Estatstica Aplicada

Educao Matemtica
Inder Jeet Taneja
Fernando Guerra
2 Edio
Florianpolis, 2010
Governo Federal
Presidente da Repblica: Luiz Incio Lula da Silva
Ministro de Educao: Fernando Haddad
Secretrio de Ensino a Distncia: Carlos Eduardo Bielschowky
Coordenador Nacional da Universidade Aberta do Brasil: Celso Costa
Universidade Federal de Santa Catarina
Reitor: Alvaro Toubes Prata
Vice-Reitor: Carlos Alberto Justo da Silva
Secretrio de Educao a Distncia: Ccero Barbosa
Pr-Reitora de Ensino de Graduao: Yara Maria Rauh Mller
Pr-Reitora de Pesquisa e Extenso: Dbora Peres Menezes
Pr-Reitor de Ps-Graduao: Maria Lcia de Barros Camargo
Pr-Reitor de Desenvolvimento Humano e Social: Luiz Henrique Vieira Silva
Pr-Reitor de Infra-Estrutura: Joo Batista Furtuoso
Pr-Reitor de Assuntos Estudantis: Cludio Jos Amante
Centro de Cincias da Educao: Wilson Schmidt
Centro de Cincias Fsicas e Matemticas: Tarciso Antnio Grandi
Centro de Filosoa e Cincias Humanas: Roselane Neckel
Curso de Licenciatura em Matemtica na
Modalidade Distncia
Coordenao de Curso: Neri Terezinha Both Carvalho
Coordenao de Tutoria: Jane Crippa
Coordenao Pedaggica/CED: Roseli Zen Cerny
Coordenao de Ambientes Virtuais/CFM: Nereu Estanislau Burin
Comisso Editorial
Antnio Carlos Gardel Leito
Albertina Zatelli
Elisa Zunko Toma
Igor Mozolevski
Luiz Augusto Saeger
Roberto Corra da Silva
Ruy Coimbra Charo
Laboratrio de Novas Tecnologias - LANTEC/CED
Coordenao Pedaggica
Coordenao Geral: Andrea Lapa, Roseli Zen Cerny
Ncleo de Formao: Nilza Godoy Gomes
Ncleo de Pesquisa e Avaliao: Claudia Regina Flores

Ncleo de Criao e Desenvolvimento de Materiais
Design Grco
Coordenao: Laura Martins Rodrigues, Thiago Rocha Oliveira
Projeto Grco Original: Diogo Henrique Ropelato, Marta Cristina Goulart
Braga, Natal Anacleto Chicca Junior.
Redesenho do Projeto Grco: Laura Martins Rodrigues,
Thiago Rocha Oliveira
Diagramao: Natlia de Gouva Silva
Ilustraes: Cristina da Silva, Rafael Schmidt Alves,
Natlia de Gouva Silva, Kallani Maciel Bonelli
Capa: ngelo Bortolini Silveira
Design Instrucional
Coordenao: Juliana Machado
Design Instrucional: Janice Pereira Lopes
Reviso do Design Instrucional: Marcia Maria Bernal
Reviso Gramatical: Jane Maria Viana Cardoso
Copyright 2010, Universidade Federal de Santa Catarina/CFM/CED/UFSC
Nenhuma parte deste material poder ser reproduzida, transmitida e gravada, por qualquer
meio eletrnico, por fotocpia e outros, sem a prvia autorizao, por escrito, da Coordena-
o Acadmica do Curso de Licenciatura em Matemtica na Modalidade Distncia.
Ficha Catalogrca

T164e Taneja, Inder Jeet
Estatstica Aplicada Educao Matemtica / Inder Jeet Taneja,
Fernando Guerra. 2. ed. Florianpolis : UFSC/EAD/CED/CFM,
2010.
230 p.

ISBN 978-85-99379-72-1

1. Estaststica. 2. Educao. I. Guerra, Fernando. II Ttulo.
CDU 519.2
Elaborada pela Bibliotecria Eleonora M. F. Vieira CRB 14/786
Sumrio
Apresentao ............................................................................. 9
1 Noes Bsicas da Estatstica ............................................ 11
1.1 Origem da Estatstica ................................................................. 13
1.2 Conceitos ..................................................................................... 15
1.3 Populao ou Universo .............................................................. 16
1.4 Amostra ....................................................................................... 16
1.5 A Estatstica na Metodologia Cientfca .................................. 16
1.6 Tipos de Pesquisas ..................................................................... 17
1.7 Dados Estatsticos ....................................................................... 18
1.8 Anlise Crtica dos Dados ......................................................... 19
1.9 Anlise Exploratria de Dados ................................................. 19
1.10 Classifcao dos Dados ........................................................... 20
1.11 Tipos de Variveis ..................................................................... 20
1.12 Mensurao de uma Varivel ................................................. 22
1.13 Instrumento de Coleta de Dados ............................................ 23
1.14 Plano de Amostragem .............................................................. 28
1.15 Amostra Aleatria Simples ..................................................... 28
Exerccios Propostos ........................................................................ 31
Resumo .............................................................................................. 33
Bibliografa Comentada ................................................................... 33
2 Organizao de Dados, Grfcos e
Distribuio de Freqncia ............................................... 35
2.1 Variveis ...................................................................................... 37
2.2 Coleta dos Dados........................................................................ 38
2.3 Grfcos ........................................................................................ 41
2.3.1 Tipos de Grfcos ................................................................ 42
2.4 Distribuio de Freqncias ..................................................... 46
2.5 Histograma de Freqncias ...................................................... 56
Exerccios Propostos ........................................................................ 60
Resumo .............................................................................................. 64
Bibliografa Comentada ................................................................... 64
3 Medidas de Tendncia Central ......................................... 65
3.1 Introduo ................................................................................... 67
3.2 Mdia Aritmtica ....................................................................... 68
3.2.1 Mdia Aritmtica Simples ................................................ 68
3.2.2 Mdia Aritmtica Ponderada ........................................... 69
3.2.3 Mdia Aritmtica para Dados Agrupados
em classe (ponderada) ....................................................... 72
3.3 Outras Mdias ............................................................................ 76
3.3.1 Mdia geomtrica .............................................................. 76
3.3.2 Mdia Harmnica .............................................................. 77
3.3.3 Mdia Quadrtica .............................................................. 78
3.3.4 Desigualdade entre Quatro Mdias ................................ 79
3.4 Mediana ...................................................................................... 80
3.4.1 Mediana para Dados Isolados .......................................... 80
3.4.2 Mediana para Dados Agrupados .................................... 82
3.5 Moda ............................................................................................ 87
3.5.1 Caso de Dados Isolados e/ou
No Agrupados em Classe ............................................... 88
3.5.2 Clculo da Moda para
Dados Agrupados em Classes ......................................... 90
Exerccios Propostos ........................................................................ 92
Resumo .............................................................................................. 97
4 Medidas de Disperso e Utilizao das Planilhas ........ 99
4.1 Introduo ..................................................................................101
4.2 Amplitude ................................................................................. 103
4.3 Desvio Mdio ............................................................................ 104
4.3.1 Desvio Mdio Absoluto Dados Isolados .................... 105
4.3.2 Dados Isolados Ponderados e
Agrupados em Classe ......................................................107
4.4 Varincia ....................................................................................110
4.5 Desvio Padro ...........................................................................112
4.6 Coefciente de Variao ............................................................113
Exerccios Propostos .......................................................................117
4.7 A Estatstica no Excel ............................................................... 120
4.7.1 Conhecendo o Excel ......................................................... 120
Resumo ............................................................................................ 130
Bibliografas Comentadas ............................................................. 130
Clculo de Probabilidade .................................................... 131
5.1 Introduo ................................................................................. 133
5.2 Experimentos Aleatrios ......................................................... 134
5.3 Espao amostral e Noo de Probabilidade ......................... 134
5.4 Variveis Aleatrias ................................................................. 138
5.5 Esperana Matemtica ou Valor Esperado ............................142
5.5.1 Varincia e Desvio Padro .............................................. 144
5.6 Distribuies Discretas .............................................................145
5.6.1 Distribuio de Bernoulli .................................................145
5.6.2 Distribuio Binomial ......................................................147
5.7 Distribuies Contnuas ...........................................................152
5.7.1 Distribuio Normal ........................................................ 153
5.8 Distribuio Normal como Aproximao
da Distribuio Binomial ....................................................... 163
Exerccios Propostos .......................................................................168
Resumo .............................................................................................170
Apndice ......................................................................................... 171
6 Amostragem ....................................................................... 173
6.1 Introduo ................................................................................. 175
6.1.1 Tipos de amostragem ........................................................176
6.1.2 Principais fases de um levantamento estatstico ......... 179
6.2 Amostragem Causal Simples.................................................. 180
6.3 Distribuies Amostrais ..........................................................182
6.3.1 Distribuio Amostral da Mdia:
Com e Sem Reposio ..................................................... 183
6.4 Distribuio Amostral das Propores ................................. 195
Exerccios Propostos ...................................................................... 199
Resumo ............................................................................................ 201
7 Estimao ............................................................................ 203
7.1 Introduo .................................................................................. 205
7.2 Estimativas Pontuais e Intervalares ....................................... 205
7.3 Intervalo de confana .............................................................. 206
7.4 Estimao de Mdia de uma Populao ................................ 207
7.4.1 Desvio Padro Populacional Conhecido ....................... 209
7.4.2 Erro de Estimao e Tamanho da Amostra ...................215
7.5 Desvio Padro Populacional Desconhecido ..........................216
7.5.1 Distribuio t de Student ..................................................216
7.5.2 Amostragem de Pequenas Populaes: Fator de
Correo Finita ...........................................................................219
7.6 Estimativa por Intervalo de Confana para Propores .... 222
Exerccios Propostos ...................................................................... 225
Resumo ............................................................................................ 227
Referncias ............................................................................ 229
Apresentao
Este livro destinado a quem estuda estatstica pela primeira vez. O
objetivo dos autores foi dar as idias principais da Estatstica, e uma
certa habilitao para a parte algbrica. Atravs de uma linguagem
simples e clara, muitas vezes coloquial so apresentados conceitos
com alguns exerccios resolvidos. Dentre os exerccios apresentados,
encontram-se aqueles que se destinam a auxiliar a compreenso do
contedo exposto, e aqueles que objetivam conferir ao leitor certa
familiaridade com a disciplina de Estatstica.
No captulo 1, abordaremos as noes bsicas de Estatstica, bem
como sua origem, conceitos de Estatstica, de populao e de amos-
tra. Mostraremos a Estatstica na Metodologia Cientfca, os tipos de
pesquisas, a coleta de dados estatsticos, a anlise exploratria de
dados, os tipos de variveis e sua mensurao, a coleta de dados, o
plano de amostragem e a amostra aleatria simples.
No captulo 2, faremos uma rpida organizao de dados, atravs de
coleta e apurao, os quais sero apresentados em tabelas, em qua-
dros, em grfcos (por exemplo, o grfco de linha) e em diagramas
de pontos. Estudaremos a distribuio de freqncia (ou tabela de
freqncia) e construiremos uma tabela de freqncia com interva-
los de classe. Estudaremos tambm a freqncia simples, a relativa,
a acumulada e a acumulada relativa. Abordaremos a construo do
grfco do histograma de freqncia e do polgono de freqncia.
J no captulo 3, estudaremos vrias medidas de posio ou de ten-
dncia central e suas utilidades no ensino fundamental. Dentre elas,
destacaremos a mdia aritmtica, a mediana e a moda. Estudare-
mos tambm outras mdias, tais como a mdia geomtrica, a mdia
harmnica e a mdia quadrtica.
Apresentaremos, no captulo 4, as medidas de disperso ou variabi-
lidade, ou seja, o desvio mdio, o desvio padro, a varincia e o co-
efciente de variao que tm sua importncia na Estatstica. Abor-
daremos ainda a utilizao da Estatstica no Excel para o clculo de
algumas freqncias (absoluta e relativa acumulada).
Iniciaremos o captulo 5 dando os conceitos de experimentos ale-
atrios, espao amostral, noo de probabilidade e de evento. De-
fniremos variveis aleatrias discretas e contnuas, esperana
matemtica ou valor esperado, varincia e desvio padro de uma
varivel aleatria discreta. Abordaremos as principais distribuies
de probabilidade discreta: a distribuio de Bernoulli e a Binomial
e tambm a principal distribuio de probabilidade contnua, que
a distribuio normal ou de Gauss Abordaremos a distribuio
normal como aproximao da distribuio Binomial.
O captulo 6 tratar dos tipos de amostragem e da distribuio
amostral da mdia com e sem reposio. Estudaremos o Teorema
do Limite Central e a distribuio amostral das propores com e
sem reposio.
Finalmente, no captulo 7, estudaremos a Estimao de Parmetros:
pontual e intervalar e intervalo de confana. Abordaremos a esti-
mao da mdia de uma populao e o desvio padro populacional,
erro de estimao e o tamanho da amostra. Apresentaremos a dis-
tribuio t de Student, a amostragem de pequenas populaes: Fator
de Correo Finita (FCF) e a estimativa por intervalo de confana
para propores.
Inder Jeet Taneja
Fernando Guerra
Captulo 1
Noes Bsicas da
Estatstica
13
Captulo 1
Noes Bsicas da Estatstica
Neste captulo, o nosso objetivo ser o de apresentar a ori-
gem e alguns conceitos de Estatstica, tais como popula-
o e amostra, alm de mostrar os tipos de pesquisas, os
tipos de variveis, a anlise exploratria de dados, como
mensurar uma varivel, a coleta de dados estatsticos e a
amostra aleatria simples.
1.1 Origem da Estatstica
Desde a Antigidade, vrios povos j registravam o nmero de ha-
bitantes, de nascimentos, de bitos, faziam estimativas das riquezas
individual e social, distribuam eqitativamente terras ao povo, co-
bravam impostos e at realizavam inquritos quantitativos por pro-
cessos que hoje chamaramos de estatsticas.
Na Idade Mdia, colhiam-se informaes com fnalidades tribut-
rias e blicas.
A partir do sculo XVI surgem as primeiras anlises sistemticas de
fatos sociais, tais como batizados, casamentos, funerais, originando
as primeiras tbuas e tabelas.
No sculo XVIII, o estudo de tais fatos vai ganhando feio ver-
dadeiramente cientfca. Godofredo Achenwall denomina a nova
cincia de Estatstica, determinando seu objetivo e suas relaes
com as cincias.
No Brasil, a Estatstica surgiu na segunda metade do sculo XIX
com um Decreto Imperial, em 14 de janeiro de 1871 quando foi cria-
da a primeira Diretoria Geral de Estatstica (DGE).
Em 1930, houve uma reforma que fundiu a DGE com a Diretoria de
Estatstica Comercial e, com o advento da Repblica, esta passou a
A palavra estatstica surge
da expresso em Latim
statisticum collegium,
palestra sobre os assuntos
do Estado, de onde surgiu a
palavra em lngua italiana
statista, que signica
homem de estado, ou
poltico, e a palavra alem
Statistik, designando a
anlise de dados sobre o
Estado. A palavra adquiriu
um signicado de coleta e
classicao de dados, no
incio do sculo 19.
Fonte: http://pt.wikipedia.org/
wiki/Estatistica
14
se chamar Departamento Nacional de Estatstica, cujos setores de
atividades foram se desenvolvendo at 1934.
Pelo Decreto de 6 de julho de 1934, foi criado o Instituto Nacional de
Estatstica, rgo que veio centralizar todas as atividades estatsticas do
pas e responsvel pela publicao do Anurio Estatstico do Brasil.
Para unifcar os servios de estatstica ofcial, o Instituto Brasileiro de
Geografa e Estatstica (IBGE) foi criado pelo Decreto Lei de 16 de ja-
neiro de 1938. O IBGE uma entidade de natureza federativa, subor-
dinada diretamente Presidncia da Repblica, e tem por objetivo
promover, fazer executar ou orientar tecnicamente o regime naciona-
lizado, o levantamento sistemtico de todas as estatsticas brasileiras
e a coordenao metdica das atividades geogrfcas do pas.
Como disciplina cientfca, s no sculo passado foi que a Estatstica
se estruturou, mas j era conhecida desde a antiguidade. H mais
de quatro mil anos, os chineses utilizavam quadros de estatstica
agrcola. Na Bblia, h referncias de censo dos Hebreus; no Egito,
devido s inundaes do Nilo, efetuavam anualmente trabalhos ca-
dastrais para a repartio de terras frteis; na Grcia, realizaram-se
censos demogrfcos muitos sculos antes de Cristo; em Roma, os
censos eram levados a efeito principalmente com o objetivo de fazer
aplicar o regime de imposto.
Na poca moderna, as informaes estatsticas mais importantes
fguram nos registros de estado civil, mantidos inicialmente pela
Igreja e depois pelo Poder Civil. o estudo dos jogos de azar, desen-
volvido ao ponto de formar um ramo distinto das matemticas - o
clculo das probabilidades - que vem dar Cincia Estatstica sua
justifcao terica e seus mtodos de pesquisa.
A palavra estatstica formou-se da mesma raiz da palavra Estado
(organizao poltica), talvez porque, originalmente, as estatsticas
eram colhidas para as fnalidades relacionadas com o Estado, com
objetivos militares ou mesmo tributrios, e para a computao de
nascimentos e de casamentos.
A palavra estatstica, quando usada no plural, refere-se a dados num-
ricos, mesmo aqueles obtidos por simples contagem (dados estats-
ticos).
15
Quando usada no singular, estatstica signifca o conjunto de mto-
dos que se destinam a possibilitar a tomada de decises acertadas
face s incertezas.
1.2 Conceitos
Existe mais de uma centena de conceitos ou defnies propostos
por autores, objetivando estabelecer com clareza a flosofa, os limi-
tes e o campo de atuao da Estatstica. Alguns so:
A estatstica a disciplina cientfca que trata da coleta, des-
crio (organizao, sumarizao e apresentao) e anlise de
dados, bem como na obteno de concluses vlidas e na to-
mada de decises acertadas, face a insufcincia das informa-
es disponveis.
A Estatstica um conjunto de processos ou tcnicas empre-
gadas na investigao e anlise de fenmenos coletivos ou de
massa.
A Estatstica a matemtica aplicada aos dados de observao.
De acordo com os Parmetros Curriculares Nacionais (PCN)
elaborados e publicados pela SEF/MEC, as atividades pro-
postas para o ensino da estatstica e de probabilidade da 1
a

8
a
srie do ensino fundamental (7 a 14 anos) esto recomen-
dados no bloco de contedo Tratamentos da Informao
do currculo de Matemtica. Nesse bloco, alm da probabili-
dade e da estatstica, inclui-se a combinatria.
Os Parmetros Curriculares Nacionais (PCN) recomendam o trabalho
com Estatstica com a fnalidade de que o estudante construa pro-
cedimentos para coletar, organizar, comunicar e interpretar dados,
utilizando tabelas, grfcos e representaes, e que seja capaz de
descrever e interpretar sua realidade, usando conhecimentos mate-
mticos.
16
1.3 Populao ou Universo
O termo populao ou universo se refere a todas as observaes (to-
dos os indivduos ou a todos os objetos) que sejam relevantes a um
determinado problema.
Uma populao pode ser nita ou innita (em princpio, no se
pode, na realidade, enumerar todas as observaes, como por
exemplo, os astros existentes no Universo).
1.4 Amostra
um conjunto de observaes (aleatrias, sem preferncia) e re-
presentativas tomadas de uma Populao. Uma amostra deve ser
probabilstica, isto , cada elemento da populao deve ter a mesma
oportunidade ser escolhido. , portanto, um subconjunto fnito de
uma populao. Eis alguns exemplos:
Populao: a) Os trinta sabores de sorvete da Confeitaria Bem
Gelado.
Amostra: Cinco sabores testados para saber se a Confeitaria
Bem Gelado vende sorvetes de boa qualidade.
Populao: b) Todos os eleitores do Estado de Santa Catarina.
Amostra: Trs mil eleitores entrevistados em uma pesquisa
do IBOPE.
1.5 A Estatstica na Metodologia
Cientca
A Estatstica pode estar presente nas diversas etapas de uma pesquisa
desde o seu planejamento at a interpretao de seus resultados, po-
dendo, com isso, infuenciar na conduo do processo da pesquisa.
A coleta de dados uma fase da pesquisa que precisa ser cuidado-
samente planejada, para que os dados a serem levantados forneam
informaes relevantes para os objetivos da pesquisa.
Metodologia cientca
refere-se forma como
funciona o conhecimento
cientco. Tem sua
origem no pensamento
de Descartes, que
foi posteriormente
desenvolvido empiricamente
pelo fsico ingls Isaac
Newton. Descartes props
chegar verdade atravs
da dvida sistemtica
e da decomposio do
problema em pequenas
partes, caractersticas
que deniram a base da
pesquisa cientca.
Fonte: http://pt.wikipedia.org/
wiki/Metodologia_cientica
17
Em uma pesquisa cientfca, precisamos coletar dados que nos forne-
am informaes capazes de responder aos nossos questionamentos.
As principais etapas de planejamento da pesquisa estatstica so:
a defnio do problema a ser pesquisado;
os objetivos da pesquisa (geral e especfco) devem ser elabora-
dos de forma bem clara;
a execuo da pesquisa;
o levantamento de dados necessrios;
a anlise dos dados;
os resultados alcanados;
a concluso.
Apesar de a aplicao de tcnicas estatsticas ser feita basicamente
na etapa de anlise dos dados, a metodologia estatstica deve ser
aplicada nas diversas etapas da pesquisa, havendo uma iterao
com a metodologia da rea em estudo.
1.6 Tipos de Pesquisas
Depois dos objetivos traados, precisamos decidir sobre o delinea-
mento da pesquisa. Para isto temos dois tipos de pesquisas que so:
Pesquisa de Levantamento 1)
Neste tipo de pesquisa, levantamos diversas caractersticas dos
elementos da populao, utilizando questionrios ou entrevis-
tas. A observao feita naturalmente sem a interferncia do
pesquisador.
Pesquisa Experimental 2)
Este tipo de pesquisa usado para resolver problemas bem
especfcos, geralmente formulados sob a forma de hipteses
de causa e efeito. Por exemplo, a metodologia que certo aluno
utiliza para estudar uma disciplina do seu curso e sua repro-
vao nesta mesma disciplina infuenciada por isto.
18
Um passo importante no delineamento da pesquisa consiste
na deciso de quem se vai pesquisar. E para isto, temos a po-
pulao alvo, que so os elementos para os quais desejamos
que as concluses da pesquisa sejam vlidas. Defnidos os ob-
jetivos e a populao a ser estudada, precisamos pensar em
como dever ser a coleta de dados.
1.7 Dados Estatsticos
Aps cuidadoso planejamento e devida determinao das caracte-
rsticas do fenmeno que se quer pesquisar, damos incio coleta
dos dados numricos necessrios sua descrio.
A coleta pode ser direta e indireta.
A coleta direta feita sobre elementos informativos de registro
obrigatrio, como nascimentos, casamentos e bitos, elemen-
tos pertinentes aos pronturios dos alunos de uma escola, ou
ainda quando coletados pelo prprio pesquisador atravs de
inquritos e questionrios, como o caso das notas de verifca-
o e de exames.
A coleta direta de dados pode ser classifcada relativamente
ao fator tempo em:
contnua (registro) a) quando feita continuamente, tal como
a de nascimentos e bitos, a freqncia dos alunos s aulas;
peridica b) quando feita em intervalos constantes de tem-
po, como os censos (de 10 em 10 anos), as avaliaes mensais
dos alunos;
ocasional - c) quando feita extemporaneamente, a fm de
atender uma conjuntura ou uma emergncia, como no caso
de epidemias que assolam ou dizimam rebanhos inteiros.
A coleta se diz indireta quando inferida de elementos conhe-
cidos (coleta direta) e/ou do conhecimento de outros fenme-
nos relacionados com o fenmeno estudado. Como exemplo,
podemos citar a pesquisa sobre a mortalidade infantil, que
feita atravs de dados colhidos por uma coleta direta.
19
1.8 Anlise Crtica dos Dados
Obtidos os dados, eles devem ser cuidadosamente analisados, pro-
cura de possveis falhas, imperfeies e erros, a fm de no incor-
rermos em erros grosseiros ou de certo vulto, que possam infuir
sensivelmente nos resultados.
A crtica externa quando visa s causas dos erros por parte do
informante, por distrao ou m interpretao das perguntas que
lhe foram feitas; interna quando visa a observar os elementos ori-
ginais dos dados da coleta.
1.9 Anlise Exploratria de Dados
Com os dados adequadamente resumidos e apresentados em tabe-
las e grfcos, podemos observar certos aspectos relevantes e come-
ar a delinear hipteses a respeito da estrutura do fenmeno objeto
de estudo. Isto se chama Anlise Exploratria de Dados (tcnicas para
extrair informaes de conjuntos de dados).
Os dados so a matrias prima da Estatstica. Cada observao in-
dividual ou item denominado como unidade elementar ou simples-
mente unidade. Cada unidade elementar pode estar composta por
um ou mais itens medidos, propriedades, atributos etc, denomina-
dos como variveis.
Varivel uma caracterstica, propriedade ou atributo de uma uni-
dade da populao, cujo valor pode variar entre as unidades dessa
populao.
So exemplos de unidades elementares:
As pessoas, quando descrevemos todos ou parte de seus atri-
butos, por exemplo: nome, idade, CPF, endereo etc.
As empresas, quando descrevemos todos ou parte de seus atri-
butos, por exemplo: razo social, CNPJ, nmero de funcion-
rios, capital social etc.
20
As cidades, por exemplo: nmero de habitantes, nmero de
alunos matriculados no Ensino Fundamental, nmero de par-
tidos polticos, rea etc.
1.10 Classicao dos Dados
Os dados so classifcados quanto sua origem, e temos:
Dados de Levantamento So obtidos atravs da simples
observao de como um fenmeno acontece, provenientes de
uma situao onde no existe nenhum controle sobre os fa-
tores que infuenciam os dados. o que chamamos tambm
de dados secundrios, por exemplo: o levantamento dos dados
pessoais de professores e funcionrios da Escola Estadual XX,
da cidade YY, no Estado de Santa Catarina.
Dados de Experimento Tm a fnalidade de observar as rela-
es de causa e efeito que existem entre fenmenos provenien-
tes de uma situao onde existe realmente controle sobre os
fatores que infuenciam os dados. o que chamamos tambm
de dados primrios, por exemplo: o interesse de um aluno em
participar em programas de capacitao; o nvel de satisfao
do aluno em relao a seu curso.
1.11 Tipos de Variveis
Algumas variveis, por exemplo, sexo, escolaridade etc. apresentam
como possveis realizaes uma qualidade (ou atributo) dos elemen-
tos pesquisados, ao passo que outras como peso e idade apresentam
como possveis realizaes nmeros resultantes de uma contagem
ou mensurao. As variveis do primeiro tipo so chamadas quali-
tativas e as do segundo tipo so chamadas quantitativas.
Um pesquisador deve aprender a identifcar quatro tipos de vari-
veis:
Variveis Quantitativas se referem a quantidade, isto , so
medidas numa escala numrica. Estas variveis podem ser de
dois tipos:
21
Variveis Discretas, i) que se referem s variveis que podem
assumir valores inteiros, podendo pertencer a uma conta-
gem 0, 1, 2, 3 ... Por exemplo: o nmero de alunos matricu-
lados na turma A da disciplina de Estatstica, o nmero de
peas com defeito num lote de produo, etc.
Variveis Contnuas ii) so variveis no discretas, isto , so
variveis que podem assumir qualquer valor do conjunto
dos nmeros reais. Por exemplo: o valor das notas do aluno
XX no semestre YY da UFSC, o valor das vendas dirias
de uma empresa, o consumo mensal de energia eltrica da
Escola Estadual Dona Chiquinha, etc.
Variveis Qualitativas no so numricas, pois somente po-
dem ser classifcadas:
Variveis Nominais i) so variveis onde no existe nenhum
ordenamento ou hierarquia. Por exemplo: o estado onde nas-
ceram os alunos matriculados na UFSC; a cidade onde nas-
ceram os servidores tcnicos administrativos da UFSC, etc.
Variveis Ordinrias ii) so variveis onde existe um ordena-
mento ou uma hierarquia. Por exemplo: hierarquia numa
empresa: presidente, diretor, gerente etc.; resposta a um
questionrio de pesquisa onde existe uma escala: bom, re-
gular e ruim; as posies das 10 melhores instituies de
ensino superior: primeira, segunda etc.
Para melhor entendermos os tipos de variveis, vejamos um exemplo.
Exemplo 1.1. No quadro abaixo, um pesquisador registrou parte
do cadastro de funcionrio da Escola Estadual Resplendor. Pede-se:
identifcar as unidades elementares e as variveis desse cadastro.
Nome Idade Cargo Sexo Peso Escolaridade
Joo Paulo 36 Supervisor Escolar M 68 kg Ens. Fundamental
Ana Cristina 29 Secretria F 71 kg Ens. Mdio
Alex Pereira 39 Chefe de expediente M 65 kg Ens. Fundamental
Paulo Jos 26 Analista de Sistema M 74 kg Ens. Superior
Quadro 1.1
22
Resposta. Como os dados coletados se referem aos funcionrios da Es-
cola Estadual Resplendor, as unidades elementares so os referidos fun-
cionrios da Escola; isto , cada funcionrio registrado no quadro acima
uma unidade elementar. As variveis so as propriedades ou atributos
dos funcionrios que variam entre si, por exemplo: idade, cargo, etc.
De um modo geral, para cada elemento investigado, tem-se asso-
ciado um resultado (ou mais de um resultado) correspondente re-
alizao de certa varivel (ou variveis). No exemplo em questo,
considerando-se a varivel sexo, para cada funcionrio temos asso-
ciada a realizao masculino(M) ou feminino(F). Observamos que
o pesquisador colheu informaes sobre seis variveis: nome, idade,
cargo, sexo, peso e escolaridade.
Quanto aos tipos de variveis, temos:
Nome: varivel qualitativa ordinal;
Idade: varivel quantitativa contnua;
Cargo: varivel qualitativa ordinal;
Sexo: varivel qualitativa nominal;
Peso: varivel quantitativa continua;
Escolaridade: varivel qualitativa ordinal.
Na descrio das variveis envolvidas numa pesquisa, devemos in-
cluir a escala (ou unidade) em que sero mensuradas.
1.12 Mensurao de uma Varivel
Muitas caractersticas podem ser mensuradas de vrias formas, e
nem sempre fca evidente qual delas a mais apropriada. Por exem-
plo, vamos procurar levantar o nvel de satisfao de um servidor
tcnico-administrativo com a poltica de trabalho na UFSC fazendo
a ele duas perguntas:
Primeira
Em termos de trabalho que voc exerce no seu servio, voc se sente:
( ) muito satisfeito ( ) pouco satisfeito ( ) insatisfeito
23
Segunda
D uma nota de 0 (zero) a 10 (dez), relativa ao seu grau de satisfao
com o trabalho que voc exerce no seu servio.
Nota: _________.
A primeira pergunta est associada a uma varivel qualitativa, pois
o servidor tcnico-administrativo deve atribuir uma resposta den-
tre as trs qualidades apresentadas, e como existe uma ordenao
do nvel de satisfao nas trs opes, temos uma varivel qualita-
tiva ordinal.
Na segunda pergunta, tenta-se mensurar a caracterstica satisfao
quantitativamente, onde o servidor tcnico-administrativo vai atri-
buir um valor, que ele julga ser sua satisfao, na escala de 0 a 10.
A deciso de como medir determinada caracterstica depende de
vrios aspectos, mas sempre recomendvel verifcar se a mensura-
o proposta leva aos objetivos da pesquisa.
Em muitas situaes, no precisamos ir at os elementos da popu-
lao para obter os dados, pois para isto podemos utilizar a cole-
ta direta ou a coleta indireta. Quando os dados forem levantados
diretamente dos elementos da populao sua coleta deve ser feita
de forma organizada, e pra isto construmos um instrumento que
chamamos de questionrio.
1.13 Instrumento de Coleta de Dados
Com os objetivos da pesquisa e a populao a ser estudada defni-
dos, apresentamos, a seguir, alguns procedimentos para a constru-
o de um questionrio.
Separar as caractersticas a serem levantadas. 1)
Por exemplo, o objetivo geral da pesquisa conhecer melhor
a relao de um aluno da UFSC com o curso em que est ma-
triculado (digamos Licenciatura em Matemtica). Precisamos
24
especifcar melhor o que queremos conhecer dos alunos, ou
seja, os objetivos especfcos, tais como:
conhecer o tempo mdio dos alunos para a concluso do a)
curso;
verifcar a disciplina em que existe um nmero excessivo de b)
reprovao em cada semestre;
verifcar o interesse dos alunos pelo curso, evitando com c)
isto o abandono;
avaliar o grau de satisfao do aluno com o curso; d)
levantar pontos positivos e negativos do curso, segundo e)
sua viso.
Com isto, temos as seguintes caractersticas a serem levanta-
das dentre os alunos do Curso de Licenciatura em Matemti-
ca da UFSC: o tempo de concluso do curso; a disciplina que
mais reprova por semestre; o grau de satisfao com o curso; o
interesse do aluno pelo curso e pontos positivos e negativos do
curso, segundo a viso do aluno.
2) Fazer uma reviso bibliogrfca para verifcar como mensu-
rar adequadamente algumas caractersticas.
No nosso exemplo, queremos avaliar o grau de satisfao do
aluno com o seu curso. Devemos procurar referncias bibliogr-
fcas que nos orientem sobre como medir a satisfao.
3) Estabelecer a forma de mensurao das caractersticas das
variveis a serem levantadas.
Para variveis quantitativas, devem estar bem defnidas as uni-
dades de medida (semestre, metros, kg, etc) que devem acompa-
nhar as respostas. Para as variveis qualitativas, deve haver uma
lista completa de alternativas, tais como: outros, no tm opinio,
etc. Por exemplo, o tempo de concluso do curso pode ser obser-
vado quantitativamente em semestres de estudos na UFSC.
4) Elaborar uma ou mais perguntas para cada caracterstica a
ser observada.
25
A caracterstica grau de satisfao do aluno com o curso pode
ser avaliada sob vrios enfoques, como, por exemplo, satisfao
com o corpo docente do semestre, laboratrios de informtica
disponveis, biblioteca setorial disponvel, etc. Estes itens po-
dem ser avaliados isoladamente, num mesmo tipo de escala.
5) Verifcar se a pergunta est sufcientemente clara.
As perguntas devem ser formuladas numa linguagem que no
deve deixar dvidas de interpretao.
O questionrio deve ser feito de forma a facilitar a anlise dos dados,
deve ser completo, no sentido de abranger as caractersticas necess-
rias para atingir os objetivos da pesquisa e no deve ter perguntas
que fujam destes objetivos.
Apresentaremos a seguir um exemplo hipottico de um question-
rio que foi aplicado aos alunos de certa instituio de ensino, forne-
cendo as seguintes informaes:
Id: 1) Identifcao do alunos;
Turma: 2) Turma em que o aluno foi alocado (A ou B);
Sexo: 3) F se feminino, M se masculino;
Idade: 4) Idade em anos;
Altura: 5) Altura em metros;
Peso: 6) Peso em quilogramas;
Filhos: 7) Nmero de flhos;
Gosta: 8) Identifca se o aluno gosta ou no de prati-
car atividades fsicas;
N vez: 9) Nmero de vezes que pratica atividades fsi-
cas, por semana;
Est. Civ.: 10) Estado civil;
Pratic.: 11) Identifca se o aluno pratica ou no algum
esporte;
Qual: 12) Em caso afrmativo, identifca qual o esporte
que o aluno pratica.
26
Com base nestas informaes, apresentamos o questionrio aplica-
do aos alunos da sua instituio de ensino:
Questionrio
Este questionrio faz parte de um trabalho de pesquisa da disci-
plina de Estatstica. No h necessidade de colocar seu nome, pois
os questionrios so annimos. Agradecemos sua colaborao em
responder correta e francamente os diversos itens. Os resultados da
pesquisa fcaro disponveis para a comunidade cientfca.
Id:________ 1)
Turma: ( ) A ( ) B 2)
Sexo: ( ) Masc. ( ) Fem 3)
Idade: _________ anos 4)
Altura: _________ m 5)
Peso: __________ kg 6)
Nmero de flhos: __________ 7)
Gosta de praticar atividades fsicas? ( ) Sim ( ) No 8)
Quantas vezes por semana pratica atividade fsica? _____ 9)
Estado civil: ( ) Solteiro ( ) Casado ( ) Divorciado 10)
Pratica algum esporte? ( ) No ( ) Sim 11)
Se sim, qual? _______________________________ 12)
Depois de os dados terem sido coletados, precisamos organiz-los,
para facilitar a realizao da anlise. Tomemos o primeiro questio-
nrio respondido.
Id: 1) 1_
Turma: ( x ) A ( ) B 2)
Sexo: ( x ) Masc. ( ) Fem 3)
Idade: 4) 30,5_ anos
Altura: 5) 1,72_ m
27
Peso: 6) 74,6_ kg
Nmero de Filhos: __ 7) 0___
Gosta de praticar atividades fsicas? ( x ) Sim ( ) No 8)
Quantas vezes por semana pratica atividade fsica? __ 9) 2__
Estado Civil: ( ) Solteiro ( x ) Casado ( ) Divorciado 10)
Pratica algum esporte? ( ) No ( x ) Sim 11)
Se sim, qual? 12) Natao
comum armazenar os dados num quadro, onde cada coluna se re-
fere a uma varivel e cada linha a um respondente. O quadro abaixo
mostra os dados armazenados dos dez primeiros respondentes.
1 2 3 4 5 6 7 8 9 10 11 12
Id. Turma Sexo Idade Altura Peso Filhos Gosta N vez Est civil Pratica Qual
1 A Mas 30,5 1,72 74,6 0 Sim 2 Cas Sim Nat
2 A Fem 35,7 1,62 62,8 0 No 2 Solt Sim Nat
3 B Mas 23,4 1,68 80,2 1 Sim 1 Divor Sim Fut
4 B Mas 27,2 1,69 64,8 0 Sim 5 Solt Sim Bas
5 A Fem 32,1 1,63 36,9 0 No Nen Solt No Nen
6 B Fem 23,6 1,62 65,3 0 Sim 2 Solt Sim Vol
7 A Fem 30,6 1,72 62,7 2 Sim 3 Cas sim Fut
8 B Fem 22,7 1,83 71,7 1 Sim 2 Cas Sim Nat
9 A Mas 25,5 1,83 109,2 1 Sim Nen Solt No Nen
10 B Fem 21,8 1,52 58,2 1 Sim Nen Dolt No Nen
Quadro 1.2
Nas pesquisas cientfcas, quando queremos conhecer algumas
caractersticas de certa populao, basta observamos apenas uma
amostra de seus elementos e, a partir dos resultados dessa amostra,
obter estimativas para as caractersticas populacionais de nosso in-
teresse e isto ns chamamos de levantamento por amostragem.
Geralmente, temos o interesse em descrever certas caractersticas
dos elementos da populao (chamados de parmetros). Por exem-
28
plo, para planejar polticas de recursos humanos na UFSC, pode-
mos realizar uma pesquisa para avaliar alguns parmetros da po-
pulao dos alunos matriculados na UFSC, no semestre 2005/1, tais
como: tempo mdio de concluso de seu curso, porcentagem de alu-
nos vindos de outros estados da federao, porcentagem de alunos
oriundos do interior do Estado de Santa Catarina, porcentagem de
alunos matriculados nos cursos de EaD do Centro de Cincias Fsi-
cas e Matemticas.
1.14 Plano de Amostragem
Aps termos bem defnidos os objetivos da pesquisa fazemos um
plano de amostragem, e para isto precisamos da populao a ser
amostrada e dos parmetros. Num plano de amostragem deve cons-
tar a defnio da unidade da amostragem, ou seja, a unidade a ser sele-
cionada para chegar aos elementos da populao, que podem ser os
prprios elementos da populao; a forma de seleo dos elementos da
populao feita sob a forma de sorteio (so as amostras aleatrias) e o ta-
manho da amostra. Por exemplo, numa populao de alunos matricu-
lados na UFSC, residentes em Florianpolis, podemos planejar a sele-
o dos alunos com domiclios residenciais na ilha ou no continente.
Chegando ao domiclio (unidade de amostragem), podemos chegar
aos estudantes domiciliados na ilha (elemento da populao).
1.15 Amostra Aleatria Simples
Para a seleo de uma amostra aleatria simples precisamos ter uma
lista completa dos elementos da populao (ou de unidades de amos-
tragem apropriadas). Para calcularmos o tamanho de uma amostra
aleatria simples precisamos de alguns conceitos, tais como:
Parmetros: so usados para designar alguma caracterstica
dos elementos da populao;
Estatstica: caracterstica descritiva dos elementos da amostra.
Por exemplo, na populao dos servidores tcnicos administrati-
vos da UFSC, a porcentagem dos servidores que possuem o nvel
29
superior um parmetro. Numa amostra de 300 destes servido-
res tcnicos administrativos, a porcentagem dos que possuem o
nvel superior, nesta amostra, uma estatstica e encontramos
70% dos servidores tcnicos administrativos que possuem o n-
vel superior (chamada de estimativa do referido parmetro).
Erro amostral tolervel: quanto o pesquisador admite errar
na avaliao dos parmetros de interesse. Por exemplo, na di-
vulgao de pesquisas eleitorais feitas por rgos especializa-
dos, no relatrio apresentado o erro da presente pesquisa de
3%. Isto signifca dizer que, na pesquisa de inteno de votos
que determinado candidato tem de 30% de preferncia dos
eleitores entrevistados, na verdade a preferncia por este candi-
dato um valor no intervalo de 27% a 33%, isto , 30% 3%.
De posse destes conceitos, sejam:
N = tamanho (nmero de elementos) da populao;
n = tamanho (nmero de elementos) da amostra;
0
n = uma primeira aproximao para o tamanho da amostra;
0
E = erro amostral tolervel.
Um primeiro clculo do tamanho da amostra,
0
n , sem conhecer o
tamanho N da populao, dado pela frmula
0 2
0
1
n
E
= .
Conhecendo o tamanho N da populao, corrigindo o clculo ante-
rior, temos
2
0
1
N
n
E N
=
+
.
Vamos a alguns exemplos de aplicao.
Exemplo 1.2. Planeja-se um levantamento por amostragem para
avaliar diversas caractersticas da populao 600 N = alunos matri-
culados na UFSC, no semestre de 2005/1. Estas caractersticas (pa-
rmetros) so do tipo porcentagens: porcentagem dos alunos matri-
culados no Curso de Licenciatura em Matemtica, porcentagem dos
alunos matriculados no Curso de Medicina, porcentagem dos alunos
30
matriculados no Curso de Medicina com domiclio residencial em
Florianpolis, porcentagem dos alunos matriculados no Curso de
Licenciatura de Matemtica oriundos do interior do Estado de Santa
Catarina, etc. Qual deve ser o tamanho mnimo de uma amostra
aleatria simples, tal que o erro amostral no seja superior a 5%?
Resoluo. Os dados do exemplo so: 600 N = e
0
5% 0, 05 E = = .
Uma primeira aproximao para o tamanho da amostra
0 0 2 2
0
1 1 1
400
(0, 05) 0, 0025
n n
E
= = = = ,
ou seja, uma amostra de 400 alunos.
Corrigindo, em funo do tamanho N da populao, temos
2
0
600 600 600
240
1 0, 0025 600 1 1, 5 1 2, 5
N
n n
E N
= = = = =
+ + +
,
ou seja, uma amostra de 240 alunos.
Portanto, o tamanho mnimo de uma amostra aleatria simples, tal
que o erro amostral no seja superior a 5% de 240 alunos.
Exemplo 1.3. Considerando-se os objetivos e os valores do exemplo
1.3, qual deveria ser o tamanho da amostra se a pesquisa fosse am-
pliada para todos os alunos matriculados na UFSC, no semestre de
2005/1, digamos, 23.000 N = alunos?
Resoluo. Uma primeira aproximao para o tamanho da amostra
continua sendo
0
400 n = alunos. Fazendo a correo em termos do
novo valor de 23.000 N = , vem
23.000 23.000
393,16
0, 0025 23.000 1 58, 5
n = = =
+
393 n = .
Portanto, o tamanho da amostra se a pesquisa fosse ampliada para
todos os alunos matriculados na UFSC, no semestre de 2005/1,
23.000 N = alunos, de 393alunos.
No exemplo 1.3, com a correo em temos do tamanho N da popu-
lao, praticamente no foi alterado o clculo inicial do tamanho da
amostra (
0
400 e 393 n n = = ). Geralmente, se a populao for muito
grande, o clculo do tamanho da amostra pode ser feito pela equao
31
0 2
0
1
n n
E
= = ,
sem considerar o tamanho exato N da populao.
Considerando os estudos feitos at o fnal dessa seo, atenda aos
exerccios propostos.
Exerccios Propostos
Numa pesquisa para estudar se o povo brasileiro confa no 1)
atual presidente da repblica, diante dos fatos de denncias de
corrupo e as CPIs, qual o tamanho de uma amostra aleatria
simples de pessoas (maiores de 18 anos) que garanta um erro
amostral no superior a 3%?
Resposta. 1.111 pessoas.
A UFSC com, digamos, 3.500 servidores tcnicos administrati- 2)
vos, numa poltica de recursos humanos, deseja estimar a por-
centagem de servidores favorveis a certo tipo de capacitao
para o seu tipo de trabalho. Qual deve ser o tamanho de uma
amostra aleatria simples que garanta um erro amostral no
superior a 2%?
Resposta. 1.458 servidores.
O objetivo geral da pesquisa conhecer melhor a relao de 3)
um aluno da UFSC com o curso em que est matriculado (di-
gamos Licenciatura em Matemtica). Precisamos especifcar
melhor o que queremos conhecer dos alunos, ou seja, os obje-
tivos especfcos, tais como:
conhecer o tempo mdio dos alunos para a concluso do a)
curso;
verifcar a disciplina em que existe um nmero excessivo de b)
reprovao em cada semestre;
verifcar o interesse dos alunos pelo curso, evitando com c)
isto o abandono;
32
avaliar o grau de satisfao do aluno com o curso; d)
levantar pontos positivos e negativos do curso, segundo sua e)
viso.
Defna as variveis de cada um dos objetivos especfcos acima.
Verifcar qual delas so qualitativas e quais so quantitativas.
Respostas.
Varivel quantitativa contnua. a)
Varivel qualitativa ordinal. b)
Varivel qualitativa ordinal. c)
Varivel qualitativa ordinal. d)
Varivel qualitativa ordinal. e)
4) Considerando a populao dos alunos do quarto semestre (4 fase)
do Curso de Licenciatura (noturno) em Matemtica da UFSC, se-
mestre 2005/1, completar as defnies das seguintes variveis e
verifcar quais so qualitativas e quais so quantitativas.
Turma; a)
Sexo; b)
Idade; c)
Altura; d)
Peso; e)
Filhos; f)
Est. Civ.. g)
Resposta.
Varivel qualitativa ordinal. a)
Varivel qualitativa nominal. b)
Varivel quantitativa contnua. c)
Varivel quantitativa contnua. d)
Varivel quantitativa contnua. e)
33
Varivel quantitativa discreta. f)
Varivel qualitativa nominal. g)
Resumo
Neste captulo, voc teve a oportunidade de estudar e compreender
os conceitos de Estatstica, populao e amostra, campo de aplicao
e tambm o conceito de Estatstica Descritiva.
Voc deve ter compreendido tambm o signifcado de dados esta-
tsticos, anlise crtica dos dados, anlise exploratria de dados e
classifcao dos dados, anlise dos tipos de pesquisas e tipos de va-
riveis, e aprendeu como mensurar uma varivel e um instrumento
de coleta de dados (o questionrio). Alm disso, estudou e compre-
endeu amostra aleatria simples.
Resta mencionar que a compreenso, sempre referida, importante
para que voc possa acompanhar o curso. Se voc teve alguma d-
vida, releia todo o captulo, j que tudo que veremos a seguir depen-
de dos conceitos abordados neste captulo. Consulte o tutor do plo
sempre que achar necessrio.
Bibliograa Comentada
BARBETTA, Pedro Alberto. Estatstica aplicada s cincias sociais.
5. ed. Florianpolis: UFSC, 2002.
O livro apresenta uma introduo estatstica, e uma orientao de como
planejar e conduzir uma pesquisa. Todos os captulos se iniciam com alguns
problemas prticos para motivar a introduo de tcnicas estatsticas.
Captulo 2
Organizao de Dados,
Grcos e Distribuio de
Freqncia
37
Captulo 2
Organizao de Dados, Grcos e
Distribuio de Freqncia
O objetivo deste captulo mostrar, aps a coleta de dados, como
organiz-los em tabelas e em grfcos. Vamos estudar tambm a
distribuio de freqncia ou tabela de freqncia em intervalos
de classe. Alm disso, elaboraremos o histograma e o polgono
de freqncia.
Os PCN indicam que a coleta, a organizao e a descrio dos dados
so procedimentos utilizados com muita freqncia na resoluo de
problemas e estimulam as crianas a fazer perguntas, estabelecer
relaes, construr justifcativas e desenvolver o esprito de inves-
tigao. Ressaltam a necessidade de calcular medidas estatsticas,
sem se preocupar em enfatizar que o mais importante saber o que
cada medida signifca e no simplesmente efetuar seus clculos. Os
grfcos fornecem uma visualizao mais sugestiva do que as tabe-
las. Constituem-se numa forma alternativa de representao de dis-
tribuio de freqncias. Uma distribuio de freqncias pode ser
representada grafcamente por histograma de freqncia, polgono
de freqncia, grfco de barras, grfco de setores e diagrama de
pontos, etc. Construmos qualquer um dos grfcos enumerados
utilizando o primeiro quadrante do sistema de eixos coordenados
cartesianos ortogonais.
2.1 Variveis
Sempre que desejamos simbolizar os elementos de uma populao,
utilizamos as variveis, representadas por letras ( ) , , , , ... a b x y , que
podem assumir o valor de cada elemento desta populao.
De uma maneira geral, quando a varivel representa dados de uma
enumerao ou contagem, chama-se varivel discreta. Quando ela
38
representa dados de uma medio diz-se varivel contnua. Por
exemplo:
o nmero de peas defeituosas produzidas por uma fbrica
poder ser 0, 1, 2, ... e no 1, 6 ou 3,17 . Assim, este nmero
representado por uma varivel discreta;
o peso de uma pessoa poder ser 74,8 kg ou 74, 796 kg , con-
forme a preciso da balana utilizada. Este peso , ento, re-
presentado por uma varivel contnua.
2.2 Coleta dos Dados
Quando falamos em coleta dos dados devemos separ-los em dois
mtodos ou fontes: coleta de dados primrios (diretos), quando o
pesquisador coleta os dados na fonte originria, e coleta de dados
secundrios (indiretos), no caso contrrio.
Explicando melhor: quando o IBGE faz o levantamento (censo) da
populao brasileira, normalmente utiliza o processo primrio ou
direto. Caso queira, com base nos censos anteriores, projetar esta
mesma populao, estar utilizando o mtodo secundrio ou indi-
reto (pois os dados j foram obtidos anteriormente).
Apurao dos dados
Aps a coleta dos dados, torna-se necessria a tabulao, ou seja,
sua apurao ou contagem. Para tanto, de posse dos dados (sobre o
mesmo fenmeno), devemos orden-los mediante critrios de clas-
sifcao. Estas classifcaes podem ser efetuadas mecnica ou ma-
nualmente. Estas operaes podem ser ainda:
totais ou parciais; a)
simples ou cruzadas. b)
Depois dos dados estarem tabulados, ou apurados, eles podem ser
apresentados em:
tabelas ou quadros; a)
grfcos. b)
39
Anlise, Interpretao e Concluso dos Dados
De todas as fases do mtodo estatstico, esta a que apresenta maior
importncia. Isto por que todo trabalho efetuado at o momento
deixar de ter o valor devido, se a concluso no estiver coerente.
No existe, portanto, um critrio a ser utilizado nesta fase. neces-
srio que o analisador tenha muita sensibilidade com os dados que
ora esto sendo manipulados.
Em resumo, podemos entender que as fases do trabalho estatstico
necessitam de planejamento, coleta, crtica, apurao, exposio e
interpretao.
Organizao de Dados em Tabelas
Resoluo n 886, 26/10/66 Conselho Nacional de Estatsitica.
A tabela um quadro que resume um conjunto de observaes colo-
cadas em linhas e colunas e distribudas de modo ordenado.
Um grupo de informaes pode ser escrito na forma de uma tabela,
para facilitar a compreenso.
O planejamento de uma tabela requer alguma experincia. A mani-
pulao destas tabelas pelo estatstico faz com que a cada dia este
profssional fque mais familiarizado com elas. importante ressal-
tar que os seguintes pontos devem ser observados na construo
das tabelas:
A tabela deve ser auto-explicada. Deve incluir seu ttulo e to- i)
das as notas julgadas explicativas.
O ttulo e os cabealhos das colunas e linhas devem ser claros ii)
e concisos, sem a possibilidade de interpretao ambgua.
O ttulo deve explicitar o objetivo, o lugar e o tempo da clas- iii)
sifcao.
Um dos objetivos da Estatstica sintetizar os valores que uma ou
mais variveis podem assumir, para que tenhamos uma viso global
da variao dessas variveis. E isto possvel pela apresentao des-
40
ses valores em tabelas e grfcos, que nos fornecero informaes
rpidas e seguras a respeito das variveis em estudo, permitindo-
nos determinaes administrativas e pedaggicas mais coerentes e
cientfcas.
Uma tabela compe-se de:
ttulo: O ttulo deve responder as seguintes questes:
o que? (referente ao fato); a)
onde? (relativo ao lugar); b)
quando? (correspondente poca). c)
cabealho: Parte superior da tabela, que especifca a natureza
do contedo das colunas.
corpo: Conjunto de linhas e colunas que contm informaes
sobre a varivel em estudo.
linhas: Partes do corpo que contm uma seqncia horizontal
de informaes.
colunas: Partes do corpo que contm uma seqncia vertical
de informaes.
coluna indicadora: Parte da tabela que contm as discrimi-
naes correspondentes aos valores distribudos pelas colunas
numricas.
casa ou clula: Parte da tabela formada pelo cruzamento de
uma linha com uma coluna.
Rodap: Espao reservado para colocar as observaes perti-
nentes, a identifcao da fonte dos dados, as notas e as cha-
madas.
notas e chamadas: So esclarecimentos contidos na tabela:
nota a) conceituao geral;
chamada b) esclarecimento de mincias em relao a uma c-
lula).
Exemplo 2.1. Feito o levantamento (em termos percentuais) do reajuste
de salrios dos professores de ensino fundamental e ensino mdio da
41
Escola Prof. Fortunato Siqueira, do municpio XX, no estado de Santa
Catarina, no perodo de 1998 a 2007, obteve-se a seguinte tabela:
Reajuste de salrios dos professores de ensino fundamental e ensino
mdio da Escola Prof. Fortunato Siqueira, do municpio XX, estado de
Santa Catarina, no perodo de 1998 a 2007
Anos Reajuste Salarial (%)
1998 12,2
1999 11,4
2000 13,0
2001 10,4
2002 2,8
2003 5,9
2004 6,7
2005 10,9
2006 9,3
2007 8,7
Tabela 2.1
Fonte: Dados Hipotticos
2.3 Grcos
Os grfcos assumem papel fundamental em qualquer campo da
cincia. Seja na Fsica, na Qumica, na Biologia, na Medicina, na En-
genharia, na Estatstica e em outras.
O grfico pode retratar as anlises das situaes atuais ou de
histricos, e tambm pode fazer previses. Sua utilizao na
estatstica de suma importncia, visto que praticamente todo
relatrio analtico vem acompanhado de grficos ilustrativos.
Isto facilita a interpretao rpida do fenmeno que se analisa.
Mas, para que esta afirmao se torna vlida, necessrio seguir
certas normas para elaborao correta e precisa dos grficos. Se
isto no ocorrer, poder-se- ter uma viso distorcida, ou mesmo
errnea, do fenmeno estudado. Basicamente, devemos levar em
considerao trs caractersticas para a construo de um grf-
co: simplicidade, clareza e veracidade.
42
2.3.1 Tipos de Grcos
Existem vrios tipos de grfcos que so classifcados a seguir:
grfco de linha; i)
diagrama ou grfco de barras; ii)
barras simples; a)
barras horizontais; b)
barras superpostas; c)
barras complementares; d)
iii) grfcos em setores (setograma);
iv) grfco ilustrativo, fguras (pictograma);
v) grfco polar;
vi) mapas (cartograma);
vii) estereogramas (representao em trs dimenses);
viii) diagrama de rea (proporcionalidade entre itens diagramas
e as reas de quadrados e crculos).
Grco de linha
Exemplo 2.2. A tabela seguinte mostra a evoluo do nmero de
alunos do ensino mdio matriculados na Escola Dona Benta, do
Municpio YY, estado de Santa Catarina, no perodo de 1996 a 2005:
Evoluo do nmero de alunos do ensino mdio matriculados na
Escola Dona Benta, do Municpio YY, estado de Santa Catarina,
no perodo de 1996 a 2005
Anos Nmero de alunos matriculados
1996 1.308
1997 1.308
1998 1.433
1999 2.066
2000 2.574
2001 3.222
2002 3.222
43
2003 3.222
2004 3.222
2005 3.222
Tabela 2.2
Fonte: Dados Hipotticos
Temos o seguinte grfco de linha da tabela acima:
1.000
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
1.100
1.200
1.300
1.400
1.500
1.600
1.700
1.800
1.900
2.000
2.100
2.200
2.300
2.400
2.500
2.600
2.700
2.800
2.900
3.000
3.100
3.200
3.300
N

m
e
r
o

d
e

a
l
u
n
o
s

m
a
t
r
i
c
u
l
a
d
o
s

Anos
Grco 2.1
Fonte: Dados Hipotticos
Grco de barras
No grfco de barras, cada categoria representada por uma barra
de comprimento proporcional sua freqncia, conforme identifca-
o no eixo horizontal.
Exemplo 2.3. Um pesquisador obteve informaes sobre o grau de
instruo de uma amostra de 36 funcionrios da Escola Estadual Pri-
mavera, em Florianpolis no ano de 2005, conforme quadro a seguir:
Grau de instruo Ens. Fundamental Ens. Mdio Ens. Superior
Nmero 12 18 6
Quadro 2.1
44
O grfco de barras da amostra dos 36 funcionrios da Escola Esta-
dual Primavera, conforme quadro acima, segundo o grau de instru-
o, dado abaixo:
0 3 6 9 12 15 18 21
Grau de instruo dos funcionrios da
Escola Estadual Primavera
Ensi. Superior
Ens. Mdio
Ens. Fudamental
Nmero de funcionrios
Grco 2.2
Grco de setores
Este grfco constitudo com base em um crculo, e empregado
sempre que desejamos ressaltar a participao do dado em relao
ao total. O total representado pelo crculo, que fca dividido em
tantos setores quantas so as partes. Os setores so tais que suas
reas so proporcionais aos dados. Cada setor obtido por meio de
uma regra de trs simples e direta, lembrando que o total corres-
ponde a
0
360 .
Exemplo 2.4.
Receita do Municpio XX de 2001 a 2003
Anos Receita (em R$1.000,00)
2001 90
2002 120
2003 150
Total 360
Tabela 2.3
Fonte: Secretaria de Finanas do Municpio XX
Diagrama de pontos
Este diagrama utilizado quando os dados consistem em um pe-
queno conjunto de nmeros. Podem ser representados traando-se
Receita do Municpio XX de 2001 a 2003
2001
25%
2003
41,5%
2002
33,5%
Grco 2.3
45
uma reta com uma escala que abranja todas as mensuraes obser-
vadas e marcando-se as respectivas freqncias como ponto acima
da reta.
Exemplo 2.5. Consideremos os tempos, em segundos, que os alunos
da turma A demoram para responder questes de mltipla escolha
de uma avaliao de Estatstica: 2, 6, 3, 5, 6, 4, 3, 5, 4, 6, 3, 4, 5, 18.
Construir o diagrama de pontos correspondente.
Resoluo. Marcando numa reta os tempos correspondentes, temos
o seguinte grco:
Grco 2.4
Note que os valores tendem a se agrupar, em torno de 3, 4, 5 ou 6,
com exceo do valor 18, que se afasta grandemente do conjunto.
Casos como este, com valores extremos ou errticos, devem ser sem-
pre investigados, com vistas a uma explicao, e para que se determi-
ne se os extremos devem ou no ser excludos do conjunto.
Vamos conferir se voc est acompanhando tudo at aqui? Para sa-
ber, procure atender aos exerccios propostos abaixo.
Exerccios Propostos
Consideremos os dados relativos ao aproveitamento dos alu- 1)
nos na disciplina de Estatstica, turma 404 no Curso de Mate-
mtica-EaD-UFSC, perodo 2005.1 apresentados abaixo.
Classicao dos alunos de Estatstica, turma 404 em EaD da UFSC
Classicao Fraca Razovel Mdia Boa Excelente Total
Nmero de alunos 2 4 20 10 4 40
Porcentagem 5 10 50 25 10 100
Tabela 2.4
46
Representar esses dados em:
um grfco de barras horizontais, a)
em um grfco de setores, usando os valores das freqncias b)
relativas.
Respostas:
a) Grco em barras horizontais.
0 10 20 30 40 50 60
Mdia
Razovel
Fraca
Porcentagem
Excelente
Boa
Clasificao dos alunos de Estatstica Turma 404
Grco 2.5
b) Grco em setores.
Mdia
50%
Razovel
10%
Fraca
5%
Excelente
10%
Clasificao dos alunos de Estatstica Turma 404
Boa
25%
Grco 2.6
2.4 Distribuio de Freqncias
Entre as sries estatsticas, merece referncia especial a distribui-
o de freqncia. Uma distribuio de freqncia uma tabela, na
qual os possveis valores de uma varivel se encontram agrupados
em classes, registrando-se o nmero de valores observados em cada
classe. Os dados organizados em uma distribuio de freqncia
47
so chamados dados agrupados. Praticamente se resume na manei-
ra de ordenar os dados estatsticos em linha ou colunas, tornando
possvel sua leitura, tanto no sentido horizontal quanto vertical. Isto
quer dizer que, dada uma grande quantidade de dados, geralmen-
te no organizados, costumamos distribu-los em classes ou cate-
gorias, denominando o nmero de indivduos pertencentes a cada
uma delas. A este nmero damos o nome de freqncia da classe.
Tabela de Freqncia
Quando se estuda uma varivel, o maior interesse do pesquisador
conhecer a distribuio dessa varivel atravs de suas possveis
realizaes (valores), isto , organizar os dados de acordo com a fre-
qncia com que ocorrem.
Estaturas de 40 alunos (em cm) da Escola Estadual Esperana,
semestre 2007/1
166 160 161 150 162 160 165 167 164 160
162 161 168 163 156 173 160 155 164 168
155 152 163 160 155 155 169 151 170 164
154 161 156 172 153 157 156 158 158 161
Tabela 2.5
Esse tipo de tabela, cujos elementos no foram numericamente orga-
nizados, denominamos tabela primitiva.
A partir dos dados acima - tabela primitiva - difcil averiguar em
torno de que valor tende a concentrarem-se as estaturas, qual a me-
nor ou qual a maior estatura, ou, ainda, quantos alunos se acham
abaixo ou acima de uma dada estatura.
Assim, conhecidos os valores de uma varivel, difcil formarmos
uma idia exata do comportamento do grupo como um todo a partir
dos dados no ordenados.
A maneira mais simples de organizar os dados atravs de certa
ordenao (crescente ou decrescente). A tabela obtida aps a orde-
nao dos dados se denomina rol.
48
Estatura de 40 alunos (em cm) da Escola Estadual Esperana
150 154 155 157 160 161 162 164 166 169
151 155 156 158 160 161 162 164 167 170
152 155 156 158 160 161 163 164 168 172
153 155 156 160 160 161 163 165 168 173
Tabela 2.6
Agora, podemos saber, com relativa facilidade, qual a menor estatu-
ra (150 cm) e qual a maior (173 cm), que a amplitude de variao foi
de 173 150 23 = cm e, ainda, a ordem que um valor particular da
varivel ocupa no conjunto. Com um exame mais acurado, vemos
que h uma concentrao das estaturas em algum valor entre 160
cm e 165 cm e, mais ainda, que h poucos valores abaixo de 155 cm
e acima de 170 cm.
No exemplo que trabalhamos, a varivel em questo, estatura, ser
observada e estudada muito mais facilmente quando dispusermos
os valores ordenados em uma coluna e colocarmos, ao lado de cada
valor, o nmero de vezes que ele aparece repetido.
O nmero de alunos, que fca relacionado a um determinado valor
da varivel, denominamos freqncia. Obtemos, assim, uma tabela,
que recebe o nome de distribuio de freqncia.
Se um dos intervalos for, por exemplo,
| ) 154,158 ou 154 158, ao in-
vs de dizermos que a estatura de 1 aluno de 154 cm, de 4 alunos,
155 cm, de 3 alunos, de 156 cm, e de 1 aluno, 157 cm, diremos que 9
alunos tm estaturas entre 154, inclusive, e 158 cm.
Deste modo, agruparemos os valores da varivel em intervalos, sen-
do que, em Estatstica, preferimos denominar classes aos interva-
los.
Chamando de freqncia de uma classe o nmero de valores da
varivel pertencentes classe, os dados acima podem ser dispostos
na tabela abaixo, denominada distribuio de freqncia com in-
tervalos de classe.
49
Estatura de 40 alunos (em cm) da Escola Estadual Esperana,
semestre 2007/1
Estaturas (cm) Freqncias
150

154
4
154

158
9
158

162
11
162

166
8
166

170
5
170

174
3
Total 40
Tabela 2.7
Fonte: Dados Hipotticos
Para construirmos uma tabela de distribuio de freqncia com
intervalos de classe, necessitamos dos seguintes elementos:
Classe
Classes de freqncia, ou simplesmente classes, so intervalos de
variao da varivel. As classes so representadas simbolicamente
por i, sendo i = 1,2,3,...,k (onde k o nmero total de classes de dis-
tribuio).
Assim, em nosso exemplo, o intervalo 154

158 defne a segunda

classe (i = 2) e, como a distribuio formada de seis classes, pode-
mos afrmar que k = 6.
Para a determinao do nmero de classes de uma distribuio po-
demos lanar mo da REGRA DE STURGES, que nos d o nmero
de classes em funo do nmero de valores da varivel:

1 3, 3 log i n = +
onde:
i = nmero de classes;
n = nmero total de dados.
Observao: 5 i =

para 25 n
i n = para 25 n > .
A notao se aplica a
intervalos semi-fechados
esquerda (ou semi-aberto
direita).
50
Limites de classe
Aos extremos de cada classe denominamos limites de classe. O me-
nor nmero o limite inferior da classe (
i
l ), e o maior nmero o
limite superior da classe (
i
L ).
Na segunda classe, por exemplo, temos
2
154 l = e
2
158 L = .
Amplitude de um intervalo de classe
Amplitude de um intervalo de classe, ou simplesmente intervalo de
classe, a medida do intervalo que defne a classe. Ela obtida pela
diferena entre os limites superior e inferior dessa classe, e ser in-
dicada por
r
h . Assim:
r r r
h L l = .
No nosso exemplo, temos
2 2 2 2
158 154 4 4 h L l h = = = = cm.
Amplitude total da distribuio
Amplitude total da distribuio( ) AT a diferena entre o limite su-
perior da ltima classe (limite superior mximo) e o limite inferior
da primeira classe (limite inferior mnimo):
(mximo) (mnimo) AT L l =
.
No nosso exemplo, temos
174 150 24 24 AT AT = = = cm.
Amplitude amostral
A amplitude amostral a diferena entre o valor mximo e o valor
mnimo da amostra.
max min
AT x x =
.
No nosso exemplo, temos:
173 150 23 23 AT AT = = = cm.
51
Amplitude da classe (h)
dado por
AT
h
i
= .
A amplitude total da distribuio jamais coincide com a
amplitude amostral.
Ponto mdio de uma classe
O ponto mdio de uma classe o ponto que divide o intervalo de
classe em duas partes iguais, sendo indicado por
i
x .
Para obtermos o ponto mdio de uma classe, basta adicionar ao li-
mite inferior da classe a metade do intervalo de classe. Assim, o
ponto mdio da segunda classe, em nosso exemplo, :
2
2 2 2 2
4
154 156 156
2 2
h
x l x x = + = + = = cm, ou ainda

2
154 158
156
2
x
+
= = .
Freqncia simples ou absoluta
A freqncia simples, ou freqncia absoluta, ou simplesmente, fre-
qncia de uma classe ou de um valor individual, o nmero de
observaes correspondentes a essa classe ou a esse valor.
A freqncia simples simbolizada por
i
f (lemos: f ndice i ou
freqncia da classe i ).
Assim, em nosso exemplo, temos
1 2 3 4 5 6
4; 9; 11; 8; 5 e 3 f f f f f f = = = = = = .
A soma de todas as freqncias ser representada pelo smbolo de
somatrio:
1
k
i
i
f
=
evidente que
1
k
i
i
f n
=
=

.
Para a distribuio em estudo, temos f
i
= 40 .
52
Freqncias relativas ( fr
i
)
So os valores das razes entre as freqncias simples e a freqncia
total, isto :
fr
i

=
i
i
i
f
f
fr
.
Logo, a freqncia relativa da terceira classe no nosso exemplo :

3
3 3 3
11
0, 275 0, 275
40
i
f
fr fr fr
f
= = = =

.
Freqncia acumulada (F
k
)
o total das freqncias de todos os valores inferiores ao limite su-
perior do intervalo de uma dada classe. Temos
F f f
k
= + +
1 2
... + f
k
f
k
.
Assim, no nosso exemplo, a freqncia acumulada correspondente
terceira classe :
3 1 2 3 3
4 9 11 24 F f f f F = + + = + + = ,
o que signifca existirem 24 alunos com estatura inferior a 162 cm
(limite superior do intervalo da terceira classe).
Freqncia acumulada relativa (Fr
i
)
a freqncia acumulada da classe, dividida pela freqncia total
da distribuio:

Fr
F
f
i
i
i
=

.
Assim, para a terceira classe, temos
Fr
3
24
40
0 600 = = , .
Portanto, veja na tabela abaixo a distribuio de freqncia das esta-
turas dos 40 alunos (em cm) da Escola Estadual Esperana, ao se-
mestre 2007/1.
53
Classe Estaturas(em cm) f x
i
f
r
F F
r
Porcentagem
1
150

154
4 152 0,1000 4 0,1000 10,00%
2
154

158
9 156 0,2250 13 0,3250 32,50%
3
158

162
11 160 0,2750 24 0,6000 60,00%
4
162

166
8 164 0,2000 32 0,8000 80,00%
5
166

170
5 168 0,1250 37 0,9250 92,50%
6
170

174
3 172 0,0750 40 1,000 100,00%
40 f =

Tabela 2.8
O conhecimento dos vrios tipos de freqncia nos ajuda a respon-
der muitas questes com relativa facilidade, como as seguintes:
Quantos funcionrios tm estaturas entre 154 cm, inclusive, e a)
158 cm?
Resposta: Esses so os valores da varivel que formam a segunda
classe, logo, 9 funcionrios.
Qual a porcentagem de funcionrios cujas estaturas so infe- b)
riores a 154 cm?
Resposta: Esses valores so os que formam a primeira classe, logo,
10%.
Quantos funcionrios tm estatura abaixo de 162 cm? c)
Resposta: evidente que as estaturas consideradas so aquelas que
formam as classes de ordem 1, 2 e 3 , isto , 4+9+11=24.
Exemplo 2.6. Considere os dados brutos do quadro a seguir, que
representam o peso (em kilogramas) de 40 crianas, entre 0 e 8 anos,
da Creche Municipal O Bom Pastor, no semestre 2007/2.
11,1 12,5 32,4 7,8 21,0 16,4 11,2 22,3
4,4 6,1 27,7 32,8 18,5 16,4 15,1 6,0
10,7 15,8 25,0 18,2 12,2 12,6 4,7 23,5
14,8 22,6 16,0 19,1 7,4 9,2 10,0 26,2
3,5 16,2 14,5 3,2 8,1 12,9 19,1 13,7
Quadro 2.2
54
Determinar:
a construo do rol em ordem crescente; 1)
a amplitude total dos dados; 2)
o nmero de classes; 3)
amplitude de classe; 4)
os intervalos de variao das classes (sugesto: considere o li- 5)
mite inferior da primeira classe igual a 3);
a tabela de freqncia. 6)
Resposta:
1) Rol em ordem crescente:
Peso (em kilogramas) de 40 crianas, entre 0 e 8 anos, da
Creche Municipal O Bom Pastor, no semestre 2007/2
3,2 3,5 4,4 4,7 6,0 6,1 7,4 7,8
8,1 9,2 10,0 10,7 11,1 11,2 12,2 12,5
12,6 12,9 13,7 14,5 14,8 15,1 15,8 16,0
16,2 16,4 16,4 18,2 18,5 19,1 19,1 21,0
22,3 22,6 23,5 25,0 26,2 27,5 32,4 32,8
Quadro 2.3
2) Amplitude total dos dados (AT): 32, 8 3, 2 29, 6 AT = = .
3) Nmero de classe (i): 1 log(40) 6, 286 6 i = + = ( 3,3) 1 log(40) 6, 286 6 i = + = .
4) Amplitude da classe (h):
29, 6
4, 93 5
6
AT
h
i
= = = .
5) e 6)
Peso (em kilogramas) de 40 crianas, entre 0 e 8 anos,
da Creche Municipal O Bom Pastor, no semestre 2007/2
Classe Peso f
r
f
F
r
F
1 3 8 8 0,20 8 0,20
2 8 13 10 0,25 18 0,45
3
13 18
9 0,23 27 0,68
55
4 18 23 7 0,18 34 0,85
5
23 28
4 0,10 38 0,95
6
28 33
2 0,05 40 1,00
40 f =

Tabela 2.9
Exemplo 2.7. Suponhamos que uma empresa deseja analisar a dis-
tribuio dos salrios pagos por hora a seus funcionrios. O estats-
tico da empresa dispe dos seguintes dados:
13,3 15,2 12,4 15,8 9,6 10,4
13,2 8,8 8,3 8,5 10,2 11,5
12,6 10,7 12,6 9,7 12,1 13,5
10,3 14,3 9,8 12,3 10,4 11,6
12,4 12,9 11,6 10,3 14,2 13,6
Quadro 2.4
Pode-se notar, no quadro citado, que os dados esto desordenados.
Portanto, no houve preocupao quanto sua ordem (crescente ou
decrescente). Nestas condies, esses dados so denominados, em
estatstica, dados brutos. Quando estiverem ordenados (crescente ou
decrescente), so denominados rol.
Para orden-los, aconselhvel a elaborao de tabelas de freqn-
cia. Inicialmente designamos o x para varivel em estudo, no caso,
salrio/hora.
mx
o maior valor da varivel 15,8 x = = .
mn
o menor valor da varivel 8, 3 x = = .
mx mn
15,8 8, 3 7, 5 x x = = .
Para facilitar, podemos dividir em 5 classes com intervalos de 1,5.
Com estas informaes iniciais, podemos construir a tabela 2.10 da
freqncia:
56
Classe Freqncias
8,3 9,8 6
9,8 11,3 6
11,3 12,8 9
12,8 14,3 7
14,3 15,8 2
Total 30
Tabela 2.10
Pode-se observar que quando os dados no estavam agrupados no
quadro 2.4, no se tinha nenhuma informao sobre a distribuio
de salrios. Agora, observada a tabela 2.10, j podemos estabele-
cer algumas consideraes valiosas. Podemos, por exemplo, con-
cluir que a classe de salrios predominante na empresa a terceira:
11,3 12,8.
2.5 Histograma de Freqncias
O grfco de distribuio de freqncia tambm conhecido como
histograma. Ele formado por um conjunto de retngulos justapos-
tos, cujas bases se localizam sobre o eixo horizontal, de tal modo
que seus pontos mdios coincidam com os pontos mdios dos inter-
valos de classe.
Exemplo 2.8. Histograma de freqncias dos alunos da Escola Esta-
dual Esperana. (Veja a tabela 2.8)
0
150 154 158 162 166 170 174
1
2
3
4
5
6
7
8
9
10
11
12
Histograma e Polgono de Freqncia
Histograma de Freqncia
Polgono de Freqncia
Estatura dos alunos Escola Estadual Esperana (em cm)
F
r
e
q

n
c
i
a
152 156 160 164 168 172
Grco 2.7
As larguras dos retngulos so iguais s amplitudes dos intervalos
de classe. As alturas dos retngulos devero ser proporcionais s fre-
57
qncias das classes, sendo a amplitude dos intervalos iguais. Isso
nos permite tomar as alturas numericamente iguais s freqncias.
Vejamos agora alguns exemplos de histograma de freqncias.
Exemplo 2.9. Histograma de freqncia de uma amostra de 36 fun-
cionrios da Escola Estadual Primavera, conforme quadro 2.1, se-
gundo o grau de instruo.
Histograma de freqncia
Escolaridade dos Funcionrios
Ensino
Fundament
33,3%
50,0%
16,7%
Ensino
Mdio
Ensino
Superior
F
r
e
q

n
c
i
a

O
b
s
e
r
v
a
d
a
0
2
4
6
8
10
12
14
16
18
20
Grco 2.8
Polgono de freqncias
O polgono de freqncia um grfco em linha, sendo as freqncias
marcadas sobre perpendiculares ao eixo horizontal, levantados
pelos pontos mdios dos intervalos de classe.
Para realmente obtermos um polgono (linha fechada), devemos com-
pletar a fgura, ligando os extremos da linha obtida aos pontos mdios
da classe anterior primeira e posterior ltima, da distribuio.
Exemplo 2.10. Polgono de freqncia dos alunos da Escola Estadual
Esperana. (Tabela 2.8)

0
150 154 158 162 166 170 174
Polgono de Freqncia
2
1
3
5
7
9
4
6
8
10
11
12
Grco 2.9
58
Exemplo 2.11. Usando os dados da tabela 2.10:
Classe Freqncia Ponto Mdio
8,3 9,8 6 9,05
9,8 11,3 6 10,55
11,3 12,8 9 12,05
12,8 14,3 7 13,55
14,3 15,8 2 14,05
Total 30 -
Tabela 2.11
0
1
8,3 9,8 11,3 12,8 14,3 15,8
Classe
F
r
e
q

n
c
i
a
s
2
3
4
5
6
7
8
9
Grco 2.10
15,8
Classe
14,3 12,8 11,3 9,8 8,3
1
9
8
7
6
5
4
3
2
Grco 2. 11
59
Exemplo 2.12.
Classe Freqncia Ponto Mdio
00

05
42 2,5
05

10
65 7,5
10

15
23 12,5
15

20
28 17,5
20

25
10 22,5
25

30
24 27,5
30

35
08 32,5
Total 200 -

Tabela 2.12
10
0 5 10 15 20 25 30 35
20
30
40
50
60
70
Classe
F
r
e
q

n
c
i
a
s
Grco 2.12
0
10
20
30
40
50
60
70
5 10 15 20 25 30 35
Classe
F
r
e
q

n
c
i
a
s
Grco 2.13
60
Exerccios Propostos
Dadas as distribuies de freqncia a seguir, determinar para 1)
cada uma:
i) O histograma de freqncia.
ii) O polgono de freqncia.
a)
Tabela 2.13
Resposta.

0
40 44 48 52 56 60 Kg
2
4
6
8
10
f
Grco 2.14
b)
Estaturas(em cm) Freqncia
150 156
1
156 162
5
162 168
8
168 174
13
174 180
3
30 =

Tabela 2.14
Pesos(em Kg) Freqncia
40 44 2
44 48 5
48 52 9
52 56 6
56 60 4
26 =

61
Resposta.
0
1
3
5
7
9
11
13
150 156 168 180 162 174
cm
f
Grco 2.15
c) Salrios (em R$) Freqncia
500 700
8
700 900
20
900 1100
7
1100 1300
5
1300 1500
2
1500 1700
1
1700 1900
1
44 =

Tabela 2.15
Resposta.
500
0
4
8
12
16
20
900 1300 1700
R$
f

Grco 2. 16
62
2) Feito um levantamento sobre as idades de 25 alunos que cur-
sam a 5a srie da Escola Estadual Sena Figueiredo, da cidade
X do Estado de Santa Catarina, chegou-se ao seguinte quadro:
Idade Freqncia
10 3
11 11
12 8
13 3
Quadro 2.5
Faa um grfco por setores que represente esta distribuio.
O quadro seguinte mostra as mdias, em matemtica, dos 50 2)
alunos da 3a srie do ensino mdio durante um determinado
bimestre do Colgio Pio XII, da cidade Y do Estado de Santa
Catarina.
68 85 33 52 65 77 84 65 74 57
71 35 81 50 35 64 74 47 54 68
80 61 41 91 55 73 59 53 77 45
41 55 78 48 69 85 67 39 60 76
94 98 66 66 73 42 65 94 88 89
Quadro 2.6
Determinar:
A distribuio de freqncia iniciando por 30 e adotando-se a)
o intervalo de classe de amplitude igual a 10.
As freqncias acumuladas. b)
As freqncias relativas. c)
O histograma e o polgono de freqncia. d)
4) O grfco de setores representa as notas obtidas em uma ques-
to pelos 32.000 candidatos presentes primeira fase de uma
prova de vestibular. Ele mostra, por exemplo, que 32% desses
63
candidatos tiveram nota 2 nessa questo. Quantos candidatos
tiveram nota 3?
5 (10%)
0 (10%)
1 (20%)
2 (32%)
4 (12%)
3 (16%)
Grco 2.17
Resposta. 5.120 candidatos.
(PUC) O histograma seguinte apresenta a distribuio de fre- 5)
qncia das faixas salariais numa pequena empresa.
0
500 1000 1500 2000 2500
2
4
6
8
10
12
14
Salrio (R$)
N de Funcionrios
0
Grco 2.18
Com os dados disponveis, pode-se concluir que a mdia des-
ses salrios , aproximadamente:
R$ 420,00 a)
R$ 536,00 b)
R$ 562,00 c)
R$ 640,00 d)
R$ 708,00 e)
Resposta. e).
64
Resumo
Voc viu neste captulo como identifcar os elementos de uma distri-
buio de freqncia e os tipos de freqncia.
Voc foi capaz de verifcar a representao grfca do histograma e
do polgono de freqncia, viu a construo de grfco de barra, de
grfco de setores e de diagrama de pontos.
Bibliograa Comentada
CRESPO, A. Arnot. Estatstica fcil. 7. ed. So Paulo: Saraiva, 1990.
O autor aborda o contedo de distribuio de freqncia e de construo de
grcos estatsticos usando uma linguagem bem simples e clara, tornando
sua leitura agradvel.
FONSECA, Jairo Simom da; MARTINS, Gilberto de Andrade. Curso
de estatstica. 3. ed. So Paulo: Atlas, 1982.
Da mesma forma que a fonte anterior, apresentam os principais conceitos
sobre levantamento de dados estatsticos por meio de tabelas e grcos.
Captulo 3
Medidas de Tendncia
Central
67
Captulo 3
Medidas de Tendncia Central
Neste captulo estudaremos vrias medidas de posio ou
de tendncia central e suas utilidades em ensino funda-
mental e mdio. A maioria dos dados apresentam uma di-
ferente tendncia de se agrupar ou concentrar em torno de
um ponto central. Assim sendo, para um conjunto de dados
em particular, geralmente se torna possvel selecionar um
valor tpico ou mdio para descrever todo o conjunto. Tal
descritivo tpico uma medida de localizao ou tendncia
central. As mais importantes das medidas estatsticas de
localizao ou medidas de posies so as chamadas medi-
das de posio ou de tendncia central, e dentre elas desta-
camos: a mdia aritmtica, a mediana e a moda.
3.1 Introduo
Pelo apresentado nos captulos anteriores, vemos que Estatstica
cabe a anlise de fenmenos mensurveis. Temos, assim, diante de
ns, informaes numricas, obtidas nas fases iniciais do trabalho
estatstico (planejamento, coleta, crtica, apurao e exposio), que
devero ser analisadas agora na fase do trabalho estatstico que cha-
mamos de interpretao.
Cabe-nos, assim, a determinao dos ndices estatsticos que atuaro
como indicadores do comportamento do fenmeno que estamos
pesquisando.
O objetivo central deste captulo apresentar, de forma simples e
prtica, os parmetros que caracterizam a distribuio de uma va-
rivel. Em vez de seguirmos uma linha geral, por motivo bvio, ini-
ciaremos o nosso estudo discutindo as medidas de tendncia cen-
tral. Denominam-se medidas de posio, ou medidas de tendncia
central, os valores tpicos, que tendem a se localizar em pontos cen-
68
trais num conjunto de dados ordenados, ou que ocupam uma po-
sio especfca dentro de uma distribuio. As principais medidas
de tendncia central so as seguintes:
Mdias a)
aritmtica (simples e ponderada); i)
geomtrica; ii)
harmnica; iii)
quadrtica. iv)
b) Mediana.
c) Moda.
3.2 Mdia Aritmtica
uma das principais medidas de posio. Seguramente, a mais usa-
da, sendo que pode ser simples (dados no agrupados em classe) e
ponderada (dados agrupadas em classe).
3.2.1 Mdia Aritmtica Simples
Mdia aritmtica simples ou simplesmente mdia
( )
x, de uma srie
ou conjunto de n valores
1 2
, ,...,
n
x x x , por defnio, o quociente da
soma desses valores pelo nmero deles, ou seja:
1 2 1
...
n
i
n i
x
x x x
x
n n
=
+ + +
= =

,
ou simplesmente
x
x
n

= .
Exemplo 3.1.
A mdia aritmtica dos nmeros 4, 9, 12, 3, 6, 10 e 20 ser: i)
4 9 12 3 6 10 20 70
10
7 7
x
+ + + + + +
= = = .
69
ii) 2, 5, 7, 6 x =
4
1
2 5 7 6 20
5
4 4 4
i
i
x
x
=
+ + +
= = = =

.
Exemplo 3.2. Sabendo-se que um funcionrio da Escola Estadual
Esperana trabalha, durante uma semana, em horas, 10, 14, 13, 15,
16, 18 e 12 horas, temos que a mdia de trabalho da semana foi de

10 14 13 15 16 18 12
14 horas
7
x
+ + + + + +
= = .
Observao 3.1. s vezes acontece de a mdia ser um nmero di-
ferente de todos da srie de dados que ela representa. Por exemplo,
quando temos os valores 2, 4, 8 e 9, a mdia 5; neste caso, costuma-
mos dizer que a mdia no tem existncia concreta.
3.2.2 Mdia Aritmtica Ponderada
Mdia aritmtica ponderada uma forma simplifcada de calcular a
mdia aritmtica simples dos dados repetidos.
Se os nmeros
1 2
, ,...,
n
x x x ocorrem em determinadas freqncias,
1 2
, ,...,
n
f f f , respectivamente, a mdia aritmtica ponderada def-
nida por:
1 1 2 2
1 2
...
...
n n
n
f x f x f x
x
f f f
+ + +
=
+ + +
1 1
1
n n
i i i i
i i
n
i
i
f x f x
n
f
= =
=
= =

,

onde
1
n
i
i
n f
=
=

, a freqncia total.
Observao 3.2. As freqncias
1 2
, ,...,
n
f f f tambm so chamadas
de pesos, para
1 2
, ,...,
n
x x x , respectivamente.
Exemplo 3.3. Clculo da mdia aritmtica ponderada dos seguin-
tes dados:
70
Notas em provas (x) Nmeros de estudantes ( f )
20 3
35 6
40 2
60 10
65 8
75 16
80 3
100 2
Total 50
Quadro 3.1

3 20 6 35 2 40 10 60 8 65 16 75 3 80 2 100
50
x
+ + + + + + +
=

60 210 80 600 520 1200 240 200
50
+ + + + + + +
=
3110
62, 2
50
= =

Exemplo 3.4. Clculo da mdia aritmtica ponderada dos seguin-
tes dados:
x
i
f
i
2 8
3 2
5 4
8 6
6 5
9 3
Total 28
Quadro 3.2

8 2 2 3 4 5 6 8 5 6 3 9
28
x
+ + + + +
=

16 6 20 48 30 27
28
+ + + + +
=
147
5, 25
28
= = .
71
Exemplo 3.5. O Colgio Aprender a Lio, do Sistema de Ensino
Prof. Sabe Tudo, possui dois tcnicos em informtica recebendo
salrios mensais de R$ 3.400,00 cada um; quatro professores de f-
sica recebendo mensalmente R$ 4.500,00 cada um; um diretor de
recursos humanos com salrio mensal de R$ 7.000,00; e trs outros
profssionais recebendo mensalmente R$ 5.500,00 cada um. A mdia
mensal destes salrios :

3.400 2 4.500 4 7.000 1 5.500 3 48.300
4.830
2 4 1 3 10
x
+ + +
= = =
+ + +
.
Portanto, a mdia de salrios do Colgio Aprender a Lio de
R$ 4.830,00.
Observao 3.3. Quando os dados so agrupados em intervalos de
classe, convenciona-se que todos os valores includos em um deter-
minado intervalo de classe coincidem com o seu ponto mdio, e o
clculo da mdia aritmtica dado pela frmula acima onde
i
x o
ponto mdio da classe.
Exemplo 3.6. Consideremos a tabela abaixo referente aos salrios
(em R$) do ms de maro/2007 de 44 professores da Escola Bsica
Professora Zulmira:
Classe Salrios Freqncia
1
500 700
8
2
700 900
20
3
900 1100
7
4
1100 1300
5
5
1300 1500
2
6
1500 1700
1
7
1700 1900
1
Total = 44
Tabela 3.1
Calcular o salrio mdio mensal pago pela Escola Bsica Profes-
sora Zulmira.
72
Aplicando a frmula da mdia dada acima, temos
4800 16000 7000 6000 8200 1600 1800
44
+ + + + + +
=
40.000
909, 09
44
= =

Portanto, o salrio mdio mensal pago pela Escola Confana no
Futuro de R$ 909,09.
Exemplo 3.7. Calcular a altura mdia dos quarenta alunos da Escola
Estadual ESPERANA:
Classe Estaturas (em cm) f
i
x
i
f
i

x
i
1
150 154
4 152 608
2
154 158
9 156 1404
3
158 162
11 160 1760
4
162 166
8 164 1312
5
166 170
5 168 840
6
170 174
3 172 516
40
i
f =

6440
i i
f x =

Tabela 3.2
Resoluo. Na ltima coluna do quadro acima, temos a altura mdia
6440
161, 00
40
x = = .
Portanto, a altura mdia dos quarenta alunos da Escola Estadual Es-
perana 161 cm.
3.2.3 Mdia Aritmtica para
Dados Agrupados em classe (ponderada)
Processo Longo
defnido como sendo o quociente entre a soma dos produtos das
freqncias pelos pontos mdios de cada classe, e a soma de todas
as freqncias. Assim,
73

1
1
i
n
i m
i
n
i
i
f p
x
f
=
=
=

,

onde
i
m
p = ponto mdio de cada classe.
Exemplo 3.8. Calcule a mdia aritmtica da seguinte tabela de fre-
qncia (isto , dados agrupados em classes):
Tempo de servio
(anos)
Nmero de
empregados ( f
i
)
Ponto Mdio
( p
m
)
( f

p
m
)
00 05 42 2,5 105
05 10 65 7,5 487,5
10 15 23 12,5 287,5
15 20 28 17,5 490
20 25 10 22,5 225
25 30 24 27,5 660
30 35 08 32,5 260
Total 200 - 2515
Tabela 3.3
7
1
7
1
.
i
i m
i
i
i
f p
x
f
=
=
=

105 487, 5 287, 5 490 225 660 260

200
+ + + + + +
=
2515
200
= 12, 575 = .
Processo das freqncias relativas
Por defnio,
1
1
i
n
i m
i
n
i
i
f p
x
f
=
=

1 1
1
i i
n n
i
m i m n
i i
i
i
f
p fr p
f
= =
=
| |
|
| = =
|
|
\ .

,
onde
1
, 1, 2,...,
i
i n
i
i
f
fr i n
f
=
= =

so freqncias relativas.
74
Exemplo 3.9. Calcule a mdia aritmtica da seguinte tabela de fre-
qncia, usando processo de freqncias relativas:
Tempo de
servio (anos)
Nmero de
empregados ( f
i
)
Ponto Mdio
( p
m
)
Freqncia
Relativa ( fr
i
)
( p
m
i
fr
i
)
00 05 42 2,5 0,21 0,525
05 10 65 7,5 0,325 2,4375
10 15 23 12,5 0,115 1,4375
15 20 28 17,5 0,14 2,45
20 25 10 22,5 0,05 1,125
25 30 24 27,5 0,12 3,3
30 35 08 32,5 0,04 1,3
Total 200 - 1,00 12.575
Tabela 3.4
Neste caso, temos
7
1
12, 575
i
i m
i
x fr p
=
= =
.
Processo dos desvios
Podemos, tambm, para os dados agrupados, calcular a mdia arit-
mtica, considerando um ponto mdio qualquer - ( )
o
m
p e a dife-
rena entre este e os restantes
m m
p p

. Chamamos esta diferena
de desvio (d) de
m
p em relao a
m
p

( )
i o
m m
d p p = . Isto implica
que,
i
m i m
p d p = +

. (Levando esta igualdade frmula dada no item
acima).

1
1
.
i
n
i m
i
n
i
i
f p
x
f
=
=
=

( )
1
1
n
i i m
i
n
i
i
f d p
f
=
=
+
=

75

1 1
1
.
n n
i i i m
i i
n
i
i
f d f p
f
= =
=
+
=

1 1
1 1
.
n n
i i i m
i i
n n
i i
i i
f d f p
f f
= =
= =
= +



, pois
m
p

constante.

1 1
1 1
n n
i i i
i i
m n n
i i
i i
f d f
p
f f
= =
= =
= +

Isto ,

1
1
n
i i
i
m n
i
i
f d
x p
f
=
=
= +

.
Observao 3.4. Como m
p

pode ser uma constante qualquer ar-
bitrria, usual toma-la como um ponto mdio intermedirio de
uma classe da distribuio de freqncia, o que simplifcar muito
a resoluo dos exerccios prticos. Ento,
m
p

passa a ser um ponto
mdio intermedirio arbitrado.
Exemplo 3.10. Dados do exemplo 3.9:
Freqncia
( f )
Ponto Mdio
( p
m
)
Desvio
( )
Produto
( f d)
42 2,5 -15 -630
65 7,5 -10 -650
23 12,5 -5 -115
28 17,5 =
m
p

0 0
10 22,5 5 50
24 27,5 10 240
8 32,5 15 120
200 - - -985
Tabela 3. 5
76
Resoluo. Neste caso, temos
1
1
n
i i
i
m n
i
i
f d
x p
f
=
=
= +

,
i i o
d pm pm =
985
17, 5
200

| |
= +
|
\ .
( ) 17, 5 4, 925 17, 5 4, 925 = + =
12, 575 = .
3.3 Outras Mdias
3.3.1 Mdia geomtrica
A mdia geomtrica G de um conjunto de n valores ( )
1 2
, ,...,
n
x x x a
raiz de ordem n ( n -simo raiz) do produto desses valores, ou seja:
1 2
...
n
n
G x x x =
1
n
n
i
i
x
=
=

.
Exemplo 3.11.
A mdia geomtrica entre os nmeros 18, 36 e 72 : i)
3 3
18 36 72 46.656 36 G = = =
.
A mdia geomtrica entre os nmeros 1, 9 e 81 : ii)
3 3
1 9 81 729 9 G = = = .
Observao 3.5. Devemos notar que nos exemplos apresentamos
nmeros que propositadamente nos conduziram extrao de ra-
zes bem simples. No entanto, em grande parte de exerccios sobre
o clculo da mdia geomtrica (principalmente se tivermos trs ou
mais valores), somos induzidos a utilizar logaritmos. Veja a seguir.
77
Sabemos que
1
n
n
i
i
G x
=
=

, ento podemos escrever

1/
1
log log
n
n
i
i
G x
=
| |
=
|
\ .

( )
1 2
1
log . ...
n
x x x
n
=

( )
1 2
1
log log ... log
n
x x x
n
= + + +


1
1
log
n
i
i
x
n
=
=
.
Portanto,

1
1
ant. log log
n
i
i
G x
n
=
| |
=
|
\ .
,
onde a base do logaritmo preferencialmente decimal.
3.3.2 Mdia Harmnica
A mdia harmnica H de uma srie de n valores diferentes de zero,
1 2
, ,...,
n
x x x , , por defnio, o inverso da mdia aritmtica dos inver-
sos desses valores, ou seja:
1 2 1
1
1 1 1 1
...
n
n i i
n
H
x x x x
n
=
= =
+ + +

,
ou simplesmente
, 0
1
n
H x
x
=

,
ou
1
1
x
H n

= .
Observao 3.6. Quando um elemento da srie for igual a zero, a
mdia harmnica ser nula, por defnio.
78
Exemplo 3.12.
A mdia harmnica entre 18, 36 e 72 ser: i)
1 1 1 1 1 1 4 2 1 7
3 18 36 72 3 72 216 H
+ + ( (
= + + = =
( (

.
Portanto,
216
30,86
7
H = = .
A mdia harmnica entre 5, 2 e 8 ser: ii)
1 1 1 1 1 1 8 20 5 1 33 11
3 5 2 8 8 40 3 40 40 H
+ + ( (
= + + = = =
( (

.
Portanto,
40
3, 63
11
H = = .
iii) A mdia harmnica entre 1 e 4 ser:
1 1 1 1 1 1 4 1 5 5
2 4 1 2 4 2 4 8 H
+ ( (
= + = = =
( (

.
Portanto,
8
1, 6
5
H = = .
3.3.3 Mdia Quadrtica
A mdia quadrtica Q de uma srie de n valores,
1 2
, ,...,
n
x x x , , por
defnio, a raiz quadrada da mdia aritmtica dos quadrados des-
ses valores, ou seja:
2 2 2
1 2
...
n
x x x
Q
n
+ + +
=
2
1
n
i
i
x
n
=
=

,
ou simplesmente
2
x
Q
n

=
.
79
Exemplo 3.13.
A mdia quadrtica dos nmeros 1 e 4 ser: i)
2 2
1 4 1 16 17
8, 5 2, 9
2 2 2
Q
+ +
= = = = =
.
A mdia quadrtica dos nmeros 3, 5 e 6 ser: ii)
2 2 2
3 5 6 9 25 36 70
23, 33 4,8
3 3 3
Q
+ + + +
= = = = =
.
iii) A mdia quadrtica dos nmeros 1, 2 e 3 ser:
2 2 2
1 2 3 1 4 9 14
4, 66 2,16
3 3 3
Q
+ + + +
= = = = =
.
3.3.4 Desigualdade entre Quatro Mdias
Existe uma desigualdade relacionando as quatro mdias (aritmti-
ca, geomtrica, harmnica e quadrtica) dada por

mn mx
x G H x Q x
,
com a igualdade quando
1 2 3
...
n
x x x x = = = = , onde
{ }
1 2
, ,...,
mn n
x mn x x x = e { }
1 2
, ,...,
mx n
x mx x x x =
.
Uso das mdias geomtricas, harmnicas e quadrticas:
Como aplicaes importantes da i) mdia geomtrica, podemos
citar a estimativa do crescimento demogrfco e o clculo do
ndice do custo de vida.
A ii) mdia harmnica particularmente recomendada para s-
ries constitudas de nmeros recprocos, como, por exemplo,
para o clculo das mdias de velocidade (referidas a uma dada
distncia), do custo mdio de artigos (adquiridos com uma de-
terminada quantia), etc.
A iii) mdia quadrtica, alm de ser usada na Fsica, ser de
grande valia no estudo sobre as medidas de disperso, mais
especifcamente no clculo do desvio padro, que ser apre-
sentado adiante.
80
3.4 Mediana
A mediana o valor mdio ou a mdia aritmtica de dois valores
centrais de um conjunto de nmeros ordenados (crescente ou de-
crescente). Isto , mediana ( )
e
M de uma srie de n termos,
1 2
, ,...,
n
x x x ,
colocados em ordem crescente (ou decrescente) de valor, o termo
da srie ou a mdia aritmtica de dois valores centrais, que prece-
dido e seguido pelo mesmo nmero de ocorrncias.
3.4.1 Mediana para Dados Isolados
Dado um conjunto qualquer de valores, o primeiro passo orden-
los. Isto poder ser feito tanto em ordem crescente quanto decres-
cente. O segundo passo verifcar se o nmero de elementos que
compem este conjunto par ou mpar.
Quando a srie constituda de um nmero (n) mpar de termos, a
posio (P) de mediana dada por
1
2
n
P
+
= .
Exemplo 3.14. Clculo da mediana da srie 9, 15, 3, 7, 6, 16, 4, 19 e 1.
Colocando os termos em ordem crescente, temos 1, 3, 4, 6, 7, 9, 15, 16,
e 19. Neste caso, 9 n = , ento
1 9 1
5
2 2
n
P
+ +
= = = .
Isto , a mediana o 5 termo da srie ordenada.
Portanto,
7
e
M = .
Observao 3.7. Quando a srie constituda de um nmero ( ) n par
de termos, ela ter dois valores centrais. Neste caso, a mediana a
mdia aritmtica dos dois valores centrais cujas posies so:
'
2
n
P = e '' 1
2
n
P = + .
A mediana de um grupo de
dados ordenados separa a
metade inferior da amostra,
populao ou probabilidade
de distribuio, da
metade superior. Mais
concretamente, 1/2 da
populao ter valores
inferiores ou iguais
mediana e 1/2 da populao
ter valores superiores ou
iguais mediana.
Fonte: http://pt.wikipedia.org/
wiki/Mediana
81
Exemplo 3.15. Clculo da mediana da srie 3, 4, 7, 12, 15, 10, 18 e 14.
Resoluo. Colocando em ordem crescente, temos 3, 4, 7, 10, 12, 14,
15 e 18. Como o nmero de termos par, 8 n = , a mediana ser a
mdia aritmtica dos dois termos centrais com posies:
8
' 4
2 2
n
P = = = e
8
'' 1 1 5
2 2
n
P = + = + = .
Tomando ento a mdia aritmtica do 4 e do 5 termos da srie, tem-
se nalmente a mediana, ou seja, a mediana
10 12 22
11
2 2
e
M
+
= = = .
Observao 3.8. Neste exemplo, a mediana um valor que no
termo da srie, mas no prejudica a defnio introduzida.
Exemplo 3.16. Suponha que o seguinte conjunto de dados represente
os salrios (em reais) para uma amostra de sete profssionais na rea
da educao que recentemente colaram grau em sua faculdade:
4.600 3.700 6.900 6.300 7.400 4.800 5.300
Resoluo. A disposio ordenada torna-se:
3.700 4.600 4.800 5.300 6.300 6.900 7.400
Exemplo 3.17. Suponha que o seguinte conjunto de dados represen-
te a idade (em anos) de uma amostra de oito funcionrios da Escola
Estadual Nova Esperana:
42 34 32 27 39 29 45 30
Resoluo. A disposio ordenada torna-se:
27 29 30 32 34 39 42 45
Mediana =
32 34
33
2
+
= .
Exemplo 3.18. Suponha que o seguinte conjunto de dados repre-
sente os salrios (em reais) de uma amostra de sete funcionrios da
Escola Estadual Nova Esperana:
Mediana
82
2.100 1.900 3.400 2.800 1.800 2.400 1.900
Resoluo. A disposio ordenada torna-se:
1.800 1.900 1.900 2.100 2.400 2.800 3.400
3.4.2 Mediana para Dados Agrupados
Valores isolados ponderados (no agrupados em classes)
Varivel discreta
Quando estamos trabalhando com dados tabulados, mas no agru-
pados em classe, ou seja, quando aparecem repeties de valores,
o clculo da mediana feito atravs de um procedimento anlogo,
lembrando, contudo, que agora temos freqncias correspondentes
a cada varivel.
Desta forma, precisamos acumular freqncias, permitindo, com
isto, localizar o elemento que divide esta observao em duas partes
iguais. Para tal, preciso verifcar se o nmero de observaes m-
par ou par e, para cada caso, aplicar os critrios anteriores.
Exemplo 3.19. Clculo da mediana dos seguintes dados:
x f f
a
2 2 2
4 5 7
5 8 15
7 6 21
8 4 25
Total 25 -
Quadro 3.3
Neste caso,
25 1
13
2
P
+
= = .
O elemento mediano ocupa a 13 posio do conjunto, sendo, por-
tanto, 5, isto , 5
e
M = .
Mediana
83
Exemplo 3.20. Clculo da mediana da seguinte tabela:
x f f
a
3 5 5
5 4 9
6 6 15
7 8 23
9 3 26
Total 26 -
Quadro 3.4
Neste caso, temos
26
' 13
2
P = = e
26
'' 1 14
2
P = + = .
A mediana ser o valor mdio dos valores das 13 e 14 posies.
Isto ,
6 6
6
2
e
M
+
= = .
Valores agrupados em classe
Varivel Contnua
Quando uma srie agrupada em classes de freqncia, a mediana
corresponde ao termo que divide a srie em duas partes iguais, isto
, o valor que precedido e seguido por 50% ou
2
n | |
|
\ .
dos termos
da srie.
Em uma distribuio de freqncia, chama-se classe mediana, a
classe que contm a mediana.
A frmula para o clculo da mediana dada por:
2
a
e i
n
f
M L h
f

= + ,
onde
e
M == mediana;
i
L = = limite inferior da classe que contm a mediana;
84
n = = nmero de termos da srie;
a
f = = freqncia acumulativa da classe vizinha anterior classe
mediana;
f = = freqncia da classe mediana;
h = = amplitude da classe mediana.
Exemplo 3.21. Calcular a mediana dos 40 alunos da Escola Estadual
Esperana.
i Estaturas (cm) Freqncias Freqncia Acumulada
1
150

154
4 4
2
154

158
9 13
3
158

162
11 24
4
162

166
8 32
5
166

170
5 37
6
170

174
3 40
Total 40
Tabela 3.6
Resoluo. Temos
40
20
2 2
n
= = , a classe da Mediana a terceira.
MD
L
i
= 158; n = 40; f
a
= 13; h = 4; f = 11.
Logo,
M
e
40
13 4
2
158
11
d
M
| |

|
\ .
= +
(20 13) 4
158
11

= +
158 2, 545 160, 545 = + = .
Portanto, a mediana dos 40 alunos da Escola Estadual Esperana
160,545 cm.
85
Exemplo 3.22. Clculo da mediana de distribuio de notas dadas
em classe:
Notas (Classe) Alunos ( f ) ( f
a
)
0 10
3 3
10 20
7 10
20 30
12 22
30 40
34 56
40 50
48 104
50 60
90 194
60 70
54 248
70 80
52 300
80 90
15 315
90 100
5 320
Total 320
Tabela 3.7
Resoluo. Temos os seguintes dados:
160
2
n
=
,
104
a
f =
,
50
i
L =
, 90 f = , 10 h = .
Portanto, a classe mediana 50 60.
2
a
e i
n
f
M L h
f

= +
160 104
50 10
90

= +
560
50 50 6, 2 56, 2
90
= + = + = .
A mediana igual nota 56,2 revela que tal resultado coloca tantos
alunos com notas inferiores a 56,2 quanto com notas superiores a
56,2.
86
Grco da mediana:
Classe 0
3
10
22
56
104
160
194
248
300
315
320
10 20 30 40 50 60 70 80 90 100
M
e
= 56,2
f
a

Grco 3.1
Exemplo 3.23. Clculo da mediana da seguinte distribuio de fre-
qncia:
Tempo de servio
(anos)
Freqncia
( f )
Freqncia acumulada
( f
a
)
00 05 42 42
05 10 65 107
10 15 23 130
15 20 28 158
20 25 10 168
25 30 24 192
30 35 08 200
Total 200
Tabela 3. 8
Resoluo. Neste caso, temos
100
2
n
= , 42
a
f = , 5
i
L = , 65 f = e 5 h = .
87
Portanto, a classe mediana 5 10. Logo,
100 42 58 58
5 5 5 5 5
65 65 13
e
M

= + = + = + =
5 4, 46 9, 46 = + = .
Grco da mediana:
Classe
5
0
42
f
a
100
107
130
158
168
192
200
10 15 20 25 30 35
Grco 3. 2
Observao 3.9. A mediana
no depende de todos os valores da srie, podendo mesmo se i)
alterar com a modifcao de alguns dados;
no infuenciada pelos valores extremos; ii)
pode ser calculada para distribuio com limites indetermi- iii)
nados (indefnidos) na maioria dos casos.
3.5 Moda
A moda o valor que ocorre com maior freqncia em um dado con-
junto de nmeros. Isto , moda ou norma ( )
o
M de uma srie de n
valores,
1 2
, ,...,
n
x x x , o valor que se repete o maior nmero de vezes.
88
Observao 3.10. A moda pode no existir e, quando existir, pode
no ser nica.
Exemplo 3.24. Suponha que o seguinte conjunto de dados represen-
te a idade (em anos) de uma amostra de nove funcionrios da Escola
Estadual Nova Esperana:
42 34 32 27 39 29 34 30 26
Resoluo. A moda 34 anos.
Exemplo 3.25. Suponha que o seguinte conjunto de dados repre-
sente a idade (em anos) de uma amostra de cinco profssionais de
departamento fnanceiro da empresa Capital:
34 32 27 29 45
Resoluo. Neste caso no existe moda (amodal).
Exemplo 3.26. Suponha que o seguinte conjunto de dados represen-
te a idade (em anos) de uma amostra de nove funcionrios da Escola
Estadual Nova Esperana:
42 37 32 27 39 29 37 42 26
Resoluo. Neste caso existem duas modas 37 anos e 42 anos.
3.5.1 Caso de Dados Isolados e/ou
No Agrupados em Classe
Srie amodal
aquela em que todos os seus valores ocorrem com a mesma fre-
qncia, ou seja, no existe moda.
Srie amodal
Grco 3.3
89
Exemplo 3.27. No existe moda da srie 3, 5, 8, 4, 2, 1, 7, 9 e 10, pois
todos os nmeros so diferentes entre si (possuem freqncia unit-
ria). O mesmo ocorre com o conjunto de nmeros 2, 2, 3, 3, 7, 7, 4, 4, 5
e 5, onde todos os valores tm a mesma freqncia (2).
Srie modal (ou unimodal)
Neste caso, existe nica moda.
Srie modal
Grco 3. 4
Exemplo 3.28. Determinar a moda da srie
3, 4, 4, 8, 4, 5, 4, 3, 4, 9, 4, 3 e 6.
Resoluo. Uma simples inspeo dos nmeros indica que a moda
4, valor que tem freqncia (6) maior que qualquer outro valor
da srie.
Srie bimodal
Neste caso, existem duas modas.
Grco 3. 5
Exemplo 3.29. A srie 3, 5, 5, 5, 9, 10, 10, 10, 10, e 15 bimodal, pois
possui duas modas (5 e 10).
90
Srie multimodal (ou plurimodal)
Neste caso, existem mais que duas modas.
o o o
Grco 3. 6
Exemplo 3.30.
x f
3 5
5 8
7 4
8 8
10 7
12 8
15 3
20 1
Total 44
Quadro 3. 5
Neste exemplo temos 3 modas 5, 8 e 12.
3.5.2 Clculo da Moda para
Dados Agrupados em Classes
Em uma distribuio de freqncia, denominamos classe modal a
classe que possui a mais alta freqncia ou, conseqentemente, a
classe que contm a moda.
Moda bruta , por defnio, o ponto mdio da classe modal.
91
Exemplo 3.31. Na distribuio seguinte a classe modal a quarta
classe (6 8), e a moda bruta 7.
Notas em prova (classe) Alunos ( f )
0 2
9
2 4
19
4 6
26
6 8
32
8 10
14
Total 100
Tabela 3. 9
A seguir, daremos uma frmula para clculo de moda dos dados
agrupados em classes.
O clculo do valor da moda
0
( ) M de dados apresentados em tabelas
de distribuio de freqncias dado pela seguinte frmula (frmu-
la de Czuber):

1
0 1
1 2
M L h

= +
+
i
1
0 1
1 2
M L h

= +
+
,
onde
1
L
i

= limite inferior da classe modal;
h = amplitude da classe;
=
1
= diferena entre a freqncia da classe modal
e a imediatamente anterior;
=
2
= diferena entre a freqncia da classe modal
e a imediatamente posterior.
Exemplo 3.32. Calcular a moda dos quarenta alunos da Escola Esta-
dual Esperana.
i Estaturas(cm) Freqncias
1
150 154
4
2
154 158
9
3
158 162
11
92
4
162 166
8
5
166 170
5
6
170 174
3
Total 40
Tabela 3. 10
Resoluo. Neste caso, temos que a classe modal a terceira.
L = 158; h = 4;
=
1
11 9 = 2;
=
2
11 8 = 3.
0
2
158 4
2 3
M = +
+

2
158 4 158 1, 6 159, 60
5
= + = + = .
Portanto, a moda dos quarenta alunos da Escola Estadual Esperana
159,60 cm.
Vamos conferir se voc est acompanhando tudo at aqui? Para sa-
ber, procure atender aos exerccios propostos a seguir.
Exerccios Propostos
Calcular a mdia aritmtica da seguinte distribuio de fre- 1)
qncia:
Classe Freqncia
0 4
2
4 8
6
8 12
8
12 16
3
16 20
1
Tabela 3.11
Resposta. Mdia aritmtica = 9.
93
Feito um levantamento sobre os salrios (pagos em dlar) de 2)
20 funcionrios de uma empresa multinacional, pode-se ela-
borar o seguinte quadro de distribuio:
Classes de Salrios Freqncia
50

100
3
100

150
4
150

200
10
200

250
2
250

300
1
Tabela 3. 12
Nessas condies:
determine a distribuio de freqncia acumulada; a)
calcule a mdia dessa distribuio; b)
determine o valor da mediana. c)
Respostas:
a)
Classes de Salrios Freqncia Freq.Acum.
50 100
3 3
100 150
4 7
150 200
10 17
200 250
2 19
250 300
1 20
Tabela 3. 13
b) 160;
c) 165.
94
3) Dada a distribuio de freqncia abaixo,
Pesos (em kg) Freqncia
145

151
10
151

157
9
157

163
8
163

169
6
169

175
3
175

187
3
181 1
40 =

Tabela 3. 14
determinar:
a mdia; a)
moda; b)
mediana. c)
Respostas. a) 159,4 kg; b) 150,8 kg; c) 157,8 kg.
Uma amostra de 85 valores tem mdia 82,31. Uma segunda 4)
amostra, de 35 valores, tem mdia 81,52. Calcular a mdia
combinada dos 120 valores.
Resposta. 82,08.
No quadro abaixo est a distribuio dos salrios mensais (em 5)
reais) de 40 funcionrios da Empresa Sorriso e Sossego.
Salrios(em R$) Nmero de funcionrios
800 900
4
900 1.000
10
1.000 1.100
18
1.100 1.200
5
1.200 1.300
3
Tabela 3. 15
95
Nessas condies:
Elabore um quadro de distribuio de freqncias relativas a)
e de freqncias relativas acumuladas.
Quantos funcionrios dessa empresa ganham menos de b)
R$1.000,00 mensais?
Qual o ndice em % dos funcionrios dessa empresa que c)
ganham mais de R$1.000,00 mensais?
Quantos funcionrios dessa empresa ganham entre R$800,00 d)
e R$1.200,00, inclusive?
Respostas. b) 14; c) 65%; d) 37.
6) Determinar a mdia aritmtica dos valores apresentados no
quadro abaixo.
x
i
Freqncia - F
i

2 5
3 10
4 15
5 12
6 5
7 3
Quadro 3. 6
Resposta. Mdia = 4,22.
7) (FUVEST SP) (Fundao Universitria para o Vestibular).
Numa classe com vinte alunos, as notas do exame fnal po-
diam variar de 0 a 100, e a nota mnima para aprovao era
70. Realizado o exame, verifcou-se que 8 alunos foram repro-
vados. A mdia aritmtica das notas desses 8 alunos foi 65,
enquanto a mdia dos aprovados foi 77. Aps a divulgao dos
resultados, o professor verifcou que uma questo havia sido
mal formulada e decidiu atribuir 5 pontos a mais para todos
os alunos. Com essa deciso, a mdia dos aprovados passou a
ser 80 e a dos reprovados, 68,8.
96
Calcule a mdia aritmtica das notas da classe toda antes a)
da atribuio dos cinco pontos.
Com a atribuio dos cinco pontos extras, quantos alunos, b)
inicialmente reprovados, atingiram nota para aprovao?
Respostas. a) 72,2; b) 3.
8) (FGV) A tabela a seguir apresenta a distribuio de
freqncias dos salrios de um grupo de 50 empregados de
uma empresa, num certo ms.
Nmero da classe Salrio do ms em reais Nmero de empregados
1
1.000 2.000
20
2
2.000

3.000
18
3
3.000

4.000
9
4
4.000

5.000
3
Tabela 3. 16
O salrio mdio desses empregados nesse ms foi de:
R$ 2.637,00 a)
R$ 2.420,00 b)
R$ 2.520,00 c)
R$ 2.400,00 d)
R$ 2.500,00 e)
Resposta. d)
9) (UNICAMP SP) A mdia aritmtica das idades de um gru-
po de 120 pessoas de 40 anos. Se a mdia aritmtica das
idades das mulheres de 35 anos e a dos homens de 50
anos, qual o nmero de pessoas de cada sexo?
Resposta. So 80 mulheres e 40 homens.
97
Resumo
Neste captulo explicamos vrias medidas de tendncia central, que
tambm so conhecidas com medidas de posio. As principais me-
didas so: mdia, mediana e moda. Tambm explicamos outras m-
dias, tais como: mdias harmnicas, geomtricas e quadrticas.
Atravs dos diversos exemplos, o leitor deve ter observado tambm
que o estudo deste captulo contribuiu para a compreenso de como
se desenvolve toda a Estatstica Descritiva.
Captulo 4
Medidas de Disperso e
Utilizao das Planilhas
101
Captulo 4
Medidas de Disperso e
Utilizao das Planilhas
As medidas como varincia e desvio padro tambm tm
sua importncia em estatstica, por isso, vamos estud-
las. Estudo de planilha via computador um dos assuntos
importantes que tambm sero abordados neste captulo.
4.1 Introduo
No captulo anterior, aprendemos a calcular e a entender convenien-
temente as medidas de posio representativas de uma determina-
da srie, em que destacamos a mdia, a mediana e a moda.
Muitas vezes apenas os clculos ou as apresentaes de um valor es-
pecfco para um conjunto qualquer no so sufcientes para carac-
terizar uma distribuio ou um conjunto de valores. Por exemplo,
consideremos quatro grupos de alunos com as seguintes notas:
Grupo A: 7, 7, 7, 7 e 7
Grupo B : 5, 6, 7, 8 e 9
Grupo C : 4, 5, 7, 9 e 10
Grupo D: 0, 5, 10, 10 e 10.
Para representarmos cada grupo, podemos calcular a sua respecti-
va mdia aritmtica. Assim, encontramos que 7 A B C D x x x x = = = = .
Portanto, vemos que, apesar de constitudos de valores diferentes,
os grupos revelam uma mesma mdia aritmtica, 7.
Vamos considerar agora outro exemplo de uma empresa que opera
em trs turnos. No fnal de cada semana, a produo apresentada
foi a seguinte:
102
Dia
Turno
2
Feira
3
Feira
4
Feira
5
Feira
6
Feira
Total Mdia
I 150 150 150 150 150 750 150
II 70 130 150 180 220 750 150
III 15 67 117 251 300 750 150
Tabela 4.1
Assim, se este departamento enviasse um relatrio mostrando es-
pecifcamente a produo mdia diria, difcilmente iramos iden-
tifcar o grau de relacionamento entre as variveis (produo). Isto
porque todos os turnos estavam mantendo a mesma produo m-
dia semanal de 150 peas.
Nos dois exemplos, vemos que h necessidade de uma medida
estatstica complementar para melhor caracterizar cada conjunto
apresentado.
As medidas de disperso indicam se os valores esto relativamen-
te prximos uns dos outros, ou separados. Todas elas tm na m-
dia o ponto de referncia.
As medidas estatsticas responsveis pela variao ou disperso dos
valores de uma srie ou de um conjunto de dados apresentados so as
medidas de disperso ou variabilidade, tais como:
desvio mdio; i)
desvio padro; ii)
varincia; iii)
coefciente de variao. iv)
As medidas de disperso nos oferecem condies para analisarmos
at que ponto estes valores apresentam oscilaes para mais ou para
menos em relao a uma medida de posio fxada.
Em princpio, diremos que entre duas ou mais sries, a mais dis-
persa (ou menos homognea) aquela que tem a maior medida
de disperso.
Utilizaremos o termo
disperso para indicar o
grau de afastamento de um
conjunto de nmeros em
relao sua mdia.
103
Antes de apresentar as medidas de disperso, apresentaremos, a se-
guir, o conceito de amplitude.
4.2 Amplitude
Amplitude ou intervalo total ( )
t
I de uma srie de n termos,
1 2
, , ...,
n
x x x , defnida como a diferena entre os valores extremos
da srie, ou seja:
t mx mn
I x x =
,
onde:

t
I =
amplitude ou intervalo total;

mx
x = valor mximo da srie, isto , { }
1 2
, , ...,
n
mx x x x ;

mn
x = valor mnimo da srie, isto ,
{ }
1 2
, , ...,
n
mn x x x .
Exemplo 4.1. Suponha que o seguinte conjunto de dados represente
a idade (em anos) de uma amostra de oito professores da Escola Es-
tadual Esperana:
42 34 32 27 39 29 45 30
Resoluo. A disposio ordenada torna-se:
27 29 30 32 34 39 42 45
Amplitude total = 45 27 = 18.
A utilizao da amplitude total como medida de disperso muito
limitada, pois, sendo uma medida que depende apenas dos valores
externos, instvel, no sendo afetada pela disperso dos valores
internos.
A amplitude nos d idia do campo de variao dos valores da srie.
Apesar de serem de fcil obteno, no so muito utilizadas, visto
que elas no levam em considerao as futuaes apresentadas em
relao aos valores internos da distribuio.
Quando os dados estiverem em uma tabela de freqncia, com da-
dos agrupados em classe, podemos utilizar dois processos na obten-
o da amplitude.
104
Um deles segue o mesmo raciocnio anterior, sendo que a amplitude
obtida pela diferena entre o limite superior da ltima classe e o
limite inferior da primeira classe, assim,
t mx mn
I x x = .
O outro processo utiliza a diferena entre o ponto mdio da ltima
classe e o ponto mdio da primeira classe, ou seja:
t
I =
(ponto m-
dio da ltima classe) (ponto mdio da primeira classe).
Exemplo 4.2. Vamos considerar a tabela de distribuio de freqncia
abaixo:
Classe Freqncia
( f )
Ponto Mdio
( p
m
)
0 2
5 1
2 4
3 3
4 6
8 5
6 8
3 7
8 10
1 9
Total 20 -
Tabela 4.2
Resoluo.
Primeiro processo:

10 0 10
t
I = =
Segundo processo:

9 1 8
t
I = =
.
4.3 Desvio Mdio
Desvio Mdio a mdia aritmtica dos valores absolutos dos des-
vios da distribuio em relao a uma medida de tendncia central:
mdia ou mediana.
105
Chamamos de desvio ( )
i
d em relao mdia a diferena entre cada
elemento de um conjunto de valores e a mdia aritmtica, isto ,
x x d
i i
= .
Exemplo 4.3. Sabendo-se que um funcionrio da Escola Estadual
Esperana trabalha, durante uma semana, 10, 14, 13, 15, 16, 18 e 12
horas, temos que a mdia de trabalho da semana foi de:
10 14 13 15 16 18 12
14 horas
7
x
+ + + + + +
= = .
Determine o desvio ( )
i
d em relao mdia ( 14 x = ).
Resoluo. Aplicando a frmula x x d
i i
= , temos
1 1
2 2
3 3
4 4
10 14 4;
14 14 0;
13 14 1;
15 14 1;
d x x
d x x
d x x
d x x
= = =
= = =
= = =
= = =
5 5
6 6
7 7
16 14 2;
18 14 4;
12 14 2.
d x x
d x x
d x x
= = =
= = =
= = =
Observe que na determinao de cada desvio
i
d estaremos medindo
a disperso entre cada
i
x e a mdia x . Temos que a soma algbrica
dos desvios em relao mdia zero, isto ,

=
=
n
i
i
d
1
0
.
4.3.1 Desvio Mdio Absoluto Dados Isolados
Desvio mdio absoluto uma medida de disperso, pois as medidas
de disperso (que tm a mdia como ponto de referncia) indicam
se os valores esto relativamente prximos uns dos outros, ou sepa-
rados.
Desvio mdio ( )
m
d de uma srie de n termos,
1 2
, ,...,
n
x x x , a m-
dia aritmtica dos desvios absolutos tomados em relao sua m-
dia aritmtica, ou seja:
106
1 1
N N
i i
i i
m
d x x
d
n n
= =

= =

,
ou simplesmente
m
d
d
n

=
,
onde,
m
d = desvio mdio;
d = desvio, afastamento, resduo ou discrepncia dos termos
da srie, calculados em relao mdia aritmtica ( ) d x x =
sem considerar sinal, ou seja, desvio absoluto;
n = nmero de termos da srie.
Observao. 4.1. Defnimos desvio mdio a partir dos desvios ab-
solutos, pois se assim no fosse, a soma deles seria sempre nula em
virtude da propriedade da mdia aritmtica (a soma dos desvios
calculados em relao mdia aritmtica nula).
Exemplo 4.4. Seja { } 2, 5, 8, 15, 20 x = .
Resoluo. A mdia do conjunto acima :
2 5 8 15 20
10
5
i
x
x
n
+ + + +
= = =
.
Logo, o desvio mdio absoluto

i
m
x x
d
n

=

2 10 5 10 8 10 15 10 20 10
5
+ + + +
=

8 5 2 5 10 30
6
5 5
+ + + +
= = = .
Exemplo 4.5. Com os dados do exemplo apresentado em 4.3, tem-se
o Desvio Mdio Absoluto (DMA)
7
1
4 0 1 1 2 4 2
14
2.
7 7 7
i
i
x x
DMA
=

+ + + + + +
= = = =

107
4.3.2 Dados Isolados Ponderados
e Agrupados em Classe
Quando os dados se apresentarem ordenados em uma tabela de fre-
qncia, agrupados em classe ou isolados ponderados, utilizamos a
seguinte frmula:
m
d f
d
f

=

,
onde
d x x = (no caso de dados repetidos);
m
d p x = (no caso de dados agrupados em classe);
x = mdia aritmtica;
m
p = ponto mdio;
f = freqncia da classe.
Podemos tambm calcular desvio mdio usando a mediana, em lu-
gar de mdia. Basta fazer:
m
d f
d
f

=

,
onde
e
d x M = ou
m e
p M ,
e
M = mediana;
e demais variveis como acima.
Exemplo 4.6. Clculo do desvio mdio dos seguintes dados:
usando a m a) dia:
x f x f d f
5 4 20 3,2 12,8
6 5 30 2,2 11,0
8 12 96 0,2 2,4
10 4 40 1,8 7,2
12 5 60 3,8 19,0
Total 30 246 - 52,4
Tabela 4.3
108
Resoluo.
246
8, 2
30
i i
i
f x
x
f

= = =

,
e
. 52, 4
1, 75
30
i i
m
i
d f
d
f

= = =

.
usando a mediana: b)
x f f x f d
5 4 20 3 12
6 5 30 2 10
8 12 96 0 0
10 4 40 2 8
12 5 60 4 20
Total 30 246 - 50
Tabela 4.4
Resoluo.
30
' 15
2 2
n
P = = = e
30
'' 1 16
2
P = + = ,
8 8
8
2
e
M
+
= = ,
e
. 50
1, 67
30
i i
m
i
d f
d
f

= = =

.
Exemplo 4.7. Considerando o tempo de servio (em anos) dos 200
servidores pblicos da Escola Estadual Sena Figueiredo, da cidade
XX, do Estado de Santa Catarina at janeiro de 2006, calcular o des-
vio mdio dos dados a seguir:
usando a mdia: a)
Tempo de
servio (anos)
f P
m
d f
0 5
42 2,5 10,075 423,15
5 10
65 7,5 5,075 329,875
109
10 15
23 12,5 0,075 1,725
15 20
28 17,5 4,925 137,9
20 25
10 22,5 9,925 99,25
25 30
24 27,5 14,925 358,2
30 35
08 32,5 19,925 159,4
Total 200 - - 1.509,5
Tabela 4.5
Resoluo.
12, 575
i i
i
f x
x
f

= =

,

e

. 1.509, 5
7, 547
200
i i
m
i
d f
d
f

= = =

.
usando a mediana: b)
m e
d p M =
Tempo de
servio (anos)
f P
m
d f
0 5
42 2,5 10,075 423,15
5 10
65 7,5 5,075 329,875
10 15
23 12,5 0,075 1,725
15 20
28 17,5 4,925 137,9
20 25
10 22,5 9,925 99,25
25 30
24 27,5 14,925 358,2
30 35
08 32,5 19,925 159,4
Total 200 - - 1.462,3
Tabela 4.6
Resoluo.
9, 45
e
M =
e
. 1.462, 3
7, 311
200
i i
m
i
d f
d
f

= = =

.
110
Observao 4.2.
O i) desvio mdio depende de todos os valores da distribuio,
fazendo com que seu resultado apresente maior segurana em
relao amplitude total.
Seu clculo pode ser efetuado a partir da mdia ou da media- ii)
na, sendo mnimo quando calculado a partir da mediana.
No levamos em considerao a existncia de desvios negati- iii)
vos, porque eles so medidos em termos absolutos.
4.4 Varincia
A varincia de uma amostra de valores (dados no agrupados),
1 2
, ,...,
n
x x x , defnida como sendo a mdia dos quadrados dos des-
vios das medidas em relao sua mdia x , evitando, com isso, que

=
=
n
i
i
d
1
0. A varincia da amostra dada por
2
2 1
( )
N
i
i
x x
s
n
=

=


,
ou pela frmula alternativa
2
2
2
i
i
i
i
x
x
n
s
n
| |
|
\ .

.
Varincia de uma srie o quadrado do desvio padro desta srie.
representado por
2
s e suas frmulas de clculo so as mesmas
vistas anteriormente para o desvio padro:
2
2
d
s
n

=
.
Alternativamente, se os dados esto apresentados em uma tabela
de distribuio de freqncias, para obter a varincia, aplica-se a
seguinte frmula:
2
2
2
( )
i i
i i
x f
x f
n
s
n

=

,
A varincia de uma varivel
aleatria uma medida da
sua disperso estatstica,
indicando quo longe
em geral os seus valores
se encontram do valor
esperado.
Fonte: http://pt.wikipedia.org/
wiki/Variancia
111
onde
i
x so os valores dados;
i
f so as freqncias, e
i
n f =

nmero total de observaes.

Exemplo 4.8. Calcule a varincia dos seguintes valores: 2, 5, 5, 6 e 7.
Resoluo. Voc tem:
x
i
x
i
2
2 4
5 25
5 25
6 36
7 49
25
i
x =
2
139
i
x =
Tabela 4.7
Aplicando a frmula
( )
2
2
2
i
i
x
x
n
s
n

= , vem

2
625
139
139 125 14
5
2, 8
5 5 5
s


= = = = .
Exemplo 4.9. Calcule a varincia da altura dos quarenta alunos da
Escola Estadual Esperana, do exemplo 3.7.
Resoluo. Veja o quadro a seguir:
Estaturas (cm) f
i
x
i
x
i
2
x
i
2
f
i
x
i
f
i
150 | 154 4 152 23104 92416 608
154 | 158 9 156 24336 219024 1404
158 | 162 11 160 25600 281600 1760
162 | 166 8 164 26896 215168 1312
166 | 170 5 168 28224 141120 840
170 | 174 3 172 29584 88752 516
i
f = 40 1.038.080 6440
Tabela 4.8
112
Aplicando a frmula
2
2
2
( )
i i
i i
x f
x f
n
s
n

=
, vem
2
2
(6440)
1.038.080
40
40
s

=
2
1.038.080 1.036.840
31
40
s

= = .
4.5 Desvio Padro
defnido como a raiz quadrada da mdia aritmtica dos quadra-
dos dos desvios em relao mdia. a mais importante medida
de variabilidade, ou seja, o desvio padro de uma srie de n termos,
1 2
, , ...,
n
x x x , a mdia quadrtica dos desvios calculados em relao
mdia aritmtica da srie, e dada por
n
x x
s
i
i

=
2
) (
,
ou
n
n
x
x
s
i
i
i
i
2
2
|
.
|

\
|

,
ou
2
1
N
i
i
d
s
n
=
=

,
ou, simplesmente,

2
d
s
n

= ,
O termo desvio padro foi
introduzido na estatstica
por Karl Pearson. Ele foi o
fundador do Departamento
de Estatstica Aplicada
(Department of Applied
Statistics) na University
College London em 1911.
113
onde
s = desvio padro;
d = desvio em relao mdia ( ) d x x = ;
n = nmero de termos da srie.
Tomando os desvios em relao a uma constante intermediria arbi-
trria ( )
0
x , a frmula para o clculo do desvio padro se torna:
2
2
d d
s
n n
| |
=
|
\ .
.
Onde
0
d x x = (desvio em relao a um valor arbitrrio).
Para facilitar ainda mais os clculos, podemos usar
0
0 x = , o que re-
sulta em 0 d x x = = . Ento, a frmula anterior transforma-se em:
2
2
x x
s
n n
| |
=
|
\ .
.
Exemplo 4.10. Calcule o desvio padro dos nmeros 2, 5, 5, 6 e 7.
Resoluo. Pelo exemplo 4.8 voc tem que a varincia 2,8, ou seja,
2
2, 8 s = . Logo, o desvio padro s ser 2, 8 1, 67 s = = .
Portanto, o desvio padro dos nmeros 2, 5, 5, 6 e 7 1,67.
Exemplo 4.11. Calcule o desvio padro dos dados do exemplo 3.7.
Resoluo. Pelo exemplo 4.9 voc tem que a varincia 31. Logo, o
desvio padro 31 5, 56 s = = .
4.6 Coeciente de Variao
At o momento, estudamos medidas absolutas de disperso, cujas
unidades de medida, com exceo da varincia, so as mesmas dos
termos da srie.
114
O coefciente de variao til para a comparao, em termos re-
lativos, do grau de concentrao em torno da mdia de sries dis-
tintas. Ele mede percentualmente a relao entre o desvio padro
e a mdia aritmtica, sendo, pois, uma medida adimensional. Sua
expresso de clculo :

100%
s
CV
x
=
;
onde
CV = coefciente de variao;
s = desvio padro;
x = mdia aritmtica.
Observao 4.3. O coefciente de variao usado principalmente
na comparao das unidades diferentes, como: salrio com peso, kg
com cm, etc.
Exemplo 4.12. Calcule o coefciente de variao do exemplo 3.7, cuja
altura mdia 161 cm.
Resoluo. Pelo exemplo 4.11, voc tem 5, 56 s = e a mdia aritm-
tica 161 x = cm. Logo,
100%
s
CV
x
=
5, 56
100% 3, 453%
161
CV = =
Exemplo 4.13. Sejam as distribuies de pesos e estaturas com as
seguintes caractersticas:
distribuio de peso: i)
1
57, 7 kg x = e
1
7, 5kg s = ;
distribuio de estaturas: ii)
2
170, 0 cm x = e
2
7,1 cm s = .
Calcule os coefcientes de variao.
Resoluo.
i)
1
1
1
7, 5
100 100 12, 99
57, 7
S
CV
x
= = =
, isto ,
1
13, 0 % CV
ii)
2
2
2
7,1
100 100 4,117
170, 0
S
CV
x
= = =
, isto ,
2
4,176% CV
115
Vemos, assim, que a distribuio de estaturas mais homognea (mais
dispersa) que a distribuio de pesos.
Exemplo 4.14. Considerando os dados do exemplo 4.3, calcular sua
varincia, desvio padro e coefciente de variao.
Resoluo. Inicialmente, vamos calcular a varincia:
2 2 2 2
1
(10 14) (14 14) (13 14)
7
s = + +

2 2 2 2
(15 14) (16 14) (18 14) (12 14) ( + + + +

16 0 1 1 4 16 4 42
6
7 7
+ + + + + +
= = =
.

Vamos mostrar o clculo da varincia pela frmula alternativa:
x
i
x
i
2
10 100
14 196
13 169
15 225
16 256
18 324
12 144
98 =

i
i
x

98

=
i
i
x 1414
2
1414
Tabela 4.9
2
2
(98)
1414
1414 1372 42
7
6
7 7 7
s


= = = =
.
Agora, vamos ao clculo do desvio padro:
4495 , 2 6 = = s .
Finalmente, temos o clculo do coeciente de variao:
2, 4495
100 % 17,5%
14
CV = = .
116
Exemplo 4.15. Um fabricante produz certos tipos de materiais es-
colares. Inspecionaram-se dez itens. Os nmeros de defeitos por
unidade so: 1, 0, 3, 4, 2, 1, 0, 3, 1, 2. Calcule a mdia, a varincia, o
desvio padro e o coefciente de variao do nmero de defeitos.
Resoluo. Clculo da mdia:
1 0 3 4 2 1 0 3 1 2 17
1, 7
10 10
x
+ + + + + + + + +
= = = .
Clculo da varincia:
2 2 2 2 2 2
1
(1 1, 7) (0 1, 7) (3 1, 7) (4 1, 7) (2 1, 7)
10
s = + + + +

2 2 2 2 2
(1 1, 7) (0 1, 7) (3 1, 7) (1 1, 7) (2 1, 7) ( + + + + +


0, 49 2,89 1, 69 5, 29 0, 09 0, 49 2,89 1, 69 0, 49 0, 09
10
+ + + + + + + + +
=
16,10
1, 61
10
= = .
Clculo do desvio padro:

1, 61 1, 2689 s = = .
Clculo do coeciente de variao:

1, 2689
100 % 74,64%
1, 7
CV = = .
Exemplo 4.16. Considere as informaes, obtidas na secretaria, re-
lativas ao nmero de faltas ao trabalho, durante o ms de Maio/
X1, dos quarenta funcionrios da Escola Estadual ESPERANA.
Calcular a varincia e o desvio padro.
Nmero de faltas Nmero de funcionrios
0 15
1 10
2 5
3 5
4 1
117
5 1
6 0
7 3
Quadro 4.1
Resoluo. Os clculos intermedirios esto apresentados a seguir.
x f x f x
2
x
2
f
0 15 0 0 0
1 10 10 1 10
2 5 10 4 20
3 5 15 9 45
4 1 4 16 16
5 1 5 25 25
6 0 0 36 0
7 3 21 49 147

40 =

= 65

= 263
Tabela 4.10
Clculo da varincia:

2
2
(65)
263
263 105, 63
40
3, 9344
40 40
s


= = = .
Clculo do desvio padro:
9835 , 1 9344 , 3 = = s .
Vamos conferir se voc est acompanhando tudo at aqui? Para sa-
ber, procure atender aos exerccios propostos abaixo.
Exerccios Propostos
Calcular a varincia e o desvio padro da seguinte distribui- 1)
o de freqncia:
118
Classe Freqncia
0 4
2
4 8
6
8 12
8
12 16
3
16 20
1
Tabela 4.11
Resposta. Varincia = 15,8; desvio padro = 9,37.
Feito um levantamento sobre os salrios (pagos em dlar) de 2)
20 funcionrios de uma empresa multinacional, pode-se ela-
borar o seguinte quadro de distribuio:
Classes de Salrios Freqncia
50 100
3
100 150
4
150 200
10
200 250
2
250 300
1
Tabela 4.12
Nessas condies:
Faa uma representao grfca da distribuio usando o a)
histograma de freqncia.
Determine a varincia e o desvio padro da distribuio. b)
Determine o coefciente de variao da distribuio. c)
Resposta. b) 2.525 e 50,24; c) 31,40%.
3) Em um exame de Matemtica, o grau mdio fnal de um grupo
de 150 alunos foi 7,8, e o desvio padro, 0,80. Em Fsica, entre-
tanto, o grau mdio fnal foi 7,3, e o desvio padro, 0,76. Em que
disciplina foi maior a disperso?
Resposta. Fsica.
119
4) Um grupo de 100 estudantes tem uma estatura mdia de 163,8
cm, com um coefciente de variao de 3,3%. Qual o desvio
padro desse grupo?
Resposta. 5,41.
Uma distribuio apresenta as seguintes estatsticas: 4) s = 1,5 e
CV = 2,9%. Determinar a mdia da distribuio.
Resposta. 51,7.
Num teste aplicado a 20 alunos, obteve-se a seguinte distribui- 5)
o de pontos:
Pontos No de alunos
35

45
1
45

55
3
55

65
8
65

75
3
75

85
3
85

95
2
Tabela 4.13
Nessas condies:
Calcular o desvio mdio. a)
Determinar o desvio padro. b)
Calcular o coefciente de variao. c)
Respostas. a) 11; b) 13,23; c) 20%.
7) Determinar a varincia, o desvio padro e o coefciente de va-
riao dos valores apresentados no quadro abaixo.
x
i
Freqncia f
i

2 5
3 10
4 15
120
5 12
6 5
7 3
Quadro 4.2
Respostas. Varincia = 2,99; desvio padro = 1,73; CV = 41%.
8) Determinada editora pesquisou o nmero de pginas das re-
vistas mais vendidas em uma cidade.
Revistas A B C D E F
Nmero de pginas 62 90 88 92 110 86
Quadro 4.3
Calcular:
O nmero mdio de pginas. a)
O desvio mdio. b)
A varincia. c)
O desvio padro. d)
Respostas. a) 88; b) 9,3; c) 197,3; d) 14.
4.7 A Estatstica no Excel
Nesta seo, apresentaremos a utilizao da planilha no progra-
ma Excel. Explicaremos alguns conceitos importantes da estatstica
atravs do uso desse programa.
4.7.1 Conhecendo o Excel
O Excel um programa de planilha de clculo que foi desenvolvido
pela Microsoft para operar em ambiente Windows.
Uma planilha eletrnica tal como o Excel um conjunto de linhas
e colunas em que podemos colocar as informaes de forma orga-
nizada.
121
Voc poder fazer no Excel no apenas clculos (simples ou muito
complexos), mas tambm construir grfcos, gerenciar banco de da-
dos, fazer simulaes, etc.
A tela do Excel possui uma srie de elementos, e importante co-
nhecermos cada um deles.
Vamos destacar os principais na seguinte fgura:
Barra de menus
Barra de ferramentas
Endereo de
Clula ativa
Identificador
de linha
Guia de planilhas
Botes de rolamento
de planilhas
Identificador
de coluna
Barra de rolagem
vertical e horizontal
Clula ativa
Barra de frmulas
Figura 4.1
importante ler as seguintes observaes:
A barra de menus permite selecionar um comando no Excel
para realizar uma determinada operao.
A barra de ferramentas permite acionar comandos no Excel ao
dar um clique com o mouse nos botes correspondentes.
A barra de frmulas mostra o contedo da clula ativa. por
intermdio dela que podemos fazer eventuais alteraes.
Clula a intercesso entre uma coluna e uma linha da plani-
lha. Podemos referenciar uma clula pelo seu endereo. Por
exemplo, endereo C3 indica a clula que se encontra na colu-
na C, linha 3. A clula ativa a aquela em que est posicionado
122
o cursor. Tudo o que for digitado ser includo na clula que
estiver ativa.
As barras de rolamento permitem nos movimentarmos pela pla-
nilha.
As guias de planilha permitem tornar ativa a planilha na qual
damos um clique.
Os botes de rolamento de planilhas permitem a rolagem das
guias de planilhas.
Uma das primeiras coisas que devemos aprender sobre uma plani-
lha como nos movimentarmos. Realmente uma rea de traba-
lho muito grande que o Excel nos oferece. Quando ingressamos no
Excel, ele nos fornece uma pasta de trabalho que tem 3 folhas (ou
guias), cada uma das quais tem 256 colunas e 16.384 linhas. Em
outras palavras, cada guia tem mais de 4 milhes de clulas indivi-
duais. Como deslocarmos nesta grande rea?
Voc pode navegar pelo Excel com o teclado e com o mouse.
Com o teclado 1)
Para movimentar clula a clula: utilize as setas cursor de
seu teclado.
Para movimentar tela a tela, para baixo ou para cima: utilize
as teclas PgUp e PgDown de seu teclado.
Para movimentar tela a tela lateralmente: utilize as teclas
Ctrl + PgUp e Ctrl + PgDown de seu teclado.
Para posicionarmos no incio da planilha: Ctrl + Home.
Para posicionarmos na ultima clula ocupada da planilha:
Ctrl + End.
Com o mouse 2)
Para nos movimentar com o mouse utilizamos as barras de
rolagem. Cada uma das barras (vertical ou horizontal) possui
dois botes de movimentao, que contm uma seta em cada
uma de suas extremidades. Ao clicarmos nestas setas, produ-
zimos a movimentao em funo do seu sentido.
123
Com o mouse tambm podemos passar de uma planilha para
outra. O mtodo bastante intuitivo, pois no rodap da tela es-
to os guias da planilha. Para que tornemos uma determinada
planilha ativa, basta dar um simples clique sobre o seu nome.
Figura 4.2
Outra atividade fundamental quando trabalhamos no Excel a
seleo de clulas. Isto nos permite trabalhar simultaneamen-
te com todas as clulas previamente selecionadas, por exemplo,
para mudar o tipo de letra que elas apresentam, ou para apagar
seu contedo, etc.
Para a seleo de uma linha, uma coluna ou a planilha inteira, veja,
na fgura abaixo, como proceder.
Para selecionar toda a
planilha, posicionar o
mouse sobre este
boto e dar um clique.
Para selecionar toda uma coluna: posiconar o
ponteiro do mouse sobre o nome da coluna e
clicar com o boto esquerdo.
Para selecionar toda uma linha: posico-
nar o ponteiro do mouse sobre o nmero
da linha e clicar com o boto esquerdo.
Figura 4.3
Para sair do Excel, clique no menu arquivo e depois na opo sair.
Se voc no tiver salvado previamente seu trabalho, o Excel pergun-
tar se deseja salvar agora. Se der um clique em sim, voc poder
124
dar um nome sua pasta, para que ela fque armazenada em seu
disco. Se der um clique em no, todas as alteraes que voc tiver
feito na sua pasta sero perdidas para sempre. O ato de dar um cli-
que no boto cancelar cancela o comando sair, e faz com que voc
retorne ao programa Excel.
Para a edio de uma planilha no Excel, se quisermos introduzir
qualquer dado, primeiramente devemos selecionar uma clula, cli-
cando nela. Depois de escrever o dado pressionamos Enter para
fx-lo na clula.
importante tambm saber identifcar em que clula est escrito o
dado. Para isto, sufciente que voc selecione uma clula e verifque,
na barra de frmulas, se o dado est sendo visualizado tambm ali.
Uma frmula a maneira que indicamos para o Excel para executar
uma conta. Quando montamos uma frmula, devemos comear co-
locando um sinal de igual (=) e em seguida a frmula propriamente.
Voc no precisa escrever os endereos de clulas que intervm na
frmula. sufciente dar um clique nas clulas com as quais deseja
trabalhar.
bom lembrar que existe uma hierarquia entre os operadores mate-
mticos. O Excel executa os clculos na seguinte ordem:
1
o
Exponenciao ( ^ )
2
o
Multiplicao ( * ) e Diviso ( / )
3
o
Adio ( + ) e Subtrao ( - )
Para alterarmos esta hierarquia, lanamos mo dos parntesis, e des-
ta forma o Excel executa primeiramente o que estiver dentro dos pa-
rntesis. Observe o resultado das seguintes expresses matemticas:
2*3+10 = 16
2*(3+10) = 26.
Uma funo um processo de clculo padronizado. Para escrever
uma funo, em primeiro lugar escrevemos o signo igual (=), depois
125
o nome da funo e entre parntesis os argumentos. O nome a
denominao pela qual o Excel reconhece o clculo a ser executado.
Os argumentos so parmetros auxiliares ou informaes adicio-
nais que passamos funo para que possam ser feitos os clculos.
Por exemplo, se escrevemos numa clula livre
=media(A1:A5),
onde media o nome da funo e indica que o clculo a ser execu-
tado uma mdia simples. (A1:A5) um argumento da funo e
indica que esta mdia deve ser calculada pelos valores contidos das
clulas A1 at a clula A5. Caso a funo seja mais complexa e exija
mais parmetros, estes devem estar separados por vrgulas.
O Excel possui mais de 700 funes predefnidas, separadas em 11
categorias. Voc tambm poder escrever uma funo com o assis-
tente de funo, o qual pode ser acessado clicando no boto fx da
barra de ferramentas padro. Quando voc ativa o Assistente de
Funo, aparecer a Caixa de Dilogo, mostrada na seguinte fgura:
Lista das funes
Lista das categorias
Figura 4.4
Vamos a um exemplo de aplicao.
Exemplo 4.17. Vamos considerar o seguinte exemplo do captulo 2:
126
Estaturas de 40 alunos (em cm) da Escola Estadual Esperana,
no Semestre 2007/1
166 160 161 150 162 160 165 167 164 160
162 161 168 163 156 173 160 155 164 168
155 152 163 160 155 155 169 151 170 164
154 161 156 172 153 157 156 158 158 161
Tabela 4.14
Construir a freqncia simples ou absoluta, a freqncia relativa, a
freqncia acumulada, a freqncia relativa acumulada e a porcen-
tagem, usando o Excel.
Resoluo. Comece por digitar na clula A1 o ttulo ESTATURAS DE
ALUNOS. Da clula A2 clula J5, digite cada um dos valores apre-
sentados na tabela 4.12, conforme o exemplo abaixo.
Figura 4.5
Na clula A7 digite MXIMO, desloque o cursor para a clula C7 e in-
troduza a funo MXIMO. Para isto, clique em assistente de funo,
selecione a categoria estatstica e selecione a funo MXIMO(nm
1; nm 2; ...;nm 30) D como resultado o valor mximo dos valores
numricos nm 1, nm 2; ...;nm 30. Cada um desses nm pode ser um
intervalo de clulas de uma planilha contendo valores numricos. Sele-
127
cione as clulas de A2 at J5, ou seja, = MXIMO(A2:J5), que fornece
o resultado igual a 173.
Na clula A8, digite MNIMO, desloque o cursor para a clula C8 e in-
troduza a funo MNIMO(nm 1; nm 2; ...;nm 30) D como re-
sultado o valor mnimo dos valores numricos nm 1, nm 2; ...;nm
30. Cada um desses nm pode ser um intervalo de clulas de uma
planilha contendo valores numricos. Selecione as clulas de A2 at
J5, ou seja,
= MNIMO(A2:J5), que fornece o resultado igual a 150.
Na clula A9, digite AMPLITUDE, desloque o cursor para a clula C9 e
introduza a funo C7 C8 = , que fornece o resultado igual a 23.
Na clula A10, digite i = NM. DE CLASSES; na clula A11, digite
n; na clula B11, digite 40; e na clula A12, digite h (amplitude do
intervalo de classe). Desloque o cursor at a clula C10 e introdu-
za a Regra de Sturges, 1 3, 33 log i n = + , no nosso exemplo, digite:
1 3, 33*log(B11) = + , que fornece i = 6,286798 ou i = 6(clula D10).
Desloque o cursor at a clula C12 , digite a funo = C9/C10, cujo
resultado 3,83333, ou h = 4(clula D12).
Na clula A14, digite i; na B14, digite Estaturas; na C14, digite em cm;
na D14, digite Fre. Abs.; na E14, digite Freq. Rel.; na F14, digite Freq.
Acum.; na G14, digite Freq. Rel. Acum.; e na H14, digite Porcent.
Nas clulas de A15 at A20, digite o nmero de classes.
Na clula B15, digite 150 (o limite inferior da primeira classe); na c-
lula C15, digite 154 (o limite superior da primeira classe) e assim por
diante, at a clula B20, onde voc deve digitar 170 (o limite inferior
da sexta classe), e na clula C20, digite 174 (o limite superior da sexta
classe).
Para calcular a freqncia simples ou absoluta, voc utiliza a funo
estatstica CONT.SE. Esta funo calcula o nmero de clulas que no
estejam em branco em um intervalo e que obedeam a um determina-
do critrio, ou seja, = CONT.SE(intervalo; critrios).
Para determinar o nmero de alunos que tm estatura igual ou supe-
rior a 150 cm e menor do que 154 cm:
Desloque o cursor para a clula D15.
128
Introduza a funo:
= CONT.SE(A2 : J5 ; < 154) CONT.SE(A2 : J5 ; <150)
cujo resultado 4.
Para determinar o nmero de alunos que tm estatura igual ou supe-
rior a 154 cm e menor do que 158 cm:
Desloque o cursor para a clula D16.
Introduza a funo:
= CONT.SE(A2 : J5 ; < 158) CONT.SE(A2 : J5 ; <154),
cujo resultado 9, e assim por diante, at a sexta classe.
Para determinar o nmero de alunos que tm estatura igual ou supe-
rior a 170 cm e menor do que 174 cm:
Desloque o cursor para a clula D20.
Introduza a funo:
= CONT.SE(A2 : J5 ; < 174) CONT.SE(A2 : J5 ; <170)
cujo resultado 3.
Desloque agora o cursor para a clula D21 e introduza a funo
SOMA. Para introduzir a funo SOMA, selecione, no assistente de
funo, a categoria matemtica e trigonometria e selecione a fun-
o SOMA (nm 1; nm 2; ...;nm 30) que soma todos os nmeros em
um intervalo de clulas. Neste exemplo,
= SOMA (D15:D20), cujo resultado 40.
Para calcular a freqncia relativa da primeira classe, desloque o cur-
sor para a clula E15 e introduza a funo = D15/D21, cujo resulta-
do 0,10000. Para calcular a freqncia relativa da segunda classe,
desloque o cursor para a clula E16 e introduza a funo = D16/D21,
cujo resultado 0,2250, e assim por diante, at a sexta classe. Para
calcular a freqncia relativa da sexta classe, desloque o cursor para
a clula E20 e introduza a funo
= D20/D21, cujo resultado 0,0750.
129
Para calcular a freqncia acumulada da primeira classe, desloque o
cursor para a clula F15 e digite 4. Para calcular a freqncia acu-
mulada da segunda classe, desloque o cursor para a clula F16 e in-
troduza a funo = F15 + D16, cujo resultado 13. Para calcular a
freqncia acumulada da terceira classe, desloque o cursor para a
clula F17 e introduza a funo
= F16 + D17, cujo resultado 24, e assim por diante,
at a sexta classe.
Para calcular a freqncia relativa acumulada da primeira classe, des-
loque o cursor para a clula G15 e introduza a funo = F15/F20, cujo
resultado 0,1000. Para calcular a freqncia relativa acumulada da
segunda classe, desloque o cursor para a clula G16 e introduza a
funo =F16/F20, e assim por diante, at a sexta classe.
Para determinar a porcentagem da primeira classe, desloque o cur-
sor para a clula H15, digite = G15 e utilize os botes da barra de
ferramentas FORMATAO, no caso, o formato percentual %, cujo
resultado 10,00%. Utilize o mesmo procedimento para as demais
classes.
Exemplo 4.18. Construir a freqncia simples ou absoluta, a freqn-
cia relativa, a freqncia acumulada, a freqncia relativa acumulada
e a porcentagem, usando o Excel, considerando os dados brutos do
quadro abaixo, que representam o peso (em kilogramas) de 40 crian-
as, entre 0 e 8 anos, da Creche Municipal O Bom Pastor, no semes-
tre 2004/2.
11,1 12,5 32,4 7,8 21,0 16,4 11,2 22,3
4,4 6,1 27,7 32,8 18,5 16,4 15,1 6,0
10,7 15,8 25,0 18,2 12,2 12,6 4,7 23,5
14,8 22,6 16,0 19,1 7,4 9,2 10,0 26,2
3,5 16,2 14,5 3,2 8,1 12,9 19,1 13,7
Quadro 4.5
Resoluo. Exerccio.
130
Resumo
Neste captulo, explicamos as medidas de disperso, de clculo de
amplitude total, o desvio mdio absoluto, a varincia, o desvio pa-
dro, o coefciente de variao, etc.
Alm disso, fornecemos um pouco de conhecimento do uso de pla-
nilhas no Excel.
S prossiga aps compreender todo o contedo deste captulo. Con-
sulte o tutor do plo sempre que achar necessrio.
Bibliograas Comentadas
CRESPO, A. Arnot. Estatstica fcil. 7. ed. So Paulo: Saraiva, 1990.
Apresenta o contedo de Medidas de Disperso de uma maneira bem
clara e objetiva, facilitando a compreenso por parte do aluno. um livro
complementar para o estudo deste captulo.
FONSECA, Jairo Simom da; MARTINS, Gilberto de Andrade. Curso
de estatstica. 3. ed. So Paulo: Atlas, 1982.
Para aprender mais sobre o contedo deste captulo, sugerimos a consulta
deste livro. Nele voc encontra exerccios de aplicao.
LEVINE, D. M.; BERENSON, M. L.; STEPHAN, D. Estatstica: teoria
e aplicaes usando microsoft excel em portugus. Rio de Janeiro:
LTC, 2000.
Aborda conceitos de Estatstica utilizando o Excel. Uma das vantagens de
utilizar uma aplicao de planilha como o Microsoft Excel que ela facilita
o uso da anlise de simulao, que permite ao aluno explorar o efeito de
modicaes de valores dados.
Captulo 5
Clculo de Probabilidade
133
Captulo 5
Clculo de Probabilidade
O nosso objetivo neste captulo encontrar explicao no
fato de que a maioria dos fenmenos de que se trata a Esta-
tstica de natureza aleatria ou probabilstica. Conseqen-
temente, o conhecimento dos aspectos mais fundamentais
do clculo de probabilidades uma ferramenta essencial
para o estudo da Inferncia Estatstica ou Estatstica Infe-
rencial, que ser abordada no prximo captulo.
5.1 Introduo
O clculo das probabilidades pertence ao campo da Matemtica que
trata situaes sujeitas s leis do acaso.
Historicamente, a teoria da probabilidade comeou com o estudo de
jogos de azar, como a roleta e as cartas. O tratamento moderno da
teoria da probabilidade puramente axiomtico. Isto signifca que as
probabilidades de nossos eventos podem perfeitamente ser arbitrrias,
a menos que certos axiomas, enunciados abaixo, sejam satisfeitos.
Toda pessoa que se aventura em um jogo de azar sabe que tem
chance de perder e de ganhar, embora em geral no saiba de quanto
essa chance. Mas foi procurando quantifcar essas chances que o
matemtico francs Pascal deu origem ao estudo de probabilidade.
Sempre que estudamos alguns fenmenos de observao, devemos
distinguir o prprio fenmeno e o modelo matemtico (determins-
tico ou probabilstico) que melhor explique.
Os fenmenos estudados pela estatstica so fenmenos cujo resul-
tado, mesmo em condies normais de experimentao, variam de
uma observao para outra, difcultando dessa maneira a previso
de um resultado.
A palavra probabilidade
origina-se do Latim
probare (provar ou testar).
Informalmente, provvel
uma das muitas palavras
utilizadas para eventos
incertos ou conhecidos.
Tal como acontece com a
teoria da mecnica, que
atribui denies precisas a
termos de uso dirio, como
trabalho e fora, tambm
a teoria das probabilidades
tenta quanticar a noo
de provvel. Fonte: http://
pt.wikipedia.org/wiki/
obabilidade#Probabilidade_
na_matem.C3.A1tica
Blaise Pascal. Extraordinrio
lsofo, fsico e matemtico
francs de curta existncia.
Juntamente com Pierre
de Fermat, estabeleceu
as bases da teoria das
probabilidades e da anlise
combinatria. Fonte: http://
pt.wikipedia.org/wiki/
Blaise_Pascal
Blaise Pascal (1623-1662)
134
Na teoria da probabilidade, defnimos um modelo matemtico para
tal fenmeno pela associao de suas probabilidades (ou os valo-
res limites das freqncias relativas) aos eventos relacionados com
um experimento. A validade do nosso modelo matemtico, para um
dado experimento, depende de as probabilidades associadas esta-
rem bem prximas da freqncia relativa (veja tabela 2.8).
5.2 Experimentos Aleatrios
So aqueles que, mesmo repetidos vrias vezes sob condies seme-
lhantes, apresentam resultados imprevisveis. A cada experimento
correspondem, em geral, vrios resultados possveis. Estes experi-
mentos tambm so conhecidos como experimentos no-determi-
nsticos. Por exemplo:
Jogue um dado e observe o nmero mostrado na face de i)
cima.
Jogue uma moeda quatro vezes e observe o nmero de caras ii)
obtido.
Em uma linha de produo, fabrique peas em srie e conte o iii)
nmero de peas defeituosas produzidas em um perodo de
24 horas.
Uma lmpada fabricada. Em seguida ensaiada quanto iv)
durao da vida, pela colocao em um soquete e anotao do
tempo decorrido (em horas) at queimar.
5.3 Espao amostral e
Noo de Probabilidade
Espao amostral o conjunto de todos os possveis resultados de
um experimento aleatrio.
Considerando cada uma dos experimentos acima, o espao amos-
tral de cada um deles ser:

i: {1,2,3,4,5,6}
135

ii: {0,1,2,3,4}.

iii: {0,1,2,...,n}, onde n o nmero mximo de peas que pode
ser produzido em 24 horas.

iv: {t / t 0}.
Evento (E)
Chamamos de evento qualquer subconjunto do espao amostral
de um experimento aleatrio. Um evento sempre defnido por
uma sentena.
Se E = , ento E chamado evento certo.
Se E = , ento E chamado evento impossvel.
Por exemplo, no lanamento de um dado, onde = {1,2,3,4,5,6}, te-
mos:
um nmero par na face superior. a) A = {2,4,6}.
um nmero menor ou igual a seis na face superior. b)
B = {1,2,3,4,5,6} = .
um nmero maior do que seis na face superior. c)
C = .
Podemos combinar eventos usando as vrias operaes com con-
juntos:
o evento A B

ocorre se e somente se ocorre A ou ocorre
B (ou ambos);
o evento A B

ocorre se e somente se ocorrem A e B ;
o evento
c
A , complemento de A, ocorre se e somente se no
ocorre A.
Dois eventos, A e B
,
so ditos mutuamente exclusivos se so disjun-
tos, isto , se

A B = . Em outras palavras, A e B so mutuamen-
te exclusivos se no ocorrem simultaneamente.
136
Axiomas de Probabilidade
Dados um espao amostral, ( ) P A probabilidade do evento A e
( ) P A uma funo defnida em que associa a cada evento um n-
mero real, satisfazendo os seguintes axiomas:
Axioma 1: Para todo evento A, 0 ( ) 1 P A .
Axioma 2:

( ) 1 P = .
Axioma 3: Se

A e B so eventos mutuamente exclusivos, ento
( ) ( ) ( ) P A B P A P B = + .
Desses axiomas decorrem as seguintes propriedades:
Se um conjunto vazio, ento ( ) 0 P = .
Se
c
A o complemento de um evento A, ento ( ) 1 ( )
c
P A P A = .
Se A B , ento ( ) ( ) P A P B .
Se A e B so dois eventos quaisquer, ento
( / ) ( ) ( ) P A B P A P A B = .
Seja um espao amostral fnito:
1 2
{ , ,..., }
n
a a a = . Consideremos
o evento formado por um resultado simples { }
i
A a = . A cada evento
simples { }
i
a , associemos um nmero
i
p , denominado probabilida-
de de { }
i
a , satisfazendo as seguintes condies:
1
a
condio: 0
i
p para 1, 2,..., i n = .
2
a
condio:
1 2
... 1
n
p p p + + + = .
Defnio 5.1. Seja A um experimento aleatrio e o seu espa-
o amostral. Admitamos que os elementos de tenham a mesma
chance de acontecer, ou seja, um conjunto equiprovvel. A pro-
babilidade de um evento A, A , o nmero real ( ) P A , tal que
) ( A P =
nmero de vezes que o evento A pode ocorrer
nmero de vezes que o espao amostral ocorre
.
Defnio 5.2. Dados dois eventos, A e B , denotaremos ( / ) P A B a
probabilidade condicionada do evento A, quando B tiver ocorrido,
por: ( / ) P A B =
) (
) (
B P
B A P
, com ( ) 0 P B > , pois B j ocorreu.
137
Assim,
( )
( / ) ( ) ( ) ( / )
( )
P A B
P A B P A B P B P A B
P B

= =
e
( )
( / ) ( ) ( ) ( / )
( )
P A B
P B A P A B P A P B A
P A

= = .
Logo, podemos dizer que:
A probabilidade da ocorrncia simultnea de dois eventos,
A e B, do mesmo espao amostral, igual ao produto da
probabilidade de um deles pela probabilidade condicional
do outro, dado o primeiro.
Observao 5.1. O teorema do produto para quaisquer eventos
n
A A A A ,..., , ,
3 2 1
dado por
1 2
( )
n
P A A A .
1 2 1 3 1 2 1 2 1
( ). ( / ). ( / )... ( / .... )
n n
P A P A A P A A A P A A A A

= .
Defnio 5.3. Os eventos A e B so independentes se
( ) ( ) ( ) P A B P A P B =
, pois

( ) ( / ) P B P B A = ; caso contrrio, so de-
pendentes.
Defnio 5.4. Dizemos que dois ou mais eventos so mutuamente exclu-
sivos quando a realizao de um exclui a realizao do(s) outro(s).
Por exemplo, no lanamento de uma moeda, o evento tirar cara
e o evento tirar coroa so mutuamente exclusivos, j que, ao se
realizar um deles, o outro no se realiza.
No difcil de observar que se A e B so eventos mutuamente ex-
clusivos, ento A B = e ( ) 0 P A B = .
Se A e B podem ocorrer ao mesmo tempo, a probabilidade de ocor-
rer A ou B dada pela probabilidade de A, mais a probabilidade de
B, menos a probabilidade de A e B, e escrevemos
( ) ( ) ( ) ( ) P A B P A P B P A B = + .
138
Observao 5.2. O resultado acima vlido para mais de dois even-
tos, ou seja, podemos generaliz-lo. Por exemplo, para trs eventos:
A, B e C, o resultado fca:
( ) ( ) ( ) ( ) ( ) ( ) P A B C P A P B P C P A B P A C = + +
( ) ( ) P B C P A B C + .
5.4 Variveis Aleatrias
Ao descrever um espao amostral de um experimento, no espe-
cifcamos que um resultado individual necessariamente seja um
nmero. Temos alguns exemplos nos quais o resultado do experi-
mento no uma quantidade numrica: ao descrever uma pea ma-
nufaturada, podemos empregar apenas as categorias defeituosa e
no defeituosa; ao observar a temperatura durante o perodo de
24 horas, podemos apenas registrar a curva traada pelo termgra-
fo. Contudo em muitas situaes experimentais, estaremos interes-
sados na mensurao de alguma coisa e no seu registro como um
nmero. Mesmo nos exemplos citados, poderemos atribuir um n-
mero a cada resultado (no) numrico do experimento. Por exemplo,
poderemos atribuir o valor um s peas perfeitas e o valor zero s
defeituosas. Podemos registrar a temperatura mxima ou a tempe-
ratura mnima do dia.
Os exemplos acima so bastante tpicos de uma classe muito geral
de problemas: em muitas situaes experimentais, desejamos atri-
buir um nmero real a todo elemento do espao amostral. Com isto
em mente, podemos formular a seguinte defnio:
Defnio 5.5. Sejam E um experimento e o espao associado ao
experimento. Uma funo X, que associe a cada elemento s de um
nmero real X(s), denominada varivel aleatria.
X(s)
X
s

Figura 5.1
139
Exemplo 5.1.
E: lanamento de duas moedas;
X: nmero de caras obtidas nas duas moedas;
= {(Ca,Co), (Ca,Ca), (Co,Ca), (Co,Co)}, onde Ca cara e Co coroa.
X = 0 - corresponde ao evento (Co,Co), com probabilidade 1/4;
X = 1 - corresponde ao evento (Ca,Co), (Co,Ca) com probabilidade 1/2;
X = 2 - corresponde ao evento (Ca,Ca) com probabilidade 1/4.
Quando uma varivel tem resultados ou valores numricos
que tendem a variar de uma observao para outra em ra-
zo de fatores relacionados com a chance, chama-se varivel
aleatria.
Defnio 5.6. Seja X uma varivel aleatria. Se o nmero de valo-
res possveis de X for fnito ou infnito numervel, denominaremos
X de varivel aleatria discreta, isto , os valores de X, podem ser
contados.
Vejamos alguns exemplos:
Nmero de reprovados em fsica em uma amostra contendo 20
alunos, extrados de uma turma de 60 alunos.
Nmero de pais de alunos na fla de um banco comercial para
realizarem o pagamento da mensalidade.
Nmero de falhas que um equipamento apresenta ao longo de
certo perodo.
Defnio 5.7. Seja X uma varivel aleatria. Suponha que o contra-
domnio de X seja um intervalo ou uma coleo de intervalos, ento
diremos que X uma varivel aleatria contnua.
Vejamos alguns exemplos:
A altura de um aluno da turma A da 5
a
srie da Escola XX.
Uma varivel aleatria
considerada discreta se
toma valores que podem
ser contados.
Uma varivel aleatria
considerada contnua
quando pode tomar
qualquer valor do
determinado intervalo.
140
O tempo requerido para que um aluno possa realizar a avalia-
o da disciplina de estatstica na Escola XX.
O salrio mensal de um professor do ensino fundamental pago
pela Escola XY.
Defnio 5.8. Seja X uma varivel aleatria discreta. A cada possvel
resultado de x
i
associaremos um nmero ( ) ( ),
i i
p x P X x = =
1, 2,... i =
...,
denominado probabilidade de x
i
tal que 0 ) (
i
x p e

=
1
1 ) (
i
i
x p , ou
( ) ( ) p x P X x = = .
A funo p, assim defnida, denominada funo de probabilidade
da varivel aleatria X. A coleo de pares ( ) , ( ) , 1, 2,...
i i
x p x i = de-
nominada distribuio de probabilidade de X.
( ) P X x = pode ser expressa por uma tabela, grfco ou frmula.
Vejamos alguns exemplos para ( ) P X x = .
Exemplo 5.2. Consideramos o seguinte experimento E: lanamento
de duas moedas. Seja a varivel aleatria X: nmero de caras obti-
das. Vamos expressar ( ) P X x = por
Tabela 1) :
x 0 1 2
1/4 1/2 1/4
Tabela 5.1
Grfco: 2)
1/2
1/4
0 1 2
x
P(X=x)
Grco 5.1
141
Frmula: 3)
2
( )
4
x
P X x
| |
|
\ .
= = , para x = 0,1,2.
Exemplo 5.3. Seja o lanamento de um par de dados. O espao
amostral constitudo de 36 pares ordenados de nmeros entre 1
e 6, isto ,

= {(1,1),(1,2),...,(6,6)}, e X associa a cada ponto (a,b) de
o maior desses nmeros, isto , X(a,b) = mx (a,b). Ento, X uma
varivel aleatria com o conjunto imagem {1,2,3,4,5,6}. Determinar
( ) ( ),
i i
p x P X x = = 1, 2,..., 6 i = , ou seja, a distribuio ou funo de
probabilidade de X.
Resoluo. Calculando a distribuio p de X , vem:
Para
1
1 x = temos
1
1
( ) (1) ( 1) ({(1,1)})
36
p x p P X P = = = = = .
Para
2
2 x = temos
2
3
( ) (2) ( 2) ({(2,1), (2, 2), (1, 2)})
36
p x p P X P = = = = = .
Para
3
3 x = temos

3
( ) (3) ( 3) p x p P X = = =
({(3,1), (3, 2), (3, 3), (2, 3), (1, 3)}) P =
5
36
= .
Para
4
4 x = temos

4
( ) (4) ( 4) p x p P X = = =
({(4,1), (4, 2), (4, 3), (4, 4), (3, 4), (2, 4), (1, 4)}) P = .
7
36
=
.
Da mesma forma, temos
5
9
( ) (5) ( 5)
36
p x p P X = = = =
e
6
11
( ) (6) ( 6)
36
p x p P X = = = = .
142
Esta informao colocada na forma de uma tabela, como segue:
x
i
1 2 3 4 5 6
1
36
3
36
5
36
7
36
9
36
11
36
Tabela 5.2
5.5 Esperana Matemtica
ou Valor Esperado
Chama-se esperana matemtica de uma varivel aleatria discreta
X, a soma de todos os produtos possveis da varivel aleatria com
respectiva probabilidade.

i
( ) ( )
X i i
E X x p x = = =
,

isto , ( ) E X a mdia ponderada dos possveis valores de X, cada
um ponderado por sua probabilidade.
Exemplo 5.4. Calcular o valor esperado ou a esperana matemtica
do exemplo 5.3.
Resoluo. Pela tabela da distribuio de probabilidade encontrada,
temos
x
i
1 2 3 4 5 6
1
36
3
36
5
36
7
36
9
36
11
36
Tabela 5.3
e,
i
( ) ( )
i i
E X x p x =

1 3 5
1 2 3
36 36 36
= + +
Discutimos a mdia
ponderada no captulo
3. Volte a ele se
sentir necessidade de
esclarecimentos.
143
7 9 11
4 5 6
36 36 36
+ + +
161
4, 47
36
= = .
Portanto, o valor esperado ou esperana matemtica 4,47.
Exemplo 5.5. Um fabricante produz peas tal que 5% delas so de-
feituosas e 95% so no defeituosas. Se uma pea for defeituosa, o
fabricante perde R$ 2,45, enquanto uma pea no defeituosa lhe d
um lucro de R$ 6,50. Se X for o lucro lquido por pea, ento X ser
uma varivel aleatria, cujo valor esperado dado por
( ) 0, 05 2, 45 0, 95 6, 50 $6, 05 E X R = + = .
Se for produzido um grande nmero de peas, neste caso, quando
o fabricante perder R$ 2,45, cerca de 5% das vezes, e ganhar R$ 6,50,
cerca de 95% das vezes, ele espera ganhar cerca de R$ 6,05 por pea,
em longo prazo.
Exemplo 5.6. O almoxarifado da Escola Estadual Vida Nova es-
tabeleceu um registro de requisio para certo tipo de material es-
colar, conforme quadro abaixo. Determine o nmero esperado de
requisies por dia.
Nmero de requisies/dia 0 1 2 3 4 5 6 7 8 9
Probabilidade de ocorrncia 0,02 0,07 0,09 0,12 0,20 0,20 0,18 0,10 0,01 0,01
Quadro 5.1
Resposta. 4,36 ~ 5 requisies/dia.
Exemplo 5.7. O nmero de chamadas telefnicas da Operadora XX
por mesa e suas respectivas probabilidades por um intervalo de 3
minutos so dados abaixo.
N de chamadas 0 1 2 3 4 5
Probabilidade 0,60 0,20 0,10 0,4 0,03 0,03
Quadro 5.2
144
Em mdia, quantas chamadas podem ser esperadas num intervalo
de 3 minutos?
Resposta. 1,87 ~ 2 chamadas
5.5.1 Varincia e Desvio Padro
A varincia, ( ) Var X ou
2

,
de uma varivel aleatria discreta pode
ser obtida multiplicando-se cada diferena ao quadrado
2
( )
i
X

por sua probabilidade correspondente ( )
i
P X e somando-se, depois,
os produtos resultantes. Assim, a varincia da varivel aleatria X
pode ser expressa da seguinte maneira:
2 2
1
( ) ( ) ( )
n
i i
i
VAR X X P X
=
= =

,
onde
X = varivel aleatria discreta de interesse;
i
X = i-simo resultado de X;
( )
i
P X = probabilidade de ocorrncia do i-simo resultado
de X.

= mdia aritmtica.
Sendo assim, o desvio padro ( ) de uma varivel aleatria discreta
dado por:
2
1
( ) ( )
n
i i
i
X P X
=
=

,
ou seja,
( ) Var X = +
.
Exemplo 5.8. Considere a distribuio de probabilidade dos resulta-
dos de um lanamento de um dado
Face do resultado 1 2 3 4 5 6
Probabilidade 1/6 1/6 1/6 1/6 1/6 1/6
Tabela 5.4
Calcular a mdia, a varincia e o desvio padro.
Fizemos algumas reexes
sobre a varincia e o
desvio padro no captulo
anterior (Cap. 4), se sentir
necessidade, volte e
retome-as!
145
Resoluo.
i
( )
X i i
x p x = =

1 1/ 6 2 1/ 6 3 1/ 6 = + +
4 1/ 6 5 1/ 6 6 1/ 6 + + +
21/ 6 3, 5 = = .
2 2 2 2
(1 3, 5) 1/ 6 (2 3, 5) 1/ 6 (3 3, 5) 1/ 6 = + +

2 2
(4 3, 5) 1/ 6 (5 3, 5) 1/ 6 + + +

9166 , 2 6 / 1 ) 5 , 3 6 (
2
= +
e
= 2, 9166 1, 71 = .
5.6 Distribuies Discretas
Nesta seo, abordaremos algumas distribuies de probabilidades
discretas que, pela sua importncia, merecem um estudo especial.
Conforme veremos, tais distribuies partem da pressuposio de
certas hipteses bem defnidas. Como diversas situaes reais mui-
tas vezes se aproximam dessas hipteses, os modelos aqui descritos
so teis no estudo de tais situaes, da a sua importncia.
As distribuies de probabilidades discretas envolvem variveis
aleatrias relativas a dados que podem ser contados, como o n-
mero de ocorrncias por amostra ou o nmero de ocorrncias por
unidade num intervalo de tempo ou de rea.
As principais distribuies de probabilidade discretas aqui aborda-
das so: a distribuio de Bernoulli e distribuio Binominal.
5.6.1 Distribuio de Bernoulli
Consideremos uma nica tentativa de um experimento aleatrio.
Podemos ter sucesso ou fracasso nessa tentativa.
Jakob Bernoulli
considerado o pai do
clculo exponencial. Foi
professor de matemtica
em Basilia, tendo sido
importantssima sua
contribuio geometria
analtica, teoria das
probabilidades e variao
do clculo.
Jakob Bernoulli (1654, 1705)
146
Seja p a probabilidade de sucesso e 1 q p = a probabilidade de fra-
casso. Seja X a varivel aleatria: nmero de sucessos em uma nica
tentativa do experimento. X assume o valor 0, que corresponde ao fra-
casso, com probabilidade 1 q p = , ou o valor 1, que corresponde ao
sucesso, com probabilidade p ou
0 fracasso
1 sucesso
X

=

com
( 0) 1 e ( 1) P X p P X p = = = = .
Diremos que a varivel aleatria assim defnida tem distribuio de
Bernoulli e sua funo de probabilidade dada por
1
( )
x x
P X x p q

= = .
A mdia e a varincia, da distribuio de Bernoulli so facilmente cal-
culadas como segue:
Clculo da mdia
Temos que
X
( )
i
P X
2
( )
i
X
2
( ) ( )
i i
X P X
0
1 p
2 2
(0 ) p p =
2
(0 ) (1 ) p p
1 p
2
(1 ) p
2 2
(1 ) (1 ) p p p p +
Quadro 5.3
Logo,
i
( ) 0 (1 ) 1
i i
x P x p p p = = + =

.
Clculo da varincia e desvio padro
2 2
1
( ) ( ) ( )
n
i i
i
Var X X P X
=
= =

2 2
(0 ) (1 ) (1 ) p p p p = +
2 2
(1 ) (1 ) p p p p = +
(1 ) [ (1 )] p p p p = +
(1 ) p p p q = = , onde 1 q p = .
147
Portanto, a mdia p = , a varincia ( ) Var X p q = , e o desvio pa-
dro pq = .
Observao 5.3. A mdia p = , a varincia ( ) Var X pq = , e o des-
vio padro pq = sero utilizados posteriormente.
Exemplo 5.9. Uma urna tem 30 bolas brancas e 20 verdes. Retira-se
uma bola dessa urna. Seja X o nmero de bolas verdes, calcular a
mdia, a varincia e ( ) P X x = .
Resoluo. Pelo enunciado, temos
30 3
0
50 5
20 2
1
50 5
q
X
p

= =

= =

.
Portanto,
2
( )
5
E X p = = = ,

2 3 6
( )
5 5 25
Var X p q = = = ,

6
0, 4899
25
= =
,
e
1
2 3
( )
5 5
x x
P X x

| | | |
= =
| |
\ . \ .
.
5.6.2 Distribuio Binomial
A distribuio binomial uma distribuio de probabilidade discre-
ta extremamente til para descrever muitos fenmenos. A distribui-
o binomial possui quatro propriedades essenciais.
Cada observao ou experimento pode ser considerado como i)
se tivesse sido selecionado a partir de uma populao fnita
com reposio.
Cada observao ou experimento pode ser classifcado em ii)
uma de duas categorias mutuamente excludentes, geralmente
chamadas de sucesso e fracasso.
148
A probabilidade de uma observao ser classifcada como su- iii)
cesso (p) constante de observao para observao. Assim
sendo, a probabilidade de uma observao ser classifcada
como fracasso (1 ) p constante para todas as observaes.
O resultado (isto , sucesso ou fracasso) de qualquer observa- iv)
o independe do resultado de qualquer outra observao.
A varivel aleatria discreta, ou fenmeno de interesse, que segue
a distribuio binomial, um nmero de sucessos obtidos em uma
amostra de n observaes. Dessa maneira, a distribuio binomial
pode estar presente em inmeras aplicaes, entre elas:
Em jogos de azar
Qual a probabilidade de que ir aparecer uma carta vermelha,
de um baralho de 52 cartas, 15 vezes em 19 tentativas?
No controle de qualidade de produtos
Qual a probabilidade de que, numa amostra de 20 pneus do
mesmo tipo, nenhum ser defeituoso, se 8% de todos os pneus
produzidos por determinada fbrica so defeituosos?
Na educao
Qual a probabilidade de que um aluno seja aprovado numa
prova de mltipla escolha com 10 perguntas (cada pergunta
contendo quatro escolhas), se o aluno tenta adivinhar cada
uma das respostas? (Ser aprovado signifca acertar 60% dos
itens, ou seja, conseguir acertar 6 entre 10 itens.)
Nas fnanas
Qual a probabilidade de que uma determinada ao ir apre-
sentar elevao no seu preo de fechamento numa base diria
nas prximas 10 sesses (consecutivas) de negociao, se as
mudanas no preo de mercado de aes forem aleatrias?
Associando uma varivel aleatria X igual ao nmero de suces-
sos nessas n observaes, ou provas, X poder assumir os valores
0,1, 2, 3,..., n .
149
Vamos determinar a distribuio de probabilidade dessa varivel
X, dada atravs da probabilidade, de um nmero genrico k de
sucessos.
Suponhamos que ocorram apenas sucessos nas k primeiras provas
ou observaes e apenas fracassos nas n k provas restantes. Indi-
cando sucesso em cada prova por 1 e fracasso por 0, temos
1,1,1,....1, 0, 0, 0,..., 0
k n k
_ _
Como as provas so independentes, a probabilidade de ocorrncia
desse evento
k n k
p q

. Porm, o evento k sucessos em n provas
pode acontecer em outras ordens distintas, todas com a mesma pro-
babilidade e o nmero de ordens o nmero de combinaes de n
elementos k a k.
Portanto, a probabilidade de ocorrerem k sucessos em n provas ou
observaes dada por
( ) ,
k n k
n
P X k p q
k

| |
= =
|
\ .
que chamada de distribuio binomial, onde 1 q p = e
k n k
p q

o
termo de grau k em p no desenvolvimento do binmio de Newton
de
n
q p ) ( + . Tambm
!
( )! !
n
n
k n k k
| |
=
|

\ .
.
Observao 5.4. A mdia ou valor esperado da distribuio binomial
n p =

e a varincia
2
( ) Var X n p q = = .
Vejamos agora alguns exemplos resolvidos.
Exemplo 5.10. Uma avaliao fnal de matemtica tem 50 questes
independentes. Cada questo tem 5 alternativas. Apenas uma alter-
nativa correta. Se um aluno resolve a avaliao a esmo (no popular
chute), qual a probabilidade de tirar nota 5?
Resoluo. Seja X o nmero de acertos, ou seja, X : 0,1,2,...,50.
Logo, a probabilidade de acerto
1
5
p =

e
1 4
1
5 5
q = = .
Voc recorda o que seria
o binmio de Newton?
Binmio de Newton
uma frmula que permite
desenvolver sob a forma
de polinmio qualquer
potncia de um binmio,
,
onde

n um inteiro no
negativo.
150
Portanto, a probabilidade de acertar 25 questes em 50 ser

25 50 25
50
1 4
( 25) 0, 000002
25 5 5
P X

| |
| | | |
= = =
| | |
\ . \ .
\ .
.
Exemplo 5.11. Num determinado processo de fabricao, 5% das pe-
as so consideradas defeituosas. As peas so colocadas em caixas
com 5 unidades cada uma.
Qual a probabilidade de haver exatamente quatro peas defei- a)
tuosas numa caixa?
Qual a probabilidade de haver duas ou mais peas defeituosas b)
numa caixa?
Se a empresa paga multa de R$ 15,00 por caixa em que houver c)
alguma pea defeituosa, qual o valor esperado da multa num
total de 500 caixas?
Resoluo. Seja sucesso em cada prova o aparecimento de uma pea
defeituosa, assim, 0, 05 e 0, 95 p q = = . Logo,
a)
4 1
5
( 4) (0, 05) (0, 95)
4
P X
| |
= =
|
\ .

4 1
5 (0, 05) (0, 95) 0, 00003 = = .
b) P (duas ou mais peas defeituosas)
= ( 2) ( 3) ( 4) ( 5) P X P X P X P X = + = + = + = ,
ou,
( 2) 1 [ ( 0) ( 1)] P X P X P X = = + = ;
0 5
5
( 0) (0, 05) (0, 95)
0
P X
| |
= = =
|
\ .
0,7738;
1 4
5
( 1) (0, 05) (0, 95)
1
P X
| |
= = =
|
\ .
0,2036.
Logo,
0226 , 0 ] 2036 , 0 7738 , 0 [ 1 ) 2 ( = + = X P .
c) A probabilidade de ter que pagar multa por caixa defeituosa
P (pagar multa) = 1 ( 0) 1 0, 7738 0, 2262 P X = = = .
151
O nmero esperado de caixas com uma ou mais peas defeituosas ser
E (pagar multa) = 500 0, 2262 113,10 = .
O valor esperado das multas ser
R$ 15,00 x 113,10 = R$ 1.696,50.
Exemplo 5.12. A probabilidade de um item produzido por uma in-
dstria ser defeituoso 0,03. Um lote de 5.000 itens enviado para seu
depsito. Calcule a mdia de um item defeituoso e o desvio padro.
Resoluo. Usando diretamente as frmulas da mdia e da varincia,
temos
5.000 0, 03 150. n p = = =
e
5.000 0, 03 0, 97 n p q = =
145, 5 12, 06 = = .
Exemplo 5.13. Suponha que 80% de uma criao de sunos esteja
atacada por leptospirose. Se uma amostra de 1000 sunos foi exami-
nada por um veterinrio:
qual a mdia do nmero de porcos doentes dessa amostra a)
de 1000?
qual a varincia e qual o desvio padro? b)
Resoluo. Aqui n = 1000; p = 0,8 e q = 0,2.
Logo,
a) 1000 0, 8 800 = = sunos.
b)
2
1000 0, 8 0, 2 160 = = sunos e 160 12, 649 = = sunos.
Exemplo 5.14. Num rebanho bovino, 30% dos animais esto ataca-
dos de febre aftosa. Retirando-se ao acaso uma amostra de 10 ani-
mais, qual a probabilidade de se encontrar 6 animais doentes?
Resoluo. Seja X a varivel aleatria associada ao nmero de ani-
mais com febre aftosa, logo : 0,1, 2,...,10 X .
n = 10 ; p = 0,3; q = 0,7 e k = 6.
152
( 6) P X =
6 4
10
(0, 3) (0, 7)
6
| |
=
|
\ .


210 0, 00073 0, 2401 0, 037 3, 7% = = = .
Exemplo 5.15. Numa criao de coelhos, 40% so machos. Qual a
probabilidade de que nasam pelo menos 2 coelhos machos, num
dia em que nasceram 19 coelhos?
Resoluo. Seja X a varivel aleatria associada ao nmero de coe-
lhos macho, logo
: 0,1, 2,...,19 X , p = 0,4 e q = 0,6.
A probabilidade desejada, ( 2) P X , dada por
( 2) 1 ( 2) 1 [ ( 0) ( 1)] P X P X P X P X = < = = + =

0 19 1 18
19 19
1 (0, 4) (0, 6) (0, 4) (0, 6)
0 1

| | | |
= +
`
| |
\ . \ . )

1 {0, 0001 0, 008} 1 0, 00833 0, 9919 = + = = .
Portanto,
( 2) P X = 99,19%.
5.7 Distribuies Contnuas
At aqui temos lidado com algumas distribuies discretas de pro-
babilidade, as quais tratam de situaes em que o espao amostral
contm um nmero fnito ou infnito, porm contvel, de pontos.
Quando uma varivel aleatria apresenta um grande nmero de re-
sultados possveis, no podemos usar distribuies discretas como
a binomial para obter probabilidades. Se o espao amostral contm
um nmero infnito no-contvel de pontos, isto porque uma vari-
vel contnua inclui, em seus resultados, valores tanto inteiros como
no-inteiros, no pode ser adequadamente descrita por uma distri-
buio discreta, e por causa disso temos que trabalhar com distri-
buies contnuas. O estudo completo destas distribuies exige a
aplicao dos mtodos do clculo diferencial e integral, que no so
utilizados aqui.
153
Consideremos uma varivel aleatria que pode tomar todos os va-
lores de um dado intervalo. Pertencem a este tipo as mensuraes
de altura, temperatura, precipitao pluviomtrica, tempo de espe-
ra numa fla, etc. Tais mensuraes na prtica so registradas com
aproximao de inteiro, dcimo ou centsimo. Conforme o caso, a
natureza da varivel aleatria essencialmente contnua.
Algumas distribuies de variveis aleatrias contnuas so impor-
tantes. Faremos o estudo da distribuio normal por ser a mais im-
portante.
5.7.1 Distribuio Normal
uma das mais importantes distribuies de probabilidades, sendo
aplicada em inmeros fenmenos e constantemente utilizada para
o desenvolvimento terico da inferncia estatstica. Sem dvida j
conhecida de muitos leitores como a curva em forma de sino, tem sua
origem associada aos erros de mensurao. Sabemos que, ao se efe-
tuarem repetidas mensuraes de determinada grandeza com um
aparelho equilibrado, no se chega ao mesmo resultado todas s ve-
zes; obtm-se, ao contrrio, um conjunto de valores que oscilam, de
modo aproximadamente simtrico, em torno do verdadeiro valor.
Inicialmente se supunha que todos os fenmenos da vida real de-
vessem ajustar-se a uma curva em forma de sino em caso contrrio,
suspeitava-se de alguma anormalidade no processo de coleta de da-
dos. Da a designao de curva normal.
Muitas das variveis analisadas na pesquisa scio econmica cor-
respondem ou se aproximam da distribuio normal. A distribuio
normal tambm conhecida como distribuio de Gauss, Laplace
ou Laplace-Gauss. A equao da curva normal foi primeiro deduzi-
da por Abraham de Moivre por volta de 1730. Posteriormente, Pierre
S. de Laplace e Karl F. Gauss desenvolveram estudos sobre a curva.
Uma varivel aleatria contnua X tem Distribuio Normal ca-
racterizada por uma funo ( ) f x , cujo grfco descreve uma curva
em forma de sino. Esta distribuio depende de dois parmetros:
Johann Carl Friedrich Gauss
foi um famoso matemtico,
astrnomo e fsico alemo.
Era conhecido como o
prncipe dos matemticos.
Muitos consideram Gauss o
maior gnio da histria da
Matemtica. Pierre Simon
Laplace (1749-1827) foi um
matemtico, astrnomo e
fsico francs. Foi chamado
o Newton da Frana, sendo
considerado o fundador
da moderna teoria das
probabilidade.
Fontes:http://pt.wikipedia.
org/wiki/Carl_Friedrich_
Gauss;http://pt.wikipedia.org/
wiki/Laplace
Johann Carl Friedrich Gauss
(1777-1855)
154
(mdia): este parmetro especifca a posio central da dis-
tribuio de probabilidades.

(desvio padro): este parmetro especifca a variabilidade

da distribuio de probabilidades. Logo, temos o seguinte gr-
fco de ( ) f x .
f (x)
x
Grco 5.2
Costuma-se representar essa varivel aleatria por
2
( , ) X = .
A curva perfeitamente simtrica em torno da mdia e, indepen-
dentemente dos valores de e , a rea total entre a curva e o eixo
das abscissas igual a 1, permitindo identifcar probabilidades de
eventos com reas sob a curva.
Como a curva simtrica em torno da mdia ( ), a probabilidade
de ocorrer valor maior do que a mdia igual probabilidade de
ocorrer valor menor do que a mdia, isto , ambas as probabilidades
so iguais a 0,5.
Escrevemos:
( ) ( ) 0, 5 P X P X > = < = .
A probabilidade de uma varivel aleatria com distribuio normal
tomar um valor entre dois pontos quaisquer, por exemplo, entre os
pontos a e b , igual rea sob a curva normal compreendida entre
aqueles dois pontos. Suponha, ento, que:
2
( , ) X = , e queiramos
determinar a probabilidade de X estar entre a e b. Para isso devemos
realizar o seguinte clculo.
155
2
2
( )
2
1
( )
2
x
b
a
P a X b e dx

< < =

.
No clculo da probabilidade de uma varivel aleatria normalmen-
te distribuda, surgem dois problemas:
Para integrar ( ) f x necessrio o seu desenvolvimento usan-
do procedimentos de clculo diferencial e integral.
necessria a elaborao de uma tabela de probabilidades,
pois

( ) f x depende de dois parmetros, seria muito trabalho
para tabelar essas probabilidades considerando as vrias com-
binaes de e
2
.
Vimos, portanto, que temos dois problemas. O primeiro deles o
fato de existirem infnitas distribuies normais e o segundo a di-
fculdade para calcular probabilidades na distribuio normal. Para
resolver esses dois problemas, foi realizada uma transformao na
varivel aleatria X , originando uma nova varivel, denominada va-
rivel aleatria normal padronizada e representada pela letra Z , cuja
distribuio denomina-se distribuio normal padro, a qual pas-
saremos a estudar.
Foi desenvolvida uma alternativa, para solucionar os problemas le-
vantados, que o de trabalhar com valores padronizados, isto , a
mdia tomada como origem, referncia do novo sistema (a nova
mdia tem valor zero), e o desvio padro como medida de afasta-
mento a contar da mdia, ou seja, a nova unidade de medida. Esta
nova escala chamada de escala Z .
A varivel reduzida Z dada por
X
Z

= ,
onde
Z = o nmero de desvios padres a contar da mdia;
X = a varivel na unidade original;
= a mdia da populao;
= o desvio padro da populao.
156
Exemplo 5.16. Consideremos uma distribuio normal com mdia
=100 e desvio padro

= 10. Para X = 100, tem-se
100 100
0
10
Z

= = .
Para X = 130, tem-se:
130 100
3
10
Z

= =
,
e assim por diante.
Defnio 5.9. Se N ( ,
2
), ento a varivel aleatria Z defnida
por
X
Z

= ,
tem uma distribuio N (0,1), isto , tem distribuio normal com
mdia 0 = e varincia
2
1 = , e a funo ( ) f z dada por:
2
1
2
1
( )
2
z
f z e

= , com z +.
Logo, Z tem distribuio normal de mdia zero e varincia 1. O
aspecto grfco de uma distribuio normal reduzida ou padronizada
o da fgura a seguir.
2 1 0 1 2
() (+2) (+) (2)
Figura 5.2
Para uma perfeita compreenso da distribuio normal, observemos a
fgura 5.2 acima e procuremos visualizar as seguintes propriedades:
A varivel aleatria Z

pode assumir todo e qualquer valor real.
A representao grfca da distribuio normal uma curva
em forma de sino, simtrica em torno da mdia ( ).
157
A rea total limitada pela curva e pelo eixo das abscissas
igual a 1; j que essa rea corresponde probabilidade de a
varivel aleatria Z assumir qualquer valor real.
A curva normal assinttica em relao ao eixo das abscissas,
isto , aproxima-se indefnidamente do eixo das abscissas sem,
contudo, alcan-lo.
As probabilidades, isto , as reas sob esta curva, associadas dis-
tribuio normal reduzida ou padronizada so encontradas em tabelas,
no havendo necessidade de serem calculadas.
A tabela de distribuio normal reduzida nos d a probabilidade de
Z tomar qualquer valor entre a mdia zero e um dado valor z , (veja
fgura abaixo), isto :
(0 ) P Z z < <
0
(Mdia)
z
rea tabelada = rea desejada


Figura 5.3
A tabela da distribuio normal reduzida (tabela 5.5, no fnal do ca-
ptulo) a rea sob a curva (a probabilidade de um valor cair naque-
le intervalo) entre a mdia e valores escolhidos de z . A poro som-
breada da fgura acima corresponde rea sob a curva que pode ser
lida diretamente, dada no fnal deste captulo.
A tabela vem dada em termos de valores de z com duas casas de-
cimais decompostos em duas partes: os valores da parte inteira e
da primeira decimal integram a coluna esquerda, enquanto que a
segunda decimal aparece na linha horizontal do topo.
158
Vejamos agora um exemplo para determinarmos a rea entre a m-
dia e z para ilustrar o uso da tabela.
Exemplo 5.17. Determinar a rea entre a mdia e 1, 25 z = .
Resoluo. Devemos inicialmente localizar 1,2 na coluna esquerda
e, em seguida, 0,05 na linha horizontal do topo. A rea ser ento
dada pelo nmero formado pela interseo da linha 1, 2 z = e da co-
luna 0,05. O valor 0,3944 a porcentagem da rea sob a curva nor-
mal entre a mdia 0 e 1, 25 z = . Veja a gura abaixo:
00 01 02 03 04 05 06
1,0
1,1
1,2
0,3944
.
.
.
.
.
.
1,25
...
Figura 5.4
Naturalmente, tal porcentagem (0,3944 = 39,44%) nada mais do que
a probabilidade de uma varivel aleatria normal tomar um valor z
entre a mdia e um ponto situado a 1,25 desvios padres acima da
mdia.
Eis mais alguns exemplos no quadro abaixo, que usam diretamente
a tabela da distribuio normal reduzida ou padronizada.
Valor de z rea entre a mdia e z
0,67 0,2486
-0,67 0,2486(a curva simtrica em torno da mdia)
1,84 0,4671
-1,84 0,4671(a curva simtrica em torno da mdia)
2,05 0,4798
2,11 0,4826
3,06 0,4985
Quadro 5.4
159
A tabela normal reduzida pode tambm ser usada para determinar
a rea sob a curva alm de um dado valor de z . O detalhe aqui
que a rea de uma das metades 50%, logo a rea alm de z 50%
menos o valor tabelado. Por exemplo, a rea alm de 1 z = + ser
0, 5 0, 3413 0,1587 = , pois a rea entre a mdia e 1 z = + 0,3413.
50%
rea
na
tabela
0 z
rea desejada = 50% - rea tabelada
Figura 5.5
Eis alguns exemplos no quadro abaixo, que usam a tabela da distri-
buio normal reduzida ou padronizada e o conceito ilustrado na
fgura acima.
z
1,73 0,4582
0, 5 0, 4582 0, 0418 =
-1,73 0,4882
0, 5 (0 1, 73) P z + < <

0, 5 04582 0, 9582 = + =
2,33 0,4901
0, 5 0, 4901 0, 0099 =
1,96 0,4750
0, 5 0, 4750 0, 0250 =
-1,84 0,4671
0, 5 (0 1,84) P z + < <

0, 5 0, 4671 0, 9671 = + =
Quadro 5.5
Temos, ento, que se X uma varivel aleatria com distribuio
normal de mdia e desvio padro , isto ,
2
( , ) N , podemos
escrever:
1 2 1 2
( ) ( ) P x X x P z Z z < < = < < , com
X
Z

= .
160
Para melhor compreenso, veremos alguns exemplos resolvidos
com o auxlio da tabela da distribuio normal reduzida ou padro-
nizada.
Exemplo 5.18. Seja: (100, 25) N . Calcular
) 106 100 ( X P a) ;
(89 107) P X b) ;
) 116 112 ( X P c) .
Resoluo. Como 100 = e 5 = logo
5
100
=
X
Z .
Assim, para responder a letra a), temos
) 106 100 ( X P
100 100 100 106 100
5 5 5
X
P
| |
=
|
\ .
(0 1, 2) 0, 384930 38, 4930% P Z = = = .
Portanto, a (100 106) 38, 4930% P X = .
Para responder a letra b), temos
(89 107) P X
89 100 100 107 100
5 5 5
X
P
| |
=
|
\ .
( 2, 2 1, 4) P Z =
( 2, 2 0) (0 1, 4) P Z P Z = +
0, 486097 0, 419243 0, 90534 90, 534% = + = = .
Portanto, (89 107) 90, 534% P X = .
Finalmente, para responder a letra c), temos
) 116 112 ( X P
112 100 100 116 100
5 5 5
X
P
| |
=
|
\ .
(2, 4 3, 2) P Z =
Tabela 5.5 no nal deste
captulo (p. XX).
161
(0 3, 2) (0 2, 4) P Z P Z =
0,499313 - 0,491803 = 0,007510=0,7510% = .
Portanto, (112 116) 0, 7510% P X = .
Exemplo 5.19. O peso de uma caixa de frango embalado que a can-
tina da Escola Estadual Joo XXIII compra de seu fornecedor para
fazer a merenda escolar uma varivel aleatria que tem distribui-
o normal com mdia de 65 kg e desvio padro de 4 kg. Um cami-
nho carregado com 120 caixas de frango. Qual a probabilidade de
a carga do caminho pesar:
Entre 7.893 kg e 7.910 kg? a)
Mais de 7.722 kg? b)
Observao 5.5. Considerar o peso da carga com distribuio normal.
Resoluo. Sejam
i
X
: peso de uma caixa de frango embalado onde
2
: ( , )
i
X N
ou
: (65,16)
i
X N
para 1, 2,...,120 i = e X a varivel
aleatria do peso da carga do caminho. Ento,
120
1
i
i
X X
=
=

.
Assim,
120
1
( ) 65 120 65 7.800
i
E X
=
= = = =

e
2
( ) Var X =
120 120
1 1
( ) 16 120 16 1.920,
i
i i
VAR X
= =
= = = =

ou
1920 43, 82 = = .
Logo,
(7800,1920) N ,
7800 = ,
43, 82 =
e
7.800
43, 82
X
Z

= .
162
Para respondermos a letra a), temos
(7893 7910) P X < <
7893 7800 7800 7910 7800
43, 82 43, 82 43, 82
X
P
| |
=
|
\ .
(2,12 2, 51) P Z =
(0 2, 51) (0 2,12) P Z P Z = < < < <
0, 493963 0, 482997 0, 010966 1, 0966% = = = .
Portanto, a probabilidade de a carga do caminho pesar entre 7.893
kg e 7.910 kg de 1,0966%.
Para respondermos a letra b), temos
( 7722) P X >
7800 7722 7800
43, 82 43, 82
X
P
| |
= >
|
\ .
( 1, 78) ( 1, 78 0) 0, 5 P Z P Z = = +
0, 5 0, 462462 0, 962462 96, 2462% = + = = .
Portanto, a probabilidade de a carga do caminho pesar mais de 7.722
kg de 96,2462%.
Exemplo 5.20. Seja X a varivel aleatria que representa os dime-
tros dos parafusos utilizados pela Escola Estadual Sena Figueire-
do para a manuteno das carteiras e mesas. Suponhamos que essa
varivel tenha distribuio normal com mdia = 2 cm e desvio
padro

= 0,04 cm. Calcular a probabilidade de um parafuso ter
um dimetro com valor entre 2 e 2,05 cm.
Resoluo. Queremos calcular (2 2, 05) P X < < . Como 2 = e
2, 05 =
, temos
2 2 2 2, 05 2
(2 2, 05)
0, 04 0, 04 0, 04
X
P X P
| |
< < = < <
|
\ .
= (0 1, 25) P Z < < = 0,3944 = 39,44%.
Portanto, a probabilidade de um parafuso ter um dimetro com valor
entre 2 e 2,05 cm de 39,44%.
163
Exemplo 5.21. A durao de certo tipo de brinquedo na creche
Dona Marrequinha tem mdia de 850 dias e desvio padro de 45
dias. Calcular a probabilidade de esse brinquedo durar:
menos que 750 dias; a)
mais que 800 dias. b)
Resoluo.
a) Seja X

a varivel aleatria de dias de durao do brinquedo na
creche Dona Marrequinha. Assim 850 = e 45 = .
Temos
850 750 850
( 750)
45 45
X
P X P
| |
< = <
|
\ .
( 2, 222) P Z = <
0, 5 (0 2, 222) P Z = < <
0, 5 0, 4868 0, 0132 1, 32% = = = .
Portanto, a probabilidade de esse brinquedo durar menos que 750
dias de 96,68%.
b)
850 800 850
( 800)
45 45
X
P X P
| |
> = >
|
\ .
= ( 1,111) P Z >
=0, 5 (0 1,1111) P Z + < <
=0, 5 0, 3665 0, 8665 86, 65% + = = .
Portanto, a probabilidade de esse brinquedo durar mais que 800 dias
de 86,65%.
5.8 Distribuio Normal como
Aproximao da Distribuio
Binomial
Muitas situaes reais podem ser convenientemente descritas pelo
modelo binomial. Acontece que quando o nmero de repeties do
experimento ( n ) for muito grande, para se calcular as probabilida-
164
des binomiais so necessrios clculos extensos. Para n sufciente-
mente grande e p no prximo de zero e de um, j se obtm boas
aproximaes da normal binomial. Se n aumenta, a necessidade
de se ter p prximo de 0,5 diminui. Para verifcar se a aproximao
boa, uma sugesto verifcar se 5 n p e (1 ) 5 n p , desde
que 20 n > e 0, 50 p .
Uma difculdade verifcada neste tipo de aproximao que o mo-
delo normal para varivel aleatria contnua (raciocinar em termos
de intervalo), enquanto o modelo binomial para varivel aleatria
discreta.
Para melhorar a aproximao, necessrio um pequeno
ajuste (correo de continuidade), que consiste em subtrair
e/ou somar 0,5 aos valores da varivel aleatria discreta.
Mostraremos este procedimento atravs de exemplos.
Exemplo 5.22. Consideremos Y uma varivel aleatria binomial de
parmetros 10 n = e 0, 5 p = , e queremos calcular (8 10) P Y .
Resoluo. Chamando de X a varivel com distribuio normal,
tem-se:
(8 10) (7, 5 10, 5) P Y P X =
7, 5 10, 5 X
P


| |
=
|
\ .
,
onde
10 0, 5 5 n p = = =
e
10 0, 5 0, 5 1, 58113 = = .

Assim,
7, 5 5 10, 5 5
1, 58113 1, 58113
P Z
| |

|
\ .
(1, 5811 3, 4785) P Z =
0, 49975 0, 44295 0, 0568 5, 68% = = = .
165
Portanto, a (8 10) P Y de 5,68%.
Resolvendo o exemplo 5.22 pela distribuio binomial, vem:
(8 10) 0, 044 0, 010 0, 001 0, 055 5, 5% P Y = + + = = .
Observamos que os dois resultados so bem prximos, mesmo com n
pequeno, porm, 0, 5 p = .
Exemplo 5.23. Os frangos da produo da granja Frangolndia,
responsvel pelo fornecimento para a cantina da Escola Estadual
Bento Ribeiro para merenda escolar de seus alunos, so classif-
cados em grande ou pequeno, conforme seu peso. Verifcou-se que
45% dos frangos so considerados grandes. Supondo que os frangos
so colocados em caixas de 60, aleatoriamente, calcular:
Em que porcentagem de caixas teremos pelo menos 50% de a)
frangos grandes? (50% igual a 30 frangos).
Em que porcentagem de caixas ter exatamente 50% de fran- b)
gos grandes?
Resoluo. Aqui, 45% 0, 45 p = = ; 60 n = , pois so colocados nas
caixas 60 frangos; 0, 45 60 27 = = e
60 0, 45 0, 55 3, 85356 = = frangos.
a) Usando aproximao normal binomial, a probabilidade de uma
caixa conter 30 ou mais frangos ser:
( 30) ( 29, 5) P Y P X =
29, 5 27
( 0, 65)
3, 85356
P Z P Z
| |
= =
|
\ .
0, 5 (0 0, 65) P Z =
0, 5 0, 24215 0, 25785 25, 785% = = = .
Portanto, a porcentagem de caixas ou a probabilidade em que tere-
mos pelo menos 50% dos frangos grandes de 25,785%.
b) A probabilidade de encontrarmos exatamente 30 frangos :
( 30) (29, 5 30, 5) P Y P X = =
29, 5 27 30, 5 27
3, 85356 3, 85356
P Z
| |
=
|
\ .

Verique voc mesmo este
resultado!!
166
= (0, 65 0, 91) P Z
0, 31859 0, 024215 0, 0764 7, 64% = = = .
Portanto, a probabilidade de encontrarmos exatamente 30 frangos
de 7,64%.
Exemplo 5.24. Um dado no viciado lanado 180 vezes. Determi-
nar a probabilidade de o nmero 4 aparecer:
entre 29 e 32 vezes, inclusive; a)
entre 31 e 35 vezes, inclusive. b)
Resoluo. Seja Y a varivel aleatria que representa o nmero de
vezes em que ocorre o nmero 4.
Aqui, 180 n = ;
1
6
p = ;
5
6
q = .
Assim,
1
180 30
6
= = 30 =
e
1 5
180 25 5
6 6
= = = 5 = .
Na letra a), calculando (29 32) P Y , temos
(29 32) P Y (28, 5 32, 5) P X =
28, 5 30 30 32, 5 30
5 5 5
X
P
| |
=
|
\ .
( 0, 3 0, 5) P Z =
( 0, 3 0) (0 0, 5) P Z P Z = +
= 0,1179 0,1915 0, 3094 30, 94% + = = .
Portanto, a probabilidade de o nmero 4 aparecer entre 29 e 32 ve-
zes, inclusive, de 30,94%.
Na letra b), calculando (31 35) P Y , temos
(31 35) P Y = (30, 5 35, 5) P X
167
30, 5 30 30 35, 5 30
5 5 5
X
P
| |
=
|
\ .
= (0,1 1,1) P Z .
(0 1,1) (0 0,1) P Z P Z = .
= 0, 3643 0, 0398 0, 3245 32, 45% = = .
Portanto, a probabilidade de o nmero 4 aparecer entre 31 e 35 vezes,
inclusive, de 32,45%.
Exemplo 5.25. Entre 10.000 dgitos aleatrios, determinar a probabi-
lidade de o dgito 2 ocorrer pelo menos 950 vezes.
Resoluo. Seja X a varivel aleatria que representa o nmero de
vezes em que o dgito 2 ocorre. Vamos calcular ( 950) P X .
Neste exemplo, 10000 n = ;
1
10
p = ;
9
10
q = .
Assim,
1
10000 1000
10
= = 1000 =
e
1 9
10000 900 30
10 10
= = =
30 = .
Logo,
1000 950 1000
( 950)
30 30
X
P X P
| |
=
|
\ .
= ( 1, 67) P Z
( 0) ( 1, 67 0) P Z P Z =
0, 5000 0, 4525 0, 0475 4, 75% = = = .
Portanto, a probabilidade de o dgito 2 ocorrer pelo menos 950 vezes
de 4,75%.
168
Exerccios Propostos
Lanam-se dois dados conjuntamente. Determinar a probabi 1) li-
dade da soma ser igual ou maior do que 10.
Resposta.
1
6
.
Um casal planeja ter trs flhos. Qual a probabilidade de nas- 2)
cerem:
Trs homens? a)
Dois homens e uma mulher? b)
Resposta. a)
1
8
; b)
3
8
.
Uma loja dispe de 12 geladeiras do mesmo tipo, das quais 4 3)
apresentam defeitos.
Se um cliente vai comprar uma geladeira, qual a probabili- a)
dade de levar uma defeituosa?
Se um cliente vai comprar duas geladeiras, qual a probabili- b)
dade de levar duas defeituosas?
Resposta. a)
1
3
; b)
1
11
.
4) Um diretor da Escola Estadual Primavera julga que tem 0,40
de probabilidade de ganhar R$ 25.000,00 e 0,60 de probabili-
dade de perder R$ 15.000,00 num investimento. Calcule o seu
ganho esperado.
Resposta. R$ 1.000,00
5) O diretor da Escola Estadual D. Pedro I necessita reformar
algumas salas de aula e contratou um empreiteiro que fez se-
guintes estimativas para a execuo da obra:
Prazo de execuo Probabilidade
10 dias 0,30
15 dias 0,20
22 dias 0,50
169
Calcule o prazo esperado para a execuo da obra, de acordo
com essas estimativas.
Resposta. 17 dias.
6) Um nmero inteiro escolhido aleatoriamente dentre os n-
meros 1, 2, 3, ..., 50. Qual a probabilidade de o nmero:
ser divisvel por 5; a)
terminar em 3, b)
ser primo; c)
ser divisvel por 6 ou por 8. d)
Resposta. a) 1/5; b) 1/10; c) 3/10; d) 0,24.
7) Se
1 1 1
( ) ; ( ) e ( )
2 3 4
P A P B P A B = = =
, calcular:
a) ( ) P A B ; b) ( ) P A B

; c) ( ) P A B

.
Resposta. a) 7/12; b) 3/4 e c) 5/12.
8) Um grupo de 10 pessoas apresenta, de acordo com o sexo e a
fliao partidria, a seguinte composio:
Partido AA Partido BB
Homens 21 39
Mulheres 14 26
Calcular:
a probabilidade de um escolhido ser homem; a)
a probabilidade de um escolhido ser mulher do Partido BB; b)
a porcentagem dos partidrios do Partido BB; c)
a porcentagem dos homens fliados ao Partido AA; d)
se o sorteado for do Partido AA, a probabilidade de ser mu- e)
lher;
se o sorteado for homem, a probabilidade de ser do Partido BB. f)
Resposta. a) 60%; b) 26%; c)65%; d) 21%; e) 40% e f) 65%.
170
9) O peso de 60 estudantes da Escola Estadual Dona Chiqui-
nha so normalmente distribudos com mdia 65,3 kg e des-
vio padro 5,5 kg. Determinar a probabilidade de estudantes
que pesam:
entre 60 e 70 kg; a)
mais que 63,2 kg; b)
menos que 68 kg. c)
Resposta. a) 0,6338; b) 0,648; c) 0,6879.
10) Dois times de futebol, A e B, jogam entre si 6 vezes. Determi-
nar a probabilidade do time A ganhar 4 jogos.
Resposta. 20/243.
Para saber mais sobre distribuio normal como aproxima-
o da binominal, consulte:
SOARES, J. F; FARIAS, A. A.; CESAR, C. C. Introduo esta-
tstica. Rio de Janeiro: LTC, 1991.
Resumo
Neste captulo, voc teve a oportunidade de estudar e compreender
os conceitos de experimento, espao amostral, evento, axiomas da
probabilidade, probabilidades fnitas dos espaos amostrais fnitos,
clculo de probabilidade condicional e ainda percebeu a indepen-
dncia estatstica com eventos mutuamente exclusivos.
Voc pde compreender tambm como calcular o valor esperado,
a varincia e o desvio padro de uma varivel aleatria, entender
a anlise dos modelos clssicos de distribuio de probabilidade,
principalmente a distribuio discreta binomial, a distribuio nor-
mal e a distribuio normal como aproximao da binomial.
Resta mencionar que a compreenso sempre referida importante
para que voc possa acompanhar o curso. S prossiga aps fazer
171
todos os exerccios propostos, j que tudo que veremos a seguir de-
pende de alguns conceitos abordados neste captulo. Consulte o tu-
tor do plo sempre que achar necessrio.
Apndice
rea na Cauda Direita sob a Distribuio Normal Padronizada
Cada valor da tabela indica a proporo da rea total sob a curva
normal contida no segmento delimitado por uma perpendicular le-
vantada na mdia e uma perpendicular levantada distncia de z
desvios padres unitrios.
z Mdia
Ilustrando: 43,57% da rea sob uma curva normal esto entre a or-
denada mxima e um ponto 1,52 desvios padres adiante.
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2518 0,2549
0,7 0,2580 0,2612 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
172
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4986 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,5000 0,5000 0,5000
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
Tabela 5.5
Captulo 6
Amostragem
175
Captulo 6
Amostragem
Neste captulo, apresentaremos o conceito de amostragem.
Estudaremos a amostragem casual simples e tambm ana-
lisaremos o conceito de distribuies amostrais das mdias
com e sem reposio. Tambm explicaremos distribuio
amostral das propores. Todos esses assuntos sero abor-
dados com exemplos numricos.
6.1 Introduo
A seguir, apresentamos alguns conceitos bsicos de amostragem.
Explicamos tambm sua utilizao conforme a cada situao.
Amostragem a parte de Estatstica que se preocupa com os
modos e as maneiras de relacionar amostras que sejam represen-
tativas das populaes e que proporcionem estimativas, as mais
precisas possveis, para a obteno dos objetivos desejados.
Populao um conjunto de elementos possuindo pelo me-
nos uma caracterstica comum. Na prtica, considera-se popu-
lao como sendo um conjunto de nmeros que representam
esta caracterstica de interesse. s vezes, a populao tambm
chamada de universo. As populaes podem ser:
Finitas i) quando possuem um nmero fnito de elementos.
Por exemplo: os alunos da uma turma; os alunos da UFSC;
resultados possveis do lanamento de uma moeda ou da-
dos; produo mensal de uma mquina.
Infnitas ii) quando uma populao sufcientemente gran-
de para que sua distribuio de probabilidade se mantenha
inalterada durante a retirada de uma amostra. Por exem-
plo: resultado dos lanamentos de uma moeda ou de dados;
produo passada e futura de uma mquina.
176
Amostra uma parte (subconjunto) necessariamente fni-
ta da populao, retirada segundo uma regra conveniente.
Quanto maior a amostra, mais precisos e mais cofveis so os
resultados.
Censo ao medir ou observar todos os elementos de uma po-
pulao realizamos um censo.
Censo x Amostragem h vrias situaes de aplicao de
censo ou amostragem. Abaixo, descrevemos algumas situa-
es de quando utilizamos censo e quando utilizamos amos-
tragem:
Censo i) utilizado quando:
a populao bastante pequena; a)
o tamanho da amostra for grande em relao popula- b)
o;
for necessria a preciso completa; c)
j se dispe da informao completa. d)
ii) Amostragem utilizada quando:
a populao infnita; a)
uma amostra for mais atualizada do que o censo (infor- b)
maes urgentes epidemias);
houver testes de carter destrutivo (lmpadas, munies, c)
vidraarias);
o custo do censo mais elevado; d)
a preciso sofrer quando a populao for muito grande; e)
O tipo de informao pode depender da utilizao de f)
uma amostra ou de um censo (premncia de tempo, res-
tries oramentrias, exame de laboratrio de anlise
clnica).
6.1.1 Tipos de amostragem
Existem dois tipos de amostragem: probabilstica e no probabi-
lstica.
Um censo um processo
de obter informao
sobre a totalidade dos
membros de uma dada
populao (no tem de
ser, necessariamente,
uma populao humana).
Os chineses e romanos
elaboraram os primeiros
censos conhecidos; a
nalidade deste trabalho na
poca era militar e scal;
em Roma, era o censor que
mantinha o moral pblico
e levava ao governo central
as informaes sobre o
estado geral da populao.
Fonte: http://pt.wikipedia.org/
wiki/Censo
177
Amostragem probabilstica
A amostragem ser probabilstica se todos os elementos da popu-
lao tiverem probabilidade conhecida, e diferente de zero, de per-
tencer amostra. Isto implica num sorteio com regras bem deter-
minadas, cuja realizao s ser possvel se a populao for fnita e
totalmente acessvel.
A utilizao de uma amostragem probabilstica o melhor que se
deve fazer para garantir a representatividade de amostra ao se fazer
inferncias estatsticas. Nmeros de amostras possveis de construir:
Sem reposio:
n
N
C ;
Com reposio:
n
N .
As seguintes tcnicas de amostragem probabilstica so as seguintes:
Amostragem simples ao acaso a) (aleatria, randmica, casual,
simples, elementar) equivalente a um sorteio lotrico. Pode
ser usada a tabela de nmeros aleatrios (TNA):
a TNA contm os dez algarismos 0, 1,..., 9. Estes nmeros
podem ser lidos isoladamente ou em grupos, em qualquer
ordem, por coluna, por linhas, diagonalmente, de cima para
baixo;
uma caracterstica TNA que todos os algarismos tm a
mesma probabilidade de ocorrer;
outra caracterstica que as combinaes de algarismos tm
a mesma probabilidade que outras combinaes.
Procedimento. Seja a escolha aleatria de 15 clientes entre 830.
atribumos nmeros de 001 a 830 (o 1
o
ao ltimo);
necessitamos de trs algarismos.
Amostragem sistemtica b) caso os elementos se apresentem
ordenados, e as retiradas dos elementos da amostra forem fei-
tas periodicamente.
Procedimento. Seja a escolha aleatria de 15 clientes entre 830:
tamanho dos grupos
830
55, 3...
15
= , isto 56;
178
pela TNA, procuramos o 1
o
elemento entre 01 e 56;
vamos supor que ocorra o elemento 12;
os demais sero obtidos pela frmula: 12 56 n +
com 1, 2,.., 14 n = ;
12, 68, ... , 740, 796.
Amostragem estratifcada c) muitas vezes, a populao se divi-
de em sub populaes ou estratos, sendo razovel supor que,
de estrato para estrato, a varivel de interesse apresente um
comportamento substancialmente diverso, tendo, entretanto,
comportamento razoavelmente homogneo dentro de cada
estrato. Por exemplo,
usinas de acar no estado de So Paulo (trs grupos pe-
quenos, mdios e grandes);
estudantes, conforme suas especializaes ou faixas etrias.
A amostragem estratifcada pode ser:
Uniforme mesmo nmero de elementos por estrato pro-
porcional ao nmero de elementos de estrato.
tima nmero de elementos de cada estrato proporcional
ao nmero de elementos de estrato e usando-se o desvio
padro (variao menor menos elementos).
Amostragem por conglomerados d) pressupe a disposio
dos itens de uma populao em grupos heterogneos repre-
sentativos da populao global. Por exemplo, no estudo da po-
pulao de uma favela:
impossvel relacionar todos os habitantes, porm poss-
vel relacionar os barracos;
efetuar a escolha casual simples de barracos e estudar os
indivduos que moram nos barracos sorteados.
Amostragem em estgios mltiplos e) a amostra retirada em
diversas etapas sucessivas. Dependendo dos resultados ob-
servados, etapas suplementares podem ser dispensadas. Por
exemplo, na pesquisa para uma fbrica de detergentes em San-
ta Catarina
179
1
o
estgio: sortear os municpios de Santa Catarina;
2
o
estgio: sortear quarteires dos municpios;
3
o
estgio: sortear residncias dos quarteires sorteados.
Amostragem no probabilstica
aquela em que h uma escolha deliberada dos elementos da amos-
tra. As amostras intencionais como tambm so usadas em certos
tipos de pesquisa de mercado, porm as inferncias feitas nestas
condies no permitem analisar a probabilidade de erro.
As situaes onde utilizamos amostragem no probabilstica so as
seguintes:
Inacessibilidade a toda a populao a) busca-se a amostra na
parte da populao que acessvel. Por exemplo,
minrio colhe-se na camada prxima superfcie;
peixes somente os que foram apanhados.
A populao formada por material contnuo b) impossvel a
amostragem probabilstica, por exemplo, quando trabalhamos
com gases ou lquidos, etc.
Amostragens intencionais c) o amostrador escolhe deliberada-
mente certos elementos para pertencer amostra por julgar tais
elementos bem representativos da populao. Por exemplo,
pesquisa de mercado para carros superluxo selecio-
nar pessoas de alto poder aquisitivo.
congressos estudantis participao de elementos que
coordenam os diretrios.
6.1.2 Principais fases de um
levantamento estatstico
Objetivos do levantamento a) conseguir defnies claras e di-
retrizes para sua perfeita execuo.
Populao b) deve ser bem defnida.
180
Dados a serem coletados c) somente levantar dados essenciais.
Grau de preciso desejado d) dimensionar a amostra no grau
de preciso desejado.
Mtodos de medida e) estruturar toda a metodologia da coleta
de dados.
Unidade de amostra f) defnir a unidade de amostra indiv-
duo, casa, famlia etc.
Escolha do tipo de amostra g) de acordo com o tipo de levan-
tamento, levando em conta a exeqibilidade e os custos ope-
racionais.
Pr-amostragem h) testar em pequena escala para verifcar a
necessidade ou no de alternaes.
Organizao do trabalho i) traar uma sistemtica de trabalho
ou uma rotina de operaes para toda equipe de trabalho.
Sintetizao e analise de dados j) compilao e conferncia de
dados, grfcos, tabelas e testes estatsticas.
Sugestes k) informaes utilizveis em futuros levantamentos.
Este trabalho somente vai se concentrar no caso mais simples de
amostragem probabilstica: amostragem casual simples.
6.2 Amostragem Causal Simples
A maneira mais fcil de selecionarmos uma amostra aquela em
que atribumos a cada elemento da populao a mesma probabili-
dade de seleo, e o elemento sorteado reposto na populao antes
do prximo sorteio. Podemos obter uma amostra nessas condies,
escrevendo cada elemento da populao num carto, misturando-se
numa e sorteando tantos cartes quantos desejarmos nas amostras.
Esse procedimento torna-se invarivel quando a populao mui-
to grande. Nesse caso, usa-se um processo alternativo, em que os
elementos so numerados e em seguida sorteados atravs de uma
tabela de nmeros aleatrios. A seguir damos algumas defnies
de amostra casual simples de tamanho n .
181
Defnio 6.1. Uma amostra casual simples de tamanho n de uma
varivel aleatria X com uma dada distribuio o conjunto de
n variveis aleatrias independentes,
1 2
, ,...,
n
X X X , cada uma com
a mesma distribuio de X . Ou seja, a amostra ser a n -upla or-
denada
1 2
( , ,..., )
n
X X X em que
i
X indica a observao do i -simo
elemento sorteado.
A mdia da amostra dada por
( )
1 2
1
...
n
X X X X
n
= + + + .
Podemos observar que X tambm uma varivel aleatria. Qual-
quer outra caracterstica da amostra tambm ser uma funo do
vetor aleatrio
1 2
( , ,..., )
n
X X X .
Defnio 6.2. Uma estatstica uma caracterstica da amostra,
ou seja, uma estatstica T uma funo de
1 2
, ,...,
n
X X X , isto ,
1 2
( , ,..., )
n
T f X X X = .
As estatsticas mais comuns so:
1
1
n
i
i
X X
n
=
=

mdia de amostra
2 2
1
1
( )
1
n
i
i
s X X
n
=
=

varincia da amostra
{ }
mn 1 2
mn , ,...,
n
X X X X =

menor valor da amostra
{ }
mx 1 2
mx , ,...,
n
X X X X = maior valor da amostra
mx mn
w X X = amplitude total da amostra
( ) i
X

sima maior observao da amostra
2 2
1
1

( )
n
i
i
X X
n

=
=

varincia da populao


Assim, se estamos colhendo amostras de uma populao identif-
cada pela varivel aleatria (v.a.) X (defnida na seo 5.4) ento, a
mdia ( ) E X e a varincia var ( ) X so da populao, ou seja,
( )
2
Var X = e ( ) E X = .
182
Normalmente, so utilizadas as seguintes notaes:
Estatstica amostral Populao
Mdia
X

Varincia
2
s
2

Nmero de Elementos
n
N
Proporo

p
p
Quadro 6.1
Como j vimos antes amostra uma parte (subconjunto)necessaria-
mente fnita da populao, retirada segundo uma regra convenien-
te. Veja o grfco a seguir:
Populao Amostras
Funes
Amostrais
Distribuies
das F. Amostrais
A A A
U U
Inferncia Estatstica
X,S
2
,n,p
^
,,N,P
Grco 6.1
Observao 6.1. Quanto maior a amostra mais precisa e mais conf-
vel devem ser os resultados.
6.3 Distribuies Amostrais
A teoria da amostragem um estudo das relaes existentes entre
uma populao e as amostras dela extradas.
Atravs das estatsticas amostrais grandezas correspondentes s
amostras (mdia aritmtica, desvio padro, varincia etc.)- procura-
se avaliar as grandezas desconhecidas das populaes parmetros
populacionais (parmetros).
183
Ao retirar uma amostra aleatria de uma populao, portanto, esta-
remos considerando cada valor da amostra como um valor de uma
varivel aleatria cuja distribuio de probabilidade a mesma da
populao no instante da retirada desse elemento para amostra.

Uma distribuio amostral uma distribuio de probabili-
dades que indica at que ponto uma estatstica amostral tende
a variar devido variaes casuais na amostragem aleatria.
6.3.1 Distribuio Amostral da Mdia:
Com e Sem Reposio
Se extrairmos um objeto de uma urna, poderemos rep-lo ou no
na urna antes da extrao seguinte. No primeiro caso, determinado
objeto pode aparecer mais de uma vez, enquanto, no segundo caso,
o objeto s pode aparecer uma vez. No primeiro caso, temos a amos-
tragem com reposio e no segundo, amostragem sem reposio.
Vamos estudar agora a distribuio amostral da estatstica X , a
mdia da amostra. Consideremos uma populao identifcada pela
varivel X , cujos parmetros mdios populacionais ( ) E X = e va-
rincia populacional ( )
2
Var X = so supostamente conhecidos. Va-
mos retirar todas as possveis amostras causais simples de tamanho
n dessa populao, para cada uma calcular a mdia X . Em seguida,
construmos a distribuio amostral e estudamos suas propriedades.
A seguir apresentaremos um exemplo de clculo de mdia, varin-
cia etc. da amostra e da populao:
Exemplo 6.1. Seja uma populao limitada a 3 valores, ou seja,
{ } 2, 4, 6 X = . Ento, a mdia da populao.
2 4 6
4
3

+ +
= = .
O desvio padro da populao :
1
( )
i
x X
n
=

184

2 2 2
(4 2) (4 4) (6 4)
3
+ +
=

8
1, 633
3
= = .
Consideremos as amostras aleatrias de 2 elementos com reposio.
Conjunto das amostras:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) { }
2, 2 , 2, 4 , 2, 6 , 4, 2 , 4, 4 , 4, 6 , 6, 2 , 6, 4 , 6, 6 .
Conjunto das mdias das amostras:
{ } 2, 3, 4, 3, 4, 5, 4, 5, 6 .
Este conjunto uma populao.
Mdia do conjunto das mdias:
2 3 4 3 4 5 4 5 6
4
9
X

+ + + + + + + +
= =
Desvio padro do conjunto das mdias:
4
1,1547
3
X
= =

Pelo exemplo observamos que
4 8 8 1
3 3 2 3 2
X
= = =

.
Observao 6.2. Do exemplo acima podemos observar que
possvel demonstrar que de uma populao de tamanho i) N
da qual so retiradas todas as amostras possveis de tamanho n ,
obtemos populao infnita ou amostragem com reposio.
ii)

X
= , isto , a mdia das mdias de todas as amostras poss-
veis do mesmo tamanho retirados de uma mesma populao
de valores X igual a mdia desta populao.
ii)
X
n

= , isto , o desvio padro das mdias dessas amostras

igual ao desvio padro da populao dividida pela raiz quadrada
do tamanho da amostra.
185
Mais precisamente, temos o seguinte teorema:
Teorema 6.1. Seja X uma v.a. com mdia e varincia
2
, e seja
1 2
( , ,..., )
n
X X X uma amostra casual simples (amostragem com repo-
sio) com
1 2
...
n
X X X
X
n
+ + +
= .
Ento, temos

( )
X
E X = = (1)
e
2
2 2
var ( ) ( )
X
X E X
n

= = = . (2)
O teorema a seguir conhecido como Teorema do Limite Central,
em que a distribuio amostral de X aproxima-se cada vez mais de
uma distribuio normal quando o tamanho da amostra aumenta in-
dependente de distribuio da populao original.
Teorema 6.2. Para amostras casuais simples
1 2
( , ,..., )
n
X X X retira-
das de uma populao com mdia e a varincia
2
, a distribuio
amostral da mdia
( )
1 2
, ,...,
n
X X X
X
n
= aproxima-se de uma distri-
buio normal com mdia e varincia
2
n

, quando n tende ao
infnito.
Observao 6.3. Se a populao tem tamanho N , se a amostragem
sem reposio, e se o tamanho da amostra n N , ento (2) substi-
tuda por
2
2
1
X
N n
n N

| |
=
|

\ .
, (3)
ao passo que
X
dado ainda por (1), ou seja,
X
= . Note que (3)
se reduz a (2) quando N .
Assim, podemos dizer que
medida em que se aumenta o tamanho da amostra, a distri-
buio da amostragem da mdia se aproxima da forma da dis-
tribuio normal, qualquer que seja a forma da populao.
O Teorema do Limite Central
estabelece condies
segundo as quais a soma
de variveis aleatrias
aproximadamente normal.
Fonte: http://pt.wikipedia.
org/wiki/Teorema_do_Limite_
Central
186
Na prtica, a distribuio de amostragem da mdia pode ser consi-
derada como aproximadamente normal sempre que o tamanho da
amostra for 30 n .
Exemplo 6.2. Uma populao consiste dos nmeros 1, 3, 6, 7, 8. Con-
sideremos todas as amostras possveis de tamanho 2 que podem ser
extradas, com reposio dessa populao. Determine:
a mdia da populao; a)
o desvio padro da populao; b)
a mdia da distribuio amostral de mdias; c)
o desvio padro da distribuio amostral de mdias, isto , o d)
erro padro das mdias;
a mdia de distribuio amostral de mdias sem reposio; e)
a varincia da distribuio amostral de mdias. f)
Resoluo.
a) A mdia da populao
1 3 6 7 8
5
5

+ + + +
= =
.
b) O desvio padro da populao
( ) ( ) ( ) ( ) ( )
2 2 2 2 2
2
1 5 3 5 6 5 7 5 8 5
5

+ + + +
=

16 4 1 4 9 34
6,8
5 5
+ + + +
= = = .
c) Mdia da distribuio amostral de mdias:
temos
2
5 25 = amostras de tamanhos 2 com reposio. Essas amos-
tras so:
(1,1) (1,3) (1,6) (1,7) (1,8)
(3,1) (3,3) (3,6) (3,7) (3,8)
(6,1) (6,3) (6,6) (6,7) (6,8)
(7,1) (7,3) (7,6) (7,7) (7,8)
(8,1) (8,3) (8,6) (8,7) (8,8)
187
As correspondentes mdias amostrais so:
1 2 3,5 4 4,5
2 3 4,5 5 5,5
3,5 4,5 6 6,5 7
4 5 6,5 7 7,5
4,5 5,5 7 7,5 8
A mdia da distribuio amostral das mdias
soma de todas as mdias dadas na tabela
25
X
=
125
5, 0
25
= = .
d) Obtm-se a varincia da distribuio amostral da mdia subtrain-
do-se a mdia 5,0 de cada nmero dado na tabela, elevando-se o
resultado ao quadrado, somando-se todos os valores assim obtidos, e
dividindo os por 25. O resultado nal :
( ) ( ) ( ) ( )
2 2 2 2
2
1 5 2 5 ... 7, 5 5 8 5
25
X

+ + + +
=
85
3, 4
25
= = .
Isto mostra que, para populao nita envolvendo amostragem com
reposio ou populaes innitas,
2
2
X
n

= , pois o membro direto

6,8
3, 4
2
= , o que est de acordo com o valor obtido acima.
e) H
5,2
5! 5.4
10
2! 3! 1.2
C = = = amostras de tamanho dois, sem reposi-
o, que podem ser extradas da populao. Isto signica que pode-
mos extrair um nmero e em seguida outro nmero diferente do 1,
a saber,
(1,3) (1,6) (1,7) (1,8) (3,6)
(3,7) (3,8) (6,7) (6,8) (7,8)
Aqui a escolha (1,3), por exemplo, considerada idntica escolha
(3,1). As mdias amostrais correspondentes so
188
2 3,5 4 4,5 4,5
5 5,5 6,5 7 7,5
e a mdia da distribuio amostral das mdias
2 3, 5 4 4, 5 4, 5 5 5, 5 6, 5 7 7, 5
10
X

+ + + + + + + + +
=
50
5, 0
10
= =
.
Isto mostra que
X
= .
f) A varincia da distribuio amostral de mdias
{
2 2 2 2 2 2
1
(2 5) (3, 5 5) (4 5) (4, 5 5) (4, 5 5)
10
x
= + + + +

( ) ( ) ( ) ( ) ( )
}
2 2 2 2 2
5 5 5, 5 5 6, 5 5 7 5 7, 5 5 + + + + +
{ }
2 2 2 2 2 2 2 2 2
1
3 (1, 5) 1 (0, 5) (0, 5) (0, 5) (1, 5) 2 (2, 5)
10
= + + + + + + + +

{ }
2 2 2 2 2 2
1
3 (2, 5) 2 2 (1, 5) 1 3 (0, 5)
10
= + + + + +
{ }
1
9 6, 25 4 4, 5 1 0, 75
10
= + + + + +

1
25, 5 2, 55
10
= =

1, 5968
X
= .
Isto mostra que

2
2
1
X
N n
n N

| |
=
|

\ .

( 5 e 2) N n = =
1, 5968
X
= ,
o que o mesmo valor calculado acima.
189
Fator de Correo Finita (FCF)
O fator de correo fnita usado quando o tamanho da amostra
superior a 5% do tamanho da populao, principalmente no caso de
amostragem sem reposio. Esse fator dado por
5%
1
N n
n FCF
N

> =

,
x
= .
e
1
x
N n
N n

=

.
Observao 6.4. Quanto normalidade da distribuio da popu-
lao:
se for a) normal, ento a distribuio amostral de X ser normal
para qualquer tamanho da amostra.
se no for normal, ento, b)
para amostras sufcientemente grandes (populao infnita,
amostragem com reposio) a distribuio de X ser aproxima-
damente normal.
para amostras sem reposio de populao fnita com 30 n > ,
a distribuio de X aceita como normal.
para a determinao da probabilidade e caso a distribuio de c)
X seja normal, aplicamos a transformao de padronizao:
x
X
z

=

ou
/
X
z
n

,
onde:
X elemento da distribuio X;
mdia da populao;
desvio padro da populao;
n tamanho da amostra.
Exemplo 6.3. Suponhamos que as alturas de 2500 estudantes do
sexo masculino em uma universidade tenha mdia 175 cm e desvio
190
padro 9 cm. Extraindo-se 70 amostras de 36 estudantes de cada
uma, quais seriam a mdia e o desvio padro da distribuio amos-
tral de mdias no caso de:
amostragem com reposio; a)
amostragem sem reposio; b)
abaixo de 170 cm. c)
quantos amostras podem esperar que a mdia esteja entre 172 d)
cm e 179 cm.
Resoluo.
a) e b) Pela frmula, temos em total de amostras com reposio
36
(2500) e
2500,36
C sem reposio. Logicamente, ambas so bem
maiores que 70. Ento, neste caso no obtemos uma distribuio
amostral verdadeira, mas uma distribuio amostral experimental.
Como o nmero de amostras muito grande, deve haver aproxima-
o satisfatria entre as duas distribuies amostrais. Logo, a mdia e
o desvio padro esperados devem estar prximos dos valores corres-
pondentes de distribuio terica. Ento, temos
175
X
= = cm,
9 9
1, 5
6 36
X
n

= = = = .
Agora, utilizando o fator de correo nita, temos
9 2500 36 3 49, 6386
1, 489
1 6 2500 1 2 49, 9984
X
N n
N n

= = = = =

cm.
O que quase igual a 1,5, portanto, para ns prticos, podemos con-
siderar como o mesmo valor obtido por amostragem com reposio.
Assim, podemos concluir que a distribuio experimental das mdias
tem distribuio aproximadamente normal com mdia 175 cm e des-
vio padro 1,5 cm.
c) A mdia amostral X , em unidades padronizadas, aqui dada por
175
1, 5
X
X
X
X
z

= = ;
191
172 em unidades padronizadas

( ) 172 175
2, 0
1, 5

= = ;
179 em unidades padronizadas

( ) 179 175
2, 67
1, 5

= = .
Proporo da amostra com mdias 172 e 179
= (rea sob a curva normal entre 2 z = e 2, 67 z = )
= rea entre ( 2 z = e 0 z = ) + rea entre ( 0 z = e 2, 67 z = ).
=0,4772 + 0,4962 = 0,9734.
Nmero esperado da amostra:
= 70 (0,9734) = 68,13 ou 68.
-2 2,67
Figura 6.1
d) 173 em unidades padronizadas
( ) 173 175
1, 34
1, 5

= = .
Pores de amostras com mdia inferior a 173 cm
= (rea sob a curva normal esquerda de 1, 34 z = )
= (rea esquerda de 0 z = ) (rea entre 1, 34 z = e 0 z = ).
= 0,5 - 0,4099 = 0,0901.
192
-1,34
Figura 6.2
Ento o nmero esperado de amostras
( ) 70 0, 0910 6, 307 = ,
ou seja, aproximadamente 6.
Exemplo 6.4. Seiscentos alunos tm peso mdio de 70 kg e desvio
padro de 5,0 Kg. Determine a probabilidade de 50 pessoas extra-
das aleatoriamente desse grupo terem:
um peso mdio entre 68 e 69 kg; a)
de mais que 72 kg. b)
Resoluo. Para distribuio amostral de mdias:
70
x
kg = =
e
5 600 50
1 600 1 50
X
N n
N n

= =

0, 707 0, 958 0, 68 = = .
a) O peso mdio estar entre 68 e 69 Kg. Se o peso mdio da amostra
de 100 alunos estiver entre 68 e 69 Kg,
68 em unidades padronizadas

68 70
2, 98
0, 67

= = ;
69 em unidades padronizadas

69 70
1, 49
0, 67

= = .
193
Probabilidade desejada
= (rea entre 2, 98 z = e 1, 49 z = )
= (rea entre 2, 98 z = e 0 z = ) (rea entre 1, 49 z = e 0 z = )
= 0, 4986 0, 4319 0, 0667 = =6,67%.
2,98 1,49
Figura 6.3
b) O peso total exceder 72Kg se o peso mdio dos 100 alunos da
amostra exceder os 75Kg.
Em unidades padronizadas, 75
( ) 72 70
2, 98
0, 67

= = .
Probabilidade desejada
= (rea entre 2, 98 z = )
= (rea direita de 2, 98 z = )
= (rea direita de 0 z = ) (rea entre 0 z = e 2, 98 z = )
= 0, 5 0, 4986 0, 0014 = =0,14%,
o que praticamente zero.
Exemplo 6.5. Um fabricante de baterias alega que seu artigo de pri-
meira categoria tem uma vida esperada (mdia) de 50 meses. Sabe-se
que o desvio-padro correspondente de 4 meses. Que percentagem
de amostras de 36 observaes acusar vida mdia, no intervalo de
1 ms, em torno de 50 meses, admitindo ser de 50 meses a verdadei-
ra vida mdia das baterias?
194
Resoluo.
1) Dados: 50 = meses, 4 = meses, 36 n = .
2) (49 51) ? P X =
3) Clculos:
1 2
(49 51) ( ) P X P z z z =
1
49 50
1, 5
4/ 36
z

= = ,
2
51 50
1, 5
4/ 36
z

= = .
Logo,
(49 51) ( 1, 5 1, 5) P X P z =
0, 4332 0, 43320 = +
0,8664 86, 64% = = .
Exemplo 6.6. Uma mquina para recobrir cerejas de chocolates
regulada para produzir um revestimento de 3mm de espessura. O
processo tem distribuio normal com desvio padro de 1mm. Se
o processo funciona conforme e esperado (isto , mdia de 3mm e
desvio padro de 1mm), qual seria a probabilidade de extrair uma
amostra de 25 de um lote de 169 cerejas e encontrar uma mdia
amostral superior a 3,4mm?
Resoluo. Temos os seguintes dados:
1) 3 = mm, 1 = mm, 25 n = , 169 N = .
2) ( 3, 4) ? P X > =
3) Clculos:
1
( 3, 4) ( ) P X P z z > = >
25
0,15 5%
169
n
N
= = > - FCF,
1 169 25
0,185
169 1 25
x

= =

,
1
3, 4 3
2,16
0,185
z

= = .
Logo,
( 3, 4) ( 2,16) P X P z > = >
0, 5 0, 4846 0, 0154 1, 54% = = = .
195
Exemplo 6.7. Certos amortecedores fabricados por uma empresa
tm uma vida mdia de 800 dias e desvio padro de 60 dias. Deter-
minar a probabilidade de amostras aleatrias de 16 amortecedores,
retirados do grupo terem a vida mdia entre 770 e 830 dias.
Resoluo. Temos seguintes dados:
1) 800 = dias, 60 = dias, 16 n = .
2) (770 830) ? P X =
3) Clculos:
1 2
(770 830) ( ) P X P z z z =

1
770 800
2
60/ 16
z

= = ,
2
830 800
2
60/ 16
z

= = .
Logo,
(770 830) ( 2 2) P X P z =
0, 4772 0, 4772 = + 0, 9544 95, 44% = = .
6.4 Distribuio Amostral
das Propores
Uma distribuio de propores amostrais indica quo provvel de-
terminado conjunto de propores amostrais, dados o tamanho da
amostra e a proporo populacional. Quando o tamanho da amos-
tra 20 ou menos, as probabilidades dos diversos resultados pos-
sveis podem ser lidas diretamente numa tabela de probabilidades
binomiais, simplesmente convertendo o nmero de sucessos em
percentagens. Por exemplo, 4 ocorrncias em 10 observaes corres-
pondem a 40% e 10 ocorrncias em 20 observaes correspondem a
50%. Para maiores amostras, a aproximao normal da binomial d
resultados bastante satisfatrios.
Admitamos que uma populao infnita e que a probabilidade da
ocorrncia de um evento (seu sucesso) p , enquanto sua no-ocor-
rncia 1 q p = . De uma populao de tamanho N so retiradas
todas as amostras possveis de tamanho n e determinada a pro-
poro de sucessos. Ento:
196
Populao Infnita ou Amostragem com Reposio
p
p = e
p
pq
n
= .
Amostragem sem Reposio de Populao Finita
p
p = e caso 5% n >
1
p
pq N n
n N

.
Fator de Correo de Continuidade (FCC) - Considerando
que a proporo uma varivel discreta e que a populao
distribuda binomialmente ( p e q ), o que no impede de
30 n > ser aceita como aproximadamente normal. necess-
rio, ento, que se acrescente ou se subtraia
1
2 n
, conforme a
situao exigir. A transformao para o uso da Curva Normal
Padronizada ser efetuada pela frmula:
p p FCC
z

=

,
onde
p

a proporo da amostra;
p a proporo da populao;
o desvio padro da populao;
1
2
FCC
n
=

Fator de Correo de Continuidade.

Exemplo 6.8. Determine a probabilidade de que em 80 jogadas de
uma moeda apaream:
entre 45% e 55% de cara. a)
. b)
3
5
ou mais caras.
Resoluo. Consideremos 80 jogadas como uma amostra das inni-
tas jogadas possveis da moeda. Em tal populao, a probabilidade de
cara
1
2
p = , e a probabilidade de coroa
1
9 1
2
p = = .
a) Queremos a probabilidade de o nmero de caras em 80 jogadas
estar entre 36 (45% de 80) e 44 (55% de 80). Temos
197
1
nmero de caras 80 40
2
np = = = = ,
1 1
80 20 4, 47
2 2
n p q = = = = ,
1 1 1
0, 00625
2 2 80 160
FCC
n
= = = =

e
1 1
2 2
0, 0559
80
p
p q
n

= = = .
Em unidades padronizadas, 45% com FCC

0, 45 0, 00625 0, 50
1, 00
0, 0559

= = ;
e 55% em unidades padronizadas com FCC

0, 55 0, 00625 0, 50
1, 00
0, 0559
+
= = .
Logo, a probabilidade desejada
= (rea sob a curva normal entre 1, 00 z = e 1, 00 z = )
= 2 (rea entre 0 z = e 1, 00 z = )
= 2 (0,3413) = 0,6826 = 68,26%.
Portanto,
(0, 45 0, 55) 68, 34% P p < < = .
b) Agora,
3
0, 60 60%
5
= = .
Em unidades padronizadas 60%, com FCC
0, 60 0, 00625 0, 50
1, 90
0, 0559
+
= = .
Logo, a probabilidade procurada
= (rea sob a curva normal direita de 1, 90 z = )
= (rea direita de 0 z = ) (rea entre 0 z = e 1, 90) z =
198
= 0,5 0,4712 = 0,0288 = 2,88%.
Portanto,
( 0, 6) 2,88% P p = .
Exemplo 6.9. Um varejista compra copos diretamente da fbrica em
grandes lotes. Os copos vm embrulhados individualmente. Perio-
dicamente, o varejista inspeciona os lotes para determinar a pro-
poro dos copos quebrados ou lascados. Se um grande lote contm
10% de copos quebrados ou lascados, qual a probabilidade de o va-
rejista obter uma de 100 copos com 17% ou mais defeituosos?
Resoluo. Temos os seguintes dados:
1) 0,10 p = , 100 n =
;
2) ( 0,17) ? P p > =
;
3) Clculos:
1
( 0,17) ( ) P p P z z > = > ;
0,1
p
p = = , 1 0, 9 q p = = ,
1
0, 005
2 100
FCC = =

,
0,1 0, 9
0, 03
100
p

= =
1
0,17 0,10 0, 005
2,167 2,17%
0, 03
z

= = = .
Logo,
( 0,17) ( 2,17) P p P z > = >

0, 5 0, 4850 0, 0150 1, 5% = = = .
Exemplo 6.10. Um processo de encher garrafas de cola d, em m-
dia, 10% de garrafas mal cheias. Extrada uma amostra de 225 gar-
rafas de uma seqncia de produo de 625, qual a probabilidade de
que a proporo amostral de garrafas cheias esteja entre 9% e 11%?
Resoluo. Temos seguintes dados:
199
1) 0,10 p = , 100 n = , 625 N = .
2) ( 0,17) ? P p > =
3) Clculos:
1 2
(0, 9 0,11) ( ) P p P z z z = ,
0,1
p
p = = , 1 0, 9 q p = = ,
1
0, 00222
2 225
FCC = =

,
225
5%
625
n
FCC
N
= > ,
0,1 0, 9 625 225
0, 0160128
225 625 1
r

= =

,
1
0, 09 0,10 0, 0022
0, 7632761 0, 76
0, 0160128
z

= = =
e
2
0,11 0,10 0, 0022
0, 7632761 0, 76
0, 0160128
z

= = = .
Logo,
(0, 09 0,11) ( 0, 76 0, 76) P p P z =
2 0, 2764 0, 5528 55, 28% = = = .
Exerccios Propostos
Um fabricante de baterias alega que seu artigo de primeira ca- 1)
tegoria tem uma vida esperada (mdia) de 50 meses. Sabe-se
que o desvio padro correspondente de 4 meses.
Que percentagem de amostras de 36 observaes acusar a)
vida mdia, no intervalo de 1 ms, em torno de 50 meses,
admitindo ser de 50 meses a verdadeira vida mdia das ba-
terias?
Qual ser a resposta para uma amostra de 64 observaes? b)
200
Qual seria a probabilidade de obter uma mdia amostral in- c)
ferior a 49,8 meses com uma amostra de 100 observaes?
Respostas. a) 86,64% ; b) 95,44%; c) 30,85%.
2) Uma populao consiste de cinco nmeros: 2, 3, 6, 8 e 11. Con-
siderem-se todas as amostras de 2 elementos que dela podem
ser retiradas com reposio. Determinar:
A mdia da populao. a)
O desvio padro da populao. b)
A mdia da distribuio amostral das mdias. c)
O desvio padro da distribuio amostral das mdias. d)
Respostas. a) 6 = ; b) 3, 29 = ; c) 6 = ; d) 2, 32 = .
3) Resolver o problema anterior para o caso de amostragem sem
reposio.
Respostas. a) 6 = ; b) 3, 29 = ; c) 6 = ; d) 2, 01 = .
4) Admite-se que as alturas de 3000 estudantes do sexo mascu-
lino de uma universidade so normalmente distribudas com
mdia 172,72 cm, e o desvio padro esperado da distribuio
amostral das mdias resultantes se a amostragem for fnita:
com reposio. a)
sem reposio. b)
Respostas. a) 172,72 e 1,52; b) 172,72 e 1,52.
5) Em quantas amostras do problema anterior pode-se esperar
que a mdia se encontre:
entre 169,67 cm e 173,48 cm? a)
abaixo de 169,65 cm? b)
Respostas. a) 54 ; b) 2.
6) Certos amortecedores fabricados por uma empresa tm uma
vida mdia de 800 dias e desvio padro de 60 dias. Determinar
201
a probabilidade de uma amostra aleatria de 16 amortecedo-
res, retirados do grupo, ter a vida mdia:
superior a 820 dias; a)
menor que 785 dias; b)
entre 790 e 810 dias. c)
Respostas. a) 9,18%; b) 15,37%; c) 49,72%.
Resumo
Neste captulo, apresentamos o conceito de amostragem. Estudamos
a amostragem casual simples, e analisamos o conceito de distribui-
es amostrais das mdias com e sem reposio. Tambm explica-
mos distribuio amostral das propores. Todos esses assuntos
foram abordados com exemplos numricos e, ao fnal propusemos
uma lista de exerccios.
Captulo 7
Estimao
205
Captulo 7
Estimao
Neste captulo, apresentaremos os assuntos relacionados
estimao e estudaremos o que intervalo de conana
para mdia de uma populao. Explicaremos como cal-
cular o erro da estimao e o tamanho da amostra, assim
como o desvio padro populacional desconhecido utili-
zando a distribuio t de Student.
7.1 Introduo
Estimao o processo que consiste em utilizar dados amostrais
para estimar os valores de parmetros populacionais desconhecidos.
Essencialmente, qualquer caracterstica de uma populao pode ser
estimada a partir de uma amostra aleatria. Por exemplo: Lojas de-
vem prever a procura dos diversos artigos, tais como: avaliao de
estoques, estimao de custos de projetos, avaliao de novas fontes
de energia, predies sobre realizaes de empreendimentos, esti-
mativas de tempo mdio etc.
7.2 Estimativas Pontuais e
Intervalares
Neste caso, h dois tipos de situaes:
Estimativa Pontual a estimativa nica de um parmetro
populacional.
Estimativa Intervalar d um intervalo de valores possveis,
no qual se admite estar o parmetro populacional.
206
Veja quadro abaixo, que d exemplos de estimativas pontuais e in-
tervalares:
Parmetro
populacional
Pontual Intervalar
Mdia
1. O brasileiro consome
em mdia 15kg de
carne/ano.
2. Um Palio de 8 cilindros
faz 10 km/l de gasolina.
1. O consumo mdio de carne
no pas est entre 12 e 18
kg/ano.
2. Um Palio de 8 cilindros faz
entre 8 e 12 km/l de gasolina.
Proporo
1. 20% da populao se
ope a um aumento do
limite de velocidade.
2. A proporo de
estudantes fumantes
de 40%
1. Entre 18% e 22% da popula-
o h oposio a um aumento
do limite de velocidade.
2. A proporo de estudantes
fumantes est entre 38%
e 42%.
Quadro 7.1
Podemos tambm considerar outros parmetros, tais como: a vari-
ncia, o desvio padro etc.
7.3 Intervalo de conana
Suponha que estejamos interessados num parmetro populacional
verdadeiro (mas desconhecido) q. Podemos estimar o parmetro q
usando informao de nossa amostra. Chamamos o nico nmero
que representa o valor mais plausvel do parmetro (baseado nos
dados amostrais) de uma estimativa pontual de q. Contudo, sabe-
mos que o valor estimado, na maior parte das vezes, no ser exata-
mente igual ao valor verdadeiro. Ento, tambm seria interessante
encontrar um intervalo de confana que fornea um intervalo de
valores plausveis para o parmetro, com base nos dados amostrais.
Um intervalo de confana d um intervalo de valores centrado na
estatstica amostral, no qual julgamos, com um risco conhecido de
erro, estar o parmetro da populao.
Tecnicamente, 95% de todos os intervalos de confana que cons-
truirmos conter o verdadeiro valor do parmetro (dado que todas
207
as suposies envolvidas estejam corretas). Ento, se obtivermos um
intervalo de confana para o parmetro q para cada uma dentre 100
amostras aleatrias da populao, somente 5, em mdia, destes in-
tervalos de confana no contero q. Por exemplo, 95% de confana
risco de 5%.
Confana = 1 P(risco) = 1 , ento
5% 1, 96 z = = . (Usando tabela de distribuio
normal padronizada.)
Analogamente, 98% de confana risco de 2%,
i.e., 2% 2, 33 z = = .
Como no sabemos ao certo, admitimos o pior e construmos um
intervalo de valores verdadeiros possveis.
Intervalo de confana:
X
X z
Xz
z
X
X+z
z
Figura 7.1
7.4 Estimao de Mdia
de uma Populao
A proximidade que a determinada mdia amostral pode estar da
mdia da distribuio amostral, em unidades efetivas, depende da
variabilidade na distribuio amostral (desvio padro). Grandes
amostras implicam em mdias amostrais mais perto da verdadeira
mdia. Uma razo para a distribuio normal ser considerada to
importante porque qualquer que seja a distribuio da varivel de
interesse para grande amostras, a distribuio das mdias amos-
trais ser aproximadamente normalmente distribuda, e tender a
uma distribuio normal medida que o tamanho de amostra cres-
cer. Ento, podemos ter uma varivel original com uma distribuio
muito diferente da normal (pode at mesmo ser discreta), mas se
208
tomarmos vrias amostras grandes desta distribuio e ento fzer-
mos um histograma das mdias amostrais, a forma se parecer com
uma curva normal.
A distribuio da mdia amostral X aproximadamente normal
com mdia e desvio padro / n . Aqui, e so a mdia e o
desvio padro populacionais das medidas individuais X , e n o
tamanho amostral. Denota-se
2
( , / ) X N n ~ .
A seguir, consideremos alguns exemplos de uso da tabela de distri-
buio normal padronizada.
Quando 30 n > , j entendemos que estamos trabalhando com gran-
des amostras. Se a estatstica S a mdia amostral X
,
ento os li-
mites de confanas de 95% e 99% para estimao de mdia da po-
pulao so dados por 1, 96
X
X e 2, 58
X
X , respectivamente.
Mas geralmente, os limites de confanas so dados por
c
X
X z ,
onde
c
z , que depende do particular nvel de confana desejado,
pode ser lido no seguinte quadro.
Nvel de
Conana
99,73% 99% 98% 96% 95,45% 95% 90% 80% 68,27% 50%
z
c
3,00 2,58 2,33 2,05 2,00 1,96 1,643 1,28 1,00 0,6745
Quadro 7.2
Esses valores so obtidos a partir da tabela de reas sob a curva
normal (veja tabela 5.5, captulo 5).
Utilizando os valores de
X
obtidos no captulo anterior, vemos
que os limites de confana para a mdia da populao, no caso de
amostragem de uma populao infnita ou amostragem com reposi-
o de uma populao fnita, so dadas por
c
X z
n

, (1)
e no caso de amostragem sem reposio de uma populao fnita de
tamanho N ,

so dadas por
1
c
N n
X z
N n

. (2)
209
Em geral, no se conhece o desvio padro da populao, de modo
que se passam a obter os limites de confana acima. Vamos analisar
a seguir dois casos:
desvio padro populacional conhecido; i)
desvio padro populacional desconhecido. ii)
7.4.1 Desvio Padro Populacional Conhecido
Estimativa Pontual de : x .
Estimativa Intervalar de :
x
x z .
Por exemplo, se consideremos 36 n = , 3 = e 24, 2 x = , ento temos
os seguintes clculos, conforme a confana desejada:
Conana
desejada
z Clculo Soluo Intervalo
90% 1,65
3
24, 2 1, 65
36
24, 2 0,825
23,375 a
25,025
95% 1,96
3
24, 2 1, 96
36
24, 2 0, 980
23,220 a
25,180
99% 2,58
3
24, 2 2, 58
36
24, 2 1, 290
23,910 a
25,490
Quadro 7.3
Para amostras de 30 ou menos observaes importante
saber que a populao submetida amostragem tem dis-
tribuio normal. De outra forma estas tcnicas no podem
ser utilizadas.
Exemplo 7.1. Suponha que as alturas de 100 estudantes do sexo
masculino da UFSC constituam uma amostra aleatria das alturas
dos 2000 estudantes de sexo masculino. A amostra dada (em cm)
na seguinte tabela.
210
Intervalo Mdia Freqncia
160

164
162 15 2430 56,55 848,26
164

168
166 23 3818 12,39 284,98
168

172
170 30 5100 0,23 6,91
172

176
174 23 4002 20,07 461,62
176

180
178 9 1602 71,91 647,19
Total 100 16952 2248,96
Quadro 7.4
Determine:
a mdia (estimativa efciente), a)
a varincia, b)
o intervalo de confana de 95%, c)
um intervalo de confana de 99% para estimar a altura mdia. d)
Resoluo.
a) Mdia
16952
169, 52cm
100
f x f x
X
f n

= = = =

.
b) Varincia
( )
2
2248, 96
22, 49 4, 7423
100
f x X X
s
n

= = = = cm.
c) Os limites de conana na base de 95% so 1, 96 X
n

.
Usando 169, 52 X = e 4, 7423 s = como estimativa de , os limites
de conana so
4, 7423
169, 52 1, 96 169, 52 0, 92
100
=
168, 59 a 170, 44 .
Assim, o intervalo de conana de 95% para mdia da populao
de 168,59 a 170,44 cm de 95% ou 0,95, ou seja,
211
( ) 168, 59 170, 44 0, 95 P < < = .
Isto equivale a dizer que temos 95% de conana em que a verdadei-
ra mdia da populao esteja entre 168,59 e 170,44 cm.
d) Os limites de conana na base de 99% so 2, 58 X
n

. Para o
nosso caso,

4, 7423
2, 58 169, 52 2, 58
100
X
n

=
169, 52 1, 22 =
168, 06

e

170, 74 .
Assim, o intervalo de conana de 99% para a mdia da populao
de 168,06 a 170,74 cm, que se pode denotar por
168, 06 170, 74 < < .
Ao obter os intervalos de confana acima, admitimos que
a populao fosse infnita ou to grande que se pudessem
considerar as condies idnticas s de amostragem com re-
posio. Para populaes fnitas sujeitas a amostragem sem
reposio, deveramos utilizar em lugar de .
Sempre podemos considerar o fator
2000 100
0, 9749
1 2000 1
N n
N

= =

,
o que bem prximo de 1. Logo, podemos omiti-lo. Se levarmos em
conta os limites de conana, sero:
c) 169,52 0,90
d) 169,52 1,22 .
Exemplo 7.2. A medida dos dimetros de uma amostra aleatria
de 160 mancais fabricados por determinada mquina durante uma
semana acusa mdia de 2,15 cm e desvio padro de 0,17 cm. Deter-
mine o intervalo de confana de:
212
95% a)
99% b)
98% c)
90% d)
99,73% e)
para o dimetro mdio de todos os mancais.
Resoluo.
a) Os limites de conana de 95% so

`
1, 96 1, 96
S
X X
n n

=

0,17
2,15 1, 96
160
=

0,17
2,15 1, 96
12, 65
=

2,15 0, 026 =

2,124 a 2,176 cm.
b)Os limites de conana de 99% so
`
2, 58 2, 58
S
X X
n n

=

0,17
2,15 2, 58
12, 65
=

2,15 2, 58 0, 01086 =

2,15 0, 028 =

2,122 a 2,178cm.
c) Seja
c
z tal que a rea sob a curva normal direita de
c
z z = de
1%. Ento, por simetria, a rea esquerda de
c
z z = tambm 1%,
de modo que a rea sombreada 98% da rea total. Como a rea to-
tal sob a curva 1, a rea de 0 z = a
c
z z = 0,49 logo 2, 33
c
z = .
213
z
c
z
c
Figura 7.2
Assim, os limites de conana de 98% so
0,17
2, 33 2,15 2, 58
160
X
n

=


0,17
2,15 2, 33
12, 65
=
2,15 2, 33 0, 01086 =
2,15 0, 025 =

2,125 a 2,175cm.
d) Queremos
c
z tal que a rea de 0 z = a z c = . Seja 0,45, ento
1, 645
c
z = .
Assim, os limites de conana de 90% so
0,17
1, 65 2,15 1, 645
160
X
n

=

2,15 1, 645 0, 01086 =

2,15 0, 018 =

2,132 a 2,168cm.
e) Os limites de conana de 99,73% so
0,17
3 2,15 3
160
X
n

=

2,15 0, 032 =

2,118 a 2,182 cm.
214
Exemplo 7.3. De um total de 250 notas em matemtica, uma amostra
aleatria de 50 notas acusa mdia 7,0 e desvio padro de 0,10.
Quais os limites de confana de 95% para estimar a mdia das a)
250 notas?
Com que grau de confana poderamos afrmar que a mdia b)
das 250 notas 7, 0 0, 01 ?
Resoluo.
a) Como o tamanho da populao no muito grande comparando
com o da amostra, devemos fazer um ajuste. Ento, os limites de con-
anas de 95% so
1, 96 1, 96
1
X
N n
X X
N n

0,1 250 50
7, 0 1, 96
250 1 50

=

0,1
7, 0 1, 96 0,896
7,14
=

7, 0 1, 96 0, 0125 =

7, 0 0, 025 =
o intervalo de conana ser de 6,975 a 7,025.
b) Os limites de conana podem ser representados por
1
c c
X
N n
X z X z
N n

0,1 250 50
7, 0
250 1 50
c
z

=

7, 0 0, 0125
c
z = .
Como este valor deve ser igual a 7, 0 0, 03 , temos
0, 03
0, 0125 0, 03 2, 4
0, 0125
c c
z z = = = .
A rea sob a curva normal de 0 z = a 2, 4 z = 0,4918.
Logo, o grau de conana procurado 2 0, 4918 0, 9836 = , ou seja,
98,36%.
215
7.4.2 Erro de Estimao e Tamanho da Amostra
O erro num intervalo de estimao diz respeito ao desvio (diferena)
entre a mdia amostral e a verdadeira mdia da populao. Como o
intervalo de confana tem centro na mdia amostral, o erro mxi-
mo provvel igual metade da amplitude do intervalo.
x z e z
n n

= .
Se quisermos saber qual o tamanho da amostra, ento calculamos
a seguir:

2
e z e z
n n
| |
= =
|
\ .
, onde
e
= erro tolervel.
Exemplo 7.4. Qual o tamanho da amostra necessria para se estimar
a mdia da populao infnita cujo desvio padro igual a 4, com
98% de confana e preciso de 0,5?
Resoluo. IC = 98% 2, 33 z = ,

2
2, 33 4
347, 4496 348
0, 5
n n
| |
= = =
|
\ .
.
Exemplo 7.5. Ao medir um tempo de reao, um psiclogo estima o
desvio padro em 0,06 segundos. Qual o tamanho de uma amostra
de medidas que ele deve tomar a fm de que possa ter (a) 95% e (b)
99% de confana em que o erro de sua estimativa do tempo mdio
de reao no supera 0,02 segundos?
Resoluo.
a) Os limites de conana de 95% so 1, 96 X
n

, com o erro da es-

timativa sendo 1, 96
n

. Tomando 0, 06 S = = segundos, vemos que

este erro ser igual a 0,02 segundos se
(1, 96) (0, 06)
0, 02
n
= , isto ,

1, 96 0, 06
5,88
0, 02
n

= =

34, 57 n = .
Podemos assim ter 95% de conana em que o erro de estimativa
ser inferior a 0,02 se n for igual ou maior do que 35.
216
b) Os limites de conana de 99% so 2, 58 X
n

. Ento,
(2, 58) (0, 06)
0, 02
n
= , isto ,
2, 58 0, 06
7, 74
0, 02
n

= =
59, 90 n = .
Assim, podemos ter 99% de conana em que o erro da estimativa
ser inferior a 0,02 se n for igual ou maior do que 60.
7.5 Desvio Padro
Populacional Desconhecido
Quando o desvio padro desconhecido, como geralmente o caso,
usa-se o desvio padro da amostra S . Sabemos que, caso o tamanho
da amostra seja superior a 30, a distribuio das mdias aproxima-
damente normal. Todavia, para amostras de 30 ou menos observa-
es, a aproximao normal no adequada. Devemos usar, ento, a
distribuio t de Student.
7.5.1 Distribuio t de Student
A forma da distribuio t bastante parecida com a normal. A prin-
cipal diferena entre as duas distribuies que a distribuio t tem
maior rea nas caudas.
NORMAL
t
Figura 7.3
A distribuio t no uma distribuio padronizada tal como a
distribuio normal. Para cada amostra, existe uma distribuio t
ligeiramente diferente. A distribuio normal essencialmente in-
217
dependente do tamanho da amostra, o que no ocorre com a dis-
tribuio t.
Para grandes amostras ( 30 n > ), razovel usar valores z para apro-
ximar valores t, muito embora a distribuio t seja sempre teorica-
mente correta quando no se conhece o desvio padro da populao
independentemente do tamanho da amostra.
Para usar a tabela t, devemos conhecer duas coisas:
o nvel de confana desejado;
o nmero de graus de liberdade (GL).
O nmero de graus de liberdade est relacionado com a maneira
como se calcula o desvio padro da amostra:
( )
2
2
1
x
x
n
s
n

.
s - desvio padro amostral
1 n - graus de liberdade.
47,59% 47,59%
95%
z
0 z=1,96
Figura 7.4
t
t
2,5% 2,5%
95%
Figura 7.5
218
Observaes 7.1.
Se 1) 30 n t z >
A distribuio 2) t supe que a populao submetida amostra-
gem seja normal, principalmente para 30 n .
Exemplo 7.6. Completar a tabela:
Inter. Conf. n
Coluna
Conf.
GL Frmula Valor t
95% 8 0,975 7 t0,976;7 2,36
95% 13
95% 23
95% 28
90% 18
99% 29
50% 7
90% 37
98% 5
40% 10
Tabela 7.5
Estimao por intervalo de :
s
x t
n
.
Agora veremos o que voc compreendeu! Complete a tabela do
exemplo seguinte, com base no que foi apresentado.
Exemplo 7.7. Sejam 20, 0 x = ; 1, 5 s = ; 25 n = . Completar:
Conf. Desej. t Frmula Clculo Soluo
90% 1,71
1,5
20 1, 71
25

20 0,513
(19, 487 20,513) P
0, 90 =
95%
99%
Tabela 7.6
219
7.5.2 Amostragem de Pequenas Populaes:
Fator de Correo Finita
Quando a populao fnita e a amostra constitui mais de 5% da
populao, devemos aplicar o fator de Correo Finita (FCF), dado por
1
N n
n

. Veja na tabela como utilizar este FCF.

Desvio padro Intervalo de Coana Erro
x
conhecido
1
x
N n
x z
N n


1
x
N n
z
N n

x
desconhecido
1
s N n
x t
N n


1
s N n
t
N n

Tabela 7.7
Exemplo 7.8. Determine um intervalo de confana para estas duas
situaes:
20 x =
a)
,

2, 5
x
= , 120 n = , 1200 N = ;
20 x =
b)
,
2, 5
x
s =
, 20 n = , 240 N = .
Resoluo.
a) Como
120
10%
1200
n
N
= = , devemos utilizar o fator de correo -
nita. A frmula para o intervalo de conana

1
x
N n
x z
N n

2, 5 1200 120
20 1, 96
1200 1 120

=

20 (1, 96)(0, 2283)(0, 9132) =

20 0, 408 = .
b) Como
20
0, 0833 8, 33%
240
n
N
= = = ,
x
desconhecido e 30 n ,
devemos utilizar a distribuio de t
,
e a frmula para o intervalo de
conana
220

1
s N n
x t
N n

2, 5 240 20
20 2,131
240 1 20

=

20 (2,131)(0, 559)(0, 959) =

20 1,142 = .
Frmula Modicada para Determinao do
Tamanho da Amostra
No caso de determinao do tamanho da amostra, devemos aplicar
tambm FCF da seguinte maneira:
x
conhecido:
2 2
2 2 2
( 1)
x
x
z N
n
z e N

=
+
.
x
desconhecido:
2 2
2 2 2
( 1)
t s N
n
t s e N
=
+
.
Observao 7.2. A no utilizao destas frmulas pode resultar
numa amostra que exceda o tamanho da populao.
Exemplo 7.9. Os coefcientes de confana de 95%, (duas caudas) para
a distribuio normal, so dadas por 1, 96 . Quais so os coefcien-
tes correspondentes para a distribuio t se:
a) 9 v = ?
b) 20 v = ?
c) 30 v = ?
d) 60 v = ?
Resoluo. Para os coecientes de conana de 95%, (duas caudas)
a rea sombreada total na gura abaixo deve ser 0,05.
Figura 7.6
221
Assim, a rea sombreada direita 0,025 e o valor crtico corres-
pondente
0,975
t . Ento, os coecientes de conana procurados so
0,975
t . Para os valores dados de v , so:
a) 2, 26 b) 2, 09 c) 2, 04 d) 2, 00 .
Exemplo 7.10. Uma amostra de 10 medidas do dimetro de uma
esfera acusa mdia 11, 0 X = cm e desvio padro 0,15 S = cm. Deter-
mine os limites de confana (a) de 95% e (b) de 99% para o dimetro
efetivo.
Resoluo.
a) Os limites de conana de 95% so dados por
0,975
( | 1) X t S n .
Como 1 10 1 9 v n = = = , obtemos
0,975
2, 26 t = (conforme exem-
plo a)).
Fazendo 11, 0 X = e 0,15 S = , obtemos os limites de 95% procura-
dos:
0,15
11, 0 2, 26 11, 0 0,113
10 1
cm =

4, 3348 e 4, 4252 .
Podemos, assim, ter 95% de conana em que a verdadei-
ra mdia esteja compreendida entre 11, 0 0,113 10,887 = cm e
11, 0 0,113 11,113 + = cm.
b) Para 9 v = ,
0,975
3, 25 t = . Ento, os limites de conana de 99%
so
0,995
0,15
11, 0 3, 25
1 10 1
S
X t
n
| | | |
=
| |

\ . \ .

11, 0 0,163 pols. =

cm.
e o intervalo de 99% de conana vai de 10,837cm a 11,163cm.
Exemplo 7.11.
Resolver o exemplo anterior supondo vlidos os mtodos de a)
teoria das grandes amostras.
Compare os resultados dos dois mtodos. b)
222
Resoluo.
a) Utilizando a teoria das grandes amostras, os limites de conana
de 95% so
0,15
1, 96 11, 0 1, 96
10
X
n

=
11, 0 0, 093 = ,
onde tomamos o desvio padro amostral de 0,15 como estimativa de
. Analogamente, os limites de conana de 99% so
0,15
11, 0 2, 58 11, 0 0,122
10
=

10,878 e 11,122 .
b) Em cada caso, os intervalos obtidos pelos mtodos das pequenas
amostras so mais amplos do que os obtidos pela teoria das grandes
amostras, o que j era de esperar, uma vez que h menos preciso
quando lidamos com pequenas amostras.
7.6 Estimativa por Intervalo de
Conana para Propores
Seja estatstica S a proporo de sucesso em uma amostra de ta-
manho 30 n extrada de uma populao binomial em que

p a
proporo de sucessos (isto , a probabilidade de sucesso). Ento, os
limites de confana para p

so dados por
c p
P z , onde P

denota
a proporo de sucessos na amostra de tamanho n . Usando os va-
lores de

p
obtidos no Captulo anterior, vemos que os limites de
confana para a proporo da populao so dados por
( ) 1
c c
p p pq
P z P z
n n

= ,
no caso de amostragem de uma populao infnita, ou amostragem
com reposio de uma populao fnita. Analogamente, os limites
de confana so
223
1
c
pq N n
P z
n N

se a amostragem sem reposio, de uma populao fnita de tama-

nho N . Nota-se que tais resultados se obtm de (1) e (2) substituin-
do X por P e por pq .
Em resumo, temos:
Proporo percentagem
Ocorre sob forma de perguntas sobre percentagem, sobre pro-
pores, sobre probabilidade de pessoas num grupo, etc.
x
p
n
= , onde
x n
o
de elementos da proporo;
n tamanho da amostra.
Estimao pontual de p :
x
n
;
Estimao intervalar de
p
:
1
x x
n n
x
z
n n
( | | | |

( | |
\ . \ .

;

Populao Finita: 5%
n
N
>

F.C.F.;
Erro de Estimao:
1
x x
n n
e z
n
( | | | |

( | |
\ . \ .
= ;
Tamanho da Amostra:
2
2
1
x x
n n
n z
e
( | | | |

( | |
\ . \ .
= .
Exemplo 7.12. Qual o tamanho da amostra necessria para obter
um intervalo de 95% de confana para a proporo populacional,
se o erro tolervel de 0,08?
224
Resoluo. Dados: IC = 95% 1, 96 z = , 0, 08 e = , 0, 5
x
p
n
= = .
Clculos:
2
2
0, 5(1, 0 0, 5)
(1, 96) 150, 0625 151
(0, 08)
n n

= = =
`
)
.
Exemplo 7.13. Uma amostra aleatria de 100 eleitores de certo dis-
trito eleitoral d 55% como favorveis a determinado candidato. De-
termine os limites de confanas para a proporo global de eleitores
favorveis ao candidato
na base de 95%; a)
na base de 99%; b)
na base de 99,73%. c)
Resoluo.
a) Os limites de conana para a populao so
( ) 1
1, 96 1, 96
p
p p
P P
n

=

( )( ) 0, 55 0, 45
0, 55 1, 96
100
=

0, 55 0,10 =

0, 45 a 0, 65,
onde tomamos a proporo amostral 0,55 como estimativa de p .
c) Os limites de conana de 99% para p so
( )( ) 0, 55 0, 45
0, 55 2, 58 0, 55 0,15
100
=

0, 40 a 0, 70.
Exemplo 7.14. Em 40 jogadas de uma moeda, apareceram 24 caras.
Determine os seguintes limites de confana para a proporo de
caras em uma seqncia ilimitada de jogadas:
225
de 95% a)
de 99,73% b)
Resoluo.
a) Para 95%, 1, 96
c
z = . Levando os valores
24
0, 6
40
P = = e 40 n =
na frmula
( )
c
P p
p P z
n

=

( )( ) 0, 6 0, 4
0, 6 1, 96
40
=

0, 6 0,15 = ,
tem-se o intervalo de 0,37 a 0,83.
Exerccios Propostos
Considerando-se que uma amostra de 100 elementos extrada 1)
de uma populao aproximadamente normal, cujo desvio pa-
dro igual a 2,0, forneceu uma mdia 35, 6 = , construir um
intervalo de 95% de confana para a mdia populao.
Resposta. 35,208; 35,992.
Feito um ensaio de corroso com 64 peas de um lote de produ- 2)
o, verifcou-se que o tempo que a pea suportou nesse teste
apresentou uma mdia 200 X = horas. Calcular um intervalo
de 95% de confana para a verdadeira mdia, sabendo-se que
o = 16 horas.
Resposta. 196,08; 203,92.
Suponha que o desvio padro da vida til de uma determinada 3)
marca de tubo de imagem de TV seja conhecido e igual a 500,
mas que a mdia da vida til desconhecida. Supe-se que a
vida til dos tubos de imagem tenha uma distribuio aproxi-
madamente normal. Para uma amostra de n = 15, a mdia da
226
vida til 8900 X = horas de operao. Construir intervalo de
confana de 90% para estimar a mdia populacional.
Resposta. 8687; 9113.
Uma amostra aleatria de uma populao normal com varin- 4)
cia populacional igual a 1,96 forneceu: 25,2, 26, 26,4 27,1, 28,2,
28,4. Obtenha estimativas por ponto e por intervalo da verda-
deira mdia, com confana de 95% e 90%.
Resposta. 25,76; 28 e 25,94; 27,82.
Sabe-se que os comprimentos das barras produzidas por uma 5)
siderrgica tm uma distribuio normal de varincia 1,69 m.
Numa amostra de 5 barras encontraram-se: 20,1, 21, 21,4, 22,1,
23,3 m. Determinar o erro mximo provvel para a mdia,
com:
= 0,10, a)
= 0,06. b)
Resposta. a) 0,96; b)1,09.
6) A distribuio dos nmeros de parafusos produzidos por
certa mquina normal, com desvio padro igual a 0,17 mm.
Uma amostra de seis parafusos retirada ao acaso da produo
apresentou os seguintes dimetros (em mm): 25,4 25,2 25,6
25,3 25 25,4. Calcular o erro mximo provvel para intervalos
de 90%, 95% e 98,74% para o dimetro mdio da produo da
mquina.
Resposta. 0,11, 0,14 e 0,17.
7) Um comprador potencial deseja estimar o valor mdio das
compras por cliente em uma loja de brinquedos em um aero-
porto. Com base em dados de outros aeroportos similares, o
desvio padro de tais valores de vendas estimado em cerca
de o = $ 0,88. Qual o tamanho mnimo que deveria ter uma
amostra aleatria se ele deseja estimar a mdia das vendas
dentro de $ 0,15 e com uma confana de 99%?
Resposta. 69.
227
8) Dados 500 X = , 16 s = e 25 n = , determinar o intervalo de con-
fana de 98% para a mdia populacional.
Resposta. 492,03; 507,97.
9) Uma amostra composta pelos seguintes elementos: 7, 7, 8, 9, 9,
9, 10, 11, 11, 11, 12, 13, 13, 14, 15, 15. Pede-se construir o intervalo
de confana para:
a mdia real, com confana de 98%. a)
a proporo real de valores inferiores a 9, com signifcncia b)
de 20%.
Resposta. a) 9,17; 12,59; b) 6,25%; 31,25%.
10) Determinar um intervalo de 95% de confana para estas
duas situaes:
a)

15, 0 X = , 2, 0 s = , 16 n = , 200 N = .
b) 15, 0 X = , 2, 0 s = , 100 n = , 1000 N = .
Resposta. a) 13,98; 16,02; b) 14,63; 15,37.
11) Determinar um intervalo de 98% de confana para a verda-
deira proporo populacional, se
15 X =
e
200 n =
.
Resposta. 0,18; 0,32.
Resumo
Este captulo est dedicado para assuntos relacionados com estima-
o. Explicamos o que intervalo de confana e abordamos esse
assunto para mdia de uma populao. Tambm explicamos como
calcular o erro da estimao e o tamanho da amostra. No caso de
desvio padro populacional desconhecido, explicamos como utili-
zar a distribuio t de Studant.
229
Referncias
BARBETTA, P. A. Estatstica aplicada s cincias sociais. 5. ed. Floria-
npolis: UFSC, 2002.
BRASIL. Secretaria de Educao Fundamental. Parmetros curricu-
lares nacionais: matemtica (1 e 2 ciclos do ensino fundamental).
Braslia: SEF/MEC, 1997.
BRASIL. Secretaria de Educao Fundamental. Parmetros curricu-
lares nacionais: matemtica (3 e 4 ciclos do ensino fundamental).
Braslia: SEF/MEC, 1998.
BUSSAB, W. O.; MORETTIN, P. A. Estatstica bsica. 5. ed. So Paulo:
Saraiva, 2004.
CRESPO, A. A. Estatstica fcil. 7. ed. So Paulo: Saraiva, 1990.
FONSECA, J. S. da; MARTINS, G. A. Curso de estatstica. 3. ed. So
Paulo: Atlas, 1982.
KAZMIER, L. J. Estatstica aplicada economia e administrao. So
Paulo: McGraw-Hill, 1982.
LEVINE, D. M.; BERENSON, M. L.; STEPHAN, D. Estatstica: teoria
e aplicaes usando Microsoft Excel em portugus. Rio de Janeiro:
LTC, 2000.
LOPES, C. A. E. A probabilidade e a estatstica no ensino fundamental:
uma anlise curricular. Dissertao (Mestrado em Educao). Cam-
pinas: Faculdade de Educao da UNICAMP, 1998. 125p.
MORETTIN, P. A.; BUSSAB, W. O. Estatstica bsica. 3. ed. So Paulo:
Atual, 1984.
PEREIRA, A. SPSS guia prtico de utilizao: anlise de dados para
cincias sociais e psicologia. Lisboa: Slabo, 1999.
230
SOARES, J. F.; FARIAS, A. A.; CESAR, C. C. Introduo estatstica.
Rio de Janeiro: LTC, 1991.
SPIEGEL, M. R. Probabilidade e estatstica. So Paulo: McGraw-Hill,
1997.
STEVENSON, W. J. Estatstica aplicada administrao. So Paulo:
Harbra, 1981.
VINACUA, B. V. Analisis estadstico con SPSS para WINDOWS. Madri:
McGraw-Hill/Interamericana de Espana, 1997.
Sites na Internet
http://www.mat.ubi.pt/~jgama/Ficheiros/Apontamentos.pdf
http://www.vademecum.com.br/iatros/estdiscritiva.htm
http://alea-estp.ine.pt/english/html/glossar/html/glossar.
html#h
http://www.socio-estatistica.com.br/Edestatistica/glossario.
htm
http://www.ibge.gov.br/
http://www.ibope.com.br
http://www.dme.im.ufrj.br/divulgacao.ppt#22