Apostila de Estatística

ESTATÍSTICA BASICA
Autor: Prof. Dr. Arturo Alejandro Zavala Zavala
Professor do quadro efetivo da Universidade Federal de Mato Grosso - Faculdade de

Economia.
Especialista em Estatística Econômica, Modelos de Regressão, Series Temporais,

Pesquisa Operacional e Econometria.
Caros Alunos,
Um dos principais problemas no estudo e na pesquisa é a interpretação dos dados, quando levantamos
informação o principal problema é sua interpretação prática, mas essa interpretação não pode ser
encontrada se o conhecimento sobre os elementos de resumo e analise de dados não é bem
conhecida, o presente trabalho pretende de forma muito simples responder a essa necessidade, a
Estatística é uma ferramenta básica para qualquer científico, de qualquer área do conhecimento,
entender que esta falando os dados é de suma importância, às vezes alguns detalhes são deixado de
lado simplesmente porque não foi considerado num analise estatístico e logicamente esse descuido
leva a não apresentar a riqueza do trabalho que merece.
Este trabalho foi escrito com o intuito de apresentar ao aluno de Economia e em geral a os alunos da
área social elementos da estatística para serem aplicados em seu dia a dia, assim como nas vastas
pesquisas que vocês pretendem realizar em sua área de atuação.
A estatística muitas vezes é rejeitada pelos alunos pela suposta complexidade da mesma, mas alem de
ser uma ferramenta importante, se é aplicado no dia a dia pode ajudar muito ao individuo que o aplica,
por exemplo, se cada dia que fossemos a fazer compras anotássemos os gastos da compra e dos
produtos, após um tempo digamos um ano, poderíamos ter uma boa idéia do comportamento e dos
costumes de nossas compras, muitas vezes podemos nos surpreender pelos gastos que fazemos que
as vezes (por não dizer a maioria dos casos) são supérfluos, seja como seja, as estatísticas poderiam
explorar qual é nosso perfil de gastos, como a gente poupa, quanto tempo dedicamos a estudar,
quanto tempo dedicamos a nossa família, quanto tempo nos dedicamos a nos valorar e por aí vai.
Convido a vocês a leitura deste trabalho e a aplicação podemos fazer em forma conjunta.
Abraços e boa leitura.
Arturo A. Z. Zavala
Conteúdo
CAPÍTULO 1: INTRODUÇÃO ......................................................................................................................5

1.1. Conceito de Estatística ............................................................................................................5
1.2. Conceitos Básicos na Estatística ..............................................................................................5
1.3. Exemplo .........................................................................................................................................8
1.4. Exercícios .......................................................................................................................................9
CAPÍTULO 2: Estatística Descritiva ........................................................................................................ 10
2.1. Organização e Representação de Dados .................................................................................... 10
2.1.1. Organização de Dados qualitativos ..................................................................................... 10
2.1.2. Organização de Dados quantitativos .................................................................................. 12
2.2. Medidas Estatísticas ................................................................................................................... 19
2.2.1. Medidas de Tendência Central............................................................................................ 19
2.2.2. Medidas de Variabilidade.................................................................................................... 28
2.3. Exercícios .................................................................................................................................... 34
CAPÍTULO 3: Probabilidades ................................................................................................................. 37
3.1. Definição de Probabilidade ........................................................................................................ 78
3.1.1 Definição Clássica ou a priori ............................................................................................... 78
3.1.2 Definição Frequêntista ou a posteriori ................................................................................ 79
3.1.2 Definição Axiomática............................................................................................................ 80
3.2. Probabilidade Condicional ......................................................................................................... 81
3.3. Teorema do Produto .................................................................................................................. 82
3.4. Independência de Eventos ......................................................................................................... 83
3.5. Teorema de Bayes ...................................................................................................................... 84
3.6. Exercícios .................................................................................................................................... 86
CAPÍTULO 4: Variáveis Aleatórias.......................................................................................................... 88
4.1. Definição de Variável Aleatória .................................................................................................. 88
4.2. Função de Probabilidade ............................................................................................................ 88
4.3. Esperança e Variância de uma Variável Aleatória...................................................................... 91
4.4. Principais Distribuições Discretas............................................................................................... 93
4.5. Principais Distribuições Contínuas ............................................................................................. 96
4.6 Exercícios ................................................................................................................................... 103
5. Inferência Estatística ....................................................................................................................... 106
5.1. Tamanho da Amostra ............................................................................................................... 106
5.1.1. O tamanho populacional não é conhecido. ...................................................................... 106
5.1.2. O tamanho populacional é conhecido. ............................................................................. 108
5.2. Intervalo de Confiança ............................................................................................................. 109
5.2.1. Intervalos de Confiança para uma média ......................................................................... 109
5.2.2. Intervalos de Confiança para uma proporção ................................................................... 111
5.2.2. Intervalos de Confiança para uma variância populacional ............................................... 112
5.3. Teste de Hipóteses ................................................................................................................... 114
5.3.1. Componentes de um teste estatístico: ............................................................................. 114
5.3.2. Exemplo: ............................................................................................................................ 117
5.4. Exercícios .................................................................................................................................. 125
6. Analise de Regressão Linear Simples e Correlação Linear .............................................................. 131
6.1. Introdução ................................................................................................................................ 131
6.2. Introdução à Análise de Regressão Simples ............................................................................. 131
6.2.1. Determinando a Equação da Linha de Regressão Linear .................................................. 132
6.2.2 Teste de Hipóteses sobre o Coeficiente Angular ............................................................... 136
6.2.3 Intervalo de Confiança para a Previsão .............................................................................. 139
6.3. Coeficiente de Determinação (R2) ............................................................................................ 139
6.3.1. Medidas de Associação ..................................................................................................... 139
6.4. Exercícios .................................................................................................................................. 140
Bibliografia .......................................................................................................................................... 142
CAPÍTULO 1: INTRODUÇÃO
1.1. Conceito de Estatística
Em meus estudos na estatística muitas vezes me perguntam o que é estatística? e a resposta não é tão
fácil para responder, a continuação apresentarei algumas respostas usualmente colocadas: “A palavra
estatística esta associado ao estado e que a idéia é de administrar”, “A estatística tem a ver com
pesquisa de opinião”, “A estatística tem o objetivo de analisar comportamentos passados para
predizer eventos futuros”.
Bom, estas possíveis respostas não estão muito longe de uma definição formal, mas antes meditemos
um pouco, para fazer uma pesquisa de opinião precisamos de dados, ou seja, de informação base, com
isto procedemos a organizar-la ou resumir-la, depois analisamos os resultados com o objetivo de tomar
alguma decisão respeito da pesquisa em estudo.
Então uma definição formal poderia ser:
“A estatística é uma ciência que se fundamenta nas teorias das probabilidades, sendo sua definição
tradicional a de coletar, organizar, resumir e apresentar dados numéricos, servindo no auxilio da
toma de decisões ou de tirar conclusões em situações de incertezas”.
Tecnicamente podemos entender que a estatística se pode dividir em dois: a) as paramétricas e b) as

não paramétricas; as primeiras correspondem a aqueles problemas onde as medições são necessárias
para seu analise, por exemplo, o numero de filhos por família na cidade de Cuiabá, neste caso um
parâmetro a definir seria o verdadeiro número médio de filhos por família. A segunda corresponde a
problemas onde os sentidos e qualidades são consideradas e não é possível fazer medições a priori
sobre eles, por exemplo, a sensação dos consumidores sobre uma determinada comida, neste caso
um possível resultado seria ótimo, mas que valor se pode atribuir a este sentido relativo, porque para
outra pessoa a mesma comida pode ser ruim, e os resultados obtidos são dependentes da apreciação
particular de quem a avalia, não existe um valor especifico de discriminação.
Para o propósito do presente trabalho só será considerada a estatística paramétrica, a sua vez esta
ferramenta pode dividir-se ainda em duas partes: a) A estatística descritiva, que se caracteriza por
descrever os diferentes fenômenos ou estudos, esta é a primeira atividade que todo pesquisador deve
fazer para conhecer o comportamento do problema em questão, b) A estatística inferencial, que se
dedica a analise de um ou mais variáveis, este tipo de analise aprofunda mais o estudo da problemática
em questão.
Alguns conceitos são necessários para o entendimento da Estatística
1.2. Conceitos Básicos na Estatística

A) População
É um conjunto de elementos com características comuns e que devido a sua importância são sujeitos
a estudos.
5
Exemplo: Todos os alunos inscritos no curso a distancia em Administração da Universidade Federal de
Mato Grosso - UFMT.
Observemos aqui que com esta definição a população é restrita a um grupo especifico de estudo, não
podemos integrar como parte desta população a alunos de um curso a distancia em Administração da
Universidade de São Paulo – USP.
B) Amostra
É um subconjunto da população em estudo. Dependendo como é coletada a informação a amostragem

pode se dividir em:
B1) Amostragem Aleatória
Este tipo de amostragem se caracteriza porque a coleta é extraída ao acaso, a extração é definida pelas
leis da probabilidade, não havendo intervenção por parte do pesquisador. Neste caso as conclusões
podem ser estendidas para toda a população.
B2) Amostragem Determinística
Este tipo de amostragem se caracteriza porque a coleta foi direcionada pelo pesquisador, em outras
palavras, o pesquisador identifica que elementos da população interviessem na amostra. Baixo este
tipo de amostragem as conclusões não podem ser estendidas para a população.
Exemplo: 30 alunos inscritos no curso a distancia em Administração da Universidade Federal de Mato

Grosso - UFMT.
C) Unidade Elemental
É um elemento da população de aquele que será extraída a informação relevante.
Exemplo: 1 aluno inscritos no curso a distancia em Administração da Universidade Federal de Mato

Grosso - UFMT.
Que perguntas podemos fazer a esse aluno?
6
D) Variável
Em estatística o conceito de Variável é um pouco diferente, podemos definir como aquela

característica extraída da unidade Elemental.
Exemplos: Idade, Sexo, Salário, Número de Filhos, Cor de Cabelo, Distância da casa a reunião do
encontro, Classe Social.
Neste exemplo podemos identificar que existem dois tipos de variáveis:
D1) Variáveis quantitativas
São aquelas características cuja representação é feita a traves de números, por exemplo: Idade,
Salário, Número de Filhos, Distância da casa a reunião do encontro.
Estas variáveis podem ser divididas em dois tipos:
• Variáveis quantitativas discretas

São aquelas características cuja representação é feita a traves de números inteiros, por
exemplo: Idade, Número de filhos. Notemos que ninguém fala que tem 24,35 anos, neste caso
a pessoa tem 24 anos. Assim também ninguém fala que tem 3,5 filhos.
• Variáveis quantitativas contínuas
São aquelas características cuja representação é feita a traves de números que pertencem aos
números reais, por exemplo: Salário, Distância da casa a reunião do encontro. Notemos que
podemos ter um salário de R$ 458,39 reais, assim como a Distancia da casa a reunião do
encontro poderia ser 320,18 Km. Em ambos dos casos os valores correspondem ao conjunto
dos números reais.
Notemos também que este o tipo de variável quantitativa contínua apresenta unidade de magnitude,
a diferencia das variáveis quantitativas discretas que tem uma representação absoluta.
D2) Variáveis qualitativas
Este tipo de variáveis se caracteriza por mostrar as qualidades da unidade elementar, isto é, o valor
que toma a variável não é representado em forma numérica, por exemplo: Cor de Cabelo, Sexo, Classe
Social. Esta variável pode ser dividida em duas:
• Variáveis qualitativas Hierárquicas

São aquelas cujo valor apresenta uma estrutura de ordem, por exemplo: Classe Social.
• Variáveis qualitativas Nominais
São aquelas cujo valor não tem estrutura de ordem, por exemplo: Cor de Cabelo, Sexo.
E) Observação
É o valor particular que toma a variável em estudo. Por exemplo: Maria tem 32 anos, é de sexo
feminino, tem um salário de 800 reais, pertence a classe social media, tem dois filhos, a cor de cabelo
é loiro, a distancia de casa a reunião de encontro é de 200 m, estes valores serão diferentes ao que
pode observar-se por exemplo em João.
F) Parâmetros
7
São valores que caracterizam a uma população. Por exemplo: Uma empresa deseja produzir parafusos
de 1 cm de cumprimento, como a característica é a produção de parafusos de 1 cm de cumprimento,
então esta é o parâmetro.
G) Estimador
É aquele valor que se pretende aproximar ao parâmetro, a partir de uma amostra aleatória. Por
exemplo, Se a produção de parafusos é de 1 cm, podemos coletar 100 parafusos e medir seu
cumprimento, podendo encontrar valores como 0,98 cm ou 1,02 cm, valores diferentes a 1 cm, mas
que nos indicam que a produção esta quase na linha solicitada.
1.3. Exemplo
A empresa XXX dedicado a venda de lâmpadas, esta interessado em identificar o grau de aceitação do
produto, para isto, se considerou um grupo de 50 clientes da empresa, para fazer as seguintes
perguntas: Idade, Bairro, Estado Civil, numero de lâmpadas compradas no mês anterior, satisfação do
produto, numero de lâmpadas queimadas no mês, gasto em luz no mês. Extraindo a informação de
João observou-se que ele tem 34 anos, mora no bairro São João, é casado, comprou 5 lâmpadas, esta
contento com o produto, não teve lâmpadas queimadas, gasto em luz R$ 60,00. Observou-se que em
média se vende 3000 lâmpadas por semana.
Considerando a informação anterior identifique se é possível população, amostra, unidade Elemental,

variáveis, tipos de variáveis, observação, parâmetro e estimador.
População: Todos os clientes da empresa XXX
Amostra: 50 clientes da empresa XXX
Unidade Elemental: 1 cliente da empresa XXX
Tabela 1.1.- Identificação das Variáveis, tipos de Variáveis e Observação
Variáveis Tipo de Variável Observação

Idade V. Quantitativa Discreta 34
Bairro V. Qualitativa Nominal São João
Estado Civil V. Qualitativa Nominal Casado
Nro Lâmpadas compradas no mês anterior V. Quantitativa Discreta 5
Satisfação V. Qualitativa Nominal Satisfeito
Nro Lâmpadas queimadas no mês anterior V. Quantitativa Discreta 0
Gasto em Luz do mês anterior V. Quantitativa Contínua R$ 60,00
Parâmetro: Vendas semanais das lâmpadas (Desconhecido)
Estimador: 3000 lâmpadas por semana.
8
1.4. Exercícios do Capítulo
Nos seguintes parágrafos defina e identifique se tiver: população, amostra, unidade elementar,
observação, variáveis e os tipos de variáveis. (Caso não tiver proponha um exemplo)
1.- Uma empresa dedicada à construção de apartamentos deseja avaliar os melhores lugares para
construir novos prédios na cidade de Cuiabá, para isto considera 15 Bairros mais importantes da
cidade e avalia o seguinte o nível social de cada lugar, a quantidade de famílias em torno ao lugar
em estudo e a distancia do lugar ao centro de Cuiabá.
2.- Dois amigos com a finalidade de aprovar a matéria de Probabilidade e Estatística I, foram à
Biblioteca da Universidade e com a finalidade de cobrir a maior quantidade de temas só
escolheram um grupo de 5 livros, eles queriam observar se os livros tinham todos os tópicos que
o professor apresentaria e o número de paginas que eles tinham que estudar.
3.- Depois da decisão de baixar as taxas de juros dos Bancos o governo desejo avaliar o impacto da
medida, para isto coletou uma amostra de 50.000 pessoas com idade acima de 30 anos e fiz a
pergunta de se estava de acordo com a medida adotada, dos quais observaram que 10% que
pertencem ao estrato social médio não sabiam desta medida.
4.- Num centro hospitalar de São Paulo se desejo avaliar o número de pacientes com tuberculoses que
solicitam ser atendidos no hospital, devido um número grande de pacientes muitos deles são
derivados para outros hospitais, de um conjunto de 5.000 registro se coleto a idade do paciente
o ingresso mensal familiar, tempo de doença, número de filhos, lugar onde mora, grau de
instrução, estatura, peso, raça, religião.
5.- O governo pretende fazer auditoria fiscal a 30 empresas importadoras de maquinaria agroindustrial
no Estado de Mato Grosso, para isto resolve coletar a informação patrimonial, as vendas ocorridas
desde seu início até hoje, número de funcionários contratados y número de funcionários demitidos
no período, lugares donde foi importado os equipamentos.
6.- Uma empresa dedicada a pesquisa de opinião, considerou uma amostra de 378 pessoas maiores
de 16 anos numa cidade de Mato Grosso. O pesquisador desejava extrair as seguintes informações:
Idade, Salário Médio Familiar, Número de Filhos, Grau de Estudos, o candidato de preferência.
7.- Um pesquisador avalio as plantas de Soja numa região de Mato Grosso, para isto considerou uma
amostra de 30 fazendas da região obtendo os seguintes resultados globais: Cor da Flor : Branca,
Reação a peroxidase: Positiva, Maduração relativa: 8,3; Peso médio de 1000 sementes: 111,5 grs.;
Reação a doenças: Muito Resistente.
9
CAPÍTULO 2: Estatística Descritiva
A estatística descritiva pretende representar de uma forma mais compreensível a informação coletada
da população ou da amostra, conseguindo resumir a informação e permitindo destacar elementos
relevantes do estudo.
2.1. Organização e Representação de Dados

2.1.1. Organização de Dados qualitativos
Para elaborar uma tabela resumo para dados qualitativos só bastara agrupar-los segundo a freqüência
ou a proporção de cada categoria e representados graficamente mediante barras horizontais ou
verticais ou diagramas circulares.
Exemplo 2.1: Da empresa XXX foram extraídos 50 assíduos clientes, a os quais se perguntou sobre a
qualidade da lâmpada adquirida na loja, os resultados se apresentam a continuação:
Ótimo Bom Ótimo Bom Bom Bom Ótimo Péssimo Bom Péssimo
Ruim Bom Ruim Regular Ótimo Ótimo Ruim Bom Ótimo Ruim
Péssimo Péssimo Péssimo Ruim Ótimo Regular Bom Péssimo Ótimo Regular
Bom Regular Ruim Ruim Ótimo Regular Péssimo Bom Ótimo Regular
Bom Regular Ótimo Péssimo Ruim Ruim Ruim Bom Ótimo Péssimo
Observemos neste conjunto de dados que a variável qualidade da lâmpada pode apresentar alguns
valores que se repetem a estes valores podem se chamar classe da variável, para nosso exemplo a
primeira classe pode ser “Ótimo”, a segunda “Bom”, a terceira “Regular” a quarta “Ruim” e a quinta
“Péssimo” desta forma a classe pode estar formada por i=1,2,3,4,5. Antes de fazer a tabela de
frequências devemos ter claro algumas definições:
a) Frequência Absoluta ou Observada (𝑓𝑖 )
É aquela que surge como o resultado da contagem das respostas obtidas pela unidade Elemental, em
nosso exemplo, pela opinião dos clientes sobre a qualidade da lâmpada produzida pela empresa XXX.
b) Frequência Relativa (𝑓𝑟𝑖 )
É aquela que surge pela relação entre o valor observado numa classe e o total das observações, a este
total é conhecido como o tamanho da amostra representado pela letra “n”. O cálculo é obtido a partir
de:
𝑓𝑖
𝑓𝑟𝑖 =
𝑛
c) Frequências Porcentuais (𝑝𝑖 )
São aquelas que surgem ao converter a frequência relativa em valores porcentuais, seu cálculo é
definido por:
𝑝𝑖 = 𝑓𝑟𝑖 × 100
10
Tabela 2.1.- Distribuição das freqüências sobre a opinião dos clientes
Opinião 𝒇𝒊 𝒇𝒓𝒊 𝒑𝒊
Ótimo 12 0,24 24
Bom 12 0,24 24
Regular 7 0,14 14
Ruim 10 0,20 20
Péssimo 9 0,18 18
Total geral 50 1,00 100
Uma representação gráfica da tabela pode ser apresentada por:
Opinião sobre a qualidade das lâmpadas

30
Porcentagem de Clientes
25
20
15
10
0
Ótimo Bom Regular Ruim Péssimo
Opinião dos Clientes
Figura 2.1: Distribuição da proporção da opinião sobre a qualidade das lâmpadas
Outra representação gráfica pode ser:
Opinião sobre a qualidade das lâmpadas

Péssimo; 18%
Ótimo; 24%
Ruim; 20% Bom; 24%
Regular; 14%
Figura 2.2: Distribuição da proporção da opinião sobre a qualidade das lâmpadas
Uma característica observada nesta empresa XXX, é que a maioria dos clientes se encontra satisfeitos
com a qualidade da lâmpada, mas ainda deve-se pensar em aqueles que ficam insatisfeitos que
englobam o 38% do total de clientes
11
2.1.2. Organização de Dados quantitativos
A) QUANTITATIVO DISCRETOS
O processo para a elaboração de uma tabela com dados quantitativos discretos é similar ao de dados
qualitativos a diferencia acontece só na definição da classe na variável discreta.
Exemplo 2.2: Na empresa XXX, se escolheram 40 funcionários perguntando o número de filhos, os

resultados são os seguintes:
2 5 4 3 4 3 3 2
3 5 4 5 5 5 1 0
1 5 1 1 3 2 2 1
3 1 2 2 4 2 1 1
4 1 5 3 3 0 3 4
Tabela 2.2.- Distribuição de frequências de número de filhos dos funcionários
No. Filhos 𝒇𝒊 𝒇𝒓𝒊 𝒑𝒊

0 2 0,050 5,0
1 9 0,225 22,5
2 7 0,175 17,5
3 9 0,225 22,5
4 6 0,150 15,0
5 7 0,175 17,5
Total geral 40 1,000 100,0
Distribuição de Filhos por Funcionário

Porcentagem de Funcionários
25,0
20,0
15,0
10,0
5,0
0,0
0 1 2 3 4 5
Número de Filhos
Figura 2.3: Distribuição da proporção de filhos de funcionários.
12
B) QUANTITATIVO CONTINUO
Quando os dados em estudo são do tipo quantitativo contínuo, que assume muitos valores distintos,
é conveniente agrupá-los em intervalos de classe. Mesmo correndo o risco de perder algum detalhe
manifestado na ordenação de valores individuais, há vantagem em resumir os dados originais em uma
distribuição de frequência, onde os valores observados não mais aparecerão individualmente, mas
agrupados em classe.
Exemplo 2.3: A empresa XXX, deseja avaliar o tempo de vida (em horas) das lâmpadas produzidas, para
isto, considera uma amostra de 100 lâmpadas de um lote, num dia ao acaso, os dados são
apresentados a continuação:
2.820,84 2.734,79 2.890,76 2.521,58 2.890,00 2.712,96 2.753,80 2.908,62 2.754,47 2.846,64
2.665,34 2.648,79 2.545,45 2.696,43 2.601,28 2.938,58 2.923,52 2.982,19 2.536,40 2.562,68
2.798,68 2.772,32 2.851,98 2.656,77 2.772,82 2.637,89 2.692,25 2.918,62 2.951,52 2.707,29
2.633,13 2.522,53 2.955,31 2.838,02 2.592,68 2.832,37 2.699,40 2.822,26 2.805,41 2.672,67
2.928,67 2.596,10 2.557,00 2.604,59 2.939,51 2.684,02 2.834,74 2.742,90 2.947,93 2.802,19
2.799,72 2.806,06 2.706,54 2.976,93 2.690,82 2.831,99 2.990,27 2.869,01 2.933,00 2.728,75
2.871,65 2.666,15 2.860,56 2.888,87 2.779,31 2.824,12 2.983,21 2.974,12 2.640,64 2.500,00
3.000,00 2.924,20 2.516,32 2.575,88 2.597,23 2.949,58 2.861,13 2.757,52 2.843,17 2.964,51
2.623,35 2.719,75 2.636,69 2.955,97 2.728,04 2.691,83 2.945,11 2.760,82 2.852,12 2.582,29
2.687,15 2.684,32 2.945,49 2.754,42 2.806,79 2.957,72 2.598,63 2.965,06 2.807,86 2.546,00
Quando se considera intervalos de classe de igual amplitude, o procedimento é o seguinte:
1. Deve-se estabelecer o número de intervalos de classe (k) que se vai utilizar. Tal número é
recomendado que esteja entre 5 e 15. Não existe uma regra fixar para determinar o número ótimo
de intervalos. O critério do pesquisador tem um papel importante na determinação do mesmo.
Para a construção da tabela de freqüências consideramos k=10 intervalos de classe.
2. Determinar o comprimento ou amplitude (A) dos dados, isto é,
𝐴 = 𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛
onde 𝑋𝑚𝑎𝑥 é o valor da observação de maior magnitude e 𝑋𝑚𝑖𝑛 a observação de menor magnitude.
𝐴 = 3000,00 − 2500,00 = 500,00
13
3. Determinar a Amplitude de Intervalo de Classe (TIC)
𝐴 500
𝑇𝐼𝐶 = = = 50
𝑘 10
4. Elaboração dos intervalos em cada classe, para isto, devemos somar os limites de cada classe o valor
do TIC correspondente.
Algumas definições devem ser inseridas:
a) Frequência Acumulativa Absoluta (𝐹𝑖 )
Este tipo de frequência permite identificar o comportamento de um grupo de intervalos numa tabela
de freqüências, seu cálculo é definido por:
𝐹𝑖 = 𝑓1 + 𝑓2 + ⋯ + 𝑓𝑖
ou 𝐹𝑖 = 𝐹𝑖−1 + 𝑓𝑖
b) Frequência Acumulada Relativa (𝐹𝑟𝑖 )
Este tipo de frequência relativa identifica o comportamento de um grupo de intervalos numa tabela
de frequência, seu cálculo é definido por:
𝐹𝑟𝑖 = 𝑓𝑟1 + 𝑓𝑟2 + ⋯ + 𝑓𝑟𝑖
ou 𝐹𝑟𝑖 = 𝐹𝑟𝑖−1 + 𝑓𝑟𝑖
𝐹𝑖
ou 𝐹𝑟𝑖 =
𝑛
c) Marca de Classe (𝑿′𝒊 )
Representa o valor característico de cada classe em estudo, seu cálculo é obtido por:
𝐿𝑖𝑚 𝐼𝑛𝑓𝑖 + 𝐿𝑖𝑚 𝑆𝑢𝑝𝑖

𝑋𝑖′ =
2
Por exemplo na classe 2, a marca de classe é obtida por:
𝐿𝑖𝑚 𝐼𝑛𝑓2 + 𝐿𝑖𝑚 𝑆𝑢𝑝2 2550 + 2600

𝑋2′ = = = 2575
2 2
14
Para calcular as outras marcas de classe bastam somar a marca de classe o valor do TIC, como se
apresenta a continuação:
′
𝑋𝑖+1 = 𝑋𝑖′ + 𝑇𝐼𝐶
Desta forma a tabela de frequência é definida por:
Tabela 2.3.- Distribuição do tempo de vida (em horas) das lâmpadas
𝒊 Intervalo 𝑿′𝒊 𝒇𝒊 𝒇𝒓𝒊 𝑭𝒊 𝑭𝒓𝒊

1 2.500 |- 2.550 2.525 7 7% 7 7%
2 2.550 |- 2.600 2.575 8 8% 15 15%
3 2.600 |- 2.650 2.625 8 8% 23 23%
4 2.650 |- 2.700 2.675 12 12% 35 35%
5 2.700 |- 2.750 2.725 8 8% 43 43%
6 2.750 |- 2.800 2.775 10 10% 53 53%
7 2.800 |- 2.850 2.825 14 14% 67 67%
8 2.850 |- 2.900 2.875 9 9% 76 76%
9 2.900 |- 2.950 2.925 12 12% 88 88%
10 2.950 |- 3.000 2.975 12 12% 100 100%
Total 100 100%
Para entender a tabela, temos que entender alguns de seus componentes:
𝑓6 = 10: representa que na amostra se observou 10 lâmpadas cujo tempo de vida está entre 2750 a
2800 horas.
𝐹7 = 67: representa que na amostra se observou 67 lâmpadas cujo tempo de vida é inferior a 2850
horas.
𝑓𝑟4 = 12%: representa que na amostra se observou 12% de lâmpadas cujo tempo de vida está entre
2650 a 2700 horas.
𝐹𝑟5 = 43%: representa que na amostra se observou 43% lâmpadas cujo tempo de vida é inferior a
2750 horas.
𝐹6 − 𝐹4 = 18: representa que na amostra se observou 18 lâmpadas cujo tempo de vida está entre
2700 a 2800 horas.
Observação: Quando se tem uma tabela de freqüências e não os dados originais, alguns valores é
impossível obter a partir da tabela, nestes casos é necessário fazer algum cálculo que
possa estimar o valor desejado, a esta técnica é conhecida como INTERPOLAÇÃO.
Considerando a tabela 2.3, podemos apresentar alguns gráficos importantes
15
1°) Histograma de Frequências
O gráfico representa a distribuição de frequência dos dados, e basicamente descreve a relação entre
os limites de cada classe ou as marcas de classe e as frequências, já seja absoluta ou relativa.
Usualmente no eixo horizontal (abscissas) se dispõe os limites de cada classe e no eixo vertical
(ordenadas) se dispõe as frequências.
Figura 2.4: Histograma de Frequências para o Tempo de vida das lâmpadas
2°) Polígono de Frequências
Para construir o polígono de freqüências bastara unir no histograma de frequências os pontos

médios da marca de classe, obtendo o gráfico seguinte:
Distribuição de Frequência do tempo de vida de uma lâmpada

120
100
Frequencia Observada
80
60
40
20
0
2500 2550 2600 2650 2700 2750 2800 2850 2900 2950 3000 3050
Limite Superior da Classe
Figura 2.5: Polígono de Frequências para o Tempo de vida das lâmpadas
16
3°) Polígono de Frequências Acumuladas (Curva de Ogiva)
A construção de este polígono é simples é similar ao polígono anterior com a única diferença que no
eixo das ordenadas é considerada as Frequências Acumuladas, já seja absoluta ou relativa e no eixo
das abscissas encontram-se os limites de cada classe. Este polígono serve de referência para a
interpolação de dados.
120
Frequencia Acumulada Absoluta
100
80
60
40
20
0
2500 2550 2600 2650 2700 2750 2800 2850 2900 2950 3000 3050
Figura 2.6: Curva de Ogiva para o Tempo de vida das lâmpadas
c) INTERPOLAÇÃO
É um método que permite construir um novo conjunto de dados a partir de dados pontuais já
conhecidos que servem de referência. A interpolação pode ser linear ou não, será linear quando os
incrementos entre os pontos se assumem constantes, caso contrário se considera não linear.
Para conseguir a interpolação, deve-se considerar dois supostos importantes:
1°) Os incrementos ao interior de uma classe são constantes, isto é, supomos linearidade em seus
incrementos.
2°) Uma interpolação é possível somente ao interior de uma classe, não é valida uma interpolação
considerando como mais de uma classe.
Para entender este conceito, será considerada como exemplo a tabela 2.3, onde se deseja encontrar
a proporção de lâmpadas com tempos de vida inferior a 2790 horas.
Como estamos desejando tempo de vida inferior a 2790 horas, então o intervalo para interpolação é
a 6, isto é, todas as lâmpadas que têm um tempo de vida que varia entre 2750 a 2800 horas.
17
120
Frequencia Acumulada Absoluta

100
80
60
40
20
0
2500 2550 2600 2650 2700 2750 2800 2850 2900 2950 3000 3050
Figura 2.7: Identificação do Intervalo a Interpolar
Extraindo o triangulo temos:
53% D
X B
10%
X – 43%
43% C
A E
50
2750 2800
40 2790
Para a estimativa solicitada procedemos a utilização da semelhança de triângulos, da forma seguinte:
𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑜 𝑃𝑒𝑞𝑢𝑒𝑛𝑜 𝐴𝐵𝐶 ← 40 𝑋 − 43%

=
𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑜 𝑀𝑎𝑖𝑜𝑟 𝐴𝐷𝐸 ← ⏟
50 ⏟ 10%
𝐴𝑏𝑠𝑐𝑖𝑠𝑠𝑎𝑠 𝑂𝑟𝑑𝑒𝑛𝑎𝑑𝑎
Desta forma
40
𝑋 − 43% = 10% ×
50
𝑋 = 51%
Isto quer dizer que a proporção de lâmpadas que tem um tempo de vida inferior a 2790 é de 51%
deles.
18
2.2. Medidas Estatísticas
São valores que de alguma forma resumem o comportamento global dos dados. Estas medidas
estatísticas podem ter duas formas de serem analisadas, segundo a posição dos dados e segundo a
variabilidade ou perturbação deles. Usualmente quando se tem um conjunto de dados podemos estar
interessados em visualizar a tendência deles, assim como também como os dados se situam ao redor
dessa tendência.
2.2.1. Medidas de Tendência Central

São estatísticas que indicam a posição mais comum que o conjunto de dados apresenta e que de
alguma forma caracteriza a esse conjunto de dados.
As medidas de tendência central mais conhecidas são: Média, Mediana e Moda. Uma outra medida de
tendência, isto é, de posição estão os percentis e dentro deles estão os decil, quartis e inclusive a
mediana.
a) MÉDIA
É aquele valor que representa o comportamento do conjunto de dados em estudo, e significa que se
não houvesse mudanças nas informações o valor mais lógico de todos os dados seria aquele obtido
pela média. Seu cálculo depende se os dados são agrupados ou não.
a1) Dados Agrupados (Quando os dados são apresentados em tabelas de freqüências)

𝑘
1
𝑋̅ = ∑ 𝑋𝑖′ 𝑓𝑖
𝑛
𝑖=1
Onde, 𝑘 , representa o número de classes; 𝑋𝑖′ , representa a marca de classe; 𝑓𝑖 , representa as

frequências observadas; 𝑛, tamanho da amostra.
Exemplo 2.4: Consideremos o exemplo 2.3 que diz: a empresa XXX, deseja avaliar o tempo de vida (em
horas) das lâmpadas produzidas, para isto, considera uma amostra de 100 lâmpadas de
um lote, num dia ao acaso, os resultados foram apresentados na tabela 2.3, a tabela a
seguir constitui uma readequação.
19
𝒊 Intervalo 𝑿′𝒊 𝒇𝒊 𝑿′𝒊 × 𝒇𝒊

1 2500 |- 2550 2525 7 15925
2 2550 |- 2600 2575 8 20600
3 2600 |- 2650 2625 8 21000
4 2650 |- 2700 2675 12 32100
5 2700 |- 2750 2725 8 21800
6 2750 |- 2800 2775 10 27750
7 2800 |- 2850 2825 14 39550
8 2850 |- 2900 2875 9 25875
9 2900 |- 2950 2925 12 35100
10 2950 |- 3000 2975 12 35700
Total 100 277150
𝑘
1 1
𝑋̅ = ∑ 𝑋𝑖′ 𝑓𝑖 = (277150) = 2771,5
𝑛 100
𝑖=1
Como o estudo era o tempo de vida em horas das lâmpadas, então podemos dizer que o tempo de
vida das lâmpadas mais comum de ocorrer é de 2771,5 horas.
a2) Dados não agrupados (aqueles que não estão agrupados em tabelas de freqüências)
𝑛
1
𝑋̅ = ∑ 𝑋𝑖
𝑛
𝑖=1
Exemplo 2.5: Numa determinada loja observou-se que os clientes estavam comprando grande
quantidade de arroz, os donos da loja estavam interessados em saber a aceitação de
arroz XXX tipo 1 de 5 quilos, durante uma semana foi observado a compra desse tipo
de arroz, obtendo os seguintes resultados: 10, 14, 13, 15, 16, 18 e 12, encontrar a
compra media do tipo de arroz XXX tipo 1 de 5 quilos.
A média é obtida por:

𝑛
1 1 98
𝑋̅ = ∑ 𝑋𝑖 = (10 + 14 + 13 + 15 + 16 + 18 + 12) = = 14
𝑛 7 7
𝑖=1
Isto quer dizer que os clientes estriam dispostos a comprar diariamente 14 sacos de arroz XXX tipo 1
de 5 quilos.
20
Propriedades da Média Aritmética
1ª Propriedade: A soma de todas as comparações entre a observação particular e a média obtida é

igual a zero.
𝑛
∑(𝑋𝑖 − 𝑋̅) = 0
𝑖=1
Demonstração:
Antes de fazer o cálculo devemos entender que a soma de valores constantes não afeta a somatória,
isto se entende da maneira seguinte:
7
𝑎 + 𝑎 + 𝑎 + 𝑎 + 𝑎 + 𝑎 + 𝑎 = 7𝑎 = ∑ 𝑎
𝑖=1
Da mesma forma corresponde para a média, já que esta é só um valor constante para o conjunto de
dados, desta forma:
𝑛
∑ 𝑋̅ = 𝑛𝑋̅
𝑖=1
𝑛 𝑛
∑(𝑋𝑖 − 𝑋̅) = ∑ 𝑋𝑖 − 𝑛𝑋̅

𝑖=1 𝑖=1
Como
𝑛 𝑛
1
𝑋̅ = ∑ 𝑋𝑖 𝑒𝑛𝑡ã𝑜 ∑ 𝑋𝑖 = 𝑛𝑋̅
𝑛
𝑖=1 𝑖=1
Desta forma fica demonstrado.
2ª Propriedade: Seja 𝑋𝑖 uma variável qualquer que tem uma média conhecida 𝑋̅, podemos definir
uma outra variável 𝑌𝑖 , relacionado da forma seguinte:
𝑌𝑖 = 𝑋𝑖 ± 𝑎
Então a média de 𝑌𝑖 é dado por:
𝑌̅ = 𝑋̅ ± 𝑎
Demonstração
Da definição da média temos:

𝑛 𝑛 𝑛 𝑛 𝑛
1 1 1 1 1 1
𝑌̅ = ∑ 𝑌𝑖 = ∑(𝑋𝑖 ± 𝑎) = ∑ 𝑋𝑖 ± ∑ 𝑎 = ∑ 𝑋𝑖 ± 𝑛𝑎
𝑛 𝑛 𝑛 𝑛 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
De esta forma fica demonstrado.
21
3ª Propriedade: Se a relação acima apresentada fosse:
𝑋𝑖
𝑌𝑖 = 𝑋𝑖 × 𝑎 ou 𝑌𝑖 =
𝑎
A média de 𝑌𝑖 é dado por:

𝑋 ̅
𝑌̅ = 𝑋̅ × 𝑎 ou 𝑌̅ =
𝑎
Principal Desvantagem da Média
É influenciada pelos valores extremos dos dados. Para entender utilizaremos os dados do exemplo
2.5, trocando o último valor por 103, então
𝑛
1 1 189
𝑋̅ = ∑ 𝑋𝑖 = (10 + 14 + 13 + 15 + 16 + 18 + 103) = = 27
𝑛 7 7
𝑖=1
Isto quer dizer que os clientes estriam dispostos a comprar diariamente 27 sacos de arroz XXX tipo 1
de 5 quilos. Como vemos por um evento isolado nossas conclusões podem de alguma forma estar
indicando coisas que na regularidade não está acontecendo.
b) MEDIANA
É outra medida de tendência central, que divide a um conjunto de dados em dois partes iguais,
basicamente é usada com a finalidade de superar a desvantagem presente na média e identificar o
valor que melhor represente ao conjunto de dados em estudo.
b1) Dados Agrupados

𝑛
− 𝐹(𝑚𝑒−1)
𝑀𝑒 = 𝐿𝑖𝑚 𝐼𝑛𝑓(𝑚𝑒) + [2 ] × 𝑇𝐼𝐶
𝑓(𝑚𝑒)
Onde, (𝑚𝑒) representa a classe da mediana; (𝑚𝑒 − 1) representa a classe anterior a mediana;
𝐹(𝑚𝑒−1) representa a frequência acumulada observada anterior a classe da mediana; 𝑓(𝑚𝑒) representa
a frequência observada na classe da mediana; 𝐿𝑖𝑚 𝐼𝑛𝑓(𝑚𝑒) representa ao Limite Inferior na classe da
mediana; 𝑇𝐼𝐶 representa ao Termo de Intervalo de Classe; 𝑛 representa ao Tamanho de amostra.
um lote, num dia ao acaso, os resultados foram apresentados na tabela 2.3.
Para encontrar a mediana devemos na tabela procurar a classe onde a freqüência acumulada supere
a 50% da informação total, quando acontece isso, essa classe é definida como a classe mediana, como
se observa na tabela seguinte:
22
𝒊 Intervalo 𝒇𝒊 𝑭𝒊
1 2500 |- 2550 7 7
2 2550 |- 2600 8 15
3 2600 |- 2650 8 23
35
4 2650 |- 2700 12
43 Classe anterior a Mediana (me-1)
5 2700 |- 2750 8
6 2750 |- 2800 10 53 Classe da Mediana (me)
7 2800 |- 2850 14 67
8 2850 |- 2900 9 76
9 2900 |- 2950 12 88
10 2950 |- 3000 12 100
Total 100
𝑛
− 𝐹(𝑚𝑒−1) 50 − 43
𝑀𝑒 = 𝐿𝑖𝑚 𝐼𝑛𝑓(𝑚𝑒) + [2 ] × 𝑇𝐼𝐶 = 2750 + [ ] × 50 = 2.785
𝑓(𝑚𝑒) 10
Observa-se na amostra que 50% das lâmpadas apresentam um tempo de vida útil inferior a 2785 horas.
b2) Dados não agrupados
Para encontrar a mediana devemos em primeiro lugar ordenar os dados de menor a maior ou de maior
a menor, a mediana é calculada considerando o tamanho dos dados:
* Quando 𝒏 é par
𝑋(𝑛) + 𝑋(𝑛+1)
2 2
𝑀𝑒 =
2
Exemplo 2.7: Consideremos o exemplo 2.5, e encontremos a mediana para uma semana de 6 dias, isto
é, de segunda a sábado os dados são: 10, 14, 13, 15, 16 e 18.
𝑋1 = 10; 𝑋2 = 14; 𝑋3 = 13; 𝑋4 = 15; 𝑋5 = 16; 𝑋6 = 18
Ordenando os valores, temos:
𝑋(1) = 10; 𝑋(2) = 13; 𝑋(3) = 14; 𝑋(4) = 15; 𝑋(5) = 16; 𝑋(6) = 18
Então
𝑋(𝑛) + 𝑋(𝑛+1) 𝑋(3) + 𝑋(4) 14 + 15

2 2
𝑀𝑒 = = = = 14,5
2 2 2
Isto indica que o 50% dos clientes adquirem menos de 14,5 sacos de arroz XXX de tipo 1 de 5 quilos.
23
* Quando 𝒏 é ímpar
𝑀𝑒 = 𝑋 𝑛+1
( )
2
Exemplo 2.8: Consideremos o exemplo 2.5, e encontremos a mediana para uma semana, os dados são:
10, 14, 13, 15, 16, 18 e 12.
𝑋1 = 10; 𝑋2 = 14; 𝑋3 = 13; 𝑋4 = 15; 𝑋5 = 16; 𝑋6 = 18; 𝑋7 = 12
Ordenando os valores, temos:
𝑋(1) = 10; 𝑋(2) = 12; 𝑋(3) = 13; 𝑋(4) = 14; 𝑋(5) = 15; 𝑋(6) = 16; 𝑋(7) = 18
Então
𝑀𝑒 = 𝑋 𝑛+1 =𝑋 8 = 𝑋(4) = 14
( ) ( )
2 2
O que quer dizer que o 50% dos clientes adquirem menos de 14 sacos de arroz XXX tipo 1 de 5 quilos
c) MODA
É aquele valor que ocorre com maior freqüência num conjunto de dados.
c1) Dados Agrupados
𝑑1
𝑀𝑜 = 𝐿𝑖𝑚 𝐼𝑛𝑓(𝑚𝑜) + [ ] × 𝑇𝐼𝐶
𝑑1 + 𝑑2
Onde
𝑑1 = 𝑓(𝑚𝑜) − 𝑓(𝑚𝑜−1) 𝑒 𝑑2 = 𝑓(𝑚𝑜) − 𝑓(𝑚𝑜+1)
(𝑚𝑜) representa a classe da moda; (𝑚𝑜 − 1) representa a classe anterior a moda; (𝑚𝑜 + 1)
representa a classe posterior a moda; 𝑓(𝑚𝑜) representa a frequência observada na classe da moda;
𝑓(𝑚𝑜−1) representa a frequência observada na classe anterior a moda; 𝑓(𝑚𝑜+1) representa a frequência
observada na classe posterior a moda; 𝐿𝑖𝑚 𝐼𝑛𝑓(𝑚𝑜) representa ao Limite Inferior na classe da moda;
𝑇𝐼𝐶 representa ao Termo de Intervalo de Classe; 𝑛 representa ao Tamanho de amostra.
um lote, num dia ao acaso, os resultados foram apresentados na tabela 2.3.
Para encontrar a moda devemos na tabela procurar a classe onde a frequência observada seja o maior
possível, como se observa na tabela seguinte:
24
i Intervalo 𝒇𝒊
1 2500 |- 2550 7
2 2550 |- 2600 8
3 2600 |- 2650 8
4 2650 |- 2700 12
8
5 2700 |- 2750
6 2750 |- 2800 10 Classe anterior a Moda (mo-1)
7 2800 |- 2850
14 Classe da Moda (mo)
8 2850 |- 2900 9 Classe posterior a Moda (mo+1)
9 2900 |- 2950 12
10 2950 |- 3000 12
Total 100
De esta forma
𝑑1 = 𝑓(𝑚𝑜) − 𝑓(𝑚𝑜−1) = 14 − 10 = 4 𝑒 𝑑2 = 𝑓(𝑚𝑜) − 𝑓(𝑚𝑜+1) = 14 − 9 = 5
Desta forma:
𝑑1 4
𝑀𝑜 = 𝐿𝑖𝑚 𝐼𝑛𝑓(𝑚𝑜) + [ ] × 𝑇𝐼𝐶 = 2800 + [ ] × 50 = 2822,22
𝑑1 + 𝑑2 4+5
Isto indica que um maior número de lâmpadas teve um tempo de vida ao redor de 2822,22 horas.
c2) Dados não agrupados
O valor da moda é o maior valor observado.
Exemplo 2.10: Consideremos o exemplo 2.5, e encontremos a mediana para uma semana, os dados
são: 10, 14, 13, 15, 16 e 18.
Neste exemplo os dados não apresentam moda.
25
d) MEDIDAS DE POSIÇÃO (PERCENTIL)
O percentil, separa ao grupo de dados em dois grupos, uma com proporção 𝑝 e outra com uma
proporção 1 − 𝑝.
d1) Dados Agrupados

𝑛 × 𝑝 − 𝐹(𝑝−1)
𝑃𝑒𝑟𝑝 = 𝐿𝑖𝑚 𝐼𝑛𝑓(𝑝) + [ ] × 𝑇𝐼𝐶
𝑓(𝑝)
Onde, (𝑝) representa a classe da percentil; (𝑝 − 1) representa a classe anterior a percentil; 𝐹(𝑝−1)
representa a freqüência acumulada observada anterior a classe da percentil; 𝑓(𝑝) representa a
freqüência observada na classe da percentil; 𝐿𝑖𝑚 𝐼𝑛𝑓(𝑝) representa ao Limite Inferior na classe da
percentil; 𝑇𝐼𝐶 representa ao Termo de Intervalo de Classe; 𝑛 representa ao Tamanho de amostra.
Exemplo 2.11: Consideremos o exemplo 2.3 que diz: a empresa XXX, deseja avaliar o tempo de vida
(em horas) das lâmpadas produzidas, para isto, considera uma amostra de 100
lâmpadas de um lote, num dia ao acaso, os resultados foram apresentados na tabela
2.3. Encontrar o menor tempo de vida útil dos 20% das lâmpadas com maior tempo de
vida útil.
Para conseguir este objetivo o primeiro que temos que fazer é:
O primeiro que devemos fazer é: 𝑛 × 𝑝 = 100 × 80% = 80. Agora devemos procurar na tabela a
freqüência acumulada absoluta que consiga ultrapassar o valor 80, nesse momento o intervalo que
pertence a esse valor que ultrapassa a 80, será a classe do percentil.
26
𝒊 Intervalo 𝒇𝒊 𝑭𝒊
1 2.500 |- 2.550 7 7
2 2.550 |- 2.600 8 15
3 2.600 |- 2.650 8 23
4 2.650 |- 2.700 12 35
5 2.700 |- 2.750 8 43
6 2.750 |- 2.800 10 53
7 2.800 |- 2.850 14 67
76 Classe anterior ao Percentil (p-1)
8 2.850 |- 2.900 9
9 2.900 |- 2.950 12 88 Classe do Percentil (p)
10 2.950 |- 3.000 12 100
Total 100
Então
𝑛 × 𝑝 − 𝐹(𝑝−1) 80 − 76
𝑃𝑒𝑟𝑝 = 𝐿𝑖𝑚 𝐼𝑛𝑓(𝑝) + [ ] × 𝑇𝐼𝐶 = 2900 + [ ] × 50 = 2.916,66
𝑓(𝑝) 12
Entendendo-se que o 20% das lâmpadas com maior vida útil terá um valor mínimo de 2.916,66 horas.
d2) Dados não agrupados
Para este caso consideramos a definição de Mendenhall and Sincich para o p-ésimo percentil de 𝑛
valores ordenados é correspondente ao valor que ocupa a posição
𝑛+1
𝑃𝑒𝑟𝑖 = 𝑖 ( ) 𝑖 = 1,2, ⋯ ,99
100
Exemplo 2.12: Consideremos o exemplo 2.5, e encontremos o percentil 80% para uma semana de
compra, os dados são: 10, 14, 13, 15, 16, 18 e 12.
Os dados ordenados são
𝑋(1) = 10; 𝑋(2) = 12; 𝑋(3) = 13; 𝑋(4) = 14; 𝑋(5) = 15; 𝑋(6) = 16; 𝑋(7) = 18
Aplicando a definição de Mendenhall and Sincich, temos:
𝑛+1 7+1
𝑃𝑒𝑟80 = 𝑖 ( ) = 80 × ( ) = 6,4
100 100
Desta forma o percentil encontra-se na posição 6,4; como este valor não existe, podemos encontrar
um valor que se aproxime a essa posição, isto é, o valor achado encontra-se na posição 6, 𝑋(6) = 16,
mais alguma coisa adicional, como a diferencia entre a posição 6 e a posição 7 é de 2 pontos, então
existirá 0,4x2=0,8 valores além da posição 6, então o percentil 80, estaria dado por:
Valor do Percentil 80% = 16 + 0,8 = 16,8
27
2.2.2. MEDIDAS DE VARIABILIDADE
Muitas vezes nosso interesse não é somente identificar qual é a tendência central do conjunto de
dados e sem como elas se distribuem ao redor dessa tendência, com a finalidade de detectar se essas
distribuições são bem próximas ao valor da tendência (homogeneidade) ou se elas se encontram
distante do valor da tendência (heterogeneidade)
As medidas mais utilizadas são: variância, desvio padrão, e coeficiente de variabilidade. As duas
primeiras medidas são chamadas de medidas de variabilidade absoluta e a última é chamada de
medida de variabilidade relativa. Existem outras medidas de variação de dados como as medidas de
assimetria e as medidas de curtose.
a) VARIÂNCIA AMOSTRAL (S2)
É uma medida de dispersão que avalia quão longe esta os dados com relação ao valor de tendência
central. Ele não tem interpretação prática, já que suas unidades não são compatíveis com as unidades
dos dados originais. Seu cálculo dependera de:
a1) Dados Agrupados
𝑘 𝑘
1 1
𝑆2 = (∑ 𝑓𝑖 (𝑋𝑖′ − 𝑋̅)2 ) = (∑ 𝑋𝑖′2 𝑓𝑖 − 𝑛 × 𝑋̅ 2 )
𝑛−1 𝑛−1
𝑖=1 𝑖=1
Onde, 𝑋𝑖′ , representa a marca de classe; 𝑓𝑖 , representa a frequência observada; 𝑛, representa ao

tamanho da amostra; 𝑋̅, representa a média amostral; 𝑘, representa ao número de classes.
lâmpadas de um lote, num dia ao acaso, os resultados foram apresentados na tabela
2.3. Encontrar a variância do conjunto de dados.
𝒊 Intervalo 𝑿′𝒊 𝒇𝒊 𝑿′𝒊 𝟐 × 𝒇𝒊

1 2.500 |- 2.550 2.525 7 44.629.375
2 2.550 |- 2.600 2.575 8 53.045.000
3 2.600 |- 2.650 2.625 8 55.125.000
4 2.650 |- 2.700 2.675 12 85.867.500
5 2.700 |- 2.750 2.725 8 59.405.000
6 2.750 |- 2.800 2.775 10 77.006.250
7 2.800 |- 2.850 2.825 14 111.728.750
8 2.850 |- 2.900 2.875 9 74.390.625
9 2.900 |- 2.950 2.925 12 102.667.500
10 2.950 |- 3.000 2.975 12 106.207.500
Total 100 770.072.500
28
𝑘
1 1
𝑆2 = (∑ 𝑋𝑖′2 𝑓𝑖 − 𝑛 × 𝑋̅ 2 ) = [770.072.500 − 100 × (2.771,5)2 ] = 19.709,85
𝑛−1 99
𝑖=1
a2) Dados não agrupados

𝑛 𝑛
1 1
𝑆2 = (∑(𝑋𝑖 − 𝑋̅)2 ) = (∑ 𝑋𝑖2 − 𝑛𝑋̅ 2 )
𝑛−1 𝑛−1
𝑖=1 𝑖=1
Exemplo 2.14: Consideremos o exemplo 2.5, e encontremos a variância para uma semana de compra,
os dados são: 10, 14, 13, 15, 16, 18 e 12.
𝑛
∑ 𝑋𝑖2 = 102 + 142 + 132 + 152 + 162 + 182 + 122 = 1.414

𝑖=1
Logo aplicando a fórmula, temos

𝑛
1 1
𝑆2 = (∑ 𝑋𝑖2 − 𝑛𝑋̅ 2 ) = (1.414 − 7 × 142 ) = 7
𝑛−1 6
𝑖=1
Propriedades da Variância
1ª Propriedade: Seja 𝑋𝑖 uma variável qualquer que tem uma média conhecida 𝑋̅, podemos definir
uma outra variável 𝑌𝑖 , relacionado da forma seguinte:
𝑌𝑖 = 𝑋𝑖 ± 𝑎
Então a variância de 𝑌𝑖 é dado por:
𝑆𝑦2 = 𝑆𝑥2
Demonstração
Da definição da variância temos:

𝑛
1
𝑆𝑦2 = ∑(𝑌𝑖 − 𝑌̅)2
𝑛−1
𝑖=1
Como pela propriedade 2 da média temos que 𝑌̅ = 𝑋̅ ± 𝑎, substituindo na expressão acima

𝑛 𝑛 𝑛
1 1 1
𝑆𝑦2 = ∑(𝑌𝑖 − 𝑌̅)2 = ∑(𝑋𝑖 ± 𝑎 − 𝑋̅ ∓ 𝑎)2 = ∑(𝑋𝑖 − 𝑋̅)2
𝑛−1 𝑛−1 𝑛−1
𝑖=1 𝑖=1 𝑖=1
De esta forma fica demonstrado.
29
2ª Propriedade: Se a relação acima apresentada fosse:
𝑋𝑖
𝑌𝑖 = 𝑋𝑖 × 𝑎 ou 𝑌𝑖 =
𝑎
A variância de 𝑌𝑖 é dado por:

1 2
𝑆𝑦2 = 𝑎2 𝑆𝑥2 ou 𝑆𝑦2 = 𝑆
𝑎2 𝑥
b) DESVIO PADRÃO (D.P. ou S)
É uma medida de variabilidade que permite identificar a máxima distancia entre as observações e a
média, em outras palavras, determinar a distancia que indique que os dados são parecidos a media,
quando essa distancia é grande se diz que os dados são heterogêneos, enquanto se essas diferencias
são pequenas se diz que os dados são homogêneos. Seu cálculo é definido por:
𝑆 = √𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎
Já seja para dados agrupados como para dados não agrupados.
lâmpadas de um lote, num dia ao acaso. Encontre a Variância.
𝑆 = √𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 = √19709,85 = 140,39
Podemos afirmar que o tempo de vida útil das lâmpadas da empresa XXX, uma boa parte varia acima
e abaixo da média em 140,39 horas.
c) Coeficiente de Variabilidade
É outra medida de variabilidade que é usada para fazer comparações entre variáveis de diferentes
unidades, por exemplo, imaginemos que estamos numa empresa que produz álcool e desejamos
comparar a variabilidade da matéria prima (quantidade de cana de açúcar), assim como também do
volume de álcool produzido, como vemos se considerarmos a cana de açúcar que se mede em
toneladas de cana e volume de álcool que se mede em metros cúbicos os valores obtidos, não poderia
ser comparados devido às unidades. Devido a isto, devemos procurar uma medida de variabilidade
relativa que permita fazer essa comparação. O cálculo é definido por:
𝑆
𝐶𝑉 = × 100%
𝑋̅
Em termos gerais o coeficiente de variabilidade pode tomar os seguintes valores
𝐶𝑉 ≤ 25% → 𝑂𝑠 𝑑𝑎𝑑𝑜𝑠 𝑠ã𝑜 ℎ𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑜𝑠
𝐶𝑉 > 25% → 𝑂𝑠 𝑑𝑎𝑑𝑜𝑠 𝑠ã𝑜 ℎ𝑒𝑡𝑒𝑟𝑜𝑔𝑒𝑛𝑒𝑜𝑠
30
lâmpadas de um lote, num dia ao acaso. Encontre o CV.
𝑆 140,39
𝐶𝑉 = × 100% = × 100% = 5,1%
𝑋̅ 2771,5
O que indica que os dados são homogêneos.
d) MEDIDA DE ASSIMETRIA
Mede o grau de afastamento de uma distribuição da unidade de simetria. Existem várias formas, mas
nesta parte considerarmos três formas de calcular a assimetria.
1° Forma: Coeficiente de Assimetria de Pearson
𝑋̅ − 𝑀𝑜
𝐴𝑠𝑠 = − 3 ≤ 𝐴𝑠𝑠 ≤ −3
𝑆
2° Forma: Coeficiente de Assimetria de Pearson Modificado
3(𝑋̅ − 𝑀𝑒)
𝐴𝑠𝑠 = − 3 ≤ 𝐴𝑠𝑠 ≤ −3
𝑆
3° Forma: Coeficiente Quartil de Assimetria (Critério de Bowlley)
Este critério é usado quando não for possível empregar o desvio padrão como a medida de dispersão.
𝑄1 + 𝑄3 − 2 × 𝑀𝑒
𝐴𝑠𝑠 = − 1 ≤ 𝐴𝑠𝑠 ≤ 1
𝑄3 − 𝑄1
Q1 é o primeiro quartil ou percentil 25%
Q3 é o terceiro quartil ou percentil 75%
4° Forma: Coeficiente Decil de Assimetria (Critério de Kelley)
𝐷9 + 𝐷1 − 2 × 𝑀𝑒
𝐴𝑠𝑠 = − 1 ≤ 𝐴𝑠𝑠 ≤ 1
𝐷9 − 𝐷1
D1 é o primeiro Decil ou percentil 10%
D3 é o nono Decil ou percentil 90%
Em todos os casos:
Ass = 0 – Distribuição Simétrica
Ass > 0 – Assimetria Positiva ou Assimétrica a Direita
Ass < 0 – Assimetria Negativa ou Assimétrica a Esquerda
31
Exemplo 2.17: Considerando o exemplo 2.3 o caso das lâmpadas, temos que:
𝑋̅ = 2521,50 𝑀𝑒 = 2785,00 𝑀𝑜 = 2822,22 𝐷1 = 2568,75 𝑄1 = 2668,33
𝑄3 = 2894,44 𝐷9 = 2958,33
1° Forma: Coeficiente de Assimetria de Pearson
𝑋̅ − 𝑀𝑜 2521,5 − 2822,22
𝐴𝑠𝑠 = = = −0,361291
𝑆 140,39
2° Forma: Coeficiente de Assimetria de Pearson Modificado
3(𝑋̅ − 𝑀𝑒) 3 × (2521,50 − 2785)

𝐴𝑠𝑠 = = = −0,288478
𝑆 140,39
3° Forma: Coeficiente Quartil de Assimetria (Critério de Bowlley)
𝑄1 + 𝑄3 − 2 × 𝑀𝑒 2668,33 + 2894,44 − 2 × 2785

𝐴𝑠𝑠 = = = −0,072941
𝑄3 − 𝑄1 2894,44 − 2668,33
4° Forma: Coeficiente Decil de Assimetria (Critério de Kelley)
𝐷9 + 𝐷1 − 2 × 𝑀𝑒 2958,33 + 2568,75 − 2 × 2785

𝐴𝑠𝑠 = = = −0,11016
𝐷9 − 𝐷1 2959,33 − 2568,75
Em todos os casos podemos ver que os dados apresentam uma assimetria a esquerda.
e) COEFICIENTE DE CURTOSE (k)
A Curtose ou excesso indica até que ponto a curva de frequências de uma distribuição se apresenta
mais afilada ou mais achatada do que uma curva padrão, denominada curva normal. De acordo com o
grau de curtose, podemos ter três tipos de curvas de frequência.
CURVA OU DISTRIBUIÇÃO DE FREQUÊNCIAS MESOCÚRTICA
Quando a curva de freqüências apresenta um grau de achatamento equivalente ou da curva normal.
CURVA OU DISTRIBUIÇÃO DE FREQUÊNCIAS PLATICÚRTICA
Quando uma curva de freqüências apresenta muito achatamento, superior ao da normal.
CURVA OU DISTRIBUIÇÃO DE FREQUÊNCIAS LEPTOCÚRTICA
Quando uma curva de frequências apresenta muito afilamento, superior ao da normal.
32
O cálculo é definido por:
𝑄3 − 𝑄1
𝑘=
2(𝐷9 − 𝐷1 )
k = 0,263  Curva ou distribuição mesocúrtica
k > 0,263  Curva ou distribuição platicúrtica
k < 0,263  Curva ou distribuição leptocúrtica
Exemplo 2.18: Considerando o exemplo 2.3 o caso das lâmpadas, temos que:
𝑋̅ = 2521,50 𝑀𝑒 = 2785,00 𝑀𝑜 = 2822,22 𝐷1 = 2568,75 𝑄1 = 2668,33
𝑄3 = 2894,44 𝐷9 = 2958,33
𝑄3 − 𝑄1 2894,44 − 2668,33
𝑘= = = 0,30303
2(𝐷9 − 𝐷1 ) 2 × (2958,33 − 2568,750
A partir dos dados pode-se concluir que temos uma distribuição platicúrtica, o que indica que os dados
estão muito dispersos.
33
1.- Uma tabela de freqüências foi construída com a seguinte informação: o menor valor foi 50, o limite
superior da 4º classe foi 90, considerou-se 8 classes e uma amostra de 80 observações, sendo que
as classes 1, 4, 6 e 7 tiveram 1, 15, 20 e 7 observações respectivamente, observou-se também que
o total acumulado até a 3º classe foi de 10 observações e alem disso, sabe-se que até a 7º classe
se acumulou 96,25% das observações, na segunda classe se teve o 5% das observações. Com as
informações descritas acima construa a tabela original.
2.-Uma empresa dedicada ao engorde de gado coletou informação dos aumentos de pesos após duas
semanas de aplicação de certa ração, os pesos são registrados em Quilogramas, os dados são
1,2 2,2 2,6 3 3,9

1,6 2,3 2,7 3,1 4,1
1,8 2,3 2,8 3,2 4,3
1,9 2,4 2,8 3,4 4,5
2,1 2,5 2,9 3,7 4,8
Que significado tem em termos do enunciado os seguintes componentes: f 3 , F5 , F4 − F2 , fr2
e Fr3 .
3.-Trinta embalagens plásticas de mel foram pesadas com muita precisão. Os pesos, após
convenientemente agrupados, fornecem a seguinte distribuição de freqüências (em grs):
𝑋𝑖′ 31,5 32,5 33,5 34,5 35,5 36,5

𝑓𝑖 1 5 11 8 3 2
Segundo o enunciado, identifique e interprete o seguinte: f2, fr4, F3, Fr5, F5 – F3. Qual é a proporção
de embalagens de plástica de mel que tem pesos entre 32,5 a 34,5?
4.-Um aluno de Estatística lembra houver construído uma tabela com as seguintes características: o
menor valor observado foi 2 e o maior valor observado foi 18, sendo que a tabela tinha 8 classes,
também a marca de classe da 4 classe foi igual a 9.
Ele lembra que a 2da e 4ta classe tinha 7 e 14 observações respectivamente, e que a soma das três
ultimas classes tinha 7 observações, a sua vez, até a 3ra classe se acumulou 19 observações e que
até a 7ma classe se acumulou 49 observações, o 6% das observações correspondia à 1 ra classe,
enquanto o 20% correspondia à 5ta classe, sendo que até a 6ta classe se acumulou o 94% das
observações. Se em aquela oportunidade se trabalho com 50 observações, qual é a tabela de
freqüências original.
5.-Os dados seguintes são referentes a uma amostra de diâmetros de coração de adultos normais, em
mm (medidas em radiografias 36 x 43 cm):
120 140 138 127 139 137 125 132 123 132 126 138 124 139 127
137 122 122 139 133 144 126 140 125 142 135 145 130 135 138
123 143 130 145 121 129 139 133 125 135 145 143 129 125 128
Para os dados acima apresentados elabore uma tabela de freqüências com 10 classes. Após
identifique e interprete o seguinte: f5, F3, fr6, Fr8, F7 – F3. Observando a tabela de freqüências e
34
não os dados, encontre quantos adultos apresentaram um diâmetro de coração superior a 128,5
mm. e inferior a 138,5 mm.
6.-A Superintendência de uma grande empresa com sede em São Paulo, deseja avaliar a situação
econômica atual de seus funcionários, com vistos de criar uma política salarial, para isto, coleta a
informação econômica de 50 de eles.
407 490 650 736 1.245 2.043 2.285 3.598 4.199 5.602
435 497 656 845 1.580 2.049 2.426 3.627 4.495 5.830
437 510 660 860 1.794 2.183 2.455 3.937 4.887 5.888
441 545 708 882 1.844 2.272 2.486 4.058 5.030 5.917
476 549 734 1.185 1.929 2.278 3.358 4.159 5.387 5.936
Para os dados acima apresentados elabore uma tabela de freqüências com 15 classes. Após
identifique e interprete o seguinte: f8, F2, fr9, Fr12, F13 – F7. Observando a tabela de freqüências e
não os dados, encontre quantos funcionários apresentaram uma situação econômica superior a
1200 e inferior a 4400.
Observação: Para cada um dos problemas a seguir obter e interpretar segundo enunciado a média,
mediana, moda, Percentil 22%, Decil 8, Quartil 3, variância, desvio padrão e coeficiente de variação,
coeficiente de assimetria, coeficiente de curtose.
7. Uma empresa dedicada ao engorde de gado coletou informação dos aumentos de pesos após duas
semanas de aplicação de certa ração, os pesos são registrados em Quilogramas, os dados são
1,2 2,2 2,6 3 3,9
1,6 2,3 2,7 3,1 4,1
1,8 2,3 2,8 3,2 4,3
1,9 2,4 2,8 3,4 4,5
2,1 2,5 2,9 3,7 4,8
8. Os dados seguintes são referentes a uma amostra de diâmetros de coração de adultos normais, em
mm (medidas em radiografias 36 x 43 cm):
146 125 139 132 121 135 114 114 130 169 114 130 169 125 103
9. Uma estatística feita nas quarenta lojas de uma cidade, tendo em vista um estudo sobre o número
de funcionários no comercio, mostrou o salário líquido dos funcionários existentes em cada loja
(em centos de reais)
5 8 10 4 2 3 2 3 2 10
2 2 3 5 7 1 12 26 5 3
2 5 3 3 19 9 5 4 1 2
6 14 1 3 6 18 2 4 2 8
10. Os dados a seguir referem-se ao número de horas que 45 pacientes hospitalizados dormiram
durante a administração de um certo anestésico:
7 10 12 4 8 7 3 8 5
12 11 3 8 4 1 1 13 10
4 5 5 8 7 7 3 2 3
8 13 1 7 17 3 4 5 5
3 1 18 10 4 7 7 11 8
35
11. As crianças vacinadas com a Sabin em certo ambulatório foram registradas na tabela abaixo de
acordo com a idade.
IDADE No DE
(anos) CRIANÇAS
0 12
1 13
2 22
3 50
4 31
5 22
6 10
 160
36
CAPÍTULO 3: NÚMEROS ÍNDICES
3.1 DEFINIÇÃO
Um índice é uma medida estatística que tem a propriedade de informar as mudanças de valor que
experimenta uma variável ou magnitude em duas situações, uma das quais se propõe como
referencial. A comparação usualmente é através da divisão desses valores.
Notação:
Para elaborar um número índice temos duas situações: a situação inicial 𝑋(𝑖,0) ação será chamado de
“período base” e a situação que desejamos comparar 𝑋(𝑖,𝑡) , a qual será chamada de “período em
avaliação” ou “período atual”.
3.2 INDICE SIMPLE

Chama-se assim a aqueles índices onde as comparações se fazem frente a uma única magnitude.
Exemplo 3.1:
Desejamos comparar os preços do arroz do ano 2006 em relação ao ano 2000.
Neste caso a variável única estará definida pelos preços do arroz o período base é 2000 e o período
atual é 2006.
3.2.1 Elaboração de um número índice simple
Se X é uma magnitude simple, então 𝑋(𝑖,0) pode ser chamado de magnitude do “período base” e 𝑋(𝑖,𝑡)
pode ser chamado de magnitude do “período atual”, então o índice simples é definido:
(𝑖) 𝑋(𝑖,𝑡)
𝐼(0,𝑡) =
𝑋(𝑖,0)
Os valores que midem a variação da magnitude X (na economia) entre os dois períodos considerados
podem ser:
a) Indices de Preços
(𝑖) 𝑃(𝑖,𝑡)
𝑃(0,𝑡) =
𝑃(𝑖,0)
b) Indices de Quantidade
(𝑖) 𝑄(𝑖,𝑡)
𝑄(0,𝑡) =
𝑄(𝑖,0)
c) Indices de Valor
(𝑖) 𝑉(𝑖,𝑡) 𝑃(𝑖,𝑡) × 𝑄(𝑖,𝑡)
𝑉(0,𝑡) = =
𝑉(𝑖,0) 𝑃(𝑖,0) × 𝑄(𝑖,0)
Usualmente estes valores são expresos em porcentagens
37
Exemplo 3.2
Sejam os preços e quantidades vendidas de três produtos em certa região, no período 1974-1977
Produto 1 Produto 2 Produto 3

Ano
Preço Quantidade Preço Quantidade Preço Quantidade
1974 12 3 5 7 20 3
1975 15 4 10 9 25 4
1976 18 5 20 8 35 5
1977 24 5 30 7 45 6
Extraído de Hoffman (1998) pag. 311.
Obter os índices de preços dos três produtos considerando 1975 como período base.
Solução:
Produto 1
(1) 𝑃(1,1974) 12
𝑃(1975,1974) = = = 0,8 = 80%
𝑃(1,1975) 15
O preço em 1974 do produto 1 foi 20% inferior ao preço observado em 1975
(1) 𝑃(1,1976) 18
𝑃(1975,1976) = = = 1,2 = 120%
𝑃(1,1975) 15
O preço em 1976 do produto 1 foi 20% superior ao preço observado em 1975
(1) 𝑃(1,1977) 24
𝑃(1975,1977) = = = 1,6 = 160%
𝑃(1,1975) 15
O preço em 1977 do produto 1 foi 60% superior ao preço observado em 1975
A tabela abaixo apresenta os índices de preços para cada produto, considerando o ano de 1975 como
o ano base do estudo.
Ano Produto 1 Produto 2 Produto 3

1974 80% 50% 80%
1975 100% 100% 100%
1976 120% 200% 140%
1977 160% 300% 180%
38
3.2.2 Propriedades
Os números índices cumprem certas características que permitem ser utilizados devido a relação que
estes têm com o tempo, entre as propriedades mais conhecidos são:
a) Existencia
O índice deve se referir a um valor real e finito, isto é:
𝐼(0,𝑡) ≠ 0
b) Identidade
Se coincidir o período base e de avaliação, então:
𝐼(𝑡,𝑡) = 𝐼(0,0) = 1
c) Reversão ou Inversão
O produto de dois índices invertidos de dois períodos, cumple-se que:
𝐼(0,𝑡) × 𝐼(𝑡,0) = 1
Esto se pode entender do modo seguinte:
𝐼(0,𝑡)= 𝑋𝑡
𝑋0
0 t
𝐼(𝑡,0)=𝑋0
𝑋𝑡
Considerando o gráfico acima se estamos entre dois momentos de tempo e fazemos uma análise
comparativa entre esses dois pontos tomando-se como base um ou outro extremo, então a
multiplicação de ambos os índices é:
𝑋𝑡 𝑋0
𝐼(0,𝑡) × 𝐼(𝑡,0) = × =1
𝑋0 𝑋𝑡
Desta forma a relação de uma em relação a outra é:
1
𝐼(0,𝑡) =
𝐼(𝑡,0)
d) Circular
A propriedade circular é uma extensão da propriedade da reversibilidade ou inversão, neste
caso o tempo (ponto intermédio) é disponibilizado como link entre um tempo e outro.
𝐼(0,𝑡+1)=𝑋𝑡+1
𝑋0
t
0 t+1
𝐼(0,𝑡)= 𝑋𝑡 𝐼(𝑡,𝑡+1)=𝑋𝑡+1
𝑋0 𝑋𝑡
𝑋𝑡 𝑋𝑡+1 𝑋𝑡+1
𝐼(0,𝑡+1) = 𝐼(0,𝑡) × 𝐼(𝑡,𝑡+1) = × =
𝑋0 𝑋𝑡 𝑋0
39
e) Proporcionalidade
Se a magnitude varia em proporção (1+k), o índice varia na mesma proporção:
′
𝑋𝑡′ = 𝑋𝑡 + 𝑘 × 𝑋𝑡 então 𝐼(0,𝑡) = 𝐼(0,𝑡) + 𝑘 × 𝐼(0,𝑡)
f) Descomposição das causas
O índice de valor, pode ser descomposto por seus fatores, isto é:
𝐼𝑣𝑎𝑙𝑜𝑟 = 𝐼𝑝𝑟𝑒ç𝑜 × 𝐼𝑄𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒
g) Homogeneidade
Mudanças nas unidades não altera o índice
h) Proporcionalidade
Se todas as variáveis envolvidas no índice tiverem a mesma variação, então o índice resultante
terá a mesma variação.
3.3 ÍNDICES COMPLEXOS

Estudam as variações de um conjunto de “k” variáveis temporais. São indicadores que se elaboram a
partir de várias séries de dados, com a finalidade de estudar a variação conjunta.
Tipos:
3.3.1 ÍNDICES NÃO PONDERADOS OU ÍNDICES AGREGATIVOS SIMPLES

São os que resumem a informação ministrada por um conjunto de númerosíndices simples em um
único número índice chamado complexo. Entre elas temos:
a) Média Aritmética (Índice de Sauerbeck)

𝑛
1
𝐼𝑀 = ∑ 𝐼𝑖
𝑛
𝑖=1
b) Média Geométrica
𝑛
𝑛
𝐼𝐺 = 𝑛√𝐼1 × 𝐼2 × ⋯ × 𝐼𝑛 = √∏ 𝐼𝑖
𝑖=1
c) Média Harmonica
𝑛 1
𝐼𝐻 = =
1 1 1 𝑛 1
+ + ⋯+ ∑𝑖=1
𝐼1 𝐼2 𝐼𝑛 𝐼𝑖
d) Média Agregativa (Bradstreet)
𝑋(1,𝑡) + 𝑋(2,𝑡) + ⋯ + 𝑋(𝑛,𝑡) ∑𝑛𝑖=1 𝑋(𝑖,𝑡)

𝐼𝐴 = = 𝑛
𝑋(1,0) + 𝑋(2,0) + ⋯ + 𝑋(𝑛,0) ∑𝑖=1 𝑋(𝑖,0)
40
As três primeiras são adequadas para a comparação de qualquer tipo de unidades, a quarta o problema
se encontra nas unidades, se estamos trabalhando com preços, por exemplo, que estem expressados
em dólares e queremos comparar-las com aquelas que estão em reais ou em euros o índice é difícil de
ser interpretado.
Exemplo 3.3
Com base nos dados do exemplo 3.2, obter os índices de média Aritmética, média Geométrica, média
Harmonica e média Agregativa dos três produtos no período 1974 a 1977, considerando como base o
ano 1975.
Solução:
𝑀 80% + 50% + 80%

𝐼(1975,1974) = = 70%
3
Os preços dos três produtos tiveram uma queda de 30% em 1974 em relação aos preços de 1975.
𝐺 3
𝐼(1975,1974) = √80% × 50% × 80% = 68%
𝐻
3
𝐼(1975,1974) = = 67%
1 1 1
+ +
0,8 0,5 0,8
𝐴
12 + 5 + 20
𝐼(1975,1974) = = 74%
15 + 10 + 25
Tabela 3.1: Comparação dos Índices não ponderados dos três produtos no período 1974-1977
(1975=100%)
Indices
Ano
Aritmético Geométrico Harmonico Agregativa
1974 70% 68% 67% 74%
1975 100% 100% 100% 100%
1976 153% 150% 147% 146%
1977 213% 205% 198% 198%
41
Propiedades dos Índices Não Ponderados
a) A propriedade é satisfeita por todos os índices não ponderados
b) Os índices de média aritmética e média harmônica não satisfazem com a propriedade de

reversabilidade, enquanto os índices de média geométrica e agregativa, satisfazem a propriedade
de reversibilidade.
c) Os índices de média aritmética e harmônica não satisfazem a propriedade circular, enquanto os

índices de media geométrica e agregativa satisfazem a propriedade circular.
d) Todos os índices não ponderados não satisfazem a propriedade de critério de descomposição.
3.3.2 ÍNDICES PONDERADOS

Entende-se que um índice ponderado apresenta dentro de seu conjunto um peso que diferencia dos
outros valores, este peso, pode ser conhecido como coeficiente de ponderação, 𝑊𝑖 , gerando:
𝐼1 × 𝑊1 + 𝐼2 × 𝑊2 + ⋯ + 𝐼𝑛 × 𝑊𝑛 ∑𝑛𝑖=1 𝐼𝑖 × 𝑊𝑖
𝐼(𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜) = =
𝑊1 + 𝑊2 + ⋯ + 𝑊𝑛 ∑𝑛𝑖=1 𝑊𝑖
Dentro desta definição, temos os seguintes índices: Laspeyres, Paasche, Fisher, Marshall-Edgeworth,
Divisia.
a) ÍNDICE DE LASPEYRES
Neste caso o coeficiente de peso ou ponderação é dado por:
𝑊𝑖 = 𝑝𝑖,0 × 𝑞𝑖,0
Desta forma temos os índices a seguir:
a1) Índices de Preços de Laspeyres
𝑛 𝑝𝑖,𝑡
𝐿
∑𝑛𝑖=1 𝐼𝑖 × 𝑝𝑖,0 × 𝑞𝑖,0 ∑𝑖=1 𝑝𝑖,0 × 𝑝𝑖,0 × 𝑞𝑖,0 ∑𝑛𝑖=1 𝑝𝑖,𝑡 × 𝑞𝑖,0
𝐼(𝑝𝑟𝑒ç𝑜) = = = 𝑛
∑𝑛𝑖=1 𝑝𝑖,0 × 𝑞𝑖,0 ∑𝑛𝑖=1 𝑝𝑖,0 × 𝑞𝑖,0 ∑𝑖=1 𝑝𝑖,0 × 𝑞𝑖,0
a2) Índice de Quantidade de Laspeyres
𝑛 𝑞𝑖,𝑡
𝐿
∑𝑛𝑖=1 𝐼𝑖 × 𝑝𝑖,0 × 𝑞𝑖,0 ∑𝑖=1 𝑞𝑖,0 × 𝑝𝑖,0 × 𝑞𝑖,0 ∑𝑛𝑖=1 𝑝𝑖,0 × 𝑞𝑖,𝑡
𝐼(𝑞𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒) = = = 𝑛
∑𝑛𝑖=1 𝑝𝑖,0 × 𝑞𝑖,0 ∑𝑛𝑖=1 𝑝𝑖,0 × 𝑞𝑖,0 ∑𝑖=1 𝑝𝑖,0 × 𝑞𝑖,0
b) ÍNDICE DE PAASCHE
b1) Índice de Preços de Paasche
Para o preço o coeficiente de ponderação é dado por:
𝑊𝑖 = 𝑝𝑖,0 × 𝑞𝑖,𝑡
42
Desta forma o índice é dado por:
𝑛 𝑝𝑖,𝑡
𝑃
∑𝑛𝑖=1 𝐼𝑖 × 𝑝𝑖,0 × 𝑞𝑖,𝑡 ∑𝑖=1 𝑝𝑖,0 × 𝑝𝑖,0 × 𝑞𝑖,𝑡 ∑𝑛𝑖=1 𝑝𝑖,𝑡 × 𝑞𝑖,𝑡
𝐼(𝑝𝑟𝑒ç𝑜) = = = 𝑛
∑𝑛𝑖=1 𝑝𝑖,0 × 𝑞𝑖,𝑡 ∑𝑛𝑖=1 𝑝𝑖,0 × 𝑞𝑖,𝑡 ∑𝑖=1 𝑝𝑖,0 × 𝑞𝑖,𝑡
b2) Índice de Quantidade de Paasche
Para a quantidade o coeficiente de ponderação é dado por:
𝑊𝑖 = 𝑝𝑖,𝑡 × 𝑞𝑖,0
Desta forma o índice é dado por:
𝑛 𝑝𝑖,𝑡
𝑃
∑𝑛𝑖=1 𝐼𝑖 × 𝑝𝑖,𝑡 × 𝑞𝑖,0 ∑𝑖=1 𝑝𝑖,0 × 𝑝𝑖,𝑡 × 𝑞𝑖,0 ∑𝑛𝑖=1 𝑝𝑖,𝑡 × 𝑞𝑖,𝑡
𝐼(𝑞𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒) = = = 𝑛
∑𝑛𝑖=1 𝑝𝑖,𝑡 × 𝑞𝑖,0 ∑𝑛𝑖=1 𝑝𝑖,𝑡 × 𝑞𝑖,0 ∑𝑖=1 𝑝𝑖,𝑡 × 𝑞𝑖,0
c) ÍNDICE DE FISHER
Este índice é uma combinação dos índices de Laspeyres e Paasche e é calculado por:
𝐼 𝐹 = √𝐼 𝐿 × 𝐼 𝑃
d) ÍNDICE DE MARSHALL-EDGEWORTH
Este índice compõe um componente de ponderação que é o valor médio dos tempos (base e de
avaliação)
d1) Índice de Preço de Marshall-Edgeworth

𝑞𝑖,0 + 𝑞𝑖,𝑡
𝑊𝑖 =
2
𝑞𝑖,0 + 𝑞𝑖,𝑡
∑𝑛𝑖=1 ( ) × 𝑝𝑖,𝑡 ∑𝑛𝑖=1(𝑞𝑖,0 + 𝑞𝑖,𝑡 ) × 𝑝𝑖,𝑡
𝑀𝐸
𝐼(𝑝𝑟𝑒ç𝑜) = 2 = 𝑛
𝑞 + 𝑞𝑖,𝑡
∑𝑛𝑖=1 ( 𝑖,0 ) × 𝑝𝑖,0 ∑𝑖=1(𝑞𝑖,0 + 𝑞𝑖,𝑡 ) × 𝑝𝑖,0
2
d2) Índice de Quantidade de Marshall-Edgeworth

𝑝𝑖,0 + 𝑝𝑖,𝑡
𝑊𝑖 =
2
𝑝𝑖,0 + 𝑝𝑖,𝑡
∑𝑛𝑖=1 ( ) × 𝑞𝑖,𝑡 ∑𝑛𝑖=1(𝑝𝑖,0 + 𝑝𝑖,𝑡 ) × 𝑞𝑖,𝑡
𝑀𝐸
𝐼(𝑞𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒) = 2 = 𝑛
𝑝 + 𝑝
∑𝑛𝑖=1 ( 𝑖,0 𝑖,𝑡
) × 𝑞𝑖,0 ∑𝑖=1(𝑝𝑖,0 + 𝑝𝑖,𝑡 ) × 𝑞𝑖,0
2
43
e) ÍNDICE DE DIVISIA
Esse índice é definido como uma média geométrica ponderada dos relativos, com sistema de pesos
fixo na época base.
𝑝𝑖,0 × 𝑞𝑖,0
𝑊𝑖 =
∑𝑛𝑖=1 𝑝𝑖,0 × 𝑞𝑖,0
e1) Índice de Preço de Divisia

𝑊1 𝑊2 𝑊𝑛 𝑛 𝑊𝑖
𝐷
𝑝1,𝑡 𝑝2,𝑡 𝑝𝑛,𝑡 𝑝𝑖,𝑡
𝐼(𝑝𝑟𝑒ç𝑜) =( ) ×( ) ×⋯×( ) = ∏( )
𝑝1,0 𝑝2,0 𝑝𝑛,0 𝑝𝑖,0
𝑖=1
e2) Índice de Quantidade de Divisia

𝑊1 𝑊2 𝑊𝑛 𝑛 𝑊𝑖
𝐷
𝑞1,𝑡 𝑞2,𝑡 𝑞𝑛,𝑡 𝑞𝑖,𝑡
𝐼(𝑞𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒) =( ) ×( ) ×⋯×( ) = ∏( )
𝑞1,0 𝑞2,0 𝑞𝑛,0 𝑞𝑖,0
𝑖=1
Exemplo 3.4
Considerando os dados do exemplo 3.2, calcular os índices de preços e quantidades de Laspeyres,

Paasche, Fisher, Marshall-Edgeworth e Divisia.
Solução:
Indices de Preços
𝐿 12 × 4 + 5 × 9 + 20 × 4
𝐼(75,74) = = 69,2%
15 × 4 + 10 × 9 + 25 × 4
𝑃 12 × 3 + 5 × 7 + 20 × 3
𝐼(75,74) = = 68,9%
15 × 3 + 10 × 7 + 25 × 3
𝐹
𝐼(75,74) = √69,2% × 68,9% = 69,1%
4+3 9+7 4+3

12 × ( 2 ) + 5 × ( 2 ) + 20 × ( 2 )
𝑀
𝐼(75,74) = = 69,1%
4+3 9+7 4+3
15 × ( 2 ) + 10 × ( 2 ) + 25 × ( 2 )
Para o índice de Divisia devemos encontrar os pesos relativos, isto é:
Ano Valor1 Valor2 Valor3 Total W1 W2 W3 Total

1974 60 35 60 155 0,38709677 0,22580645 0,38709677 1
1975 100 90 100 290 0,34482759 0,31034483 0,34482759 1
1976 175 160 175 510 0,34313725 0,31372549 0,34313725 1
1977 270 210 270 750 0,36 0,28 0,36 1
44
𝐷 12 0,38709677 5 0,22580645 20 0,38709677
𝐼(75,74) =( ) ×( ) ×( ) = 71,9%
15 10 25
Em resumo apresentamos a tabela seguinte:
Indice de Preços
Ano
Laspeyres Paasche Fisher Marshall Divisia
1974 69,2% 68,9% 69,1% 69,1% 71,9%
1975 100,0% 100,0% 100,0% 100,0% 100,0%
1976 156,8% 151,8% 154,3% 154,2% 148,5%
1977 218,4% 203,4% 210,8% 210,3% 199,1%
Indices de Quantidades
𝐿 15 × 3 + 10 × 7 + 25 × 3
𝐼(75,74) = = 76,0%
15 × 4 + 10 × 9 + 25 × 4
𝑃 12 × 3 + 5 × 7 + 20 × 3
𝐼(75,74) = = 75,7%
12 × 4 + 5 × 9 + 20 × 4
𝐹
𝐼(75,74) = √76,0% × 75,7% = 75,9%
12 + 15 5 + 10 20 + 25
3×( 2 )+7×( 2 )+3×( 2 )
𝑀
𝐼(75,74) = = 75,9%
12 + 15 5 + 10 20 + 25
4×( 2 )+9×( 2 )+4×( 2 )
Se considerarmos os pesos para os índices de divisia temos:
𝐷 3 0,38709677 7 0,22580645 3 0,38709677

𝐼(75,74) =( ) ×( ) ×( ) = 75,6%
4 9 4
Em resumo apresentamos a tabela seguinte:
Indice de Quantidades
Ano
Laspeyres Paasche Fisher Marshall Divisia
1974 76,0% 75,7% 75,9% 75,9% 75,6%
1975 100,0% 100,0% 100,0% 100,0% 100,0%
1976 112,0% 108,4% 110,2% 109,8% 112,3%
1977 118,0% 109,9% 113,9% 112,4% 116,9%
45
Propriedades dos Índices Ponderados:
a) Todos os índices satisfazem o princípio da identidade
b) Os índices de Laspeyres e Paasche não satisfazem a propriedade de reversão, enquanto o índice de

Fisher, o índice de Marshall e o índice de Divisia satisfazem a propriedade de reversão.
c) Os índices de Laspeyres, Paasche, Fisher e Marshall não satisfazem o critério de circularidade,

enquanto o índice de Divisia sim satisfaze a propriedade de circularidade.
d) Os índices de Laspeyres, Paasche, Marshall e Divisia não satisfazem o critério da descomposição

das causas, enquanto o índice de Fisher satisfaze esta condição.
3.4 APLICAÇÕES DOS NÚMEROS ÍNDICES
3.4.1 Indices Relativos em Cadeia

São índices para os quais a base é sempre o período precedente, cada número índice representa uma
comparação porcentual com o período anterior.
Este tipo de índices são utieis para evidenciar comparações período a período.
𝑋𝑡
𝐼(𝑡−1),𝑡 =
𝑋𝑡−1
Onde 𝑋𝑡 pode ser preço, quantidade ou valor.
Ano Vendas (Milhões) Indices Relativos

1970 14.980 -
1971 16.433 109,7%
1972 20.194 122,9%
1973 23.015 114,0%
1974 23.621 102,6%
1975 24.009 101,6%
3.4.2 Indice de valor obtido com base nos índices relativos

Quando dispomos somente de relativos em cadeia e precisamos dos índices em um período base
particular (Índice de Valor) pode-se calcular da maneira seguinte:
1
𝐼0,(𝑡−1) = 𝐼 propriedade reversiva
(𝑡−1),0
𝐼0,(𝑡+1) = 𝐼0,𝑡 × 𝐼𝑡,(𝑡+1) propriedade circular
Exemplo:
Considerando o exemplo anterior, calcular o índice para aqueles 6 anos, usando a 1972 como ano
base.
46
Para o ano 1971, temos:
1 1
𝐼72,71 = = = 81,4%
𝐼71,72 122,9%
Para o ano 1970, temos:

𝐼(72,70)
71
70 72
𝐼(71,70) 𝐼(72,71)
Desta forma:
𝐼72,71 81,4%
𝐼72,70 = 𝐼72,71 × 𝐼71,70 = = = 74,2%
𝐼70,71 109,7%
Para o ano 1973, temos que é o mesmo 𝐼72,73 = 114%
Para o ano 1974, aplicamos a propriedade circular, da forma:
𝐼72,74 = 𝐼72,73 × 𝐼73,74 = 114% × 102,6% = 117%
Para o ano 1975, temos que:
𝐼72,75 = 𝐼72,74 × 𝐼74,75 = 117% × 101,6% = 118,9%
A partir destes resultados temos a tabela seguinte:
Indices Indice
Ano Relativos (1972=100%)
1970 - 72,20%
1971 109,7% 81,40%
1972 122,9% 100,00%
1973 114,0% 114,00%
1974 102,6% 117,00%
1975 101,6% 118,90%
3.4.3 Mudança do Periodo Base

Muitas vezes é necessário mudar a base de um número índice para um ano mais recente, de forma
que as comparações correntes possam ser mais adequadas.
Seu cálculo é definido:
𝐼𝑎,𝑡
𝐼𝑏,𝑡 =
𝐼𝑎,𝑏
Onde 𝑎 representa a base anterior e 𝑏 representa a nova base
Exemplo:
47
Considerando o exemplo anterior desejamos mudar de base para 1974.
Ano Indice (1972=100%) Indice (1974=100%)

1970 72,20% 72,2%/117% = 61,71%
1971 81,40% 81,4%/117% = 69,57%
1972 100,00% 100,0%/117% = 85,47%
1973 114,00% 114,0%/117% = 97,43%
1974 117,00% 117,0%/117% = 100,00%
1975 118,90% 118,9%/117% = 101,62%
3.4.4 Deflacionamento e Poder Aquisitivo
a) Deflator
Medir os valores em relação ao nível geral de preços. É necessário fazer a correção em termos de
inflação sempre que comparamos preços através do tempo.
Deflator é qualquer índice de preços utilizado para equiparar valores monetários de diversas épocas
ao valor monetário de uma determinada época tomada como base.
Permite eliminar as variações de preços para estabelecer qualquer comparação entre valores
monetários de modo a uniformizar a moeda.
Para deflacionar os valores de uma série basta dividi-los pelo número índice correspondente às épocas
em que eles ocorreram, tendo como referência uma determinada época da seguinte maneira:
𝑉𝑎𝑙𝑜𝑟 𝑁𝑜𝑚𝑖𝑛𝑎𝑙
𝑉𝑎𝑙𝑜𝑟 𝑅𝑒𝑎𝑙 =
𝐼𝑛𝑑𝑖𝑐𝑒
Taxa de Crescimento:
a) Taxa de Crescimento Nominal
𝑋𝑡
∆= − 1 = 𝐼0,𝑡 − 1
𝑋0
b) Taxa de Crescimento Real

𝑉𝑅𝑡
∆= −1
𝑋0
Exemplo:
Calcular a taxa de crescimento nominal e real da economia para os períodos de 1987 e 1988. PIB 87
foi de 22.950 e PIB 88 foi de 38.990. Sendo que o índice de inflação foi de 143,3551%. Calcular a Taxa
de crescimento Nominal e Real.
Solução
Então
38.990
𝐼87,88 = = 169,89%
22.950
38.990
𝑉𝑅88 = = 27.198,2
143,3551%
Desta forma a taxa de crescimento nominal está dado por:
48
𝑋𝑡
∆= − 1 = 𝐼0,𝑡 − 1 = 169,89% − 100% = 69,89%
𝑋0
A taxa de crescimento real está dada por:
𝑉𝑅𝑡 27.198,2
∆= −1 = − 1 = 118,5% − 100% = 18,5%
𝑋0 22.950
b) Poder Aquisitivo
O Poder aquisitivo é a capacidade que uma pessoa ou população tem de adquirir bens. Têm maior
poder aquisitivo aqueles que podem adquirir (mas não necessariamente adquirem) um valor maior
em bens no mesmo lapso de tempo.
A relação com os rendimentos monetários da pessoa/população é óbvia, mas a pessoa que adquire
determinado valor em bens por meios não-monetários (por exemplo, trocando estes bens por um
serviço especializado, como o de um encanador) tem tanto poder aquisitivo quanto outra que os
adquiriu com dinheiro
Tecnicamente é conhecida como o poder de um determinado volume de unidades monetárias, com

relação a uma certa época base, é o seu valor deflacionado com referência a essa época base.
1
𝑃𝐴 =
𝐼0,𝑡
Exemplo:
Consideremos o exemplo em 1999 um quilo de carne custava 8,00 reais e em 2000, 10 reais. Se nos 2
anos dispuséssemos da mesma quantia de 250 reais para comprar essa carne. Qual seria nosso poder
aquisitivo em 2000 em relação a 1999
Solução
Analisando em 1999, podiasse comprar:

250
= 31,25 𝐾𝑔
8
Analisando em 2000, podiasse comprar:
250
= 25,00 𝐾𝑔
10
Comparando ambos raciocionios, temos:
31,25
= 0,8
25,00
O que significaria que nosso poder de compra caiu em 20%. Agora considerando a formula
𝑋00 10
𝐼99,00 = = = 1,25
𝑋99 8
1
𝑃𝐴 = = 0,8
1,25
O que indica que nosso poder de compra caiu 20% em 2000 em relação a 1999.
49
3.5 Exercícios do Capítulo
1. Os preços ao varejo do zinco (em ctvs/libra) nos EE.UU. Durante 1978 – 1984 os quais se apresentam na
seguinte tabela:
Ano 1978 1979 1980 1981 1982 1983 1984

Preço medio do zinco ao varejo 31 37.3 37.4 44.6 38.5 41.4 48.6
a) Com 1978 como base, calcular as relações de preços correspondentes aos anos 1982 y 1984.
b) Com 1980 como base, calcular as relações de preços correspondentes aos anos dados.
2. Considere a seguinte tabela

Preço médio, $ Consumo mensal per capita
Artículo Unidades
1985 (po) 1990 (pn ) 1985 (q0) 1990(qn)
Leite Litro 100 1500 5 6,0
Pan Peça 0.5 88 1300 3.8 3,7
Ovo Dúzia 168 2500 1 1,.2
Determinar:
a) Os índices de preço simples para os três artículos em 1990, utilizando 1985 como ano base.
b) Os índices de quantidade simples para os três produtos em 1990, utilizando 1985 como ano base.
c) Os índices de valor para os três artículos em 1990, utilizando 1985 como ano base.
3. Com referência a tabela, e usando 1998 como ano base, calcular os relativos simples de preço, quantidade e
valor para: o papel tamanho carta b) os blocos de taquigrafia c) os marcadores d) os clipes
Preço médio Consumo mensal per capita
Artigo Unidades
1998 1999 1998 1999
Papel tamanho carta Milhar 26400 29500 4.5 8
Blocos para taquigrafia Peça 3700 4500 10 16
Marcadores Peça 2100 2300 8 6
Clipes Caixa 1100 1200 1 2
3. A companhia Beyer quer conhecer o valor econômico que tem as incapacidades por doenças que outorga a
sus funcionários cada trimestre. Os registros da companhia têm o número de dias de incapacidade tomados
cada trimestre junto com a estimação do custo de tales dias para a companhia. Este valor muda de um
trimestre a outro. Formule um índice de valor para Beyer com base nos dados do último trimestre. Os dados
são:
Número de días $ Custo
Trimestre
de incapacidade por día
1 198 125
2 258 112
3 178 132
4 205 122
4. A companhia Bee Wye quer um índice de valor para as geladeiras que envia a seus clientes. É apresentada a
continuação o número de geladeiras que enviou junto com o preço pagado por seus clientes, para cada mês.
Calcular um índice de valor para a companhia utilizando janeiro de 2003 como período base.
Número de refrigeradores Preço
Mês
enviados médio
Janeiro 123 358
Fevereiro 89 342
Março 111 360
Abril 120 365
Maio 114 371
Junho 110 368
50
6. Em 1996 o preço de um automóvel de segunda mão se acrescentou 8% sobre o preço de 1995. Em 1997
(devido ao alto índice de importações de autos usados) o preço foi 5% menor que o preço oferecido em
1996, pero 10% superior ao preço dado em 1998
a) Calcular as quantidades relativas para os anos 1995-1998 com base em 1995
b) Se o preço médio de um automóvel para 1997 foi de $ 5 500.00 determine o preço para 1996.
7. Considerando a tabela seguinte:

Número Índice Custos
Ano Índice I(t,t-1)
Base 1990 = 1.00 Unitários ($)
1993 0.88 1.00 0.84
1994 0.90 1.04 1.01
1995 0.89 0.98 0.99
1996 0.94 1.19 2.25
1997 0.92 1.21 2.87
1998 0.96 1.25 2.93
a) Calcular os números índices com base em 1993
b) Calcular a serie de números índices com base fixa em 1994
c) Calcular os custos unitários médios de produção a reais constantes em 1994
8. Com a seguinte informação sobre os índices de preços para o período 1994-1998

Ano 1994 1995 1996 1997 1998
I(1993,t) 1.18 1.19 1.14
I(1996,t) 1.00 1.22 1.25
a) Obter a serie completa de índices com bases em 1993
b) Calcule os índices I(97,95), I(95,98)
c) Calcule e interprete o valor do poder aquisitivo dos índices obtidos em (b)
9. Dada as estatísticas de preços do quilo de quatro frutas, obter os índices simples considerando o ano base
os preços de 1992.
Ano Laranja Banana Quiui Manga
1992 100 200 500 400
1993 150 250 600 500
1994 200 300 700 600
10. Considerando os seguintes preços (p) e quantidades (q) dos produtos A e B para os anos 1991 y 1992
PRODUTO A PRODUTO B
p q p q
1991 5 6 4 3
1992 6 7 6 4
Obter o valor dos índices de quantidades e preços de Laspeyres e de Paasche para os anos 1991 y 1992 com base
1991.
11. A tabela 1 seguinte coleta os preços (p) e quantidades (q) dos artículos A, B y C
TABELA 1
Anos A B C
p q P Q p q
1984 1 2 1 3 2 2
1985 2 3 3 3 4 5
1986 4 4 4 5 5 6
51
Esta tabela 1 supõe a base para a obtenção do índice necessário para deflactar a serie da tabela 2 que
representa o consumo de uma determinada comunidade. Obter a serie da tabela 2 em reais constantes de
1984.
TABELA 2
Anos Milhões de reais
1984 46500
1985 50000
1986 55000
12. A tabela seguinte apresenta as rendas recebidas anualmente por um obreiro em reais correntes para o
período 1984-1986, assim como o I.P.C. (Índice do Preço ao Consumidor), também durante esse período.
Ano Rendas I.P.C.
1984 80.000,00 100
1985 90.000,00 105
1986 100.000,00 130
Calcular una serie de rendas que permita comparar a evolução do poder aquisitivo do obreiro, em reais
constantes de 1986.
13. As rendas salariais de uma família e os correspondentes valores dos índices de preços foram:
Ano Rendas I.P.C.

1985 1.000.000 110
1986 1.200.000 115
1987 1.400.000 130
a) Transformar a serie em outra de preços constantes de 1985.
b) Em que período se obteve o maior incremento nominal salarial? Em que período se obteve o maior
incremento real?
14. Dada a seguinte estatística:
Ano Salários Correntes I.P.C. em base 1983

1987 125000 125
1988 129000 130
a) Calcular os salários reais de 1987.
b) Qual deveria houver sido o salário de 1988 para ter mantido o mesmo nível de vida que em 1987?
52
CAPÍTULO 4: Medidas de Concentração Econômica
Objetivo: Neste capítulo pretende-se estudar a maior ou menor equidade na distribuição da soma
total observada de uma magnitude econômica
4.1. DEFINIÇÃO DA CONCENTRAÇÃO ECONÔMICA

As medidas ou índices de concentração tem como objetivo fundamental quantificar o grau de
desigualdade na distribuição de uma magnitude econômica (renda, negócio, lucratividade, etc), entre
um número determinado de unidades (indivíduos, famílias, empresas, etc)
Exemplo: Uma empresa mensalmente tem uma lucratividade de R$ 80.000,00 reais, e tem 11
funcionários, distribuindo-o do modo seguinte:
Neste exemplo observa-se que os salários se encontram muito concentrados em uma só pessoa.
4.2. SITUAÇÕES EXTREMAS NA CONCENTRAÇÃO

As duas situações extremas que é possível considerar em relação a equidade na distribuição são:
a) Minima Concentração ou Máxima igualdade: Se diz assim, quando a todos os integrantes do

conjunto em estudo lhe é distribuído a mesma quantidade na divisão do total econômico.
X1 = X 2 = ⋯ = X n
Onde
X1 + X 2 + ⋯ + X n = 𝑉𝑎𝑙𝑜𝑟 𝑇𝑜𝑡𝑎𝑙 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜
b) Máxima concentração ou mínima igualdade: Se diz assim, quando um dos integrantes do

conjunto em estudo recebeu o total da distribuição e o restante dos integrantes do conjunto
em estudo não recebem nada.
X1 = X 2 = ⋯ = X n−1 = 0 𝑒 X n = 𝑉𝑎𝑙𝑜𝑟 𝑇𝑜𝑡𝑎𝑙 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜
Onde
X1 + X 2 + ⋯ + X n = 𝑉𝑎𝑙𝑜𝑟 𝑇𝑜𝑡𝑎𝑙 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜
Esta definição é importante ser feita já que na maioria dos mercados usualmente se encontram-se
entre dois extremos, a de competência perfeita (Concentração Mínima) e a de Monopólio
(Concentração Máxima).
53
As medidas de concentração pretendem medir, de forma simplificada, a proximidade de um mercado
a estes dois extremos.
Estas medidadas de concentração são importantes por duas razões necessárias:
i) Para poder comparar mercados distintos (dentro ou fora do país)
ii) Com fines regulatórios dos mercados. Quem regula os mercados deverá adotar uma medida para
decidir se um mercado é competitivo ou não. Isto é devido a defesa da competência no mercado.
4.3. FORMAS DE MEDIR A CONCENTRAÇÃO ECONÔMICA

Entre as características desejáveis de um índice de concentração, se encontram:
a) Facil de calcular;
b) Independente do tamanho do mercado;
c) Que o índice pertença ao intervalo 0 e 1, onde 0 corresponderia a um índice de competência
perfeita (Máxima igualdade) e 1 corresponderia a um índice de monopólio (Mínima Igualdade).
Entre as formas de medir a concentração econômica temos:
a) Forma Gráfica
b) Forma analítica
4.3.1. FORMA GRÁFICA

Quando é considerado a forma gráfica, são variadas as formas de representar, entre elas temos o
enfoque geográfico espacial, enfoque pela distribuição funcional e a Curva de Lorenz.
a) ENFOQUE GEOGRÁFICO ESPACIAL

Neste caso trata de se medir as diferencias das rendas entre os habitantes em diferentes
regiões. Os resultados deste tipo de estudo podem ser representados num mapa
Como exemplo temos:
Grafico 4.1.- Distribuição Mundial da Renda percapita dos países para o ano 2001
Fonte: Banco Mundial. Indicadores de desenvolvimento dos países para o ano 2001.
54
Esta forma gráfica não cumpre com a condição (c) das características desejáveis de um índice de
concentração econômica, ela produz bons critérios de comparação.
b) ENFOQUE DA DISTRIBUIÇÃO FUNCIONAL
Este enfoque procura mostrar a diferencia das rendas obtidas pelos proprietários dos fatores
produtivos segundo sua função na sociedade.
Como exemplo temos:
Distribuição Funcional da Renda Bilhões de Reais %

Remuneração dos Empregados 7,58 37%
Rendimento dos Autonomos 1,03 5%
Excedente Operacional Bruto 8,41 41%
Imposto Líquido de subsidios sobre a produção e importação 3,48 17%
PIB 2001 20,5 100%
Fonte: IBGE
Gráfico 4.2.- Distribuição Funcional da Renda para o PIB do ano de 2001
45%
40%
35%
30%
25%
20%
15%
10%
5%
0%
Remuneração Rendimento dos Excedente Imposto Liquido
dos Empregados Autonomos Operacional de subsidios
Bruto sobre a produção
e importação
c) CURVA DE LORENZ
É uma forma gráfica de monstrar a distribuição da renda numa população. Nela é relacionada
as porcentagens acumuladas da população com as porcentagens acumuladas da renda que
esta população receba. No eixo das abscissas se apresentam a população ordenada de maneira
que os percentis da renda mais baixa quedam a esquerda e os da renda mais alta ficam à
direita. O eixo das ordenadas representam as rendas.
55
Exemplo 4.1.- Uma empresa deseja avaliar a distribuição das rendas de seus diretores em 5 sucursais,
na sucursal 1, ele tem 2 diretores com renda igual a R$ 7.512,65 cada, a sucursal 2, tem 1 diretor com
um salário de R$ 15.025,30, a sucursal 3, tem 3 diretores com um salário de R$ 8.414,17 cada, a
sucursal 4, tem 2 diretores com um salário de R$ 39.065,79 cada e a sucursal 5, com 2 diretores com
um salário de R$ 24.040,48 cada. Qual é o grau de concentração desta empresa em relação aos
diretores.
Para isto devemos organizar os dados de menos a maior, desta forma temos a seguinte tabela:
Sucursal Salário dos diretores (1) Nro de Diretores (2) MSG=(1)x(2)

1 7.512,65 2 15.025,30
3 8.414,17 3 25.242,51
2 15.025,30 1 15.025,30
5 24.040,48 2 48.080,96
4 39.065,79 2 78.131,58
Total 10 181.505,65
Onde 𝑀𝑆𝐺 = (1)𝑥(2) é conhecido como Massa Salarial Global ou total de salário, em este caso total
de salário em cada sucursal para pagamento dos diretores.
Para realizar a Curva de Lorenz é preciso encontrar a Frequencia Relativa Acumulada para o número
de diretores, assim como a Frequencia Relativa Acumulada para a Massa Salarial Global, da forma
seguinte:
i) Deve-se encontrar a frequência observada de cada classe (Sucursal) para a variável número de
diretores, isto é:
𝑁𝑟𝑜 𝑑𝑒 𝐷𝑖𝑟𝑒𝑡𝑜𝑟𝑒𝑠 𝑛𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝑖

% 𝑛𝑟𝑜 𝑑𝑖𝑟𝑒𝑡𝑜𝑟𝑒𝑠 𝑛𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝑖 =
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝐷𝑖𝑟𝑒𝑡𝑜𝑟𝑒𝑠
ii) Encontrar a Frequencia relativa acumulada do número de diretores;

𝑖
𝑝𝑖 = ∑ % 𝑛𝑟𝑜 𝑑𝑖𝑟𝑒𝑡𝑜𝑟𝑒𝑠 𝑛𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝑖

𝑗=1
iii) Agora devemos encontrar a frequência observada da Massa Salarial Global em cada classe, isto
é:
𝑀𝑆𝐺 𝑛𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝑖
% 𝑀𝑆𝐺 𝑛𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝑖 =
𝑇𝑜𝑡𝑎𝑙 𝑑𝑎 𝑀𝑆𝐺
iv) Encontrar a Frequencia relativa acumulada da Massa Salarial Global (MSG);
𝑞𝑖 = ∑ % 𝑀𝑆𝐺 𝑛𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝑖
𝑗=1
v) Plotar os dados obtidos em (ii) e (iv).
56
Os resultados das ações anteriores se encontram na seguinte tabela:
Salário dos Nro de

Sucursal % 𝒑𝒊 MSG=(1)x(2) % 𝒒𝒊
diretores (1) Diretores (2)
1 7.512,65 2 20% 20% 15.025,30 8,3% 8,3%
3 8.414,17 3 30% 50% 25.242,51 13,9% 22,2%
2 15.025,30 1 10% 60% 15.025,30 8,3% 30,5%
5 24.040,48 2 20% 80% 48.080,96 26,5% 57,0%
4 39.065,79 2 20% 100% 78.131,58 43,0% 100,0%
Total 10 181.505,65
O gráfico se obtem a continuação:
Para calcular a área entre a linha de equidade (linha vermelha) e a curva de lorenz (linha azul), bastará
encontrar a área de um trapézio, este trapézio é construído entre a curva de Lorenz e o lado direito do
diagrama, neste caso em particular, será necessário a construção de 5 áreas, da seguinte forma:
i) Área do ponto 0 ao ponto 8,3%
100% + 80%
𝐴1 = ( ) × 8,3% = 7,47%
2
ii) Área do ponto 8,3% ao ponto 22,2%
80% + 50%
𝐴2 = ( ) × 13,9% = 9,04%
2
iii) Área do ponto 22,2% ao ponto 30,5%
50% + 40%
𝐴3 = ( ) × 8,3% = 3,74%
2
57
40% + 20%
𝐴4 = ( ) × 26,5% = 7,95%
2
20%
𝐴5 = ( ) × 43,0% = 4,30%
2
Desta forma teremos a área de não concentração, isto é:
Á𝑟𝑒𝑎 𝑑𝑒 𝑛ã𝑜 𝑐𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎çã𝑜 = 𝐴1 + 𝐴2 + 𝐴3 + 𝐴4 + 𝐴5 = 32,50%
Então a área de concentração pela Curva de Lorenz é igual a:
Á𝑟𝑒𝑎 𝑑𝑒 𝑐𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎çã𝑜 = 50,0% − Á𝑟𝑒𝑎 𝑑𝑒 𝑛ã𝑜 𝑐𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎çã𝑜
Á𝑟𝑒𝑎 𝑑𝑒 𝑐𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎çã𝑜 = 50,0% − 32,5% = 17,5%
Desta forma com a Curva de Lorenz é possível encontrar um índice de concentração, da seguinte
forma:
Á𝑟𝑒𝑎 𝑑𝑒 𝐶𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎çã𝑜 17,5%

Í𝑛𝑑𝑖𝑐𝑒 = = = 35%
50% 50%
4.3.2. FORMA ANALITICA

As formas analíticas, permitem entregar ao avaliador um valor que permitirá estabelecer alguma
decisão em relação a algum fenômeno econômico ou social. Entre as formas analíticas temos:
a) Indice de Gini
b) Indice de Theil
c) Outros índices de concentração
a) INDICE DE GINI
O índice de Gini é uma medida de desigualdade desenvolvida pelo estatístico italiano Corraado Gini e
publicado em 1912 com o título “Variabilità e Mutabilità”. Este índice é comumente usado para
calcular a desigualdade na renda, mas pode ser usado para qualquer tipo de distribuição.
Para encontrar este índice é necessário organizar o conjunto de dados, ordenando-o de menor a maior
quantia. Dependendo se os dados são agrupados o índice tem diferente cálculo.
Para avaliar o índice de concentração de Gini, deve-se considerar os seguintes parâmetros de leitura:
• IG inferior a 0,33 pode-se afirmar que existe escassa desigualdade;

• IG entre 0,33 e 0,67 pode-se afirmar que existe moderada desigualdade; e
• IG superior a 0,67 pode-se afirmar que existe uma alta desigualdade.
58
a1) INDICE DE GINI PARA DADOS NÃO AGRUPADOS
Da mesma forma que foi construída a Curva de Lorenz, é organizada a tabela para o índice de Gini,
desta forma o cálculo é obtida da forma seguinte:
∑𝑘−1
𝑖=1 (𝑝𝑖 − 𝑞𝑖 ) ∑𝑘−1
𝑖=1 𝑞𝑖
𝐼𝐺 = 𝑘−1 = 1 −
∑𝑖=1 𝑝𝑖 ∑𝑘−1
𝑖=1 𝑝𝑖
Sendo que 0 ≤ 𝐼𝐺 ≤ 1.
Onde k é o número de classes, 𝑝𝑖 representa a frequência relativa acumulada correspondente ao

numero de pessoas e 𝑞𝑖 representa a frequência relativa acumulada da Massa Salarial Global (MSG).
No exemplo 4.1, o índice de Gini é obtido do modo seguinte:

∑4𝑖=1 𝑞𝑖 8,3% + 22,2% + 30,5% + 57,0%
𝐼𝐺 = 1 − 4 =1− = 1 − 56,19% = 43,81%
∑𝑖=1 𝑝𝑖 20% + 30% + 10% + 20%
a2) ÍNDICE DE GINI PARA DADOS AGRUPADOS – ÍNDICE E
No caso de dados agrupados, o procedimento é similar a construção da Curva de Lorenz, onde se

incluem a marca de classe como o elemento da renda:
Classe Intervalo 𝑿′𝒊 𝒇𝒊 𝑽𝒊 = 𝑿′𝒊 𝒇𝒊 𝑭𝒊 𝑼𝒊 𝒑𝒊 𝒒𝒊

1 LI1 - LS1 𝑋1′ 𝑓1 𝑉1 = 𝑋1′ 𝑓1 𝐹1 𝑈1 𝑝1 𝑞1
2 LI2 - LS2 𝑋2′ 𝑓2 𝑉2 = 𝑋2′ 𝑓2 𝐹2 𝑈2 𝑝2 𝑞2
... ... ... ... ... ... ... ... ...
i LIi - LSi 𝑋𝑖′ 𝑓𝑖 𝑉𝑖 = 𝑋𝑖′ 𝑓𝑖 𝐹𝑖 𝑈𝑖 𝑝𝑖 𝑞𝑖
... ... ... ... ... ... ... ... ...
′ ′
n-1 LIn-1 - LSn-1 𝑋𝑛−1 𝑓𝑛−1 𝑉𝑛−1 = 𝑋𝑛−1 𝑓𝑛−1 𝐹𝑛−1 𝑈𝑛−1 𝑝𝑛−1 𝑞𝑛−1
n LIn - LSn 𝑋𝑛′ 𝑓𝑛 𝑉𝑛 = 𝑋𝑛 𝑓𝑛 ′
𝐹𝑛 𝑈𝑛 𝑝𝑛 = 100% 𝑞𝑛 = 100%
Σ𝑓𝑖 Σ𝑉𝑖
Onde:
𝑖 𝑖
𝐹𝑖 𝑈𝑖
𝐹𝑖 = ∑ 𝑓𝑖 , 𝑈𝑖 = ∑ 𝑉𝑖 , 𝑝𝑖 = 𝑒 𝑞𝑖 =
𝐹𝑛 𝑈𝑛
𝑗=1 𝑗=1
Para a obtenção do Índice E, precisaria de três colunas adicionais
𝒇𝒊 𝑽𝒊 = 𝑿′𝒊 𝒇𝒊 𝒒𝒊 𝑺𝒐𝒎𝒂𝒊 𝑷𝒓𝒐𝒑𝒊 𝑴𝒊

𝑓1 𝑉1 = 𝑋1′ 𝑓1 𝑞1 𝑆𝑜𝑚𝑎1 𝑃𝑟𝑜𝑝1 𝑀1
𝑓2 𝑉2 = 𝑋2′ 𝑓2 𝑞2 𝑆𝑜𝑚𝑎2 𝑃𝑟𝑜𝑝2 𝑀2
... ... ... ... ... ...
𝑓𝑖 𝑉𝑖 = 𝑋𝑖′ 𝑓𝑖 𝑞𝑖 𝑆𝑜𝑚𝑎𝑖 𝑃𝑟𝑜𝑝𝑖 𝑀𝑖
... ... ... ... ... ...
′
𝑓𝑛−1 𝑉𝑛−1 = 𝑋𝑛−1 𝑓𝑛−1 𝑞𝑛−1 𝑆𝑜𝑚𝑎𝑛−1 𝑃𝑟𝑜𝑝𝑛−1 𝑀𝑛−1
𝑓𝑛 𝑉𝑛 = 𝑋𝑛′ 𝑓𝑛 𝑞𝑛 = 100% 𝑆𝑜𝑚𝑎𝑛 𝑃𝑟𝑜𝑝𝑛 𝑀𝑛
Σ𝑓𝑖 Σ𝑉𝑖
Onde:
𝑆𝑜𝑚𝑎𝑖 : representa a soma dos primeiros números naturais de cada classe;
𝑃𝑟𝑜𝑝𝑖 : representa a porcentagem da massa salarial global (MSG) por individuo;
𝑀𝑖 : representa o porcentual da massa salarial global em cada classe.
59
Seus cálculos são obtidos a partir das expressões seguintes:
𝑓𝑖 × (𝑓𝑖 + 1) 1 𝑉𝑖
𝑆𝑜𝑚𝑎𝑖 = , 𝑃𝑟𝑜𝑝𝑖 = × 𝑒 𝑀𝑖 = (𝑓𝑖 × 𝑞𝑖−1 + 𝑃𝑟𝑜𝑝𝑖 × 𝑆𝑜𝑚𝑎𝑖 ) × 100
2 𝑓𝑖 Σ𝑉𝑖
O índice estará dado por:
Σ𝑓𝑖 + 1 Σ𝑀𝑖
𝐼𝐸 = −
Σ𝑓𝑖 − 1 50 × (Σ𝑓𝑖 − 1)
Exemplo 4.2: Considere uma empresa que se dedica a venda de produtos de primeira necessidade, na
tabela abaixo se apresenta a distribuição das vendas do mês dezembro do ano anterior e o número de
funcionários que conseguem limites de vendas no mês.
Ventas em mil UM Nro Funcionários

50 a 100 30
100 a 200 25
200 a 500 40
500 a 1.000 50
1.000 a 2.000 25
2.000 a 5.000 30
Total 200
Encontre o Índice de Gini ou Índice E.
Solução:
Para esta fase repetimos os passos realizados na elaboração da Curva de Lorenz, isto é:
Ventas em mil UM X' fi X'fi Fi Ui pi qi

50 100 75 30 2.250 30 2.250 15,0% 1,1%
100 200 150 25 3.750 55 6.000 27,5% 3,0%
200 500 350 40 14.000 95 20.000 47,5% 10,0%
500 1.000 750 50 37.500 145 57.500 72,5% 28,8%
1.000 2.000 1.500 25 37.500 170 95.000 85,0% 47,5%
2.000 5.000 3.500 30 105.000 200 200.000 100,0% 100,0%
200 200.000
Para calcular os outros 3 elementos ou colunas procedemos a fazer o seguinte:
30(30 + 1) 25(25 + 1) 30(30 + 1)

𝑆𝑜𝑚𝑎1 = = 465, 𝑆𝑜𝑚𝑎2 = = 325 … 𝑆𝑜𝑚𝑎6 = = 465
2 2 2
1 2.250 1 3.750
𝑃𝑟𝑜𝑝1 = × = 0,0375%, 𝑃𝑟𝑜𝑝2 = × = 0,0750%, …
30 200.000 25 200.000
1 105.000
… 𝑃𝑟𝑜𝑝6 = × = 1,7500%
30 200.000
𝑀1 = (30 × 0 + 0,0375% × 465) × 100 = 17,4375,
𝑀2 = (25 × 1,1% + 0,0750% × 325) × 100 = 52,5000, ........
𝑀𝑛 = (30 × 47,5% + 1,75% × 465) × 100 = 2.238,75
Assim sendo teremos a seguinte tabela:
60
Ventas em mil UM X' fi X'fi Fi Ui pi qi Somai propi Mi
50 100 75 30 2.250 30 2.250 15,0% 1,1% 465 0,0375% 17,4375
100 200 150 25 3.750 55 6.000 27,5% 3,0% 325 0,0750% 52,5000
200 500 350 40 14.000 95 20.000 47,5% 10,0% 820 0,1750% 263,5000
500 1.000 750 50 37.500 145 57.500 72,5% 28,8% 1.275 0,3750% 978,1250
1.000 2.000 1.500 25 37.500 170 95.000 85,0% 47,5% 325 0,7500% 962,5000
2.000 5.000 3.500 30 105.000 200 200.000 100,0% 100,0% 465 1,7500% 2.238,7500
200 200.000 4.512,8125
Desta forma:
200 + 1 4.512,8125
𝐼𝐸 = − = 0,5565
200 − 1 50 × (200 − 1)
Vantagens e desvantagens do Índice de Gini
a) Vantagens
i) Uma das principais vantagens do coeficiente de GINI é que ele é uma medida de desigualdade
calculada por meio de uma análise de razão.
ii) Ele pode ser usado também para comparar as distribuições de renda entre diferentes setores da
população, tais como as zonas urbanas e rurais.
iii) É um índice suficientemente simples e facilmente interpretado, especialmente quando
comparações são feitas entre países. Por ser simples, ele permite também uma comparação da
desigualdade entre economias através do tempo.
b) Desvantagens
i) Uma primeira desvantagem do coeficiente de Gini é que ele mede a desigualdade de renda, mas não
a desigualdade de oportunidades. Por exemplo, alguns países podem ter uma estrutura de classes
sociais que apresentam barreiras à mobilidade ascendente, o que não se reflete em seus
coeficientes de Gini.
ii) Outro problema com esse índice é que ele pode estar medindo coisas diferentes. Por exemplo, se
dois países têm o mesmo coeficiente de Gini, mas um é pobre e o outro é rico, então no caso do
primeiro ele estaria medindo a desigualdade na qualidade de vida material, enquanto que no
segundo a distribuição do luxo além das necessidades básicas.
iii) Outra questão é que a curva de Lorenz, utilizada para o cálculo do Índice de GINI, pode subestimar
o valor real da desigualdade se as famílias mais ricas são capazes de usar a renda de forma mais
eficiente do que as famílias de baixa renda, ou vice-versa.
iv) Outra questão, é que muitas vezes apenas o coeficiente de GINI é citado sem descrever as
proporções dos quantis utilizado para sua medição
v) Por fim, O coeficiente de Gini é um ponto de estimativa da igualdade em um determinado momento,
o que ignora as mudanças que podem ocorrer no ciclo de vida dos indivíduos. Por exemplo, o
aumento na proporção de membros jovens ou velhos de uma sociedade poderá conduzir mudanças
importantes na distribuição.
61
b) ÍNDICE DE THEIL
Outro importante coeficiente de desigualdade na teoria da informação e no conceito da entropia é o

índice de Theil.
O índice de Theil se pode entender da seguinte forma, consideremos um conjunto de n rendas

{𝑥1 , 𝑥2 , … , 𝑥𝑛 } o coeficiente de desigualdade de Theil é definido como:
𝑛
1 𝑥𝑖 𝑥𝑖
𝑇 = ∑ 𝑙𝑜𝑔 ( )
𝑛 𝑥̅ 𝑥̅
𝑖=1
Onde 𝑥̅ é a renda média.
Observe que para o cálculo de T não é necessário ordenar os dados de menor a maior como foi feito
ao construir o índice de Gini. O valor de T se encontra delimitado entre 0 e log (𝑛), de modo que:
✓ Se existir uma concentração mínima (distribuições equitativas), então 𝑥𝑖 = 𝑥̅ para todo

𝑖 = 1,2, … , 𝑛, sendo assim:
𝑛
1 𝑥̅ 𝑥̅
𝑇 = ∑ 𝑙𝑜𝑔 ( ) = 0
𝑛 𝑥̅ 𝑥̅
𝑖=1
✓ Se existir uma concentração máxima, existirá um só individuo 𝑖 que recebe todos os recursos
(𝑡), enquanto para o resto não haveria recursos, sendo assim:
1𝑡 𝑡
𝑇= 𝑡 𝑙𝑜𝑔 ( 𝑡 ) = log (𝑛)
𝑛
𝑛 𝑛
Para que o índice de Theil se encontre no intervalo (0,1), pode-se definir este índice como:
𝑇
𝑇̃ =
log (𝑛)
Exemplo 4.3: Considerando o exemplo 4.1, encontrar o índice de Theil.
Os dados são os seguintes:
Sucursal Salário dos diretores Nro de Diretores

1 7.512,65 2
2 15.025,30 1
3 8.414,17 3
4 39.065,79 2
5 24.040,48 2
Total 10
Solução
62
O primeiro que tem que se fazer é encontrar a média, isto é:
Sucursal Xi fi Xi fi
1 7.512,65 2 15.025,30
2 15.025,30 1 15.025,30
3 8.414,17 3 25.242,51
4 39.065,79 2 78.131,58
5 24.040,48 2 48.080,96
Total 10 181.505,65
Desta forma a média é obtida por:
5
1 181.505,65
𝑥̅ = ∑ 𝑥𝑖′ 𝑓𝑖 = = 18.150,56
𝑛 10
𝑖=1
Logo devemos encontrar:

𝑥𝑖
i) a relação
𝑋̅
𝑥𝑖
ii) Definir 𝐴 = 𝑓𝑖 ×
𝑋̅
iii) encontrar 𝐵 = log (𝐴)
iv) Multiplicar 𝐴 × 𝐵
1
v) o total de 𝐴 × 𝐵 se deve dividir por 𝑛, isto é: 𝑇 = 𝑠𝑜𝑚𝑎(𝐴 × 𝐵)
𝑛
𝑇
vi) Por último dividir por log(n), isto é: 𝑇̃ = log (𝑛)
No exemplo teríamos:
𝑋𝑖 𝑋𝑖
Sucursal 𝑋𝑖 𝑓𝑖 𝐴 = 𝑓𝑖 ×
𝑋𝑖 × 𝑓𝑖 𝑋̅ 𝑋̅ 𝐵 = 𝑙𝑜𝑔(𝐴) 𝐴×𝐵
1 7.512,65 2 15.025,30 0,413907 0,827814 -0,08207 -0,06794
2 15.025,30 1 15.025,30 0,827814 0,827814 -0,08207 -0,06794
3 8.414,17 3 25.242,51 0,463576 1,390729 0,143242 0,199211
4 39.065,79 2 78.131,58 2,152318 4,304636 0,633936 2,728866
5 24.040,48 2 48.080,96 1,324503 2,649006 0,423083 1,120749
Total 10 181.505,65 3,912954
1
𝑇= (3,912954) = 0,3912954
10
O índice de Theil é dado por:
𝑇 0,3912954
𝑇̃ = = = 0,3912954
log (10) log (10)
63
c) RAZÕES DE CONCENTRAÇÃO CR(k)
A razão de concentração de ordem k é um índice positivo que fornece a parcela de mercado das k
maiores empresas da indústria (k = 1, 2, ..., n).
Para entender isto, consideremos a 𝑋𝑖 como a informação disponível da empresa 𝑖, que opera num
mercado ou indústria, consideremos que o mercado tem 𝑛 empresas ou indústrias, então a parcela de
mercado de cada empresa ou indústria pode ser definida por:
𝑋𝑖
𝑝𝑖 = 𝑛 == 𝑜𝑟𝑑𝑒𝑛𝑎𝑟 ==> 𝑝(1) < 𝑝(2) < ⋯ < 𝑝(𝑛)
∑𝑖=1 𝑋𝑖
Então a Razão de Concentração é dada por:

𝑘
𝐶𝑅(𝑘) = ∑ 𝑝𝑖
𝑖=1
Quanto maior o índice, maior o poder de mercado das maiores empresas. Em aplicações empíricas, e
mais comum o uso de k = 4 ou k = 8. Algumas deficiências do índice CR são:
i) Ignora a presença das 𝑛 – 𝑘 menores empresas ou indústrias. Fusões horizontais ou transferências

de mercado que ocorrem entre elas não alteram o valor do índice, se a participação de mercado da
nova empresa ou das empresas beneficiarias estiver abaixo da k-ésima posição;
ii) Não leva em conta a participação relativa de cada empresa no grupo das k maiores. Transferências
de mercado que ocorram entre elas, sem exclusão de nenhuma, não alteram o índice.
Exemplo 4.4.
Na tabela abaixo se apresentam as compras insumos de quatro indústrias que adquirem insumos de
várias empresas. Encontre as Razões de Concentração das duas e cinco maiores empresas vendedoras.
Solução:
Para isto se tem que organizar a traves da proporção do mercado que eles ocupam, isto é:
64
Para este caso não se precisa ordenar, já que está ordenado, então as Razões de Concentrações de 2
empresas estão dadas por:
𝐶𝑅𝐴 (2) = 75% indicando que as duas maiores empresas captam 75% do mercado da Industria A;
𝐶𝑅𝐵 (2) = 50% indicando que as duas maiores empresas captam 50% do mercado da Industria B;
𝐶𝑅𝐶 (2) = 32% indicando que as duas maiores empresas captam 32% do mercado da Industria C;
𝐶𝑅𝐷 (2) = 20% indicando que as duas maiores empresas captam 20% do mercado da Industria D;
Isto indicaria que para o caso de requerimentos das duas maiores empresas nas Indústrias A e B a
inclusão de mais uma empresa para abastecer suas necessidades é mais difícil que no caso das
indústrias C e D.
As Razões de Concentrações de 5 empresas estão dadas por:
𝐶𝑅𝐴 (5) = 90% indicando que as duas maiores empresas captam 90% do mercado da Industria A;
𝐶𝑅𝐵 (5) = 96% indicando que as duas maiores empresas captam 96% do mercado da Industria B;
𝐶𝑅𝐶 (5) = 69% indicando que as duas maiores empresas captam 69% do mercado da Industria C;
𝐶𝑅𝐷 (5) = 50% indicando que as duas maiores empresas captam 50% do mercado da Industria D;
Neste caso quando os requerimentos das cinco maiores empresas, indentifica-se que nas Indústrias A
e B são fornecidas quase totalmente suas necessidades por cinco empresas, enquanto só cinco
empresas não satisfazem totalmente os requerimentos das indústrias C e D.
Vantagens da Razão de Concentração:
Facilidade de cálculo e interpretação
Desvantagens da Razão de Concentração:
A eleição arbitraria de 𝑘 permite ignorar a informação toda;
Não é considerada as 𝑛 − 𝑘 empresas menores;
Existe a possibilidade de resultados contraditórios em função do k elegida.
65
d) ÍNDICE DE HIRSCHMAN-HERFINDAHL (HH)
Éste índice é chamado assim devido ao nome dos economistas Orris C. Herfindahl e Albert O.
Hirschman, é um conceito económico amplamente utilizado na aplicação das regras da defesa da
concorrência.
O Índice Herfindahl-Hirschman (HH) é uma medida da concentração do mercado e da concorrência

entre os participantes no mercado. A fórmula para calcular HH é elevar ao quadrado a participação de
cada participante e somar o resultado. Com base nesta fórmula, o número resultante varia de perto
de 1 a um máximo de 10.000.
Quando o número é próximo de 10.000, isso indica um mercado altamente concentrado e

monopolista. Por exemplo, se houvesse apenas um participante no mercado com 100% do mercado,
o quadrado desse 100% seria 10.000. Um número de HH perto de 1 indica muitos participantes de
mercado de tamanho pequeno, em um mercado muito competitivo.
A fórmula é útil pois, ao elevar ao quadrado todas as porcentagens, obtém-se maior peso para os
participantes do mercado que possuem uma grande participação do mercado.
Define-se como a soma dos quadrados das quotas de mercado das empresas que compõem o ramo
de atividade.
𝑛
1
𝐻𝐻 = ∑ 𝑝𝑖2 𝑜𝑛𝑑𝑒 <𝐻<1
𝑛
𝑖=1
Um 𝐻𝐻 abaixo de 0,01 (ou de 100) indica um mercado altamente concorrencial.
Um 𝐻𝐻 entre 0,01 e abaixo de 0,15 (ou entre 100 e 1.500) indica um sector não concentrado.
Um 𝐻𝐻 entre 0,15 e abaixo de 0,25 (ou entre 1.500 e 2.500) indica uma concentração moderada.
Um 𝐻𝐻 acima ou igual de 0,25 (acima ou igual de 2.500) indica uma elevada concentração.
Exemplo 4.5.
Considere o Exemplo 4.4. anterior e encontre o índice de Hirschman-Herfindahl.
Solução
𝐻𝐻 𝐴 = 0,402 + 0,352 + ⋯ + 0,052 = 0,2950 𝐻𝐻 𝐵 = 0,302 + 0,202 + ⋯ + 0,042 = 0,2152
66
𝐻𝐻 𝐶 = 0,172 + 0,152 + ⋯ + 0,042 = 0,1188 𝐻𝐻 𝐷 = 0,102 + 0,102 + ⋯ + 0,102 = 0,1000
Observa-se que na indústria A existe elevada concentração de empresas, na indústria B existe uma
moderada concentração de empresas, nas indústrias C e D existe uma falta de concentração de
empresas.
Vantagens do Índice de Hirschman-Herfindahl:
✓ Utiliza toda a informação proporcionada pelas cotas de mercado das n empresas do mercado;
✓ Ao ponderar ao quadrado dá mais importância as empresas maiores.
Desvantagens do Índice de Hirschman-Herfindahl:
✓ Dificuldade de obtenção da informação sobre as cotas de mercado de todas e cada uma das
empresas do mercado.
67
1. Num determinado estado, as rendas percebidas apresentam a seguinte distribuição:
Renda
No. Pessoas
(em miles de reais)
2 ⎯ 10 10.000
10 ⎯ 30 25.000
30 ⎯ 50 40.000
50 ⎯ 70 20.000
70 ⎯ 100 5.000
a) Encontre o Índice de Concentração de Gini
b) Apresente a curva de Lorenz
c) Encontre o índice de Theil.
2. Duas empresas A e B empregam a mil trabalhadores cada um, classificados em três categorias: I, II
e III. Num determinado mês as empresas contribuíram com uma massa salarial de 100 milhões de
reais cada da seguinte forma:
Encontre o índice de Gini e o índice de Theil, assim como faça a Curva de Lorenz.
3. Dada a tabela que amostra a distribuição de salários semanais de uma empresa, encontre o índice
de Theil.
4. Uma empresa está pesquisando o consumo mensal de folhas por pessoa em dois de seus
departamentos. No Departamento 1, onde trabalham 18 personas, 3 empregados consumem no
máximo 50 folhas, 10 consumem 100 folhas ou menos, 15 consumem no máximo 150 folhas e
ninguém consume mais de 200 folhas. No Departamento 2, onde trabalham 12 pessoas, 25%
consumem de 50 a 150 folhas, a metade consume de 150 a 200 folhas e os demais consumem
entre 200 e 250 folhas.
a) Estude a concentração do consumo de folhas em ambos os departamentos, em que
departamento existe mais desigualdade?
c) Encontre o índice de Theil
5. Na tabela abaixo se apresentam as rendas (em milhares de dólares) e o número de pessoas que
recebem essas rendas:
68
a) Encontre o índice de Gini
6. Na tabela abaixo se expressa a distribuição de rendas de determinada região (expresso em US$

10.000 dólares).

7. Na tabela abaixo se apresenta a distribuição de salários de uma empresa

8. Os salários dos funcionários da cadeia de produção de uma empresa se distribui segundo a

tabela abaixo:

9. Uma empresa tinha a finais do ano passado mil e seiscentos e cinquenta acionistas distribuído
da seguinte forma:
69
10. O testamento de um homem de negócios deixa 2,5 milhões de dólares para sua família,
distribuindo-se da seguinte maneira: a sua esposa deixa o dobro que seu primogênito e a este o
dobro que a cada um de seus outros dois irmãos.
a) Considerando que cada herdeiro deverá pagar um imposto proporcional de 20%. Quais serão
os índices de Gini nos dois casos: antes de pagar os impostos e depois de haver feito? Qual
das distribuições é mais equitativa?
b) Se cada herdeiro se aplica um imposto fixo de 125.000 dólares, como se veria afetado o
índice de Gini original?
11. Operadores de uma cadeia do setor turístico por suas vendas no mercado hoteleira obtém os
seguintes incentivos mensais em dólares:
a) A cadeia turística como política comercial estuda subir a todos os operadores os incentivos:
com um incremento porcentual de 10%, o bem com um aumento de 100 dólares por operador.
Qual dos dois estudos seria mais equitativo?
b) Qual é a concentração de incentivos se o número de operadores fosse o dobro?
12. Existe cinco pessoas que apresentam as seguintes rendas: US$ 500.000; US$ 700.000; US$
890.000; US$ 1.000.000 e US$ 4.300.000. Você acha que existe equidade nas rendas dessas cinco
pessoas, considere o índice de Theil para identificar esse fato.
13. Numa pequena empresa se tem as seguintes Rendas de seus trabalhadores segundo o sexo e nível
de instrução, como se apresenta na tabela abaixo, você acha que a distribuição dos salários dos
funcionários é equitativa, considere o índice de Theil.
funcionários é equitativa em relação ao sexo, considere o índice de Theil.
70
funcionários é equitativa em relação ao nível de instrução, considere o índice de Theil.
16. A continuação se apresenta a média de renda dos homens no trabalho principal, Brasil, Censo
2000. Considerando o Índice de Theil, identifique se houve equidade na distribuição de renda dos
homens no trabalho principal.
homens no trabalho principal segundo o Grupo de Idade.
71
homens no trabalho principal segundo o Grupo de Escolaridade.
19. Com a ajuda da seguinte tabela e o índice de Theil, se deseja analisar a concentração da
propriedade da superfície cultivável em certo munícipio:
20. Consideremos que na indústria automotriz, está composta por empresas que somente produzem
veículos automotores, isto é, não se considera ao ramo de autopeças, que se dedica a elaboração
de partes e acessórios. Imaginemos que o número de empresas que operam neste mercado é
reduzido, as empresas são: BMW, Chrysler, Ford Motor Company, Honda, General Motors,
Mercedes-Benz, Nissan e Volkswagen. O quadro a seguir resume a estrutura da produção de
automóveis destinada al mercado.
72
a) Encontre a Razão de Concentração para as três maiores empresas da indústria automotriz.
b) Encontre o índice de Hirschman-Herfindahl para a empresa automotriz.
21. Uma certa empresa dedicada a compra e venda na bolsa de valores, apresentou um relatório das
empresas que atuaram num mês em sua empresa, eles manifestam que fizeram dois tipos de
contratos de longa duração e de curta duração, na tabela abaixo se apresenta os resultados
econômicos das decisões das empresas:
a) Em cada situação apresente a razão de concentração das duas maiores empresas no

investimento da Bolsa de valores.
b) Qual tipo de Contrato teve maior concentração, utilize o índice de Hirschman-Herfindahl.
22. Suponha que desejamos analisar o grau de concentração do mercado “X” onde existem 6
empresas como se apresenta a continuação:
a) Encontre a razão de concentração das 4 maiores empresas.

b) Encontre o índice de Hirschman-Herfindahl.
73
23. Suponha duas indústrias A e B compostas por 5 empresas cada uma com a seguinte distribuição
de rendas por vendas:

24. Na tabela a seguir foram coletadas as vendas de um mês de 10 Empresas de produtos

agropecuários, cada empresa é identificada pelo porte da empresa (Tamanho), o tipo de registro
da empresa e a procedência da empresa (pais)


74
a) Encontre a razão de concentração das 2 maiores empresas segundo o porte da empresa.
b) Encontre o índice de Hirschman-Herfindahl, segundo o tipo da empresa.

a) Encontre a razão de concentração das 2 maiores empresas segundo o pais de procedência da

empresa.
b) Encontre o índice de Hirschman-Herfindahl, segundo o porte da empresa.

75
a) Encontre a razão de concentração das 2 maiores empresas segundo o tipo da empresa.
b) Encontre o índice de Hirschman-Herfindahl, segundo o país de procedência da empresa.
76
CAPÍTULO 5: PROBABILIDADES
Objetivo: Em este capítulo, se apresenta em forma resumida a quantificação dos processos
aleatórios e a necessidade de identificar os comportamentos clássicos.
A continuação é apresentada um conjunto de conceitos básicos da teoria de probabilidade, que

constitui a parte fundamental sobre a qual se assenta a inferência estatística. Essa seria uma
justificativa atribuída à teoria de probabilidade, mas, seu objetivo principal é modelar fenômenos ou
processos nos quais interfere o acaso, pois faz dela um instrumento imprescindível para uma
compressão dos fenômenos da natureza. Para estabelecer alguma definição de Probabilidade,
devemos entender os seguintes conceitos:
Experimento Aleatório (E)
Experimentos ou fenômenos aleatórios são aqueles que, mesmo repetidos várias vezes sob condições
semelhantes, apresentam resultados imprevisíveis. Alguns exemplos de Experimento Aleatório são
E1 = {Escolher um representante da disciplina entre os 20 alunos que freqüentam}
E2 = {Identificar o número de alunos aprovados ou reprovados na disciplina}
E3 = {Estabelecer o tempo que o aluno demora em concluir a prova da disciplina}
Espaço Amostral (S)
Seja um experimento aleatório E, define-se um espaço amostral S que representa o conjunto de todos
os possíveis resultados desse experimento. Os exemplos que correspondem ao espaço amostral que é
definido pelo experimento aleatório são:
S1 = {R1, R2, ... , R20}, onde Ri representa a qualquer possível representante.
S2 = {(0,20), (1,19), (2,18), ... , (20,0)}, onde o primeiro elemento corresponde ao número de alunos
aprovados e o segundo elemento corresponde ao número de
alunos reprovados.
S3 = {t ≥ 10 min.} onde t representa o tempo que um aluno demora em fazer uma prova da disciplina.
Evento Aleatório (A)
Um evento aleatório ou evento simples é um subconjunto qualquer do espaço amostral (S). Por
exemplo:
A1 = {R2, R10, R16}, onde Ri representa os possíveis representantes.
A2 = {(10,10), (14,6), (18,2), (20,0)}
A3 = {t1=90 min., t2=120 min., t3=80 min., t4=100 min., t5=110 min.}
77
5.1. DEFINIÇÃO DE PROBABILIDADE
5.1.1 Definição Clássica ou a priori
Dado um experimento aleatório E e S o espaço amostral, a probabilidade de um evento A é definido
por:
𝑛(𝐴)
𝑃(𝐴) =
𝑛(𝑆)
Onde, n(A) representa o número de elementos do evento A, e n(S) representa o número de elementos
do espaço amostral, este tipo de definição é conhecida como a definição clássica da probabilidade ou
a priori.
Exemplo 5.1: uma avaliação sobre o gosto de uma bolacha da empresa XXX, foi conduzida, as possíveis
pontuações para avaliar o gosto da bolacha foram 1, 2, 3, 4 e 5, se pegamos a duas pessoa
aleatoriamente e solicitamos avaliar a bolacha, qual será a probabilidade de que eles avaliaram com
uma nota média de:
a) 3,5 b) 4,5
c) que o resultado do primeiro avaliador seja maior que do segundo
Solução:
Para conseguir nosso objetivo primeiro devemos identificar o experimento aleatório, neste caso é:
E = {Avaliação de uma bolacha por dois avaliadores}
Agora temos que identificar qual é o espaço amostral, notemos que cada um dos avaliadores só podem
avaliar com os valores 1, 2, 3, 4 e 5, então o espaço amostral estará formado por:
(1,1) (1,2) (1,3) (1,4) (1,5)

(2,1) (2,2) (2,3) (2,4) (2,5)
𝑆 = (3,1) (3,2) (3,3) (3,4) (3,5)
(4,1) (4,2) (4,3) (4,4) (4,5)
[(5,1) (5,2) (5,3) (5,4) (5,5)]
(a,b), sendo “a” a nota do primeiro avaliador e “b” a nota do segundo avaliador. Desta forma
observamos 25 casos possíveis.
a) Para encontrar a probabilidade de que em média os dois avaliadores atribuam uma nota de 3,5,
devia de ocorrer o seguinte:
Definimos o evento A = {(2,5), (3,4), (4,3), (5,2)}, notemos que em todos os casos a média desses dois
números é sempre 3,5, neste caso observamos 4 casos possíveis, então a probabilidade é dada por:
𝑛(𝐴) 4
𝑃(𝐴) = = = 0,16 = 16%
𝑛(𝑆) 25
Isto quer dizer que se extraímos duas pessoas ao acaso para avaliar a bolacha em estudo, espera-se
que o 16% dos casos tenha uma avaliação média de 3,5.
78
b) Para encontrar a probabilidade de que em média os dois avaliadores atribuam uma nota de 4,5,
devia de ocorrer o seguinte:
Definimos o evento A = {(4,5), (5,4)}, notemos que em todos os casos a média desses dois números é
sempre 3,5, neste caso observamos 2 casos possíveis, então a probabilidade é dada por:
𝑛(𝐴) 2
𝑃(𝐴) = = = 0,08 = 8%
𝑛(𝑆) 25
que o 8% dos casos tenha uma avaliação média de 4,5.
c) Para encontrar a probabilidade de que a nota do primeiro avaliador seja maior ao do segundo, devia
de ocorrer o seguinte:
Definimos o evento A = {(2,1), (3,1), (3,2), (4,1), (4,2), (4,3), (5,1), (5,2), (5,3), (5,4)}, notemos que em
todos os casos a nota do primeiro avaliador sempre é superior a nota do segundo avaliador, neste caso
observamos 10 casos possíveis, então a probabilidade é dada por:
𝑛(𝐴) 10
𝑃(𝐴) = = = 0,40 = 40%
𝑛(𝑆) 25
que o 40% dos casos a nota do primeiro avaliador será maior a nota do segundo avaliador.
5.1.2 Definição Frequêntista ou a posteriori

A definição clássica não pode ser utilizada no cálculo da probabilidade de acontecimentos associados
à realização da maioria dos experimentos com interesse prático, aos quais a equiprobabilidade dos
resultados não se aplica. Por exemplo, se perguntamos qual é a probabilidade de que um paciente seja
curado após o tratamento médico, ou qual é probabilidade de que uma determinada máquina produza
artigos defeituosos. Uma forma de responder essas questões é obter alguns dados empíricos com a
intenção de estimar as probabilidades.
Suponha que seja realizado um experimento n vezes (n grande, n maior a 50) e o evento A ocorra
𝑟
exatamente r ≤ n vezes. Então, a freqüência relativa de vezes que ocorreu o evento A, ”𝑓𝑟𝐴 = 𝑛”, é a
estimação da probabilidade que ocorra o evento A, ou seja,
𝑟
𝑃(𝐴) =
𝑛
𝑟
Essa estimação da probabilidade por freqüência relativa de um evento A, 𝑛 , é próxima da verdadeira
probabilidade de ocorrência do evento A quando n tende ao infinito, isto é,
𝑟
𝑃(𝐴) = lim 𝑓𝑟𝐴 = lim
𝑛→∞ 𝑛→∞ 𝑛
É imediato verificar, de acordo com a definição frequêntista apresentada, que as probabilidades ainda
satisfazem as propriedades apresentadas anteriormente.
79
Exemplo 5.2: Consideremos o exemplo 2.3, o caso das lâmpadas, encontrar a probabilidade que uma
lâmpada tenha um tempo de vida de útil entre 2750 a 2800 horas.
Para isto consideremos a tabela de freqüências calculadas anteriormente
i Intervalo 𝑓𝑖 𝑓𝑟𝑖 𝐹𝑖 𝐹𝑟𝑖

1 2500 |- 2550 7 7% 7 7%
2 2550 |- 2600 8 8% 15 15%
3 2600 |- 2650 8 8% 23 23%
4 2650 |- 2700 12 12% 35 35%
5 2700 |- 2750 8 8% 43 43%
6 2750 |- 2800 10 10% 53 53%
7 2800 |- 2850 14 14% 67 67%
8 2850 |- 2900 9 9% 76 76%
9 2900 |- 2950 12 12% 88 88%
10 2950 |- 3000 12 12% 100 100%
Total 100 100%
Então a probabilidade estará dada por:
𝑃(2750 ≤ 𝑋 ≤ 2800) = 𝑓𝑟6 = 10%
5.1.2 Definição Axiomática

As definições anteriores são puramente empíricas ou experimentais, no entanto, após estabelecer
uma forma de se determinar a probabilidade experimentalmente, pode-se deduzir leis ou
propriedades da probabilidade em forma lógica ou computacional sob certas suposições chamadas de
axiomas da probabilidade.
A probabilidade de um evento A é definida como o número P(A), que satisfaz os seguintes axiomas:
Axioma 1. 0 ≤ 𝑃(𝐴) ≤ 1
Axioma 2. 𝑃(𝑆) = 𝑃(Ω) = 1
Axioma 3. Se A1, A2, ... , An, foram eventos mutuamente exclusivos, isto é, (AiAj =  para
todo ij), então
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵)
Lembremos que  é o conjunto vazio (que não apresenta elementos)
Teoremas:
1. Se  é o conjunto vazio, então P()=0.
80
2. Se Ac é o conjunto complemento do evento A, então P(Ac) = 1-P(A)
3. Se A  B, então P(A) ≤ P(B)
4. Se A e B são dois eventos qualquer, então:
P(AB)=P(A) + P(B) – P(AB)
Exemplo 5.3: Antes das eleições, um consultor político encarregou-se de um inquérito à opinião
pública e colheu os seguintes dados: de 400 eleitores entrevistados, 200 tencionavam
votar a favor do partido que veio a ganhar as eleições, e os outros 200 estavam decididos
a votar no partido antagônico. Depois das eleições, o governo introduziu legislação
laboral e um teto salarial indireto que eventualmente poderiam causar
descontentamento entre o eleitorado. O mesmo consultor político entrevistou de novo
as mesmas 400 pessoas, e desta vez 182 declararam que eram partidárias do governo,
enquanto 218 declararam que, se houvesse eleições naquele momento, votariam contra
o governo. Encontrar a probabilidade de estar a favor do governo depois das eleições.
Para encontrar a probabilidade é necessário construir a tabela a seguir:
Tabela 5.2.- Sondagem de Opinião
Opinião
Instante Total
Favor do Governo Em contra do Governo
Antes das Eleições 200 200 400
Depois das Eleições 182 218 400
Total 382 418 800
Como neste caso todas as possíveis ocorrências dependerão do total de entrevistados, então o espaço
amostral é de 800, e o evento estar a favor do governo depois das eleições é de 182, então:
182
𝑃(𝑒𝑠𝑡𝑎𝑟 𝑎 𝑓𝑎𝑣𝑜𝑟 𝑑𝑜 𝑔𝑜𝑣𝑒𝑟𝑛𝑜 𝑑𝑒𝑝𝑜𝑖𝑠 𝑑𝑎𝑠 𝑒𝑙𝑒𝑖çõ𝑒𝑠) = = 0,2275 = 22,75%
800
5.2. PROBABILIDADE CONDICIONAL

Sejam A e B dois eventos em um mesmo espaço amostral S. A probabilidade condicional de A dado
que ocorreu o evento B, é denotado por P(A|B); e é definido como:
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) = , 𝑠𝑒𝑛𝑑𝑜 𝑃(𝐵) > 0
𝑃(𝐵)
Pode-se constatar que P(A|B), assim definida, satisfaz os axiomas da probabilidade já mencionados.
Isto é:
Teorema: Se B é um evento em -, tal que, P(B) > 0 então:
1. P(|B) = 0
2. Se A  S, então
81
𝑃(𝐴𝑐 |𝐵) = 1 − 𝑃(𝐴|𝐵)
3. Se A e C são eventos que se encontrem em S, tal que, A  C, então
𝑃(𝐴|𝐵) < 𝑃(𝐶|𝐵)
4. Se A e C são eventos que se encontrem em S, então:
𝑃(𝐴 ∪ 𝐶|𝐵) = 𝑃(𝐴|𝐵) + 𝑃(𝐶|𝐵) − 𝑃(𝐴 ∩ 𝐶|𝐵)
Exemplo 5.4: Considerando o exemplo 3.1, e definimos os eventos: A={a nota média dos dois
avaliadores é de 3,5} e B ={a nota do primeiro avaliador é maior a nota do segundo
avaliador}, encontrar a probabilidade P(A|B).
Para encontrar a solução podemos apresentar dois métodos:
Método 1: Aplicação da definição
Como A = {(2,5), (3,4), (4,3), (5,2)} então temos 4 valores, o espaço amostral para este problema tem
4
25 valores, então 𝑃(𝐴) = , como B= {(2,1), (3,1), (3,2), (4,1), (4,2), (4,3), (5,1), (5,2), (5,3), (5,4)},
25
10 2
então 𝑃(𝐵) = 25
, observamos que AB={(4,3),(5,2)}, então 𝑃(𝐴 ∩ 𝐵) = 25.
Desta forma:
2
𝑃(𝐴 ∩ 𝐵) 25 2
𝑃(𝐴|𝐵) = = = = 20%
𝑃(𝐵) 10 10
25
Método 2: Analítico
Se considerarmos a B o novo espaço amostral, então n(S=B)=10, a pergunta é quantos elementos de A

se encontram em B, n(A)=2, considerando a definição de probabilidade temos:
𝑛(𝐴) 2
𝑃(𝐴|𝐵) = = = 20%
𝑛(𝑆 = 𝐵) 10
5.3. TEOREMA DO PRODUTO

A probabilidade da ocorrência simultânea de dois eventos, A e B, do mesmo espaço amostral, é igual
ao produto da probabilidade de um deles pela probabilidade condicional do outro, dado o primeiro.
Como
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) =
𝑃(𝐵)
Então
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴|𝐵) × 𝑃(𝐵) = 𝑃(𝐵|𝐴) × 𝑃(𝐴)
82
Exemplo 5.5: Num lote de 12 peças, 4 são defeituosas, 2 peças são retiradas uma após a outra sem
reposição. Qual é a probabilidade de que ambas sejam boas?
Bom Bom
4 Def 4 Def
8 7
8 Bom 𝑃(𝐵𝑜𝑚1 ) = 7 Bom 𝑃(𝐵𝑜𝑚2 |𝐵𝑜𝑚1 ) =
12 11
Então
8 7
𝑃(𝐵𝑜𝑚1 ∩ 𝐵𝑜𝑚2 ) = 𝑃(𝐵𝑜𝑚1 ) × 𝑃(𝐵𝑜𝑚2 |𝐵𝑜𝑚1 ) = × = 42,42%
12 11
Isto quer dizer que existe um 42,42% de possibilidade de extrair dois peças boas num lote de 12 peças
com 4 peças defeituosas, quando é extraído sem reposição.
5.4. INDEPENDÊNCIA DE EVENTOS

Um evento A é considerado independente de um outro evento B, se a probabilidade de A é igual a
probabilidade condicional de A dado B, isto é:
𝑃(𝐴) = 𝑃(𝐴|𝐵)
Uma outra forma poderia ser avaliada como:
𝑃(𝐵) = 𝑃(𝐵|𝐴)
A forma mais usual é:
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) × 𝑃(𝐵)
Exemplo 5.6: Considerando o exemplo 3.5, e assumindo que é possível restituir a bola extraída,
encontrar a probabilidade de ter duas peças boas.
Bom Bom
4 Def 4 Def
8 8
8 Bom 𝑃(𝐵𝑜𝑚1 ) = 8 Bom 𝑃(𝐵𝑜𝑚2 |𝐵𝑜𝑚1 ) =
12 12
Notemos que extrair uma peça boa num primeiro momento não afeta o resultado no segundo
momento, isto é:
𝑃(𝐵𝑜𝑚2 |𝐵𝑜𝑚1 ) = 𝑃(𝐵𝑜𝑚2 )
Desta forma, podemos dizer que os dois eventos são independentes e podemos obter:
8 8
P(𝐵𝑜𝑚1 ∩ 𝐵𝑜𝑚2 ) = 𝑃(𝐵𝑜𝑚1 ) × 𝑃(𝐵𝑜𝑚2 ) = 12 × 12 = 44,44%
83
Isto quer dizer que existe um 44,44% de possibilidade de extrair dois peças boas num lote de 12 peças
com 4 peças defeituosas, quando é extraído com reposição
5.5. TEOREMA DE BAYES

Sejam A1, A2, A3, ... , An, n eventos mutuamente exclusivos (AiAj= para todo ij), o que indicam que
os Ai é uma partição do espaço amostral S, e que A1A2...An=S. Alem disso, seja P(Ai) a
probabilidade correspondente de cada partição, consideremos o evento B, um evento qualquer
pertencente ao espaço amostral S, tal que é conhecida as probabilidade condicionais P(B|Ai). Então
para cada valor de i, tem-se:
𝑃(𝐴𝑖 ) × 𝑃(𝐵|𝐴𝑖 )
𝑃(𝐴𝑖 |𝐵) = 𝑛
∑𝑖=1 𝑃(𝐴𝑖 ) × 𝑃(𝐵|𝐴𝑖 )
Exemplo 5.7: Num estudo onde se deseja avaliar a aversão as matemáticas, considerou-se 3 salas onde
se encontram estudantes com aversão as matemáticas (S1, S2 e S3), os estudantes para
este estudo pertencem a três raças (Branca, Preta e Parda), como se amostra na tabela
a seguir:
Salas
Raça Total
1 2 3
Pretas 3 4 3 10
Brancas 1 3 3 7
Pardas 5 2 3 10
Total 9 9 9 27
Para este estudo se escolhe uma sala e um aluno ao acaso, verificando-se que o aluno é de raça Branca.
Qual é a probabilidade de que o aluno extraído seja da sala 2?
Solução:
Existem duas formas de encontrar a solução:
1° Forma: Cálculo Formal
9
𝑃(𝑆1 ) = 𝑃(𝑆2 ) = 𝑃(𝑆3 ) =
27
1 3 3
𝑃(𝐵𝑟𝑎𝑛𝑐𝑎|𝑆1 ) = , 𝑃(𝐵𝑟𝑎𝑛𝑐𝑎|𝑆2 ) = , 𝑃(𝐵𝑟𝑎𝑛𝑐𝑎|𝑆3 ) = ,
9 9 9
𝑃(𝑆2 ) × 𝑃(𝐵𝑟𝑎𝑛𝑐𝑎|𝑆2 )
𝑃(𝑆2 |𝐵𝑟𝑎𝑛𝑐𝑎) =
𝑃(𝑆1 ) × 𝑃(𝐵𝑟𝑎𝑛𝑐𝑎|𝑆1 ) + 𝑃(𝑆2 ) × 𝑃(𝐵𝑟𝑎𝑛𝑐𝑎|𝑆2 ) + 𝑃(𝑆3 ) × 𝑃(𝐵𝑟𝑎𝑛𝑐𝑎|𝑆3 )
9 3
×
𝑃(𝑆2|𝐵𝑟𝑎𝑛𝑐𝑎) = 27 9 = 0,4285
9 1 9 3 9 3
× + × + ×
27 9 27 9 27 9
84
2° Forma: Diagrama da Arvore
Preto
3/9
1/9 9 1 1
Branca × =
27 9 27
S1 5/9
Pardo
9/27
4/9 Preto
9/27 3/9 9 3 3
Branca × =
S2 27 9 27
2/9
9/27 Pardo
3/9 Preto
S3 3/9 9 3 3
Branca × =
27 9 27
3/9 Pardo
7
𝑃(𝐵𝑟𝑎𝑛𝑐𝑎) =
27
3
27 3
𝑃(𝑆2 |𝐵𝑟𝑎𝑛𝑐𝑎) = = = 0,4285
7 7
27
85
1. Uma urna contém 5 bolas brancas, 4 vermelhas e 3 negras. Outra contém 5 brancas, 6 vermelhas
e 7 negras. Extrai-se uma bola de cada urna. Qual é a probabilidade que todas sejam da mesma
cor?
2. Um armário contém dez pares de sapatos. Quatro sapatos são selecionados ao acaso. Determine
a probabilidade de que exista pelo menos um par dentre os quatro sapatos selecionados.
3. Se A e B são eventos mutuamente excluintes, P(A)=0,5 e P(AUB)=0,6. Qual é a probabilidade de B?
4. Uma urna contém 5 bolas numeradas do 1 ao 5 dos quais as primeiras 3 bolas são de cor verde e
as restantes são de cor amarelo. Uma amostra de tamanho 2 é extraída com reposição. Se B1 é
definido como “a primeira bola é de cor verde” e B2 é definido como “a segunda bola é de cor
amarelo”.
a) Descreva o espaço amostral e apresente por extenso o evento B1B2.
b) Qual é a probabilidade de P(B1B2).
5. Uma urna A contém 4 bolas: 2 brancas, 2 pretas; uma urna B contém 5 bolas: 3 brancas e 2 pretas.
Uma bola é transferida de A para B. Uma bola é retirada de B e verificada ser branca. Qual é a
probabilidade de que a bola transferida tenha sido branca?
6. Uma urna contém 5 bolas vermelhas e 3 brancas. Uma bola é selecionada observada sua cor e
separada da urna, duas bolas da outra cor são colocadas na urna. Uma segunda bola é selecionada
da urna. Encontre a probabilidade de que a segunda bola seja de cor vermelha.
7. Três máquinas I, II e III manufaturam o 30%, 30% e 40% da produção total de um certo produto.
As máquinas produzem 4%, 3% e 2% de produtos defeituosos, respectivamente. Escolhe-se ao
acaso um produto, se testa e o resultado é que o produto é defeituoso. Qual é a probabilidade que
seja manufaturada pela máquina I?, máquina II? e máquina III?
8. Um fabricante recebe o 45% de seu material para um transistor da companhia A, o 35% da

companhia B e o restante da companhia C. Se conhece por experiência que o 1% do material da
companhia A é defeituosa, e que o 2% do material da companhia B também é defeituosa, assim
também acontece na companhia C. Num lote que contem material das três companhias há 1.000
transistores. Qual é a probabilidade que um transistor esteja defeituoso? Qual é a probabilidade
que se um transistor é defeituoso conta-se com o material da companhia B?
9. Uma companhia de petróleo deve decidir, se faz furo ou não num lugar determinado. Por
pesquisas geológicas sabe-se que existe uma probabilidade de 0,45 que uma formação tipo I esteja
embaixo de onde se deseja fazer o furo; 0,30 de probabilidade que exista uma formação do tipo II
e de 0,25 de tipo III. Estudos anteriores indicam que o petróleo se encontra com um 30% de
probabilidade se a formação é de tipo I, um 40% se a formação é de tipo II e um 20% se a formação
é de tipo III. Se não se encontrou petróleo nessa região, qual é a probabilidade que a formação
seja do tipo I?
10. Três empacotadoras foram utilizadas em uma loja de brinquedos no período de Natal. Maria, que
empacota o 40% de todos os brinquedos, esquece de tirar a etiqueta do preço do brinquedo em 1
de 50 possíveis; Joana, que empacota o 30% de todos os brinquedos, esquece de tirar a etiqueta
do preço do brinquedo uma de 10 possíveis, e Helena, que empacota o restante dos brinquedos,
esquece tirar o preço em 1 vez de 20 possíveis. Dado que um cliente reclamou da etiqueta do preço
no presente de Natal. Qual é a probabilidade que Maria cometesse o erro?
86
11. De um conjunto de fotos uma pessoa “A” escolhe 3 fotos de home e 2 de mulher. Uma outra
pessoa “B” escolhe 2 fotos de home e uma de mulher. A pessoa “A” extrai de seu grupo 2 fotos
sem ver as fotos, logo entrega essas fotos escolhidas à pessoa “B”, logo a pessoa “B” extrai uma
foto de seu novo conjunto de fotos. Qual é a probabilidade que a foto extraída por a pessoa “B”
seja a de uma mulher?
12. A Caixa “A” contém nove cartas numeradas de 1 a 9. A caixa “B” contém 5 cartas numeradas de 1
a 5. Se extrai uma caixa ao acaso e dela se extrai uma carta. Se a carta extraída foi par. Qual é a
probabilidade de que a carta seja da caixa “A”.
13. João presta vestibular em duas Universidades A e B. Ele estima que a probabilidade de aprovar o
vestibular na Universidade A é de 0,8; a probabilidade de aprovar o vestibular na Universidade B é
de 0,75; e a probabilidade que aprove em pelo menos uma de elas é de 0,95. Qual é a probabilidade
de aprovar o vestibular nas duas Universidades?
14. Um dado está viciado de forma que os números pares têm a mesma probabilidade de sair, assim
como os números ímpares, só que cada número par tem o dobro de probabilidade de sair que um
número ímpar. Calcular a probabilidade de obter um número maior que 4.
15. Numa sociedade existem 15 membros, 5 mulheres e 10 homens. A uma reunião assistiram 13
membros para eleger a um presidente. Qual é a probabilidade de que seja uma mulher a elegida?
16. Todas as noites, o Senhor Perez chega tarde a casa. A Senhora Perez como é uma ótima mulher
deixa acessa a luz de entrada a casa. A probabilidade que o Senhor Perez chegue a sua casa bêbado
é de 0,6. Se chega bêbado, existe uma probabilidade de 0,90 que ele esqueça desligar a luz da
entrada de casa, enquanto se ele chega não bêbado a probabilidade de esquecer abaixa a 0,05.
a) Qual é a probabilidade que o Senhor Perez desligue a Luz em uma noite qualquer?
b) Dado que o Senhor Perez desligo a luz numa certa noite. Qual é a probabilidade que ele chegue
bêbado?
87
CAPÍTULO 6: Variáveis Aleatórias
Objetivos: Se apresenta neste capítulo as formas funcionais das probabilidades, criando no aluno os
conceitos de esperança matemática.
6.1. DEFINIÇÃO DE VARIÁVEL ALEATÓRIA

Seja E um experimento aleatório e S um espaço amostral associado ao experimento. Uma função X,
que associe a cada elemento sS um número real X(s) é denominada variável aleatória.
s X(s)
Domínio Contra Domínio

Espaço Amostral Os Reais
S 
Exemplo 6.1: Consideremos o lançamento de duas moedas regulares, obter todos os possíveis
valores da variável aleatória número de caras obtidas a partir das duas moedas.
Solução:
E={lançamento de duas moedas regulares}
X={número de caras obtidas nas duas moedas}
Então podemos gerar a variável aleatória X que pode tomar os valores seguintes:
X=0 se não observamos nenhuma cara no experimento. Isto é (Coroa, Coroa)
X=1 se observamos uma cara no experimento. Isto é (Cara, Coroa) ou (Coroa, Cara)
X=2 se observamos duas caras no experimento. Isto é (Cara, Cara)
Desta forma X={0,1,2}
6.2. FUNÇÃO DE PROBABILIDADE

a) Variável Aleatória Discreta
Seja X uma variável aleatória discreta. A probabilidade de que a variável aleatória X assuma um valor
particular x, é a função de probabilidade de X que se representa por P(X=x) ou simplesmente P(X),
onde a propriedade principal é:
88
∑ 𝑃(𝑋𝑖 ) = 1
Exemplo 6.2: Considerando o exemplo 4.1, encontrar a probabilidade de cada variável definida
Solução:
Seja o espaço amostral S={(Coroa, Coroa), (Cara, Coroa), (Coroa, Cara), (Cara, Cara)}
Para que X=0 deve acontecer (Coroa, Coroa), desta forma a probabilidade é dado por:
𝑃(𝑋 = 0) = 𝑃(𝐶𝑜𝑟𝑜𝑎1 , 𝐶𝑜𝑟𝑜𝑎2 )
Como os eventos são independentes, então
1 1 1
𝑃(𝑋 = 0) = 𝑃(𝐶𝑜𝑟𝑜𝑎1 , 𝐶𝑜𝑟𝑜𝑎2 ) = 𝑃(𝐶𝑜𝑟𝑜𝑎1 ) × 𝑃(𝐶𝑜𝑟𝑜𝑎2 ) = × =
2 2 4
Da mesma forma
𝑃(𝑋 = 1) = 𝑃((Cara1 , Coroa 2 )(Coroa1 , Cara 2 )) = 𝑃(𝐶𝑎𝑟𝑎1 ) × 𝑃(𝐶𝑜𝑟𝑜𝑎2 ) + 𝑃(𝐶𝑜𝑟𝑜𝑎1 ) × 𝑃(𝐶𝑎𝑟𝑎2 )
Então
1 1 1 1 2
𝑃(𝑋 = 1) = × + × =
2 2 2 2 4
Por ultimo temos
1 1 1
𝑃(𝑋 = 2) = 𝑃(𝐶𝑎𝑟𝑎1 , 𝐶𝑎𝑟𝑎2 ) = 𝑃(𝐶𝑎𝑟𝑎1 ) × 𝑃(𝐶𝑎𝑟𝑎2 ) = × =
2 2 4
Resumindo numa tabela temos
X 0 1 2
P(X=x) 1 2 1
4 4 4
Exemplo 6.3: Consideremos o lançamento de dois dados, encontrar as probabilidades da variável

aleatória Z=Max(X1, X2), onde X1 representa o resultado obtido no primeiro dado e X2
representa o resultado obtido no segundo dado.
Solução:
Para obter a distribuição de probabilidades da variável aleatória Z, é conveniente construir o espaço

amostral
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)

(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
𝑆=
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
{(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)}
89
Logo a distribuição da variável aleatória Z é dada por:
Z 1 2 3 4 5 6
P(Z=z) 1 3 5 7 9 11
36 36 36 36 36 36
a) Variável Aleatória Contínua
Seja X uma variável contínua. A função de densidade de probabilidade 𝑓(𝑥) é uma função que satisfaz
as seguintes condições:
• 𝑓(𝑥) ≥ 0 para todo 𝑥 ∈ 𝔑
• ∫ℜ 𝑓(𝑥)𝑑𝑥 = 1
Alem disso, define-se que para qualquer 𝑎 < 𝑏 em ℜ:

𝑏
𝑃(𝑎 < 𝑋 < 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥

𝑎
Exemplo 6.4: Seja uma variável aleatória contínua. Com a seguinte função de densidade de
probabilidade:
2𝑥 𝑝𝑎𝑟𝑎 0 < 𝑥 < 1

𝑓(𝑥) = {
0 𝑜𝑢𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠
a) 𝑓(𝑥) é uma função de densidade?

b) Qual é o resultado de 𝑃(0,25 < 𝑋 < 0,75)
Solução
1
Para saber se 𝑓(𝑥) é uma função de densidade, deve satisfazer 𝑃(0 < 𝑥 < 1) = ∫0 𝑓(𝑥)𝑑𝑥 = 1,
então:
1 1
𝑥2 1 12 02 1
𝑃(0 < 𝑥 < 1) = ∫ 2𝑥𝑑𝑥 = 2 ∫ 𝑥 𝑑𝑥 = 2 | = 2( − ) = 2 = 1
0 0 2 2 2 2
0
Porem 𝑓(𝑥) é uma função de densidade.
Para calcular 𝑃(0,25 < 𝑋 < 0,75) o procedimento é:
0,75 0,75
𝑥 2 0,75 0,752 0,252 1
𝑃(0,25 < 𝑋 < 0,75) = ∫ 2𝑥 𝑑𝑥 = 2 ∫ 𝑥 𝑑𝑥 = 2 | = 2( − )=
0,25 0,25 2 2 2 2
0,25
90
6.3. ESPERANÇA E VARIÂNCIA DE UMA VARIÁVEL ALEATÓRIA
a) Média ou Esperança Matemática
Define-se Esperança Matemática de uma variável aleatória discreta como:
𝐸[𝑋] = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖
Para uma variável aleatória continua tem-se:

∞
𝐸[𝑋] = 𝜇 = ∫ 𝑥𝑓(𝑥)𝑑𝑥
−∞
Exemplo 6.5: Considerando o exemplo 4.3, encontrar a média da variável aleatória
Solução
Como a distribuição de Z é dado por:
Z 1 2 3 4 5 6
P(Z=z) 1 3 5 7 9 11
36 36 36 36 36 36
Então a média é definida por:
1 3 5 7 9 11 161
𝐸[𝑋] = 𝜇 = 1 × +2× +3× +4× +5× +6× = = 4,4722
36 36 36 36 36 36 36
Exemplo 6.6: Considerando o exemplo 4.4, encontre a média da distribuição de densidade de

probabilidade.
Solução
1 1
𝑥3 1 13 03 1 2
𝐸[𝑋] = ∫ 𝑥 𝑓(𝑥)𝑑𝑥 = ∫ 2𝑥 2 𝑑𝑥 = 2 | = 2 ( − ) = 2 = = 0,6666
0 0 3 3 3 3 3
0
Propriedades da Média
1. A média de uma constante é a própria constante, seja K uma constante, então:

𝐸[𝐾] = ∑ 𝐾 𝑃(𝑋𝑖 ) = 𝐾 ∑ 𝑃(𝑋𝑖 ) = 𝐾
𝑖 𝑖
2. O valor esperado da multiplicação de uma variável com uma constante, é o valor esperado da
variável vezes a constante
𝐸[𝐾𝑋] = ∑ 𝐾 𝑋𝑖 𝑃(𝑋𝑖 ) = 𝐾 ∑ 𝑋𝑖 𝑃(𝑋𝑖 ) = 𝐾 × 𝐸[𝑋]
𝑖 𝑖
3. Somando ou subtraindo duas variáveis aleatórias independentes, seu valor esperado é a soma
ou diferencia das duas variáveis aleatórias
𝐸[𝑋 ± 𝑌] = 𝐸[𝑋] ± 𝐸[𝑌]
91
4. Somando ou subtraindo uma variável aleatória a uma constante, seu valor esperado é a soma
ou diferencia da variável aleatória com a constante
𝐸[𝑋 ± 𝐾] = 𝐸[𝑋] ± 𝐾
5. A esperança de uma variável aleatória centrada é sempre igual a zero
𝐸[𝑋 − 𝜇] = 𝐸[𝑋] − 𝜇 = 0
b) Variância
Define-se variância de uma variável aleatória como sendo
𝑉𝑎𝑟[𝑋] = 𝜎 2 = 𝐸(𝑋 − 𝜇)2
Em forma geral se pode ter:
𝑉𝑎𝑟[𝑋] = 𝜎 2 = 𝐸[𝑋 2 ] − 𝜇2
Nesta segunda parte bastará identificar se a variável é discreta ou contínua na expressão 𝐸[𝑋 2 ],
obtendo o cálculo da variância.
Exemplo 6.7: Considerando o exemplo 4.3, temos a seguinte distribuição de probabilidades
Z 1 2 3 4 5 6
P(Z=z) 1 3 5 7 9 11
36 36 36 36 36 36
Encontrar a variância de X.
Solução
1 3 5 7 9 11 791
𝐸[𝑋 2 ] = 12 × + 22 × + 32 × + 42 × + 52 × + 62 × = = 21,9722
36 36 36 36 36 36 36
Como 𝐸[𝑋] = 𝜇 = 4,4722, então a variância é definida por:
𝑉𝑎𝑟(𝑋) = 𝐸[𝑋 2 ] − 𝜇2 = 21,9722 − (4,4722)2 = 1,9716
Exemplo 6.8: Considerando o exemplo 4.4, encontre a variância da distribuição de densidade de

probabilidade.
Solução
1 1
𝑥4 1 13 03 1 2
𝐸[𝑋 2 ] = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥 = ∫ 2𝑥 3 𝑑𝑥 = 2 | = 2 ( − ) = 2 = = 0,5
0 0 4 4 4 4 4
0
Como 𝐸[𝑋] = 𝜇 = 0,6666, então a variância é definida por:
𝑉𝑎𝑟(𝑋) = 𝐸[𝑋 2 ] − 𝜇2 = 0,5 − (0,6666)2 = 0,055644
Propriedades da Variância
1. A variância de uma constante é zero. 𝑉𝑎𝑟(𝐾) = 0
92
2. Multiplicando-se uma variável aleatória por uma constante, sua variância fica multiplicada
pelo quadrado da constante
𝑉𝑎𝑟(𝐾𝑋) = 𝐾 2 𝑉𝑎𝑟(𝑋)
3. Somando-se ou subtraindo-se uma constante a uma variável aleatória, sua variância não se
altera.
𝑉𝑎𝑟(𝑋 ± 𝐾) = 𝑉𝑎𝑟(𝑋)
4. A variância da soma ou diferencia de duas variáveis aleatórias independentes é a soma das
respectivas variâncias.
𝑉𝑎𝑟(𝑋 ± 𝑌) = 𝑉𝑎𝑟(𝑋) + 𝑉𝑎𝑟(𝑌)
6.4. PRINCIPAIS DISTRIBUIÇÕES DISCRETAS

Algumas variáveis discretas geradas mediante processos de contagem podem ser associadas a funções
de probabilidade que tenham um comportamento particular conhecido. Assim, por exemplo, quando
se estuda o número de artigos defeituosos em um lote ou quando se estuda o número de pessoas que
chegam a um estabelecimento comercial num certo período de tempo, entre outros. Nesses casos, é
possível estudar o comportamento de tais variáveis através de funções de probabilidade particulares
em cada caso. A continuação apresentamos algumas dessas distribuições discretas
a) Distribuição de Bernoulli
Há muitos experimentos que tem somente dois resultados possíveis, chamado de sucesso (Suc) e
fracasso (Frac). Logo, o espaço amostral para esse tipo de experimento é S={Suc, Frac}. Por exemplo,
ao lançar uma moeda, obtém-se somente dois resultados possíveis, cara (C) ou coroa (K). Chama-se de
sucesso ao evento de interesse. No exemplo, caso o interesse seja "cara", obtém-se um sucesso
quando no ensaio ocorre cara. Caso contrário, obtém-se um fracasso. Um experimento com essa
característica chama-se de experimento ou ensaio de Bernoulli. O sucesso pode ser considerada como
X=1 e o fracasso pode ser considerada como X=0, desta forma a função de Distribuição é definida por:
𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑥 = 0,1
𝑃(𝑋 = 𝑥) = {
0 𝑑𝑒 𝑜𝑢𝑡𝑟𝑜 𝑚𝑜𝑑𝑜
Sendo a média e a variância definida como:
𝐸(𝑋) = 𝑝
𝑉𝑎𝑟(𝑋) = 𝑝(1 − 𝑝)
Uma notação é X ~ Bernoulli(p).
b) Distribuição Binomial
Existem muitos problemas, nos quais o experimento consiste em n ensaios (ou experimentos) de
Bernoulli 1, ... , n, uma seqüência de ensaios de Bernoulli forma um processo de Bernoulli ou
experimento
93
Binomial quando satisfazer as seguintes condições:
(i) Cada ensaio tem somente dois resultados possíveis S ou F.
(ii) Os ensaios são independentes. Isto é, o resultado (sucesso ou fracasso) de qualquer ensaio é
independente do resultado de qualquer outro ensaio.
(iii) A probabilidade de sucesso, p; permanece constante de ensaio em ensaio. Logo, a probabilidade

de fracasso 1 - p também é constante.
Então podemos dizer que se consideramos a repetição de n ensaios de Bernoulli independentes todos
com a mesma probabilidade de sucesso p. A variável aleatória que conta o número total de sucessos
nos n ensaios de Bernoulli, é denominada de variável aleatória binomial com parâmetros n e p e sua
função de probabilidade é dado por:
𝑛
( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑥 = 0,1, ⋯ , 𝑛
𝑃(𝑋 = 𝑥) = { 𝑥
n!
Onde (𝑛𝑥) = , sendo a média e a variância definida como:
x!(n−x)!
𝐸(𝑋) = 𝑛𝑝
𝑉𝑎𝑟(𝑋) = 𝑛𝑝(1 − 𝑝)
Uma notação é X ~ Binomial(n,p).
Exemplo 6.9: Suponha que os nascimentos de menino e menina sejam igualmente prováveis e que o
nascimento de qualquer criança não afeta a probabilidade do sexo do próximo nascimento. Determine
a probabilidade de ter exatamente 4 meninos de 10 nascimentos.
Solução:
Notemos que o evento sucesso ocorre quando nasce um menino e fracasso quando nasce uma menina,
sendo assim a probabilidade de sucesso é de p=0,5 já que são igualmente prováveis, como são 10
nascimentos, então n=10, com isto a função de distribuição da binomial é definida por:
10
() 0,5𝑥 (1 − 0,5)10−𝑥 𝑥 = 0,1, ⋯ ,10
𝑃(𝑋 = 𝑥) = { 𝑥
Como se deseja exatamente o nascimento de 4 meninos, então:
10
𝑃(𝑋 = 4) = ( ) 0,54 (1 − 0,5)10−4 = 0,205078
4
c) Distribuição Hipergeométrica
Suponha uma população finita com N elementos, divididos em duas classes. Uma classe com M (M<N)
elementos (sucesso) e a outra com N-M elementos (fracasso). Por exemplo, no caso particular de N
94
peças produzidas, podem ser consideradas as classes: M artigos defeituosos e (N-M) artigos não
defeituosos.
Considere o seguinte experimento, uma amostra aleatória de tamanho n (n < N) sem reposição é
sorteada da população finita de N elementos. A variável aleatória é definida da seguinte forma,
X={Número de elementos com a característica de interesse (sucessos) na amostra de tamanho n}.
A variável aleatória assim definida chama-se variável aleatória Hipergeométrica e sua função de
probabilidade é:
(𝑀
𝑥
)(𝑁−𝑀
𝑛−𝑥
)
𝑥 = 0,1, ⋯ , min {𝑛, 𝑀}
𝑃(𝑋 = 𝑥) = (𝑁
𝑛
)
{ 0 𝑑𝑒 𝑜𝑢𝑡𝑟𝑜 𝑚𝑜𝑑𝑜
Sendo a média e a variância definida como:
𝑀
𝐸(𝑋) = 𝑛
𝑁
𝑀 𝑀 𝑁−𝑛
𝑉𝑎𝑟(𝑋) = 𝑛 (1 − ) ( )
𝑁 𝑁 𝑁−1
Uma notação é X ~ Hipergeométrica(N, M, n).
Exemplo 6.10: Suponha que o gerente de crédito de um estabelecimento recebe 10 pedidos de credito,
dos quais 4 têm documentação incompleta e devem ser devolvidas aos clientes.
Escolhe-se, ao acaso 5 pedidos sem reposição obter a probabilidade de devolver mais
de 3 pedidos de crédito.
Solução
Para resolver o problema observemos se o experimento é sem reposição, então podemos dizer que o
problema tem a característica da distribuição hipergeométrica com N=10, M=4, n=5, nos pedem P(X>3)
=?
Em forma geral a distribuição é definida por:
(𝑥4)(5−𝑥
6
)
𝑥 = 0,1, ⋯ , min {5,4}
𝑃(𝑋 = 𝑥) = (10
5
)
{ 0 𝑑𝑒 𝑜𝑢𝑡𝑟𝑜 𝑚𝑜𝑑𝑜
Como desejamos P(X>3)=P(X=4)+P(X=5), mas como min{5,4}=4 então
(44)(61)
𝑃(𝑋 > 3) = 𝑃(𝑋 = 4) = = 0,0238
(10
5
)
95
6.5. PRINCIPAIS DISTRIBUIÇÕES CONTÍNUAS
a) Distribuição Normal
A distribuição Normal é a mais importante de todas as probabilidades estatísticas. Muitos

comportamentos populações possuem distribuições que podem ser ajustadas a uma curva normal.
Esta distribuição apresenta a seguinte distribuição:
1 1 𝑥−𝜇 2
− ( )
𝑓(𝑥) = 𝑒 2 𝜎 −∞<𝑥 <∞
√2𝜋𝜎
Onde x é a variável aleatória,  é a média populacional, √2𝜋 é o fator de normalização e  é o desvio

padrão populacional, uma notação apropriada para este tipo de distribuição é
𝑥 ~ 𝑁(𝜇, 𝜎 2 )
Graficamente esta distribuição é
O problema deste tipo de distribuição é que a função de probabilidade depende da média e desvio
padrão em cada analise que você tenha a fazer, uma forma de eliminar esse problema e determinar
valores de probabilidade que não dependa de componentes, então uma solução é a padronização,
esta se faz do modo seguinte:
𝑥−𝜇
𝑍=
𝜎
Esta expressão mostra de quantos desvios padrão a variável x fica distante da média. Esta é uma
operação de padronização uma vez que todos os dados serão tratados ou serão comparados em
termos do número de desvios padrão e não pelo valor do desvio padrão.
E a função de distribuição é dado por:
1 1 2
𝑓(𝑧) = 𝑒 −2𝑧 −∞<𝑧 <∞
√2𝜋
Uma representação gráfica é dada por:
96
Propriedade da Simetria:
Uma distribuição é simétrica se cumpre-se o seguinte:
𝑃(𝑍 < −𝑧) = 𝑃(𝑍 > 𝑧) 𝑜𝑢 𝑃(𝑍 > −𝑧) = 𝑃(𝑍 < 𝑧)
Desta forma a distribuição normal é uma distribuição simétrica.
Uso das Tabelas da Distribuição Normal Padrão
Esta probabilidade pode ser calculada considerando tabelas (Anexo I). Consideremos o seguinte
exemplo: calcular P(Z<1,96).
Para isto, a tabela do anexo I apresenta valores probabilísticos de Z que vão de 0,00 a 3,99, estes
valores se distribuem numa tabela de dupla entrada, onde o valor de Z é desdobrado em dois
componentes nas filas temos o valor inteiro e um decimal, nas colunas encontram-se o centesimal ou
segunda casa decimal, unindo as coordenadas correspondente a fila 1,9 e coluna 6, juntos conformam
o valor de Z=1,96, o valor da interseção apresenta a probabilidade correspondente, como se apresenta
na tabela abaixo:
Neste caso P(Z<1,96)=0,9750, graficamente temos
97
Observação: Este tipo de distribuição usualmente na Inferência Estatística avalia a média populacional
(). As vezes quando não se conhece o desvio padrão de uma população () mas o
tamanho da amostra é grande (n>30), é possível usar a distribuição normal padrão.
Exemplo 6.11: Qual a probabilidade de um grão de feijão que está sendo retirado de uma população
de 1 kg ser obtido com massa entre 0.1800 a 0,2500 gramas se a média do grão é de
0,2024 g com desvio padrão de 0,0363?
Solução
Se definimos a variável X={quantidade de massa no grão de fejão}
A informação que temos =0,2024 e =0,0363
𝑃(0,18 < 𝑋 < 0,25) =?
O primeiro passo é padronizar os valores em questão, isto é, achar o número de desvios padrão contido
entre os valores e a média.
0,18 − 0,2024 𝑋 − 𝜇 0,25 − 0,2024

𝑃( < < ) = 𝑃(−0,62 < 𝑍 < 1,31)
0,0363 𝜎 0,0363
Graficamente temos
Como desejamos encontrar P(-0,62<Z<1,31), podemos usar a seguinte relação:
𝑃(−0,62 < 𝑍 < 1,31) = 𝑃(𝑍 < 1,31) − 𝑃(𝑍 < −0,62)
98
Notemos que a P(Z<1,31) é possível encontrar na tabela do anexo I, seu valor é P(Z<1,31)=0,9049, o
problema esta em encontrar a probabilidade P(Z<-0,62), já que este valor não se encontra na tabela
do anexo I, mas para seu calculo basta fazer uso da propriedade de simetria, da forma seguinte:
Notemos que mediante a propriedade da simetria temos que P(Z<-0,62)=P(Z>0,62). Agora P(Z<0,62)
se pode-se encontrar na tabela no anexo I, seu valor é P(Z<0,62)=0,7324, se queremos calcular
P(Z>0,62), temos que fazer:
𝑃(𝑍 > 0,62) = 1 − 𝑃(𝑍 < 0,62) = 1 − 0,7324 = 0,2676 = 𝑃(𝑍 < −0,62)
Então
𝑃(−0,62 < 𝑍 < 1,31) = 𝑃(𝑍 < 1,31) − 𝑃(𝑍 < −0,62) = 0,9049 − 0,2676 = 0,6373
b) Distribuição t-student
A distribuição t de student é definida para amostras pequenas (n≤30), o intuito é analisar o que esta
acontecendo com as caudas do conjunto de dados, isto é, determinar quais são os pontos mais
distantes da média ().
Definida por:
𝑥̅ − 𝜇
𝑡=
𝑆
√𝑛
Onde 𝑥̅ é a média amostral,  é a média populacional, 𝑆 é o desvio padrão amostral e 𝑛 é o tamanho

da amostra. Uma notação apropriada para este tipo de distribuição é
𝑥 ~ 𝑡(𝑛−1)
Onde (n-1) são os graus de liberdade da distribuição t de student.
Uso das Tabelas da Distribuição t-de student
99
Os valores de t dependem do nível de significação e dos graus de liberdade. A tabela t de student que
se encontra no anexo II traz o valor da área de cauda que fica a direita de t. A distribuição t de student
também é simétrica em torno da média zero, de modo que só precisamos um lado da curva.
Neste caso as probabilidades encontram-se na parte superior e os valores tabulares da distribuição t,

encontra-se no interior da tabela, para encontrar o valor tabular de uma distribuição t de student
precisa-se conhecer os graus de liberdade e a probabilidade.
Exemplo 6.12: Determine o valor de t para uma probabilidade de 90% com 8 graus de liberdade
Solução
P(T(8) < t)=0,90, uma representação gráfica é apresentada a continuação:
Observando na tabela, temos
Então o valor de T para uma probabilidade de 90% é t=1,397.
100
Observação: Este tipo de distribuição usualmente na Inferência Estatística avalia a média populacional
(), basicamente é usado quando não se conhece o desvio padrão de uma população
() e quando o tamanho da amostra é pequeno (n≤30).
c) Distribuição Qui-quadrado (𝝌𝟐 )
Esta distribuição é usada para se fazer análise da variância populacional (2). É uma distribuição de
probabilidade contínua com um único parâmetro (), que são os graus de liberdade. As funções de
distribuição de probabilidade qui-quadrado (𝝌𝟐 ) é positiva, e cada uma possui inclinação positiva
tendo uma cauda superior longa. A medida que aumenta os graus de liberdade a distribuição se
desloca para a direita e se torna mais simétrica.
Graficamente a distribuição Qui-quadrado tem a seguinte forma:
Para processos de Inferência estatística a Distribuição Qui-quadrado tem a seguinte estrutura:
(𝑛 − 1)𝑆 2
𝜒2 =
𝜎2
Uma notação apropriada para este tipo de distribuição é

2
𝑥 ~ 𝜒(𝑛−1)
Onde (n-1) são os graus de liberdade da distribuição 𝜒 2 .
Uso das Tabelas da Distribuição 𝝌𝟐
Os valores de 𝜒 2 dependem dos valores probabilísticos e dos graus de liberdade. A tabela 𝜒 2 que se
encontra no anexo III traz o valor da área de cauda que fica a direita de 𝜒 2 . Como se pode observar a
distribuição 𝜒 2 não é uma distribuição simétrica.
101
d) Distribuição F de Snedecor (𝑭)
Usamos a distribuição F para comparar variâncias que tem origem numa mesma população. Esta
comparação é feita por meio da razão entre as variâncias a qual gera um valor de F e este será
comparado com o valor de F tabelado considerando os respectivos graus de liberdade
Graficamente a distribuição F de Snedecor tem a seguinte forma:
Para processos de Inferência estatística a Distribuição F de Snedecor tem a seguinte estrutura:
𝑆12 𝜎22
𝐹= ×
𝑆22 𝜎12
Uma notação apropriada para este tipo de distribuição é
𝑥 ~ 𝐹(𝑛1 −1;𝑛2 −1)
Onde (n1-1) são os graus de liberdade do numerador e (n2-1) são os graus de liberdade do denominador
da distribuição F de Snedecor.
102
Uso das Tabelas da Distribuição F de Snedecor
As tabelas de F de Snedecor se encontram no anexo IV, V, VI, VII e VIII e estão organizadas
individualmente pelas probabilidades. Por exemplo, há uma tabela de F de Snedecor para a
probabilidade de 25%, outra para 5%, outra para 10% e assim por diante. Quando escolhemos a
probabilidade e conseqüentemente também a tabela precisamos achar o valor de F de Snedecor cujo
número será determinado no ponto, da tabela, onde os graus de liberdade do numerador (colunas) e
denominador (filas) se cruzam.
Observação: Como os valores de F só consideram alguns valores de probabilidades, isto é, p=0,10;

0,05; 0,025; 0,01 e 0,005, valores de probabilidades complementares a estes valores não
podem ser encontrados diretamente da tabela, mas de uma forma indireta, utilizando a
propriedade recíproca, os valores podem ser obtidos considerando:
1
𝐹(𝑛1 −1; 𝑛2 −1)( 1−𝛼) =
𝐹(𝑛2 −1; 𝑛1 −1)(𝛼)
6.6 Exercícios do capítulo

1. Para participar num jogo o jogador deve pagar R$ 2,00. O jogo consiste arremessar dois dados e se
a soma é pelo menos 8, o jogador poderá lançar um dado e se pagará R$ 1,00 por cada ponto que
ele faça com o dado (Exemplo: se obtém o numero 4 receberá R$ 4,00). Que quantidade de dinheiro
o jogador espera ganhar em este jogo?
2. Um atirador faz três disparos a um alvo. Em cada um dos disparos a probabilidade de acertar é de
¾. Se ele acerta uma vez, recebe R$ 12,80; se acerta dois disparos recebe R$ 32,00; se acerta três
disparos recebe R$ 64,00; e se não acerta em nenhum dos três tiros ele tem que pagar R$ 320,00.
Qual será o lucro esperado?
3. Um jogador A paga R$ 1,00 a outro jogador B e lança 3 dados. O jogador A recebe R$ 2,00 se
aparece 1; R$ 4,00 se aparece 2 um e R$ 8,00 se aparece 3 um, nos outros casos ele não recebe
nada.
a) É equitativo o jogo? Justifique sua resposta.
103
b) Se não fosse equitativo, quanto deveria receber A por fazer aparecer 3 um.
4. Um comerciante estima que as vendas diárias de certo tipo de pão especial têm a seguinte forma:
Venta diária estimada Probabilidade
4 0,5
5 0,4
6 0,1
O custo por unidade de pão é de R$ 0,25 e o preço de venda é de R$ 0,50. O pão deve ser ordenado
com um dia de antecipação e cada unidade não vendida no dia seguinte se entrega a uma instituição
beneficente ao preço de R$ 0,10 por unidade. Quantas unidades devem ordenar o comerciante
para maximizar sua utilidade esperada?
5. A demanda para certo tipo de artículo particular está caracterizada pela distribuição de
probabilidade seguinte:
𝑑2
𝑘 𝑑 = 1,2,3,4,5
𝑃(𝑑) = { 16
a) Obter o valor de k
b) Calcular a média da demanda.
c) Calcular a variância da demanda.
6. Seja X uma variável aleatória com função de densidade:
1
𝑥 0 ≤ 𝑥 ≤
2
𝑓(𝑥) =
1
5𝑥 − 2 ≤𝑥 ≤1
{ 2
Calcular
a) E(x) e
b) 𝐸(𝑥 − 4)2
7. Seja X uma variável aleatória com função de densidade definida por:
𝑥
0 ≤ 𝑥 ≤6
𝑓(𝑥) = {18
Se Y = 10 + 2X, obter a variância e a media de Y
104
8. Uma empresa que lançará ao mercado um novo produto há considerado a contratação de um seguro
para cobrir possíveis perdas em operação. Consideram que se o lançamento é um fracasso total, as
perdas serão de R$ 80.000,00; e se o lançamento do produto é somente modestamente satisfatório
as perdas serão de R$ 25.000,00. Os atuários da companhia asseguradora, baseados em pesquisa
de mercado determinaram que as probabilidades de um fracasso total e de um modestamente
satisfatório são de 0,1 e 0,5 respectivamente. Se é ignorado outras perdas associadas, que
montante deve-se cobrar como prima para sair sem ganhar nem perder?
9. Calcular P(µ - 2σ < X < µ + 2σ), onde X é uma variável aleatória com função de densidade:
6𝑥(1 − 𝑥) 0 ≤ 𝑥 ≤1
𝑓(𝑥) = {
Sendo µ = E(x) e σ = Desvio Padrão de X.
10. Como parte de um programa promocional, um fabricante de detergente oferece um primeiro

prêmio de R$ 90.000,00 e um segundo de R$ 30.000,00 para aquelas pessoas que aceitaram usar o
novo produto (distribuição gratuita) e enviaram seu nome na etiqueta. Os ganhadores serão
escolhidos ao acaso num programa de TV.
a) Qual será a esperança matemática de cada concorrente se enviaram 1.500.000 pessoas?
b) Vale a pena então gastar R$ 1,00 em um envelope para enviar uma etiqueta ao programa de TV?
105
7. Inferência Estatística
Objetivo: Apresentar as ferramentas estatísticas que permitam ao aluno identificar o tamanho da
amostra, fazer análise sobre um problema dado.
É o conjunto de técnicas e procedimentos que permitem dar ao pesquisador um grau de confiabilidade

nas afirmações que faz para a população, baseadas nos resultados das amostras. Seus objetivos
principais são planejar o processo amostral e experimental, obter inferências sobre a população,
estabelecer níveis de incertezas envolvidas nessas inferências.
De este ponto de vista se estudará o tamanho da amostra para fazer uma pesquisa, intervalos de
confiança para uma média e uma variância populacional e o teste de hipóteses.
7.1. TAMANHO DA AMOSTRA

O problema da pesquisa usualmente cai sobre quantos elementos se deve considerar na pesquisa, a
resposta depende de vários fatores, o primeiro é se a característica em estudo é discreta ou contínua,
a segunda se é conhecido a população ou não.
7.1.1. O tamanho populacional não é conhecido.

Neste caso devemos pensar se estamos trabalhando com uma variável discreta ou contínua.
Caso 1: Variável Contínua
Neste caso a estimativa do tamanho da amostra dependerá da estimativa da média amostral, então
esta estimativa é possível considerando a distribuição normal, caso que os dados não se ajustem a
normal, a média destes valores se ajusta a distribuição normal quando se considera a lei dos grandes
números, obtendo:
𝑋̅ − 𝜇
𝑍= 𝜎
√𝑛
Podemos entender que a diferencia (𝑋̅ − 𝜇) = 𝑑 é o grau de precisão do experimento, quanto menor
essa diferencia mais preciso seremos na estimativa, em compensação precisamos de mais informação
(n grande), então:
𝑍 2
𝑛 = ( ) × 𝜎2
𝑑
Observação: No caso que 𝜎 2 não seja conhecida, podemos considerar uma amostra piloto com a
finalidade de ter uma idéia da variabilidade do experimento.
Exemplo 7.1: Qual é o tamanho suficiente para estimar a media de uma população finita cujo desvio
padrão é igual a 4, com 98% de confiança e precisão de 0,5?
Solução
Como temos uma confiança de 98%, então P(Z<z)=0,99 como se apresenta na figura abaixo, então na
tabela temos que esse valor é Z=2,33, então
106
𝑍 2 2,33 2
𝑛 = ( ) × 𝜎2 = ( ) × 42 = 347,4496
𝑑 0,5
Logo, necessitamos uma amostra de 348 elementos
Caso 2: Variável Discreta
Neste caso os dados são contagem, então com a finalidade de utilizar a distribuição normal podemos
considerar a proporção como elemento de medida, em este caso os valores variam de 0 a 1 em forma
contínua, de forma que a variabilidade pode-se definir como 𝜎 2 = 𝑝(1 − 𝑝), então a distribuição é
definida por:
𝑝̂ − 𝑃
𝑍=
√𝑝(1 − 𝑝)
𝑛
Novamente podemos considerar (𝑝̂ − 𝑃) = 𝑑, como o grau de precisão do experimento, então:
𝑍 2
𝑛 = ( ) × 𝑝(1 − 𝑝)
𝑑
Lembremos que 𝑝 é a proporção de ocorrer um evento em particular, quando esta proporção não é
conhecida, deve considerar-se 𝑝 = 0,5.
Exemplo 7.2: Qual é o tamanho de amostra suficiente para estimarmos a proporção de defeituosos
fornecidos por uma máquina, com precisão de 0,02 e 95% de confiança, sabendo que
essa proporção seguramente não é superior a 0,20?
Solução
Como temos uma confiança de 95%, então P(Z<z)=0,975, então na tabela temos que esse valor é
Z=1,96, então
𝑍 2 1,96 2
𝑛 = ( ) × 𝑝(1 − 𝑝) = ( ) × 0,2 × 0,8 = 1.536,64
𝑑 0,02
Logo, necessitamos uma amostra de 1.537 elementos
107
7.1.2. O tamanho populacional é conhecido.
Neste caso como é conhecida o tamanho da população para o cálculo do tamanho da amostra, deve-
se considerar o fator de ajuste da distribuição hipergeométrica, sendo esta:
𝑁−𝑛
𝑁−1
Caso 1: Variável Contínua
Considerando a distribuição Normal para a estimação da média populacional temos:
𝑋̅ − 𝜇
𝑍=
2
√𝜎 (𝑁 − 𝑛)
𝑛 𝑁−1
Então o tamanho da amostra é definido por:
𝑍2𝜎 2𝑁
𝑛=
𝑑2 (𝑁 − 1) + 𝑍 2 𝜎 2
Exemplo 7.3: Consideremos o exemplo 5.1, e supor que o tamanho populacional é de 500 indivíduos,
desejamos a amostra necessária para estimar a média.
Solução
𝑍2𝜎 2𝑁 2,332 × 42 × 500

𝑛= = = 205,2394
𝑑 2 (𝑁 − 1) + 𝑍 2 𝜎 2 0,52 × 499 + 2,332 × 42
Logo, necessitamos uma amostra de 206 elementos
Caso 2: Variável Discreta
Considerando a distribuição normal para a estimação da proporção populacional temos:
𝑝̂ − 𝑃
𝑍=
√𝑝(1 − 𝑝) (𝑁 − 𝑛)
𝑛 𝑁−1
Novamente podemos considerar (𝑝̂ − 𝑃) = 𝑑, como o grau de precisão do experimento, então:
𝑍 2 𝑁𝑝(1 − 𝑝)
𝑛=
𝑑2 (𝑁 − 1) + 𝑍 2 𝑝(1 − 𝑝)
Lembremos que 𝑝 é a proporção de ocorrer um evento em particular, quando esta proporção não é
conhecida, deve considerar-se 𝑝 = 0,5.
Exemplo 7.4: Consideremos o exemplo 5.2, e supor que o tamanho populacional é de 1000 indivíduos,
encontrar o tamanho da amostra.
Solução
108
𝑍 2 𝑁𝑝(1 − 𝑝) 1,962 × 1000 × 0,2 × 0,8
𝑛= = = 606,0166
𝑑2 (𝑁 − 1) + 𝑍 2 𝑝(1 − 𝑝) 0,022 × 999 + 1,962 × 0,2 × 0,8
Logo, necessitamos uma amostra de 607 elementos.
7.2. INTERVALO DE CONFIANÇA

É uma forma de estimar parâmetros populacionais. Às vezes atua como teste de hipóteses. A idéia é
construir um intervalo para o parâmetro em estudo com uma confiança de (1-) de que no intervalo
se encontre o verdadeiro parâmetro. O valor de  é o nível de significância, isto é, o erro que estaremos
cometendo ao afirmarmos que, por exemplo 95% das vezes o intervalo 𝜃̂1 < 𝜃 < 𝜃̂2 contem 𝜃, para
este caso =0,05 e 𝜃 representa qualquer parâmetro.
7.2.1. Intervalos de Confiança para uma média

Se assumirmos que uma determinada variável se ajusta a uma distribuição normal, teremos o gráfico
a seguir:
Podemos ter duas considerações:
a) Quando 𝝈𝟐 é conhecido
Considerando a distribuição normal, temos:
𝑋̅ − 𝜇
𝑍= 𝜎
√𝑛
Como desejamos determinar o valor de , então temos:

𝜎
𝐼𝐶(𝜇) = 𝑋̅ ± 𝑍(1−𝛼)
2 √𝑛
Desta forma,
𝜎
𝐿𝐼𝐶(𝜇) = 𝑋̅ − 𝑍(1−𝛼)
2 √𝑛
𝜎
𝐿𝑆𝐶(𝜇) = 𝑋̅ + 𝑍(1−𝛼)
2 √𝑛
109
Onde LIC() é conhecido como o limite inferior de confiança e LSC() é conhecido como o limite
superior de confiança.
Exemplo 7.5: Considerando-se que uma amostra de 100 elementos extraída de uma população
aproximadamente normal, cujo desvio padrão é igual a 2,0 forneceu uma média
amostral de 35,6. Construir um intervalo de confiança de 95% para a média dessa
população.
Solução
No exemplo temos as seguintes informações 𝑛 = 100, 𝑋̅ = 35,6 e 𝜎 = 2,0. Como a confiança é de

95%, então 𝑍(1−0,05) = 𝑍(0,975) = 1,96, desta forma
2
2
𝐼𝐶(𝜇) = 35,6 ± 1,96 ×
√100
Então
2
𝐿𝐼𝐶(𝜇) = 35,6 − 1,96 × = 35,208
√100
2
𝐿𝑆𝐶(𝜇) = 35,6 + 1,96 × = 35,992
√100
Isto indica que se o experimento fosse feito 100 vezes 95 deles a média populacional encontra-se no
intervalo de 35,208 a 35,992.
b) Quando 𝝈𝟐 é desconhecido
Neste caso como 2 é desconhecido a distribuição apropriada para analisar a média seria a distribuição
t de student.
𝑥̅ − 𝜇
𝑡=
𝑆
√𝑛
Como desejamos determinar o valor de , então temos:
𝑆
𝐼𝐶(𝜇) = 𝑋̅ ± 𝑡(𝑛−1)
√𝑛
Desta forma,
𝑆
𝐿𝐼𝐶(𝜇) = 𝑋̅ − 𝑡(𝑛−1)
√𝑛
𝑆
𝐿𝑆𝐶(𝜇) = 𝑋̅ + 𝑡(𝑛−1)
√𝑛
110
Exemplo 7.6: Considerando-se que uma amostra de 4 elementos extraída de uma população
aproximadamente normal, forneceu uma média amostral de 8,2 e um desvio padrão de
0,40. Construir um intervalo de confiança de 99% para a média dessa população.
Solução
Como dados temos 𝑛 = 4, 𝑋̅ = 8,2 e 𝑆 = 0,4
Considerando a tabela II, temos que 𝑡(3;0,005) = 5,841, desta forma
0,4
𝐼𝐶(𝜇) = 8,2 ± 5,841 ×
√4
Desta forma,
0,4
𝐿𝐼𝐶(𝜇) = 8,2 − 5,841 × = 7,0318
√4
0,4
𝐿𝑆𝐶(𝜇) = 8,2 + 5,841 × = 9,3682
√4
Isto indica que se o experimento fosse feito 100 vezes 99 deles a média populacional encontra-se no
intervalo de 7,0318 a 9,3682.
7.2.2. Intervalos de Confiança para uma proporção

Uma freqüência relativa Amostral 𝑝̂ distribui-se segundo uma distribuição de tipo binomial, cuja média
𝑝(1−𝑝)
é o próprio parâmetro proporcional 𝑝, e cuja variância é dada por , sendo 𝑛𝑝̂ ≥ 5 e 𝑛(1 − 𝑝̂ ) ≥
𝑛
5, pode-se em geral aproximar essa distribuição pela distribuição normal, da forma seguinte
𝑝̂ − 𝑃
𝑍=
√𝑝(1 − 𝑝)
𝑛
A partir de isto podemos chegar a
𝑝̂ (1 − 𝑝̂ )
𝐼𝐶(𝜋) = 𝑝̂ ± 𝑍(1−𝛼) √
2 𝑛
Onde
111
𝑝̂ (1 − 𝑝̂ )
𝐿𝐼𝐶(𝜋) = 𝑝̂ − 𝑍(1−𝛼) √
2 𝑛
𝑝̂ (1 − 𝑝̂ )
𝐿𝑆𝐶(𝜋) = 𝑝̂ + 𝑍(1−𝛼) √
2 𝑛
Exemplo 7.7: Retirada uma amostra de 1.000 peças da produção de uma máquina, verificou-se que 35
eram defeituosas. Apresentar um intervalo de confiança ao nível de 95% para a
proporção de defeituosos fornecida por essa máquina.
Solução
35
Dados 𝑛 = 1.000, 𝑝̂ = 1000 = 0,035 e 𝑍(0,975) = 1,96, então
0,035 × 0,965
𝐼𝐶(𝜋) = 0,035 ± 1,96√
1000
Desta forma
0,035 × 0,965
𝐿𝐼𝐶(𝜋) = 0,035 − 1,96 × √ = 0,023609
1000
0,035 × 0,965
𝐿𝑆𝐶(𝜋) = 0,035 + 1,96 × √ = 0,046391
1000
Isto indica que se o experimento fosse feito 100 vezes 95 deles a proporção populacional encontra-se
no intervalo de 0,023609 a 0,046391.
7.2.2. Intervalos de Confiança para uma variância populacional

2
Como a variância esta associada a distribuição Qui-quadrado 𝜒(𝑛−1) , do modo seguinte
(𝑛 − 1)𝑆 2
𝜒2 =
𝜎2
Então
2
(𝑛 − 1)𝑆 2
𝐼𝐶(𝜎 ) =
𝜒2
112
Devemos perceber que o que estamos apresentando é um intervalo, então temos que definir o valor
de 𝜒 2 , para o Limite Inferior de Confiança e o Limite Superior de Confiança. Consideremos o gráfico da
distribuição qui-quadrado.
Desta forma os limites são
(𝑛 − 1)𝑆 2
𝐿𝐼𝐶(𝜎 2 ) =
𝜒22
(𝑛 − 1)𝑆 2
𝐿𝑆𝐶(𝜎 2 ) =
𝜒12
Exemplo 7.8: O peso de componentes eletrônicos produzidos por determinada empresa, é uma
variável aleatória que se supõe ter uma distribuição normal. Pretendendo-se estudar a
variabilidade dos pesos das referidas componentes, recolheu-se uma amostra de 11
elementos, cujos valores (em gramas) foram:
98 97 102 100 98 101 102 105 95 102 100

Encontre o intervalo de confiança para a variância populacional considerando 95% de confiança.
Solução
2 2
Como dados temos 𝑆 2 = 8, a distribuição qui-quadrado é definido como 𝜒(𝑛−1) = 𝜒10
Então 𝜒12 = 3,2470 e 𝜒22 = 20,4832, desta forma o intervalo de confiança estará dado por
10 × 8
𝐿𝐼𝐶(𝜎 2 ) = = 3,90564
20,4832
113
10 × 8
𝐿𝑆𝐶(𝜎 2 ) = = 24,63813
3,2470
Isto indica que se o experimento fosse feito 100 vezes 95 deles a variância populacional encontra-se
no intervalo de 3,90564 a 24,63813.
7.3. TESTE DE HIPÓTESES

É uma técnica estatística que permite avaliar o comportamento dos parâmetros populacionais. Os
parâmetros populacionais a estudar são  (média populacional) e 2 (variância populacional), para este
estudo vamos a supor que o comportamento dos dados é aproximadamente normal.
7.3.1. Componentes de um teste estatístico:

a) As hipóteses a considerar.
Para este caso consideramos que só existem duas hipóteses, sendo a primeira a Hipótese Nula
(Ho), aquela que terá um valor pelo menos igual a um valor sugerido e a outra a Hipótese
Alternativa (Ha) será o complementar da Hipótese Nula.
Ho:  = 0 Ho:   0 Ho:   0

Ha:   0 Ha:  < 0 Ha:  > 0
Teste de duas Teste de uma

caudas ou cauda ou
Bilateral Unilateral
Onde  corresponde ao parâmetro populacional, podendo ser  e 2. Neste caso o valor de 0 se
assume como verdadeira e se mantém em toda a expressão.
b) Nível de Significância.
Esta definição esta associada ao tipo de erro que se este cometendo, sendo os possíveis os
seguintes:
A nível amostral
Aceitar Ho Rejeitar Ho
Ho Verdade Sem Erro Erro Tipo I
A nível Populacional 1- 
Ho Falso Erro Tipo II Sem Erro
 1-
O nível de significância significa cometer o erro tipo I, isto é, Rejeitar Ho quando na realidade Ho é
verdadeira, o controle deste tipo de erro é de soma importância.
c) Teste Estatístico.
Esta fase dependerá de várias situações:
c.1. Se nosso interesse é identificar o comportamento da média populacional ().
114
* Se conhecemos 2 a distribuição a considerar é a Distribuição Normal Padrão (Z).
Para uma Hipótese 𝐻0 : 𝜇 = 𝑎 ; 𝐻0 : 𝜇 ≥ 𝑎; 𝑜𝑢 𝐻0 : 𝜇 ≤ 𝑎
𝐻0 : 𝜇 ≠ 𝑎 ; 𝐻0 : 𝜇 < 𝑎; 𝑜𝑢 𝐻0 : 𝜇 > 𝑎
A estatística de teste é
𝑋̅ − 𝜇
𝑍= ~ 𝑁(0; 1)
2
√𝜎
𝑛
** Se não conhecemos 2 a distribuição a considerar é a Distribuição t-Student (t(n-1)).
Para Hipótese 𝐻0 : 𝜇 = 𝑎 ; 𝐻0 : 𝜇 ≥ 𝑎; 𝑜𝑢 𝐻0 : 𝜇 ≤ 𝑎
𝐻0 : 𝜇 ≠ 𝑎 ; 𝐻0 : 𝜇 < 𝑎; 𝑜𝑢 𝐻0 : 𝜇 > 𝑎
𝑋̅ − 𝜇
𝑡= ~ 𝑡(𝑛−1)
2
√𝑆
𝑛
c.2. Se nosso interesse é identificar o comportamento da variância populacional (2), a distribuição

a considerar é a Distribuição Qui-Quadrado (2).
Para uma Hipótese H0 : σ2 = a ; H0 : σ2 ≥ a; ou H0 : σ2 ≤ a
𝐻𝑎 : σ2 ≠ 𝑎 ; 𝐻𝑎 : σ2 < 𝑎; 𝑜𝑢 𝐻𝑎 : σ2 > 𝑎
(𝑛 − 1)𝑆 2 2
𝜒2 = ~𝜒(𝑛−1)
𝜎2
c.3. Se nosso interesse é avaliar a diferencias das médias populacionais (1-2), primeiro deve-se
pesquisar se entre as populações existem similaridade (Homogeneidade das variâncias), para
isto usamos a distribuição de F para comparar as variâncias populacionais.
Para uma Hipótese H0 : σ12 = σ22 ; H0 : σ12 ≥ σ22 ; ou H0 : σ12 ≤ σ22
𝐻𝑎 : σ12 ≠ σ22 ; 𝐻𝑎 : σ12 < σ22 ; 𝑜𝑢 𝐻𝑎 : σ12 > σ22
𝑆12 𝜎22
𝐹= × ~𝐹
𝑆22 𝜎12 (𝑛1 −1;𝑛2 −1)
* Se as variâncias populacionais são iguais, podemos fazer a comparação das médias através
da Distribuição t-Student (t(n1+n2-2)) e com as variâncias amostrais ponderadas.
115
Para uma Hipótese 𝐻0 : 𝜇1 = 𝜇2 ; 𝐻0 : 𝜇1 ≥ 𝜇2 ; 𝑜𝑢 𝐻0 : 𝜇1 ≤ 𝜇2
𝐻0 : 𝜇1 ≠ 𝜇2 ; 𝐻0 : 𝜇1 < 𝜇2 ; 𝑜𝑢 𝐻0 : 𝜇1 > 𝜇2
(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )

𝑡= ~ 𝑡(𝑛1 +𝑛2 −2)
1 1
√𝑆𝑝2 ( +𝑛 )
𝑛1 2
Sendo
(𝑛1 − 1)𝑆12 + (𝑛2 − 1)𝑆22

𝑆𝑝2 =
𝑛1 + 𝑛2 − 2
** Se as variâncias populacionais não são iguais, podemos fazer a comparação das médias
através da Distribuição t-Student ponderado.
Para uma Hipótese 𝐻0 : 𝜇1 = 𝜇2 ; 𝐻0 : 𝜇1 ≥ 𝜇2 ; 𝑜𝑢 𝐻0 : 𝜇1 ≤ 𝜇2
𝐻0 : 𝜇1 ≠ 𝜇2 ; 𝐻0 : 𝜇1 < 𝜇2 ; 𝑜𝑢 𝐻0 : 𝜇1 > 𝜇2
(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )

𝑡= ~ 𝑡∗
𝑆2 𝑆2
√ 1+ 2
𝑛1 𝑛2
Sendo
𝑆12 𝑆22
𝑛 (𝑛1 −1) 𝑛2 𝑡(𝑛2 −1)
𝑡 +
𝑡∗ = 1
𝑆12 𝑆22
𝑛1 + 𝑛2
d) Regra de decisão
Uma vez reconhecida o tipo de distribuição podemos procurar valores tabulares para logo
compará-lo com o valor amostral obtido, isto é, o resultado de trocar os valores da amostra na
distribuição escolhida ao resultado desta operação chamamos de Valor Calculado.
d.1. Testes Bicaudais

/2 1- /2
Tab 1 Tab 2
Se considerarmos o gráfico acima a regra de decisão estaria dado por
116
Se Tab 1  Valor Calculado  Tab 2 Se aceita Ho
Se Tab 1 > Valor Calculado

Se rejeita Ho.
Ou Tab 2 < Valor Calculado
d.2. Testes Unicaudais
1- 
Unilateral Direita
Tab 2
Se considerarmos o gráfico acima a regra de decisão estaria dada por
Se Tab 2 ≥ Valor Calculado Se aceita Ho
Se Tab 2 < Valor Calculado Se rejeita Ho

 1-
Unilateral Esquerda
Tab 1
Se considerarmos o gráfico acima a regra de decisão estaria dada por
Se Tab 1 ≤ Valor Calculado Se aceita Ho
Se Tab 1 > Valor Calculado Se rejeita Ho
e) Conclusões
Logo de contrastar o valor teórico com o valor prático podemos concluir respeito de nossa hipótese
inicial.
5.3.2. Exemplo:
Num laboratório são usados 2 voltímetros diferentes. Para analisar a calibração dos voltímetros
consideraram-se medidas com a mesma força de 100 volts para cada voltímetro, obtendo-se os
seguintes resultados:
Voltímetro
A B
117 115
120 110
114 116
119 115
115 114
118
123
117
a) Ao comprar o Voltímetro de Marca “A” uma das considerações é que ele tinha um erro de
calibração que tinha uma variação de  2 volts, poderia se afirmar que a calibração média do
voltímetro da Marca “A” é de 119 volts? Use  = 0,05
b) Poderíamos afirmar com a informação amostral que o Voltímetro de Marca “B”, tem uma
média populacional que supera os 115 Volts? Use  = 0,05
c) Podemos afirmar com a informação amostral que o erro de calibração do Voltímetro da Marca
“A” é maior a  2 volts? Use  = 0,01
d) Com a informação amostral disponível poderíamos afirmar que a média populacional do
Voltímetro da Marca “A” é similar à média populacional do voltímetro da Marca “B”? Use
=0,10.
Solução:
a) Dados: A = 2 Volts.
Passo 1: Formulação da Hipótese
Ho: A = 119
Ha: A  119
Passo 2: Definição do nível de significação
 = 0,05
Passo 3: Identificação da Distribuição Estatística a usar.
Como é conhecida a variância populacional (2), então a distribuição é:
X A − A
Z Calculado =
A
nA
Passo 4: Regra de Decisão
Para saber qual decisão tomar se precisa do valor da distribuição normal padrão
0,95
/2 = 0,025 /2 = 0,025
-1,96 1,96
Se -1,96  ZCalculado  1,96 Se aceita Ho.
118
Se ZCalculado < -1,96 ou ZCalculado > 1,96 se rejeita Ho.
Passo 5: Cálculo de Z.
118 − 119
Z Calculado = = −1,32288
2
7
Passo 6: Conclusão.
Como -1,96  ZCalculado  1,96 então se aceita Ho.
Existe evidencias estatísticas para afirmar a um 5% de significação estatística que a media

populacional do Voltímetro da Marca “A” tenha 119 volt.
b) Passo 1: Formulação da Hipótese
Ho: B  115
Há: B > 115
 = 0,05
Como não é conhecida a variância populacional (2), então a distribuição é:
X B − B
tCalculado = ~ t( 4 )
SB
nB
Para saber qual decisão tomar se precisa do valor da distribuição t de student
t(4)
0,95
 = 0,05
2,1318
119
Se tCalculado  2,1318 Se aceita Ho.
Se tCalculado > 2,1318 Se rejeita Ho.
Passo 5: Cálculo de t.
114 − 115
tCalculado = = −0,95346
5,5
5
Como tCalculado < 2,1318 então se aceita Ho.
Existe evidencias estatísticas para afirmar a um 5% de significação estatística que a média

populacional do Voltímetro da Marca “B” tenha 115 volt.
c) Passo 1: Formulação da Hipótese
Ho: 2A  4
Há: 2A > 4
 = 0,01
Como desejamos conhecer a variância populacional (2), então a distribuição é:
(n − 1) S 2
 2 Calculado = ~  2 (6)
 2
Para saber qual decisão tomar se precisa do valor da distribuição qui-quadrado
2(6)
0,99
 = 0,01
16,8119
Se 2Calculado  16,8119 Se aceita Ho.
120
Se 2Calculado > 16,8119 Se rejeita Ho.
Passo 5: Cálculo de 2.
(6) (5,5)
 2 Calculado = = 8,25
4
Como 2Calculado < 16,8119 então se aceita Ho.
Existe evidencias estatísticas para afirmar a um 1% de significação estatística que a variância

populacional do Voltímetro da Marca “A” tenha 4 volt2.
d) Este tipo de Problemas tem dois estágios.
d1) Para este caso precisamos saber se existe similaridade nas variâncias das duas populações, para
isto fazemos:
Passo 1: Formulação da Hipótese
Ho: 2A = 2B
Ha: 2A  2B
 = 0,10
Como desejamos comparar as variâncias das duas populações, então a distribuição a considerar:
S 12 22
FCalculado = ~ F( 6, 4)
S 22 12
Para saber qual decisão tomar se precisa do valor da distribuição F de Snedecor
F(6,4)
/2 = 0,05 0,90
/2 = 0,05
4,53
Se 0,1623  FCalculado  4,53 Se aceita Ho.

121
Se FCalculado > 4,53 ou FCalculado < 0,1623 Se rejeita Ho.
Passo 5: Cálculo de F.
9,3333
FCalculado = = 1,69697
5,5
Como 0,1623  FCalculado  4,53 então se aceita Ho.
Existe evidencias estatísticas para afirmar a um 10% de significação estatística que ambas
variâncias populacionais têm variabilidade semelhantes.
d2) Passo 1: Formulação da Hipótese
Ho: A = B
Ha: A  B
 = 0,10
Como do estágio anterior (d1) encontramos que as variâncias de ambas populações são iguais,
então a distribuição a considerar:
t Calculado =
(X A )
− X B − ( A −  B )
~ t ( n A + nB − 2 ) = t (10 )
 1 1 
S P2  + 
 n A nB 
onde
(n A − 1)S A2 + (n B − 1)S B2
S P2 =
(n A + n B − 2)
122
t(10)
0,90
/2 = 0,05 /2 = 0,05
-1,8125 1,8125
Se -1,8125  tCalculado  1,8125 Se aceita Ho.
Se tCalculado > 1,8125 ou tCalculado < -1,8125 Se rejeita Ho.
(6)(9,3333) + (4)(5,5)
S P2 = = 7,8
(10)
(118 − 114) − 0
t Calculado = = 2,4459
(7,8) 1 + 1 
 7 5
Como tCalculado > 1,8125 então se rejeita Ho.
Existe evidencias estatísticas para afirmar a um 10% de significação estatística que as medias
populacionais dos Voltímetros das Marca “A” e “B” não são iguais.
Observação: Imaginemos que no estágio (d1) o resultado houve-se sido que existe heterogeneidade
entre as variâncias das duas populações, isto é, se houve-se rejeitado Ho.
Neste caso o estágio (d2) seria o seguinte:
d2*) Passo 1: Formulação da Hipótese
Ho: A = B
Ha: A  B
 = 0,10
123
Como estamos supondo que no estágio anterior (d1) encontramos que as variâncias de ambas
populações não são iguais, então a distribuição a considerar:
t Calculado =
(X A )
− X B − ( A −  B )
~ t*
 S A2 S B2 
 
n + n 
 A B 
onde
S A2 S2
t ( n A −1) + B t ( nB −1)
nA nB
t* =
S A2 S B2
+
n A nB
t(6) t(4)
0,90 0,90
/2 = 0,05 /2 = 0,05 /2 = 0,05 /2 = 0,05
-1,9432 1,9432 -2,1318 2,1318
9,3333 5,5
(1,9432) + (2,1318)
t* = 7 5 = 2,0284
9,3333 5,5
+
7 5
Se -2,0284  tCalculado  2,0284 Se aceita Ho.
Se tCalculado > 2,0284 ou tCalculado < -2,0284 Se rejeita Ho.
(118 − 114) − 0
t Calculado = = 2,5642
 9,3333 5,5 
 + 
 7 5 
Como tCalculado > 2,0284 então se rejeita Ho.
124
Existe evidencias estatísticas para afirmar a um 10% de significação estatística que as medias
populacionais dos Voltímetros das Marca “A” e “B” não são iguais.

1. Uma pesquisa amostral foi conduzida com o objeto de se estudar o índice de ausência ao trabalho
em um determinado tipo de indústria. Uma pesquisa piloto foi conduzida, obtendo-se os seguintes
resultados:
Faltas 0 1 2 3 4 5 6 7 8
Trabalhadores 451 162 187 112 49 21 5 11 2
Baseado nestes dados estime o tamanho da amostra para o caso com ou sem reposição, considere
uma confiança de estimação de 95%, quando:
a) Se deseja-se estimar o total de ausências ao trabalho.

b) Se deseja-se estimar as ausências medias ao trabalho.
c) Se deseja-se estimar a proporção de trabalhadores que faltam mais de 3 vezes.
2. Suspeita-se que a renda familiar media dos moradores de Pepira seja de aproximadamente 10
Salários Mínimos (SM) e o desvio padrão de 5 SM. Pretende-se usar a Amostragem Simples ao Acaso
como plano amostral.
a) Que tamanho deve ter a amostra, para que o erro padrão da media amostral seja de 0,5. Considere
uma confiança de 90%.
b) Como ficaria a resposta acima, se N=20.000?
3. Um levantamento amostral sobre a situação de saúde de uma população bastante grande visa
estimar a incidência inicial de duas doenças. Suspeita-se que a incidências de uma delas é de 50%
e a outra, mais rara, da ordem de 1%. Qual deve ser o tamanho da amostra em cada caso para
manter o erro de 0,5%. Considere uma confiança de 95%.
4. A prefeitura de Pepira pretende estimar o número de domicílios com pelo menos um morador com
mais de 65 anos. Em uma amostra aleatória simples de 60 casas, 11 tinham pelo menos um morador
idoso. A cidade tem 621 domicílios, segundo registra a prefeitura. Se você deseja que o erro de
estimação não seja superior a oito pontos porcentuais para mais ou para menos, que tamanho de
amostra com ou sem reposição deveria ser usado, se considerarmos uma confiança de 90%?
5. Seja X a variável salário anual em milhões de unidades monetárias. Quando se mede a variável X
sobre uma população de 870 pessoas, obtém-se a seguinte distribuição de freqüências:
125
X 2 3 4 7 10 12 16 20 25 30 35 50 60 100
Freq 20 30 60 100 150 200 120 80 50 20 18 10 8 4
Com o objeto de estabelecer pautas para futuras pesquisas de salários se estratifica a população
utilizando dois métodos de estratificação. O método I consiste em realizar 3 estratos segundo os
critérios 2 ≤ X ≤ 7, 10 ≤ X ≤ 25 e 30 ≤ X ≤ 100. O método II consiste em realizar 3 estratos segundo 2
≤ X ≤ 10, 12 ≤ X ≤ 35 e 50 ≤ X ≤ 100.
Supondo uma amostragem com reposição e para um tamanho de amostra n=100, realizar as
distribuições dos tamanhos de amostra segundo os critérios de distribuição, para ambos dos
métodos compare.
6. Se considera uma amostra de 45 alunos, sem reposição, de uma sala de estatística de 221
alunos que obtiveram uma média de 70 pontos e um desvio padrão de 9 pontos nas
qualificações finais. Determinar o intervalo de confiança de 98% para a média das 221
qualificações. Uma fábrica de chapas, coleto uma amostra fornecida por duas máquinas, os
resultados das espessuras (em mm) se apresentam nas seguintes tabelas:
Máquina 1 Máquina 2
Intervalo fi 87 145
85 – 95 3 94 98
95 – 105 11 82 135
105 – 115 15 115 101
115 – 125 21 123 85
125 – 135 24
135 – 145 13
145 – 155 8
155 – 165 5
A gerência deseja saber em função as duas Máquinas consideradas qual o intervalo confidencial ao
95% de confiança de:
a) A espessura média da máquina 1.

b) A espessura média da máquina 2.
c) A variabilidade apresentada na máquina 1.
d) A variabilidade apresentada na máquina 2.
126
e) A razão de variâncias entre a máquina 1 e a máquina 2.
7.- Um professor de matemáticas acha que dois turmas que ele ensina tem medias de notas iguais a
7,5, para isto selecionou a 5 alunos da Turma 1 e 8 alunos da Turma 2, tomou uma prova de
matemáticas e obteve os seguintes resultados:
X S2
Turma 1 7,1 1,60
Turma 2 7,8 0,25
Poderia concluir ao 98% de confiança que a afirmação feita pelo professor é certa? qualquer que
seja sua conclusão, você poderia dizer que este resultado é devido à homogeneidade existente
entre as duas turmas, para isto use um nível de confiança de 95%.
8.- O peso dos pacotes de farinha de 1 Kgr. produzidos por uma fábrica é uma variável normalmente
distribuída com desvio padrão de 0,01. Da produção de determinado dia é retirada uma amostra
de 49 pacotes com peso médio de 0,998 Kgrs. Pode-se afirmar ao 98% de confiança que o peso
médio dos pacotes de farinha desse dia não está de acordo com o peso indicado?
9.- As vendas diárias de um armazém podem ser consideradas como uma variável que tem distribuição
normal. Nos últimos 2 anos o valor médio das vendas foi de R$ 8.000 e a direção decidiu efetuar
uma campanha publicitária com o objetivo de aumentar o valor das vendas. Para isto, considerou-
se as vendas diárias dos últimos 3 meses seguintes ao lançamento da campanha, registrando-se
em 16 dias obtidos ao acaso desses 3 meses, que o valor médio das vendas foi de R$ 8.750 e o
desvio padrão de R$ 1.250.
Podemos afirmar a um 95% de confiança que o objetivo da campanha foi atingido?
10.- De uma população com variância populacional 1,96 se extraio uma amostra, sendo os valores os
seguintes: 25,2; 26,0; 26,4; 27,1; 28,2; 28.4. Determinar um intervalo de 90% de confiança para a
média populacional.
11.- Uma amostra é composta pelos seguintes elementos: 7, 7, 8, 9, 9, 9, 10, 11, 11, 11, 12, 13, 13, 14,
15, 15. Construir um intervalo de confiança do 95%.
12.- Qual é o intervalo confidencial que conterá com 90% a verdadeira variância de uma população
normal que resultou X i

=700,8 e X 2
i
=23.436,80 de uma amostra de 30 elementos?.
13.- Sabe-se que a variação das dimensões fornecidas por uma máquina independe dos ajustes do
valor médio. Duas amostras de dimensões das peças produzidas forneceram:
127
Amostra 1: 12,2 12,4 12,1 12,0 12,7 12,4
Amostra 2: 13,0 13,2 12,9 12,1 11,9
a) Obtenha um intervalo de confiança para a média de cada amostra de 95% de confiança,

compare os resultados obtidos pelas duas amostras.
b) Obtenha um intervalo de confiança para a variância de cada amostra com um 90% de
confiança.
c) O resultado obtido em (a) tem sentido, obtenha alguma ferramenta que permita ou não
justificar o resultado obtido em (a).
14.- Os dados abaixo representam a resistência de dez pedaços de um cabo de aço, ensaiados por
tração até a ruptura. Com base nos resultados obtidos, pretende-se saber se esse cabo obedece à
especificação, a qual exige que sua carga média de ruptura seja 1.500 Kg no mínimo. Qual sua
conclusão, ao nível de 2% de significância?
1.508 1.518 1.492 1.505 1.515

1.507 1.510 1.505 1.496 1.498
15.- A cronometragem de certa operação industrial forneceu os seguintes valores para diversas
determinações, dados em segundos:
113 124 115 107 120 126 114 110 116

117 118 113 125 119 118 114 122 117
Podemos concluir que o tempo médio necessário para realizar essa operação não deve exceder a
2 min, ao nível de 5% de significação?
16.- A distribuição de freqüências que segue representa uma amostra retirada de uma população
aproximadamente normal. Ao nível de 5% de significância, há evidencia de que o desvio-padrão
dessa população seja diferente de 15?
Intervalos Freqüências
68 |-- 75 3
75 |-- 82 6
82 |-- 89 11
89 |-- 96 15
96 |-- 103 18
103 |-- 110 10
110 |-- 117 5
117 |-- 124 4
17.- Uma máquina foi regulada para fabricar placas de 5 mm de espessura, em média, com coeficiente
de variação de, no máximo, 3%. A distribuição das espessuras é normal. Iniciada a produção, foi
128
colhida uma amostra de tamanho 10, que forneceu as seguintes medidas de espessuras, em
milímetros:
5,1 4,8 5,0 4,7 4,8 5,0 4,5 4,9 4,8 5,2
Ao nível do 1%, pode-se concluir que a hipóteses de que a regulagem da máquina é satisfatória?
18.- Em indivíduos normais, o consumo renal médio de oxigênio tem distribuição normal com média
12 cm3/min e desvio-padrão 1,3 cm3/min. Um pesquisador coleta uma amostra do consumo renal
de oxigênio de 10 indivíduos, obtém uma média amostral de 12,5 cm3/min e um desvio amostral
de 1,8 cm3/min, o pesquisador poderia afirmar que o consumo renal médio de oxigênio é
significativamente maior que 12 cm3/min. Use um nível de 5% de significância.
19.- Um produtor deseja obter peso específico médio de 0,8 Kg/dm3 para certo material necessário à
sua linha de produção. Admitindo o produtor a possibilidade de uma partida estar acima da
especificação, quer saber se poderá, ao nível de 5% de significância, devolver a partida ao
fornecedor. Para tanto, colheu uma amostra de doze porções do material, a qual forneceu média
de 0,81 Kg/dm3 e desvio padrão de 0,02 Kg/dm3. O fornecedor indica como sendo de 0,01 Kg/dm3
o desvio padrão do peso específico do produto. Poderia concluir que se deve devolver a partida ao
fornecedor?
20.- Num estudo sobre o metabolismo de citrato no fígado foram tomadas foram tomadas amostras
da veia hepática de dez indivíduos normais e amostras de sangue arterial de outros dez indivíduos
normais, obtendo-se as seguintes determinações de citrato em cada amostra (em mg/ml):
Sangue da Sangue
veia Arterial
Hepática
20,2 26,4
24,6 32,2
18,3 37,8
19 25
29,5 28,4
12,6 26,2
18,2 31,3
30,8 35
22,2 29,7
25,4 27,4
Realize um teste de hipótese a fim de verificar se existe uma diferencia significativa no sentido de
um maior conteúdo médio de citrato no sangue arterial em relação ao sangue da veia hepática.
Use =0,01.
129
21.- Em uma experiência industrial, foi executado um trabalho por 10 operários, de acordo com o
método I, e por 20 operários, de acordo com o método II. Os resultados que são o tempo
necessário para a execução do trabalho (em min) se apresentam a continuação:
Média Variância
Método I 53 6
Método II 57 15
a) Teste se os dois métodos devem ser considerados como tendo a mesma variabilidade do
tempo.
b) Diga se os dados permitem afirmar que o método I fornece um tempo médio menor que o
método II. (Use =0,05).
22.- A qualidade de rebites é tanto melhor quanto maiores sua resistência média e sua
homogeneidade. Seis rebites de duas marcas foram ensaiados ao cisalhamento, tendo-se obtido
as seguintes cargas de ruptura:
Rebite nº 1 2 3 4 5 6
Marca A 34,9 35,5 38,8 39,2 33,7 37,6
Marca B 38,5 39 40,7 42,9 37,8 41,4
Esses resultados ratificam a afirmação, do produtor da Marca B, de que seus rebites são melhores
quanto a pelo menos um aspecto? Use =0,05.
23.- Com o intuito de controlar a homogeneidade da produção de certas partes no tempo, amostras
semanais são retiradas da produção concorrente. Uma primeira amostra de dez elementos
forneceu uma média de 284,55 e desvio padrão de 0,320, ao passo que uma segunda amostra
forneceu nas mesmas unidades os seguintes valores:
284,6 283,9 234,8 285,2 284,3 283,7 284,0
Ao nível de 5% de significância, podemos concluir que a homogeneidade da produção tenha

variado no decorrer das duas semanas pesquisadas?
24.- A fim de comparar duas marcas de cimento, A e B, fizemos experiência com quatro corpos de
prova da marca A e 5 corpos de prova da marca B, obtendo-se as seguintes resistências à ruptura:
Marca A 184 190 185 186

Marca B 189 188 183 186 184
Verifique se as resistências médias das duas marcas diferem entre si. Use =0,05.
130
6. ANALISE DE REGRESSÃO LINEAR SIMPLES E
CORRELAÇÃO LINEAR
Objetivo: Estabelecer predições futuras de acontecimentos passados com a
finalidade de estabelecer decisões.
6.1. INTRODUÇÃO
Em muitas pesquisas a chave para tomar decisões depende do entendimento da relação existente
entre dois o mais variáveis.
Nesta seção se estudará dos tipos de técnicas:
1. Técnicas de Regressão – Que é o processo de construir um modelo matemático que possa ser
utilizado para predizer ou determinar uma variável por meio de outra.
2. Técnicas de Correlação – Correlação é uma medida do grau da relação linear entre duas
variáveis.
6.2. INTRODUÇÃO À ANÁLISE DE REGRESSÃO SIMPLES

Existem pelo menos três tipos de modelos:
1. Modelo Físico – Que é uma réplica exata do objeto a serem modelados.
2. Modelo Análogo – Que é similar ao objeto a ser modelado, pero tem diferente tamanho e
estrutura. É conhecida também como modelo a escala.
3. Modelo Matemático – Que é uma expressão ou equação matemática utilizada para
representar o comportamento do fenômeno estudado.
Observação: Os modelos de regressão apresentados nesta seção são exclusivamente modelos
matemáticos.
O modelo de regressão mais elementar é conhecido como regressão simples. É uma regressão linear
que envolve somente duas variáveis. Uma das variáveis é conhecido como a Variável Dependente.
Esta variável o qual seu valor se queira predizer é representada pela letra (Y). A outra variável é
conhecida como a Variável Independente. Esta variável é utiliza para predizer a variável dependente
e se representa mediante a letra (X).
Em a análise de regressão simples só se examina se entre as duas variáveis existe alguma relação linear.
Exemplo: Suponha que se deseje desenvolver um modelo que nos permita predizer o custo de voar
um avião comercial. Primeiramente temos que reconhecer que existem várias variáveis que influem
131
no custo de voar um avião comercial. Por exemplo, o tipo de avião, a quantidade de passageiros, a
distância, a quantidade de bagagem, as condições do tempo e a habilidade do piloto entre outras.
Para simplificar o exemplo e reduzir o número de variáveis X assumamos que só se utilizarão aviões
Boeing 737, viajando 500 milhas em rotas comparáveis e na mesma temporada do ano.
Poderia se utilizar o número de passageiros para predizer o custo de voar um avião comercial?
6.2.1. Determinando a Equação da Linha de Regressão Linear

Num exemplo como o anterior, podemos desenvolver um modelo matemático que nos sirva como
ferramenta de predição. Este modelo matemático se conhece como a equação de regressão.
Existem dois tipos de modelos matemáticos que poderiam ser utilizados:
Modelo Determinístico – Que é um modelo que pretende explicar a relação exata que existem entre
as variáveis. Este modelo não permite erro de predição.
Exemplo:
Se a equação da linha de regressão fosse:
𝒀 = 𝟏, 𝟔𝟖 + 𝟐, 𝟒𝟎 𝑿
o valor exato de (Y) quando (X) é 5 será:
𝒀 = 𝟏, 𝟔𝟖 + 𝟐, 𝟒𝟎 (𝟓) = 𝟏𝟑, 𝟔𝟖
Uma dificuldade importante deste modelo é que na realidade a predição não é exata, já que não
estamos considerando a variação devido ao fenômeno de aleatoriedade que é muito provável que a
variável (X) não possa explicar.
Modelo Probabilístico – É um modelo mais realista que reconhece a existência de variações

inexplicáveis causadas por variáveis importantes não inclusas no modelo constituindo parte do
fenômeno aleatório. Este modelo incorpora o componente determinístico e o componente aleatório.
A equação da linha de regressão baixo este modelo é:
𝒀𝒊 = 𝜷𝟎 + 𝜷𝟏 𝑿𝒊 + 𝒆𝒊
Onde:
𝒀𝒊 = A variável a ser modelada. Conhece-se como a variável dependente ou “variável resposta”.
𝑿𝒊 = É a variável regressora. Conhece-se também como a variável independente.
𝒆𝒊 = É o componente do erro aleatório.
𝜷𝟎 = É o ponto na qual a linha intercepta o eixo de (Yi).
𝜷𝟏 = É a quantidade pela que muda o componente determinístico de (Yi) por cada unidade que (Xi)
incremente. Como é apresentado abaixo.
132
𝑌𝒊 ̂𝟎 + 𝜷
̂𝒊 = 𝜷
𝒀 ̂ 𝟏 𝑿𝒊
̂𝟏
𝜷
̂𝟎
𝜷
𝑿𝒊
̂𝟎 + 𝜷
̂𝒊 = 𝜷
O componente determinístico da equação é: 𝒀 ̂ 𝟏 𝑿𝒊
Como para fazer a análise é utilizada a informação da amostra, os valores de 𝛽𝟎 e 𝛽𝟏 devem ser
estimados mediante estatísticas de amostras.
A equação de regressão que utiliza informação amostral é a seguinte:
̂𝟎 + 𝜷
̂𝒊 = 𝜷
𝒀 ̂ 𝟏 𝑿𝒊
Onde:
̂ 𝟎 – É o intercepto da amostra
𝜷
̂ 𝟏 – É o coeficiente angular da amostra

𝜷
̂𝟎 e 𝜷
Para obter os valores de 𝜷 ̂ 𝟏 temos que fazer a análise dos quadrados mínimos. O que procura
esta análise é minimizar o total de erro contida na amostra.
Para fins práticos não desenvolveremos a técnica de mínimos quadrados, mas sem apresentaremos os
resultados a partir desta técnica, sendo estes:
𝛽̂0 = 𝑌̅ − 𝛽̂1 𝑋̅
∑𝑛𝑖=1 𝑋𝑖 𝑌𝑖 − 𝑛𝑋̅𝑌̅
𝛽̂1 =
∑𝑛𝑖=1 𝑋12 − 𝑛𝑋̅ 2
Exemplo 6.1: Suponha que uma loja realiza um experimento recopilando informação durante cinco
meses para determinar o efeito da publicidade nas vendas mensais. O resultado se
apresenta na seguinte tabela:
133
Gastos
Vendas (R$
Mês Publicidade
1,000s)
(R$ 100s)
1 1 1
2 2 1
3 3 2
4 4 2
5 5 4
Usualmente o primeiro passo numa análise de regressão simples é construir um gráfico representando
os valores de (X) no eixo horizontal e os de (Y) no eixo vertical. Esta representação não da informação
preliminar sobre a relação de ambas variáveis.
Naturalmente como o que queremos predizer são as vendas mensais esta será a variável dependente
(Y), enquanto os gastos de publicidade é a variável independente (X).
No gráfico se pode observar uma tendência geral de (y) a ascender a medida que (x) incrementa.
Gráfico das Vendas devido ao gasto de

publicidade
4,5
4,0
Vendas (R$ 1.000)
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
0 1 2 3 4 5 6
Gasto Publicidade (R$ 100)
Como se pode observar no gráfico os dados têm um comportamento quase linear que pode ser
modelada a partir da equação linear, para isto precisaríamos a seguinte equação:
̂𝟎 + 𝜷
̂𝒊 = 𝜷
𝒀 ̂ 𝟏 𝑿𝒊
̂𝟎 e 𝜷
Para o cálculo de 𝜷 ̂ 𝟏 consideramos as expressões apresentadas nas equações acima, para isto em
nosso exemplo devemos tratar informação da seguinte forma:
Como Y representa as vendas mensais e X representa os gastos de publicidade, então a tabela será
apresentada do seguinte modo:
134
X Y X2 Y2 Xi Yi
1 1 1 1 1
2 1 4 1 2
3 2 9 4 6
4 2 16 4 8
5 4 25 16 20
∑Xi = 15 ∑Yi = 10 ∑X2 = 55 2
∑Y = 26 ∑X Y
i i = 37
n n
Yi =1
i
10
X
i =1
i
15
Y= = =2 X= = =3
n 5 n 5
̂ 𝟎 será:
Então 𝜷
𝛽̂0 = 2 − 𝛽̂1 3
No caso de 𝛽̂1 , precisamos obter os seguintes valores:
Y X
i =1
i i − nY X = 37 − (5)(2)(3) = 37 − 30 = 7
X
2
i
2
− n X = 55 − (5)(3) 2 = 55 − 45 = 10
i =1
Então 𝛽̂1 é obtido por:
∑𝑛𝑖=1 𝑋𝑖 𝑌𝑖 − 𝑛𝑋̅𝑌̅ 7
𝛽̂1 = = = 0,7
∑𝑖=1 𝑋1 − 𝑛𝑋̅
𝑛 2 2 10
Agora o valor de b0 é:
𝛽̂0 = 2 − 3 × 𝛽̂1 = 2 − 3 × 0,7 = −0,1
Daqui a linha estimada a partir dos quadrados mínimos (linha de regressão) é:
̂ 𝒊 = −0,1 + 0,7 × 𝑿𝒊
𝒀
A predição de (Y), Ŷ, para determinado valor de (X) é obtida pela substituição deste valor na fórmula
da linha dos quadrados mínimos. Por exemplo, se (X) é 2 então Ŷ = -0,10 + 0,70*(2) = 1,30. Observe na
Figura acima a linha de regressão.
135
6.2.2 Teste de Hipóteses sobre o Coeficiente Angular
Para saber se nossas estimativas respeito a 𝛽̂1 são adequadas devemos de fazer uma análise respeito
as mesmas, existem duas formas de avaliar as estimativas respeito a 𝛽̂1 .
1.- A primeira determina se existe coeficiente angular ou não.
Para isto se faz uso da Análise de Variância (ANOVA) que é simplesmente a decomposição da
variabilidade total de (Y) em componentes determinístico e aleatório com a finalidade de comparar
quem exerce mais influencia na variável Y.
O ANOVA tem a seguinte representação:
Fontes de Variação (F.V.) que expressa que componentes estaremos avaliando.
Graus de Liberdade (G.L.) que expressa o número de variáveis independentes.
Somas de quadrados (S.Q.) que apresenta a soma das decomposições dos fatores.
Quadrados Médios (Q.M.) que é a variabilidade dos fatores em estudo.
F calculado, que é o elemento que permitira aceitar ou rejeitar a hipótese.
Isto é apresentado na seguinte tabela:
ANOVA
F.V. G.L. S.Q. Q.M. Fcalculado

Regressão 1 SQReg QMReg=SQReg F=QMReg/QMErro
Erro n-2 SQErro QMErro=SQErro/(n-2)
Total n-1 SQTotal
Onde:
𝑛 𝑛
(∑𝑛𝑖=1 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅)2
𝑆𝑄𝑅𝑒𝑔 = = 𝛽̂1 (∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅) = 𝛽̂12 (∑ 𝑋𝑖2 − 𝑛𝑋̅ 2 )
∑𝑛𝑖=1 𝑋𝑖2 − 𝑛𝑋̅ 2
𝑖=1 𝑖=1
𝑆𝑄𝑇𝑜𝑡𝑎𝑙 = ∑ 𝑌𝑖2 − 𝑛𝑌̅ 2

𝑖=1
𝑆𝑄𝐸𝑟𝑟𝑜 = 𝑆𝑄𝑇𝑜𝑡𝑎𝑙 − 𝑆𝑄𝑅𝑒𝑔
136
Em nosso exemplo podemos estar interessados em saber se existe a pendente, isto é:
Ho: 1 = 0 (Não existe relação linear entre Y e X)
Ha: 1  0 (Existe relação linear entre Y e X)
=0,05
(∑𝑛𝑖=1 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅)2 (37 − 5 × 2 × 3)2 72

𝑆𝑄𝑅𝑒𝑔 = = = = 4,9
∑𝑛𝑖=1 𝑋𝑖2 − 𝑛𝑋̅ 2 55 − 5 × 32 10
𝑆𝑄𝑇𝑜𝑡𝑎𝑙 = ∑ 𝑌𝑖2 − 𝑛𝑌̅ 2 = 26 − 5 × 22 = 6

𝑖=1
𝑆𝑄𝐸𝑟𝑟𝑜 = 𝑆𝑄𝑇𝑜𝑡𝑎𝑙 − 𝑆𝑄𝑅𝑒𝑔 = 6 − 4,9 = 1,1
ANOVA
F.V. G.L. S.Q. Q.M. Fcalculado Ftabular Significação

Regressão 1 4,9 4,90 13,36 10,13 **
Erro 5-2=3 1,1 0,37
Total 5-1=4 6,0
** o teste é significativo a 1%
Como Fcalculado > Ftabular se rejeita Ho, com o que se concluiria que efetivamente existe a pendente (1)
em estudo.
2.- A segunda determina se o coeficiente angular tem um valor pré-fixado (b).
Se podem estabelecer as seguintes hipóteses para provar se β1 é b ou não:
Ho: β1 = b Ho: β1  b Ho: β1 ≤ b
Ha: β1≠ b Ha: β1< b Ha: β1> b
A estatística de Teste é o t de student é calculada como:
𝛽̂1 − 𝛽1
𝑡= ~ 𝑡(𝑛−2)
𝑆𝛽̂1
137
Onde
𝑄𝑀𝐸𝑟𝑟𝑜
𝑆𝛽̂1 = √ 𝑛
∑𝑖=1 𝑋𝑖2 − 𝑛𝑋̅ 2
Em nosso exemplo podemos testar quando 𝛽1 = 0 com um nível de significância de 0,05. A hipótese
a formular é da seguinte forma:
Ho: β1 = 0
Ha: β1≠ 0
Com 5 – 2 = 3 graus de liberdade e dividindo a  entre dois (0,025) teríamos a seguinte regra de decisão:
Rejeito a hipótese Ho se t(calculado) < - 3,182 ou se t(calculado) > 3,182, enquanto se o valor de t esta entre
[-3,182 ; 3,182] se aceita a hipótese Ho.
t(3)
0,95
/2 = 0,025 /2 = 0,025
-3,182 3,182
A amostra coletada é dos passados cinco meses. O coeficiente angular da amostra calculada (𝛽̂1 ) foi
0,70. A estatística de teste é então:
𝑄𝑀𝐸𝑟𝑟𝑜 0,37
𝑆𝛽̂1 = √ 𝑛 =√
2 ̅
∑𝑖=1 𝑋𝑖 − 𝑛𝑋 2 10
Desta forma o teste estatístico é definido por:
0,70 − 0
𝑡= = 3,68
√0,37
10
Como o valor calculado de tcalculada=3.68 e é maior que o valor ttabular=3.182, rejeitamos a hipótese Ho e
concluímos que existem evidencias estatísticas para afirmar que a pendente é diferente de 0.
138
6.2.3 Intervalo de Confiança para a Previsão
Para um valor determinado de (X), (Y) pode assumir uma variedade de valores. Pode-se construir um
intervalo de confiança para estimar a média condicionada de (Y) a quem identificaremos como E(YX).
O intervalo confidencial para um valor fixo de X se obtém da seguinte forma:
 

E (Y X ) = Y  t ( / 2, n − 2)

 1
QM Erro + n
(X0 − X )2 

n 

2
 X i2 − n X 
 i =1 
6.3. COEFICIENTE DE DETERMINAÇÃO (R2)

Mede quanto contribui a variável independente (X) no comportamento da variável dependente (Y). O
valor de R2 varia entre 0 e 1. Quanto mais perto de 1 maior será a relação linear entre ambas variáveis
e ao invés. Um valor de 1 representa uma relação linear perfeita e um valor de 0 representa uma falta
de relação linear entre ambas variáveis.
R2 é calculada por:
SQRe g
r2 =
SQTotal
Em nosso exemplo para calcular o coeficiente de determinação precisamos da tabela de ANOVA.
4,9
r2 = = 0,82
6,0
Este resultado indica que o 82% da variabilidade que experimenta (Y) pode ser explicada por (X). O
restante 18% é atribuível a outras variáveis não inclusas na análise ou as variações aleatórias.
6.3.1. Medidas de Associação

Correlação - É uma medida do grau da relação de dois o mais variáveis. Existem varias medidas de
correlação. Uma de elas é o:
Coeficiente de Correlação (r) – Se conhece também como a "Coeficiente de Pearson" e se representa

por meio do símbolo ρ (rho). Como utilizamos informação amostral o coeficiente de correlação da
amostra se conhece como (r).
É definida como uma medida do grau de fortaleza da relação linear entre as variáveis (X) y (Y).
139
r é calculada por:
Y X
i =1
i i − nY X
r=
 n 2 2 
n
2 
  Yi − nY   X i2 − n X 
 i =1  i =1 
Otra forma de calcularlo es la siguiente:
r = r2
Seu valor varia entre 1 e -1. Um valor igual a 1 o -1 implica uma relação linear perfeita. Um valor igual
a 0 implica que não há relação linear alguma.

1. Elabore um gráfico com os seguintes dados:
(1,1) (4,1) (5,3) (3,2)
(3,4) (4,2) (1,4) (3,3)
Qual é a linha de regressão estimada, obtenha o coeficiente de correlação e de determinação.
2. Para cinco volumes de uma solução, foram medidos os tempos de aquecimento em um mesmo
bico de gás e as respectivas temperaturas de ebulição:
Tempo(min) 20 22 19 23 17
Temperatura(ºC) 75 80 75 82 78
Faça um gráfico identifique a linha de regressão estimada, estabeleça o teste da existência dos
parâmetros.
3. Oito alunos sorteados entre os da segunda semestre de um curso de Engenharia obtiveram as

seguintes notas nos exames de Cálculo e Física:
Aluno 1 2 3 4 5 6 7 8
Cálculo 4,5 6 3 2,5 5 5,5 1,5 7
Física 3,5 4,5 3 2 5,5 5 1,5 6
4. Ajuste uma reta de mínimos quadrados aos dados abaixo, adotando:
a) X como variável independente;
140
b) Y como variável independente.
Verifique se as duas equações obtidas correspondem à mesma função implícita.
Y 2 4 5 6 7 10 12
X 9 9 7 4 5 3 1
5. A velocidade máxima de automóveis formula 1 com motores de mesma potencia é função, entre
outras variáveis, do peso do veículo, no intervalo entre 700 e 800 Kgs. Assim, verificou-se qual a
velocidade máxima atingida em uma reta de 1.200 m. Os resultados foram:
Velocidade
Peso (Kgs)
Máxima (Km/h)
750 280
760 284
770 291
780 295
790 301
a) Identifique a variável Independente (X) e a variável dependente (Y).
b) Faz um gráfico desta relação.
c) Qual é o modelo para esta relação, o modelo é bom porque?
d) Qual a velocidade esperada para um veículo de 730 Kgs.?
e) Qual a velocidade esperada para um veículo de 730 Kgs.?
6. As vendas de duas firmas A e B estão relacionadas a seguir, em milhares de unidades.
Ano 1970 1971 1972 1973 1974 1975

Vendas A 1 1,5 3 3,5 4,5 5
Vendas B 4,5 5 5,5 5,5 6 6
Ao nível de 5% pode-se afirmar que em 1980 as vendas de A serão maiores que as vendas de B?.
7. As vendas de duas firmas A e B estão relacionadas a seguir, em milhares de unidades.
Ano 1970 1971 1972 1973 1974 1975

Vendas A 1 1,5 3 3,5 4,5 5
Vendas B 4,5 5 5,5 5,5 6 6
a) Identifique a variável Independente (X) e a variável dependente (Y).
b) Faz um gráfico desta relação.
c) Qual é o modelo para esta relação, o modelo é bom por quê?
d) Quais serão as vendas das duas firmas no ano de 1976?
141
Bibliografia
[1] Bussab, W. O. e Morettin, P.A. (1987). Estatística Básica, 4a Ed., São Paulo.
[2] Botter, D.A. , Paula, G.A., Liete, J.G. e Cordani, L.k. (1996). Noções de Estatística. São
Paulo:IME/USP.
[3] Montgomery, D.C. e Runger, G.C. (1996) Applied statistics and probability for engineers
John Wiley &Sons, Inc.
[4] Montgomery, D.C. e Peck, E.A. (1992) Introduction to linear regression analysis John
Wiley &Sons, Inc.
[5] Montgomery, D.C. (1991) Design and analysis of experiments John Wiley &Sons, Inc.
[6] Moore David S. (1995).The Basic Practice of Statístics. Handcover.
[7] Fernadez, P.J. (1973). Introdução à teoria de probabilidades. Rio de Janeiro: Livro
Técnico.
[8] Meyer, Paul, L. (1977),Probabilidade: aplicações à estatística Livros técnicos e científicos

editoras.a.
[9] Peres , C.A., Saldiva, C.D. (1982). Planejamento de Experimentos 5a Sinape, São Paulo,
142
ANEXO
TABELAS ESTATISTICAS
143
Anexo I: Distribuição Normal Padrão
Z 0 1 2 3 4 5 6 7 8 9
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
144
Anexo II: Distribuição T-Student
Graus de Probabilidade
Liberdade 0,1 0,05 0,025 0,01 0,005
1 3,078 6,314 12,706 31,821 63,657
2 1,886 2,920 4,303 6,965 9,925
3 1,638 2,353 3,182 4,541 5,841
4 1,533 2,132 2,776 3,747 4,604
5 1,476 2,015 2,571 3,365 4,032
6 1,440 1,943 2,447 3,143 3,707
7 1,415 1,895 2,365 2,998 3,499
8 1,397 1,860 2,306 2,896 3,355
9 1,383 1,833 2,262 2,821 3,250
10 1,372 1,812 2,228 2,764 3,169
11 1,363 1,796 2,201 2,718 3,106
12 1,356 1,782 2,179 2,681 3,055
13 1,350 1,771 2,160 2,650 3,012
14 1,345 1,761 2,145 2,624 2,977
15 1,341 1,753 2,131 2,602 2,947
16 1,337 1,746 2,120 2,583 2,921
17 1,333 1,740 2,110 2,567 2,898
18 1,330 1,734 2,101 2,552 2,878
19 1,328 1,729 2,093 2,539 2,861
20 1,325 1,725 2,086 2,528 2,845
21 1,323 1,721 2,080 2,518 2,831
22 1,321 1,717 2,074 2,508 2,819
23 1,319 1,714 2,069 2,500 2,807
24 1,318 1,711 2,064 2,492 2,797
25 1,316 1,708 2,060 2,485 2,787
26 1,315 1,706 2,056 2,479 2,779
27 1,314 1,703 2,052 2,473 2,771
28 1,313 1,701 2,048 2,467 2,763
29 1,311 1,699 2,045 2,462 2,756
30 1,310 1,697 2,042 2,457 2,750
50 1,299 1,676 2,009 2,403 2,678
60 1,296 1,671 2,000 2,390 2,660
70 1,294 1,667 1,994 2,381 2,648
80 1,292 1,664 1,990 2,374 2,639
90 1,291 1,662 1,987 2,368 2,632
100 1,290 1,660 1,984 2,364 2,626
110 1,289 1,659 1,982 2,361 2,621
120 1,289 1,658 1,980 2,358 2,617
após 1,282 1,645 1,960 2,326 2,576
145
2(gl)
P(2 > q)
Anexo III: Distribuição Qui-Quadrado
Graus de Probabilidade
Liberdade 0,995 0,99 0,975 0,95 0,9 0,75 0,5 0,25 0,1 0,05 0,025 0,01 0,005 0,001
1 0,0000 0,0002 0,0010 0,0039 0,0158 0,1015 0,4549 1,3233 2,7055 3,8415 5,0239 6,6349 7,8794 10,8276
2 0,0100 0,0201 0,0506 0,1026 0,2107 0,5754 1,3863 2,7726 4,6052 5,9915 7,3778 9,2103 10,5966 13,8155
3 0,0717 0,1148 0,2158 0,3518 0,5844 1,2125 2,3660 4,1083 6,2514 7,8147 9,3484 11,3449 12,8382 16,2662
4 0,2070 0,2971 0,4844 0,7107 1,0636 1,9226 3,3567 5,3853 7,7794 9,4877 11,1433 13,2767 14,8603 18,4668
5 0,4117 0,5543 0,8312 1,1455 1,6103 2,6746 4,3515 6,6257 9,2364 11,0705 12,8325 15,0863 16,7496 20,5150
6 0,6757 0,8721 1,2373 1,6354 2,2041 3,4546 5,3481 7,8408 10,6446 12,5916 14,4494 16,8119 18,5476 22,4577
7 0,9893 1,2390 1,6899 2,1673 2,8331 4,2549 6,3458 9,0371 12,0170 14,0671 16,0128 18,4753 20,2777 24,3219
8 1,3444 1,6465 2,1797 2,7326 3,4895 5,0706 7,3441 10,2189 13,3616 15,5073 17,5345 20,0902 21,9550 26,1245
9 1,7349 2,0879 2,7004 3,3251 4,1682 5,8988 8,3428 11,3888 14,6837 16,9190 19,0228 21,6660 23,5894 27,8772
10 2,1559 2,5582 3,2470 3,9403 4,8652 6,7372 9,3418 12,5489 15,9872 18,3070 20,4832 23,2093 25,1882 29,5883
11 2,6032 3,0535 3,8157 4,5748 5,5778 7,5841 10,3410 13,7007 17,2750 19,6751 21,9200 24,7250 26,7568 31,2641
12 3,0738 3,5706 4,4038 5,2260 6,3038 8,4384 11,3403 14,8454 18,5493 21,0261 23,3367 26,2170 28,2995 32,9095
13 3,5650 4,1069 5,0088 5,8919 7,0415 9,2991 12,3398 15,9839 19,8119 22,3620 24,7356 27,6882 29,8195 34,5282
14 4,0747 4,6604 5,6287 6,5706 7,7895 10,1653 13,3393 17,1169 21,0641 23,6848 26,1189 29,1412 31,3193 36,1233
15 4,6009 5,2293 6,2621 7,2609 8,5468 11,0365 14,3389 18,2451 22,3071 24,9958 27,4884 30,5779 32,8013 37,6973
16 5,1422 5,8122 6,9077 7,9616 9,3122 11,9122 15,3385 19,3689 23,5418 26,2962 28,8454 31,9999 34,2672 39,2524
17 5,6972 6,4078 7,5642 8,6718 10,0852 12,7919 16,3382 20,4887 24,7690 27,5871 30,1910 33,4087 35,7185 40,7902
18 6,2648 7,0149 8,2307 9,3905 10,8649 13,6753 17,3379 21,6049 25,9894 28,8693 31,5264 34,8053 37,1565 42,3124
19 6,8440 7,6327 8,9065 10,1170 11,6509 14,5620 18,3377 22,7178 27,2036 30,1435 32,8523 36,1909 38,5823 43,8202
20 7,4338 8,2604 9,5908 10,8508 12,4426 15,4518 19,3374 23,8277 28,4120 31,4104 34,1696 37,5662 39,9968 45,3147
21 8,0337 8,8972 10,2829 11,5913 13,2396 16,3444 20,3372 24,9348 29,6151 32,6706 35,4789 38,9322 41,4011 46,7970
22 8,6427 9,5425 10,9823 12,3380 14,0415 17,2396 21,3370 26,0393 30,8133 33,9244 36,7807 40,2894 42,7957 48,2679
23 9,2604 10,1957 11,6886 13,0905 14,8480 18,1373 22,3369 27,1413 32,0069 35,1725 38,0756 41,6384 44,1813 49,7282
24 9,8862 10,8564 12,4012 13,8484 15,6587 19,0373 23,3367 28,2412 33,1962 36,4150 39,3641 42,9798 45,5585 51,1786
25 10,5197 11,5240 13,1197 14,6114 16,4734 19,9393 24,3366 29,3389 34,3816 37,6525 40,6465 44,3141 46,9279 52,6197
26 11,1602 12,1981 13,8439 15,3792 17,2919 20,8434 25,3365 30,4346 35,5632 38,8851 41,9232 45,6417 48,2899 54,0520
27 11,8076 12,8785 14,5734 16,1514 18,1139 21,7494 26,3363 31,5284 36,7412 40,1133 43,1945 46,9629 49,6449 55,4760
28 12,4613 13,5647 15,3079 16,9279 18,9392 22,6572 27,3362 32,6205 37,9159 41,3371 44,4608 48,2782 50,9934 56,8923
29 13,1211 14,2565 16,0471 17,7084 19,7677 23,5666 28,3361 33,7109 39,0875 42,5570 45,7223 49,5879 52,3356 58,3012
30 13,7867 14,9535 16,7908 18,4927 20,5992 24,4776 29,3360 34,7997 40,2560 43,7730 46,9792 50,8922 53,6720 59,7031
31 14,4578 15,6555 17,5387 19,2806 21,4336 25,3901 30,3359 35,8871 41,4217 44,9853 48,2319 52,1914 55,0027 61,0983
32 15,1340 16,3622 18,2908 20,0719 22,2706 26,3041 31,3359 36,9730 42,5847 46,1943 49,4804 53,4858 56,3281 62,4872
33 15,8153 17,0735 19,0467 20,8665 23,1102 27,2194 32,3358 38,0575 43,7452 47,3999 50,7251 54,7755 57,6484 63,8701
34 16,5013 17,7891 19,8063 21,6643 23,9523 28,1361 33,3357 39,1408 44,9032 48,6024 51,9660 56,0609 58,9639 65,2472
35 17,1918 18,5089 20,5694 22,4650 24,7967 29,0540 34,3356 40,2228 46,0588 49,8018 53,2033 57,3421 60,2748 66,6188
36 17,8867 19,2327 21,3359 23,2686 25,6433 29,9730 35,3356 41,3036 47,2122 50,9985 54,4373 58,6192 61,5812 67,9852
37 18,5858 19,9602 22,1056 24,0749 26,4921 30,8933 36,3355 42,3833 48,3634 52,1923 55,6680 59,8925 62,8833 69,3465
38 19,2889 20,6914 22,8785 24,8839 27,3430 31,8146 37,3355 43,4619 49,5126 53,3835 56,8955 61,1621 64,1814 70,7029
39 19,9959 21,4262 23,6543 25,6954 28,1958 32,7369 38,3354 44,5395 50,6598 54,5722 58,1201 62,4281 65,4756 72,0547
40 20,7065 22,1643 24,4330 26,5093 29,0505 33,6603 39,3353 45,6160 51,8051 55,7585 59,3417 63,6907 66,7660 73,4020
41 21,4208 22,9056 25,2145 27,3256 29,9071 34,5846 40,3353 46,6916 52,9485 56,9424 60,5606 64,9501 68,0527 74,7449
42 22,1385 23,6501 25,9987 28,1440 30,7654 35,5099 41,3352 47,7663 54,0902 58,1240 61,7768 66,2062 69,3360 76,0838
43 22,8595 24,3976 26,7854 28,9647 31,6255 36,4361 42,3352 48,8400 55,2302 59,3035 62,9904 67,4593 70,6159 77,4186
44 23,5837 25,1480 27,5746 29,7875 32,4871 37,3631 43,3352 49,9129 56,3685 60,4809 64,2015 68,7095 71,8926 78,7495
45 24,3110 25,9013 28,3662 30,6123 33,3504 38,2910 44,3351 50,9849 57,5053 61,6562 65,4102 69,9568 73,1661 80,0767
46 25,0413 26,6572 29,1601 31,4390 34,2152 39,2197 45,3351 52,0562 58,6405 62,8296 66,6165 71,2014 74,4365 81,4003
47 25,7746 27,4158 29,9562 32,2676 35,0814 40,1492 46,3350 53,1267 59,7743 64,0011 67,8206 72,4433 75,7041 82,7204
48 26,5106 28,1770 30,7545 33,0981 35,9491 41,0794 47,3350 54,1964 60,9066 65,1708 69,0226 73,6826 76,9688 84,0371
49 27,2493 28,9406 31,5549 33,9303 36,8182 42,0104 48,3350 55,2653 62,0375 66,3386 70,2224 74,9195 78,2307 85,3506
50 27,9907 29,7067 32,3574 34,7643 37,6886 42,9421 49,3349 56,3336 63,1671 67,5048 71,4202 76,1539 79,4900 86,6608
51 28,7347 30,4750 33,1618 35,5999 38,5604 43,8745 50,3349 57,4012 64,2954 68,6693 72,6160 77,3860 80,7467 87,9680
52 29,4812 31,2457 33,9681 36,4371 39,4334 44,8075 51,3349 58,4681 65,4224 69,8322 73,8099 78,6158 82,0008 89,2722
53 30,2300 32,0185 34,7763 37,2759 40,3076 45,7412 52,3348 59,5343 66,5482 70,9935 75,0019 79,8433 83,2526 90,5734
54 30,9813 32,7934 35,5863 38,1162 41,1830 46,6755 53,3348 60,6000 67,6728 72,1532 76,1920 81,0688 84,5019 91,8718
55 31,7348 33,5705 36,3981 38,9580 42,0596 47,6105 54,3348 61,6650 68,7962 73,3115 77,3805 82,2921 85,7490 93,1675
56 32,4905 34,3495 37,2116 39,8013 42,9373 48,5460 55,3348 62,7294 69,9185 74,4683 78,5672 83,5134 86,9938 94,4605
57 33,2484 35,1305 38,0267 40,6459 43,8161 49,4821 56,3347 63,7933 71,0397 75,6237 79,7522 84,7328 88,2364 95,7510
58 34,0084 35,9135 38,8435 41,4920 44,6960 50,4188 57,3347 64,8565 72,1598 76,7778 80,9356 85,9502 89,4769 97,0388
59 34,7704 36,6982 39,6619 42,3393 45,5770 51,3560 58,3347 65,9193 73,2789 77,9305 82,1174 87,1657 90,7153 98,3242
60 35,5345 37,4849 40,4817 43,1880 46,4589 52,2938 59,3347 66,9815 74,3970 79,0819 83,2977 88,3794 91,9517 99,6072
146
Anexo IV: Distribuição F-Snedecor (p=0,10)
G.L. Graus de Liberdade (G.L.) do Numerador
Denominador 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 após
1 39,86 49,50 53,59 55,83 57,24 58,20 58,91 59,44 59,86 60,19 60,71 61,22 61,74 62,00 62,26 62,53 62,79 63,06 63,30
2 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,38 9,39 9,41 9,42 9,44 9,45 9,46 9,47 9,47 9,48 9,49
3 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,24 5,23 5,22 5,20 5,18 5,18 5,17 5,16 5,15 5,14 5,13
4 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,94 3,92 3,90 3,87 3,84 3,83 3,82 3,80 3,79 3,78 3,76
5 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,32 3,30 3,27 3,24 3,21 3,19 3,17 3,16 3,14 3,12 3,11
6 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,96 2,94 2,90 2,87 2,84 2,82 2,80 2,78 2,76 2,74 2,72
7 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,72 2,70 2,67 2,63 2,59 2,58 2,56 2,54 2,51 2,49 2,47
8 3,46 3,11 2,92 2,81 2,73 2,67 2,62 2,59 2,56 2,54 2,50 2,46 2,42 2,40 2,38 2,36 2,34 2,32 2,30
9 3,36 3,01 2,81 2,69 2,61 2,55 2,51 2,47 2,44 2,42 2,38 2,34 2,30 2,28 2,25 2,23 2,21 2,18 2,16
10 3,29 2,92 2,73 2,61 2,52 2,46 2,41 2,38 2,35 2,32 2,28 2,24 2,20 2,18 2,16 2,13 2,11 2,08 2,06
11 3,23 2,86 2,66 2,54 2,45 2,39 2,34 2,30 2,27 2,25 2,21 2,17 2,12 2,10 2,08 2,05 2,03 2,00 1,98
12 3,18 2,81 2,61 2,48 2,39 2,33 2,28 2,24 2,21 2,19 2,15 2,10 2,06 2,04 2,01 1,99 1,96 1,93 1,91
13 3,14 2,76 2,56 2,43 2,35 2,28 2,23 2,20 2,16 2,14 2,10 2,05 2,01 1,98 1,96 1,93 1,90 1,88 1,85
14 3,10 2,73 2,52 2,39 2,31 2,24 2,19 2,15 2,12 2,10 2,05 2,01 1,96 1,94 1,91 1,89 1,86 1,83 1,80
15 3,07 2,70 2,49 2,36 2,27 2,21 2,16 2,12 2,09 2,06 2,02 1,97 1,92 1,90 1,87 1,85 1,82 1,79 1,76
16 3,05 2,67 2,46 2,33 2,24 2,18 2,13 2,09 2,06 2,03 1,99 1,94 1,89 1,87 1,84 1,81 1,78 1,75 1,72
17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 2,03 2,00 1,96 1,91 1,86 1,84 1,81 1,78 1,75 1,72 1,69
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 2,00 1,98 1,93 1,89 1,84 1,81 1,78 1,75 1,72 1,69 1,66
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,98 1,96 1,91 1,86 1,81 1,79 1,76 1,73 1,70 1,67 1,64
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,96 1,94 1,89 1,84 1,79 1,77 1,74 1,71 1,68 1,64 1,61
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,95 1,92 1,87 1,83 1,78 1,75 1,72 1,69 1,66 1,62 1,59
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,97 1,93 1,90 1,86 1,81 1,76 1,73 1,70 1,67 1,64 1,60 1,57
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,92 1,89 1,84 1,80 1,74 1,72 1,69 1,66 1,62 1,59 1,55
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,91 1,88 1,83 1,78 1,73 1,70 1,67 1,64 1,61 1,57 1,54
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,89 1,87 1,82 1,77 1,72 1,69 1,66 1,63 1,59 1,56 1,52
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,88 1,86 1,81 1,76 1,71 1,68 1,65 1,61 1,58 1,54 1,51
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,87 1,85 1,80 1,75 1,70 1,67 1,64 1,60 1,57 1,53 1,50
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,87 1,84 1,79 1,74 1,69 1,66 1,63 1,59 1,56 1,52 1,48
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,86 1,83 1,78 1,73 1,68 1,65 1,62 1,58 1,55 1,51 1,47
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,85 1,82 1,77 1,72 1,67 1,64 1,61 1,57 1,54 1,50 1,46
40 2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,79 1,76 1,71 1,66 1,61 1,57 1,54 1,51 1,47 1,42 1,38
60 2,79 2,39 2,18 2,04 1,95 1,87 1,82 1,77 1,74 1,71 1,66 1,60 1,54 1,51 1,48 1,44 1,40 1,35 1,30
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,68 1,65 1,60 1,55 1,48 1,45 1,41 1,37 1,32 1,26 1,20
após 2,71 2,31 2,09 1,95 1,85 1,78 1,72 1,68 1,64 1,61 1,55 1,49 1,43 1,39 1,35 1,30 1,25 1,18 1,08
147
Anexo V: Distribuição F-Snedecor (p=0,05)
1 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9 243,9 245,9 248,0 249,1 250,1 251,1 252,2 253,3 254,2
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,41 19,43 19,45 19,45 19,46 19,47 19,48 19,49 19,5
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,74 8,70 8,66 8,64 8,62 8,59 8,57 8,55 8,5
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,91 5,86 5,80 5,77 5,75 5,72 5,69 5,66 5,6
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,68 4,62 4,56 4,53 4,50 4,46 4,43 4,40 4,4
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,00 3,94 3,87 3,84 3,81 3,77 3,74 3,70 3,7
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,57 3,51 3,44 3,41 3,38 3,34 3,30 3,27 3,2
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,28 3,22 3,15 3,12 3,08 3,04 3,01 2,97 2,9
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,07 3,01 2,94 2,90 2,86 2,83 2,79 2,75 2,7
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,91 2,85 2,77 2,74 2,70 2,66 2,62 2,58 2,5
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,79 2,72 2,65 2,61 2,57 2,53 2,49 2,45 2,4
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,69 2,62 2,54 2,51 2,47 2,43 2,38 2,34 2,3
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,60 2,53 2,46 2,42 2,38 2,34 2,30 2,25 2,2
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,53 2,46 2,39 2,35 2,31 2,27 2,22 2,18 2,1
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,48 2,40 2,33 2,29 2,25 2,20 2,16 2,11 2,1
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,42 2,35 2,28 2,24 2,19 2,15 2,11 2,06 2,0
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,38 2,31 2,23 2,19 2,15 2,10 2,06 2,01 2,0
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,34 2,27 2,19 2,15 2,11 2,06 2,02 1,97 1,9
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,31 2,23 2,16 2,11 2,07 2,03 1,98 1,93 1,9
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,28 2,20 2,12 2,08 2,04 1,99 1,95 1,90 1,8
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,25 2,18 2,10 2,05 2,01 1,96 1,92 1,87 1,8
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,23 2,15 2,07 2,03 1,98 1,94 1,89 1,84 1,8
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,20 2,13 2,05 2,01 1,96 1,91 1,86 1,81 1,8
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,18 2,11 2,03 1,98 1,94 1,89 1,84 1,79 1,7
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,16 2,09 2,01 1,96 1,92 1,87 1,82 1,77 1,7
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,15 2,07 1,99 1,95 1,90 1,85 1,80 1,75 1,7
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20 2,13 2,06 1,97 1,93 1,88 1,84 1,79 1,73 1,7
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,12 2,04 1,96 1,91 1,87 1,82 1,77 1,71 1,7
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18 2,10 2,03 1,94 1,90 1,85 1,81 1,75 1,70 1,6
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,09 2,01 1,93 1,89 1,84 1,79 1,74 1,68 1,6
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,00 1,92 1,84 1,79 1,74 1,69 1,64 1,58 1,5
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,92 1,84 1,75 1,70 1,65 1,59 1,53 1,47 1,4
120 3,92 3,07 2,68 2,45 2,29 2,18 2,09 2,02 1,96 1,91 1,83 1,75 1,66 1,61 1,55 1,50 1,43 1,35 1,3
após 3,85 3,00 2,61 2,38 2,22 2,11 2,02 1,95 1,89 1,84 1,76 1,68 1,58 1,53 1,47 1,41 1,33 1,24 1,11
148
Anexo VI: Distribuição F-Snedecor (p=0,025)
1 647,8 799,5 864,2 899,6 921,8 937,1 948,2 956,7 963,3 968,6 976,7 984,9 993,1 997,2 1.001 1.006 1.010 1.014 1.018
2 38,51 39,00 39,17 39,25 39,30 39,33 39,36 39,37 39,39 39,40 39,41 39,43 39,45 39,46 39,46 39,47 39,48 39,49 39,50
3 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42 14,34 14,25 14,17 14,12 14,08 14,04 13,99 13,95 13,91
4 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,75 8,66 8,56 8,51 8,46 8,41 8,36 8,31 8,26
5 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,52 6,43 6,33 6,28 6,23 6,18 6,12 6,07 6,02
6 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,37 5,27 5,17 5,12 5,07 5,01 4,96 4,90 4,86
7 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,67 4,57 4,47 4,41 4,36 4,31 4,25 4,20 4,15
8 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,20 4,10 4,00 3,95 3,89 3,84 3,78 3,73 3,68
9 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,87 3,77 3,67 3,61 3,56 3,51 3,45 3,39 3,34
10 6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,62 3,52 3,42 3,37 3,31 3,26 3,20 3,14 3,09
11 6,72 5,26 4,63 4,28 4,04 3,88 3,76 3,66 3,59 3,53 3,43 3,33 3,23 3,17 3,12 3,06 3,00 2,94 2,89
12 6,55 5,10 4,47 4,12 3,89 3,73 3,61 3,51 3,44 3,37 3,28 3,18 3,07 3,02 2,96 2,91 2,85 2,79 2,73
13 6,41 4,97 4,35 4,00 3,77 3,60 3,48 3,39 3,31 3,25 3,15 3,05 2,95 2,89 2,84 2,78 2,72 2,66 2,60
14 6,30 4,86 4,24 3,89 3,66 3,50 3,38 3,29 3,21 3,15 3,05 2,95 2,84 2,79 2,73 2,67 2,61 2,55 2,50
15 6,20 4,77 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,96 2,86 2,76 2,70 2,64 2,59 2,52 2,46 2,40
16 6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99 2,89 2,79 2,68 2,63 2,57 2,51 2,45 2,38 2,32
17 6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92 2,82 2,72 2,62 2,56 2,50 2,44 2,38 2,32 2,26
18 5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87 2,77 2,67 2,56 2,50 2,44 2,38 2,32 2,26 2,20
19 5,92 4,51 3,90 3,56 3,33 3,17 3,05 2,96 2,88 2,82 2,72 2,62 2,51 2,45 2,39 2,33 2,27 2,20 2,14
20 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,68 2,57 2,46 2,41 2,35 2,29 2,22 2,16 2,09
21 5,83 4,42 3,82 3,48 3,25 3,09 2,97 2,87 2,80 2,73 2,64 2,53 2,42 2,37 2,31 2,25 2,18 2,11 2,05
22 5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70 2,60 2,50 2,39 2,33 2,27 2,21 2,14 2,08 2,01
23 5,75 4,35 3,75 3,41 3,18 3,02 2,90 2,81 2,73 2,67 2,57 2,47 2,36 2,30 2,24 2,18 2,11 2,04 1,98
24 5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64 2,54 2,44 2,33 2,27 2,21 2,15 2,08 2,01 1,94
25 5,69 4,29 3,69 3,35 3,13 2,97 2,85 2,75 2,68 2,61 2,51 2,41 2,30 2,24 2,18 2,12 2,05 1,98 1,91
26 5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59 2,49 2,39 2,28 2,22 2,16 2,09 2,03 1,95 1,89
27 5,63 4,24 3,65 3,31 3,08 2,92 2,80 2,71 2,63 2,57 2,47 2,36 2,25 2,19 2,13 2,07 2,00 1,93 1,86
28 5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55 2,45 2,34 2,23 2,17 2,11 2,05 1,98 1,91 1,84
29 5,59 4,20 3,61 3,27 3,04 2,88 2,76 2,67 2,59 2,53 2,43 2,32 2,21 2,15 2,09 2,03 1,96 1,89 1,82
30 5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,41 2,31 2,20 2,14 2,07 2,01 1,94 1,87 1,80
40 5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39 2,29 2,18 2,07 2,01 1,94 1,88 1,80 1,72 1,65
60 5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27 2,17 2,06 1,94 1,88 1,82 1,74 1,67 1,58 1,49
120 5,15 3,80 3,23 2,89 2,67 2,52 2,39 2,30 2,22 2,16 2,05 1,94 1,82 1,76 1,69 1,61 1,53 1,43 1,33
após 5,04 3,70 3,13 2,80 2,58 2,42 2,30 2,20 2,13 2,06 1,96 1,85 1,72 1,65 1,58 1,50 1,41 1,29 1,13
149
Anexo VII: Distribuição F-Snedecor (p=0,01)
1 4.052 4.999 5.403 5.625 5.764 5.859 5.928 5.981 6.022 6.056 6.106 6.157 6.209 6.235 6.261 6.287 6.313 6.339 6.363
2 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,39 99,40 99,42 99,43 99,45 99,46 99,47 99,47 99,48 99,49 99,50
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23 27,05 26,87 26,69 26,60 26,50 26,41 26,32 26,22 26,14
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,37 14,20 14,02 13,93 13,84 13,75 13,65 13,56 13,47
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,89 9,72 9,55 9,47 9,38 9,29 9,20 9,11 9,03
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,72 7,56 7,40 7,31 7,23 7,14 7,06 6,97 6,89
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62 6,47 6,31 6,16 6,07 5,99 5,91 5,82 5,74 5,66
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,67 5,52 5,36 5,28 5,20 5,12 5,03 4,95 4,87
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 5,11 4,96 4,81 4,73 4,65 4,57 4,48 4,40 4,32
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,71 4,56 4,41 4,33 4,25 4,17 4,08 4,00 3,92
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,40 4,25 4,10 4,02 3,94 3,86 3,78 3,69 3,61
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,16 4,01 3,86 3,78 3,70 3,62 3,54 3,45 3,37
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 3,96 3,82 3,66 3,59 3,51 3,43 3,34 3,25 3,18
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94 3,80 3,66 3,51 3,43 3,35 3,27 3,18 3,09 3,02
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,67 3,52 3,37 3,29 3,21 3,13 3,05 2,96 2,88
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,55 3,41 3,26 3,18 3,10 3,02 2,93 2,84 2,76
17 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,46 3,31 3,16 3,08 3,00 2,92 2,83 2,75 2,66
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,37 3,23 3,08 3,00 2,92 2,84 2,75 2,66 2,58
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,30 3,15 3,00 2,92 2,84 2,76 2,67 2,58 2,50
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,23 3,09 2,94 2,86 2,78 2,69 2,61 2,52 2,43
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,17 3,03 2,88 2,80 2,72 2,64 2,55 2,46 2,37
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,12 2,98 2,83 2,75 2,67 2,58 2,50 2,40 2,32
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,07 2,93 2,78 2,70 2,62 2,54 2,45 2,35 2,27
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,03 2,89 2,74 2,66 2,58 2,49 2,40 2,31 2,22
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13 2,99 2,85 2,70 2,62 2,54 2,45 2,36 2,27 2,18
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 2,96 2,81 2,66 2,58 2,50 2,42 2,33 2,23 2,14
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06 2,93 2,78 2,63 2,55 2,47 2,38 2,29 2,20 2,11
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,90 2,75 2,60 2,52 2,44 2,35 2,26 2,17 2,08
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00 2,87 2,73 2,57 2,49 2,41 2,33 2,23 2,14 2,05
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,84 2,70 2,55 2,47 2,39 2,30 2,21 2,11 2,02
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,66 2,52 2,37 2,29 2,20 2,11 2,02 1,92 1,82
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63 2,50 2,35 2,20 2,12 2,03 1,94 1,84 1,73 1,62
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56 2,47 2,34 2,19 2,03 1,95 1,86 1,76 1,66 1,53 1,40
após 6,66 4,63 3,80 3,34 3,04 2,82 2,66 2,53 2,43 2,34 2,20 2,06 1,90 1,81 1,72 1,61 1,50 1,35 1,16
150
Anexo VIII: Distribuição F-Snedecor (p=0,005)
1 16.211 19.999 21.615 22.500 23.056 23.437 23.715 23.925 24.091 24.224 24.426 24.630 24.836 24.940 25.044 25.148 25.253 25.359 25.452
2 198,50 199,00 199,17 199,25 199,30 199,33 199,36 199,37 199,39 199,40 199,42 199,43 199,45 199,46 199,47 199,47 199,48 199,49 199,50
3 55,55 49,80 47,47 46,19 45,39 44,84 44,43 44,13 43,88 43,69 43,39 43,08 42,78 42,62 42,47 42,31 42,15 41,99 41,85
4 31,33 26,28 24,26 23,15 22,46 21,97 21,62 21,35 21,14 20,97 20,70 20,44 20,17 20,03 19,89 19,75 19,61 19,47 19,34
5 22,78 18,31 16,53 15,56 14,94 14,51 14,20 13,96 13,77 13,62 13,38 13,15 12,90 12,78 12,66 12,53 12,40 12,27 12,16
6 18,63 14,54 12,92 12,03 11,46 11,07 10,79 10,57 10,39 10,25 10,03 9,81 9,59 9,47 9,36 9,24 9,12 9,00 8,89
7 16,24 12,40 10,88 10,05 9,52 9,16 8,89 8,68 8,51 8,38 8,18 7,97 7,75 7,64 7,53 7,42 7,31 7,19 7,09
8 14,69 11,04 9,60 8,81 8,30 7,95 7,69 7,50 7,34 7,21 7,01 6,81 6,61 6,50 6,40 6,29 6,18 6,06 5,96
9 13,61 10,11 8,72 7,96 7,47 7,13 6,88 6,69 6,54 6,42 6,23 6,03 5,83 5,73 5,62 5,52 5,41 5,30 5,20
10 12,83 9,43 8,08 7,34 6,87 6,54 6,30 6,12 5,97 5,85 5,66 5,47 5,27 5,17 5,07 4,97 4,86 4,75 4,65
11 12,23 8,91 7,60 6,88 6,42 6,10 5,86 5,68 5,54 5,42 5,24 5,05 4,86 4,76 4,65 4,55 4,45 4,34 4,24
12 11,75 8,51 7,23 6,52 6,07 5,76 5,52 5,35 5,20 5,09 4,91 4,72 4,53 4,43 4,33 4,23 4,12 4,01 3,92
13 11,37 8,19 6,93 6,23 5,79 5,48 5,25 5,08 4,94 4,82 4,64 4,46 4,27 4,17 4,07 3,97 3,87 3,76 3,66
14 11,06 7,92 6,68 6,00 5,56 5,26 5,03 4,86 4,72 4,60 4,43 4,25 4,06 3,96 3,86 3,76 3,66 3,55 3,45
15 10,80 7,70 6,48 5,80 5,37 5,07 4,85 4,67 4,54 4,42 4,25 4,07 3,88 3,79 3,69 3,58 3,48 3,37 3,27
16 10,58 7,51 6,30 5,64 5,21 4,91 4,69 4,52 4,38 4,27 4,10 3,92 3,73 3,64 3,54 3,44 3,33 3,22 3,13
17 10,38 7,35 6,16 5,50 5,07 4,78 4,56 4,39 4,25 4,14 3,97 3,79 3,61 3,51 3,41 3,31 3,21 3,10 3,00
18 10,22 7,21 6,03 5,37 4,96 4,66 4,44 4,28 4,14 4,03 3,86 3,68 3,50 3,40 3,30 3,20 3,10 2,99 2,89
19 10,07 7,09 5,92 5,27 4,85 4,56 4,34 4,18 4,04 3,93 3,76 3,59 3,40 3,31 3,21 3,11 3,00 2,89 2,79
20 9,94 6,99 5,82 5,17 4,76 4,47 4,26 4,09 3,96 3,85 3,68 3,50 3,32 3,22 3,12 3,02 2,92 2,81 2,70
21 9,83 6,89 5,73 5,09 4,68 4,39 4,18 4,01 3,88 3,77 3,60 3,43 3,24 3,15 3,05 2,95 2,84 2,73 2,63
22 9,73 6,81 5,65 5,02 4,61 4,32 4,11 3,94 3,81 3,70 3,54 3,36 3,18 3,08 2,98 2,88 2,77 2,66 2,56
23 9,63 6,73 5,58 4,95 4,54 4,26 4,05 3,88 3,75 3,64 3,47 3,30 3,12 3,02 2,92 2,82 2,71 2,60 2,50
24 9,55 6,66 5,52 4,89 4,49 4,20 3,99 3,83 3,69 3,59 3,42 3,25 3,06 2,97 2,87 2,77 2,66 2,55 2,44
25 9,48 6,60 5,46 4,84 4,43 4,15 3,94 3,78 3,64 3,54 3,37 3,20 3,01 2,92 2,82 2,72 2,61 2,50 2,39
26 9,41 6,54 5,41 4,79 4,38 4,10 3,89 3,73 3,60 3,49 3,33 3,15 2,97 2,87 2,77 2,67 2,56 2,45 2,34
27 9,34 6,49 5,36 4,74 4,34 4,06 3,85 3,69 3,56 3,45 3,28 3,11 2,93 2,83 2,73 2,63 2,52 2,41 2,30
28 9,28 6,44 5,32 4,70 4,30 4,02 3,81 3,65 3,52 3,41 3,25 3,07 2,89 2,79 2,69 2,59 2,48 2,37 2,26
29 9,23 6,40 5,28 4,66 4,26 3,98 3,77 3,61 3,48 3,38 3,21 3,04 2,86 2,76 2,66 2,56 2,45 2,33 2,23
30 9,18 6,35 5,24 4,62 4,23 3,95 3,74 3,58 3,45 3,34 3,18 3,01 2,82 2,73 2,63 2,52 2,42 2,30 2,19
40 8,83 6,07 4,98 4,37 3,99 3,71 3,51 3,35 3,22 3,12 2,95 2,78 2,60 2,50 2,40 2,30 2,18 2,06 1,95
60 8,49 5,79 4,73 4,14 3,76 3,49 3,29 3,13 3,01 2,90 2,74 2,57 2,39 2,29 2,19 2,08 1,96 1,83 1,71
120 8,18 5,54 4,50 3,92 3,55 3,28 3,09 2,93 2,81 2,71 2,54 2,37 2,19 2,09 1,98 1,87 1,75 1,61 1,45
após 7,91 5,33 4,30 3,74 3,37 3,11 2,92 2,77 2,64 2,54 2,38 2,21 2,02 1,92 1,81 1,69 1,56 1,39 1,18
151

Apostila de Estatística

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila de Estatística

Enviado por

Direitos autorais:

Formatos disponíveis

ESTATÍSTICA BASICA

Autor: Prof. Dr. Arturo Alejandro Zavala Zavala

Professor do quadro efetivo da Universidade Federal de Mato Grosso - Faculdade de

Especialista em Estatística Econômica, Modelos de Regressão, Series Temporais,

Abraços e boa leitura.

CAPÍTULO 1: INTRODUÇÃO ......................................................................................................................5

Então uma definição formal poderia ser:

Tecnicamente podemos entender que a estatística se pode dividir em dois: a) as paramétricas e b) as

Alguns conceitos são necessários para o entendimento da Estatística

1.2. Conceitos Básicos na Estatística

É um subconjunto da população em estudo. Dependendo como é coletada a informação a amostragem

B1) Amostragem Aleatória

B2) Amostragem Determinística

Exemplo: 30 alunos inscritos no curso a distancia em Administração da Universidade Federal de Mato

É um elemento da população de aquele que será extraída a informação relevante.

Exemplo: 1 aluno inscritos no curso a distancia em Administração da Universidade Federal de Mato

Que perguntas podemos fazer a esse aluno?

Em estatística o conceito de Variável é um pouco diferente, podemos definir como aquela

Neste exemplo podemos identificar que existem dois tipos de variáveis:

D1) Variáveis quantitativas

Estas variáveis podem ser divididas em dois tipos:

• Variáveis quantitativas discretas

D2) Variáveis qualitativas

• Variáveis qualitativas Hierárquicas

Considerando a informação anterior identifique se é possível população, amostra, unidade Elemental,

População: Todos os clientes da empresa XXX

Amostra: 50 clientes da empresa XXX

Unidade Elemental: 1 cliente da empresa XXX

Tabela 1.1.- Identificação das Variáveis, tipos de Variáveis e Observação

Variáveis Tipo de Variável Observação

Parâmetro: Vendas semanais das lâmpadas (Desconhecido)

Estimador: 3000 lâmpadas por semana.

2.1. Organização e Representação de Dados

a) Frequência Absoluta ou Observada (𝑓𝑖 )

b) Frequência Relativa (𝑓𝑟𝑖 )

c) Frequências Porcentuais (𝑝𝑖 )

Uma representação gráfica da tabela pode ser apresentada por:

Opinião sobre a qualidade das lâmpadas

Opinião dos Clientes

Figura 2.1: Distribuição da proporção da opinião sobre a qualidade das lâmpadas

Outra representação gráfica pode ser:

Opinião sobre a qualidade das lâmpadas

Ruim; 20% Bom; 24%

Figura 2.2: Distribuição da proporção da opinião sobre a qualidade das lâmpadas

Exemplo 2.2: Na empresa XXX, se escolheram 40 funcionários perguntando o número de filhos, os

Tabela 2.2.- Distribuição de frequências de número de filhos dos funcionários

No. Filhos 𝒇𝒊 𝒇𝒓𝒊 𝒑𝒊

Distribuição de Filhos por Funcionário

Figura 2.3: Distribuição da proporção de filhos de funcionários.

Quando se considera intervalos de classe de igual amplitude, o procedimento é o seguinte:

Para a construção da tabela de freqüências consideramos k=10 intervalos de classe.

2. Determinar o comprimento ou amplitude (A) dos dados, isto é,

𝐴 = 3000,00 − 2500,00 = 500,00

Algumas definições devem ser inseridas:

a) Frequência Acumulativa Absoluta (𝐹𝑖 )

b) Frequência Acumulada Relativa (𝐹𝑟𝑖 )

𝐹𝑟𝑖 = 𝑓𝑟1 + 𝑓𝑟2 + ⋯ + 𝑓𝑟𝑖

ou 𝐹𝑟𝑖 = 𝐹𝑟𝑖−1 + 𝑓𝑟𝑖

c) Marca de Classe (𝑿′𝒊 )

𝐿𝑖𝑚 𝐼𝑛𝑓𝑖 + 𝐿𝑖𝑚 𝑆𝑢𝑝𝑖

Por exemplo na classe 2, a marca de classe é obtida por:

𝐿𝑖𝑚 𝐼𝑛𝑓2 + 𝐿𝑖𝑚 𝑆𝑢𝑝2 2550 + 2600

Desta forma a tabela de frequência é definida por:

Tabela 2.3.- Distribuição do tempo de vida (em horas) das lâmpadas