar aos alunos das vias, formas e
métodos de estudo e acesso à realidade social, histórica, assim como, dos
instrumentos básicos para a colecta, organização, análise e interpretação dos dados
e a apresentação dos resultados.
Objectivos Educativos da Disciplina:
Contribuir para que os estudantes:
1. Adquiram uma formação teórica-metodológica geral que lhes sirva como

orientação para sua actividade prático-investigativa e como profissionais.
2. Consolidem sua concepção científica do mundo através da apreciação crítica

dos elementos teóricos, metodológicos e práticos adquiridos no processo da realização
da investigação científica.
3. Dotar o estudante de instrumentos teóricos e práticos da estatística para a
tomada de decisões e suporte às análises dos resultados quantitativos e qualitativos de
pesquisas empíricas analíticas
4. Proporcionar a nível científico uma sólida formação em Estatística Aplicada;
5. Analisar, interpretar e avaliar estudos de natureza estatística;
6. Assimilem criticamente as contribuições das diferentes perspectivas teóricas e
históricas no desenvolvimento da metodologia da investigação científica.
Objectivos Instrutivos da Disciplina:
Que os estudantes sejam capazes de:
1. Compreender os conceitos básicos e regras de Estatística;

2. Aprofundar a objectividade dos conhecimentos de Estatística em Educação
3. Elaborar técnicas, instrumentos teóricos e práticos através para a colecta da
informação, organizá-la, analisá-la e interpretá-la da para a tomada de
decisões
4. Realizar as análises de resultados quantitativos e qualitativos de pesquisas
empíricas analíticas
5. Conhecer e avaliar a aplicação dos diferentes métodos e técnicas de

investigação para a colecta de dados, de acordo com as características e o nível
de complexidade do objecto de investigação.
6. Fortalecer o conhecimento a respeito dos diferentes métodos de recolha análise
e apresentação de dados da realidade social histórica e sobre as perspectivas
metodológicas quantitativa e qualitativa para o planeamento e realização dos
processos de investigação social.
PROGRAMA TEMÁTICO
A-SINTÉTICO:
UNIDADE I: Parte teórico-prática
UNIDADE II: Parte prática
PROGRAMA ANALÍTICO
Sistema de conteúdo ou conhecimentos fundamentais.

PARTE I: Capítulo I – Este tema comporta a estatística descritiva. O seu tratamento
será feito em conferências e trabalho em grupos segundo o grau de complexidade
dos assuntos. Assim devem ser tratados os seguintes temas:
1.1 – Definição da estatística descritiva e estatística inferencial. População e
amostra. Variáveis discretas e contínuas
1.2 – Apresentação dos dados: Distribuição das frequências da variável aleatória

discreta com dados isolados. Diagrama de barras e polígonos de frequência
1.3 – Distribuição das frequências da variável aleatória discreta com dados
agrupados. Diagrama de áreas – histogramas
1.3 – Medidas de posição
1.3.1 – Medidas de tendência central: média, mediana, moda, quartis e percentis.
Relação entre a média mediana e moda
1.3.2 – Variância e Desvio médio Padrão
Capítulo II: - Elementos da Teoria das Probabilidades:

2.1 Introdução, nota histórica, importância da estatística. Experiência aleatória.
Espaço de resultado e acontecimentos
2.2 – Regras básicas da Probabilidade. Álgebra dos acontecimentos
2.3 – Definições de probabilidades: clássica e frequencista.
2.4 – Noções de análise combinatória simples. Conceito de factorial. Arranjos e
Combinações
2.5 – Teorema do Produto das Probabilidades: Produto dos acontecimentos e
Probabilidade condicional
2.6 - Acontecimentos independentes, mutuamente. exclusivos Probabilidade de que
ocorra pelo menos um acontecimento. Fórmula da probabilidade Total. Fórmula de
Bayes
2.7 – Problemas gerais e estimação de um parâmetro
2.8 – Distribuições discretas de Probabilidades (Binomial, Hipergeométrica e de
Poisson);
2.9 – Distribuições contínuas de Probabilidades (Normal e Exponencial) e
Comparação de variâncias ou de desvio-padrões;
2.10 – Distribuição de Amostragem - Comparação do valor de duas amostras
2.11 – Testes de Hipóteses
PARTE II: Teórico-prática

- Problemas gerais
- Estatística Descritiva: essência, distribuição de frequências, medidas de
localização, de dispersão, de assimetria e achatamento; - Correcção e Regressão
simples;
- Probabilidades
- Problemas gerais e estimação de um parâmetro – Distribuições discretas de
Probabilidades (Binomial, Hipergeométrica e de Poisson);
- Distribuições contínuas de Probabilidades (Normal e Exponencial) e Comparação
de variâncias ou de desvio-padrões;
- Distribuição de Amostragem - Comparação do valor de duas amostras
- Testes de Hipóteses - Teste T de Stundent
PARTE III: prática

Trabalho Prático:- Aulas práticas – Laboratório de Matemática: determinar as
formas de aplicabilidade da estatística; elaboração de frequências, medidas;
determinar as probabilidades; distribuição de Amostragens e elaboração de testes; -
Exercitar todos os itens do programa e resolução de exercícios práticos. Estão
reservadas: uma hora teórico-prática e duas horas práticas.
Sistema de Valores
 Sentido de responsabilidade
 Participação / Cooperação
 Autonomia
 Espírito crítico
 Persistência
 Justiça
 Honestidade
Sistema de Habilidade
 Demonstrar por método estatístico a veracidade dos factos
Precisa –se de :
 Diferenciar conceitos.
 Conhecer as operações elementar.
 Identificar os Axiomas,propriedades e teoremas
 Analisar a decorrencia dentro de um conjunto dados.
SISTEMA DE AVALIAÇÂO:
Provas de frequência e exames teórico-práticos; Classificação das aulas práticas.
BIBLIOGRAFIA:
BARROSO, Mário e Outros, Exercícios de estatística Descritiva para as Ciências

Sociais, Ed, Sílabo, Lisboa, 2003.
CAMPBELL, D.T. & Stanley, J.C. (1979). Delineamentos experimentais e quase
experimentais de pesquisa . S. Paulo: EPU.
FOODY, W. (2001) Como perguntar. Teoria e prática da construção de perguntas
em
entrevistas e questionários. Oeiras: Celta.
GHIGLIONE, r. & Matalon, B. (2001). o Inquérito. Teoria e prática. Oeiras: Celta.
GUIMARÃES, Rui Campos Cabral, José Sarsfield, Estatística, Editora McGraw-Hill,
Portugal, 1997.
HILL, M. M. & Hill, A. (2000). Investigação por questionário. Lisboa: Edições Sílabo.
KINNEAR, P. & Gray, C. (2004). SPSS 12 made simple. New York: Psychology
Press.
LIMA, Yolanda e Baptista, António Manuel (1991). Métodos quantitativos. Editorial o
Livro.
MARTINEZ, Luís Frutuoso e Aristides Isidro Ferreira. (2010) Análise de dados com
SPSS . Primeiros passos. Escolar Editora. 3ª Edição. Lisboa, MORALES,
Esteban Egaña (2010). La Estadística. Herramienta fundamental en la
investigación pedagógica. Editorial Escolar. 2ª Edición corrigida y aumentada.
Habana, Cuba
MAROCO, J. & Bispo, R. (2003). Estatística aplicada às ciências sociais e humanas.
Lisboa: Climepsi.
MAROCO, J. (2003). Análise estatística, com utilização do SPSS. Lisboa: Edições

Sílabo.
MOORE, D. S. The basic pratice of statistcs . New York: Freeman.
MOREIRA, J. (2004). Questionários: Teoria e prática: Coimbra: Almedina.
MURTEIRA, Bento e Outros (2002)., Introdução à Estatística, McGraw-Hill, Portugal,
MURTEIRA, B. Blac, GHJ, (1983).Estatística Descritiva, Ed. McGraw Hill,.
NEVES, Maria A.F. e Fernandes, José António (1995). Métodos quantitativos. Porto
Editora.
SUDMAN, & Bradburn, N. M. (1982). Asking questions. Apractical guide to
questionnaire design. San Francisco:Jossey-Bass
TUCKMAN, B. W. (2000). Manual de investigação em educação . Como conceber e
realizar o processo de investigação em educação.. Lisboa: Fundação Calouste
Gulbenkian.
REIS, E. (1996) Estatística Descritiva, Editora Sílaba, Lisboa, 3ª- edição
SANTOS, Fernando Borja (1996). Sebenta de Matemáticas Gerais. Estatística.
Plâtano Editora. 7ª Edição Lisboa
WONNACOTT, T.H., Wonnacott, R. J. (1997). Fundamentos de estatística, Livro
Técnico e Científicos Editora AS, Rio de Janeiro.
CAPÍTULO 0 – INTRODUÇÃO
0.1 – Breve introdução histórica
2.0 – INTRODUÇÃO
2.0.1 – Breve introdução histórica
Não se conhece com exactidão as origens da Estatística. O certo porém, é que as

suas origens remontam há muitos anos da nossa história. Ainda há indícios de que
por voltas do ano 3000 A.C. já se fazia sensos na Babilónia e no Egipto com o
propósito de cobrar impostos e para fins militares
Hoje, a utilização da estatística está disseminada nas universidades, nas empresas
privadas e públicas. Gráficos e tabelas são apresentados na exposição de
resultados das empresas. Dados numéricos são usados para aprimorar e aumentar
a produção. Censos demográficos auxiliam o governo a entender melhor sua
população e organizar seus gastos com saúde, educação, saneamento básico, infra-
estrutura, entre outros. Com a velocidade da informação, a estatística passou a ser
uma ferramenta essencial na produção e disseminação do conhecimento. O grau de
importância atribuído a ela é tão grande que praticamente todos os governos
possuem organismos oficiais destinados à realização de estudos estatísticos.
O termo "estatística" surge da expressão em latim statisticum collegium palestra

sobre os assuntos do Estado, de onde surgiu a palavra em língua italiana statista,
que significa "homem de estado", ou político, e a palavra alemã Statistik, designando
a análise de dados sobre o Estado. A palavra foi proposta pela primeira vez no
século XVII, em latim, por Schmeitzel na Universidade de Jena e adoptada pelo
académico alemão Godofredo Achenwall. Aparece como vocabulário na
Enciclopédia Britânica em 1797, e adquiriu um significado de colecta e classificação
de dados, no início do século XIX. Como parte deste processo, as tabelas ficam
mais completas, surgem as primeiras representações gráficas e os cálculos de
probabilidades.
A estatística deixa de ser uma simples tabulação de dados numéricos para se tornar
" O estudo de como se chegar a conclusão sobre uma população, partindo da
observação de partes dessa população (amostra) ". A estatística desde sempre foi
um ramo da matemática aplicada, pois na antiguidade os povos já registavam o
número de habitantes, nascimentos, óbitos. Faziam "estatísticas", enquanto na idade
média as informações eram tabuladas com finalidades tributárias e bélicas. Séc.
XVI: surgem as primeiras análises sistemáticas, as primeiras tabelas e os números
relativos.
Muitos anos antes de Cristo as necessidades que exigiam o conhecimento numérico
começaram a surgir, pois contar e recensear sempre foi uma preocupação em todas
as culturas. O primeiro dado estatístico disponível foi o de registos egípcios de
presos de guerra na data de 5000 a.C., em 3000 a.C. existem também registos
egípcios da falta de mão-de-obra relacionada a construção de pirâmides. No ano de
2238 a.C. o Imperador da China Yao, ordenou que fosse feito o primeiro
recenseamento com fins agrícolas e comerciais. Em 600 a.C. no Egipto todos os
indivíduos tinham que declarar todos os anos ao governo de sua província a sua
profissão e suas fontes de rendimento, caso não a fizessem seria declarada a pena
de morte. Já na Era de Cristo o governador romano da Síria, Quirino, que incluía a
Judeia e a Galileia, por ordem do Senado, teve que fazer um recenseamento no qual
as pessoas tinham que ser entrevistadas no local de sua origem.
Explica-se. Como está escrito na Bíblia, Lucas cap. 2:1-2 - O imperador romano
César Augusto mandou uma ordem para todos os povos do Império: Todas as
pessoas deviam se registar para que fosse feita uma contagem da população. Foi
então que São José e a Virgem Maria saíram de Nazareth, na Galileia, para Belém,
na Judeia, para responder ao censo ordenado pelo imperador César Augusto. Foi
enquanto estavam na cidade que Jesus nasceu.
Alguns acontecimentos podem ser destacados como factos importantes na formação
da estatística: No mundo:
 Em 620 surgiu em Constantinopla o Primeiro Bureau de Estatística.
 No ano de 1654, Blaise Pascal e Pierre de Fermat estabelecem os
princípios do cálculo de probabilidades.
 Somente em 1708, houve a criação do Primeiro Curso de Estatística,
criado na Universidade de IENA, na Alemanha.
 A palavra estatística surge em 1752 pelo alemão Gottfried Achenwall
que deriva da palavra latina STATU, que significa estado, pelo
aproveitamento que os políticos e o estado tiravam dela. Enquanto isso
no Brasil:
 No ano de 1872, houve o primeiro senso geral da população brasileira
feito por José Maria da Silva Paranhos, conhecido como Visconde do
Rio Branco (1819-1880)
O desenvolvimento da estatística pode ser entendido a partir de dois fenómenos, a
necessidade de governos colectarem dados censitários e o desenvolvimento da
teoria do cálculo das probabilidades. Dados têm sido colectados através de toda a
história. Na Antiguidade, vários povos já registavam o número de habitantes, de
nascimentos, de óbitos, faziam estimativas das riquezas sociais, distribuíam
equitativamente terras aos povos, cobravam impostos e realizavam inquéritos
quantitativos por processos que, hoje, chamaríamos de “estatísticas”. Na Idade
Média colhiam-se informações, geralmente com finalidades tributárias.
Até 1900, a Estatística resumia-se ao que hoje em dia se chama Estatística

Descritiva. Apesar de tudo, deu contribuições muito positivas em várias áreas
científicas. A necessidade de uma maior formalização nos métodos utilizados, fez
com que, nos anos seguintes, a Estatística se desenvolvesse numa outra direcção,
nomeadamente no que diz respeito ao desenvolvimento de métodos e técnicas de
Inferência Estatística. Assim, por volta de 1960 os textos de Estatística debruçam-se
especialmente sobre métodos de estimação e de testes de hipóteses, assumindo
determinadas famílias de modelos, descurando os aspectos práticos da análise dos
dados. Porém, na última década, em grande parte devido às facilidades
computacionais postas à sua disposição, os Estatísticos têm-se vindo a preocupar
cada vez mais, com a necessidade de desenvolver métodos de análise e exploração
dos dados, que dêem uma maior importância aos dados e que se traduz na seguinte
frase: "Devemos deixar os dados falar por si".
Segundo alguns autores, é comum atribuir o marco inicial da estatística à publicação

das “Observações sobre os Sensos de Mortalidade” (1662), de John Graunt. As
primeiras aplicações desta ciência estavam voltadas às necessidades do Estado, na
formulação de políticas públicas, fornecendo dados demográficos e econômicos. No

início do século XIX, a abrangência da estatística aumentou, passando a incluir a
acumulação e análise de dados de maneira geral. Hoje, a ciência é largamente
aplicada tanto nas ciências naturais como nas sociais, na administração pública e
privada.
Durante o século XX, segundo Salsburg (2009), a estatística revolucionou a ciência
através do fornecimento de modelos úteis que sofisticaram o processo de pesquisa
na direcção de melhores parâmetros de investigação, permitindo orientar a tomada
de decisões nas políticas socioeconómicas. Para Stigler (1986), os métodos
estatísticos foram desenvolvidos como uma mistura de ciência, tecnologia e lógica
para a solução e investigação de problemas em várias áreas do conhecimento. A
chegada de computadores pessoais cada vez mais poderosos foi decisiva e fez com
que a estatística se tornasse mais acessível aos pesquisadores dos diferentes
campos de actuação. Actualmente, os equipamentos e softwares permitem a
manipulação de grande quantidade de dados, o que veio a dinamizar o emprego dos
métodos estatísticos.
A estatística para adquirir o estatuto de disciplina científica não puramente
ideográfica ou descritiva, teve que esperar pelo desenvolvimento do cálculo das
probabilidades, que lhe viria a fornecer a linguagem e o aparelho conceptual
permitindo a formulação de conclusões com base em regras indutivas.
Outros, também, que contribuíram para esse desenvolvimento foram Halley (1662-
1742), Bernouli que enunciou a lei dos grandes números, Bayes que apresentou a
teoria dos fenómenos condicionados, Laplace (1749-1827) que apresentou a teoria
das probabilidades, Gauss que apresentou o estudo analítico relacionados com os
grandes números relacionando-os com a distribuição numérica das frequências,
Quetelet que também faz o estudo demográfico
0.2 – IMPORTANCIA
Nos nossos dias, a estatística assume uma importância decisiva a diversos
níveis, o que é confirmado pelo destaque e pela frequência com que os seus
estudos surgem nos meios de comunicação social. Diariamente, a partir de jornais,
revistas, rádio e televisão, somos confrontados com tabelas, gráficos, sondagens,
etc. que traduz resultados de estudos estatísticos.
A importância da estatística pode ser vista através da sua utilização ao nível
do estado, organizações sociais e profissionais, do cidadão comum e ao nível
científico.
Ao nível do estado, hoje em dia quase todas as decisões importantes que se
tomam são acompanhadas de estudos estatísticos e, o mesmo se pode dizer
relativamente à justificação da adequação ou não das políticas seguidas pelos
diferentes governos. Quase todos os países possuem organismos oficiais
destinados à realização de estudos estatísticos. Isto prova o grau de importância
que os países atribuem a estatística.
No que respeita as organizações sociais e profissionais, tem-se vindo a
assistir a um aumento do uso de estatística. Relativamente as organizações sociais
– sindicatos, empresas, Organizações sociais, etc, todas elas conduzem a acção

recorrendo mais ou menos à estatística. Por exemplo, uma empresa quando lança
um novo produto, indaga os potenciais compradores acerca do mesmo produto. Nas
organizações sociais destaca-se o aparecimento recente e o grande incremento de
empresas e profissões ligadas a publicidade e técnica de marketing nas quais a
estatística desempenha um papel central.
Presentemente a estatística abrange todos os campos da nossa vida, a sua
utilização deve obedecer as regras muito preciosas.
A estatística é aplicada nos problemas do estudo, problemas demográficos e
sociológicos; grau de sanidade contribuindo para a mobilização geral, serviços
meteorológicos, na agricultura, na biologia (medicinas e farmácias); estudo
económico e financeiro.
No nível do cidadão comum, a importância da estatística resulta
imediatamente nas implicações das decisões tomadas, quer pelo estado, quer pelas
diferentes organizações sociais e profissionais.
A necessidade de formação estatística para todos no sentido de promover
uma participação esclarecida e crítica justifica-se, pois, voluntariamente, ou
involuntariamente, por vezes os resultados, estatísticos favorecem certos grupos
sociais em prejuízos dos outros. A este respeito, com base nos mesmos estudos, os
membros dos governos e os dirigentes sindicais, podem sustentar opiniões díspares
acerca do desemprego e não se pense que tais disparidades resultam sempre de
um uso distorcido da estatística, pois essas discrepâncias podem resultar da
consideração de certos aspectos em detrimento de outros, de acordo com interesse
dos interlocutores.
Para além das questões de políticas governamentais, e das decisões ao nível
das organizações, o cidadão comum é “bombardeado” com informações
relacionados com a cultura e com o desporto cuja compreensão exige igualmente
conhecimento de estatísticas. No caso do futebol é frequente a televisão apresenta
uma síntese relativa a certos aspectos do jogo durante o intervalo e no fim do jogo.
Nas áreas económicas e de gestão de empresas, a estatística pode ser
utilizada com três objectivos.
1. Descrever e compreender as relações entre diferentes características
que têm uma população
2. Tomar decisões mais correctas e
3. Fazer face a mudanças
Na gestão de empresas, a tomada de decisão é crucial e faz parte do dia-a-

dia de qualquer gestor. As consequências dessas decisões são muito importantes
para que possam basear-se apenas intuição. A estatística permite a extracção de
conclusões válidas.
A estatística fornece aos gestores instrumentos para que possam tomar
decisões com alguma confiança mesmo quando a quantidade de informação
disponível é pequena e as situações futuras são de elevada incerteza.
A estatística é também responsável pelo desenvolvimento científico em geral.
Para além da sua aplicabilidade nas ciências naturais, na medicina e na economia, a
estatística constitui um suporte de cientificidade para as ciências humanas e sociais.
E assim que ciências como a sociologia, historia, pedagogia, psicologia, têm
beneficiado de consideráveis desenvolvimento e aumento de credibilidade pública
com a utilização de métodos estatísticos.
Portanto, a estatística é um ramo das ciências matemáticas com um conjunto
de princípios e métodos próprios orientados a recolha crítica, análise e apresentação
de dados, permitindo a tomada de decisões.
O profissional formado em Estatística tem ainda ampla oportunidade de
aplicar seus conhecimentos em diversos sectores da actividade ou na área
académica. O mercado de trabalho actual demanda cada vez mais profissionais que
sejam capazes de tomar decisões de forma rápida e eficiente. As tomadas de
decisão, tanto no mercado de trabalho quanto no ambiente académico, requerem
que lidemos com incerteza, sendo que a natureza da incerteza depende do
problema específico com o qual estamos lidando. O trabalho do profissional em
estatística consiste na análise da informação disponível, sujeita a determinado grau
de incerteza e no planeamento e obtenção de resultados relevantes a partir da
análise da informação. Neste sentido, o profissional a ser formado pode trabalhar em
praticamente qualquer sector da actividade académica ou empresarial. De facto, as
aplicações da Estatística se estendem a praticamente todas as áreas do
conhecimento, tais como Física, Química, Engenharia, Medicina, Biologia,
Economia, Administração, Psicologia, Arte e Literatura. Isto pode ser demonstrado
na diversidade de exemplos que temos abaixo:
 Para o governo, a Estatística é ferramenta fundamental para que se possa
traçar planos sociais e económicos e projectar metas para o futuro.
Técnicas estatísticas sofisticadas permitem prever com um bom grau de
precisão variáveis como tamanho da população, taxa de desemprego no
país, demanda por determinados bens e serviços e formular planos para

atingir uma taxa razoável de progresso no bem-estar social. Com a imensa
quantidade de dados e indicadores sócio - económicos e demográficos que
hoje em dia são facilmente colectados pelos diferentes institutos de
pesquisa (públicos ou privados) e o grau de sofisticação a que chegaram
as técnicas estatísticas, a importância do estatístico deverá ser cada vez
maior, na tomada de decisões a nível nacional, como no monitoramento
constante da modelagem utilizada para manter o bom desempenho das
políticas adoptadas.
 Na indústria: técnicas estatísticas extremamente simples são utilizadas
para que a qualidade dos produtos possa ser mantida dentro de um
determinado nível. A importância desta aplicação é realçada por
Calyampudi Radhakrishna Rao, um dos mais importantes estatísticos
deste século: “É experiência comum no mundo inteiro que nas indústrias
onde os métodos estatísticos são explorados a produção aumentou em
cerca de dez a cem por cento sem nenhum investimento adicional nem
expansão industrial. Neste sentido, o conhecimento estatístico é
considerado um recurso nacional. Não é surpreendente que um livro
recente sobre invenções modernas liste o controlo estatístico de qualidade
como uma das grandes invenções tecnológicas do século vinte. De facto,
raramente houve uma invenção tecnológica como o controle estatístico de
qualidade, que é tão amplo em aplicações, mas tão simples em teoria, que
é tão efectivo em resultados, mas tão fácil de adoptar e que gera um
retorno tão alto, mas requer um investimento tão pequeno.”
 No mercado financeiro: os métodos estatísticos são empregados para
previsões de taxas de juros e preços de diferentes bens e para
desenvolvimento de estratégias de investimentos que maximizem os
lucros.
 No comércio: a Estatística pode ser usada para previsão de demandas,
planeamento da produção e implantação de técnicas administrativas
eficientes que garantam o melhor lucro.
 Na Medicina: os princípios de planeamento de experimentos são utilizados
em análises de drogas e em ensaios clínicos. A informação que é fornecida
por um grande número de testes bioquímicos é a cessada estatisticamente
para diagnósticos e previsões de possíveis causas de doenças. A
aplicação de técnicas estatísticas tornou o diagnóstico médico mais

objectivo, combinando-se a sabedoria dos melhores experts (experientes
ou sábios) com o conhecimento das diferenças entre doenças indicadas
pelos testes clínicos.
 Na Literatura: os métodos estatísticos podem ser usados para quantificar
os estilos de diversos autores, o que pode ser útil para se decidir a autoria
de determinada obra, em casos de disputa autoral.
 Em arqueologia: técnicas estatísticas de comparação entre diferentes
objectos encontrados têm representado um eficiente método de se
determinar a que culturas pertenciam antigos artefactos e de colocar tais
artefactos em ordem cronológica.
 No cortês de justiça, evidência estatística na forma de probabilidade de
ocorrência de eventos pode ser uma importante informação trazida por
uma das partes em um tribunal.
 Em Administração: a análise estatística funciona como uma importante
ferramenta para se diagnosticar problemas de gerência em diferentes
sectores de uma empresa e para propor políticas de investimento mais
eficientes dentro da própria empresa.
CAPÍTULO # 1: CONCEITOS BÁSICOS DE ESTATÍSTICA DESCRITIVA
1.1 Definições e objecto da estatística. Tipos de Estatística

Estatística é a ciência que investiga os processos de obtenção, organização e
análise de dados sobre uma população, e os métodos de tirar conclusões ou fazer
predições com base nesses dados.
Este conceito tem um significado mais amplo do que aquele que usualmente
se dá à palavra "estatística", isto é, o resultado de contagens sobre a ocorrência de
determinados eventos e a sua representação através de gráficos e tabelas, como,
por exemplo, as estatísticas de ocorrência de chuvas numa certa época do ano; as
estatísticas sobre os ganhadores de prêmios de loteria; as estatísticas de renda
média por região etc. Portantanto podemos definir a ESTATISTICA como sendo o
estudo das características comuns dos elementos de um conjunto. É um ramo da
matemática aplicada que fornece métodos para a colecta, organização descrição e
interpretação de dados para a utilização dos mesmos na tomada de decisão.
O que é a Estatística?
A Estatística é a ciência que provê de métodos que permitem recolher, organizar,
resumir, apresentar e analisar dados relativos a um conjunto de individuos ou
observações e que permitem extrair conclusões válidas e tomar decisões lógicas
baseadas em tais análises.“Che J. 2008”
Objecto da Estatística: A Recolha, Compilação, Análise e Interpretação de

dados
Para melhor se atingir este objecto da estatística subdivide-se a mesma em
duas componentes ou dois tipos
No primeiro se agrupam todas aquelas técnicas associadas justamente com o
processamento ou tratamento de conjuntos de dados (Estatística Descritiva) e no
segundo se agrupam aquelas que permitem tomar decisões mediante as conclusões
a que se chegam quando se analisam características numéricas do fenómeno que
se estuda (Estatística Inferecial).
A Estatística Descritiva – tem por finalidade descrever certas propriedades
relativas a um conjunto de dados. Descreve e interpreta factos actuais ou passados.
Depois de efectuadas as observações ficamos na posse de um conjunto caótico de

dados, o que, naturalmente, dificulta a obtenção de conclusões. É perante essa
“desordem” de dados que a estatística descritiva revela a importância e interesse
das suas técnicas, ao permitir classificar esses dados e fornecendo características
sumárias de tais dados.
O objectivo essencial da Estatística Descritiva é a de descrever conjuntos de dados
numéricos; Tal descrição permite pôr de manifesto as propriedades do conjunto, o
qual se pode expressar de forma gráfica ou analítica.
A Estatística Inferencial estende as conclusões extraídas da amostra à

população e postular modelos que se ajustem aos dados.
Em geral, este conceito mais popular de estatística corresponde somente à
organização e descrição dos dados relativos a um determinado experimento ou
situação e não trata da análise e interpretação desses dados.
Estatistica Indutiva (Inferencial) – Com base na análise de um conjunto
limitado de dados (amostra) caracterizar o todo a partir do qual tais dados foram
obtidos (população). Procura aferir propriedades estatísticas a partir de propriedades
verificadas na amostra. Com base no cálculo faz previsões para o futuro.
Portanto, a Estatística Descritiva, é a parte da Estatística que se preocupa
com a organização e descrição de dados experimentais. Além da Estatística
Descritiva há a Estatística Indutiva ou Estatística Inferencial que consiste,
fundamentalmente, das técnicas de análise e interpretação dos dados.
POPULAÇAO ESTATISTICA (N) é o conjunto de seres (humanos ou não) sobre
o qual incide o estudo feito ou a fazer que tenha fazer pelo menos uma característica
comum. Por outras palavras, população é o conjunto de todos os elementos relativos
a um determinado fenómeno, que possuem pelo menos uma característica comum.
A população é o conjunto universo, podendo ser finita ou infinita. Em suma,
População é qualquer conjunto de elementos que tenha uma ou mais propriedades

comuns definidas pelo investigador, pudendo ser desde toda la realidade, até um
grupo muito reduzido de fenómenos
AMOSTRA é o subconjunto representativo da população que se pretende
estudar.
Os termos POPULAÇÃO e AMOSTRA são frequentemente utilizados para se

fazer referência, indistintamente, aos objectos sobre os quais incide a análise
estatística e aos dados que medem a característica que é analisada.
Os conceitos POPULAÇÃO e AMOSTRA são definidos em função de uma
dada análise estatística e, em particular do seu objectivo. Se este se modificar,
altera-se também a população e o conjunto de amostras que a partir dela se podem
obter.
A partir de um conjunto restrito de dados, chamado de amostra, organizado e
descrito pela Estatística Descritiva, a Estatística Indutiva procura fazer inferências
ou, em outras palavras, tirar conclusões sobre a natureza desses dados e estender
essas conclusões a conjuntos maiores de dados, chamados de populações.
É evidente que, para que a Estatística Indutiva possa deduzir conclusões
válidas, é necessário que se tomem alguns cuidados para a escolha da amostra a
ser utilizada. Esses cuidados, mais propriamente chamados de critérios, são
estabelecidos por uma técnica chamada de amostragem.
Contudo, para permitir que a Estatística Indutiva proporcione conclusões
válidas não basta utilizar as técnicas de organização e descrição dos dados da
Estatística Descritiva e as técnicas correctas de amostragem. Fica ainda faltando
uma última ferramenta que é o cálculo de probabilidades. O cálculo de
probabilidades é um conjunto de técnicas matemáticas que visa determinar as
chances de ocorrência de eventos regidos pelas leis do acaso.
Amostragem é o processo de retirada de informações das “n” elementos

amostrais, no qual deve-se seguir um método criterioso e adequado (tipos de
amostragem).
TÉCNICAS DE AMOSTRAGEM
PROBABILÍSTICAS NÃO PROBABILÍSTICAS
Amostragem simples aleatória Amostragem acidental
Amostragem sistemática Amostragem intencional
Amostragem estratificada Amostragem por quotas
Amostragem por conglomerado Outras
a) Técnicas probabilísticas:
Garantem que cada uma das unidades da população tenha a mesma probabilidade
estatística de pertencer à amostra, ou seja, que se baseiam no suposto de
equiprobabilidade, nestes casos a amostra se considera autoponderada, e os
resultados são representativos.
Na amostragem aleatória simples, a cada elemento ou unidade da população se
assigna um número único, e a partir deste listado se faz um sorteio ou se utiliza uma
tabela de números aleatórios, seleccionando os casos até chegar ao tamanho
desejado da amostra. Este procedimento é longo e cansativo, sobretudo quando a
população é grande.
A amostragem sistemática constitui uma variante do procedimento anterior, mas
rápido e fácil de aplicar. Se divide o número de elementos da população entre o
número de sujeitos que se deseja que integrem a amostra. O resultado nos oferece
o intervalo que devemos utilizar, por exemplo:
População = 500:10 Amostra 50
Deste modo, se escolherá sistematicamente a cada décimo sujeito da população
(lista) até chegar à quantidade desejada. O primeiro caso deve tomar-se da lista por
sorteio.
A amostragem extratificada permite assegurar e aumentar a representatividade da
amostra a nível de certos subconjuntos da população estudada. Se divide a
população em extratos, por exemplo, idade e sexo, e se obtém aleatoriamente uma
amostra separada de cada estrato, através de um dos procedimentos antes
descritos.
Amostragem por conglomerados, em vez de seleccionar indivíduos, se escolhem
conglomerados, ou seja, grandes grupos de elementos que podem incluir, por
exemplo, grupos de pessoas pertencentes a escolas, hospitais, áreas geográficas,
municípios, organizações, etc. Estes conglomerados são seleccionados
aleatoriamente e se procede a estudar cada um dos elementos que os integram. Se,
por exemplo, se pretende investigar o desenvolvimento da linguagem infantil nas
zonas rurais, se parte de uma lista de todas as zonas existentes, se selecciona a
mostra que abarcará tais zonas (conglomerados) e finalmente se procede a estudar

a cada uma das pessoas das zonas escolhidas. Um procedimento mais
complexo pode incluir a selecção inicial dos conglomerados, sua estratificação no
suposto caso de que sejam grupos de grande tamanho (ou se o estudo o requer) e
posteriormente se determina a amostra dentro de cada estrato pelos procedimentos
antes mencionados.
b) Técnicas não probabilísticas:

São aquelas que não asseguram a probabilidade que tem cada unidade da
população de ser incluída na amostra. Portanto, não se obtém nestes casos a
equiprobabilidade nem a representatividade da amostra. Com estes procedimentos
se pode representar determinados elementos da população. Contudo, as vezes
constituem a única forma possível de recolectar dados devido às dificuldades e os
custos das técnicas probabilísticas.
Na amostragem acidental se inclui na amostra todos os elementos ou casos
disponíveis, seleccionando-os arbitrariamente até chegar à quantidade desejada. A
amostragem acidental ou deliberado permite seleccionar explicitamente certo tipo
de elementos ou casos que o investigador considera mais representativos, típicos ou
com possibilidades de oferecer maior quantidade de informação. Os casos se
seleccionam a partir de uma população dada, até chegar à quantidade estimada
como necessária.
A amostragem por quotas se emprega quando se conhecem as características
específicas da população, tratando de incluir todos os indicadores representativos a
estudar. Desta forma se incorporam à amostra todas aquelas pessoas que se
considera pertencem às categorias do objecto de estudo, fixando uma quota para
cada subgrupo.
Através da amostragem se pode retirar conclusões sobre a população a partir da
amostra é essencial que a forma como a amostra irá ser recolhida seja
correctamente definida e organizada. A forma como são colocadas as questões
pode originar que as informações recolhidas não sejam relevantes para o estudo
que se pretende realizar.
As etapas que compreendem a selecção da amostra, de forma a garantir que
os objectivos sejam atingidos, são:
1. Definição dos objectivos do estudo.
2. Definição da população alvo: grupo de todos os indivíduos sobre os quais se
pretende tirar conclusões.
3. Decisão sobre os dados a observar.
4. Escolher a técnica de amostragem a utilizar para recolher a amostra e o
método e o método de recolha de dados (questionário, entrevista, …).
5. Calcular a dimensão da amostra.
6. Amostrar, ou seja, recolher a amostra.
Exemplo – O departamento de ciências de educação do ISPB de Benguela

pretende estudar o aproveitamento académico dos seus estudantes cujo total de
inscrições anuais é de 500. Para realizar o estudo, deseja extrair uma amostra que
considere representativa numa percentagem mínima (10%). Sabendo que os
estudantes estão distribuídos em 3 especialidades sendo 80 de Educação especial,

120 de Psicologia e 300 de Pedagogia. Realize o procedimento para determinar as
unidades amostrais por cada extracto.
Resolução – Para seleccionar a amostra, se determina primeiramente quantos

elementos constituem 10% de 500 e quantos devem integrar cada estrato tendo em
conta a manutenção da proporção que tem na população?
População Amostra
Total 500 500*10%= 50
Educacão Especial 80 80*10%= 8
Psicologia 120 120*10%= 12
Pedagigia 300 300*10%= 30
.
VOLUME – (da População ou Amostra) – Numero de objectos desta.
Conforme o volume, a população pode ser finita ou infinita.
UNIDADE ESTATISTICA ou INDIVIDUO – Cada elemento do conjunto que se
estuda.Portanto, as unidades de estudo são os elementos, fenómenos, sujeitos ou
processos que integram a poblação, por exemplo: individuos, grupos de pessoas,
factos, procesos, casos, etc.
As unidades que conforman a populación se determinan em função da
natureza da investigação e do disenho teórico adoptado, tendo muito em conta o
objectivo consciente a alcançar.
Por exemplo, se o objectivo consiste em desenvolver estrategias de
intervenção na saúde da comunidade, com vista a melhorar os conhecimentos e
actitudes dos conjuges acerca da planificação familiar, a unidade de estudio pode
ser o par. Mas se se trata de intervir nesta problemática abarcando a toda la
população femenina, independientemente del estado civil, aquí la unidade seríaa
mulher.
ATRIBUTO ESTATÍSTICO – Propriedade dos indivíduos que foi ou vai ser
estudado. De acordo com o tipo, o atributo pode ser qualitativo ou quantitativo.
CENSO é a colecta exaustiva de informações das “n” unidades populacionais.
DADO ESTATÍSTICO é qualquer característica que possa ser observada ou
medida de alguma maneira.
VARIÁVEL é a propriedade que se deseja observar para se tirar algum tipo de
conclusão. Geralmente, as variáveis para o estudo são seleccionadas por processos
de amostragem. Por outras palavras, as variáveis constituem as características que
interessa descrever na população. A distinção do tipo de variável pode ser muito útil,
sobretudo no processo de organização dos dados. Em primeira instência, ao falar
das variáveis, ou dos dados ou observações correspondentes a estas
Os símbolos utilizados para representar as variáveis são as letras maiúsculas
do alfabeto, tais como, X, Y, Z, …etc, que podem assumir qualquer valor de um
conjunto de dados aos que se representam por letras minúsculas do alfabeto, tais
como, x, y, z, ….
Classificação de variáveis e escalas de medição

A distinção do tipo de variável pode ser muito útil, sobretudo no processo de
organização dos dados. Em primeira insistência, ao falar das variáveis, ou dos
dados ou observações correspondentes a estas, se podem diferenciar atendendo à
natureza destes dados ou à escala da sua medição. Assim, quanto à natureza
destes dados temos: variáveis qualitativas e variáveis quantitativas.
As variáveis qualitativas também chamadas atributos ou ainda chamadas
variáveis categóricas são aquelas características de uma população que, como
indica o seu nome, se referem a qualidades. Seus diferentes valores são chamados
Categorias.
Exemplos das mesmas são: sexo (com duas categorias: feminino e
masculino), cor, estado civil, nível de escolaridade, qualidade (boa, regular, mal),
etc. Esta podem ser
As variáveis Qualitativas (ou atributos): são características de uma
população que não podem ser medidas. Estas podem ser.
 Nominal: são utilizado símbolos ou números para representar
determinado tipo de dados, mostrando assim, a qual grupo ou
categoria eles pertencem. Para caracterizar el comportamentos de
variáveis nominais, usa-se a moda que trataremos no capítulo seguinte
 Ordinal (ou por posto): quando uma classificação for dividida por
categorias ordenadas em graus convencionadas, havendo uma relação
entre as categorias do tipo “maior que”, “menor que”, “igual a”, os
dados por postos consistem de valores relativos atribuídos para
denotar a ordem de primeiro, segundo, e assim sucessivamente. Para
caracterizar el comportamentos de variáveis ordinais, usa-se a
mediana que trataremos no capítulo seguinte.
As variáveis quantitativas são aquelas que, também como indica o seu
nome, se referem a quantidades, a valores numéricos com os quais (números) é
possível realizar operações aritméticas. São variáveis que podem assumir somente
valores inteiros num conjunto de valores. É gerada pelo processo de contagem
como o número de veículos que passa num posto de gasolina, o número de
estudantes nesta sala de aulas.
Exemplos destes são: custos, ingressos, estaturas, pesos, temperaturas,
quantidade de peças defeituosas, número de filhos, etc.
Cabe destacar que, ainda é comum em muitas investigações codificar os valores

que tomam diferentes variáveis qualitativas com números (por exemplo: 0 = não, 1 =
sim), esta codificação não altera o carácter qualitativo da variável.
Por outra parte, entre as variáveis quantitativas se podem distinguir, como se
viu, dois tipos: discretas e contínuas. Se chamam variáveis discretas as que
tomam valores pontuais, isolados, dentro de seu intervalo de definição, como é o
caso daquelas que representam resultados de contagens.
Se conhecem como variáveis contínuas as que dentro do seu intervalo ou
sub-intervalos de definição podem tomar qualquer valor real, estando geralmente
vinculadas a quantidades expressas em alguma unidade de medida (de tempo,
distancia, área, massa, moeda, etc.).
Com relação ao carácter discreto ou contínuo é bom ter presente que o
mesmo vem dado pela própria natureza da variável, e não pelo facto de que esta se
expresse com ou sem cifras decimais. Essa última questão depende de outras
coisas, como as unidades de medida utilizadas, a precisão desejada ou os costumes
ao expressar uma magnitude.
O tipo de variável está, além disso, directamente vinculado com o que foi
dado numerar, tipo de escala de medição da variável, que é uma classificação
associada ao tipo de operações que se pode efectuar com a variável em questão.
As escalas de medição, em ordem de complexidade, são: nominal, ordinal,
de intervalo e de razão; delas as duas primeiras estão associadas a variáveis
qualitativas e as duas últimas a variáveis quantitativas.
Na escala nominal, os valores dos dados representam categorias ou
atributos sen uma ordem intrínseca: por exemplo: sexo, nacionalidade, categoria
laboral, cor, verdadeiro/falso, etc. Uma variável em escala nominal só permite
classificar. Para caracterizar o comportamento de variáveis nominais, usa-se a
moda que trataremos no capítulo mais adiante.
Na escala ordinal quando uma classificação for dividida por categorias
ordenadas em graus convencionadas, havendo uma relação entre as categorias do
tipo “maior que”, “menor que”, “igual a”, os dados por postos consistem de valores
relativos atribuídos para denotar a ordem de primeiro, segundo, e assim
sucessivamente.
Para caracterizar el comportamentos de variáveis ordinais, usa-se a mediana
que trataremos no capítulo mais adiante. Por exemplo, a qualidade (baixa, média,
alta), o estado de opinião (totalmente de acordo, maioritariamente de acordo,
maioritariamente em desacordo, totalmente em desacordo), resultado de um teste

(bem, regular, mal), o nível de satisfação (muito insatisfeito, insatisfeito, satisfeito,
muito satisfeito), etc. Uma variável em escala ordinal permite, além de classificar,
ordenar.
Na escala de intervalo os valores dos dados representam quantidades
numéricas para as quais o zero está definido arbitrariamente; este último implica que
ainda que um valor seja múltiplo de outro por um factor dado, não por isso pode
dizer-se que a variável correspondente é maior ou menor proporcionalmente nesse
mesmo factor.
Este tipo de escala aparece associada principalmente a magnitudes físicas e
químicas como temperaturas, energias, potenciais, etc. Por exemplo, a temperatura
se mede em escalas em que o zero está escolhido de forma arbitraria, pois não
representa a ausência de temperatura, se não uma temperatura em particular – a de
congelação da água na escala Celsius, a de congelação de álcool na escala
Fahrenheit-; assim, se os valores de temperatura ambiente reportados em duas
cidades são de 15ºC e 30ºC, isso não quer dizer que há o dobro de temperatura na
segunda cidade, senão tão-somente que há 15ºC mais.
Na escala de razão ou de proporção os valores dos dados representam
quantidades numéricas para as quais o valor zero indica a ausência da característica
medida.
Então, o facto de que multiplicar um valor da variável por um factor dado, k,
dá como resultado um valor k vezes maior; quer dizer, se estabelece o sentido da
proporção. Por exemplo, um preço nulo para um produto ou serviço indica que não
há que pagar nada, e um preço duplo do outro indica que há que pagar o dobro. O
mesmo pode dizer-se de qualquer outra variável monetária, e de variáveis
associadas à medição de pesos, distâncias, áreas, volumes, etc. Uma variável em
escala de razão permite classificar – quantitativamente-, ordenar, somar e diminuir, e
multiplicar ou dividir.
PARÁMETROS são medidas populacionais que se usam quando se investiga
a população em sua totalidade.
ESTIMATIVA: É o valor aproximado do Parâmetro e é calculado com o uso
da amostra.
SÉRIES ESTATÍSTICAS.
Uma série estatística é um conjunto de dados ordenados segundo uma

característica comum, as quais posteriormente para se fazer análises e inferências.
As séries podem ser:
 Séries Temporais ou Cronológicas: É a série cujos dados estão dispostos
em correspondência com o tempo, ou seja, ainda que varie o tempo, o facto e
o local permanecem constantes.
Ex. Produção de milho numa determinada fazenda agrícola desde 1976 a 1980
Anos
Produçã
o em
tonelada
s
1976 9702
1977 9332
1978 9304
1979 9608
1980 10562
 Série Territoriais ou Geográfica: É a série cujos dados estão dispostos em

correspondência com o local, ou seja, varia o local permanece constante a
época e o facto
Ex. População rural num determinado município
Região População
Norte 3037
Nordeste 17568
Sudeste 42810
Sul 11878
Centro – oeste 5115
Total 80408
 Série Específica ou Qualitativa: é a série cujos dados estão

dispostos em correspondência com a espécie ou qualidade, ou seja,
varia o facto e permanece constante a época e o local
Ex. População rural e urbana num determinado município
Localização População
Rural 80408
Urbana 38566
Total 118974
 Série Mista ou Composta: é a combinação entre duas ou mais séries

constituindo novas séries denominadas COMPOSTAS e apresentadas
em tabelas de dupla entrada. O nome da série mista surge de acordo

com a combinação de pelo menos dois elementos
Local Época = série geográfica temporal
Anos REGIÕES
N NE SE S CO
1940 406 3381 7232 1591 271
1950 581 4745 10721 2313 424
1960 958 7517 17461 4361 1007
1970 1624 11753 28965 7303 2437
1980 3037 17567 42810 11878 5115
1.2 – REGRAS DE ARREDONDAMENTO

As regras de arredondamento aplicam-se aos algarismos decimais situados na
posição seguinte ao número de algarismos decimais que se queira transformar,
ou seja, se tivermos um número de três algarismos decimais e quisermos
arredondar para duas, aplicar-se-ão as seguintes regras:
 1ª Se o primeiro algarismo após aquele que se arredonda for
de 0 a 4, conservamos o algarismo a ser arredondado e desprezamos os seguintes
(Arredondamento por defeito). Ex: 7,34856 (para décimos)→7,3

de 6 a 9, acrescenta-se uma unidade no algarismo a ser arredondado e
desprezamos os seguintes (arredondamento por excesso). Ex: 7,37856 (para
décimos)→7,4
5, seguido de zeros, conservamos o algarismo se ele for par ou aumentamos uma
unidade se ele for ímpar. Ex: 7,2500 (para décimos)→7,2 ou Ex: 7,3500 (para
décimos)→7,4
 Se o 5 for seguido de outros algarismos dos quais, pelo
menos um é diferente de zero, arredonda-se sempre por excesso. Ex: 7,2502 (para
décimos)→7,3 ou Ex: 7,3504 (para décimos)→7,4
 4ª Quando, arredondarmos uma série de parcelas, e a soma
ficar alterada, devemos fazer um novo arredondamento por excesso ou por defeito
na maior parcela do conjunto, de modo que a soma fique inalterada. Ex: 17,4%
+18,4%+12,3%+29,7%+22,2%=100% arredondar para inteiro ficaria: 17%+18%
+12%+30%+22%=99%, como a soma é diferente daquela que se teria se se
trabalhasse com os reais valores obtidos sem ser arredondados, então deve-se
arredondar de novo a maior parcela entre todas (por excesso ou por defeito)
conforme a conveniência de não alterar o resultado. Assim, ficaria: 17%+18%+12%
+31%+22%=100%. Na prática arredonda-se o resultado final.
1.4 – MÉTODOS ESTATÍSTICOS

Para o estudo de qualquer atributo (qualitativo ou quantitativo) deve se seguir
uma determinada metodologia a que se denomina Métodos Estatísticos
Define-se como METODO ESTATÍSTICO o conjunto de operações a efectuar
para recolher os dados, analisá-los, sua apresentação e ordenação.
1.4.1 – Fases do Método Estatístico
Assim, constituem fases do método estatístico as seguintes:

1.4.1.1 Recolha de dados: A recolha deve obedecer um trabalho
cuidadoso, de forma a garantir a sua exactidão Esta fase pressupõe:
a) – Definição do Problema: Saber exactamente aquilo que se pretende
pesquisar. Definir o problema consiste na:
 Formulação correcta do problema
 Examinar outros levantamentos realizados no mesmo campo
(revisão da literatura) Saber exactamente o que se pretende,
pesquisar definindo variáveis, população, hipóteses, etc.
b) – Planificação: Consiste em determinar o procedimento necessário
para resolver o problema. Como levantar as informações? Que dados deverão ser
obtidos? Qual levantamento a ser utilizado (método)? Que tipos de levantamento
(por senso (completo) ou por amostragem (parcial)? Que custos? Que cronograma a
seguir, que instrumentos a utilizar, que meios logísticos são necessários etc.
c) Colecta, Recolha, ou levantamento de dados: Consiste na obtenção
dos dados referentes ao trabalho que desejamos fazer. A pode colecta ser directa
(directamente da fonte ou indirecta, isto é, através de outras fontes). Ainda a recolha
pode ser feita directamente pela própria pessoa (primária) ou se basear no registo
de terceiros (secundária). É nessa fase que se utilizam os diferentes métodos de
pesquisa. A recolha deve obedecer um trabalho cuidadoso, de forma a garantir a
sua exactidão.
Exemplo 1.1: Considerando o conjunto de todos os trabalhadores de uma empresa
e suponhamos que se pretende saber se existem mais homens ou mulheres, qual é
a idade média, o número de empregados, por grupos etários, a média das alturas o
seu grau de habilitações e estados civil, assim teríamos:
Admitamos que há 800 empregados.

. Registamos, todos os empregos.
. Numa primeira coluna, registamos o sexo colocando as letras M ou F.
. Na terceira coluna indicamos a idade escrevendo os anos completos.
Tabela 1
Nº ordem Nome Sexo Idade Salário Altura Habilit Estado civil
M F C S D V
1 Teodoro x 25
2 Mariana x 23
Exemplo 1.2: Exercício Introdutório 1: Consideremos os

resultados de uma prova onde participaram 50 alunos tendo-se
verificado o seguinte:
8 10 9 12 8 14 11 11 14 10
11 12 11 9 9 10 9 13 9 10
9 13 8 12 10 11 12 8 13 12
8 11 12 10 11 8 10 9 14 11
10 8 14 12 11 9 13 11 12 10
a) Identifica a população.
b) Indica o seu volume.
c) Indica o carácter em estudo nessa população
d) Fazer a tabulação (distribuição) das classificações
1.4.1.2 Análise de dados: É uma fase do trabalho estatístico mais importante

e delicada. Está ligada essencialmente ao cálculo de medidas e coeficientes cuja
finalidade principal é descrever o fenómeno. É nessa fase em que se identificam as
relações, se testam as hipóteses e se definem os modelos com ajuda de métodos
apropriados. Após a recolha de dados deve ser feita uma análise cuidadosa. É
nessa fase em que se identificam as relações, se testam as hipóteses e se definem
os modelos com ajuda de métodos apropriados. Por essa razão na análise se faz a:
a) – Ordenação de Dados: Os dados apurados podem ser de carácter
qualitativo ou de carácter quantitativo.
 Sexo e estado civil são dados qualitativos.
 Altura, idade, salário são dados quantitativos
b) – Classificação de dados: Quando a uma série estatística é constituída por

numerosos elementos, não é prático o trabalho isolado com cada um dos elementos
da série e por isso, embora se perca em precisão, deve-se fazer agrupamentos ou

constituir classes.
Quanto aos dados qualitativos, contam-se o nº de indivíduos que os possuem,
isto é, quantos homens e quantas mulheres existem no total de forma a poderem
estabelecer percentagens.
Relativamente aos dados quantitativos, reúnem-se em classes contando o nº de
indivíduos que se situam dentro de cada classe. As classes devem ter todas a
mesma amplitude (dimensão) que é a diferença entre o extremo superior e o
extremo inferior de cada classe. As classes devem ser contínuas.
Não existe uma regra rígida para estabelecer o nº de classe contudo, o seu nº
deve variar entre 8 a 15.
Do Exemplo 1.2 a tabela 2 seguimte
X (notas) 7 8 9 10 11 12 13 14
n (nº de 0 7 8 9 10 8 4 4 = 50
alunos)
c) – Apuração de dados (Resultados) ou sumarização dos dados: Consiste

em resumir os dados, através de uma contagem e agrupamento. É um trabalho de
coordenação e de tabulação. A apuração de dados pode ser manual, mecânica,
electrónica e electromecânica. Os dados apurados podem ser de carácter qualitativo
ou de carácter quantitativo. Ex: Sexo e estado civil são dados qualitativos e Altura,
enquanto, a idade, e o salário são dados quantitativos. É necessário nessa fase
ordenar os dados a apurar.
1.4.1.3 – Apresentação de Dados: Nesta fase fazemos a apresentação dos
resultados obtidos na colecta e na organização e pode ser feita em texto, tabela ou
gráfico.
a) – Representação Textual – Consiste em apresentar os dados mediante
um texto.
b) – Representação Tabular – Consiste em dispor os dados em linhas e
colunas distribuídos de modo ordenado.
c) – Representação Gráfica (Distribuição Descontinua ou discreta) – Quando os
resultados das observações aparecem de forma arredondadas, isto e, se se tratar de
uma variável descontínua ou discreta à distribuição dá-se o nome de Distribuição
Descontinuas ou Discreta. Representando este tipo de distribuição num gráfico,
marcamos no eixo das abcissas os valores de (classificações) e no eixo das
ordenadas as frequências. Existem vários tipos de gráficos: Cartesianos, Triangular,

Circular, etc.
CAPÍTULO # 2: ESTUDO DAS FREQUÊNCIAS DE UMA VARIÁVEL ALEATÓRIA

DISCRETA
2.1 – Conceito de Frequência Absoluta de uma Variável Aleatória.
No capítulo anterior estudamos que uma VARIÁVEL é aquilo que se deseja
observar para se tirar algum tipo de conclusão. Geralmente, as variáveis para o
estudo são seleccionadas por processos de amostragem. Os símbo hjmjhjlos
utilizados para representar as variáveis são as letras maiúsculas do alfabeto, tais
como, X, Y, Z, …etc, que podem assumir qualquer valor de um conjunto de dados.
Vimos também que uma variável pode assumir diversos valores. Neste capítulo,
vamos fazer o estudo destas frequências.
Exemplo 2.1: Consideremos os resultados de uma prova onde participaram
50 alunos tendo-se verificado o seguinte:
8 10 9 12 8 14 11 11 14 10
11 12 11 9 9 10 9 13 9 10
9 13 8 12 10 11 12 8 13 12
8 11 12 10 11 8 10 9 14 11
10 8 14 12 11 9 13 11 12 10
Tabela 2
X (notas) 7 8 9 10 11 12 13 14
Contagem
n (nº de alunos) 0 7 8 9 10 8 4 4 = 50
Verificamos que a nota 7 não apareceu na sala, a nota 8 foi atribuída a 7, a

nota 9 a 8 alunos, … etc. Admitindo que as notas variam de 7 a 14,
representaremos, genericamente esses valores por x e podemos escrever: x =
7,8,9,10,11,12,13,14. Diremos então que a frequência de 7 é zero; de 8 é 7; de 9 é
8; de 10 é 9, de 11 é 10, etc, podemos definir a frequência absoluta:
Assim, a Frequência Absoluta é o número de vezes que um determinado

acontecimento se realiza.
A soma de dadas as frequências é igual a população
2.2 – Frequência Relativa
Chama-se Frequência Relativa de um acontecimento ao quociente entre

número de casos que verificam esse acontecimento (frequência absoluta), e o
número total de acontecimentos (população)
. Desta fórmula deduz-se também se pode exprimir a
frequência relativa por
Exemplo 2.2: A frequência relativa dos alunos que tiveram nota 8 no exemplo
anterior é igual ao quociente entre e N =50 (População)
2.3 – Estudo de Frequências com dados em classes
2.3.1 – Representação tabular
Quando o número de dados é grande, isto é, a série estatística é constituída

por numerosos elementos, não é prático o trabalho isolado com cada um dos
elementos, é conveniente fazer o seu agrupamento em classe. Embora se perca em
precisão, deve-se fazer agrupamentos ou constituir classes.
As variáveis contínuas, obrigam-nos à definição de CLASSES de valores.
Outros conceitos associados a este são os de NÚMERO DE CLASSES,
AMPLITUDE (ou Rango), LIMITES e PONTO MÉDIO ou CENTRO.
Exemplo 2.3: Os seguintes dados representam as idades de 40 professores

de uma escola na Baía Farta
a) Classificar a variável
b) Elaborar uma distribuição de frequências
Resolução:
Algumas definições importantes

1) Determinar a quantidade dos dados (n)
2) Amplitude total (At) dos dados

At= Xmax- Xmin
No caso, Xmax=75 e Xmin =21 portanto
At = 75-21=54
3) Número de classes (k)

Regra: se n<25 fazer k igual a 5. Se k≥25, fazer k igual (ou aproximado) a raiz
quadrada de n
No caso n = 40 >25 logo k=6,324»6.
4) Determinar a amplitude das classes (l)

É o quociente entre a At e o numero de classes, ou seja l=At/k =54/6=9
Devemos portanto construir uma distribuição com 6 classes de amplitude 9
NOTA: Outra regra empírica muito usada é, sendo At=54, determinar dois números cujo
produto seja aproximado a 54, sendo um dos factores igual ao numero de classes ou intervalos e o
outro a amplitude das classes.
Assim, 54=6x9 (valor exacto), ou seja, K=6 e l=9
Nesta regra, deve-se ter sempre em conta que At ≤ k. l
38 64 50 32 44 25 49 57
46 58 40 47 36 48 52 44
68 26 38 75 63 21 54 65
46 73 42 47 35 53 40 35
41 45 35 42 50 56 45 28
Assim,
Vamos agora fazer uma distribuição com os mesmos dados mas com 7 classes.
Então pela regra empírica (que é uma consequência da relação l=At/k) temos
At=54 e k=7 logo, como 7.8=56>54, devemos ver a diferença
56-54=2 , dividir por dois (resulta 1) e subtrair do valor mínimo da série de dados.
Resulta At=54, k=7, l=54/7=8
Exemplo 2.3.1: De 200 pessoas que já tinham viajado de avião, registou-se em que
idades o fizeram pela primeira vez e obtiveram-se os seguintes resultados:
Nº de Nº de
Idade pessoas Idade pessoas Idade Nº de pessoas
(x) (Frequência) (x) (Frequência) (x) (Frequência)
0 3 30 5 52 2
1 2 32 1 53 3
2 1 33 1 55 2
3 4 35 4 57 6
4 1 37 2 58 1
5 3 38 7 60 14
8 4 39 2 61 4
10 5 40 3 62 3
11 6 42 4 63 5
12 4 43 2 64 6
14 6 44 1 65 2
15 8 45 5 66 4
16 1 46 2 67 4
18 3 48 3 68 3
21 21 49 4 69 2
24 6 50 12
25 2 51 1
Desta forma, atendendo ao grande nº de valores observados (x) vamos fazer

agrupamentos em classes. A escolha das classes é variável consoante o nº de
casos observados, podendo estar ser ou não da mesma grandeza (amplitude. Neste
exemplo e de forma geral adopta-se classes com a mesma amplitude.
Dado que os valores variam de 0 a 69, temos 70 observações. Querendo formar 7 classes, vem:
70:7=10, logo cada classe terá uma amplitude de 10
Nº de
Classes pessoas Classes
(n)
0a9 18
10 a 19 33
20 a 29 29
30 a 39 22
40 a 49 24
50 a 59 27
60 a 69 47
Note que a frequência absoluta de cada classe é igual a soma das

frequências absolutas observadas em cada classe.
Assim, logo 3+2+1+4+1+3+4=18. Nesse
exemplo, o 0 é o limite inferior e o 9 é o limite superior.
As frequências também podem ser escritas em forma de intervalos semi-
abertos. Assim, atendendo a que queremos formar 7 classes cuja amplitude é de 10
temos, por exemplo, no primeiro intervalo pois se alguém tiver 9 anos e 11
meses estará incluso nesse intervalo o que nos leva a mudar de distribuição
descontínua para uma distribuição contínua. Sobre distribuições falaremos nos

capítulos seguintes.
Nesta tabela, no intervalo , 20 e 30 são limites ajustados enquanto que o
20 e 29 são limites reais do mesmo intervalo.
Chama-se Amplitude de uma classe (h) à diferença entre os limites
superiores ou limites inferiores de duas classes consecutivas: ou
ou
A semi-soma entre o limite superior e o limite inferior de uma classe chama-se
Ponto Médio isto é,
Exemplo 2.4:
2.3.2 – Representação Gráfica das Frequências com dados em classes
Chama-se Histograma à representação gráfica das distribuições das frequências dos

dados agrupados. Os histogramas são diagramas de áreas, representando –se as
frequências por rectângulos de forma que a superfície de cada rectângulo seja
proporcional à frequência.
Classes Classes Nº de pessoas Ponto Médio f
Reais Ajustadas (F)
0a9 18 5 0,09
10 a 19 33 15 0.165
20 a 29 29 25 0,145
30 a 39 22 35 0,11
40 a 49 24 45 0,12
50 a 59 27 55 0,135
60 a 69 47 65 0,235
2.3.3 – Gráfico em Sectores Circulares

Nesta Representação gráfica divide-se o círculo em partes proporcionais
(sectores circulares) a cada uma dos dados, em relação ao total. Convertem-se os
dados em percentagem. Como a circunferência tem 360º, a centésima parte é igual
a 3,6º. Assim, multiplicam-se as percentagens obtidas por 3,6º obtendo-se os
ângulos de cada um dos sectores que representa a distribuição dos dados.
Exemplo 2.3: Representar num gráfico em sectores circulares as toneladas
de abate de gado realizadas num ano num matadouro.
Espécie Quantidade em toneladas

Bovino 73 400
Ovino e caprinos 10 780
Suínos 56 090
Total 140 260
Resolução:
Procedendo como se indicou, vamos calcular as percentagens, convertendo-
as proporcionalmente em ângulos, multiplicando-as por 3,6º.
Espécie Quanty em ton Percentagens ângulos
Bovino 73 400 52,33 % 52,33 x 3,6 = 188,388º
Ovino e caprinos 10 780 7,69 % 7,69 x 3,6 = 27,684º
Suínos 56 090 39,98 % 39,98 x 3,6 = 143,928º
Total 140 260 100 % 360º
Gráfico em Fernando Borja Santos pág. 33

CAPÍTULO # 3: MEDIDAS DESCRITIVAS
3.1 – Conceito de Medidas descritivas – As medidas descritivas têm por

objectivo descrever o conjunto de dados de forma organizada e compacta que
possibilita a visualização do conjunto estudado por meio das suas estatísticas, o que
não significa que estes cálculos e conclusões possam ser levados para a população.
As medidas de posição classificam-se conforme o esquema abaixo:
3.2 – Medidas de posição Representativas – Médias
São medidas descritivas que têm por finalidade representar um conjunto de

dados. Também são conhecidas como medidas de tendência central ou medidas
de localização
3.2.1 – Média Aritmética ( ) na amostra e na população
Consideremos um conjunto de dados observados, representados por
a média Aritmética representa-se por
Exemplo 3.1: Sejam os dados 6,8,4,2,12,14,3,7, determinar a média aritmética

Resolução:
Se os números acusares, respectivamente

A média denomina-se
Média Ponderada
Exemplo 3.2: fizeram-se 40 lançamentos de um dado, tendo se obtido os

seguintes resultados: o “As” saiu 5 vezes, o duque saiu 8 vezes, o terno, 5 vezes; a
quadra, 6; a quina, 10 e a Sena saiu 6 vezes. Determina a média dos pontos saído
nos quarenta lançamentos
x n X*n
1 5 5
2 8 16
3 5 15
4 6 24
5 10 50
6 6 36
No caso dos dados agrupados (intervalos), determina-se o ponto médio de

cada intervalo que se representa por o valor médio de x calcula-se a partir dos
pontos médios, da mesma forma que para os dados não agrupados (isolados).
Exemplo 3.3: Determine o valor médio dos pesos de 60 doentes internados num
hospital, de acordo a tabela seguinte:
Pesos 56 a 61 a 66 a 71 a 76 a 81 a 86 a
(Intervalos) 60 65 70 75 80 85 90
Frequên 12 15 8 9 7 5 4
Pesos 56 a 61 a 66 a 71 a 76 a 81 a 86 a
(Intervalos) 60 65 70 75 80 85 90
Frequência 12 15 8 9 7 5 4
58 63 68 73 78 83 88
696 945 544 657 546 415 352
Características da Média Aritmética Simples

1. A média aritmética simples está entre o menor e o maior valor observado
2. A soma algébrica dos desvios calculados entre os valores observados e a

média aritmética é igual a zero; conforme se demonstrou
atrás
3. Somando-se ou subtraindo-se todos os valores da série por uma constante
“K” , a nova média aritmética será igual a original somada ou subtraída
por esta constante “k”
4. Multiplicando-se ou dividindo-se todos os valores da série por uma

constante “K” , a nova média aritmética será igual a original somada
ou subtraída por esta constante “k” ou
3.2.2 – Média Arbitrária

Quando os valores observados são números grandes, a fim de simplificar os
cálculos, escolhe-se entre esses valores, um que se representa por C e que se dá o
nome de Média Arbitrária.
Na prática se escolhe o valor de C o valor que se encontra no centro e
determina-se o valor médio de (x-c) meio. O valor de somando ao valor da média
de x-c o valor de c valor.
Vamos determinar a relação entre estes dois valores médios:
Deste modo teremos:
Exemplo 3.5: Numa população de 80 pessoas com idades que vão de 18 a 30 anos
de acordo a tabela abaixo determina a sua idade média.
X 18 19 20 21 22 23 24 25 26 27 28 29 30
F 6 8 10 2 3 6 9 5 4 7 1 12 7
Resolução:
Podíamos, directamente determinar o valor médio achando a média de dos produtos

de x por F, porém, como os valores observados de x são grandes, utilizemos a
média arbitrário. Escolhamos C=24
X 18 19 20 21 22 23 24 25 26 27 28 29 30
n 6 8 10 2 3 6 9 5 4 7 1 12 7
x-c -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
(x-c)n -36 -40 -40 -6 -6 -6 0 5 8 21 4 60 42
No caso dos dados agrupados (intervalos), determina-se o ponto médio de

cada intervalo que se representa por . O valor médio de x calcula-se a partir dos
pontos médios, da mesma forma que para os dados não agrupados (isolados).
Exemplo 3.6: Considerando o exemplo 3.3
Resolução: Escolhendo C = 73
Pesos 56 a 61 a 66 71 76 81 86 a
(Intervalos) 60 65 a a a a 90
70 75 80 85
Frequência 12 15 8 9 7 5 4
58 63 68 73 78 83 88
-15 -10 -5 0 5 10 15
-180 -150 -40 0 35 50 60
3.2.3 – Média Geométrica
3.2.4 – Média Harmónica
3.2.5 – Média Quadrática
3.3 – Mediana
3.4 – Dominantes – Moda (Mo)
3.3 – Separatrizes (Mediana, Quartis, Decis e Centis ou Percentis)

São medidas de posição que dividem o conjunto de dados em partes
proporcionais, quando os mesmos são ordenados.
3.3.1 – Mediana
Mediana (x) de um conjunto de dados ordenados (por ordem crescente ou

decrescente) é o valor que estiver localizado numa posição equidistante dos
extremos. Tendo um conjunto de n dados, a mediana será aquele valor que divide
esse conjunto em duas metades, uma delas com valores inferiores ao valor da
mediana e a outra com valores superiores. Duas situações podem surgir na
determinação da mediana:
a) • Se a série de dados tiver um número ímpar de observações, haverá um
único valor central que corresponderá à mediana, isto é, o elemento de ordem
(n+1)/2.
Utilização: Imaginemos as notas de um determinado aluno do Ensino Secundário

num certo trimestre:
Tabela 3 – Notas de um aluno num trimestre
Disciplina Nota
Português 15
Inglês 16
Filosofia 18
Matemática 15
Física 16
Química 15
Biologia 17
Recorrendo aos dados da tabela, procederíamos da seguinte forma para

determinar a mediana:
 1º: dispomos os dados por ordem crescente, ex:. 15 15 15 16 16 17 18.
 2º: assinalamos o valor que ocupa a posição central. 15 15 15 16 16 17 18.
Logo x= 16. Vê-se imediatamente que o valor central é o 16. Temos um total de 7
observações (n=7) pelo que o valor central será o elemento de ordem 4, ou seja o de
ordem (7+1)/2.
b) • Se a série de dados tiver um número par de observações, não haverá um

valor no centro da série pelo que neste caso deveremos dividir por 2 a soma
dos dois valores centrais das observações de ordem n/2 e (n/2)+1.
Acrescentemos mais um dado, 10 por exemplo, ao conjunto anterior e vejamos
como procederíamos para encontrar a mediana:
 1º - Começamos por ordená-los: 10 15 15 15 16 16 17 18.

 2º - Ao tentarmos assinalar o valor central damos conta que não existe valor
algum que deixe um igual número de observações à sua direita e à sua
esquerda, uma vez que temos um número par (8) de observações. Por isso,
adicionamos os dois valores centrais, o de ordem 4 e o de ordem 5, e depois
dividimos o resultado assim obtido por 2 (dois). Assim teríamos: (15+16)/2 =
15,5. Portanto, a mediana procurada é 15,5.
Falta inserir aqui o cálculo da mediana para dados em classes
3.4 – Dominantes – Moda (Mo)
Moda de um conjunto de dados, é o valor que mais se repete, isto é, que tem
maior frequência.
Se um conjunto de dados tiver apenas uma moda, diz-se que é unimodal. Se
não tiver moda diz-se que é amodal. Pode-se encontrar também conjuntos de dados
com duas modas e quando assim é diz-se que são bimodais, sendo igualmente
possível encontrar-se conjuntos de dados com mais de duas modas. Diz-se neste
caso que é uma série multimodal
Exemplo: A tabela seguinte mostra as notas de um aluno num trimestre
Disciplina Port Inglês Filos Matem Física Química Biolog
Notas 15 16 18 15 16 15 17
Resolução:
Verificamos que a moda é 15, porque ele obteve 15 em três das sete
disciplinas que estudava, Havendo nenhuma outra nota que tenha aparecido mais
vezes que o 15.
15 16 18 15 16 15 17.
Exemplo: Nos valores abaixo, qual o valor modal? 3 4 4 5 6 7 8 9 9 9 10 11 12 13
Solução: Mo= 9
Para distribuições simétricas e unimodais é preferível usar-se a média em
vez da mediana ou da moda como valor representativo do centro da distribuição.
Para distribuições marcadamente assimétricas, é preferível socorrer-se da mediana.
A moda é de se eleger em distribuições não numéricas (sexo, local de residência,
modalidade desportiva mais praticada, e.g.).
Dados tabelados
• Sem intervalo de Classe: O valor modal é o valor que possuir maior frequência.
Exemplo:
Classes 0 1 2 3 4 5 6 Σ
F 6 11 9 8 8 5 1 48
Solução: o valor predominante é o número 1, que ocorreu 11 vezes.

Temos, portanto, Mo=1.
• Com intervalo de classe: tratando-se de dados agrupados em classe, a moda não é
percebida tão facilmente como nos casos anteriores. Para calcular o valor modal
nesses casos, podemos utilizar os seguintes processos:
1º Processo: Fórmula de Czuber
onde
constatamos:
Classe Modal: Classe de maior frequência
frequência simples da classe modal
frequência simples anterior à classe modal
frequência simples posterior à classe modal
limite inferior da classe modal
intervalo de classe modal
2º Processo: Fórmula de Pearson: Mo = 3Md − 2 onde constatamos:
Md = Mediana e = Média.
Exemplo - Determinar a moda para a distribuição:
Classes 0|--- 1 1|--- 2 2|--- 3 3|--- 4 4|--- 5 Σ

n 3 10 17 8 5 43
Solução: Utilizando a fórmula de Czuber

• a classe modal é a classe 2|----3
• =2
• =1
• = 17
• = 10
• =8
Substituindo esses valores na fórmula, encontramos:
Em resumo, podemos dizer que as medidas de tendência central são uma

tentativa de sintetizar os dados em torno de um único valor. Quando a distribuição
de frequência de um conjunto de dados é simétrica, os valores da média, da
mediana e da moda coincidem.
3.4.1 – Mediana
Mediana (x) de um conjunto de dados ordenados (por ordem crescente ou
decrescente) é o valor que estiver localizado numa posição equidistante dos
extremos. Tendo um conjunto de n dados, a mediana será aquele valor que divide
esse conjunto em duas metades, uma delas com valores inferiores ao valor da
mediana e a outra com valores superiores. Duas situações podem surgir na
determinação da mediana:
c) • Se a série de dados tiver um número ímpar de observações, haverá um
único valor central que corresponderá à mediana, isto é, o elemento de ordem
, estando os dados ordenados de forma crescente ou decrescente.
Utilização: Imaginemos as notas de um determinado aluno do Ensino Secundário

num certo trimestre:
Tabela 3 – Notas de um aluno num trimestre
Disciplina Português Inglês Filosofia Matemática Física Química Biologi
a
Notas 15 16 18 15 16 15 17
Resolução:
Recorrendo aos dados da tabela, procederíamos da seguinte forma para
determinar a mediana:
 1º: dispomos os dados por ordem crescente: 15 15 15 16 16 17 18.
 2º: assinalamos o valor que ocupa a posição central. 15 15 15 16 16 17 18.
Logo x= 16. Vê-se imediatamente que o valor central é o 16. Temos um total de 7
observações (n=7) pelo que o valor central será o elemento de ordem 4, ou seja o de
ordem (7+1)/2. Logo Md= 16

d) • Se a série de dados tiver um número par de observações, não haverá um
valor no centro da série pelo que neste caso deveremos dividir por 2 a soma
dos dois valores centrais das observações de ordem n/2 e (n/2)+1.
Acrescentemos mais um dado, 10 por exemplo, ao conjunto anterior e vejamos
como procederíamos para encontrar a mediana:
 1º - Começamos por ordená-los: 14 15 15 15 16 16 17 18.
 2º - Ao tentarmos assinalar o valor central damos conta que não existe valor
algum que deixe um igual número de observações à sua direita e à sua
esquerda, uma vez que temos um número par (8) de observações. Por isso,
adicionamos os dois valores centrais, o de ordem 4 e o de ordem 5, e depois
dividimos o resultado assim obtido por 2 (dois). Assim teríamos: (15+16)/2 =
15,5. Portanto, a mediana procurada é 15,5.
Falta inserir aqui o cálculo da mediana para dados em classes
CAPÍTULO # 4: MEDIDAS DE VARIABILIDADE OU DISPERSÃO
5. 1 – Conceito de Medidas de dispersão

Ao estudarmos uma série estatística e para interpretar os valores observados

determinamos um valor central (Média, mediana, moda, etc), que substitua os
resultados da série e que permita analisar o conjunto de elementos. O valor central
mais utilizado é o valor médio que, contudo, nem sempre dá uma ideia suficiente da
série estatística.
De Por exemplo, consideremos as empresas X e Y em que existem grupos iguais
de trabalhadores com os seguintes salários 85 e 15 mil kwanzas na empresa A
enquanto na empresa B os salários são 60 e 40 mil kwanzas. É fácil observar que as
duas variáveis aleatórias têm idênticas médias, porém têm diferentes valores
possíveis.
Por esse motivo, juntamente com o valor esperado, introduziram-se também

outras características numéricas.
As medidas de dispersão visam descrever os dados no sentido informar o
grau de dispersão ou afastamento dos valores em torno de um valor central
representativo chamado média. Informa se um conjunto de dados é homogéneo
(pouca variabilidade) ou heterogéneo (muita variabilidade). As medidas de dispersão
podem ser:
5.2 – Desvio de uma Variável Aleatória em relação a sua Média
Chama-se desvio à diferença entre os valores observados e a média e
denota-se por . Média A aritmética dos desvios é igual a Zero,
isto é:
Exemplo 3.4: Considere os dados do exemplo anterior e calcule o valor médio do

desvio.
x n d*n
1 5 1- 3,65=-2,65 -13,25
2 8 2- 3,65=-1,65 -13,20
3 5 3- 3,65=0,65 -3,25
4 6 4- 3,65=-035 2,10
5 10 5- 3,65=1,35 13,5
6 6 6- 3,65=2,35 14,1
M(d)=M(x-c)=0/40=0
4.3 – Conceitos de Variância e Desvio Padrão
Na prática, frequentemente é preciso quantificar a dispersão das realizações

de uma variável aleatória em torno do valor médio. Por exemplo, é importante saber
com que precisão, as bolas entram numa baliza, num jogo de futebol 11.
A primeira vista pode parecer que para avaliar a dispersão o mais simples
seria calcular todos os valores possíveis do desvio e, depois, achar a média dos
mesmos. No entanto, este procedimento é incorrecto.
A fim de corrigir os resultados obtidos através dos valores centrais,
recorremos aos Valores de Dispersão. Assim, por exemplo, para quantificar a
dispersão das realizações de uma V. A. em torno do seu valor médio, emprega-se,
em particular uma característica denominada Variância e se representa por
.
Chama-se Variância representada por de uma

variável aleatória discreta a média do quadrado do desvio da V. A. em relação a sua
média.
Se todos os valores do atributo forem diferentes, do atributo
numa população de volume N forem diferentes, teremos:
Para a população, sendo N o Volume da população ou
. sendo n o Volume da amostra
Se todos os valores do atributo forem diferentes, do atributo

numa população de volume N acusarem as frequências sendo
, teremos:
ou seja, a variância é igual a média ponderada dos quadrados
dos desvios com pesos iguais as respectivas frequências se X é uma V. A. Discreta

mas se X é uma V. A. contínua então
Exemplo3.1: Dada a seguinte distribuição numa população, achar a variância.
X 2 4 5 6 ∑
n 8 9 10 3 30
Achemos agora a variância.
A Variância
também é conhecida de desvio quadrático
Para caracterizar a dispersão dos valores de um atributo quantitativo em torno

do seu valor médio, para além da variância emprega-se outras características
chamada Desvio Médio Quadrático ou Desvio Padrão.
Chama-se Desvio Médio Quadrático ou Desvio Padrão de uma variável
aleatória X à raiz quadrada da variância e representa-se por .
Exemplo 3.2: Dada a seguinte distribuição numa população, achar o desvio

médio quadrático do exercício anterior.
Já achamos a variância e vimos que era igual a então o desvio
médio quadrático é: .
4.4 – Fórmula para o cálculo da Variância

A Variância é igual à diferença entre a média do quadrado da variável
aleatória e o quadrado da sua média, isto é,
4.5 – Coeficiente de Variação

4.6 – Variância Relativa
CAPÍTULO # …. : ESPERANÇA MATEMÁTICA DE UMA VARIÁVEL ALEATÓRIA

DISCRETA
1 – Características Numéricas de uma Variável Aleatória Discreta
Como já é sabido, a lei de distribuição caracteriza completamente uma

variável aleatória. Entretanto, a lei exacta se é desconhecida, deve-se contentar com
uma informação incompleta. Certas características, porém, de descrevem

globalmente as variáveis aleatórias, revestem uma grande importância em si
mesmas. Entre estas convém mencionar a Esperanças Matemáticas, também
conhecida como Valor Esperado.
Como vamos demonstrar mais adiante, a Esperança Matemática, é
aproximadamente igual ao valor médio de uma variável aleatória. Para a resolução
de muitos problemas é suficiente conhecer a esperança matemática. Por exemplo,
se é conhecido que a esperança matemática do número de saídas de pontos
marcados pelo primeiro atirador é maior que a do segundo, o primeiro, marcará em
média mais pontos que o segundo e, portanto, atira melhor que este. Apesar de a
esperança matemática fornecer dados sobre a variável aleatória muito menos
informativos que a lei de sua distribuição, é suficiente conhecê-la para resolver
problemas semelhantes ao apresentado aqui e muitos outros.
2 – Esperança Matemática de uma Variável Aleatória Discreta
Chama-se Esperanças Matemáticas de uma variável aleatória discreta à

soma dos produtos de todos os seus valores possíveis por suas probabilidades.
Suponhamos que uma variável X pode assumir apenas certos valores
cujas probabilidades são respectivamente iguais a …….
PARTE II: TEORIA DAS PROBABILIDADES
INTRODUÇÃO
Breve introdução histórica
A teoria das probabilidades que hoje é um sector importante das matemáticas

puras, com um vasto campo de aplicação que se estende praticamente sobre todos
os ramos das ciências naturais, teóricas e sociais, desenvolveu-se a partir de uma
origem muito simples. As suas raízes encontram-se na teoria matemática dos jogos
de azar que foi criada há cerca de 3 séculos.
Na França, no século XVII, o jogo era um passatempo muito vulgar, daí o
aparecimento de jogos mais complicados com cartas, dados, etc, apostando-se
somas consideráveis em casas de jogos. Fez-se assim sentir a necessidade de se
obter um método racional para calcular as probabilidades de ganhar jogos.
Um jogador apaixonado teve a ideia de consultar, em Paris, o famoso

matemático e filósofo Pascal sobre algumas questões relacionadas com certos jogos
de azar. Isto originou uma troca de correspondência entre Pascal (1623-1662) e
alguns matemáticos, amigos seus, principalmente Fermat (1601-1665). Esta
correspondência veio a constituir a origem da teoria das probabilidades.
Por volta de 1700 começou um crescimento rápido desenvolvimento da teoria
das probabilidades. Por essa época apareceu duas obras fundamentais sobre o
assunto escritas por Bernoulli e Moivre. Na obre de Bernoulli encontramos entre
outras questões importantes a proposição conhecida por TEOREMA de
BERNOULLI, mediante o qual se elevou pela 1ª vez, a teoria das probabilidades, do
nível elementar do conjunto de soluções de problemas particulares em resultado da
importância geral.
Da obra de Moivre Destacamos o teorema geral conhecido por REGRA DA
MULTIPLICAÇÂO DAS PROBABILIDADES. Começaram, então, a surgir cada vez
maior nº de aplicações para a teoria das probabilidades
A obra de LAPLACE teve uma fundamental influência no desenvolvimento
posterior desta teoria. O enorme desenvolvimento dos seguros de vida desde o
começo do séc. XIX foi possível graças a um desenvolvimento correspondente da
matemática que por sua vez está baseado na aplicação das probabilidades.
No momento actual, as aplicações da teoria das probabilidades abarca campos
tão diferentes como a genética, a economia, a psicologia, engenharia, etc.
Arrumado até aqui

CAPÍTULO # 1: CONCEITOS DA TEORIA DE PROBABILIDADES
1.1 – Experiências Aleatórias. Espaço de Resultados. Exemplos
São objecto de estudo da teoria das probabilidades, os fenómenos aleatórios.

Suponhamos que se lança um dado. Sai sempre uma das faces. Porém, não
podemos determinar de antemão qual das faces poderá sair, pois isso depende de
vários factores, tais como força com que o dado é lançado, a velocidade do vento, a
inclinação do terreno onde o dado vai cair. Como resultado disso não estaremos
habilitados a prever com um grau de confiança suficiente qual a face que vai sair.
Trata-se, pois de um fenómeno aleatório. Apesar disso temos a certeza de que no
lançamento de um dado, sai sempre uma das faces, é pois um acontecimento
certo. A este acontecimento corresponde um espaço fundamental ou conjunto

universo.
Exemplo 1.1 – Um atirador dispara a um alvo dividido em quatro zonas. O
disparo é uma prova ou experiência enquanto o impacto da bala numa determinada
zona do alvo é um acontecimento
Exemplo 1.2 – Numa urna há bolas coloridas. Da urna tira-se uma bola ao
acaso (aleatoriamente). A extracção de uma bola da urna é uma prova ou
experiência, enquanto o aparecimento de uma bola de uma determinada cor é um
acontecimento.
Exemplo 1.3 – Lançamento de uma moeda – Assumido uma moeda perfeita
(equilibrada), só existem dois resultados possíveis para essa experiência: Face ou
Coroa. Todavia, em qualquer repetição desta experiência não sabemos qual será o
resultado, existindo incerteza quanto a este.
Exemplo 1.4 – Dado Considere o lançamento de um dado perfeito e a
observação do número inscrito na face voltada para cima. O espaço de resultado é:
Ω = {1,2,3,4,5,6}.
Exemplo 1.5 Loja – Uma loja abre às 09 horas e encerra às 19 horas. Um
cliente, tomado ao acaso, entra na loja num momento X e sai no momento Y
expresso em horas, com origem as 9 horas. Pretende-se observar os momentos de
entrada e saída do cliente. Como a entra e a saída se processa ao acaso,
logicamente, poderá ocorrer a qualquer momento no espaço das 9 às 19 horas. Se a
hora de entrada for designada por X e de saída Y então teremos, Ω = {(X. Y):
9<X<Y<19}.
As experiências descritas - bem como outras tantas - têm certos factores
comuns. Para cada experiência conhecemos, antecipadamente, todos os resultados
possíveis. Mas em cada realização da experiência não saberemos qual será o
resultado específico, estamos pois, em presença experiências aleatórias, porquanto
todas estão sujeitas à influências de factores casuais e conduzem a resultados
incertos.
DEFINIÇÃO (Experiência Aleatória) Define-se experiência aleatórias como

sendo um experiência na qual:
Todos os resultados possíveis da experiência são conhecidos previamente;
i) O resultado de qualquer realização da experiência não é previamente
conhecido, sendo, portanto, incerto;
ii) A experiência pode ser repetida sob condições idênticas.
A incerteza de uma experiência aleatória é objecto de estudo da teoria das

probabilidades. A cada uma destas experiências associa-se um conjunto que
designaremos por Ω ou S conjunto de todos os resultados possíveis de uma
experiência aleatória, ao qual se chama Espaço de Resultado e aos elementos
(resultados) chamaremos Acontecimentos Elementares. Um acontecimento é, pois
um conjunto de resultados possíveis de uma experiência aleatória.
A cada Ω ou S associar-se-á ainda uma classe de acontecimentos
probabilizáveis que caracterizaremos a seguir e a qual chamaremos Espaço de
Acontecimentos.
1.2 – Tipos de Acontecimentos Aleatórios

Os acontecimentos observados podem ser divididos em três seguintes tipos:
Certos, impossíveis e aleatórios.
Chama-se Certo ao acontecimento que sempre ocorrerá obrigatoriamente,
desde que se cumpra um conjunto determinado de condições S ou Ω.
Chama-se impossível ao acontecimento que não se verifica com certeza, desde
que se cumpra um conjunto de condições S ou Ω.
Chama-se Aleatório ao acontecimento que, uma vez cumprido o conjunto de
condições S ou Ω, pode ocorrer ou não.
Exemplo 1.6: Suponhamos que um que se lança um dado. Sai sempre um uma
das faces - Acontecimento Certo. A esse acontecimento corresponde um espaço de
resultados. A saída de um ponto par pode ocorrer ou não. É pois um Acontecimento
Aleatório. Nesse caso, o conjunto corresponde ao conjunto de
Acontecimentos Favoráveis enquanto o conjunto é o conjunto de
Acontecimentos Contrários.
O Acontecimento Impossível corresponde a não saída de nenhuma das faces
ou .
Exemplo 1.7: Seja a experiência aleatória que consiste no lançamento de uma
moeda perfeita. Para esta experiência ter-se-ia:
, onde F é a saída da Face e C é a saída da Coroa, respectivamente.
, Classe de todos os subconjuntos de .
Note-se que # =2; #
1.3 – Álgebra dos acontecimentos

Definiu-se acontecimento como um conjunto de resultados possíveis de uma

experiência aleatória. Essa definição sugere-nos que se poderá utilizar todos os
instrumentos da teoria dos conjuntos para representar os acontecimentos e as
operações que se definem sobre esses.
1.3.1 União de acontecimentos
Definição – Se A e B forem acontecimentos, define-se um novo

acontecimento união de A com B (A U B), ou soma lógica de A com B, traduzida
por A U B = isto é, A U B consiste na realização de pelo
menos um dos acontecimentos.
Em Diagrama de Venn temos
A operação união pode ser generalizada a mais de dois acontecimentos.

Dada uma sucessão de acontecimentos.
A união de acontecimentos implica a ideia de disjunção, de alternativa,
traduzida por “ou”, ou “pelo menos”.
1.3.2 Intersecção de acontecimentos
Definição – Dados dois acontecimentos A e B, define-se intersecção ou

produto lógico de A com B, simbolicamente representada por como
acontecimento que ocorre se, e só se, ocorrem (em simultaneidade ou em
sequência):
Contrariamente à união, a intersecção implica a lógica de conjunção ou sequência.
Em Diagrama de Venn temos:
Também essa operação pode ser generalizada a um conjunto, finito ou infinito

de, acontecimentos.
1.3.3 Diferença de acontecimentos
Definição – A Diferença de dois acontecimentos A e B ou acontecimento

diferença A – B (ou A\B) é o acontecimento que se realiza quando ocorre A e não
ocorre B. será assim o acontecimento constituído por todos os elementos de A que
não pertencem simultaneamente a B, ou seja, A-B = A\B =
Diagrama de Venn
1.4 Propriedades das Operações definidas sobre os acontecimentos.

Propriedades União Intersecção
Comutativa
Associativa
Distributiva
Idempotência
Lei do
complemento
Lei de De
Morgan
Elemento Neutro
Elemento
Absorvente
1.5 Definição de Probabilidade.
1.5.1 Clássica de probabilidades
Seja constituído por N acontecimento exaustivos e mutuamente exclusivas

e igualmente possíveis (prováveis), se NA delas são favoráveis ao acontecimento A,
a probabilidade define-se pela fórmula
sendo e
Exemplo 1.8 – Tirar um As de um baralho de 52 cartas:
Exemplo 1. 9 – Uma urna contendo 10 bolas pretas, 20 brancas e 5

vermelhas, queremos achar a probabilidade da saída de uma bola: preta; branca e
vermelha.
Resp: Sejam os acontecimentos constituídos: A = saída de uma bola preta;
B= saída de uma bola branca e C saída de uma bola vermelha, teremos:
a) b) c)
DEFINIÇÃO (Definição clássica ou de Laplace): A probabilidade de realização

de um acontecimento A, é igual a razão entre o número de casos favoráveis ao
acontecimento e o número de casos possíveis desse mesmo acontecimento.
Da definição de probabilidade deduzem-se as seguintes propriedades:
 A probabilidade de um acontecimento certo é igual a unidade, isto porque
quando o acontecimento é certo, logo,
 A probabilidade de um acontecimento impossível é igual a zero, isto
porque, quando o acontecimento é impossível , logo
 A probabilidade de um acontecimento aleatório é um número positivo
compreendido entre porque quando o acontecimento é
aleatório
1.5.2 Definição Frenquencista de probabilidades
Vimos, no capítulo1 que frequência absoluta ou simplesmente frequência e

representa-se por F onde F é o nº de vezes que um determinado acontecimento
ocorre num conjunto de provas e Chama-se frequência relativa a relação entre o nº
de provas nas quais o acontecimento ocorreu e o nº total das provas efectuadas de
facto. De um modo geral, a frequência relativa de um acontecimento A define-se por
ou onde m = F é o nº de provas nas quais o acontecimento
ocorreu (Frequência absoluta) e n o nº total das provas efectuadas de facto e deve

ser diferente de zero.
Comparando a definição de probabilidade com a frequência relativa,
deduzimos que a definição de probabilidade não exige que as prova sejam
efectuadas na realidade, enquanto a definição de pressupõe que as provas fora
efectuadas de facto, por outras palavras, a probabilidade se calcula a priori enquanto
a frequência relativa se determina experimentalmente.
Exemplo 1.10 – A secção técnica de uma empresa detectou 3 peças
defeituosas numa partida de 80 peças tomadas ao acaso. A frequência relativa das
peças defeituosas é de
Exemplo 1.11 – Fizeram 24 tiro ao alvo tendo-se registado 19 acertos. A
frequência relativa dos acertos é de

Observações prolongadas determinaram que se as experiências são

efectuadas em iguais condições em cada uma das quais o nº de provas é
suficientemente grande, a frequência relativa revela a propriedade de estabilidade.
Esta propriedade consiste em que nas diferentes experiências, a frequência relativa
varia pouco oscilando em torno de um acerto valor constante. Deste modo, se por
via experimental foi estabelecida a frequência relativa, o nº obtido pode ser tomado
como valor aproximado da probabilidade.
Exemplos 1.12 – Fizeram-se 100, 500, 1000 e 2000 lançamentos de um
dado. No Quadro seguinte apresentam-se as frequências relativas como que se
obtiveram as seis faces sendo notório que para maior número de lançamentos as
frequências relativas de cada face mais se aproximam de 1/6 = 0,1666…
Número de Frequências relativas

Pontos N = 100 N = 500 N = 1000 N = 2000
1 0,18 0,174 0,174 0,170
2 0,14 0,162 0,174 0,169
3 0,14 0,186 0,154 0,171
4 0,16 0,176 0,179 0,163
5 0,19 0,148 0,154 0,162
6 0,19 0,154 0,165 0,167
A frequência relativa é aproximadamente igual ao valor da probabilidade com

ligeiras alterações.
DEFINIÇÃO (Definição frenquencista de probabilidades): A probabilidade de
qualquer acontecimento A define-se através do limite da frequência relativa desse
mesmo acontecimento numa sucessão de experiências realizadas sob o mesmo
conjunto de condições, isto é,
Esta definição parece mais razoável, pois se as probabilidades são usadas na

definição das frequências relativas, é natural defini-las como limite de tais
frequências.
Façamos, agora, uma rápida descrição das interpretações atrás referidas que
não sendo as únicas são provavelmente as mais representativas.
A interpretação frequencista foi adoptada de forma quase unânime pelos
estatísticos durante a primeira metade do século e é ainda hoje considerada correcta
pela maioria. Sustenta nomeadamente que a probabilidade de um acontecimento
pode ser medida observando a frequência relativa do mesmo acontecimento numa
sucessão numerosa de provas ou experiências idênticas e independentes.
Finalmente, uma das primeiras abordagens da interpretação frequencista

deve-se a Venn (1866) ao formalizar a ideia de exprimir probabilidade em termos do
limite de frequências relativas em longas sequências de situações independentes
capazes de repetição em condições idênticas. Não falando já na fala de suporte
empírico que se aponta à complexa noção de independência, um dos aspectos da
interpretação frequencista mais criticado, tem a ver como o contraste entre o
carácter essencialmente finito da experiência humana e a probabilidade definida por
passagem ao limite numa sucessão indefinidamente grande.
Não obstante em 1920, Von Mises apresentou um notável trabalho em que
procurou associar a interpretação frequencista a uma construção matemática do tipo
axiomático. Von Mises baseou a teoria da probabilidade no conceito de “colectivo”
ou sucessão infinita de alternativas.
Assim, a proposição “a probabilidade de obter 5 pontos no próximo
lançamento de um dado é 1/6” não é efectivamente uma asserção sobre o próximo
lançamento mas sobre toda uma classe de lançamentos – “colectivo” – da qual o
próximo é apenas um elemento.
Outros autores, por exemplo Kolmogorov (1950) e Cramer (1946) preferiram
mesmo abandonar o axioma do limite, definindo probabilidade de um acontecimento
aleatório como um número associado a esse acontecimento satisfazendo um
conjunto de regras ou sistema de axiomas. É este ponto de vista que vai ser
adoptado no presente curso de probabilidade, por ser considerado, como já foi dito,
o mais fecundo para análise estatística clássica.
5.6 Acontecimentos mutuamente exclusivos são aqueles que não se

podem realizar simultaneamente, isto é a ocorrência de um implica a não ocorrência
do outro. Em teoria de conjuntos, se A e B são mutuamente exclusivos, corresponde
a A ∩ B = Ø e P (A+B) = P (A) +P (B)
Definição: Chama-se soma A+B de dois acontecimentos A e B ao

acontecimento constituído pela aparição do acontecimento A, ou do acontecimento
B, ou de ambos. Por exemplo, se de um canhão se fizer dois disparos, sendo A o
impacto no primeiro disparo e B o impacto no segundo, A+B é o impacto no primeiro
ou no segundo ou em ambos disparos.
Se A e B são mutuamente exclusivos, A+B é um acontecimento composto

pela ocorrência de um destes acontecimentos.
Suponhamos que os acontecimentos A e B se excluem mutuamente; além
disso, são conhecidas as probabilidades destes acontecimentos. Como achar a
probabilidades de que ocorra o acontecimento A ou B? A resposta a essa questão é
dada pelo seguinte teorema:
Teorema: A probabilidade de ocorra qualquer um de dois acontecimentos que

se excluem mutuamente, é igual a soma das probabilidades destes
acontecimentos.
DEMONSTRAÇÃO: Denotemos por n o nº total de casos elementares

possíveis de provas; por o nº de casos favoráveis ao acontecimento A,
o nº de casos favoráveis ao acontecimento B. O nº de casos
elementares que são favoráveis à ocorrência seja do acontecimento A, seja
do acontecimento B é igual a logo, Donde
obteremos finalmente:
Corolário:
A probabilidade de que ocorra qualquer um dos vários acontecimentos que se

excluem dois a dois é igual a soma das probabilidades destes acontecimentos
Demonstração:
Seja N o número de todos casos possíveis e igualmente prováveis dos quais
são favoráveis ao acontecimento ; são favoráveis ao acontecimento
... , são favoráveis ao acontecimento . Por definição de probabilidade,
Exemplo 1.13: Numa Urna há 30 bola das quais, 10 são vermelhas, 5 são
azuis e 15 brancas. Achar a probabilidade de saída de uma bola colorida (azul ou
vermelha).
Res: AS bolas coloridas são 10 vermelhas e 5 azuis, logo há 15. Portanto,
e
Exemplo 1.14 – Qual é a probabilidade de se obter uma face par aquando do

lançamento de um dado perfeito?
Resolução: e consequentemente N=6. Por outro lado, A =
{sair face par}; A = {2,4,6} logo, NA = 3; Assim,
Exemplo 1. 15 – Numa caixa há 30 peças das quais 5 são defeituosas.

Extrai-se aleatoriamente uma peça. Qual é a probabilidade da peça extraída ser
defeituosa?
Resolução: N = 30 e NA = 5, então,
Exemplo 1.16 – Numa urna há 30 bolas das quais 10 são vermelhas, 5

amarelas e 15 brancas. Achar probabilidade de se extrair da urna uma bola colorida,
isto é, vermelha ou amarela.
Resolução: Seja A extracção de uma bola vermelha e B a extracção de uma
bola amarela
Um acontecimento aleatório A pode ocorrer de várias formas mutuamente

exclusivas , , ,…, as quais podem ser consideradas como acontecimentos
mutuamente exclusivos, isto é, a ocorrência de um implica a não ocorrência do
outro. Por exemplo a ocorrência de 5 pontos no lançamento de dois dados. Este
Acontecimento ocorre de quatro maneiras mutuamente exclusivas.
+ 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Neste caso, a probabilidade do acontecimento A é igual a soma das

probabilidades dos acontecimentos, a forma de ocorrência simultânea.
Se os acontecimentos , , ,…, são não só mutuamente exclusivas

mas também exaustivas, o que significa que pelo menos um deles ocorre, a
probabilidade de que qualquer deles se realize é igual a unidade, visto que devemos
ter:
Um acontecimento que não é certo não é certo pode ou não ocorrer, isto
constitui dois modos mutuamente exclusivos. É costume chamar-se a não
ocorrência de A por . Daí temos: , isto é, se p é a probabilidade
de A então q = 1- p representa a probabilidade de .
De facto p + q = 1.
Exemplo 1.17 – Um centro de consulta de um instituto recebe pacotes com

exercícios enviados pelos estudantes por correspondência das cidades A, B e C. A
probabilidade de receber um pacote da cidade A é igual a 0,7, de B é igual a 0,2.
Achar a probabilidade de que o próximo pacote seja da cidade C.
Resolução:
Exemplo 1.18 – A probabilidade de que o dia seja chuvoso é igual a 0,7.

Calcula a probabilidade de que o dia seja claro.
Resolução:
Exemplo 1.19 – Um dado foi lançado duas vezes. Seja A o acontecimento

(soma das pintas obtidas nos dois dados lançados diferentes de quatro. Calcule
P(A).
Resolução: assim,
Exemplo 1.20 – Considere a experiência aleatória do exemplo anterior e

considere A e B tais que:
A = {saída, no primeiro lançamento, de um nº de pintas superior a 2}
B = {saída, no primeiro lançamento, de um nº de pintas pelo menos igual a 5}
Qual é a probabilidade de que se verifique A ou B?

Resolução: Agora temos:
# ;# e# #
CAPÍTULO # 2 – NOÇÕES DE ANÁLISE COMBINATÓRIA
2.1 – GRUPOS SEM REPETIÇÃO
Como vimos nos exemplos anteriores, torna-se necessário por vezes determinar
o nº de casos favoráveis assim como o nº de caso possíveis. A análise combinatória,
também conhecido como cálculo combinatório, estuda problemas com os que serão
apresentados, relativos a diferentes maneiras de agrupar ou dispor elementos de um
dado conjunto, atendendo, umas vezes, a natureza dos elementos, outras vezes a
ordem pela qual são considerados e outras vezes ainda a natureza e a ordem ao
mesmo tempo
2.1.1 – Conceito de Factorial

Definição: Sendo temos:
 a) Se n>1 então n! = n(n-1)(n-2)(n-3)….3.2.1 e lê-se N factorial e é igual ao
produto de todos os factores naturais desde n até 1.
 b) Se n = 1 então n! = 1, isto é, 1! = 1
 c) Se n = 0 então n! = 1, isto é, 0! = 1
Exemplo 2.1
 0! = 1
 1! = 1
 2! = 2.1 = 2
 3! = 3.2.1 = 6
 4! = 4.3.2.1 = 24
 5! = 5.4.3.2.1 = 120
 6! = 6.5.4.3.2.1 = 720
 7! = 7.6.5.4.3.2.1 = 5040
2.1.2 – Arranjos
Definição: Chama-se arranjos de m elementos tomados p a P e que se representa

por ao nº de agrupamentos que se podem formar com p dos m
elementos dados, diferindo-se uns agrupamentos dos outros quer pela ordem que
pela natureza dos seus elementos. M ≥ p
Exemplo 2.2: Dados o conjunto {a, b, c, d} vamos formar arranjos de

3 elementos:
Resp: m = 4 e p = 3 a, b, c
Diferem pela natureza a, b, d Diferem por ordem
a, c, b
Exemplo 2.3: Consideremos o conjunto de 3 elementos {a, b, c,} e formemos
arranjos de 2 elementos, :
Posiçã
o 2ª ( duas possibilidades)
(ab)
a
(ac)
(ba)
Posição 1ª b
(ba)
3 Possibilidades
(ca)
c
(cb)
O total de arranjos é e corresponde ao produto das

possibilidades de cada posição
Consideremos agora o conjunto de 4 elementos {a, b, c, d} e formemos arranjos

de 3 elementos. Da mesma forma podemos concluir que o total dos arranjos é igual
o produto das possibilidades de cada posição, quer dizer:
 1ª Posição: 4 Possibilidades
 2ª Posição: 3 Possibilidades
 3ª Posição: 2Possibilidades
,
Como se vê, o nº das possibilidades de cada posição diminui de uma em uma

unidade a partir da 1ª posição.
Nº de Nº de possibilidades
Arranjos 1ª Posição 2ª Posição 3ª Posição … P ésima posição
m
m
m -1
m m-1
m-2
… … … … …
m m-1 m–2 … m – (p – 1)
Como vimos o nº de arranjos é o produto das possibilidades de cada posição, ou
seja:
… ….
donde teremos:
Exemplo 2.4: Com 5 panos de cores diferentes e igual tamanho quantas

bandeiras de 3 cores se podem formar?
Resol:
2.1.3 – Permutações
Definição: Chamam-se permutações de m elementos ao número de grupos que se

podem constituir com todos os m elementos, grupos que diferem uns dos outros pela
ordem dos seus elementos. As permutações constituem um caso especial dos
arranjos onde m = p
Exemplo 2.5: Numa corrida de cavalos onde participam 4 concorrentes,

determina as possíveis classificações supondo que não há empates
Resolução
Exemplo 2.6: De quantas maneiras 6 pessoas se podem sentar-se a uma de seis

lugar.
Resp: 6! = 6.5.4.3.2.1 = 720
2.1.4 – Combinações
Definição: (Combinações): Chama-se combinações de m elementos tomados p a p
e se representa por ao de agrupamentos que se podem formar com p dos
m objectos dados, diferindo-se uns dos outros pela natureza dos seus elementos. As
combinações também se chamam produtos distintos
2.1.4.1 Cálculo do número das combinações
Consideremos o conjunto {a, b, c, d} Formemos combinações de 3 elementos,
isto é arranjos de teremos: {a, b, c}, {a, b, d}, {a, c, d}, { b, c, d}. Tomando
cada combinação e permutando os seus elementos, formaremos arranjos também

de 3 elementos. O número de combinações é igual ao total de arranjos Logo
= portanto, de forma genérica, o número de arranjos é =
como teremos
Exemplo 2.7 – Quantas combinações de 3 alunos se pode formar numa turma de

12.
Resp:
Exemplo 2.8 – Um aluno pretende comprar 4 livros diferentes mas de igual preço e
só tem dinheiro para 3. De quantos modos o aluno pode fazer a escolha de 3
daqueles livros entre os 4 que o aluno deseja.
Resolução:
2.2 – GRUPOS COM REPETIÇÃO

2.2.1– Arranjos Completos
Definição: Chama-se Arranjos Completo ou Com Repetição tomados K a K a um

número que vamos representar por correspondente a qualquer coordenação
completa de grau k formada a partir dos n elementos que os constitui e a partir da
ordem em que se dispõem esses elementos.
Exemplo 2.9 – Com os algarismos 1, 2, 3 quantos números de dois algarismos se

podem formar:
a) Sem repetição
b) Com repetição
Resolução: a)
b)
2.2.2 – Permutações Completas

Definição: Chama-se permutações completas de m elementos aos arranjos

completos desses m elementos tomados m a m.
Exemplo 2.10 – Com os algarismos 1, 2, 3 quantos números de três algarismos se
podem formar,
Com repetição?
Resolução:
2.2.3 – Permutações por Classes
Definição: Chama-se permutações classes dos n elementos dados a um número

de coordenações simples de grau n formado a partir dos elementos
dados e identificados através dos tipos de classes de elementos que pertencem e
também através da ordem em que se sucedem esses tipos de classes se tivermos n
elementos entre os quais um se repete vezes, outro se repete vezes, ... outro
se repete vezes, sendo + +...+ =n.
Exemplo 2.11 – De quantas maneiras se pode dispor 10 bolas, sendo uma

branca, duas pretas, três vermelhas e 4 verdes.
Resolução: , , ,
+ + .+ .
2.2.4 – Combinações Completas
Chama-se Combinações Completas de n elementos tomados de K a K a qualquer

coordenação completa de grau K formado a partidos objectos dados e identificados
a partir dos objectos que a constituem sem atender a ordem de que se dispões
esses objectos. As combinações completas representam-se por
Exemplo 2.12: De quantas maneiras diferentes se pode escolher uma comissão de

3 alunos numa turma de 20 se pelo menos se repetir um elemento?
Resolução:
2.3 – Números Binomiais
Para determinar os números binomiais usa-se um dispositivo prático chamado

triângulo de Pascal cuja construção se baseia nas seguintes propriedades:
1. – Numa linha de qualquer triângulo aritmético os termos a igual distância dos
extremos são iguais, isto é, Note que m representa nº
da linha e p representa o nº da coluna
Demonstração: e
2. – Um número qualquer do triângulo aritmético é igual a soma do número

colocado imediatamente a cima com o número que está colocado à esquerda
deste último
(Regra de Stiffell)
Demonstração: e
Como (m-p)(m-p-1)!=(m-p)! E P.(p-1)!=p! Vem:
OQQD.
Triângulo de Pascal m =linhas e p = colunas
CAPÍTULO # 3 – TEOREMA DO PRODUTO DE PROBABILIDADES
3.1 – Produto de Acontecimentos
Definição: Chama-se produto de dois acontecimentos A e B ao

acontecimento A.B constituído pela ocorrência simultânea desses acontecimentos.
Por exemplo se A é uma peça útil e B uma peça pintada, então A.B é uma peça útil
e pintada.
Chama-se produto de vários acontecimentos ao acontecimento composto
pela ocorrência de todos estes acontecimentos.
Exemplo 3.1: Se A, B e C é a saída de cara de uma moeda do 1º, 2º e 3º
lançamentos, respectivamente, então A.B.C é a saída da cara em todas as 3
experiências.
3.2 – Probabilidade Condicional
Chama-se Probabilidade Condicional a probabilidade do

acontecimento B calculada supondo que o acontecimento A já ocorreu e é igual ao
quociente entre a probabilidade do acontecimento (Ocorrência Simultânea) e a
probabilidade do acontecimento A, isto é de igual modo,
.
Das duas fórmulas pode-se deduzir que a probabilidade de ocorrência
simultânea de dois acontecimentos independentes é igual a
ou .
Se os acontecimentos A e B são independentes, então
já que neste caso .
Dai também podemos deduzir que se os acontecimentos são independentes,
.
Exemplo 3.2: Numa urna há 3 bolas brancas e 3 bolas pretas. Da urna tiram-
se duas vezes uma bola de cada vez. Achar a probabilidade de que saia uma bola
branca da 2ª vez (acontecimento B) se na primeira vez tirou-se uma bola preta

(acontecimento A)
Resolução:
Exemplo 3.3: Considera-se o exemplo do lançamento de dois dados

numerado de 1 a 6, onde representa o acontecimento de que ambos dados
mostrem faces iguais ou superiores 4 pontos cada um e é o acontecimento de que
ambos dados mostrem faces cuja soma é igual 8. Então, qual é a probabilidade de
tenha ocorrido primeiro o acontecimento , por outra parte, qual é a probabilidade
de tenha ocorrido primeiro o acontecimento . Quer dizer, quer-se calcular duas
coisas: primeiro, é depois
O espaço de resultados do lançamento dos dados juntos (apenas dois dados)

já foi resolvido anteriormente na aula de sexta-feira, então voltemos a ver que é o
que acontece neste experimento aleatório.
Partindo do espaço de resultados do lançamento de dois dados equilibrados,
este pode-se ser apresentado da seguinte forma:
Logo, as probabilidades são:
3.3 – Teorema do Produto de Probabilidades.

Examinemos dois acontecimentos A e B Suponhamos que sejam
probabilidades conhecidas. Como calcular a probabilidade de simultaneidade, isto é,

a probabilidade de que ocorra tanto o acontecimento A como B? O teorema do
produto dá resposta a essa pergunta.
Teorema: A probabilidade de ocorrência simultânea de dois acontecimentos é

igual ao produto de um deles pela probabilidade condicional do outro, calculada
supondo que o primeiro tivesse ocorrido já, isto é:
Demonstração: Por definição de probabilidade condicional teremos:
donde vem:
cqd
Corolário: A probabilidade de ocorrência simultânea de vários

acontecimentos é igual ao produto das probabilidades de um deles pelas
probabilidades condicional dos demais calculando-se a probabilidade de cada
acontecimento consequente supondo que todos acontecimentos antecedentes
ocorram.
Exemplo 3.4: Um montador te 3 eixos cónicos e 7 elípticos. O montador

tomou um eixo e depois outro. Achar a probabilidade de que o primeiro dos eixos
tomados seja cónico e o segundo seja elíptico.
Resolução: 3 eixos cónicos =>Acontecimento A e 7 eixos elípticos => B
Exemplo 3.5: Numa urna há 5 bolas brancas, 4 pretas e 3 verdes. Em cada

prova se extrais uma bola ao acaso. Achar a probabilidade de que na 1ª prova se
tenha extraído uma bola branca, na 2ª, uma preta e na 3ª uma verde.
a) b) c)
3.4 – Acontecimentos Independentes
Suponhamos que a probabilidade do acontecimento B não dependa do

acontecimento A. Diz-se que o acontecimento B é independente do acontecimento A
se a ocorrência de A não altera a probabilidade condicional de B, ou seja, a
probabilidade condicional de B é igual a probabilidade incondicional.
A probabilidade de ocorrência simultânea de dois acontecimentos

independentes é igual ao produto das probabilidades desses acontecimentos.
Vários acontecimentos denominam-se independentes dois a dois se cada
par deles é independente. Exemplo os acontecimentos A, B e C são independentes
dois a dois se são independentes os acontecimentos A e B, A e C e B e C.
Vários acontecimentos denominam-se Conjuntamente independentes ou

simplesmente independentes, sé é independente cada acontecimento e todos os
produtos possíveis dos acontecimentos restantes. Por exemplo, se os
acontecimentos são conjuntamente independentes, são independentes os
acontecimentos
Se os acontecimentos são independentes, a probabilidade condicional de
qualquer um destes, calculada supondo ocorreram quaisquer dos acontecimentos é
igual a probabilidade incondicional.
.
Exemplo 5.26: Achar a probabilidade de acerto simultâneo ao disparar-se

dois canhões se a probabilidade de que o 1º canhão acerte no alvo é igual 0,8 e do
2º é 0, 7
Resolução:
Exemplo 3.3: Há 3 caixas que contêm 10 peças cada. Na 1ª caixa há 8 assinaladas;

na 2ª, 7 e na 3ª, 9. De cada caixa extraiu-se uma peça ao acaso. Achar a
probabilidade de que as 3 peças assinaladas sejam assinaladas.
Resolução
Exemplo 3.7: As probabilidades de que se verifique cada um dos

acontecimentos são, respectivamente iguais a Achar
a probabilidade de ocorrência de apenas um desses acontecimentos.
Resolução: Seja A, o acontecimento constituído pela ocorrência de apenas um dos

3 acontecimentos, isto significa
Se a probabilidade de ocorrência é igual p então, de não ocorrência será q

donde teremos:
Generalizando teremos a fórmula para o cálculo da probabilidade de

ocorrência de apenas um acontecimento
3.5 – Probabilidade de que ocorra pelo menos um acontecimentos
Suponhamos que como resultado de uma prova possa ocorrer n

acontecimentos conjuntamente independentes, sendo conhecidas as probabilidades
de que ocorra cada um dos acontecimentos. Como achar a probabilidade de que
ocorra pelo menos um desses acontecimentos. Por exemplo, se em resultado de
uma prova podem ocorrer 3 acontecimentos , a ocorrência de pelo menos
um destes acontecimentos significa a ocorrência de um ou de dois ou dos três
acontecimentos. A resposta a essa pergunta é dada pelo seguinte teorema:
Teorema: A probabilidade de que ocorra pelo menos um dos acontecimentos
conjuntamente independentes é igual a diferença entre a unidade e
o produto das probabilidades dos acontecimentos opostos , isto é,
Demonstração: Seja A o acontecimento constituído pela ocorrência de pelo

menos um de então os acontecimentos opostos são
, então:
Oqqd
Se os acontecimentos têm a mesma igual a p, a probabilidade de que ocorra

pelo menos um deste acontecimentos é igual a
Exemplo 3.8: As probabilidades de acerto ao alvo ao dispararem-se 3 canhões são

. Achar a probabilidade de pelo menos um acerto ao
disparar-se simultaneamente todos os canhões.
Resolução:
Exemplo 3.9: Numa tipografia há 4 máquinas de impressão. Para

cada uma das máquinas, a probabilidade de que esteja a trabalhar num momento
dado é igual a 0,9. Achar a probabilidade de num momento dado, esteja a trabalhar
pelo menos uma máquina.
Resolução: e n=4
Exemplo 3.10: A probabilidade de que num disparo um atirador acerte no

alvo, é igual a 0,4. Quantas vezes o atirador deve disparar para que com uma
probabilidade não menor que 0,9, acerte pelo menos uma vez.
Resolução:
Resposta: São necessários 5 disparos
Exemplo 3.11: A probabilidade de que um acontecimento A se verifique pelo

menos uma vez em duas provas independentes é igual a 0,75. Achar a
probabilidade de ocorrência do acontecimento em uma prova
Resolução:
3.6 – Fórmula da Probabilidade Total.
Suponhamos que o acontecimento B possa ocorrer se ocorrer um dos

acontecimentos que se excluem mutuamente Suponhamos que
sejam conhecidas as probabilidades condicionais
do acontecimento B. Como achar a probabilidade do acontecimento B? A resposta a

essa pergunta é dada pelo seguinte teorema:
Teorema: A probabilidade do acontecimento B que pode ocorrer apenas sob
condição de que ocorra um dos acontecimentos que se excluem mutuamente
e que formam um grupo completo é igual a soma dos produtos
das probabilidades desses acontecimentos pelas correspondentes
probabilidades condicionais do acontecimento A . isto é:
Demonstração: Por hipótese O acontecimento A pode ocorrer se ocorrer um dos

acontecimentos que se excluem mutuamente, por outras
palavras, a ocorrência de B significa a verificação de um dos acontecimentos
mutuamente exclusivos logo,
(1)* Como
Substituindo em (1)* teremos:

O.q.q.d.
Exemplo 3.11: Tem-se dois conjuntos de peças. A probabilidade de que uma

peça do 1º conjunto seja não estandardizada é igual a 0,8 e do 2º é igual a 0,9.
Achar a probabilidade de que uma peça extraída ao acaso de um conjunto escolhido
também ao acaso seja estandardizada.
Resolução: Sejam
B = Saída de uma peça estandardizada.
Extracção de uma peça do 1º conjunto e
Extracção de uma peça do 2º conjunto e
Exemplo 3.12: Na 1ª Caixa há 20 lâmpadas de rádio das quais 18 são

estandardizadas e na 2ª há 10 das quais 9 são estandardizadas. Da 2ª caixa extraiu-
se uma lâmpada ao acaso e foi colocada na 1ª. Achar a probabilidade de que uma
lâmpada extraída ao acaso da 1ª caixa seja estandardizada.
Resolução: Sejam:
B = extracção de uma lâmpada estandardizada.
Extracção de uma lâmpada estandardizada da 2ª caixa
e
Extracção de uma lâmpada não estandardizada da 2ª caixa e
3.7 – Probabilidade de Hipóteses. Fórmula de Bayes.
Suponhamos que um certo acontecimento B possa ocorrer sob condição de

que ocorra um dos acontecimentos que se excluem mutuamente
Visto que antecipadamente qual desses acontecimentos ocorrerá, eles são
denominados de Hipóteses. A probabilidade de que ocorra o acontecimento B
determina-se pela fórmula da probabilidade completa.
Suponhamos que foi realizada uma prova em resultado do qual ocorreu o

acontecimento A. Coloquemo-nos como tarefa determinar a probabilidade a
posteriori das hipóteses, isto é, Dado que B ocorreu, vamos achar as probabilidades
condicionais Achemos inicialmente
Pelo teorema do produto, tem-se:
Esta é a
fórmula de Bayes (Mat. Inglês que foi aplicada em 1764)
Exemplo 3.13: As peças produzidas numa fábrica caiem para a verificação

da sua estandardidade a um de dois controladores. A probabilidade de que uma
peça caia ao 1º controlador é igual a 0,6 e ao 2º é igual a 0,4. A probabilidade de
que uma peça acabada seja reconhecida como estandardizada pelo 1º controlador é
igual a 0,94 e pelo 2º é igual a 0,98. No controlo, uma peça acabada foi reconhecida
como estandardizada. Achar a probabilidade de que essa peça tenha sido
ve3rificada pelo 1º controlador.
Resolução: Designemos por B o acontecimento em que uma peça seja
reconhecida como estandardizada. Podemos fazer duas hipóteses:
1ª - A peça foi reconhecida pelo 1º controlador

2ª A peça foi reconhecida pelo 2º controlador
Dados:
e
e
Fórmula:
Bibliografia de consulta para as aulas de Estatística
1 – NEVES, Augusta Ferreira e Fernandes, José António. Métodos quantitativos:

Porto Editora
2 – LAURA, Yolanda e Baptista António Manuel: Métodos quantitativos, 9º ano.
Editora do Livro
3 – HOEL, Port Stone: Introdução à teoria das probabilidades, Editora Inter ciência
4 – SANTOS, Fernando Borja: Sebenta de Matemáticas Gerais. Plátano Editora
5 – GMURMAN, V. E.: Teoria das Probabilidades e Estatística Matemática.

6 – WONNCOTT, Thomás H e Wonncott Ronald J.: Introdução à Estatística
7 – FONSECA, Jaime: Estatística Matemática, Vol 1 e 2; Edições Sílabo
8 – FONSECA, Jaime: Exercícios de Estatística Vol 2; Edições Sílabo
9 – MANOEl, Rodrigues Paiva; Matemática 1 e 2, 1ª ed, - Editora Moderna
10 – FERREIRA, Murteira B, J “Probabilidade e Estatística” Volume I, 2ª Edição

Revista. Ed.
Mc Graw – Hill, pp. 1 até 15
11 – REIS, Elizabeth; Melo Paulo, Andrade Rosa e Calapez Teresa: Estatística
Aplicada, 1º Vol – 4ª edição: Ed Sílabo
12 – MORETTIN, Luiz Gonzaga, estatística Básica e Probabilidade; Vol 1 – Makron

Books, 7ª edição
13 – PALHARES, Pedro Manuel Baptista e Outros. Elementos de Estatística para

professores do ensino Básico: Lidel – edições Técnica.

Apontamentos Estatística Aplicada 2020 - 023901

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apontamentos Estatística Aplicada 2020 - 023901

Enviado por

Direitos autorais:

Formatos disponíveis

Apontamentos de Estatística seleccionados pelo Ph.D.

Abílio Eduardo – ISCED Benguela/2020 1

Temas para trabalho de grupos

1 – Variáveis e sua classificação Todos

2 – Método Estatístico (1)

3 – Regras de Arredondamento (1)

4 – Frequências e sua distribuição (sem e com classes) Todos

5 – Média Aritmética Simples e ponderada (sem e com classes) (2)

6 – Moda (sem e com classes) (3)

7 – Mediana (sem e com classes)

8 – Variância (sem e com classes)

9 – Desvio Padrão Coeficiente de Variação (sem e com classes) (4)

A disciplina Estatística Aplicada proporcionará uma visão geral aos

Dados Gerais do Programa da Cadeira

Introdução: Fundamentação da disciplina.

Objectivos Educativos da Disciplina:

Contribuir para que os estudantes:

1. Adquiram uma formação teórica-metodológica geral que lhes sirva como

2. Consolidem sua concepção científica do mundo através da apreciação crítica

Objectivos Instrutivos da Disciplina:

Que os estudantes sejam capazes de:

1. Compreender os conceitos básicos e regras de Estatística;

5. Conhecer e avaliar a aplicação dos diferentes métodos e técnicas de

Sistema de conteúdo ou conhecimentos fundamentais.

1.2 – Apresentação dos dados: Distribuição das frequências da variável aleatória

Capítulo II: - Elementos da Teoria das Probabilidades:

PARTE II: Teórico-prática

PARTE III: prática

 Demonstrar por método estatístico a veracidade dos factos

Provas de frequência e exames teórico-práticos; Classificação das aulas práticas.

BARROSO, Mário e Outros, Exercícios de estatística Descritiva para as Ciências

MAROCO, J. (2003). Análise estatística, com utilização do SPSS. Lisboa: Edições

0.1 – Breve introdução histórica

Não se conhece com exactidão as origens da Estatística. O certo porém, é que as

O termo "estatística" surge da expressão em latim statisticum collegium palestra

Até 1900, a Estatística resumia-se ao que hoje em dia se chama Estatística

Segundo alguns autores, é comum atribuir o marco inicial da estatística à publicação

formulação de políticas públicas, fornecendo dados demográficos e econômicos. No

– sindicatos, empresas, Organizações sociais, etc, todas elas conduzem a acção

Na gestão de empresas, a tomada de decisão é crucial e faz parte do dia-a-

país, demanda por determinados bens e serviços e formular planos para

aplicação de técnicas estatísticas tornou o diagnóstico médico mais

CAPÍTULO # 1: CONCEITOS BÁSICOS DE ESTATÍSTICA DESCRITIVA

1.1 Definições e objecto da estatística. Tipos de Estatística

Objecto da Estatística: A Recolha, Compilação, Análise e Interpretação de

Depois de efectuadas as observações ficamos na posse de um conjunto caótico de

A Estatística Inferencial estende as conclusões extraídas da amostra à

População é qualquer conjunto de elementos que tenha uma ou mais propriedades

Os termos POPULAÇÃO e AMOSTRA são frequentemente utilizados para se

Amostragem é o processo de retirada de informações das “n” elementos

mostra que abarcará tais zonas (conglomerados) e finalmente se procede a estudar

b) Técnicas não probabilísticas:

Exemplo – O departamento de ciências de educação do ISPB de Benguela

estudantes estão distribuídos em 3 especialidades sendo 80 de Educação especial,

Resolução – Para seleccionar a amostra, se determina primeiramente quantos

Classificação de variáveis e escalas de medição

Cabe destacar que, ainda é comum em muitas investigações codificar os valores

maioritariamente em desacordo, totalmente em desacordo), resultado de um teste

Uma série estatística é um conjunto de dados ordenados segundo uma

 Série Territoriais ou Geográfica: É a série cujos dados estão dispostos em

 Série Específica ou Qualitativa: é a série cujos dados estão

 Série Mista ou Composta: é a combinação entre duas ou mais séries

em tabelas de dupla entrada. O nome da série mista surge de acordo