Estatistica Aplicada

Ministrio da Educao MEC
Coordenao de Aperfeioamento de Pessoal de Nvel Superior CAPES

Diretoria de Educao a Distncia DED
Universidade Aberta do Brasil UAB
Programa Nacional de Formao em Administrao Pblica PNAP
Bacharelado em Administrao Pblica
ESTATSTICA APLICADA ADMINISTRAO
Marcelo Tavares
2011
2011. Universidade Federal de Santa Catarina UFSC. Todos os direitos reservados.

A responsabilidade pelo contedo e imagens desta obra do(s) respectivo(s) autor(es). O contedo desta obra foi licenciado temporria e
gratuitamente para utilizao no mbito do Sistema Universidade Aberta do Brasil, atravs da UFSC. O leitor se compromete a utilizar o
contedo desta obra para aprendizado pessoal, sendo que a reproduo e distribuio ficaro limitadas ao mbito interno dos cursos.
A citao desta obra em trabalhos acadmicos e/ou profissionais poder ser feita com indicao da fonte. A cpia desta obra sem autorizao
expressa ou com intuito de lucro constitui crime contra a propriedade intelectual, com sanes previstas no Cdigo Penal, artigo 184, Pargrafos
1 ao 3, sem prejuzo das sanes cveis cabveis espcie.
T231e
Tavares, Marcelo
Estatstica aplicada administrao / Marcelo Tavares. Florianpolis : Departamento
de Cincias da Administrao / UFSC; [Braslia] : CAPES : UAB, 2011.
222p. : il.
Inclui bibliografia
ISBN: 978-85-7988-099-5
1. Administrao Mtodos estatsticos. 2. Estatstica. 3. Probabilidades. 4. Educao a
distncia. I. Coordenao de Aperfeioamento de Pessoal de Nvel Superior (Brasil). II.
Universidade Aberta do Brasil. III. Ttulo.
CDU: 519.2:65
Catalogao na publicao por: Onlia Silva Guimares CRB-14/071
PRESIDENTA DA REPBLICA
Dilma Vana Rousseff
MINISTRO DA EDUCAO
Fernando Haddad
PRESIDENTE DA CAPES
Jorge Almeida Guimares
UNIVERSIDADE FEDERAL DE SANTA CATARINA
REITOR
Alvaro Toubes Prata
VICE-REITOR
Carlos Alberto Justo da Silva
CENTRO SCIO-ECONMICO
DIRETOR
Ricardo Jos de Arajo Oliveira
VICE-DIRETOR
Alexandre Marino Costa
DEPARTAMENTO DE CINCIAS DA ADMINISTRAO
CHEFE DO DEPARTAMENTO
Gilberto de Oliveira Moritz
SUBCHEFE DO DEPARTAMENTO
Marcos Baptista Lopez Dalmau
DIRETORIA DE EDUCAO A DISTNCIA
DIRETORIA DE EDUCAO A DISTNCIA
COORDENAO GERAL DE ARTICULAO ACADMICA
Liliane Carneiro dos Santos Ferreira
COORDENAO GERAL DE SUPERVISO E FOMENTO
Grace Tavares Vieira
COORDENAO GERAL DE INFRAESTRUTURA DE POLOS
Joselino Goulart Junior
COORDENAO GERAL DE POLTICAS DE INFORMAO
Adi Balbinot Junior
COMISSO DE AVALIAO E ACOMPANHAMENTO PNAP
Claudin Jordo de Carvalho
Eliane Moreira S de Souza

Marcos Tanure Sanabio
Maria Aparecida da Silva
Marina Isabel de Almeida
Oreste Preti
Tatiane Michelon
Teresa Cristina Janes Carneiro
METODOLOGIA PARA EDUCAO A DISTNCIA
Universidade Federal de Mato Grosso
COORDENAO TCNICA DED
Tatiane Michelon
Tatiane Pacanaro Trinca
Soraya Matos de Vasconcelos
AUTOR DO CONTEDO
Marcelo Tavares
EQUIPE DE DESENVOLVIMENTO DE RECURSOS DIDTICOS CAD/UFSC
Coordenador do Projeto
Coordenao de Produo de Recursos Didticos
Denise Aparecida Bunn
Superviso de Produo de Recursos Didticos
rika Alessandra Salmeron Silva
Designer Instrucional
Adriana Novelli
Andreza Regina Lopes da Silva
Denise Aparecida Bunn
Auxiliar Administrativo
Stephany Kaori Yoshida
Capa
Alexandre Noronha
Projeto Grfico e Finalizao
Annye Cristiny Tessaro
Diagramao
Rita Castelan Minatto
Ilustrao
Livia Remor Pereira
Reviso Textual
Claudia Leal Estevo Brites Ramos
Mara Aparecida Andrade R. Siqueira
Crditos da imagem da capa: extrada do banco de imagens Stock.xchng sob direitos livres para uso de imagem.
PREFCIO
Os dois principais desafios da atualidade na rea
educacional do Pas so a qualificao dos professores que atuam
nas escolas de educao bsica e a qualificao do quadro
funcional atuante na gesto do Estado brasileiro, nas vrias
instncias administrativas. O Ministrio da Educao (MEC) est
enfrentando o primeiro desafio com o Plano Nacional de Formao
de Professores, que tem como objetivo qualificar mais de 300.000
professores em exerccio nas escolas de Ensino Fundamental e
Mdio, sendo metade desse esforo realizado pelo Sistema
Universidade Aberta do Brasil (UAB). Em relao ao segundo
desafio, o MEC, por meio da UAB/CAPES, lana o Programa
Nacional de Formao em Administrao Pblica (PNAP). Esse
Programa engloba um curso de bacharelado e trs especializaes
(Gesto Pblica, Gesto Pblica Municipal e Gesto em Sade) e
visa a colaborar com o esforo de qualificao dos gestores pblicos
brasileiros, com especial ateno no atendimento ao interior do
Pas, por meio dos Polos da UAB.
O PNAP um Programa com caractersticas especiais.
Em primeiro lugar, surgiu do esforo e da reflexo de uma rede
composta pela Escola Nacional de Administrao Pblica (ENAP),
pelo Ministrio do Planejamento, pelo Ministrio da Sade, pelo
Conselho Federal de Administrao, pela Secretaria de Educao
a Distncia (SEED) e por mais de 20 instituies pblicas de Ensino
Superior (IPES), vinculadas UAB, que colaboraram na elaborao
do Projeto Poltico Pedaggico dos cursos. Em segundo lugar, esse
Projeto ser aplicado por todas as instituies e pretende manter
um padro de qualidade em todo o Pas, mas abrindo margem para
que cada IPES, que ofertar os cursos, possa incluir assuntos em

atendimento s diversidades econmicas e culturais de sua regio.
Outro elemento importante a construo coletiva do
material didtico. A UAB colocar disposio das IPES um
material didtico mnimo de referncia para todas as disciplinas
obrigatrias e para algumas optativas. Esse material est sendo
elaborado por profissionais experientes da rea da Administrao
Pblica de mais de 30 diferentes instituies, com o apoio de equipe
multidisciplinar. Por ltimo, a produo coletiva antecipada dos
materiais didticos libera o corpo docente IPES para uma dedicao
maior ao processo de gesto acadmica dos cursos; uniformiza um
elevado patamar de qualidade para o material didtico e garante o
desenvolvimento ininterrupto dos cursos, sem paralisaes que
sempre comprometem o entusiasmo dos estudantes.
Por tudo isso, estamos seguros de que mais um importante
passo em direo democratizao do Ensino Superior pblico e
de qualidade est sendo dado, desta vez contribuindo tambm para
a melhoria da gesto pblica brasileira.
Celso Jos da Costa

Diretor de Educao a Distncia
Coordenador Nacional da UAB
CAPES-MEC
SUMRIO
Apresentao.................................................................................................... 11
Unidade 1 Fases do Mtodo Estatstico, Populao e Amostra
Fases do Mtodo Estatstico....................................................................... 17
Definio do Problema...................................................................... 18
Planejamento........................................................................................ 19
Coleta de Dados................................................................................ 19
Organizao de Dados......................................................................... 20
Apresentao de Dados......................................................................... 21
Anlise e Interpretao de Dados................................................................ 22
Populao e Amostras................................................................................. 25
Amostragens Probabilsticas............................................................... 31
Amostragens no Probabilsticas.......................................................... 40
Unidade 2 Distribuies de Frequncias e Representao Grfica

Distribuies de Frequncias........................................................................ 49
Distribuies de Frequncias de uma Varivel Quantitativa Contnua.......... 51
Distribuies de Frequncias de uma Varivel Qualitativa........................ 58
Distribuies de Frequncias de uma Varivel Quantitativa Discreta............. 58
Representao Grfica........................................................................ 61
Unidade 3 Medidas de Posio e Disperso

Medidas de Posio.............................................................................. 73
Mdia......................................................................................... 74
Moda......................................................................................... 78
Mediana...................................................................................... 80
Separatrizes.................................................................................. 82
Medidas de Disperso......................................................................... 85
Amplitude Total.................................................................................. 86
Varincia..................................................................................... 87
Desvio Padro..................................................................................... 89
Coeficiente de Variao......................................................................... 90
Unidade 4 Probabilidade
Introduo.......................................................................................... 101
Experimento Aleatrio....................................................................... 103
Espao Amostral............................................................................... 105
Evento......................................................................................... 106
Definies de Probabilidades........................................................................ 107
Probabilidade Condicional........................................................................ 113
Regra do Produto e Eventos Independentes.................................................. 116
Algumas Regras Bsicas de Probabilidades...................................................... 122
Unidade 5 Distribuio de Probabilidades Discretas e Contnuas

Introduo............................................................................................................ 129
Distribuies Discretas...................................................................................... 131
Distribuio Binomial............................................................................... 132
Distribuio de Poisson............................................................................ 136
Distribuies Contnuas...................................................................... 140

Distribuio Normal........................................................................ 140
Distribuies Amostrais..................................................................... 148
Distribuio t de Student............................................................. 149
Distribuio de Qui-Quadrado............................................................. 153
Distribuio de F......................................................................... 156
Noes de Estimao...................................................................... 159
Estimao por Intervalos................................................................... 161
Dimensionamento de Amostras........................................................ 164
Unidade 6 Testes de Hipteses

Introduo................................................................................................ 171
Estrutura dos Testes de Hipteses.................................................................... 173
Teste de Hiptese para uma Mdia.................................................................. 178
Teste de Hiptese para a Razo de duas Varincias......................................... 183
Teste de Hiptese para a Diferena entre Mdias............................................. 185
Teste de Hiptese para a Diferena entre Propores....................................... 198
Teste de Qui-Quadrado de Indepedncia......................................................... 201
Associao entre Variveis.............................................................................. 205
Consideraes finais ................................................................................. 219

Referncias.................................................................................................... 220
Minicurrculo.................................................................................................... 222
Estatstica Aplicada Administrao
10
Apresentao
APRESENTAO
Seja bem-vindo ao estudo da Estatstica!
Esperamos que esta disciplina seja uma experincia
interessante e enriquecedora. Pensando nisso, elaboramos o material
com cuidado para que voc aprenda os principais conceitos
associados Estatstica, que vem se tornando cada vez mais
importante no competitivo ambiente de negcios e de gesto. Juntos,
iremos viajar pelo mundo dos nmeros associados estatstica e
suas relaes no dia a dia do gestor pblico.
O principal objetivo que voc tenha a oportunidade de
ampliar seu conhecimento sobre o universo da estatstica. Dessa
forma, no sero feitas neste material dedues e demonstraes
matemticas de expresses. Ser tentado um entendimento mais
abstrato das expresses a serem utilizadas.
Voc j deve estar acostumado a utilizar a estatstica, ou
ferramentas estatsticas, no seu dia a dia, sem saber que a esta
utilizando. Se voc acha que a estatstica se resume apenas a
nmeros e a grficos, est redondamente enganado. Dessa forma,
estaremos, a partir de agora, entrando em um mundo no qual os
nmeros iro sempre lhe falar ou lhe contar alguma coisa. O seu
trabalho usando a estatstica passar a ser o de ajudar a planejar a
obteno de dados, a interpretar e a analisar os dados obtidos e a
apresentar os resultados de maneira a facilitar a sua tomada de
decises como gestor na rea pblica.
Para gerar tabelas, grficos e utilizar tcnicas estatsticas,
temos uma infinidade de softwares que fazem isso automaticamente.
Entretanto, para podermos descobrir quais as respostas que os dados
podem nos dar para determinados questionamentos, necessrio
Mdulo 4
11
que voc saiba a teoria estatstica e treine suas aplicaes por meio
de estudos de casos, ou situaes.
Sempre surgem, ento, perguntas do tipo: quais variveis
devem ser medidas? Como retirar amostras da populao que se
deseja estudar? Que tipo de anlise realizar? Como interpretar os
resultados? Espero que no final da leitura deste material voc tenha
condies de responder de forma clara a essas perguntas e a outras
que podem ser feitas.
necessrio termos em mente que a estatstica uma
ferramenta para o gestor ou para o executivo, nas respostas aos
porqus de seus problemas. Contudo, para que ela seja bem
utilizada, necessrio conhecer os seus fundamentos e os seus
princpios e, acima de tudo, que o gestor desenvolva um esprito
crtico e de anlise; pois fcil mentir usando a estatstica, difcil
falar a verdade sem usar a estatstica.
Atualmente, as empresas tm procurado admitir como
gestores os profissionais que tenham um nvel de conhecimento de
estatstica alto, pois esse conhecimento tem resultado em diferena
significativa nos processos decisrios.
Para estudar na modalidade a distncia o contedo da
disciplina Estatstica Aplicada Administrao preciso que voc
tenha disciplina intelectual que, para desenvolver, somente
praticando e, ainda, uma postura crtica, sistemtica. Ou seja, ao
invs de voc atuar como passivo e concordar com tudo o que diz
o texto, voc deve duvidar, contestar, criticar, comentar e
descobrir o que o autor quer dizer. O ato de estudar exige que
voc faa exerccios e entenda o que est fazendo, no sendo
apenas um mero executor de frmulas. Isso implica o entendimento
dos conceitos apresentados neste material.
Uma vez que a leitura uma atividade, voc deve ser ativo.
Tenha certeza de que um estudante consegue aprender mais do que
o outro medida que se aplica mais e capaz de uma atividade
maior de leitura. E aprende melhor se exigir mais de si mesmo e do
texto que tem diante de si.
12
Apresentao
Para tanto, dividimos o livro em seis Unidades. Na Unidade

1, iremos ver as fases do mtodo estatstico e os conceitos de
populaes, de amostras e de mtodos de amostragem.
Nas Unidades 2 e 3, vamos aprender a descrever um conjunto de
dados por meio de distribuies de frequncias, de medidas de
posio e de disperso. J nas Unidades 4 e 5, estaremos
aprendendo conceitos relacionados a probabilidades, a distribuies
discretas e contnuas, alm de noes de estimao. E, por fim, na
ltima Unidade, voc ir aprender como tomar decises baseadas
nos chamados testes de hipteses.
Desejo a voc bons estudos!
Professor Marcelo Tavares
Mdulo 4
13
UNIDADE 1
FASES DO MTODO ESTATSTICO,
POPULAO E AMOSTRA
OBJETIVOS ESPECFICOS DE APRENDIZAGEM

Ao finalizar esta Unidade, voc dever ser capaz de:
Entender as relaes entre as fases do mtodo estatstico e apliclas no desenvolvimento de seus projetos;
Compreender conceitos bsicos relacionados estatstica, como

variveis, estimadores, estimativas, parmetros, populao,
amostras; e
Entender os diversos tipos de amostragem e saber como apliclos quando for desenvolver qualquer tipo de projeto em que se
utilize planos amostrais.
16
FASES DO MTODO ESTATSTICO

Caro estudante,
Vamos iniciar nossos estudos de estatstica para que voc
tenha condies de identificar a forma pela qual podemos
utiliz-la, seja dentro da pesquisa cientfica ou na tomada
de decises e na estruturao de projetos.
Alm disso, trabalharemos a definio de populao e de
amostra, bem como a forma de retirar as amostras de uma
populao; temas de fundamental importncia para que
voc consiga desenvolver trabalhos com resultados de
campo de alto nvel.
Vamos ento aprender esses assuntos? Boa leitura e,
qualquer dvida, no hesite em consultar o seu tutor.
Para realizarmos um estudo estatstico, normalmente, existem

vrias etapas a serem realizadas. Essas etapas so chamadas de
fases do mtodo estatstico. Quando voc tiver bem definido essas
fases, e tiver condies de realiz-las de forma adequada, a chance
de sucesso em um trabalho estatstico ou que envolva estatstica
ser muito maior. Para isso, ento, voc ir conhecer essas fases
ou etapas de forma mais detalhada.
As fases do mtodo estatstico so:
definio do problema;
planejamento do processo de resoluo;
coleta dos dados;
organizao de dados;
apresentao de dados; e
anlise e interpretao dos resultados.
Mdulo 4
17
Agora, voc ver de forma detalhada cada uma dessas fases.

Ao longo da apresentao, iremos detalhando cada uma delas,
inserindo-as passo a passo, para que no final voc tenha uma ideia
das relaes entre essas fases.
DEFINIO
DO
PROBLEMA
A primeira fase consiste na definio e na formulao correta

do problema a ser estudado. Para isso, voc deve procurar outros
estudos realizados sobre o tema escolhido, pois, desse modo, voc
evitar cometer erros que j tenham sido cometidos por outros.
Veremos esses conceitos

mais adiante nesta
Unidade, ao longo da
disciplina.
Sendo assim, essa primeira fase pode responder definio

de um problema ou, simplesmente, dar resposta a um interesse de
profissionais. Em alguns casos, podem estar envolvidas variveis
qualitativas e quantitativas, por exemplo:
a receita do Imposto Territorial e Predial Urbano (IPTU)

de cada um dos bairros de uma cidade em vrios anos;
o tratamento de dados relativos aos desempenhos dos

funcionrios de um setor de uma prefeitura ao longo
de alguns meses;
a quantidade de residncias em uma cidade que

atrasam o pagamento do IPTU em 1, 2, 3, 4, 5 ou mais
meses; e
o tempo necessrio entre o pedido de reparo de uma

via pblica e a realizao do servio.
Mas no para por a! Existem outros problemas relacionados
gesto pblica que merecem ser resolvidos.
Definio do problema
18
PLANEJAMENTO
Aps voc definir o problema, preciso determinar um
processo para resolv-lo e, em especial, a forma de como obter
informaes sobre a varivel ou as variveis em estudo. nessa
fase que devemos decidir pela observao da populao ou de uma
amostra. Portanto, voc precisa:
determinar os procedimentos necessrios para resolver

o problema, em especial, como levantar informaes
sobre o assunto objeto do estudo;
planejar o trabalho tendo em vista o objetivo a ser

atingido;
escolher e formular corretamente as perguntas;

definir o tipo de levantamento censitrio ou por
amostragem; e
definir cronograma de atividades, custos envolvidos,

delineamento da amostra etc.
Definio do problema
Planejamento da pesquisa
COLETA DOS DADOS

Agora que voc j planejou o seu trabalho, vamos para a
terceira etapa, que consiste na coleta de dados. Essa fase que deve
ser seguida com cuidado, pois dados mal coletados resultam em
Mdulo 4
19
estatsticas inadequadas ou que no refletem a situao que voc

deseja estudar.
Os dados podem ser coletados, por exemplo, por meio de:
questionrio;
observao;
experimentao; e
pesquisa bibliogrfica.
A coleta de dados que voc vai fazer pode ser realizada de
forma direta com base nos elementos de registros ou pelo prprio
pesquisador atravs de questionrios.
Definio do problema
Coleta dos dados
ORGANIZAO DE DADOS
*Atributo estatstico
toda medida estatstica, por exemplo, mdia.
Fonte: Elaborado pelo
autor.
*Tratamento estatstico
implica analisar os dados utilizando tcnicas
estatsticas. Fonte: Elaborado pelo autor.
20
Agora que temos os dados precisamos organiz-los, pois

somente coletar os dados no suficiente. Essa organizao consiste
em resumir os dados atravs da sua contagem e agrupamento.
Desse modo, obtemos um conjunto de informaes que ir conduzir
ao estudo do atributo estatstico*. Geralmente, essa organizao
feita em planilhas eletrnicas (tipo Excel) para posterior
tratamento estatstico*.
Definio do problema
Coleta dos dados
Organizao dos dados
APRESENTAO
DE
DADOS
Agora que temos os dados organizados, precisamos

apresent-los e, para tanto, existem duas formas de apresentao
que voc poder utilizar, que no se excluem mutuamente, a saber:
apresentao por tabelas; e

apresentao por grficos.
Essas formas de expor as informaes coletadas permitem
sintetizar uma grande quantidade de dados (nmeros), tornando
mais fcil a compreenso do atributo em estudo e permitindo uma
futura anlise.
Mdulo 4
21
Definio do problema
Coleta dos dados
Organizao dos dados
Apresentao dos dados
Na Unidade 2, ampliaremos nossa discusso quanto forma

de apresentao dos dados, ou seja, detalharemos como montar
essas tabelas de distribuio de frequncias, quais os tipos de
grficos mais adequados para cada situao que voc venha a ter.
*Mdias so os resultados obtidos por meio da
soma de todos os valores,
ANLISE E INTERPRETAO DE DADOS
divididos pela quantidade de nmeros que voc

somou. Fonte: Elaborado
pelo autor.
Nessa fase, voc ir calcular novos nmeros com mdias*

embasadas nos dados coletados. Esses novos nmeros permitem
fazer uma descrio do fenmeno em estudo, evidenciando algumas
das suas caractersticas particulares. Nessa fase, ainda possvel,
por vezes, arriscar alguma generalizao a qual envolver sempre
algum grau de incerteza.
Como quantificar esse
Na fase de anlise e de interpretao dos dados, precisamos,

ainda, estar muito atentos ao significado das medidas estudadas,
grau de incerteza, voc
ir aprender na Unidade 5.
22
por exempo, mdia e moda* e ao porqu de as utilizarmos. Para

verificar as relaes entre essas medidas, voc deve estar de mente
aberta. E, para tanto, necessrio que voc conhea a estrutura e
o clculo dessas medidas.
*Moda valor que mais

se repete em um conjunto de observaes. Fonte: Elaborado pelo autor.
Imagine que voc esteja envolvido em um estabelecimento

de conjecturas e na comunicao da informao de uma forma
convincente atravs da elaborao de relatrios, de textos e de
artigos que incluam, por exemplo, grficos e tabelas. As pessoas
que se utilizam da estatstica como ferramenta devem ser
sensibilizadas para a influncia que poder ter o modo de
apresentao da informao na comunicao de resultados, a
utilizao de diferentes grficos e/ou de diferentes escalas.
Para compreender essa nossa conversa, analise a Figura 1,
que apresenta um resumo de todas essas fases:
Definio do problema
Coleta dos dados
Organizao dos dados
Apresentao dos dados
Anlise e interpretao dos dados
Concluses
Figura 1: Fases do mtodo estatstico

Fonte: Elaborada pelo autor
Mdulo 4
23
Por fim, importante destacarmos que para a realizao

dessa fase de anlise faz-se necessrio que voc tenha o domnio
da utilizao de planilhas tipo Excel e de softwares estatsticos.
24
POPULAO E AMOSTRAS
Antes, precisamos entender o que uma populao e o que
uma amostra. Se considerarmos somente os habitantes de uma
cidade que contribuem com o pagamento do IPTU, podemos
considerar essas pessoas como sendo a populao, pois apresentam
caractersticas em comum; sendo, nesse caso, o fato de que elas esto
na mesma cidade e contribuem, todas, com o imposto do IPTU.
Suponha, todavia, que voc queira trabalhar com apenas
uma par te dessa populao, a qual apresente as mesmas
caractersticas da populao da qual voc ter uma amostra, ou
seja, uma poro ou frao da populao que preserva todas as
caractersticas importantes dos elementos que a integram.
Nessa populao, geralmente, voc poder medir uma
varivel, por exemplo, a renda dessas pessoas. Assim, voc poder
querer calcular a renda mdia dessa populao de pessoas que
contribuem com o IPTU (mdia populacional () que corresponde,
geralmente, a um valor desconhecido chamado de parmetro). Como
voc no vai medir toda a populao, podemos obter uma amostra
que represente essa populao e, estudando a amostra, voc ter
condies de calcular a mdia amostral (x) que corresponde ao
estimador, e o resultado obtido (valor numrico) corresponder
estimativa. Para entender melhor essa relao, observe a Figura 2,
a seguir.
Mdulo 4
25
Populao
m=?
s=?
Amostragem
Amostra
0 = R$587,00
Figura 2: Relaes entre estimadores, parmetros e estimativa

Para voc entender melhor a figura anterior, verifique que

(mdia populacional) e (desvio padro populacional)
correspondem aos parmetros (populao), e x corresponde ao
estimador (amostra) e R$ 587,00 corresponde estimativa da renda
mdia populacional (aproximao numrica do valor da populao).
Portanto, quando voc est estudando uma populao inteira
(censo) ou realizando uma amostragem, a classificao da varivel
que est trabalhando ser muito importante. Ento, vamos ver a
classificao das variveis em relao a sua natureza; as quais
podem ser: qualitativas (ordinais ou nominais) e quantitativas
(discretas ou contnuas). Essa classificao permitir, por exemplo,
que voc defina, posteriormente, o tipo de teste de hiptese a ser
utilizado ou o tipo de distribuio de probabilidade que necessitar
aplicar para a varivel em questo.
Sendo assim, precisamos entender a classificao das
variveis. Ento, mos obra! A classificao:
Varivel qualitativa: faz referncia a observaes

relacionadas a atributos que no apresentam estrutura
numrica, como cor dos olhos, classe social, estado
civil, nome da empresa etc. Essa varivel qualitativa
pode ser classificada em:
Nominal: quando as observaes no apresentam

nenhuma hierarquia ou ordenamento, como o sexo
26
dos funcionrios de uma prefeitura; estado civil;

naturalidade, etc.
Ordinal: quando as observaes apresentam uma

hierarquia ou um ordenamento, por exemplo, cargo
do funcionrio de uma empresa (diretor, gerente,
supervisor etc.); posio das empresas em relao a
pagamento de impostos em um municpio (primeira,
segunda, terceira etc.).
Varivel quantitativa: essa varivel est relacionada

s observaes que apresentam uma estrutura
numrica associada a contagens ou a mensuraes,
como quantidade de energia eltrica consumida por
uma prefeitura em um ms; nmero de pessoas
atendidas por hora em um determinado setor pblico
etc. Essa varivel quantitativa pode ser classificada em:
Discreta: observaes de estrutura numrica esto

associadas a valores fixos, ou seja, na maioria dos casos,
nmeros inteiros e positivos associados a contagens,
como o nmero de pessoas que pagam seus impostos
em dia etc.
Mdulo 4
27
Contnua: so todas as observaes que representam

valores numricos que podem assumir qualquer valor
dentro de um intervalo, ou seja, os nmeros reais, por
exemplo, o tempo que pessoas ficam na fila aguardando
para serem atendidas; peso dos funcionrios de uma
prefeitura etc.
Para melhor visualizar essa classificao das variveis,

observe a Figura 3, apresentada a seguir.
Figura 3: Classificao das variveis

Agora que voc j conhece e compreendeu a classificao

das variveis, vamos voltar relao entre amostragens e
populaes. A amostragem o estudo das relaes existentes entre
a amostra e a populao de onde ela a amostra foi extrada e a
forma como ocorreu essa extrao.
*Amostras representativas so as amostras que
mantm as caractersticas da populao de onde
ela foi retirada. Fonte:
Elaborado pelo autor.
*Censo avaliao de
toda a populao. Fonte:
28
As principais vantagens da utilizao do estudo por

amostras representativas* em relao ao censo* so:
Ocorre uma reduo no custo, pois sendo os dados

obtidos apenas de uma frao da populao, as
despesas so menores do que as oriundas de um censo.
Tratando-se de grandes populaes, podemos obter
resultados suficientemente precisos, para serem teis,
de amostras que representam apenas uma pequena
frao da populao.
Na prtica ou no dia a dia das organizaes,

necessrio que os resultados sejam obtidos com a
maior rapidez possvel. Portanto, com a amostragem,
voc pode apurar os dados e sintetiz-los mais
rapidamente do que em uma contagem completa. Esse
um fator primordial quando se necessita
urgentemente das informaes. Se o resultado de uma
pesquisa for conhecido muito tempo depois, bem
possvel que a situao que voc pretendia resolver
seja, no momento presente, completamente diferente
da que existia no momento da coleta dos dados.
Outra vantagem corresponde a maior amplitude e

flexibilidade. Em certos tipos de investigao, como
ocorre em pesquisas de mercado, temos que utilizar
pessoal bem treinado e equipamento de alta tecnologia,
cuja disponibilidade limitada para a obteno de
dados. O censo completo torna-se impraticvel e resta
a escolha de obter as informaes por meio de uma
amostra. Portanto, com um nmero reduzido de
entrevistadores, por exemplo, o treinamento a ser
aplicado com eles de qualidade muito maior do que
em um grupo maior de entrevistadores.
A ltima vantagem a ser citada aqui a maior exatido

dos resultados. Em virtude de se poder empregar
pessoal de melhor qualidade e mais treinado, e por se
tornar exequvel a superviso mais cuidadosa do
campo de trabalho e do processamento de dados,
favorecendo reduo no volume de trabalho, uma
amostragem pode, na realidade, proporcionar
melhores resultados do que o censo.
Dessa forma, podemos dizer que as amostras a serem
trabalhadas devem apresentar uma caracterstica importante que
corresponde representatividade. Para que as concluses da
teoria de amostragem sejam vlidas, as amostras devem ser
escolhidas de modo a serem representativas da populao.
Mdulo 4
29
Antes de darmos continuidade, reflita: como voc faria para

retirar uma amostra de 300 pessoas que esto em um cadastro
de prefeitura que tem 60.000 pessoas? Essa amostra seria
representativa da populao?
*Plano de amostragem
plano de como ser feita
a retirada da amostra da
populao. Fonte: Elaborado pelo autor.
*Unidades amostrais
correspondem s unidades selecionadas. Fonte:
Uma vez que voc tenha decidido realizar a pesquisa

selecionando uma amostra da populao, preciso elaborar
o plano de amostragem*. O plano de amostragem consiste em
definir as unidades amostrais*, maneira pela qual a amostra ser
retirada (o tipo de amostragem), e o prprio tamanho da amostra.
Essas unidades amostrais podem corresponder aos prprios
elementos da populao, quando h acesso direto a eles, ou qualquer
outra unidade que possibilite chegar at eles. Voc pode considerar
como populao os domiclios de uma cidade da qual se deseja
avaliar o perfil scioeconmico. A unidade amostral ser cada um
dos domiclios, que corresponder aos elementos da populao.
Caso a unidade amostral seja definida como os quarteires, a
unidade amostral no corresponder aos elementos populacionais.
Temos dois tipos principais de amostragem as probabilsticas
e as no probabilsticas. Observe a descrio a seguir:
Amostragem probabilstica: ocorre quando todos

os elementos da populao tiveram uma probabilidade
ou a chance conhecida e diferente de zero de pertencer
amostra. Por exemplo, imagine que temos 50
funcionrios de uma prefeitura em uma atividade de
treinamento e voc deve selecionar 10 funcionrios.
A realizao desse tipo de amostragem somente
possvel se a populao for finita e totalmente acessvel.
30
Amostragem no probabilstica: assim denominada

sempre que no conhecemos a probabilidade ou a chance
de um elemento da populao pertencer amostra. Por
exemplo, quando somos obrigados a colher a amostra na
parte da populao a que temos acesso, ou seja, os
elementos da populao a que no temos acesso no tm
chance de serem sorteados para compor a amostra.
Voc pode notar que a utilizao de uma amostra

probabilstica melhor para garantir a representatividade da
amostra, pois o acaso ser o nico responsvel por eventuais
discrepncias entre populao e amostra. Essas discrepncias so
levadas em considerao nas inferncias estatsticas.
Vamos, ento, detalhar os tipos de amostragens probabilsticas.
AMOSTRAGENS PROBABILSTICAS
Como j mencionamos, essa amostragem caracterizada
pela chance conhecida de mensurarmos uma amostra. Os principais
mtodos de amostragem so: aleatria (casual) simples, sistemtica,
estratificada e conglomerado. Veja a seguir a descrio de cada
uma delas.
Amostragem Aleatria (Casual) Simples

Devemos utilizar a Amostragem Aleatria Simples (AAS)
somente quando a populao for homognea em relao varivel
que se deseja estudar. Geralmente, atribumos uma numerao a cada
indivduo da populao e atravs de um sorteio aleatrio os
Mdulo 4
31
elementos que iro compor a amostra so selecionados. Todos os

elementos da populao tm a mesma probabilidade de pertencer
amostra.
Imagine que voc queira amostrar um nmero de pessoas
que esto fazendo um determinado concurso com N = 10.000
inscritos. Como a populao finita, devemos enumerar cada um
dos N candidatos e sortear n = 1.000 deles.
Amostragem Sistemtica
Em algumas situaes como amostrar pessoas que ficam em
uma fila, conveniente retirar da populao os elementos que iro
compor a amostra de forma cclica (em perodos), por exemplo,
quando os elementos da populao se apresentam ordenados. Porm,
de fundamental importncia que a varivel de interesse no
apresente ciclos de variao coincidente com os ciclos de retirada,
pois esse fato tornar a amostragem no representativa. Essa tcnica
de amostragem o que denominamos de amostragem sistemtica.
Para entender melhor, vamos imaginar que voc queira retirar
uma amostra dos currculos apresentados pelos candidatos em um
processo seletivo, e a varivel de interesse corresponde idade deles.
Pode ocorrer que pessoas de uma determinada faixa etria deixem
para entregar o currculo no ltimo dia. Ento, se pegssemos de forma
aleatria, poderamos estar subestimando ou superestimando a idade
mdia. Nessa situao, foram recebidos 500 currculos ordenados por
ordem de entrega. Considerando que amostrar 50 currculos o
suficiente para estimar a idade mdia dos candidatos, utilizamos a
tcnica de amostragem sistemtica, pois pode ocorrer que um grupo
de pessoas da mesma faixa etria tenha feito a inscrio em grupo e,
32
assim, na ordem de inscrio, teremos diversas pessoas com a mesma

idade. Devemos considerar ento que as idades estejam aleatoriamente
distribudas na populao, ou seja, sem qualquer ciclo de repetio.
Para tanto, necessrio, antes, que enumeremos a populao
de 1 a 500 e calcularemos uma constante (K) que servir como
fator de ciclo para retirada dos currculos amostrados. Assim,
podemos dividir os 500 currculos pelo tamanho da amostra (50)
que desejamos trabalhar e, ento, teremos uma constante igual a
10 e os elementos sero amostrados a cada 10 elementos.
Generalizando, teremos que a constante (K) ser dada por K= N/n,
em que N o tamanho da populao e n o tamanho da amostra.
Aps a definio do valor de K, fazemos o sorteio de um
ponto inicial da amostragem (PIA), ou seja, um dos elementos do
primeiro intervalo constitudo pelos elementos populacionais
numerados de 1 at 10. Na sequncia, devemos escolher o prximo
que ser o elemento de ordem (i + K) e assim por diante, sempre
somando K ordem do elemento anterior at completar a escolha
dos n elementos que iro compor a amostra. Um esquema
apresentado na Figura 3 no caso em que K = 5.
Figura 4: Exemplo de amostra sistemtica

Para fixar os conceitos de amostragem sistemtica, vamos

fazer, juntos, um esquema de amostragem para saber a opinio
dos usurios de um banco, em relao ao tempo de atendimento.
Imagine um Banco X com uma listagem de 33.400 clientes

em uma determinada cidade. A pesquisa ser feita por telefone,
utilizando uma estrutura de call center. Desejando que seja
trabalhado com uma amostra de 300 clientes. Como seria
organizada a amostragem sistemtica?
Mdulo 4
33
Antes, voc deve dividir o nmero total de clientes, 33.400,

por 300, que o tamanho da amostra.
Como encontramos um valor com casas decimais, ento,

voc ir utilizar um K de aproximadamente 111.
Agora, do primeiro cliente da lista at o de numero 111, voc
ir sortear um nmero. Vamos considerar que sorteamos o cliente
nmero 10.
Logo, esse ser o primeiro elemento da amostra.
O prximo elemento da amostra ser dado pela soma do
primeiro sorteado (10 cliente) ao valor de K (111).
Ento, o prximo cliente sorteado ser o 121 cliente (10 + 111).
Para o sorteio do prximo cliente que ir compor a amostra,
teremos o 121 cliente mais o valor de K = 111, ou seja, o 232 cliente.
E, desse modo, voc continua at que obtenha todos os
elementos da amostra (n = 300 clientes).
Amostragem Estratificada
Quando a varivel de interesse apresenta uma
heterogeneidade na populao e essa heterogeneidade permite a
identificao de grupos homogneos, voc pode dividir a populao
em grupos (estratos) e fazer uma amostragem dentro de cada estrato,
garantindo, assim, a representatividade de cada estrato na amostra.
Podemos verificar que pesquisas eleitorais apresentam uma
grande heterogeneidade em relao inteno de votos quando
34
consideramos, por exemplo, a faixa salarial ou o nvel de

escolaridade. Ento, se fizssemos uma AAS, poderamos incluir
na amostra maior quantidade de elementos de um grupo, embora,
proporcionalmente, esse grupo seja pequeno em relao
populao. Dessa forma, no teramos uma amostra representativa
da populao a ser estudada. Portanto, podemos dividir a populao
em grupos (estratos) que so homogneos para a caracterstica que
estamos avaliando, ou seja, nesse caso a inteno de votos.
Como estamos dividindo a populao em estratos (grupos)
que so homogneos dentro de si, podemos caracterizar a
amostragem estratificada. Para efetuar mos a amostragem
estratificada de forma proporcional, precisamos, primeiramente,
definir a proporo do estrato em relao populao.
A proporo do estrato h ser igual ao nmero de

elementos presentes nesse estrato (Nh) dividido pelo
tamanho da populao (N) (Nh/N).
Aps voc obter essa proporo do estrato em relao
populao, deve multiplicar o tamanho total da amostra (n) pela
proporo de cada estrato na populao (Nh/N).
Dessa maneira, teremos um tamanho de amostra em cada
estrato proporcional ao tamanho do estrato em relao populao.
A Figura 4 mostra uma populao dividida em estratos (grupos) e
como feita a escolha dos elementos de cada estrato (A, B, C, D).
Logo, dentro de cada um dos estratos, voc pode fazer amostragem
usando AAS devido aos estratos serem homogneos individualmente,
considerando a varivel de interesse.
Mdulo 4
35
Perceba que a quantidade de elementos que iremos sortear

dentro de cada estrato proporcional ao tamanho de cada estrato
na populao, pois o desenho da amostra o mesmo da populao,
porm menor, j que voc ir pegar somente uma parte de cada
estrato para compor a amostra final.
Para voc fixar melhor os conceitos de amostragem
estratificada, vamos resolver juntos a seguinte situao: imagine
que o governo federal deseja fazer uma pesquisa de satisfao
das pessoas em relao a servios prestados por prefeituras.
Estudos anteriores mostram uma relao entre a satisfao das
pessoas e o tamanho da cidade. A populao a ser considerada
diz respeito s cidades de um determinado Estado. Essas cidades
foram divididas em trs grupos (estratos) levando em conta o
tamanho da cidade (pequena, mdia e de grande porte). Considere
que vamos trabalhar com uma amostra de tamanho n = 200
cidades e, com as informaes a seguir, faa o esquema de uma
amostragem estratificada.
ESTRATOS
TAMANHO DO ESTRATO (N DE CIDADES)
Pequeno porte
N1 = 700
Mdio porte
N2 = 100
Grande porte
N3 = 27
Calcule, antes, a proporo de cada estrato na populao,

dividindo o tamanho do estrato pelo tamanho da populao
(700+100+27 = 827).
36
PROPORO
N DE CIDADES
ESTRATOS
Pequeno porte
N1 = 700
Mdio porte
N2 = 100
Grande porte
N3 = 27
A obteno da quantidade de cidades que ser amostrada

na populao ser dada por meio da proporo de cada estrato
multiplicado pelo tamanho total da amostra (n=200), como
mostrado a seguir:
ESTRATOS
N DE CIDADES
PROPORO
N DE CIDADES AMOSTRADA
EM CADA ESTRATO
Pequeno
porte
N1 = 700
n1 = 0,8464.200 = 169,28 170
Mdio
porte
N2 = 100
n2 = 0,1209.200 = 24,18 24
Grande
porte
N3 = 27
n3 = 0,0326.200 = 6,52 6
Ento, na nossa amostra, teremos 170 cidades de porte

pequeno, 24 cidades de porte mdio e 6 cidades de grande porte.
Amostragem por Conglomerados

Apesar de a amostragem estratificada apresentar resultados
satisfatrios, a sua implementao dificultada pela falta
de informaes sobre a populao para fazer a estratificao.
Mdulo 4
37
Para poder contornar esse problema, podemos trabalhar com o

esquema de amostragem chamado amostragem por conglomerados.
Os conglomerados so definidos em razo da experincia
do gestor ou do pesquisador. Geralmente, podemos definir os
conglomerados por fatores geogrficos, como bairros e quarteires.
A utilizao da amostragem por conglomerados possibilita uma
reduo significativa do custo no processo de amostragem. Portanto,
um conglomerado um subgrupo da populao que,
individualmente, reproduz a populao. Esse tipo de amostragem
muito til quando a populao grande, por exemplo, no caso de
uma pesquisa em nvel nacional.
Voc pode estar se perguntando como: realizar uma

amostragem por conglomerados?
Apesar de a amostragem por conglomerados, nesse tipo de

amostragem, ser utilizada para uma populao grande, simples
de calcul-la. Primeiramente, definimos o conglomerado e, assim,
dividimos a populao nele. Sorteamos os conglomerados por meio
de um processo aleatrio e avaliamos todos os indivduos presentes
neles, isso chamado de amostragem por conglomerados em um
estgio. Caso faamos um sorteio de elementos dentro de cada
conglomerado, teremos uma amostragem por conglomerados em
dois estgios. Para entender melhor esse clculo, observe a Figura
5, que mostra uma amostragem por conglomerados em um nico
estgio. Cada quadrado corresponde a uma residncia. Analise.
38
Figura 5: Amostra por conglomerados

Um exemplo prtico de utilizao dessa amostra a Pesquisa

Nacional por Amostra de Domiclios (PNAD) do Instituto Brasileiro
de Geografia e Estatstica (IBGE), feita por conglomerados em trs
estgios.
Para saber mais sobre

essa pesquisa acesse
<www.ibge.com.br>.
Acesso em: 18 nov. 2010.
O clculo do tamanho amostral ser visto em conjunto com

a parte de intervalos de confiana na Unidade 5.
Mdulo 4
39
AMOSTRAGEM
NO
PROBABILSTICA
Quando trabalhamos com a amostragem no probabilstica,

no conhecemos a priori a probabilidade que um elemento da
populao tem de pertencer amostra. Nesse caso, no possvel
calcular o erro decorrente da generalizao dos resultados das
anlises estatsticas da amostra para a populao de onde a
amostra foi retirada. Ento, utilizamos geralmente a amostragem
no probabilstica, por simplicidade ou por impossibilidade de se
obter uma amostra probabilstica como seria desejvel.
Os principais tipos de amostragem no probabilstica que
temos so: amostragem sem norma, ou a esmo; intencional; e por
cotas.
Amostragem a Esmo
Imagine uma caixa com 1.000 parafusos. A enumerao
desses parafusos ficaria muito difcil e a AAS tornar-se-ia invivel.
Ento, em situaes desse tipo, supondo que a populao de
parafusos seja homognea, escolhemos a esmo a quantidade relativa
ao tamanho da amostra. Quanto mais homognea for a populao,
mais podemos supor a equivalncia com uma AAS. Dessa forma,
os parafusos sero escolhidos para compor a amostra de um
determinado tamanho sem nenhuma norma ou a esmo. Da vem o
nome desse tipo de amostragem.
40
Amostragem Intencional
A amostragem intencional corresponde quela em que o
amostrador deliberadamente escolhe certos elementos para
pertencer amostra por julgar tais elementos bem representativos
da populao.
Um exemplo desse tipo de amostragem corresponde
situao em que desejamos saber a aceitao de uma nova marca
de whisky a ser inserida no mercado de uma cidade. Somente
entraro para compor a amostra pessoas que faam uso da bebida
e que tenham condies financeiras de comprar essa nova marca
(classe social de maior poder aquisitivo).
Amostragem por Cotas

Nesse tipo de amostragem, a populao dividida em grupos
e, na sequncia, determinada uma cota proporcional ao tamanho
de cada grupo. Entretanto, dentro de cada grupo no feito sorteio,
mas sim os elementos so procurados at que a cota de cada grupo
seja cumprida.
Para termos uma ideia
Encontramos esse tipo de amostra em pesquisas eleitorais

quando a diviso de uma populao ocorre em grupos;
considerando, por exemplo, o sexo, o nvel de escolaridade, a faixa
etria e a renda, que podem servir de base para a definio dos
grupos, partindo da suposio de que essas variveis definem
grupos com comportamentos diferenciados no processo eleitoral.
Mdulo 4
do tamanho desses
grupos, podemos
recorrer a pesquisas
feitas anteriormente
pelo IBGE.
41
Juntando todos os desenhos dos vrios tipos de amostragem

que fizemos, teremos, ento, a Figura 6:
Figura 6: Tipos de amostragem

Complementando...
Lembre-se de que a construo do conhecimento um processo que
deve ser cclico e renovado a cada dia; para tanto, procure descobrir
mais acerca desse mundo estatstico seguindo esta orientao:
Programa
estatstico Bioestat. Disponvel em: <http://www.
mamiraua.org.br/download/Default.aspx?dirpath=e:\home\mamiraua\
Web\download\BioEstat 5 Portugues&tipo=diretorio>. Acesso em: 18
nov. 2010. Esse programa permite que voc realize os mtodos de
amostragem, apresentados aqui, computacionalmente.
42
Resumindo
Nesta Unidade, voc conheceu conceitos bsicos
relacionados estatstica e aprendeu a retirar amostras de
populaes. Esses conceitos sero importantes para a compreenso
de novas informaes contidas nas Unidades posteriores.
Mdulo 4
43
Atividades de aprendizagem
Depois de ter visto todos os conceitos das fases do mtodo
estatstico, a classificao de variveis e os diferentes
planos amostrais, resolva as atividades a seguir. Lembre-se
de que as respostas de todas as atividades de aprendizagem
esto no final do livro. Em caso de dvidas, voc deve
consultar seu tutor.
1. Imagine a situao de um pesquisador que deseje estudar o uso

semanal da internet por estudantes de uma escola do Ensino Fundamental. Diferentes perguntas poderiam ser feitas, leia os exemplos e classifique-os em qualitativa nominal ou ordinal e quantitativa discreta ou contnua.
a) Voc usa internet durante a semana? (sim ou no).
b) Qual a intensidade de uso da internet durante a semana? (nenhuma, pequena, mdia ou grande).
c) Quantas vezes voc usa a internet durante a semana?
d) Por quantas horas voc usa a internet durante a semana?
2. Identifique o tipo de amostragem utilizada nas situaes a seguir:
a) Uma empresa seleciona uma a cada 300 pilhas produzidas em sua linha de produo para a realizao de testes de qualidade a fim de conseguir vencer uma licitao pblica.
44
b) Um pesquisador de empresa area seleciona aleatoriamente dez voos para entrevistar todos os passageiros
desses voos.
c) Uma prefeitura testa uma nova estratgia de cobrana
selecionando aleatoriamente 250 consumidores com
renda inferior a R$ 300,00 e 250 consumidores com renda de ao menos R$ 300,00.
d) Um eleitor indeciso resolve escolher seu candidato da
seguinte forma: escreve o nome de cada um deles em
cartes separados, mistura-os e extrai um nome, no
qual ir votar.
e) Um pesquisador ficou em um ponto de checagem da
polcia (esquina), onde, a cada cinco carros que passavam, era feito um teste de bafmetro para checar a sobriedade do motorista.
f) Em uma pesquisa com 1.000 pessoas, estas foram
selecionadas usando-se um computador para gerar nmeros de telefones para os quais eram, ento, discados.
g) Uma prefeitura, para no perder uma fbrica de montagem de carros, auxiliou em uma pesquisa na qual a
empresa dividiu seus carros em cinco categorias:
subcompacto, compacto, mdio, intermedirio e grande; e est entrevistando 200 proprietrios de cada categoria para saber da satisfao deses clientes e, assim, ajudar a melhorar as vendas.
h) Motivada pelo fato de um estudante ter morrido por
excesso de bebida, uma universidade fez um estudo
sobre o hbito de beber dos estudantes e, para isso,
selecionou dez salas de aula e entrevistou os estudantes que l estavam.
Mdulo 4
45
UNIDADE 2
DISTRIBUIES DE FREQUNCIAS
E REPRESENTAO GRFICA

Descrever e apresentar os resultados de um conjunto de

observaes a partir de uma distribuio de frequncias;
Compreender os tipos de grficos existentes;
Utilizar os grficos de forma adequada; e
Interpretar os resultados apresentados em um grfico de forma

clara, objetiva e passando o mximo de informaes possveis.
48
DISTRIBUIES DE FFREQUNCIAS
Caro estudante,
Vamos dar incio a segunda Unidade de nossa disciplina e,
nela, voc encontrar conceitos relacionados distribuio
de frequncias e representao grfica que lhe permitiro
sintetizar uma grande quantidade de dados em tabelas e
em grficos representativos.
Quando coletamos informaes, sejam de populaes ou
de amostras, como vimos na Unidade anterior, geralmente
trabalhamos com uma quantidade grande de observaes.
Mas, como vamos apresentar esses resultados? Precisamos,
ento, aprender como sintetizar esses dados e coloc-los
de forma que as pessoas possam entender as informaes
obtidas.
Uma forma de fazermos isso utilizando distribuies de
frequncias e anlises grficas, as quais aprenderemos a
partir de agora, j que entraremos no mundo da estatstica,
que se preocupa com a forma de apresentao dos dados.
Vamos comear?
Quando coletamos os dados para uma pesquisa,
as observaes realizadas so chamadas de dados brutos*.
Um exemplo de dados brutos corresponde ao percentual dos
trabalhadores que contribuem com o Instituto Nacional de Seguro
Social (INSS) em 20 cidades de uma determinada regio do Brasil
no ano de 2008 (dados simulados pelo autor a partir de um caso
real). Os dados so apresentados na Tabela 1 na forma em que
foram coletados, por esse motivo so denominados dados brutos.
Geralmente, esse tipo de dado traz pouca ou nenhuma informao
ao leitor, sendo necessrio organiz-lo, com o intuito de aumentar
sua capacidade de informao.
Mdulo 4
*Dados brutos dados na

forma em que foram
coletados, sem nenhum
tratamento. Fonte: Elaborado pelo autor.
49
Tabela 1: Percentual dos trabalhadores que contribuem com o INSS em

20 cidades de uma determinada regio do Brasil no ano de 2008
45
51
50
58
50
44
46
57
42
41
60
58
41
50
54
60
52
46
52
51
Se fizermos uma ordenao desse conjunto de dados brutos

(do menor para o maior), teremos dados elaborados como mostra
a Tabela 2.
Tabela 2: Percentual ordenado dos trabalhadores que contribuem com o INSS
em 20 cidades de uma determinada regio do Brasil, no ano de 2008
41
46
51
57
41
46
51
58
42
50
52
58
44
50
52
60
45
50
54
60
*Rol dados classificados

em forma crescente ou decrescente. Fonte: Elaborado pelo autor.
*Amplitude total diferena entre o maior e o menor
valor observado. Fonte:
50
Com base nessa tabela, podemos observar que a simples

organizao dos dados em um rol*aumenta muito o nvel de
informao destes. Na Tabela 2, voc pode verificar ainda que o
menor percentual foi 41% e o maior 60%, o que nos fornece uma
amplitude total* da ordem de 19%.
Outra informao que podemos obter dos dados por meio
da Tabela 2 (organizada em rol crescente) que nas cidades
avaliadas, o valor 50, correspondente percentagem de
trabalhadores que contribuem para o INSS, ocorre com maior
frequncia, ou seja, o que mais se repete.
Com base nessa nossa discusso, reflita: como organizar os

dados de uma varivel quantitativa contnua de forma mais
eficiente, na qual se possa apresentar uma quantidade maior
de informaes?
A resposta a essa pergunta ser apresentada na prxima

seo. Fique atento e, em caso de dvidas, lembre-se de que voc
no est sozinho, basta solicitar o auxilio de seu tutor.
DISTRIBUIO DE FREQUNCIAS DE UMA VARIVEL

QUANTITATIVA CONTNUA
Uma maneira de organizar os dados de uma varivel
quantitativa contnua, de modo que voc melhor possa representla, por meio de uma tabela de distribuio de frequncias,
que corresponde a uma tabela em que so apresentadas as
frequncias de cada uma das classes.
Distribuindo os dados observados em classes* e contando o
numero de observaes contidas em cada classe, obtemos a
frequncia de classe. Sendo que a disposio tabular dos dados
agrupados em classes, juntamente com as frequncias
correspondentes, o que denominamos de distribuio de frequncia.
*Classes intervalos nos

quais os valores da varivel
analisada
so
agrupados. Fonte: Elaborado pelo autor.
Sendo assim, para identificarmos uma classe, devemos

conhecer os valores dos limites inferior e superior da classe
que delimitam o intervalo de classe.
Voc pode estar se perguntando: como se constituem esses

intervalos?
Mdulo 4
51
Vimos, no incio do curso, os tipos de intervalos na Unidade 1

da disciplina Matemtica Bsica. Vamos relembrar rapidamente
como essa classificao dos intervalos:
Intervalos abertos: os limites da classe (inferior e

superior) no pertencem a mesma.
Intervalos fechados: os limites da classe (superior e

inferior) pertencem classe em questo.
Intervalos mistos: um dos limites pertence classe

e o outro no.
Voc pode utilizar qualquer um deles. Porm, os intervalos mais
utilizados e que usaremos como padro na resoluo dos problemas,
o intervalo misto, o qual apresentado da seguinte forma:
43,5
| 48,5
(o 43,5 est includo e o 48,5 no est includo no intervalo)

Esses valores de 43,5 e 48,5 foram escolhidos aleatoriamente,
somente para demonstrar o formato do intervalo.
Para voc entender melhor, acompanhe o exemplo a seguir,
a partir dos dados da porcentagem de trabalhadores que contribuem
com o INSS. Com esses dados iremos construir uma distribuio
de frequncia e, ao longo desse exemplo, identificar, tambm, os
conceitos presentes nessa distribuio.
Para darmos incio a esse entendimento, importante, antes,
considerarmos que existem diversos critrios para a construo das
classes das distribuies de frequncias apresentados na literatura.
No nosso caso, utilizaremos os critrios apresentados a seguir.
Para elaborar uma distribuio de frequncia, necessrio,
inicialmente, determinar o nmero de classes (k) em que os dados
sero agrupados. Por questes de ordem prtica e esttica, sugerimos
utilizar de 5 a 20 classes. O nmero de classes (k) a ser utilizado,
pode ser calculado em funo do nmero de observaes (n),
conforme mostrado para voc a seguir:
52
k = n, para n 100
k = 5 log n, para n> 100
Considerando que nessa pesquisa n = 20 consumidores;
temos, ento, o nmero de classes definido por k = n = 20 = 4,47;
e, como o nmero de classes inteiro, usaremos 5 classes.
O arredondamento utilizado nesse material o padro de algarismos
significativos (como foi aprendido no segundo grau). O nmero de
classes pode tambm ser definido de uma forma arbitrria, sem o
uso dessa regra.
Aps determinarmos o nmero de classes (k) em que os
dados sero agrupados, determinamos a amplitude do intervalo
de classe (c). E, para calcularmos a amplitude do intervalo de
classe, vamos, primeiramente, calcular a amplitude total dos
dados (A), que corresponde diferena entre o maior valor
observado e o menor valor observado.
No nosso caso (usando dados da Tabela 2), teremos
A = 60 41 =19%.
Com base nesse valor da amplitude total (A) calculado, iremos
obter a amplitude do intervalo de classe (c), como mostrado a seguir:
Onde:
c = amplitude de classe;
A= amplitude total; e
k = nmero de classes.
Substituindo os valores j encontrados nessa expresso e
considerando o caso do exemplo que estamos resolvendo, teremos:
Mas ateno: existem outros procedimentos paraa

determinao da amplitude do intervalo de classe que podem ser
encontrados na literatura.
Mdulo 4
53
Conhecida a amplitude de classes, voc deve determinar os

intervalos de classe. O limite inferior e superior das classes deve ser
escolhido de modo que o menor valor observado esteja localizado
no ponto mdio (PM) da primeira classe. O ponto mdio da classe
corresponde soma dos limites inferior e superior dividido por dois.
Partindo desse raciocnio, o limite inferior da primeira classe ser:
No nosso caso, substituindo os valores que voc encontrou

anteriormente, teremos:
Definindo, ento, o limite inferior da primeira classe basta,

para voc obter as classes da nossa distribuio, somar a amplitude
do intervalo de classe (c = 5) a cada limite inferior.
Assim, voc ter:
|
43,5 |
48,5 |
53,5 |
58,5 |
38,5
43,5 primeira classe

48,5 segunda classe
53,5 terceira classe
58,5 quarta classe
63,5 quinta classe
Com base nesse clculo, voc pode obter uma organizao

dos dados conforme mostra a Tabela 3, a seguir:
Tabela 3: Distribuio de frequncias do percentual dos trabalhadores
que contribuem com o INSS em 20 cidades de uma determinada
regio do Brasil no ano de 2008
CLASSES (%)
|
43,5|48,5
48,5|53,5
53,5|58,5
58,5|63,5
38,5 43,5
?
?
?
?
?
Total
54
FREQUNCIA
Na Tabela 3 aparece uma nova denominao chamada

frequncia, em que abaixo dela h uma coluna repleta de
interrogaes (?). Vamos aprender a calcular valores no lugar dessas
interrogaes. Podemos obter frequncias chamadas de frequncia
absoluta (fa), frequncia relativa (fr) e frequncia acumulada.
A frequncia absoluta (fa) corresponde ao nmero

de observaes que temos em uma determinada classe
ou em um determinado atributo de uma varivel
qualitativa. A frequncia relativa (fr) corresponde
proporo do nmero de observaes em uma
determinada classe em relao ao total de
observaes que temos. Essa frequncia pode ser
expressa em termos porcentuais. Para isso, basta
multiplicar a frequncia relativa obtida por 100.
O clculo da frequncia relativa obtido por meio da seguinte

expresso:
Sendo:
fai= frequncia absoluta da classe i.
: somatrio das frequncias absolutas para i
variando de 1 at n classes, ou seja, somar as
frequncias
de
cada
uma
das
classes
(fa1+fa 2+fa3+......+fan).
Apresentando os dados na forma de distribuio de frequncia,
voc consegue sintetizar as informaes contidas neles, alm de facilitar
sua visualizao. Considerando essa discusso, elaboramos a Tabela
4, que traz as frequncias (fa e fr) relacionadas varivel analisada.
Mdulo 4
55
Tabela 4: Distribuio de frequncias do percentual dos trabalhadores

que contribuem com o INSS em 20 cidades de uma determinada
regio do Brasil, no ano de 2008
CLASSES (%)
|
43,5|48,5
48,5| 53,5
53,5|58,5
58,5|63,5
38,5 43,5
Total
FA ( CIDADES)
FR (PROPORO DE CIDADES )
0,15
0,20
0,35
0,20
0,10
20
1,00
Para calcularmos a primeira proporo de 0,15, precisamos

dividir a frequncia da primeira classe (3) pelo total de observaes
(20). De forma similar, calculada as propores das outras classes.
Ento, como ficaria a interpretao da distribuio de

frequncias?
Se considerarmos ainda a Tabela 4, podemos dizer que a

porcentagem de trabalhadores que contribuem com o INSS entre
43,5% e 58,5%, dos 20 municpios avaliados em questo, est
concentrada nas classes segunda, terceira e quarta, decrescendo
em direo s classes do incio e fim da tabela. A apresentao dos
dados em forma de distribuio de frequncia facilita o clculo
manual de vrias medidas estatsticas de interesse e facilita,
tambm, a apresentao grfica dos dados.
Alm das frequncias absolutas e relativas, muitas vezes
podemos estar interessados na quantidade de observaes que existe
acima ou abaixo de um determinado ponto na distribuio.
Dessa forma, voc poder trabalhar com a frequncia
acumulada, como sugere a Tabela 5, que apresenta as frequncias
56
acumuladas da percentagem de trabalhadores que contribuem com

o INSS nas 20 cidades avaliadas.
A frequncia acumulada corresponde soma da

frequncia de uma classe s frequncias de todas as
classes abaixo dela.
A frequncia acumulada apresentada na Tabela 5 pode ser

obtida da seguinte forma: abaixo do limite superior da primeira
classe (43,5), temos trs pessoas presentes nela, como vimos na
Tabela 3 da distribuio de frequncias absoluta. Quando
consideramos a segunda classe (43,5 | 48,5), a frequncia
acumulada corresponde ao nmero de pessoas que temos abaixo
do limite superior dessa classe (48,5), ou seja, as quatro cidades
da segunda classe mais as trs cidades da primeira classe,
totalizando sete cidades abaixo de 48,5%. Para as outras classes, o
raciocnio semelhante.
Tabela 5: Distribuio de frequncia acumulada dos trabalhadores que
contribuem com o INSS em 20 cidades de uma determinada
regio do Brasil no ano de 2008
CLASSES (%)
|
43,5|48,5
48,5| 53,5
53,5|58,5
58,5|63,5
38,5 43,5
FREQ. ACUMULADA
FREQ. ACUMULADA (RELATIVA)
0,15
0,35
14
0,70
18
0,90
20
1,00
Total
Os valores das
J o valor da frequncia acumulada relativa da segunda

classe (0,35) dado pela soma da frequncia relativa da primeira
classe (0,15) e da frequncia relativa da segunda classe (0,20), dando
um valor acumulado para a segunda classe de 0,35.
Mdulo 4
frequncias que voc
usou para somar esto
na Tabela 3, em caso de
dvida, retorne tabela.
57
DISTRIBUIO DE FREQUNCIAS
DE UMA VARIVEL QUALITATIVA
Quando voc trabalha com variveis qualitativas, os
atributos so as variaes nominativas da varivel. A construo
da tabela consiste em contar as ocorrncias dos nveis de cada
atributo. O resultado da contagem define a frequncia absoluta do
atributo. Para podermos entender isso, tomemos como exemplo uma
pesquisa na qual se procurou avaliar as frequncias de cada gnero
(homem ou mulher) de uma determinada cidade, que considera os
servios prestados pela prefeitura como satisfatrios, em uma amostra
de 50 pessoas. Esses resultados so apresentados na Tabela 6.
Tabela 6: Distribuio de frequncias do gnero de pessoas que consideram os
servios prestados pela prefeitura como satisfatrios
GNERO
FA
FR
Masculino
20
0,40
Feminino
30
0,60
Total
50
1,00
DISTRIBUIO DE FREQUNCIAS DE UMA VARIVEL

QUANTITATIVA DISCRETA
Vimos esse conceito na

Unidade 1. Em caso de
dvida, retorne e faa
uma releitura atenciosa.
58
Tomando-se como exemplo o caso de uma varivel aleatria

discreta (v.a), realizou-se uma pesquisa durante 30 dias em um
determinado ms com relao ao nmero de reclamaes (N.R.)
no setor de tributos de uma prefeitura considerada como modelo
de gesto em tributos. Os resultados encontrados voc pode
acompanhar na Tabela 7, a seguir:
Tabela 7: Dados referentes ao nmero de reclamaes (NR) por dia no setor de

tributos de uma prefeitura ao longo de 30 dias
DIA
N.R.
DIA
N.R.
DIA
N.R.
DIA
N.R.
DIA
N.R.
13
19
25
14
20
26
15
21
27
10
16
22
28
11
17
23
29
12
18
24
30
Dispondo esses dados em um rol (crescente) temos:

000000000111112222222333334455
Podemos apresentar, a seguir, esses dados em uma
distribuio de frequncias. Nesse caso, no necessrio definir
intervalos de classes porque a variao dos valores pequena (varia
de 0 a 5) e a varivel discreta.
Quando a varivel discreta, mas voc tem uma quantidade
muito grande de valores que ocorrem na amostra, ento, voc ir
trabalhar com uma distribuio de frequncias em classes.
Na Tabela 8, voc pode visualizar a distribuio de frequncias do
nmero de reclamaes. Os clculos das frequncias absoluta e
relativa so obtidos de forma semelhantes ao que foi visto
anteriormente.
Tabela 8: Nmero de reclamaes ocorridas diariamente durante certo ms
NMERO DE RECLAMAES POR DIA
NMERO DE DIAS (FA)
FREQ. RELATIVA
0.3
0.17
0.23
0.17
0.07
0.07
Total
30
Mdulo 4
59
Observe que esses valores da varivel discreta correspondem

a cada uma das classes.
Voc pode estar se perguntando: as tabelas de distribuio de

frequncias so a nica forma que voc tem de apresentar um
conjunto de dados?
Para descobrir a resposta a sua curiosidade, continue lendo

o livro que a responderemos na seo seguinte.
60
Para voc construir

grficos e distribuies
de frequncia, baixe o
programa estatstico
REPRESENTAO GRFICA
Bioestat que, alm de

ser gratuito, traz um livro
na opo ajuda. Para
isso, visite o site: <http://
www.mamiraua.org.br/
download/Default.aspx?
v
v
Na tentativa de responder ao seu questionamento anterior,

vamos falar um pouco sobre algumas formas de representao
grfica de tabelas de frequncia. Logicamente, dependendo do tipo
de varivel, temos um grfico mais adequado. Os diferentes tipos
de grficos (histogramas, polgonos de frequncia, ogivas, grficos
de setores, pictogramas e outros) permitem melhor visualizao de
resultados. Esses grficos podem ser obtidos utilizando planilhas
eletrnicas, como o Excel ou a planilha CALC do OpenOffice.
Os histogramas so grficos constitudos de um

conjunto de retngulos com as bases assentadas sobre
um eixo horizontal, tendo o centro delas no ponto
mdio da classe que as representa e cuja altura
proporcional frequncia da classe. Esses grficos
so utilizados para representar tabelas intervalares.
dirpath=e:\home\mamiraua\
Web\download\BioEstat
5 Portugues&tipo=
diretorio>. Acesso em: 19

nov. 2010.
Para saber como utilizar
a planilha calc do pacote

OpenOffice nas
distribuies de
frequncias e de
grficos, acesse o site:

<http://www2.ufpa.br/
dicas/open/oo-ind.htm>.
Na Figura 7, temos o histograma da porcentagem de

trabalhadores que contribuem com o INSS em cada uma das 20
cidades analisadas. Os dados utilizados, nesse grfico, foram os
da distribuio de frequncias apresentados na Tabela 5, que indica
o percentual de trabalhadores que contribuem com o INSS em 20
cidades de uma determinada regio do Brasil em 2008.
Mdulo 4
61
Figura 7: Histograma representativo da distribuio de frequncias do

percentual dos trabalhadores que contriburam com o INSS em 2008
Quanto ao polgono de frequncia, voc pode obt-lo pela

simples unio dos pontos mdios dos topos dos retngulos de um
histograma. Para completar o polgono necessrio unir as
extremidades da linha, que une os pontos representativos das
frequncias de classe, aos pontos mdios das classes imediatamente
anteriores e posteriores s classes extremas, que tm frequncia nula.
A Figura 8 mostra o polgono de frequncias do percentual
dos trabalhadores que contriburam com o INSS em 20 cidades de
uma determinada regio do Brasil em 2008.
62
Figura 8: Polgono de frequncias do percentual dos trabalhadores que

contriburam com o INSS em 2008
Quando voc tem uma tabela que trabalhada com uma

varivel qualitativa, o tipo de grfico adequado para apresentar os
resultados corresponde ao grfico de setores, tambm popularmente
conhecido como grfico tipo pizza, como demonstra a Figura 9.
Sua construo simples: sabemos que o angulo de 360 equivale
a 100% da rea da circunferncia; assim, para obtermos o ngulo
do setor cuja rea representa uma determinada frequncia, basta
resolvermos uma regra de trs simples, como a apresentada a seguir:
360 ____________ 100%
x ____________ Frequncia relativa (percentual)
Figura 9: Grfico do gnero de pessoas que consideram os servios

da prefeitura satisfatrios
Com respeito aos grficos chamados de ogivas, estes

correspondem a um polgono de frequncias acumuladas, no qual
as frequncias acumuladas so localizadas sobre perpendiculares
Mdulo 4
63
levantadas nos limites superiores das classes, sendo os pontos

unidos para formar o polgono que representa as frequncias
acumuladas. Observe o modelo apresentado na Figura 10.
Figura 10: Ogiva abaixo de do percentual dos trabalhadores que contribuem

com o INSS em 20 cidades de uma determinada regio do Brasil em 2008
Aps o estudo da construo de distribuies de

frequncias e grficos, voc deve ser capaz de organizar um
conjunto de dados, por meio de uma distribuio de frequncias
(absoluta, relativa, e acumuladas), e represent-lo graficamente.
Para tanto, propomos a voc um exemplo comentado para melhor
fixar os conhecimentos adquiridos.
Para voc fazer clculos

de distribuies de
frequncias e grficos,
utilize a planilha Calc do

pacote OpenOffice
disponvel no site: <http:/

/www2.ufpa.br/dicas/
open/oo-ind.htm>.
Acesso em: 10 mar. 2011.
Exemplo
Uma amostra de valores de IPTU de uma determinada regio

da cidade de Arapongas, no ano passado, revelou valores iguais a:
{68,98; 72,92; 89,19; 98,57; 123,34; 134,80; 141,34; 153,59;
158,59; 165,92; 169,21; 175,76; 177,79; 178,07; 180,38; 181,99;
185,95; 188,83; 194,88; 208,09; 214,66; 251,94; 265,70; 271,90;
276,59; 280,56; 303,99; 318,33}. Com base nos dados fornecidos,
vamos construir a tabela de distribuio de frequncia.
Bem, para construirmos uma tabela de frequncia, primeiro
precisamos encontrar: o nmero de classes, a amplitude total, a
amplitude de classe e o limite inferior da primeira classe.
64
O nmero de classes dado por: k= n , pois o tamanho

da amostra menor ou igual a 100. Como n = 28, temos:
k= 28 6
Nesse caso, aproximamos para seis classes e no para cinco,
pois com cinco teremos valores superiores que podem ficar sem classe.
Amplitude total (A) a diferena entre o maior valor
observado e o menor valor observado. Substituindo os valores,
encontraremos:
A = 318,33 68,98 = 249,35
Sendo assim, a amplitude de classe ser:
e, substituindo os valores correspondentes, teremos:
Logo, o limite inferior da primeira classe dado por:
(esse o primeiro valor a ser colocado

na tabela).
Agora, a partir desse limite inferior, podemos construir a
tabela de distribuio de frequncia. Para preencher a coluna
classes, comeamos com o limite inferior da primeira classe,
lembrando que para encontrar o limite superior das classes basta
somar a amplitude de classe (c) ao limite inferior. Agora com
voc. Termine de calcular os limites de cada uma das classes.
44.04 + 49,87 = 93,91
93,91 + 49,87 = 143,78
293,39 + 49,87 = 343,26
Mdulo 4
65
Aps esse clculo, vamos encontrar os valores da coluna

frequncia absoluta (Fa) e, para tanto, temos que contar quantos
elementos da amostra pertencem a cada classe que acabamos de
construir, vamos l:
P r i m e i r a c l a s s e: 44,04 (inclusive) a 93,91

(exclusive), ento, do conjunto de dados, os valores
que pertencem a esse intervalo so: 68,98; 72,92;
89,19; ou seja, trs valores.
S e g u n d a c l a s s e : 93,91 (inclusive) a 143,78

(exclusive), ento, do conjunto de dados, os valores
que pertencem a esse intervalo so: 98,57; 123,34;
134,80; 141,34; ou seja, quatro valores.
E, assim, procedemos at encontrarmos as frequncias das
seis classes. Feita essa operao, hora de calcularmos a coluna
da frequncia relativa da classe i (Fri), onde temos:
Voc deve proceder da mesma forma at a ltima classe e,

aps todos os clculos, deve terminar de completar os valores para
a montagem final da distribuio de frequncias. Lembre-se de que
o preenchimento da coluna frequncia acumulada (Fac) corresponde
soma da frequncia daquela classe s frequncias de todas as
classes anteriores a ela. Observe a Tabela 9.
66
Tabela 9: Distribuio de frequncias de valores de IPTU de uma determinada

regio da cidade de Arapongas
FA
FRI
FAC
93,91
0,11
143,78
0,14
193,65
243,52
293,39
343,26
28
1,0
CLASSES
|
93,91 |
143,78 |
193,65 |
243,52 |
293,39 |
44,04
Total
Exemplo
Imagine que a rea de superviso de atendimento de controle
de uma prefeitura verificou a quantidade de materiais que foram
rejeitados em quilograma (kg) da fbrica Manda Brasa S.A., que
havia vencido uma licitao conforme os resultados apresentados
na Tabela 10.
Tabela 10: Frequncia dos materiais rejeitados pela fbrica Manda Brasa S.A.
REJEITOS (EM KG)

2
8
14
20
26
32
|
|
|
|
|
|
FI
14
20
18
26
15
32
38
Total
50
Com base nos dados, vamos construir o histograma para as

frequncias apresentadas. Para tanto, basta colocar no eixo x os intervalos
de classe e no eixo y as frequncias, como mostra a Figura 11.
Mdulo 4
67
Figura 11: Histograma da frequncia de materiais rejeitados

na fbrica Manda Brasa S.A.
68
Resumindo
Nesta Unidade, voc aprendeu a representar um conjunto de observaes e resumi-lo em tabelas e grficos. Esses conceitos sero importantes na compreenso e no entendimento de um conjunto de dados.
Mdulo 4
69
Agora que voc j viu os conceitos relacionados a
distribuies de frequncias e a representao grfica de
um conjunto de observaes, faa a atividade proposta a
seguir. Em caso de dvida, lembre-se de que voc tem um
tutor pronto a lhe auxiliar.
1. Dado o tempo, em minutos, de reunies em um setor de uma

prefeitura, conforme mostra a tabela, responda as questes a
seguir:
60
55
42
57
40
28
44
28
40
30
55
35
25
55
40
38
50
55
40
60
a) Construa a distribuio de frequncias absoluta, relativa e acumuladas.

b) Faa o histograma e o polgono de frequncia da distribuio.
70
UNIDADE 3
MEDIDAS DE POSIO E DISPERSO

Calcular e interpretar as medidas de posio mdia, moda,

mediana;
Entender como as medidas de posio influenciam na forma da

distribuio dos dados;
Calcular e interpretar as medidas de disperso amplitude total,

varincia, desvio padro e coeficiente de variao;
Entender as propriedades da mdia e o desvio padro; e
Calcular e interpretar resultados de medidas separatrizes.
Mdulo 4
71
72
MEDIDAS DE POSIO
Caro estudante,
A partir de agora, iremos conhecer uma nova forma de
caracterizar um conjunto de observaes. Para isso, voc
ir aprender novos conceitos de medidas de posio e de
disperso.
Para o entendimento dessas medidas de posio e de
disperso, sero utilizadas as duas situaes apresentadas
a seguir. Sempre que mencionarmos as situaes, voc deve
vir at esta pgina para entender como esto sendo
realizados os clculos.
Preparado para mais esse desafio?
Ento, vamos l!
Vamos iniciar nossa discusso pelas duas situaes que

utilizaremos como base.
Para facilitar um projeto de aplicao da rede de esgoto

de certa regio de uma cidade, os engenheiros da
Prefeitura Municipal tomaram uma amostra de 52 ruas,
(tamanho total da amostra ou a soma de todas as
frequncias absolutas) contando o nmero de casas
por rua. Os dados referentes a uma pesquisa de
mercado foram agrupados como segue na Tabela 11:
Mdulo 4
73
Tabela 11: Distribuio de frequncias do nmero de casas por rua de certa

regio de uma cidade
NMERO DE CASAS POR RUA
FREQUNCIA ABSOLUTA
11
12
16
12 16
16 20
5
Taxa de efetivao da cobrana de um determinado tributo

que se apresentava atrasado em uma prefeitura aps uma
campanha realizada para que ele fosse saldado. Esses
resultados so dirios, conforme mostra a Tabela 12.
Tabela 12: Taxa de efetivao da cobrana
Para voc fazer clculos
de medidas de posio e
de disperso, utilize o
programa estatstico
44
46
51
54
54
55
56
56
56
58
59
60
61
61
61
62
63
63
importante destacarmos ainda que as medidas de posio

ou de tendncia central constituem uma forma mais sinttica de
apresentar os resultados contidos nos dados observados, pois
representam um valor central, em torno do qual os dados se
concentram. As medidas de tendncia central mais empregadas so
a mdia, a mediana e a moda. A seguir, veremos cada uma delas.
Bioestat 5.0 e, tambm,

planilhas eletrnicas
visitando o site: <http://
www.juliobattisti.com.br/
tutoriais/celsonunes/
openoffice007.asp>.
MDIA
Das trs medidas de posio mencionadas, a mdia

aritmtica a mais usada por ser a mais comum e compreensvel
delas e pela relativa simplicidade do seu clculo, alm de prestar-se
bem ao tratamento algbrico.
74
importante termos claro que a mdia aritmtica ou

simplesmente mdia de um conjunto de n observaes, x1, x2, ...,
xn, definida por:
Onde o somatrio () corresponde soma de todos os valores

obtidos. Por exemplo, considerando o caso da taxa de efetivao
(%) da cobrana de um determinado tributo que est atrasado em
uma prefeitura (ver Tabela 12), se voc somar todos os valores do
nmero das taxas e dividi-los pelo total de dias avaliados, voc ter,
ento, a mdia aritmtica (x), a taxa de efetivaes de cobrana
por dia. Logo, o valor obtido ser: x = 56,67%.
Como podemos, ento, fazer a interpretao da mdia?
Podemos interpretar o resultado da mdia como sendo o

nmero de efetivaes dirias que de 56,67%, podendo ocorrer
taxas maiores, menores ou at iguais ao valor mdio encontrado.
Portanto, de uma forma mais geral, podemos interpretar a
mdia como sendo um valor tpico do conjunto de dados que pode
assumir um valor que no pertence ao conjunto de dados, pois como
nos dados utilizados para clculo (exemplo anterior) no existe um
taxa de efetivao diria de 56,67%.
Todavia, se os dados estiverem agrupados na forma de uma
distribuio de frequncia em classes, lana-se mo da Hiptese
Tabular Bsica* para o clculo da mdia.
Ento, voc ir calcular a mdia por meio da seguinte
expresso:
*Hiptese Tabular Bsica

todas as observaes
contidas em uma classe
so consideradas iguais
ao ponto mdio da classe. Fonte: Elaborado
pelo autor.
Mdulo 4
75
Onde:
xi o ponto mdio da classe i;
fai representa frequncia absoluta da classe i; e
fr i a frequncia relativa da classe i.
Considerando a situao do nmero de casas na rua
(Tabela 11), a mdia ser dada por:
O valor de 1, apresentado na expresso, corresponde ao

ponto mdio da primeira classe, que foi obtido pela soma dos limites
superior e inferior (0 + 2) divididos por dois, ou seja, a mdia
aritmtica. Os pontos mdios das outras classes so obtidos de
forma similar.
Antes de darmos continuidade, muito importante voc saber
que, em relao notao matemtica, quando calculamos a mdia
a partir dos dados de uma populao, devemos utilizar a letra
para designar a mdia populacional e para mdia amostral a
notao a ser utilizada . Na grande maioria dos casos, iremos
trabalhar com amostras. A forma de clculo a mesma nas duas
situaes, mas as notaes so diferentes, ou seja:
Mdia populacional
Mdia amostral
As mdias so comumente utilizadas e apresentam
propriedades especficas. As principais propriedades so:
A soma dos desvios* de um conjunto de dados em

*Desvios diferenas
entre cada valor e um
valor padro, que pode
ser a mdia. Fonte: Elaborado pelo autor.
76
relao a sua mdia nula, ou seja, igual a zero. Para

entender essa propriedade, tomemos como exemplo a
quantidade consumida de arroz do tipo A em um
refeitrio de uma prefeitura: 10, 14, 13, 15, 16, 18,
12 quilos, no qual o consumo mdio dirio encontrado

foi de 14 quilogramas (Kg).
A soma desvios ser:
(10 14) + (14 14) + (13 14) + (15 14) + (16 14) +
(18 14) + (12 14) = 0
A soma ou a subtrao de uma constante (c) a todos

os valores de uma varivel, a mdia do conjunto fica
aumentada ou diminuda dessa constante. Assim,
voltando ao caso do consumo de arroz, apresentado
no tpico anterior, se somarmos 2 a cada um dos
valores, teremos:
Y = (12 + 16 + 15 + 17 + 18 + 20 + 14) / 7 = 16 kg ou
Y = 14 + 2 = 16 kg
Na multiplicao ou na diviso de todos os valores de

uma varivel por uma constante (c), a mdia do conjunto
fica multiplicada ou dividida por essa constante.
Novamente pensando no caso do consumo de arroz, se
multiplicarmos 3 a cada um dos valores, teremos:
Y = (30 + 42 + 39 + 45 + 48 + 54 + 36) / 7 = 42 kg ou
Y = 14 . 3 = 42 kg
Existem outros tipos de mdias que podemos utilizar, por
exemplo, mdia ponderada (utilizada quando existe algum fator de
ponderao); media geomtrica (quando os dados apresentam uma
distribuio que no simtrica); entre outras.
s vezes, podemos, ainda, associar s observaes X1, X 2,
..., Xn determinadas ponderaes, ou pesos, W1, W 2, ..., Wn que
dependem da importncia atribuda a cada uma das observaes,
nesse caso, a mdia ponderada ser dada por:
Mdulo 4
77
Para entender melhor, imagine um processo de avaliao de

funcionrios pblicos que foi divido em trs etapas. Nessa avaliao,
suponha que um dos colaboradores apresentou as seguintes notas
durante a avaliao: 1 etapa = 90; 2 etapa = 70; 3 etapa = 85;
e os pesos de cada etapa so: 1, 1 e 3, respectivamente. Qual o
escore mdio final do funcionrio pblico?
Este tipo de mdia voc

ir utilizar na disciplina
Matemtica Financeira
que trabalharemos no
Outro tipo de mdia corresponde geomtrica (Mg),

calculada pela raiz n-sima do produto de um conjunto de n
observaes, X1, X 2, ... , X n, associadas s frequncias absolutas
f 1 ,f 2 ,..., f n (nmero de vezes que aquele valor acontece) e
respectivamente dada por:
prximo mdulo.
Sendo assim, considerando o caso da taxa de efetivao

para pagamento do tributo atrasado (exemplo apresentado
anteriormente), teremos:
MODA
Em algumas situaes, voc ver que necessria a
informao do nmero de observaes que mais ocorre em um
conjunto de dados. No caso da taxa de efetivao da cobrana,
verificamos que a taxa que mais ocorre 56 e 61. Assim, podemos
definir a moda (Mo) como sendo o valor em um conjunto
78
de dados que ocorre com maior frequncia. Um conjunto de

dados pode ser em relao moda:
unimodal possui apenas uma moda;

amodal no possuir moda, pois no existe nenhum
valor que ocorre com maior frequncia; e
multimodal possui mais de uma moda.

Na situao comentada anteriormente, a distribuio
multimodal ou bimodal, pois apresenta duas modas, ou seja, dois
valores com maior frequncia, 56 e 61.
Quando os dados no esto em intervalos de classes, basta
olhar o valor que ocorre com maior frequncia.
Para dados agrupados em intervalos de classes, voc pode
calcular a moda por meio do mtodo de Czuber, que se baseia na
influncia das classes adjacente na moda deslocando-se no sentido
da classe de maior frequncia. A expresso que voc utilizar :
Onde:
Li : limite inferior da classe modal;
d1 : diferena entre a frequncia da classe modal e a
imediatamente anterior;
d2 : diferena entre a frequncia da classe modal e a
imediatamente posterior; e
c : amplitude da classe modal.
No caso em que, para facilitar um projeto de aplicao da
rede de esgoto de certa regio de uma cidade, os engenheiros da
Prefeitura Municipal tomaram uma amostra de 52 ruas, contando
o nmero de casas (Tabela 11), teremos que a classe modal a
quarta, pois apresenta maior frequncia (valor igual a 16).
Utilizando a expresso mostrada anteriormente, teremos:
Mdulo 4
79
Uma caracterstica importante da moda que ela no

afetada pelos valores extremos da distribuio, desde que esses
valores no constituam a classe modal.
Dessa forma, a moda deve ser utilizada quando desejamos
obter uma medida rpida e aproximada de posio ou quando a
medida deva ser o valor mais frequente da distribuio.
MEDIANA
Outra medida de posio que voc pode utilizar a
mediana (Md), que consiste em um conjunto de valores dispostos
segundo uma ordem (crescente ou decrescente). A mediana o
valor situado de tal forma no conjunto ordenado que o separa em
dois subconjuntos de mesmo nmero de elementos, ou seja, 50%
dos dados so superiores mediana e 50% so inferiores.
O smbolo da mediana dado por Md ou , e a sua posio
dada por meio do da expresso:
E (elemento central) = (n+1) / 2
Considerando um conjunto de dados com nmero mpar de
elementos (1, 2, 5, 9, 10, 12, 13), a posio da mediana ser dada
por (7 + 1)/2 = 4 posio. Portanto, a partir dos dados ordenados,
o nmero que se encontra na 4 posio o 9 e, assim, a mediana
ser igual a 9 (temos trs valores abaixo e trs valores acima, ou
50% acima da mediana e 50% abaixo).
E, caso o nmero de elementos do conjunto de dados seja par,
por exemplo, (1, 2, 6, 8, 9, 12, 11, 13) a posio da mediana ser:
E = ( 8 + 1)/2 = 4,5 posio
80
Como a posio 4,5 est entre a 4 e a 5 posio, calculamos

a mdia entre os valores que ocupam essas posies.
O valor encontrado de 8,5, (vem de (8 + 9) / 2), corresponde
mediana.
Quando os dados esto agrupados na mediana, devemos
encontrar a classe mediana. Se os dados esto agrupados em
intervalos de classe, como no caso do nmero de casa por rua,
utilizaremos a seguinte expresso:
Onde:
li : limite inferior da classe mediana;
n : nmero total de elementos;
fantac : frequncia acumulada anterior classe mediana;
fmed : frequncia absoluta da classe mediana; e
c: amplitude da classe mediana.
Portanto, resolvendo o caso em que, para facilitar um projeto
de aplicao da rede de esgoto de certa regio de uma cidade, os
engenheiros da Prefeitura Municipal tomaram uma amostra de 52
ruas, contando o nmero de casas por rua; voc ver que a posio
da mediana ser dada por:
(8
E = (52+1)/2 = 26,5 elemento, o qual est na quarta classe

12), que corresponde classe mediana.
Em um conjunto de dados, a mediana, a moda e a mdia

no necessariamente devem apresentar o mesmo valor. Uma
informao importante que a mediana no influenciada pelos
valores extremos. Comparando os resultados encontrados para uma
amostra em relao s medidas de posio estudadas e verificando
a inter-relao entre elas, voc pode concluir que seus valores podem
Mdulo 4
81
nos dar um indicativo da natureza da distribuio dos dados, em

funo das regras definidas pela Figura 12:
> Md > Mo ento

a distribuio
assimtrica a
direita (positiva),
ou seja, dados
esto mais concentrados direita
> Md > Mo ento

a distribuio
simtrica
< Md < Mo ento

a distribuio
assimtrica a esquerda (negativa),
ou seja, dados
esto mais concentrados direita
Figura 12: Natureza de distribuio de dados

SEPARATRIZES
A principal caracterstica das medidas separatrizes consiste

na separao da srie de dados ordenados em partes iguais que
apresentam o mesmo nmero de valores. As principais so os
quartis, os decis e os percentis.
Os quartis so valores que dividem um conjunto de dados
ordenados em quatro partes iguais. So necessrios, portanto, trs
quartis (Q1, Q2 e Q3) para dividir um conjunto de dados ordenados
em quatro partes iguais.
Q1 :deixa 25% dos elementos abaixo dele.
Q2 :deixa 50% dos elementos abaixo dele e coincide com a
mediana.
Q3 :deixa 75% dos elementos abaixo dele.
A Figura 13 mostra bem a diviso dos quartis, observe.
82
Figura 13: Representao dos quartis

Se considerarmos a situao da taxa de efetivao da

cobrana de um determinado tributo, que estava atrasado em uma
prefeitura, aps uma campanha realizada para que ele fosse saldado,
teremos, de forma semelhante Figura 13, a Figura 14:
Figura 14: Quartis da taxa de efetivao da cobrana de um determinado

tributo
Sendo assim, temos o clculo da posio do elemento quartil

dado por:
EQi = in/4 (i = 1, 2, 3)
A regra para obteno dos valores dos quartis, a partir da
posio encontrada, ser dada por:
quando n impar, o arredondamento deve ser para

cima da posio encontrada; e
quando n par, devemos fazer a mdia do valor

encontrado e do subsequente.
Para melhor entendimento, elaboramos um exemplo para
realizarmos juntos. Para tanto, considere a seguinte sequncia de
nmeros para clculo dos quartis: (5, 2, 6, 9, 10, 13, 15).
Agora, precisamos ordenar o conjunto de dados e, ento,
temos: (2, 5, 6, 9, 10, 13, 15).
Mdulo 4
83
Sendo assim, obtemos a posio e, olhando no conjunto

ordenado de dados, encontramos os valores dos quartis, conforme
voc pode observar a seguir.
EQ1 = 1.7/4 = 1,75 2 posio Q1 = 5
EQ2 = 2.7/4 = 3,5 4 posio Q2 = 9
EQ3 = 3.7/4 = 5,25 6 posio Q3 = 13
Agora, vamos a outro exemplo, para tanto, considere um
conjunto de dados com uma quantidade par de observaes, a saber:
(1, 1, 2, 3, 5, 5, 6, 7, 9, 9, 10, 13) j ordenados. Ento, temos:
EQ1 = 1.12/4 = 3 posio Q1 = (2 + 3) / 2 = 2,5
EQ2 = 2.12/4 = 6 posio Q2 = (5 + 6) / 2 = 5,5
EQ3 = 3.12/4 = 9 posio Q3 = (9 + 9) / 2 = 9
Os decis so valores que dividem um conjunto de dados
ordenados em dez partes iguais.
O clculo de cada decil ser obtido de forma semelhante
aos quartis, sendo diferente apenas a expresso de sua obteno,
que ser dada por:
Posio do elemento decil EDi = in/10
(i = 1, 2, ... , 9)
Os percentis so valores que dividem um conjunto de dados

ordenados em 100 partes iguais.
A posio de cada percentil ser dada pela expresso a
seguir que semelhante aos quartis e aos decis:
Posio do elemento percentil EPi = in/100 (i = 1, 2, ... , 99)
Essas medidas separatrizes so importantes quando
queremos dividir um conjunto de dados em parte iguais; por
exemplo, em quatro partes; e, assim, voc ter os quartis. Essa
separao permite uma formao de grupos que podem apresentar
um mesmo padro, quando, ento, poderemos identificar perfis
importantes para serem utilizados em diversas reas da
Administrao.
84
MEDIDAS DE DISPERSO
Como vimos anteriormente, possvel sintetizar um conjunto
de observaes em alguns valores representativos, como mdia,
mediana, moda e separatrizes. Em vrias situaes, necessrio
visualizar como os dados esto dispersos.
Tomando como exemplo algumas funes da rea de

Administrao Pblica que apresentem salrios mdios iguais,
podemos concluir que sua contribuio social (% do salrio)
ser a mesma?
A resposta sim somente com base no salrio mdio; mas

estaramos chegando a uma concluso errada, pois a variao em
termos de faixas salariais pode ser diferente, apesar de apresentarem
a mesma mdia.
Suponhamos trs cidades: A, B e C, que foram avaliadas
durante cinco anos quanto ao nmero de declarantes na distribuio
de patrimnio na faixa de renda mensal de 8 a 10 mil reais. Esses
valores esto em milhares de pessoas.
A = {120, 122, 118, 124, 121}
B = {121, 121, 121, 121, 121}
C = {116, 125, 124, 120, 120}
Mdulo 4
85
Se ns calcularmos a mdia de cada cidade, teremos:

A
= 121 mil pessoas
= 121 mil pessoas
= 121mil pessoas
Note que as trs cidades (A, B, C) apresentam mdias iguais,

apesar de elas serem bem diferentes entre si, pois enquanto na
cidade B os dados so todos iguais, os das demais cidades
apresentam certa variao, que maior no conjunto C. Portanto,
devemos associar medidas de posio e de disperso para obtermos
informaes mais precisas de um conjunto de dados, ou seja,
observar como esses dados se comportam em torno da medida de
posio em questo.
AMPLITUDE TOTAL
A amplitude total a diferena entre o maior e o menor valor
observado, como vimos na Unidade 2.
Sendo assim, retomando nossos exemplos das cidades A, B
e C, temos:
AA = 124 118 = 6 mil pessoas
AB = 121 121 = 0 mil pessoas
AC = 125 116 = 9 mil pessoas
Desse modo, podemos identificar que a amplitude do
conjunto C bem maior do que nos demais e o conjunto B apresenta
amplitude igual a zero.
Essa medida apresenta a vantagem de ser facilmente
calculada. Entretanto, o seu inconveniente que ela muito afetada
pelos valores extremos, pois no seu clculo no so consideradas
todas as observaes.
86
VARINCIA
Uma boa medida de disperso deve ter as seguintes
caractersticas:
estar baseada em todos os dados;

ser facilmente calculada;
ser compreensvel; e
servir bem ao tratamento algbrico.
Portanto, podemos afirmar que uma medida de disperso
deve utilizar todas as observaes considerando os desvios de cada
observao em relao mdia (chamados erros):
ei = xi x
Para obter um nico nmero que represente a disperso dos
dados, pensamos, inicialmente, em obter a mdia desses desvios,
mas devemos lembrar de que a soma dos desvios de um conjunto
de dados em relao a sua mdia nula.
Para resolver esse problema, utilizamos a soma dos quadrados
dos desvios, pois, ao elevarmos cada desvio ao quadrado,
eliminamos o sinal negativo que estava trazendo complicaes.
Posteriormente, dividimos a soma dos quadrados dos desvios
pelo nmero de observaes para obtermos a varincia
populacional, chamada de 2, que uma medida quantitativa da
disperso de um conjunto de dados entorno da sua mdia, alm do
fato de essa soma de quadrados de desvios ser mnima.
Sendo assim, temos a expresso para clculo da varincia
populacional, conforme mostrada a seguir:
Mdulo 4
87
E no para por a! Na maioria das vezes, trabalhamos com

amostras e, nesse caso, a varincia amostral (s 2) ser obtida pela
expresso:
*Grau de liberdade o
nmero de determinaes independentes (dimenso da amostra)
menos o nmero de
parmetros
estatsti-
cos a serem avaliados

na populao. Fonte:
Veja que nesse caso a soma do quadrado dos desvios

dividida por n 1, onde n corresponde ao tamanho da amostra.
Esse valor n 1 ( nmero de observaes menos um) denominado
de grau de liberdade*.
Ento, o grau de liberdade um estimador do nmero de
categorias independentes em um teste particular ou experincia
estatstica. Assim, no caso das cidades teremos:
Para que voc entenda melhor, veja a seguir algumas das

principais propriedades da varincia:
A varincia de uma constante k nula.

V(k) = 0, k = constante.
Ao somar ou ao subtrair uma constante k a todos os

dados, a varincia no se altera.
x= x k
V(x) = V(x)
Multiplicando todos os dados por uma constante k, a

varincia multiplicada por k2.
x= x. k
V(x) = k2.V(x)
88
DESVIO PADRO
Um inconveniente da varincia que ela expressa em
unidades ao quadrado, ou seja, caso esteja trabalhando com
milhares de reais, o resultado ser expresso em milhares de reais2,
o que causa algumas dificuldades de interpretao.
Para resolver esse problema, podemos nos utilizar do desvio
padro que definido como a raiz quadrada positiva da varincia,
sendo expresso na mesma unidade em que os dados foram coletados.
Para o exemplo em questo, temos:
Interpretando, temos que: o desvio padro de 3,60 mil

pessoas nos indica a variao dos dados em torno da mdia, que
de 121 mil pessoas. Quanto menor for o desvio padro, menor ser
a variabilidade, ou a variao.
No caso de dados agrupados em classes, a expresso
utilizada para clculo do desvio padro ser:
Para entender melhor, vamos imaginar uma situao em que,

para facilitar um projeto de aplicao da rede de esgoto de certa
regio de uma cidade, os engenheiros da Prefeitura Municipal
Mdulo 4
89
tomaram uma amostra de 52 ruas (Tabela 11), contando o nmero

de casas por rua, na qual os dados esto agrupados em classes,
iremos calcular o desvio padro da seguinte maneira:
Com base nessa resoluo, os nmeros 1, 3 e 18

correspondem aos pontos mdios das classes primeira, segunda e
ltima, respectivamente. J os valores de 5 e 7 correspondem s
frequncias absolutas das classes. E o nmero 52 corresponde ao
tamanho da amostra.
Existem algumas propriedades que precisamos saber sobre
desvio padro. So elas:
Ao somar ou ao subtrair uma constante k a todos os

dados, o desvio padro no se altera.
x= x k
(x) = (x)
Multiplicando todos os dados por uma constante k,

o desvio padro fica multiplicado por k
x= x.k
(x) = k. (x)
COEFICIENTE DE VARIAO
A varincia e o desvio padro so medidas de disperso
absolutas, desse modo, apenas podem ser utilizados para comparar
a variabilidade de dois ou mais conjuntos de dados quando estes
apresentarem:
90
mesma mdia;
mesmo nmero de observaes; e
estiverem expressos nas mesmas unidades.
Ento, para voc comparar qualquer conjunto de dados
quanto sua variabilidade quando, pelo menos, uma dessas
condies no satisfeita, necessrio lanar mo de uma medida
de disperso relativa como o coeficiente de variao (CV), que
expressa a variabilidade dos dados em relao a sua mdia de forma
percentual. Sua expresso ser dada por:
Para melhor entendimento, vamos elaborar um exemplo

para voc.
Exemplo
Imagine uma situao referente ao nmero de documentos
falsificados que aparecem em um determinado setor da prefeitura e
o valor arrecadado por hora de um tipo de multa em reais.
Em qual das duas variveis ocorre maior variabilidade, ou variao?
DOCUMENTOS FALSIFICADOS (N)
MULTA (REAIS)
Mdia
22
800
Desvio padro
100
Utilizando o desvio padro para comparar a

variabilidade, voc pode, a princpio, considerar que a multa
apresenta maior variabilidade, j que tem maior desvio padro.
Entretanto, se verificarmos as condies de se utilizar o desvio
padro para comparar a variabilidade entre amostras, voc vai
perceber que as mdias so diferentes e as unidades tambm
so diferentes.
Mdulo 4
91
Calculando, ento, o coeficiente de variao, teremos os

valores apresentados, a seguir:
Perceba, ento, que estvamos concluindo erroneamente que

a multa mais varivel do que o nmero de documentos falsificados,
alm de termos cometido o disparate de comparar numericamente
duas variveis expressas em unidades diferentes.
Portanto, o nmero de documentos falsificados apresentou
maior disperso do que a multa, j que seu coeficiente de variao
foi maior, mudando assim a concluso anterior.
Vamos ver agora outros exemplos de situaes com a resoluo
comentada para voc fixar melhor os conceitos desta Unidade.
Exemplo 1
Considere as idades dos funcionrios do programa Jovens que
aprendem uma profisso de duas prefeituras, apresentadas a seguir.
Prefeitura A: {16; 15; 18; 15; 16; 16; 17; 18; 19; 17; 16}
Prefeitura B: {15; 17; 19; 19; 17; 18; 19; 18; 18; 17; 16}
Encontre a mdia, moda e mediana de cada prefeitura e
identifique qual das prefeituras apresenta maior variabilidade na
idade de seus jovens aprendizes.
Prefeitura A
Mdia:
Mediana: Md = 16, lembrando que, para encontrar a
mediana, necessariamente os dados devem estar
ordenados.
92
Moda: Mo = 16, valor que aparece com maior

frequncia.
Prefeitura B
Mdia:
Mediana: Md = 18, lembrando que, para encontrar a
mediana, necessariamente os dados devem estar
ordenados.
Moda: Mo = 17, 18 e 19 (distribuio multimodal, pois

apresenta mais de duas modas).
Para sabermos quem tem maior variabilidade, temos de
calcular o coeficiente de variao, pois, como o valor das mdias
so diferentes, no podemos usar o desvio padro para comparar
a variabilidade. Para encontrarmos o desvio padro, precisamos
primeiramente encontrar a varincia usando a seguinte formula:
Prefeitura A
Varincia:
Desvio padro:
Coeficiente de variao:
Prefeitura B
Varincia:
Desvio padro:
Coeficiente de variao:
Mdulo 4
93
Sendo assim, como os coeficientes apresentam valores muito

prximos, podemos concluir que a variabilidade na idade das duas
prefeituras praticamente a mesma.
Exemplo 2
Considerando os dados apresentados a seguir, que so
referentes ao percentual de gastos com planejamento e com
administrao em cidades de diferentes portes, identifique as
medidas de posio e de disperso dos dados.
Gasto
| 15
15 | 25
25 | 35
35 | 45
45 | 55
55 | 65
5
Soma
Frequncia (F i )
2
7
20
5
4
2
40
Primeiramente, temos de encontrar os valores de xi (ponto

mdio), pois ele indispensvel no clculo da mdia, varincia
etc. Logo, temos:
Xi = 10; 20; 30; 40; 50; 60 (soma: limite inferior + limite superior
dividido por 2).
Feita essa conta, vamos calcular a frequncia acumulada,
como voc pode acompanhar a seguir:
Fac = 2; 9; 29; 34; 38; 40
E, na sequncia, com os valores do ponto mdio, podemos
calcular a mdia:
94
Para encontrar a mediana, primeiramente temos de encontrar

a classe mediana. Como n par: xn/2 = x 40/2 = x20, a qual classe
pertence o elemento de posio 20 (3 classe)?
Vamos, agora, calcular a moda e, para tanto, precisamos

encontrar a classe modal, aquela com maior frequncia absoluta
(3 classe).
Fique atento, pois as
classes mediana e modal

no necessariamente
E, por fim, devemos fazer o clculo das medidas de

disperso, como voc pode acompanhar a seguir:
vo pertencer a mesma
classe.
Observe que, com as medidas de disperso calculadas,

podemos verificar que a disperso obtida foi mdia (36,22% em
torno da mdia), ou seja, tanto para cima quanto para baixo. Se
esse valor fosse bem menor, poderamos considerar que os gastos
com planejamento e com transportes seriam mais uniformes.
Exemplo 3
Considerando as sries de dados apresentadas pelos
gastos com transportes em relao ao total gasto em vrias
prefeituras, conforme descrio a seguir, faa o seguinte: imagine
que voc precise efetuar uma estimativa com base nesses dados.
Sobre qual srie mais fcil fazer estimativas precisas? Por qu?
Mdulo 4
95
Srie A: {3,96; 3,17; 3,55; 3,61; 4,11; 4,57; 4,97; 5,91; 5,99; 5,74}
Srie B: {1,46; 2,09; 3,04; 5,12; 7,80; 8,25; 9,95; 15,24; 17,40; 21,74}
Srie A
Mdia:
Varincia:
Desvio padro:
Coeficiente de variabilidade:
Srie B
Mdia:
Varincia:
Desvio padro:
Coeficiente de variabilidade:
Observe que na srie A mais fcil fazermos estimativas
precisas, pois ela apresenta menor disperso.
96
Resumindo
Nesta Unidade, voc aprendeu conceitos bsicos sobre
as medidas de posio e de disperso e, desse modo, sabe,
agora, caracterizar um conjunto de observaes. Esses conceitos so de extrema importncia para as inferncias estatsticas, para os testes de hipteses e para as informaes
contidas nas Unidades posteriores dessa disciplina.
Mdulo 4
97
Agora que voc j sabe como calcular e como utilizar as
principais medidas de posio e de disperso, exercite-as
fazendo as atividades, a seguir, que sero importantes na
consolidao dos conhecimentos adquiridos. Em caso de
dvida, lembre-se de consultar seu tutor por meio do AVEA.
1. Considere a sequncia numrica apresentada, a seguir, que mostra as idades de motociclistas e de seus caronas na poca em que
morreram em acidentes fatais de trnsito.
7
38
27
14
18
34
16
42
28
24
40
20
23
31
37
21
30
25
17
28
33
25
23
19
51
18
29
Calcule a mdia moda, a mediana, a varincia, o desvio padro e o

coeficiente de variabilidade para os dados no agrupados.
2. Image um determinado setor de uma prefeitura que vem apresentando problemas com o afastamento de funcionrios por motivos de sade, por perodo muito longo. Uma amostra de dez
apresentou os seguintes nmeros de dias afastados em um semestre:
23, 21, 10, 14, 16, 12, 39, 45, 10 e 20
Calcule as medidas de posio e de disperso em relao ao nmero de dias em que eles ficaram afastados.
98
UNIDADE 4
PROBABILIDADE

Definir o termo probabilidade;
Descrever as abordagens clssicas das frequncias relativa e subjetiva da probabilidade;
Entender os termos experimento, espao amostral e evento;
Definir os termos probabilidade condicional e probabilidade

conjunta; e
Calcular probabilidades aplicando as regras da adio e da

multiplicao.
100
INTRODUO
Caro estudante,
Vamos iniciar mais uma Unidade e nela veremos os conceitos
de probabilidade. importante que voc esteja atento aos
exerccios resolvidos e, medida que for avanando,
relembre os conceitos aprendidos anteriormente.
Preparado para mais esse desafio?
Ento, vamos juntos!
A origem da Teoria das Probabilidades est relacionada aos

jogos de azar desde o sculo XVII, pois surgiu da necessidade de
um mtodo racional para calcular os riscos dos jogadores em jogos
de cartas, de dados etc.
Posteriormente, passou a auxiliar governos, empresas e
organizaes profissionais em seus processos de decises, ajudando
a desenvolver estratgias. Na rea da Gesto, passou a ser uma
ferramenta para tomada de decises e para anlise de chances e
de riscos. Para decidir por um ou por outro procedimento, essencial
conhecermos as chances de cada um dar certo e, tambm,
decidirmos sobre um sistema de gesto. Tambm, para sabermos
os riscos de uma exposio poder afetar a imagem de um
administrador, temos de conhecer a probabilidade de ela causar
dano ou no.
Mdulo 4
101
Para que voc possa entender melhor os principais conceitos

de probabilidade, destacamos a seguir dois tipos de fenmenos:
Fe n m e n o s d e t e r m i n s t i c o s: aqueles que
invariavelmente do o mesmo resultado se repetidos
sob condies especficas. Um exemplo a acelerao
da gravidade na ausncia de ar (vcuo). Nesse caso,
o resultado sempre ser o mesmo, pois no temos
variaes que venham a influenciar o resultado.
Fenmenos aleatrios: aqueles que, mesmo

realizados sob as mesmas condies, apresentam
variaes nos resultados de diferentes observaes.
Pense na reao de um contribuinte quando ele
atendido ou no lanamento de um dado. Em cada uma
dessas situaes, os resultados nem sempre sero os
mesmos. Por isso so aleatrios, ou seja, ocorrem de
forma aleatria, sem resultado previsvel.
So nos fenmenos aleatrios que a Teoria das
Probabilidades auxilia na anlise e na previso de um resultado
futuro. Quando voc pensa em probabilidade, vai querer identificar
a chance de ocorrncia de um determinado resultado de interesse
em situaes nas quais no possvel calcular com exatido o valor
real do evento (fenmeno aleatrio). Dessa forma, trabalhamos
com chances ou probabilidades.
Uma situao que exemplifica esse fato est associada

seguinte pergunta: um funcionrio pblico poder cumprir sua
meta de trabalho na semana que vem?
Para responder a essa e a outras perguntas, voc poder

aplicar alguns conceitos apresentados, a seguir.
102
EXPERIMENTO ALEATRIO
Para voc calcular uma probabilidade, necessrio ter um
experimento aleatrio, ou seja, qualquer processo que venha a gerar
um resultado incerto ou casual.
Para que um processo possa ser considerado um experimento
aleatrio, ele deve ter as seguintes caractersticas:
cada experimento pode ser repetido indefinidamente

sob as mesmas condies (n);
no se conhece a priori o resultado do experimento, mas

pode-se descrever todos os possveis resultados; e
quando o experimento for repetido inmeras vezes,

surgir uma regularidade do resultado, isto , haver
uma estabilidade da frao
(frequncia
relativa) da ocorrncia de um particular resultado, em

que r corresponde ao nmero de vezes que um
determinado resultado aconteceu.
Sendo assim, podemos considerar que um processo aleatrio
corresponde, para ilustrar, ao lanamento de uma moeda jogada
inmeras vezes, j que pode ser repetido indefinidamente. No
conhecemos o resultado, mas podemos descrever os possveis
resultados (cara ou coroa). Alm disso, quando voc lana a moeda
trs mil vezes, por exemplo, ocorre uma estabilizao da frequncia
relativa ou probabilidade em 0,5. A Figura 14 nos mostra que no
incio a frequncia relativa no to prxima de 0,5, como acontece
aps 1.000 jogadas.
Mdulo 4
103
Figura 14: Experimento aleatrio

A incerteza est
associada chance de
ocorrncia que
atribumos ao resultado
de interesse.
Perceba, com base nos experimentos e nas situaes

mencionadas, que a incerteza sempre est presente, o que quer
dizer que, se esses experimentos forem repetidos em idnticas
condies, no se pode determinar qual resultado ocorrer.
Para entender melhor esse conceito, vamos considerar como

exemplo o setor de atendimento de uma determinada prefeitura
que conta com seis funcionrios. Um experimento ao acaso seria
a escolha aleatria de um dos funcionrios. Podemos considerar
o gnero do funcionrio escolhido como o que queremos avaliar.
Voc, ento, vai aplicar os conceitos vistos de experimento
aleatrio. Veja que este corresponde a um experimento aleatrio,
pois sabemos quais resultados podem ocorrer, ou seja, um dos
seis funcionrios ser o avaliado. Entretanto, no podemos dizer
que resultado (pessoa) sair nesse sorteio.
Agora que voc entendeu o que experimento aleatrio, voc

ir compreender outro conceito importante: o de espao
amostral.
104
)
ESPAO AMOSTRAL (
Vamos considerar a situao em que um funcionrio pblico
consegue ou no atingir sua meta de produtividade.
Nesse caso, quais os possveis resultados que voc pode ter?
O funcionrio poder atingir ou no a meta. Ento, temos

apenas dois resultados possveis. O conjunto desses resultados
possveis, que poderiam ser mais de dois tambm, no caso de outras
situaes, definido como espao amostral* e pode ser
simbolizado por S ou (omega).
No nosso caso, teremos = {atinge; no atinge}
*Espao amostral conjunto de todos os resultados possveis. Fonte:

Lembrando do Diagrama de Venn, que voc estudou na

disciplina Matemtica para Administradores, podemos representar
o espao amostral conforme indica a Figura 15:
Os Diagramas de Venn
so teis para mostrar a

relao entre os
elementos de um
conjunto.
Figura 15: Representao do espao amostral

A definio do espao amostral de fundamental

importncia, pois, muitas vezes, a partir dele, voc pode calcular
probabilidades. Veremos isso um pouco mais a frente.
Nesse caso, se todos os resultados possveis constituem o nosso

espao amostral, o que ser cada resultado em particular?
Mdulo 4
105
Com intuito de responder a essa proposio, daremos

continuidade ao nosso estudo. Vamos prxima seo.
EVENTO
Qualquer subconjunto do espao amostral () associado ao
experimento aleatrio chamado de evento, ou seja, um
determinado resultado que ocorra dentro do espao amostral. Ento,
em nosso exemplo, teremos que o funcionrio pblico que cumprir
a meta ser considerado como um dos eventos que compem o
espao amostral. Nesse caso, o nosso espao amostral apresenta
dois eventos apenas (cumprir ou no cumprir a meta).
Geralmente, calculamos as chamadas probabilidades desses
eventos associados ao nosso espao amostral. Por isso a
importncia de voc ter esse conceito bem definido em sua mente!
Imagine que algumas secretarias municipais oferecem, por
cortesia, cadeiras suficientes em determinado setor para que os
contribuintes possam esperar confortavelmente; e, outras secretarias,
no oferecem essa cortesia. Vamos ver como esse problema pode
ser formulado dentro do contexto de experimento aleatrio, espao
amostral e eventos.
O experimento a seleo de uma secretaria e a observao
do fato dessa secretaria oferecer ou no a cortesia. H dois pontos
amostrais no espao correspondente a esse experimento:
S:{a secretaria oferece a cortesia}
N:{a cortesia de cadeira no oferecida pela secretaria}
Um ponto importante a ser considerado o de que nem
sempre as chances de ocorrncia dos eventos so iguais a 50%,
como no caso do lanamento de uma moeda. Nessa situao,
provavelmente a chance da secretaria oferecer a cortesia de assentos
(S) poder ser bem maior do que a de no oferecer (N).
106
DEFINIES DE PROBABILIDADES
Saiba mais Pierre Fermat (1601-1665)
At agora vimos diferentes e importantes

conceitos relacionados estatstica. Vamos agora
definir o que vem a ser probabilidade. Para o bom
entendimento desse conceito, imagine as seguintes
situaes:
50% de chance de um projeto dar

certo;
Matemtico francs que passou parte de

sua vida como conselheiro do parlamento de Toulouse. Seu campo predileto de
estudos foi o da teoria dos nmeros, na
qual se consagra. Fermat d considervel impulso aritmtica superior moderna, exercendo grande influncia sobre o
desenvolvimento da lgebra. Fermat se
95% de certeza de que um determinado

servio ser realizado por uma prefeitura
em tempo hbil; e
1 em cada 10 servidores pblicos no

tem ido trabalhar pelo menos um dia
na semana.
Como voc pode ver, estamos falando das
chances acerca de que algo venha a acontecer. Ento,
probabilidade pode ser considerada a chance de que
um determinado evento venha a ocorrer.
sobressai, ainda, no terreno do clculo

de
probabilidades.
Fonte:
<http://
ecalculo.if.usp.br/historia/fermat.htm>.
Blaise Pascal (1623-1662)
Com apenas trs anos, perdeu a me.
O pai encarregou-se diretamente da sua
educao, desenvolvendo um mtodo
singular de educao com exerccios e
jogos de disciplinas, como Geografia,
Histria e Filosofia. Contudo, seu pai
acreditava que a Matemtica somente
As probabilidades apresentam diferentes vises.

As principais so mostradas a seguir,
acompanhe!
deveria ser ensinada ao filho quando

este fosse mais velho. Porm, Pascal
descobriu as maravilhas da cincia dos
nmeros. Aos 12 anos, mesmo sem professor, ele descobre que a soma dos ngulos de um tringulo igual a dois n-
A Probabilidade Objetiva nasceu no sculo

XVII por interesse comum de Fermat e Pascal.
Mdulo 4
gulos retos. Fonte: <http://tinyurl.com/

285crno>. Acesso em: 24 nov. 2010.
107
*Mutuamente
exclu-
dentes a ocorrncia de
um evento exclui a ocorrncia do outro. Fonte:
Se um evento pode ocorrer em n maneiras mutuamente

excludentes* e igualmente provveis*, e, se m dessas
ocorrncias tem uma caracterstica E, ento, a probabilidade de
ocorrncia de E :
P (E) =
*Igualmente provveis
ocorrem com a mesma
probabilidade.
Fonte:
m
N
Onde:
m: nmero de eventos favorveis probabilidade E que
se deseja calcular, ou seja, o nmero de vezes que E
acontece; e
N: nmero total de ocorrncias dentro do espao amostral.
Vejamos exemplos de probabilidades a serem obtidas:
* Reprodutibilidade
ocorrncia de diversas
vezes de um mesmo evento. Fonte: Elaborado pelo
autor.
Um dado homogneo tem probabilidade 1/6 de cair

com a face 2 para cima.
Em um conjunto de cartas (sem os coringas) bem

embaralhadas, a probabilidade de sortearmos uma
carta de copas de 13/52.
A viso da frequncia relativa depende da

reprodutibilidade* do mesmo processo e da habilidade de
contarmos o nmero de repeties.
Sendo assim, se algum processo repetido um grande
nmero de vezes, n, e se algum evento com caracterstica E ocorre
m vezes, a frequncia relativa m/n aproximadamente igual
probabilidade de E:
P(E) m/n
Contudo, observe que m/n apenas uma estimativa de P(E).
A viso da probabilidade subjetiva uma medida da
confiana que temos sobre a verdade de certa proposio,
apesar de no termos clculos precisos sobre esse valor. Imagine
108
proposies sobre a probabilidade de que em trs anos teremos

um modelo eficiente de gesto pblica ou que as capacidades
do processamento computacional se igualaro capacidade do
crebro humano em 30 anos. Ambas so apenas estimativas que
no se baseiam em clculos.
Para que voc entenda melhor algumas das definies de

probabilidade, veja a descrio que preparamos ao longo de
uma situao.
Imagine que em um determinado setor de uma prefeitura

temos os seguintes funcionrios: Carlos, Jackeline, Giulyana,
Girlene, Cludio e Larissa. Ento, voc pode verificar que temos
seis funcionrios. Vamos pensar agora: qual a probabilidade de se
escolher um funcionrio ao acaso e ele ser do gnero masculino?
Para obtermos as respostas, vamos definir o espao amostral
e o evento desejado. Consideremos espao amostral ou conjunto
de possibilidades todos os funcionrios pblicos do setor.
S = {Carlos, Jackeline, Giulyana, Girlene,
Cludio, Larissa}
Carlos
Jackeline
Giulyana
Girlene
Cludio
Larissa
E, para definir o evento favorvel, precisamos considerar

este o conjunto de possibilidades favorveis que nos interessa, ou
seja, os funcionrios do gnero masculino.
Mdulo 4
109
Evento = {Carlos, Cludio}
Carlos
Cludio
Ento, a probabilidade que estamos procurando, ou seja, a

de escolher um funcionrio ao acaso e ele ser do gnero masculino,
pode ser apresentada conforme descrio, a seguir:
P ( funcionrio pblico gnero masculino ) =
2
=
6
nmero de f uncionrios do sex o masculino

nmero total de funcionrios
Logo, considerando trs eventos relativos aos funcionrios

da prefeitura, conforme descrevemos anteriormente, temos:
A (funcionrio ser do sexo feminino).

B (seu nome comear com a letra G).
C (seu nome comear com a letra C).
Ento, poderemos definir os eventos mencionados
anteriormente como:
A = {Jackeline, Giulyana, Girlene, Larissa}.

B = {Giulyana, Girlene}.
C = {Carlos, Cludio}.
Voc pode definir a probabilidade como uma funo que
atribui um nmero real aos eventos do (se A um evento do ,
P(A) a probabilidade de A), a qual satisfaz:
P() = 0 (probabilidade de vazio igual a zero).

P() = 1 (probabilidade de acontecer todo o espao
amostral igual a um).
110
0 P(A) 1 (a probabilidade de um determinado

evento, sempre estar entre zero e um).
Voc pode ainda utilizar a regra da soma, em que dados
dois eventos mutuamente exclusivos*, A e C de , temos:
P(A C) = P(A) + P(C)
* Eventos mutuamente
exclusivos so aqueles
que no podem acontecer simultaneamente.
Fonte: Elaborado pelo
autor.
J no caso a seguir, em que os eventos no so mutuamente

exclusivos e podem ocorrer simultaneamente, na regra da soma,
devemos considerar que a interseco (rea) ser contada duas vezes.
A AB B
A A B B
Nesse caso, devemos retirar uma vez a rea de (A B) na

regra da soma, pois, como voc pode ver nos desenhos anteriores,
a interseo (A B) contada duas vezes.
P(A B) = P(A) + P(B) P(A B)
Lembre-se de que o smbolo corresponde

interseo e corresponde unio.
Mdulo 4
111
Considerando os eventos A, B e C, temos as seguintes

situaes:
A C o evento em que A ocorre ou C ocorre ou,

ainda, ambos ocorrem {Carlos, Jackeline,
Giulyana, Girlene, Cludio, Larissa}.
E a chance de acontecerem dois eventos simultaneamente
corresponde chance de os eventos acontecerem ao mesmo tempo,
como voc pode observar na descrio, a seguir:
A B o evento em que A e B ocorrem

simultaneamente {Giulyana, Girlene}.
Em muitas situaes o que nos interessa aquilo que
pertence ao espao amostral e no pertence ao evento de interesse.
A Figura 16 mostra bem isso:
Ac
S
Figura 16: Espao amostral
A ou Ac o evento em que A no ocorre (complementar de A).

Em nosso exemplo, consideramos que o completar de A (funcionrio
ser do gnero feminino) corresponde a todas as pessoas do gnero
masculino, ou seja:
A ou Ac = {Carlos, Claudio}
112
PROBABILIDADE CONDICIONAL
A partir de agora veremos outros conceitos de probabilidade
e para tanto voc deve considerar os dados, a seguir, referentes a
uma prefeitura, em que foram selecionados, a partir de uma
amostragem estratificada (vista anteriormente), 101.850
contribuintes das classes mdia-baixa e alta. Posteriormente, foi
feita a verificao do nmero de contribuintes, de cada classe
social, que pagaram um determinado tributo em dia (evento:
pagaram) e tambm o nmero de contribuintes das classes
estudadas que no pagaram em dia o tributo (evento: no pagaram).
Para compreender essa descrio, observe os resultados descritos
na Tabela 13:
Tabela 13: Contribuintes pagantes e no pagantes
MDIA-BAIXA
ALTA
TOTAL
Pagaram (P)
39.577
8.672
48.249
No Pagaram (NP)
46.304
7.297
53.601
Total
85.881
15.969
101.850
De acordo com os dados apresentados, podemos considerar

ento que o nosso espao amostral () corresponder ao conjunto
de 101.850 contribuintes.
Agora, para ampliarmos essa discusso juntos, voc vai
considerar os eventos apresentados, a seguir, para que possamos
trabalhar com eles.
P = contribuintes que pagaram o tributo em dia.

NP = contribuintes que no pagaram o tributo em dia.
Mdulo 4
113
MB = contribuintes da classe mdia-baixa.

P MB = contribuintes que pagaram (P) o tributo
em dia e ao mesmo tempo so da classe mdiabaixa (MB).
P MB = contribuintes que pagaram (P) o tributo

em dia ou so da classe mdia-baixa (MB).
Voc pode obter, ento, as probabilidades de alguns eventos
considerados anteriormente, por exemplo:
Considerando os contribuintes que pagam e os que no pagam

em dia, temos apenas estes dois resultados possveis.
E, para obtermos a probabilidade de contribuintes que no pagaram
em dia, teremos a probabilidade de todo o espao amostral (101.850),
que igual a 1 menos a probabilidade de contribuintes que pagaram
em dia (P). Nesse caso, estamos usando o conceito de eventos
complementares. Este clculo mostrado para voc a seguir:
NP = P (no pagaram (NP ou P ) o complementar dos que pagaram (P))
ou seja, P(NP) = P(P ) = 1- P( P ) = 1 - 0,473 = 0,527
Com base nesse conhecimento, podemos calcular a

probabilidade de escolher um contribuinte aleatoriamente e este
ser da classe mdia-baixa ou ser quem paga em dia o tributo. Veja
que, nesse caso, os eventos no so mutuamente exclusivos, ou
seja, existem contribuintes que so comuns nas duas situaes ao
mesmo tempo. Assim, a probabilidade procurada ser dada por:
114
P(P MB) = P(P) + P(MB) P(P MB)

P(P MB) = 0,473 + 0,843 0,388
P(P MB) = 0,928
Vamos considerar ainda o exemplo anterior. Se voc souber

que um contribuinte sorteado paga em dia o tributo, qual a
probabilidade de que ele seja da classe mdia-baixa?
Agora, temos uma informao parcial e importante: o

contribuinte selecionado paga em dia. Vamos ento designar a
probabilidade de P quando se sabe que o contribuinte selecionado
paga em dia o tributo e MB quando o contribuinte da classe social
mdia-baixa.
Assim, a probabilidade que chamaremos de P(MB/P)
denominada de probabilidade (condicional) de MB dado P
(lembre-se que o smbolo / no corresponde a uma diviso
e sim a uma condio de que outro evento j aconteceu).
Ento, nesse caso, temos o que chamamos de probabilidade
condicionada, ou seja, a probabilidade de um evento acontecer
dado que, sabendo que, outro evento j aconteceu.
Sendo assim, natural atribuirmos:
Veja que, nesse caso, ocorreu uma reduo no espao

amostral, j que tnhamos a informao anterior de que o
Mdulo 4
115
contribuinte selecionado pagava em dia. Dessa forma, do espao

amostral total que tnhamos (101.850), ele foi reduzido para 48.249
e, destes, interessavam-nos os que eram da classe social mdiabaixa. Sendo assim:
Portanto, voc pode generalizar para dois eventos A e B

quaisquer de um experimento aleatrio. Dessa forma, podemos dizer
que a probabilidade condicional de A dado B (nota-se por
P (A / B)) definida como:
P( A / B) =
P( A B )
P( B )
De posse desse conhecimento, podemos definir, a partir de

agora, a regra do produto; conforme discutiremos na prxima seo.
REGRA DO PRODUTO E EVENTOS INDEPENDENTES

A partir da probabilidade condicionada definida
anteriormente, obteremos a chamada regra do produto para a
probabilidade da interseo de dois eventos A e B de um espao
amostral:
116
Passe a probabilidade de ocorrncia de B na probabilidade

condicionada e multiplique pela probabilidade de ocorrncia de A
sabendo que B j aconteceu.
P(A B) = P (A/B) P(B)
Logo, se dois eventos A e B so independentes, ento
P{A / B) = P{A} ou P{B / A) = P(B), j que um evento no interfere
no outro, ou seja, eles so independentes.
Desse modo, se A e B forem independentes, voc pode
verificar que:
P( A / B) =
P( A B)
=> P( A B ) = P ( A / B ) P( B ) => P( A B ) = P( A )P ( B )
P( B )
Ento, para que dois eventos A e B quaisquer sejam

considerados independentes necessrio fazer a seguinte relao:
P(A B) = P(A) P(B)
Para compreender melhor essa nossa discusso, analise outra
situao na qual utilizaremos os conceitos aprendidos de
probabilidade. Para tanto, considere os dados a seguir,
representativos da distribuio da renda anual de funcionrios
pblicos de dois setores (A e B), apresentados na Tabela 14.
Tabela 14: Distribuio de renda anual do funcionrio pblico
FAIXA DE RENDA ANUAL (EM R$1.000,00)
SETOR
TOTAL
15 a 20 (R1)
70
40
110
20 a 25 (R2)
15
15
30
25 a 30 (R3)
10
20
30
30 a 35 (R4)
20
10
30
Total
115
85
200
Mdulo 4
117
Observando os dados descritos na Tabela 14, podemos

identificar claramente que a probabilidade de um funcionrio
aleatoriamente escolhido ser:
a) do setor A P(A) = 115/200 = 0,575 (temos 115
funcionrios do setor A em um total de 200
funcionrios);
b) do setor B P(B) = 85/200 = 0,425 (temos 115
funcionrios do setor A em um total de 200
funcionrios);
c) de ter renda entre R$ 15.000,00 e R$ 20.000,00
P(R1) = 110/200 =0,550 (110 funcionrios
correspondem aos que tm a faixa de renda solicitada);
d) do setor B e ter renda entre R$ 15.000,00 e
R$ 20.000,00 (interseco), ou seja, P(B R1) =
40/200 = 0,20 (temos 40 funcionrios que
correspondem aos que tm a faixa de renda solicitada
e ao mesmo tempo so do setor B); e
e) ter renda entre R$ 15.000,00 e R$ 20.000,00, dado
que do setor B
P ( R1 / B) =
P (R1 B )
0, 20
=
= 0,4706
P (B )
0, 425
Sabendo que o funcionrio do setor B (temos 85

funcionrios agora), houve uma reduo no espao amostral de
200 para 85 que ser utilizado no denominador. Logo, perguntamos:
qual a chance de estar na faixa de renda solicitada?
Para que sejam

considerados
independentes, a
relao de
Como P(R1) P(R1/B), podemos concluir que os eventos

setor e renda so dependentes. Podemos visualizar um exemplo de
aplicao dos conceitos de independncia de eventos por meio do
lanamento de uma moeda no viciada (no existe preferncia para
cara ou coroa) trs vezes. Considere os seguintes eventos:
independncia deve ser

vlida para todas as
A = no primeiro lanamento da moeda sai cara; e
interseces presentes
B = no segundo lanamento da moeda sai cara.
na Tabela 14.
118
Considere C = cara e R = coroa

Verifique se verdadeira a hiptese de que os eventos A e B
so independentes. O espao amostral e os eventos so
apresentados, a seguir:
= {CCC, CCR, CRC, CRR, RCC, RCR, RRC, RRR}
(A) = {CCC, CCR, CRC, CRR}
(B) = {CCC, CCR, RCC, RCR}
P(A B) = 2/8 =
Os resultados que esto
P (A) = 4/8 =
em negrito ocorrem no
P (B) = 4/8 =
espao amostral (8)
somente duas vezes.
Portanto, P(A B) = P(A) P(B) => = ou
P( A / B) =
1
P( A B)
2 1
= 4 = = => P (A / B) = P (A) => =
1
4 2
P(B)
2
Sendo assim, perceba que os eventos so independentes,

pois P(A B) = P (A) P(B) ou P (A / B) = P (A).
Vamos ver outros exemplos relacionados a probabilidades para

compreendermos melhor o que vimos.
Exemplo
Um estudante chega atrasado em 40% das aulas e esquece
o material didtico em 18% das aulas. Supondo eventos
independentes, calcule a probabilidade de:
a) O estudante chegar na hora e com material.
b) No chegar na hora e ainda sem material.
Como o exerccio afirma que o estudante chega atrasado em
40% das aulas, entendemos que 40% = 0,40, ou seja, ele no chegar
atrasado = 60% = 0,6. O exerccio afirma tambm que ele esquece
Mdulo 4
119
o material didtico em 18% da aula, isto , ele esquece o material =

18% = 0,18 e ele no esquecer o material =82% = 0,82.
Logo, para resolver a alternativa do exemplo, probabilidade
de o estudante chegar na hora e com material, considerando que
os eventos so independentes, temos:
P(chegar na hora e com material) = P(chegar na hora
c/ material) =
P(chegar na hora) P(c/ material) = 0,60 0,82 = 0,492 ou 49,2%
J para resolvermos a alternativa b, vamos considerar que:
P(no chegar na hora e sem material) = P( chegar na hora
s/ material) =
P( chegar na hora) P(s/ material) = 0,40 0,18 = 0,072 ou 7,2%
Exemplo:
Vamos considerar um pesquisador que estudou o
comportamento de consumo de bebidas lcteas no Brasil. Aps
anlise da classe econmica do consumidor e o principal aspecto
determinante da escolha da marca, o pesquisador tabulou os dados
conforme disposto a seguir.
CLASSE/ASPECTO
PREO
QUALIDADE
SOMA
Alta
42
56
98
Mdia
37
21
58
Baixa
13
97
110
Total
92
174
266
Considerando esses dados, qual a probabilidade de um

consumidor escolhido:
a) Priorizar o preo, dado que da classe alta.
b) Priorizar a qualidade, dado que da classe mdia.
c) Ser da classe baixa, dado que atribui maior importncia
ao fator qualidade.
120
Com base nos dados da tabela desse exemplo, para priorizar

o preo, dado que da classe alta, temos uma probabilidade
condicional igual:
P ( preo /classe alta ) =
P ( preo classe alta) 42

=
= 0,4286 ou 42,86%
98
P (classe alta )
J para priorizar a qualidade, dado que da classe mdia,

temos uma probabilidade condicional dada por:
P (qualidade /classe mdia ) =
P (qualidade classe mdia) 21

=
= 0,3621 ou 36,21%
P (classe mdia )
58
Por fim, para ser da classe baixa, dado que atribuiu maior
importncia ao fator qualidade, o clculo feito por:
P (classe baixa / qualidade ) =
P (classe baixa qualidade )

97
= 0,5575 ou 55,75%
=
P (qualidade )
174
Mdulo 4
121
ALGUMAS REGRAS BSICAS

DE PROBABILIDADE
Para que voc possa aplicar todos os conceitos de
probabilidade aprendidos at aqui, apresentaremos, por meio
da Figura 17, algumas regras bsicas que iro ajud-lo. Observe
com ateno:
P ( A B ) = P( A) + P ( B ) - P (AB)
AB
P ( A B ) = P ( A) + P ( B )
eventos
mutuamente
exclusivos
P ( A B) = P( A).P ( B / A) = P ( B).P ( A / B )
B
P( A B) = P( A).P (B )
P ( A ) = 1 - P (A)
Figura 17: Regras gerais da probabilidade

122
eventos
independentes
Outra questo que merece destaque quando falamos de

probabilidade que a probabilidade condicional de A dado B
definida por:
P( A / B) =
P( A B)
P( B)
Mdulo 4
123
Resumindo
Nesta Unidade, voc ampliou o seu conhecimento
quanto ao termo probabilidade.
Descrevemos as abordagens clssicas das frequncias
relativa e subjetiva da probabilidade e entendemos os termos experimento, espao amostral e evento.
Vimos a definio dos termos probabilidade condicional e probabilidade conjunta, alm de aprendermos a calcular as probabilidades aplicando as regras da adio e da
multiplicao. Para intensificar nosso estudo, vimos esses
conceitos aplicados a partir da apresentao de exemplos.
Caso algum conceito no tenha ficado claro, retome a
leitura, pois eles sero importantes para a compreenso de
novas informaes contidas nas Unidades posteriores.
124
Agora que voc j entendeu todos os conceitos relacionados
aos clculos de probabilidade apresentados, resolva as
atividades apresentadas, a seguir, e, em caso de dvidas,
no hesite em consultar o seu tutor.
1. Considerando as probabilidades de trs fiscais A, B e C, que trabalham independentemente, efetivarem uma autuao quando
abordam uma obra so 2/3, 4/5 e 7/10, respectivamente. Se cada
um abordar uma obra, qual a probabilidade de que pelo menos
um efetive a multa?
2. Sendo A e B dois mestres que j esto suficientemente treinados
em partidas de xadrez e jogam 120 partidas, das quais A ganha 60,
B ganha 40 e 20 terminam empatadas; A e B concordam em jogar
trs partidas. Determine a probabilidade de:
a) A ganhar todas as partidas.
b) Duas partidas terminarem empatadas.
c) A e B ganharem alternadamente.
3. Em um perodo de um ms, 100 funcionrios de uma prefeitura
que trabalham com resduos txicos, sofrendo de determinada
doena, foram tratados. As informaes sobre o mtodo de tratamento aplicado a cada funcionrio e o resultado final obtido esto na tabela a seguir:
Mdulo 4
125
TRATAMENTO
Resultado
Cura Total
24
16
Cura Parcial
24
16
Morte
12
Sorteando-se aleatoriamente um desses funcionrios, determine a probabilidade de o funcionrio escolhido ter sido:
a) Submetido ao tratamento A.
b) Totalmente curado.
c) Submetido ao tratamento A e ter sido parcialmente
curado.
d) Submetido ao tratamento A ou ter sido parcialmente
curado.
126
UNIDADE 5
DISTRIBUIO DE PROBABILIDADES
DISCRETAS E CONTNUAS

Identificar e aplicar modelos probabilsticos discretos;
Identificar e aplicar modelos probabilsticos contnuos (distribuio

normal);
Saber quando e como utilizar as distribuies amostrais;
Calcular e interpretar intervalos de confiana; e
Dimensionar amostras para serem utilizadas em pesquisas e

projetos.
Mdulo 4
127
128
INTRODUO
Caro estudante,
Como voc progrediu nos conhecimentos bsicos de
probabilidade, agora iremos trabalhar com as chamadas
distribuies de probabilidades. Essas distribuies
auxiliam no clculo de probabilidades e, ainda, nos
processos de estimao e de deciso, conforme veremos
na prxima Unidade. Estudaremos as distribuies de
amostragem e dimensionamento de amostras que, tambm,
sero vistas nesta Unidade.
Bons estudos e conte conosco para auxili-lo sempre que
necessrio.
Vamos comear com alguns conceitos preliminares.
Para que voc tenha condies de entender as distribuies,
necessrio conhecer bem o que uma varivel aleatria*, que
pode ser discreta ou contnua.
Um exemplo de uma varivel aleatria discreta (v.a.) a
quantidade de aes que tiveram queda em um determinado dia,
em uma carteira composta por cinco aes diferentes. A funo
ser dada por:
* Varivel aleatria funo que associa valores

reais aos eventos de um
espao amostral. Fonte:
X = quantidade de aes que tiveram queda em um

determinado dia define uma varivel aleatria
discreta, que pode assumir os valores 0, 1, 2, 3, 4, 5.
Vamos considerar agora uma situao na qual se verificou
o tempo gasto por um funcionrio pblico para atender um
contribuinte. A funo ser:
Y= tempo gasto por um funcionrio pblico para
atender um contribuinte define uma varivel aleatria
contnua, que pode assumir infinitos valores.
Mdulo 4
129
Vamos trabalhar aqui principalmente com as variveis

aleatrias discretas. Se uma varivel aleatria X pode assumir os
valores x1, x2,..., xn com probabilidades respectivamente iguais a
* Distribuio de probabilidade um tipo de

distribuio que descreve
, temos ento definida uma distribuio
p1, p2,..., pn, e

de probabilidade*.
a chance que uma varivel pode assumir ao longo de um espao de valores. Fonte: Elaborado
pelo autor.
importante ressaltarmos que a varivel aleatria tem

notao de letra maiscula e seus possveis valores
minsculos, como utilizamos anteriormente.
Se a varivel X em questo for discreta, sua distribuio

caracterizada por uma funo de probabilidade (P(X=x)), que
associa probabilidades no nulas aos possveis valores da varivel
aleatria.
130
DISTRIBUIES DISCRETAS
Imagine uma situao na qual somente podem ocorrer dois
possveis resultados, sucesso e fracasso. Veja alguns exemplos:
uma venda efetuada ou no em uma ligao de call

center;
um contribuinte pode ser adimplente ou inadimplente;

uma guia recolhida pode ter seu preenchimento
ocorrido de forma correta ou incorreta; e
um consumidor que entra em uma loja pode comprar

ou no comprar um produto.
Essas situaes correspondem Distribuio de Bernoulli.
Ou seja, se associarmos uma varivel aleatria x aos possveis
resultados do experimento de forma que X=1 se o resultado for
sucesso e X=0 se o resultado for fracasso, ento, a varivel
aleatria X, assim definida, tem Distribuio de Bernoulli, com p
sendo a probabilidade de ocorrer sucesso e q = (1-p) a
probabilidade de ocorrer fracasso.
Neste momento, voc deve saber que quando estamos

falando de sucesso, devemos relacion-lo com o
objetivo do exerccio ou do problema a ser resolvido,
que, muitas vezes, pode no ser algo bom.
Mdulo 4
131
Ampliando nossa discusso, importante mencionarmos

ainda que a funo de probabilidade da Distribuio de Bernoulli
dada por:
p para x = 1,
P ( X = x ) = q = 1 - p para x = 0
0 para x diferente de 0 ou 1
Sendo assim, a mdia e a varincia sero obtidas por:
Mdia = p (onde p corresponde probabilidade de

sucesso).
Varincia = p q (onde q corresponde probabilidade

de fracasso).
Essa obteno da estimativa de mdia e desvio padro
importante, pois tais medidas podem ser usadas para caracterizar
a situao e tambm para a definio da mdia e do desvio padro
da distribuio binomial que iremos ver posteriormente.
Contextualizando a Distribuio de Bernoulli, temos a
seguinte situao: a experincia tem mostrado que at fevereiro o
motorista que parado em uma blitz tem 60% de chance de estar
adimplente em relao ao Imposto sobre a Propriedade de Veculos
Automotores (IPVA). Temos, portanto, uma probabilidade de
sucesso (o motorista no estar devendo o IPVA) de 0,6 e
uma probabilidade de estar devendo de 0,4 (vem da diferena
q = 1 0,6).
DISTRIBUIO BINOMIAL
Para que uma situao possa se enquadrar em uma
distribuio binomial, deve atender as seguintes condies:
so realizadas n repeties (tentativas) independentes;

cada tentativa uma prova de Bernoulli (somente
podem ocorrer dois possveis resultados); e
132
a probabilidade p de sucesso em cada prova

constante.
Se uma situao atende a todas as condies anteriores,
ento a varivel aleatria X = nmero de sucessos obtidos nas n
tentativas ter uma distribuio binomial com n tentativas e p
probabilidades de sucesso.
Agora voc deve parar a sua leitura e lanar uma moeda 30

vezes para cima. Aps fazer isso e anotar os resultados, veja
se o experimento que acabou de fazer se encaixa em uma
distribuio binomial (condies apresentadas anteriormente).
Simbolicamente, temos: X ~ B (n,p) com a interpretao:
A varivel aleatria X tem distribuio binomial (B)

com n ensaios e uma probabilidade p de sucesso (em
cada ensaio).
A funo de probabilidade utilizada para clculo de

probabilidades, quando a situao se enquadra na distribuio
binomial, ser dada por meio da seguinte expresso:
onde:
p probabilidade de sucesso em cada ensaio;
q = 1-p a probabilidade de fracasso em cada
ensaio;
, onde n! o fatorial de n, combinao
Lembre-se dos conceitos

de anlise combinatria
de n valores tomados x a x
Mdulo 4
vistos no segundo grau!
133
Exemplo
Vamos considerar que algumas pessoas entram em uma loja
no perodo prximo ao dia das mes. Sabemos que a probabilidade
de uma pessoa do gnero masculino comprar um presente de 1/3.
Se entrarem quatro pessoas do gnero masculino na tal loja, qual a
probabilidade de que duas venham a comprar presentes?
Se essas quatro pessoas entram na loja e duas delas
compram, podemos colocar as possibilidades da seguinte forma
(C compra e no-C no compra). O espao amostral
associado ao experimento :
C, C, no-C, no-C ou C, no-C, no-C, C ou C, no-C, C,
no-C ou no-C, no-C, C, C ou no-C, C, no-C, C ou no-C,
C, C, no-C
Logo, calculando as probabilidades usando as regras do e
(multiplicao, pois so independentes) e do ou (soma), a
probabilidade de 2 clientes do gnero masculino comprarem
presentes :
1 1 2 2 1 2 2 1 1 2 1 2 2 2 1 1 2 1 2 1 2 1 1 2
p= + + + + +
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
1 1 2 2
p = 6
3 3 3 3
2
1 2
p = 6
3 3
p=
24
81
@ 29 ,63 %
Agora, vamos calcular utilizando a funo de probabilidade

apresentada anteriormente e verificar que o resultado ser o mesmo.
2
1 4 4.3.2.1 4 24
4!
1 2
P ( X = 2) = C42 . =
. . =
. =
@ 0,2963 ou 29,63%
2!.(4 - 2)! 9 9 2.1.2.1 81 81
3 3
134
Os valores da mdia e da varincia da distribuio binomial
so:
Mdia = n.p
Varincia = n.p.q
Exemplo
Como na binomial so n
ensaios de Bernoulli e a
Em uma determinada repartio pblica, 10% das guias

preenchidas esto incorretas. Essas guias correspondem a uma
liberao na qual cinco guias devem estar preenchidas
conjuntamente. Considere que cada guia tem a mesma
probabilidade de ser preenchida incorretamente (como se houvesse
repetio no experimento de retirar guias).
distribuio tem mdia

p, a mdia da binomial
ser n.p. Raciocnio
semelhante feito para

a varincia.
a) Qual a probabilidade de haver exatamente trs guias

incorretas nas cinco guias para liberao?
O sucesso a ocorrncia de guias preenchidas
incorretamente.
p = 0,1 n = 5
b) Qual a probabilidade de haver duas ou mais guias

incorretas nas cinco guias para liberao?
P(X 2) = P(X=2) + P(X=3) + P(X=4) + P(X=5)
= 1 [P(X=0) + P(X=1)] = 0,0815
c) Qual a probabilidade de um conjunto de cinco guias
no apresentar nenhuma guia incorreta?
P ( X = 0) = C50 0,10 0,9 5 = 0,5905
Antes de prosseguir, desta vez com o estudo da Distribuio

de Poisson, voc deve realizar as Atividades 1 e 2, ao final
desta Unidade, para aplicar os conhecimentos j adquiridos
sobre a distribuio binomial. Lembre-se de que as respostas
se encontram no final do livro.
Mdulo 4
135
DISTRIBUIO
DE
POISSON
Voc pode empregar a Distribuio de Poisson em situaes

nas quais no se est interessado no nmero de sucessos obtidos
em n tentativas, como ocorre no caso da distribuio binomial,
entretanto, esse nmero de sucessos deve estar dentro de um intervalo
contnuo, ou seja, o nmero de sucessos ocorridos durante
um intervalo contnuo, que pode ser um intervalo de tempo,
espao etc.
Imagine que voc queira estudar o nmero de suicdios
ocorridos em uma cidade durante um ano ou o nmero de acidentes
automobilsticos ocorridos em uma rodovia em um ms ou o nmero
de defeitos encontrados em um rolo de arame ovalado de 500m.
Essas situaes so exemplos daquelas que se enquadram na
Distribuio de Poisson.
Note que nos exemplos anteiores no h como voc
determinar a probabilidade de ocorrncia de um sucesso, mas sim
a frequncia mdia de sua ocorrncia, como dois suicdios por ano,
que denominaremos .
Em uma situao com essas caractersticas, a varivel
aleatria X = nmero de sucessos em um intervalo contnuo, ter
uma Distribuio Poisson, com (frequncia mdia de sucesso).
).
Simbolicamente, podemos utilizar a notao X ~ P(
A varivel aleatria X tem uma Distribuio de Poisson

(P) com uma frequncia mdia de sucesso .
A funo de probabilidade da Distribuio de Poisson ser

dada por meio da seguinte expresso:
lx
P( X = x) = e .
x!
-l
136
Onde:
e =2,7182 (base dos logartmos neperianos); e
corresponde a frequncia mdia de sucesso no intervalo
contnuo que se deseja calcular a probabilidade.
Exemplo
A anlise dos dados dos ltimos anos de uma empresa de
energia eltrica forneceu o valor mdio de um blecaute por ano.
Pense na probabilidade de isso ocorrer no prximo ano:
a) Nenhum blecaute.
b) De 2 a 4 blecautes.
c) No mximo 2 blecautes.
Note que o exemplo afirma que a cada ano acontece em
mdia um blecaute, ou seja, o nmero de sucesso ocorrido em
um inter valo contnuo. Verificamos que a varivel tem
Distribuio Poisson:
lx
P( X = x) = e .
x!
-l
Veja que aqui no necessrio fazer regra de trs, pois as

perguntas so no intervalo de um ano. Ento: = 1:
a) P ( x = 0) =
e -1 .10 0,3679.1
=
= 0,3679 ou 36,79%
0!
1
b)
c) Como j temos os valores de x = 0 e x = 2 basta

calcularmos para x = 1 e somarmos os resultados.
P ( x = 1) =
-1
e .1
0,3679.1
=
= 0,3679 ou 36,79%
1!
1
P(x 2) = P(x=0) + P(x=1) + P(x=2) =

0,3679 + 0,3679 + 0,1839 = 0,9197 ou 91,97%
Mdulo 4
137
Vejamos uma aplicao da Distribuio de Poisson

considerando que o Corpo de Bombeiros de uma determinada
cidade recebe, em mdia, trs chamadas por dia. Queremos saber,
ento, qual a probabilidade do Corpo de Bombeiros receber:
Como o intervalo em que

se deseja calcular a
a) 4 chamadas em um dia: verificamos que a varivel

tem Distribuio Poisson, pois temos nmero de
chamadas (varivel discreta) por dia (intervalo
contnuo). A probabilidade ser calculada por meio
da expresso:
probabilidade um dia, o
ser igual a 3.
-l
P( X = x) = e .
lx
x!
Como no necessrio fazer regra de trs, pois as

perguntas so no intervalo de um dia, ento: = 3.
Substituindo na expresso, teremos:
P(X = 4) = e
-3
34
= 0,1680
4!
b) Nenhuma chamada em um dia: nesse caso, o

intervalo continua sendo um dia. Logo, o lambda ()
continua sendo o mesmo, ou seja, = 3. Substituindo
ento na expresso, teremos:
P ( X = 0 ) = e- 3
30
= 0 ,0498
0!
c) 20 chamadas em uma semana: nesse caso o

intervalo em que se deseja calcular a probabilidade
de uma semana, ou seja, sete dias. Ento, em uma
semana, a frequncia mdia de chamadas ser de 7
dias vezes 3 chamadas/dia:
= 21 chamadas por semana
Substituindo os valores, teremos a seguinte
probabilidade:
P ( X = 20) = e -21
138
2120
= 0 ,0867
20!
Uma caracterstica da Distribuio de Poisson que as

estatsticas da distribuio (mdia e varincia) apresentam o mesmo
valor, ou seja, so iguais a . Ento, teremos:
Mdia = Varincia =
Antes de discutir as distribuies contnuas, vamos aplicar os

conhecimentos relacionados Distribuio de Poisson
realizando a Atividade 3 ao final desta Unidade. importante
salientarmos que nesta Unidade a resoluo das atividades de
aprendizagem sero solicitadas ao longo do texto para facilitar
a sua compreenso dos conceitos e de como utiliz-los.
Mdulo 4
139
DISTRIBUIES CONTNUAS
Dentre as vrias distribuies de probabilidade contnuas,
abordaremos aqui apenas a distribuio normal, pois ela apresenta
grande aplicao em pesquisas cientficas e tecnolgicas. Grande
parte das variveis contnuas de interesse prtico segue essa
distribuio, aliada ao Teorema do Limite Central (TLC), que a
base das estimativas e dos testes de hipteses realizados sobre a
mdia de uma populao qualquer, e garante que a distribuio
amostral das mdias segue uma distribuio normal,
independentemente da distribuio da varivel em estudo, como
ser visto mais adiante.
DISTRIBUIO NORMAL
A funo densidade de probabilidade da distribuio normal
dada por:
f ( x) =
1
s 2 p
1 x- m
-
2 s
exp
, x R.
Onde:
e so a mdia e o desvio padro, respectivamente, da
distribuio de probabilidade.
corresponde a 3,1415 e exp a uma funo exponencial.
140
O grfico da distribuio normal, utilizando a funo

mostrada anteriormente e os conceitos vistos nas disciplinas
Matemtica Bsica e Matemtica para Administradores, dado por:
Voc encontrar a seguir as principais propriedades da

distribuio normal:
simtrica em relao ao ponto x = (50% abaixo e

50% acima da mdia);
tem forma campanular*;

as trs medidas de posio mdia, mediana e moda
se confundem no ponto mximo da curva (x = );
fica perfeitamente definida conhecendo-se a mdia e
* Campanular relativo
campnula; objeto em
forma de sino. Fonte:
Houaiss (2009).
o desvio padro, pois outros termos da funo so

constantes; e
toda a rea compreendida entre a curva e o eixo x

igual a 1 (conceito de probabilidades).
Portanto, a rea sob a curva entre os pontos a e b, em que
a < b, representa a probabilidade da varivel X assumir um valor
entre a e b (rea escura), como observamos a seguir.
Mdulo 4
141
Desse modo, voc pode associar que, no caso das

distribuies contnuas, a rea do grfico corresponde a
probabilidades.
A varivel x tem
distribuio normal com

mdia e varincia
Ento, veja a notao utilizada para a distribuio normal:

X~N( , )
Para calcularmos as probabilidades via distribuio normal,

necessrio o conhecimento de clculo integral. Assim, procuramos
tabelar os valores de probabilidade que seriam obtidos por meio da
integrao da funo densidade de probabilidade normal em um
determinado intervalo.
A dificuldade para se processar esse tabelamento se prendeu
na infinidade de valores que (mdia) e (desvio padro) poderiam
assumir. Nessas condies, teramos que dispor de uma tabela para
cada uma das infinitas combinaes de e , ou seja, em cada
situao que se quisesse calcular uma probabilidade.
Para resolver esse problema, podemos obter uma nova forma

para a distribuio normal, que no seja influenciada por e .
O problema foi solucionado mediante emprego de uma nova varivel
definida por:
z=
142
x- m
s
Essa varivel transforma todas as distribuies normais em

uma distribuio normal reduzida ou padronizada, de mdia zero
e desvio padro um. Ento, temos: Z ~ N(0,1).
Assim, utilizamos apenas uma tabela para o clculo de
probabilidades para qualquer que seja a curva correspondente a
uma distribuio normal.
Portanto, para um valor de x = em uma distribuio normal
qualquer, corresponde o valor:
z=
x -m m -m
=
= 0 na distribuio normal reduzida.
s
s
Para x = + temos:
z=
x -m m +s -m s
=
= = 1 e, assim por diante.
s
s
s
Podemos definir a distribuio normal reduzida ou
padronizada como sendo uma distribuio da varivel
Z que apresenta distribuio normal com mdia zero
e varincia 1 (Z N (0;1)).
Na Tabela 15, que apresenta a distribuio nor mal

padronizada, as reas ou probabilidades fornecidas esto entre zero
e o valor de Z, como vemos a seguir.
Mdulo 4
143
Tabela 15: rea sob a curva normal padronizada compreendida

entre os valores 0 e Z
Veja que na Tabela 15 os valores apresentados na primeira

coluna correspondem a parte inteira e decimal do valor de Z
(por exemplo 1,5), enquanto os valores da primeira linha
correspondem a parte centesimal (por exemplo 8). Assim, teremos
o valor de Z = 1,58. J os valores encontrados no meio da tabela
correspondem s probabilidades dos respectivos valores
compreendidos entre zero e Z.
144
Para que voc possa entender a utilizao da distribuio

normal, vamos considerar a arrecadao como um tributo de uma
pequena cidade. Verificamos que essa arrecadao seguia uma
distribuio normal com durao mdia de R$ 60.000,00 e desvio
padro de R$ 10.000,00. Procuramos, ento, responder os seguintes
questionamentos:
a) Qual a probabilidade de uma arrecadao ser maior
do que R$ 75.000,00?
Como a varivel arrecadao apresenta distribuio
aproximadamente normal com mdia 60000 e
varincia de 100002 [X~ N(60000;100002)] e procurase calcular a P(X > 75000) = ?
Primeiramente, precisamos transformar a varivel
X em Z e, depois, substituindo na expresso, teremos:
x - m 75000 - 60000
=
= 1,50
s
10000
z=
Olhando esse valor na Tabela 15, z = 1,50 (1,5 na

primeira coluna e o zero na primeira linha),
encontraremos no meio da tabela o valor de 0,4332
que corresponde probabilidade de z estar entre zero
e 1,5, como voc pode observar a seguir.
=
1,5
0,5
0,4332
1,5
A rea escura da figura corresponde a P(X>75000),

que a mesma coisa que: P(z > 1,50). Ento:
P(z > 1,50) [Figura 1] = P(0<z<+)[Figura 2]
P(0 < z < 1,50) [Figura 3] = 0,5 0,4332 = 0,0668.
Mdulo 4
145
Retirou-se a probabilidade encontrada de 0,5, pois esse

valor corresponde probabilidade de zero at o infinito.
b) Qual a probabilidade da arrecadao estar entre
R$ 50.000,00 e R$ 70.000,00?
P(50000 < X < 70000) = ?
Primeiramente, precisamos transformar a varivel X
em Z e, depois, substituindo na expresso de Z,
teremos valores de Z1 e Z2, relacionados aos valores
de X1=50000 e X2=70000:
0,3413
0,3414
-1,00
1,00
Podemos verificar que:

P(50000 < X < 70000) = P( 1,00 < z < 1,00) =
0,3413 + 0,3413 = 0,6826
c) Qual a probabilidade da arrecadao estar entre
R$ 63.000,00 e R$ 70.000,00?
P(63000 < X < 70000) = ?
146
0,3413
0
0,3 1,00
1,00
0,1179
0,3
P(63000 < X < 70000) = P( 0,30 < z < 1,00) =

0,3413 - 0,1179 = 0,2234
Destacamos que existem outras distribuies tanto discretas
quanto contnuas que no foram abordadas neste livro. Portanto,
recomendamos que voc procure outras fontes de conhecimento, a
comear por fazer uma pesquisa na internet sobre essas
distribuies.
Antes de prosseguir, voc deve realizar as Atividades 4 e 5 ao

final desta Unidade, na qual voc ter a oportunidade de verificar
o seu grau de compreenso sobre a distribuio normal.
Mdulo 4
147
DISTRIBUIES AMOSTRAIS
Com as distribuies amostrais, voc pode inferir propriedades
de um agregado maior (a populao) a partir de um conjunto menor
(a amostra), ou seja, inferir sobre parmetros populacionais,
dispondo apenas de estatsticas amostrais. Portanto, torna-se
necessrio um estudo detalhado das distribuies amostrais, que so
base para intervalos de confiana e testes de hipteses.
Para que voc tenha condies de fazer afirmaes sobre
um determinado parmetro populacional (ex: ), baseados na
estimativa x, obtida a partir dos dados amostrais, necessrio
conhecer a relao existente entre x e isto , o comportamento de
x, quando se extraem todas as amostras possveis da populao,
ou seja, sua distribuio amostral.
Para obtermos a distribuio amostral de um estimador,
necessrio conhecer o processo pelo qual as amostras foram
retiradas, isto , se amostras foram retiradas com reposio ou
sem reposio. Neste material, iremos considerar apenas as
situaes de amostragens com reposio.
Dessa forma, a partir do comportamento da estatstica
amostral, podemos aplicar um teorema muito conhecido na
estatstica como Teorema do Limite Central (TLC). Esse teorema
prope que, se retirarmos todas as possveis amostras de tamanho
n de uma populao, independente de sua distribuio, e
verificarmos como as estatsticas amostrais obtidas se distribuem,
teremos uma distribuio aproximadamente normal, com x
(mdia das medias amostrais igual mdia populacional)
2
e varincia das mdias s x =
148
s2
(varincia das mdias
n
mostrais igual varincia da populao dividida pelo

tamanho da amostra), independentemente da distribuio da
varivel em questo.
Portanto, considerando a distribuio amostral de mdias,

quando se conhece a varincia populacional ou a amostra grande
(n > 30), utilizamos a estatstica z da distribuio normal vista
anteriormente, independentemente da distribuio da populao.
x-m
Ento, por meio do TLC, a estatstica ser dada por: z = s
.
n
Confira a indicao de
um programa para
clculo amostral na
seo Complementando
ao final desta Unidade.
DISTRIBUIO t DE STUDENT
Na prtica, muitas vezes no se conhece 2 e trabalha-se
com amostras pequenas, ou seja, menor ou igual a 30. Assim, voc
conhece apenas sua estimativa s (desvio padro amostral).
Substituindo por seu estimador s, na expresso da varivel
padronizada, obtemos a seguinte varivel:
t=
x-m
s
(expresso semelhante a Z)
n
Essa varivel segue uma distribuio t de Student com

(n 1) graus de liberdade*.
O n 1 corresponde ao divisor do clculo da varincia
amostral, ou seja, o nmero de variveis na amostra que variam
livremente na definio da estatstica.
* Graus de liberdade (GL)
A distribuio t de Student apresenta as seguintes

caractersticas:
menos o nmero de
simtrica em relao mdia, que zero;
o nmero de determinaes independentes

(dimenso da amostra)
parmetros
estatsti-
cos a serem avaliados

na populao. Fonte:
tem forma campanular (semelhante a normal);
Mdulo 4
149
quando n tende para infinito, a distribuio t tende

para a distribuio normal. Na prtica, a aproximao
considerada boa quando n >30; e
possui n-1 graus de liberdade.

Vamos aprender a utilizar a tabela da distribuio de t de
Student. Na tabela t de Student, na primeira linha, temos o valor de
que corresponde probabilidade (rea) acima de um
determinado valor da tabela. Veja a seguir o conceito de
(rea mais escura).
ta
Observe que na Tabela 16, a seguir, temos, na primeira coluna,

os graus de liberdade (GL) e, no centro da tabela, os valores da
estatstica t de Student. Na primeira linha, temos os valores de .
150
Tabela 16: Limites unilaterais da distribuio t de Student

ao nvel de probabilidade
Para exemplificar o uso da tabela, considere que desejamos

encontrar a probabilidade ser maior do que um valor de t igual a
2,764 trabalhando com uma amostra de tamanho n = 11. Portanto,
teremos 10 graus de liberdade e, nessa linha, procuremos o valor
que desejamos encontrar: 2,764. Subindo na tabela em direo
Mdulo 4
151
ao , encontraremos um valor de 0,01 na primeira linha, ou seja,

essa a probabilidade de ser maior do que 2,764 com 10 graus
de liberdade.
a = 0,01
0
2,764
Vamos resolver outro exemplo:

Encontre o valor de t tal que a probabilidade de t
(distribuio) esteja entre -t e t e seja igual a 0,95 com 20 graus de
liberdade. Isso pode ser representado da forma a seguir:
t / P (t < t < t ) = 0,95 com 20 gl
A rea do meio corresponde a uma probabilidade de 0,95.
Ento, como a probabilidade total igual a 1, sobrou 0,05 de
probabilidade para ser dividida pelas reas do lado direito e
esquerdo. Observando o valor de =0,025 (rea direita do valor
tabelado) na tabela de t de Student e com 20 graus de liberdade,
encontraremos o valor de 2,086. Do outro lado, teremos um valor
negativo, pois ele est esquerda da mdia igual a zero, como voc
pode ver a seguir.
a 2 = 0,025
-2,086
152
0,95
0
a 2 = 0,025
2,086
DISTRIBUIO
DE
QUI-QUADRADO
Retirando uma amostra de n elementos de uma populao

normal com mdia e varincia 2, podemos demonstrar que a
distribuio amostral da varincia amostral segue uma
distribuio de 2 (qui-quadrado) com n-1 graus de liberdade.
A varivel da estatstica de qui-quadrado ser dada por:
c2 =
(n - 1) s 2
tem distribuio 2 com n-1 graus de liberdade.
s2
Essa distribuio sempre positiva, o que pode ser

comprovado pela prpria definio da varivel. , ainda, assimtrica
direita, como voc pode ver no grfico da distribuio, a seguir.
Por meio da Tabela 17, voc pode ver como feita a utilizao
da distribuio de qui-quadrado com graus de liberdade (GL).
Mdulo 4
153
Tabela 17: Limites unilaterais da distribuio de 2 ao nvel de probabilidade
Para obter probabilidades ou o valor da estatstica de quiquadrado, voc ir proceder do mesmo modo que na tabela da
distribuio t de Student. Na primeira linha, temos os valores de ,
na primeira coluna temos os graus de liberdade e no meio da tabela
temos os valores da estatstica de qui-quadrado.
Vamos, ento, aprender a olhar a tabela de qui-quadrado.
Encontre a probabilidade de o valor de qui-quadrado ser maior

do que 3,25 com 10 graus de liberdade, ou seja, P(x2 > 3,25)=?
154
0,025
a = 0,975
3,25
Para 10 graus de liberdade e um valor de 3,25 (valor

aproximado) na tabela, encontraremos na parte superior um valor
de = 0,975, que corresponde probabilidade procurada.
Agora, sabemos que a probabilidade de ser maior que um
determinado valor de qui-quadrado igual a 0,90 (P(x2 > ?) = 0,9
com 15 graus de liberdade. Ento, o valor da interrogao (?) ser
obtido na tabela de qui-quadrado.
0,10
a = 0,90
Observando a tabela de qui-quadrado com 15 graus de

liberdade e um valor de = 0,90, encontraremos no meio da tabela
um valor de 8,55, que ser o valor de qui-quadrado, cuja
probabilidade de ser maior do que ele de 0,90 ().
Mdulo 4
155
DISTRIBUIO
DE
A distribuio de F de Fischer-Snedecor corresponde

distribuio da razo de duas varincias. Temos, ento, duas
populaes que apresentam varincias populacionais e delas so
retiradas amostras nas quais so calculadas varincias amostrais.
A relao entre essas varincias que nos d a distribuio de F.
A estatstica da distribuio apresentada a seguir:
s 2A
F=
s 2B
s 2A
s 2B
Segue uma distribuio F com v1 = n1 -1 e v2 = n2 -1 graus

de liberdade para o numerador e o denominador, respectivamente.
Uma das tabelas de F de Snedecor apresentada a seguir:
156
Tabela 18: Limites unilaterais da distribuio F de FischerSnedecor ao nvel de 10% de probabilidade
Note que, no caso da tabela de F, o valor de que corresponde

rea extrema direita da curva apresentado no ttulo da tabela,
pois, para cada valor de , temos uma tabela diferente.
Encontramos uma aplicao prtica da distribuio de F na
verificao da homogeneidade das varincias provenientes de duas
populaes normais e independentes. Ento, encontre o valor de F1
cuja probabilidade de ser maior do que ele 0,10 com 5 e 25 graus
de liberdade, ou seja, P(F > F1) = 0,10 com v1 = 5 e v2 = 25 gl.
Como temos a probabilidade do resultado ser maior do que
um valor de F, esse valor corresponde ao valor de . Precisaremos,
ento, trabalhar com a tabela que apresenta 10% de probabilidade
no ttulo, como a Tabela 18.
Mdulo 4
157
Observando v 1 = 5 e v2 = 25, encontraremos um valor de F

igual a 2,092.
a = 0,10
1 - a = 0,90
2,092
158
NOES DE ESTIMAO
Um dos principais objetivos da estatstica inferencial
consiste em estimar os valores de parmetros populacionais
desconhecidos (estimao de parmetros) utilizando dados
amostrais. Ento, qualquer caracterstica de uma populao pode
ser estimada a partir de uma amostra aleatria, desde que esta
amostra represente bem a populao.
A estatstica inferencial apresenta uma relevncia alta, j

que a utilizao de dados amostrais est associada maioria das
decises que um gestor ou um pesquisador deve tomar. Consiste
em tirar concluses de uma populao a partir de amostra
representativa dessa populao, tendo isso grande importncia em
muitas reas do conhecimento.
Os parmetros
populacionais mais
comuns a serem
estimados so: a mdia,

o desvio padro e a
proporo.
A partir de uma amostra de 800 clientes (escolhidos

aleatoriamente entre todos os clientes que abasteceram na primeira
quinzena de um determinado ms) de um posto de gasolina que
possuem carros populares, verificou-se que o consumo mdio de
gasolina foi de R$ 200,00 por quinzena.
Reflita sobre a afirmao a seguir:
Podemos inferir que o consumo mdio da populao de

clientes da primeira quinzena do ms em estudo, proprietrios
de carros populares que abastecem nesse posto de gasolina,
de R$ 200,00.
Mdulo 4
159
Esta uma estimativa que chamamos de pontual, ou seja,

inferimos sobre a populao considerando apenas o valor da
estimativa. Essas estimativas por ponto no nos do uma ideia sobre
confiana e sobre as margens de erro que deveriam ser aplicadas
ao resultado. Tudo que ns sabemos, por exemplo, que o consumo
mdio de gasolina foi estimado em R$ 200,00 por quinzena,
independentemente do tamanho da amostra e da variabilidade
inerente aos dados. Se fosse usado um tamanho grande de amostra
e houvesse pouca variabilidade, teramos grandes razes para
acreditar no resultado; mas no sabemos nada quando temos
apenas uma estimativa por ponto.
Entretanto, podemos estimar ou fazer inferncias sobre os
valores da populao usando uma segunda abordagem chamada
de estimativas por intervalos ou intervalos de confiana,
que do o intervalo dentro do qual se espera que esteja o valor da
populao, com uma dada probabilidade ou um nvel de confiana.
Nesse caso, poderamos inferir, por exemplo, que o consumo de
carros populares que abastecem no posto de gasolina est no
intervalo de R$180,00 a R$ 220,00 e, ainda, afirmaramos isso
com, por exemplo, 95% de certeza.
Como a estimativa por intervalos nos fornece uma
informao mais precisa em relao ao parmetro, esta a melhor
forma de se estimar o parmetro populacional. Ento, para voc
estimar parmetros populacionais por meio de dados amostrais,
necessrio o conhecimento da distribuio amostral da estatstica
que est sendo usada como estimador.
Na seo Distribuies
Amostrais, abordamos
esse assunto. Se julgar
necessrio, retome o
contedo.
160
Em resumo, podemos dizer que a estimativa pontual

fornece uma estimativa nica de um parmetro e que
a estimativa intervalar nos d um intervalo de valores
possveis, no qual se admite que esteja o parmetro
populacional com uma probabilidade conhecida.
ESTIMAO
POR INTERVALOS
Voc ir ver agora que um intervalo de confiana d um

intervalo de valores, centrado na estatstica amostral, no qual julgamos,
com um risco conhecido de erro, estar o parmetro da populao.
o nvel de significncia que nos d a medida da
incerteza dessa inferncia. O geralmente assume valores
entre 1 e 10%.
Ento, a partir de informaes de amostras, devemos calcular

os limites de um intervalo, valores crticos, que em (1-)%
dos casos inclua o valor do parmetro a estimar e em % dos
casos no inclua o valor do parmetro, como podemos ver no
desenho abaixo.
Valor do parmetro da populao desconhecido
O nvel de confiana 1 a probabilidade de o intervalo

de confiana conter o parmetro estimado. Em termos de varivel
normal padro Z, isso representa a rea central sob a curva normal
entre os pontos Z e Z.
Mdulo 4
161
Voc pode observar que a rea total sob a curva normal

unitria. Se a rea central 1 , o ponto z representa o valor
de Z, que deixa sua esquerda a rea /2, e o ponto z representa o
valor de Z, que deixa sua direita a rea /2.
Vamos aprender agora a construir o intervalo de confiana para

uma mdia quando o desvio padro populacional conhecido
ou a amostra grande.
Vamos imaginar a seguinte situao: o Departamento

de Recursos Humanos de uma prefeitura informa que o tempo de
execuo de tarefas que envolvem participao manual varia de
tarefa para tarefa, mas que o desvio padro permanece
aproximadamente constante, em 3 minutos. Novas tarefas esto
sendo implantadas na prefeitura. Uma amostra aleatria do tempo
de execuo de 50 das novas tarefas forneceu o valor mdio de 15
minutos. Determine um intervalo de confiana de 95% para o tempo
mdio de execuo de uma dessas novas tarefas.
Primeiramente, voc precisa identificar que o desvio padro
populacional conhecido e tambm a amostra considerada grande
(n > 30). Ento, a construo do intervalo de confiana ser feita
utilizando a mdia amostral. Utilizaremos, para a obteno dos
limites de confiana, a curva normal padro Z.
Como os limites so dados por meio da estatstica calculada
a partir dos dados amostrais e da margem de erro (fornecido pela
estatstica da distribuio multiplicada pelo desvio padro da
162
distribuio amostral), teremos, nessa situao, os limites calculados

por meio da seguinte expresso:
Logo, o intervalo de confiana tem centro na mdia amostral:

Calculando, teremos:
1- = 0,95 = 0,05 /2 = 0,025
Olhando na tabela de Z, voc encontrar Z/2 = 1,96
Interpretao do resultado: em cada grupo de 100

amostras retiradas de 50 pessoas, espera-se que, em 95 delas, a
mdia esteja dentro do intervalo de 14,168 a 15,831.
Antes de continuar a leitura, voc deve realizar, ao final desta

Unidade, a Atividade 6, na qual ir aplicar os conhecimentos
relacionados amostra e ao intervalo de confiana. Em caso
de dvida, faa contato com seu tutor.
Mdulo 4
163
DIMENSIONAMENTO
DE
AMOSTRAS
Desenvolvendo a expresso de erro mostrada anteriormente,

obteremos o tamanho de amostra para estimao da mdia
populacional quando o desvio padro populacional for conhecido,
como mostramos a seguir:
s
e = za
2 n
s
n = za
2
e
za . s
n= 2
e
n=
( za )2 . s 2
2
e2
Imagine a seguinte situao: que tamanho de amostra

ser necessrio para produzir um intervalo de 95% de confiana
para a verdadeira mdia populacional, com erro de 1,0, se o desvio
padro da populao 10,0?
Substituindo esses valores na expresso, teremos:
Za2 2 .s 2 1,96 2 .102

=
= 384,16 @ 385
no =
12
e2
Voc pode alterar a confiana que teremos um diferente valor
de Z e tambm o erro. Isso ir depender da preciso que voc ir
desejar nas suas estimativas.
Quando trabalhamos com proporo de sucesso, podemos
substituir a varincia por p.q (proporo de sucesso vezes a
proporo de fracasso) da Distribuio de Bernoulli.
Onde
e correspondem s estimativas de sucesso e de
fracasso, respectivamente, obtidos a partir de resultados amostrais.
Vamos ver uma aplicao?
164
Um setor da prefeitura que cuida da documentao de

imveis est interessado em estimar a proporo de pessoas que
compram novos imveis na cidade para melhor dimensionar o setor
de atendimento. Para isso, amostrou 80 pessoas do seu cadastro,
verificando que 30 delas teriam comprado imvel no ltimo ano.
Determine o tamanho da amostra necessrio para estimar com 95%
de confiana essa proporo e com erro mximo de 4%.
Substituindo os valores, teremos:
Complementando...
Atravs do link que apresentamos a seguir, voc poder fazer clculos das
distribuies de probabilidade discretas ou contnuas, de dimensionamento
de amostras e de intervalos de confiana.
Programa
estatstico
Bioestat.
Disponvel
em:
<http://
www.mamiraua.org.br/download/Default.aspx?dirpath=e:\home\
mamiraua\Web\download\BioEstat 5 Portugues&tipo=diretorio>.
Mdulo 4
165
Resumindo
Nesta Unidade, voc aprendeu sobre as principais distribuies de probabilidade, sejam elas discretas ou contnuas, e como utiliz-las. Tambm conheceu as distribuies
de amostragem e, quando utiliz-las, e noes bsicas de
estimao (intervalos de confiana) e dimensionamento de
amostras. Essas informaes sero muito importantes para
a compreenso da prxima Unidade.
166
Para verificar se voc est acompanhando o que
apresentamos nesta Unidade, procure responder s
atividades propostas, a seguir. Se tiver dificuldades para
resolv-las, consulte seu tutor.
1. No Brasil, a proporo de microempresas que fecham em at um ano

de atividade de 10%. Em uma amostra aleatria de 20
microempresas, qual a probabilidade de 5 terem fechado em at um
ano de sua criao?
2. Entre 2.000 famlias de baixa renda e com quatro crianas, considerando-se que a chance de nascer uma criana do sexo masculino
igual a do sexo feminino, em quantas famlia se esperaria que tivessem:
a) Dois filhos do sexo masculino.
b) Um ou dois filhos do sexo masculino.
c) Nenhum filho do sexo feminino.
3. A ouvidoria de uma prefeitura recebe em mdia 2,8 reclamaes/
hora, segundo uma Distribuio de Poisson. Determine a probabilidade de chegarem duas ou mais reclamaes em um perodo de:
a) 30 minutos.
b) 1 hora.
c) 2 horas.
Mdulo 4
167
4. As rendas mensais de funcionrios do setor de arrecadao de

uma prefeitura so normalmente distribudas com uma mdia de
R$ 2.000,00 e um desvio padro de R$ 200,00. Qual o valor de Z
para uma renda X de R$ 2.200,00 e de R$ 1.700,00?
5. O uso dirio de gua por pessoa em uma determinada cidade
normalmente distribudo com mdia igual a 20 litros e desvio
padro igual a 5 litros.
a) Que percentagem da populao usa entre 20 e 24 litros
por dia?
b) Que percentagem usa entre 16 e 20 litros?
c) Qual a probabilidade de que uma pessoa selecionada
ao acaso use mais do que 28 litros?
6. Considere que as despesas mensais com alimentao em restaurantes de comida a quilo para um casal so normalmente distribudas com desvio padro de R$ 3,00. Uma amostra de 100 casais
revelou uma despesa mdia de R$ 27,00. Determine o intervalo
de confiana de 95% para a despesa com alimentao de casais.
168
UNIDADE 6
TESTES
DE
HIPTESES

Escolher o teste de hiptese adequado;
Formular um teste de hiptese;
Chegar a uma concluso sobre uma populao a partir dos resultados
amostrais; e
Interpretar os passos e os resultados de um teste de hiptese.
Mdulo 4
169
170
INTRODUO
Caro estudante,
Vamos conhecer agora os principais testes de hipteses
utilizados na inferncia estatstica.
Voc, como gestor, muitas vezes ter de tomar decises
baseadas na anlise de dados a partir de um teste de
hiptese. Portanto, esteja atento ao contedo que iremos
apresentar a voc nesta ltima Unidade, pois ao longo da
leitura voc certamente perceber a importncia desse
assunto quando tratamos de Estatstica Aplicada
Administrao. Bom estudo!
Na teoria de deciso estatstica, os testes de hipteses

assumem uma importncia fundamental, j que nos permitem dizer,
por exemplo, se duas populaes so, de fato, iguais ou diferentes
utilizando, para isso, amostras dessas populaes. Sendo assim, a
tomada de deciso de um gestor pblico deve estar baseada na
anlise de dados a partir de um teste de hiptese.
Voc pode definir as hipteses a serem testadas,

retirar as amostras das populaes a serem estudadas,
calcular as estatsticas delas e, por fim, determinar o
grau de aceitao de hipteses baseadas na teoria de
deciso, ou seja, se uma determinada hiptese ser
validada ou no.
Mdulo 4
171
Para voc decidir se uma hiptese verdadeira ou falsa,

ou seja, se ela deve ser aceita ou rejeitada, considerando-se uma
determinada amostra, precisamos seguir uma srie de passos que so:
1. Definir a hiptese de igualdade (H 0) e a hiptese
alternativa (H1) para tentar rejeitar H0 (possveis erros
associados tomada de deciso).
2. Definir o nvel de significncia ().
3. Definir a distribuio amostral a ser utilizada.
4. Definir os limites da regio de rejeio e de aceitao.
5. Calcular a estatstica da distribuio escolhida a partir
dos valores amostrais obtidos e tomar a deciso.
Voc deve tomar a deciso baseado na seguinte regra:
se o valor da estatstica da distribuio calculado estiver na regio
de rejeio, rejeite a hiptese nula. Caso contrrio, se o valor da
estatstica calculado caiu na regio de aceitao, a deciso ser
que a hiptese nula no poder ser rejeitada ao nvel de significncia
determinado.
Agora, voc ter o detalhamento dos passos na formulao de

um teste de hiptese. Esteja bem atento!
172
ESTRUTURA DOS TESTES DE HIPTESES

Diversos conceitos sero apresentados ao longo do
detalhamento dos passos a serem seguidos na formulao de um
teste de hiptese.
1) Formular as hipteses (H0 e H1).
Primeiramente, vamos estabelecer as hipteses nula e
alternativa. Para exemplificar, voc deve considerar um teste de
hiptese para uma mdia. Ento, a hiptese de igualdade chamada
de hiptese de nulidade ou H0.
Suponha que voc queira testar a hiptese de que o tempo
mdio de atendimento na retirada de uma guia, em uma prefeitura
considerada modelo de atendimento, igual a 50 segundos.
Essa hiptese ser simbolizada da seguinte maneira:
H0: = 50 (hiptese de nulidade)
Essa hiptese, na maioria dos casos, ser de igualdade.
Se voc rejeitar essa hiptese, ir aceitar, nesse caso, outra
hiptese, que chamamos de hiptese alternativa. Esse tipo de
hiptese simbolizado por H1 ou Ha.
A partir do nosso exemplo, as hipteses alternativas mais
comuns so as apresentadas a seguir:
H1: > 50 (teste unilateral ou unicaudal direita).

O tempo mdio de retirada da guia superior a 50
segundos (>).
Mdulo 4
173
H1: < 50 (teste unilateral ou unicaudal esquerda).

O tempo mdio de retirada da guia inferior a 50
segundos (<).
H1: m 50 (teste bilateral ou bicaudal).

O tempo mdio de retirada da guia pode ser superior
ou inferior a 50 segundos.
Surge uma dvida. Qual hiptese alternativa voc utilizar?

A resposta bem simples.
A hiptese alternativa ser definida por voc em razo do

tipo de deciso que deseja tomar.
Veja o seguinte exemplo: voc inspeciona uma amostra,
relativa a uma grande remessa que chega a uma prefeitura, e
constata que 8% dela est defeituosa. O fornecedor garante que
no haver mais de 6% de peas defeituosas em cada remessa.
O que devemos responder, com auxlio dos testes de significncia,
se a afirmao do fornecedor verdadeira.
As hipteses que voc vai formular so:
A hiptese alternativa
somente pode ser maior,

pois o fornecedor
garante que no haver

mais de 6%.
H0: p = 0,06;
H1: p > 0,06.
importante ressaltar que o sinal de igual para a hiptese

H0 corresponde a um sinal de menor ou igual (nesse exemplo), pois
o teste unilateral direita (p > 0,06). Portanto, sempre que o teste
for unilateral, deve ser feita essa considerao.
2) Definir o nvel de significncia.
O nvel de significncia de um teste dado pela probabilidade

de se cometer erro do tipo I (ocorre quando voc rejeita a
hiptese H0 e essa hiptese verdadeira). Com o valor dessa
174
probabilidade fixada, voc pode determinar o chamado valor

crtico, que separa a chamada regio de rejeio da hiptese
H0, da regio de aceitao da hiptese H0.
No desenho, a seguir, as reas escuras correspondem
significncia do teste, ou seja, a probabilidade de se cometer o
chamado erro tipo I (rejeitar H 0 quando ela verdadeira).
Essa probabilidade chamada de e geralmente os valores mais
utilizados so 0,01 e 0,05. O complementar do nvel de significncia
chamado de nvel de confiana (rea clara dos grficos) e dado
por 1 .
Note que o
conhecimento das
distribuies amostrais
vistas na Unidade 5
muito importante. Caso
3) Definir a distribuio amostral a ser utilizada.
ainda tenha alguma
Voc definir a estatstica a ser utilizada no teste em razo

da distribuio amostral a qual os dados seguem. Se voc fizer um
teste de hiptese para uma mdia ou diferena entre mdias, utilize
a distribuio de Z ou t de Student.
Mdulo 4
dvida, volte e relembre

os conceitos das
distribuies de t, quiquadrado e F, e como

utilizar as tabelas.
175
Outro exemplo se voc quiser comparar a varincia de

duas populaes; para tal, dever trabalhar ento com a distribuio
F, ou seja, da razo de duas varincias.
4) Definir os limites da regio de rejeio.
Os limites entre as regies de rejeio e de aceitao da
hiptese H0 voc definir em razo do tipo de hiptese H1, do valor
de (nvel de significncia) e da distribuio amostral utilizada.
Considerando um teste bilateral, voc ter a regio de aceitao
(no rejeio) com uma probabilidade de 1 e uma regio de
rejeio com probabilidade (/2 + /2).
a/2
a/2
Regio de no - rejeio
valor obtido da distribuio amostral

(tabela)
Por meio da amostra obtida, voc deve calcular a estimativa

que servir para aceitar ou para rejeitar a hiptese nula. Neste
momento, voc deve estar se perguntando: como irei calcular a
estimativa, ou seja, o valor da estatstica a partir dos
dados amostrais? A resposta ser dada no prximo item.
5) Tomar a deciso
Para tomar a deciso, voc deve calcular a estimativa do
teste estatstico que ser utilizada para rejeitar ou no a hiptese
H0. A estrutura desse clculo para a mdia de forma generalista
dada por:
176
Podemos exemplificar pela distribuio de Z, que ser:

Estatstica
do teste
Zcal =
(x - m )
(s / n)
Variabilidade
das mdias
Se o valor da estatstica estiver na regio crtica (de rejeio),

voc vai rejeitar H0, caso contrrio, aceite H0. O esquema a seguir
mostra bem a situao de deciso.
Mdulo 4
177
TESTE DE HIPTESE PARA UMA MDIA

Quando voc retira uma amostra de uma populao e calcula
a mdia dessa amostra, possvel verificar se a afirmao sobre a
mdia populacional verdadeira. Para tanto, basta verificar se a
estatstica do teste estar na regio de aceitao ou de rejeio da
hiptese H0.
Aqui, voc tem duas situaes distintas:
Primeira situao: se o desvio padro da populao
conhecido ou a amostra considerada grande (n >30): a
distribuio amostral a ser utilizada ser da Normal ou Z e
a estatstica teste que voc utilizar ser:
Onde:
x : mdia amostral;
: mdia populacional;
: desvio padro populacional; e
n: tamanho da amostra.
Imagine a seguinte situao: um gestor pblico sabe
que, para montar um determinado negcio em um bairro de
Curitiba, necessrio que nele circulem, no mnimo, 1.500 pessoas
por dia. Para o tipo de bairro em questo, possvel supor o desvio
padro como sendo igual a 200 pessoas. Uma amostra aleatria
formada por 12 observaes revelou que passariam pelo local
178
escolhido 1.400 pessoas por dia, em mdia. O negcio pode ser

montado ou no? Assuma = 5% e suponha populao
normalmente distribuda.
Resoluo:
Sempre, em um exerccio de tomada de deciso, precisamos
da formulao de um teste de hiptese, seguindo os passos
apresentados:
1. Formular as hipteses.
2. Definir o nvel de significncia.
3. Definir a distribuio amostral a ser utilizada.
4. Definir os limites da regio de rejeio (grfico).
5. Tomar a deciso.
Vamos primeiramente retirar os dados do problema:
n = 12; x = 1400 e = 200
Vamos estabelecer as hipteses com base no exerccio:
Ho: = 1500
Denominamos esse
desvio como
populacional, pois,
baseados nas
caractersticas do bairro
H1: < 1500
(conhecimento prvio),
podemos supor o valor
Caso tenhamos uma mdia igual a 1.500 pessoas, podemos

montar o negcio. Mas se aceitarmos a hiptese H1, no devemos
indicar a montagem do negcio.
do desvio.
= 0,05
A estatstica escolhida Z. Substituindo os valores da amostra

e o da hiptese H0 na estatstica de Z, teremos:
Veja que, mesmo com
n 30, o desvio padro

populacional foi
informado. Quando temos

essa situao, devemos
sempre usar Z.
Mdulo 4
179
Valor mais prximo de
0,45, pois este no existe

na tabela.
O valor Z t = 1,64, que divide a RRH 0 e RAH 0 , foi

encontrado na tabela Z procurando em seu interior o valor 0,4495.
Como Z calculado menor que Z tabelado, ou seja, 1,73 pertence
a RRH0, podemos afirmar com 95% de certeza que transitam menos
de 1.500 pessoas por dia no bairro e, assim, verificamos que no
vivel montar o negcio no bairro.
Agora, antes de prosseguir, voc deve resolver a Atividade 1,

ao final desta Unidade. Caso tenha alguma dvida, retorne a
situao anterior, aquela que resolvemos juntos.
Segunda situao: se voc no conhecer o desvio padro

populacional e a amostra for pequena (n 30), a distribuio
amostral a ser utilizada ser a t de Student e a estatstica teste ser:
Onde:
x : mdia amostral;
: mdia populacional;
s : desvio padro amostral; e
n: tamanho da amostra.
180
Uma observao importante: quando trabalhamos com

amostras grandes, ou seja, n 30, a distribuio de Z
e t de Student apresentam comportamentos e valores
da estatstica prximos.
Neste momento, releia os passos anteriores para que no

fique nenhuma dvida em relao estrutura de um teste de hiptese,
pois iremos trabalhar juntos em situaes nas quais iremos aplicar
os diferentes testes de hipteses para uma mdia.
Ento, aps a releitura do contedo apresentado, vamos analisar

as situaes.
Veja, abaixo, a primeira situao em que utilizaremos o teste

de hiptese para uma mdia usando a estatstica de Z (amostras
grandes ou varincia populacional conhecida). Para resolver essa
situao, utilizaremos o teste de hiptese para uma mdia usando
a estatstica de t de Student (amostra pequena e varincia
populacional desconhecida).
A Construtora Estrada Forte Ltda. alega ser capaz de produzir
concreto com, no mximo, 15 kg de impurezas para cada tonelada
fabricada. Mas, segundo a legislao municipal, caso essa
quantidade seja maior do que 15 kg, a obra deve ser embargada
pela prefeitura. Dezenove amostras de uma tonelada cada uma
revelaram possuir impurezas com mdia amostral igual a 23 kg e
desvio padro igual a 9 kg. Assumindo = 5% e populao
normalmente distribuda, a obra deve ser embargada ou no?
Resoluo:
Retirando os dados do problema:
n = 19; x = 23; s = 9; = 0,05. Vamos estabelecer as
hipteses baseando-nos na afirmao do exerccio:
Mdulo 4
181
Caso a hiptese H0 seja aceita, a obra no ser

embargada, pois ela est de acordo com a lei. Caso contrrio,
a prefeitura embarga a obra.
= 0,05
A estatstica escolhida t de Student.
Substituindo os valores do problema na expresso, teremos:
Veja que o n foi menor ou

igual a 30 (n 30), foi
informado o desvio
padro amostral e no
foi apresentado o desvio
tc =
x - m 23 - 15
8
=
=
= 3,87
s
9
2,06
n
19
padro populacional.
Nessas condies,
devemos sempre usar
distribuio t de Student.
O valor tt = 1,734 que divide a RRH 0 e RAH0 foi encontrado

na tabela t procurando grau de liberdade 18 (gl = n 1 = 19 = 1) e
= 0,05. Como t calculado maior do que t tabelado, ou seja,
1,734 pertence a RRH0, podemos afirmar com 95% de certeza que
a alegao da construtora no verdadeira. Eles no so capazes
de produzir concreto com, no mximo, 15 kg de impurezas para
cada tonelada fabricada. Ento, conclumos que a obra deve ser
embargada pela prefeitura.
182
TESTE DE HIPTESE PARA A RAZO

DE DUAS VARINCIAS
Esse teste de hiptese utilizado para saber se duas varincias
populacionais so estatisticamente iguais ou se uma maior do que
a outra. Utilizando a distribuio F, poderemos formular o teste de
hiptese da razo entre duas varincias e chegar concluso baseados
apenas nas estimativas calculadas a partir das amostras.
As hipteses H0 e H1 sero:
(varincias das duas populaes so iguais)
(varincia da populao 1 maior do que a da
populao 2).
Como estamos utilizando um teste unilateral direita, por

questes didticas, ento, no clculo da estatstica de F,
teremos a maior varincia dividida pela menor varincia.
A maior varincia amostral encontrada ser chamada de

(proveniente de uma amostra de tamanho n1) e a menor varincia
amostral ser chamada (proveniente de amostra de tamanho n2).
Vamos considerar duas amostras provenientes de duas
populaes. Desejamos saber se as varincias das populaes so
estatisticamente iguais ou se uma maior do que a outra. Considere
uma significncia de 2,5%. Os resultados amostrais so
apresentados a seguir:
Mdulo 4
183
= 0,5184 com n1 = 14
= 0,2025 com n2 = 21
Ento, a varivel de teste do teste F ser:
s12
F=
s22
s 12
s2
2
Como em H 0 estamos considerando que as varincias

populacionais so iguais, ento, na expresso acima, as duas varincias
populacionais iro se cancelar. No nosso exemplo, teremos:
F =
s1
s 22
= 00 ,, 5184
= 2,56
2025
O valor tabelado (crtico) da distribuio de F ser obtido

na tabela da distribuio com uma significncia de 2,5%.
Considerando como graus de liberdade iguais a 13 (n1 1) para o
numerador (v1) e 20 (n2 1) para o denominador (v2), chegaremos
ao seguinte resultado: valor tabelado igual a 2,637.
O valor calculado da estatstica (2,56) foi menor do que o

tabelado (2,637), ento, o valor calculado caiu na regio de
aceitao de H 0. Assim, aceitamos H 0 e consideramos que a
varincia da populao 1 estatisticamente igual varincia da
populao 2, ou seja, no ocorre uma diferena entre elas.
Esse teste servir de base para a escolha do prximo teste
(diferena entre mdias para amostras independentes), ou seja,
escolher o tipo de teste a ser utilizado.
184
TESTE DE HIPTESE PARA

A DIFERENA ENTRE MDIAS
Quando queremos comparar a mdia de duas populaes,
retiramos amostras das duas populaes, que podem apresentar
tamanhos diferentes. Vamos considerar as situaes de amostras
independentes (as populaes no apresentam nenhuma relao
entre si) e de amostras dependentes (uma populao sofre uma
interveno e avalia-se antes e depois da interveno para saber
se a interveno resultou algum efeito).
1 caso: amostras independentes e grandes (n 30)
ou varincias populacionais conhecidas.
2 caso: amostras independentes e pequenas (n 30),
mas que apresentam varincias populacionais
desconhecidas e estatisticamente iguais.
3 caso: amostras independentes e pequenas (n 30),
mas que apresentam varincias populacionais
desconhecidas e estatisticamente desiguais.
4 caso: amostras dependentes.
Vamos analisar cada uma dessas situaes. Lembre-se de que

as consideraes anteriores em relao aos passos para
formulao dos testes de hipteses permanecem os mesmos.
Mdulo 4
185
A grande diferena, como voc ver, ocorrer somente na

determinao das hipteses a serem testadas. A hiptese H0 ser:
H 0: 1 2 = d 0
Onde:
1: mdia da populao 1;
2: mdia da populao 2; e
d0 corresponde a uma diferena qualquer que voc deseja testar.
Geralmente, quando queremos saber se as mdias das duas
populaes so estatisticamente iguais, utilizamos o valor de d0 igual
a zero.
As hipteses alternativas seguem a mesma linha de
raciocnio, como voc pode visualizar a seguir.
H0
H1
1 2 < d 0
1 2 = d0
1 2 > d 0
1 2 d0
importante ressaltar que, se as hipteses alternativas forem

unilaterais, o sinal da hiptese H0 ser menor ou igual ou maior
ou igual dependendo da hiptese alternativa, apesar de utilizarmos
a notao de igual (conforme comentado anteriormente).
Todas as outras consideraes em relao aos testes de
hiptese permanecem as mesmas. Vamos, ento, procurar entender
cada situao para os testes de hipteses para diferena entre mdias.
1 caso: amostras independentes e grandes (n > 30) ou
varincias populacionais conhecidas: como estamos trabalhando
aqui com amostras grandes ou com desvios padro populacionais
conhecidos, devemos trabalhar com a distribuio amostral de Z
(raciocnio semelhante ao utilizado no teste de hiptese para uma
mdia). Portanto, a estatstica do teste ser dada por:
186
Z =
( X 1 - X 2 ) - (m 1 - m 2)
2
1
/ n1 + s 2 / n2
Onde:
X1: mdia da amostra 1; X2: mdia da amostra 2; : mdia
da populao 1; :mdia da populao 2;
: varincia da
populao 1; : varincia da populao 2; n1: tamanho da amostra
1 e n2 tamanho da amostra 2.
Se trabalharmos com amostras grandes, poderemos

substituir as varincias populacionais pelas varincias
amostrais sem nenhum problema.
Vamos, ento, ver como podemos aplicar o teste de hiptese

para a diferena entre mdias nesta situao:
Foram retiradas amostras do valor recebido em milhares de
reais de um determinado imposto de duas prefeituras (A e B) de
mesmo porte. Os resultados so apresentados no quadro, a seguir.
Verifique se as duas prefeituras tm o mesmo recebimento ou se
so diferentes, com uma significncia de 0,05.
A
1160
1140
Desvio padro
90
80
Tamanho amostra
100
100
MARCAS
Mdia
Como fazer:
Vamos retirar os dados apresentados em nossa situao:
Amostra A: n = 100; x = 1160; s = 90
Amostra B: n = 100; x = 1140; s = 80
Mdulo 4
187
As hipteses a serem formuladas so:
ab a b
ab
O teste t deve ser bilateral, j que a preocupao est na
verificao do fato da mdia da prefeitura A ser diferente da mdia
da prefeitura B.
= 0,05
A estatstica usada ser Z, pois as amostras so grandes
(n > 30), apesar de no termos os desvios padro populacionais.
Sendo assim, nessa situao, ainda utilizamos a estatstica de Z.
Substituindo os valores na estatstica, teremos:
Zc =
(Xa - Xb ) - (ma - m b ) (1160 - 1140) - ( 0)

sa2 sb2
+
n a nb
902 802
+
100 100
= 1,67
Como o valor calculado Zc = 1,67 est entre os valores de

1,96 e 1,96, valores que dividem a RRH0 da RAH0, verificamos
que o valor calculado Zc = 1,67 pertence a RAH0 e podemos afirmar,
com 95% de certeza, que os valores recebidos pelas duas prefeituras
so estatisticamente iguais, ou seja, aquela diferena encontrada
entre as amostras foi fruto do acaso.
2 caso: amostras independentes e pequenas, mas que
apresentam varincias populacionais estatisticamente iguais e
desconhecidas: voc deve trabalhar com a distribuio t de Student,
uma vez que as amostras que estamos trabalhando so pequenas,
e as varincias populacionais desconhecidas.
188
Aqui, estaremos considerando que as varincias

populacionais so estatisticamente iguais, pois essa situao
influenciar nos clculos e, consequentemente, no processo decisrio.
Para saber se as varincias podem ser consideradas

iguais, voc deve fazer um teste da razo de duas
varincias (teste F), apresentado anteriormente.
A estatstica do teste ser dada por:
t=
( X 1 - X 2 ) - ( m1 - m2 )
s p1 / n1 + 1 / n 2
Aqui, aparece um termo novo (Sp). Ele corresponde ao

desvio padro ponderado pelos graus de liberdade, ou seja,
calculamos um novo desvio padro cujo fator de ponderao
corresponde ao grau de liberdade de cada amostra. Veja a seguir:
Sp =
( n 1 - 1 )s 1 2 + (n 2 - 1 )s 2 2
n1 + n2 - 2
Para voc encontrar o valor tabelado que limita as regies

de aceitao e de rejeio na tabela t de Student, o nmero de
graus de liberdade (v) a ser usado na tabela ser dado por:
v = n1 + n2 2
Onde:
Lembre-se de que voc
pode voltar tabela t de

Student quando desejar,
ela se encontra na
n1 e n 2 correspondem aos tamanhos de amostras utilizados.
Unidade 5.
Vamos resolver, agora, uma situao na qual temos a

comparao entre mdias de amostras pequenas e varincias
populacionais desconhecidas e estatisticamente iguais.
Mdulo 4
189
Situao: em uma comparao de aprovao no vestibular

de uma importante universidade, seis estudantes do sexo masculino
de colgios da rede pblica (amostra A) preencheram o gabarito
no tempo mdio de 6,4 minutos e desvio padro de 60 segundos.
Outra amostra foi formada por cinco estudantes do sexo feminino
selecionados aleatoriamente do mesmo universo (amostra B), com
os resultados de tempo de preenchimento do gabarito, de um tempo
mdio de 5,9 minutos e com desvio padro de 60 segundos (assuma
varincias populacionais iguais). A Secretaria Municipal de
Educao deseja saber se existe diferena ou no entre o sexo dos
estudantes para definir se h necessidade de se fazer treinamentos
especficos para cada sexo ou um mesmo treinamento para os dois
sexos; para, assim, poder reduzir esse tempo e melhorar a
performance dos estudantes da rede pblica no vestibular.
Resoluo:
Retirando os dados do nosso exemplo, teremos:
Amostra A: n = 6; x = 6,4; s = 1
Amostra B: n = 5; x = 5,9; s = 1
As hipteses a serem formuladas so:
ab a b
ab
Caso isso no seja
O teste t deve ser bilateral, j que a ateno est voltada

para a preocupao em se constatar se, de fato, ocorre diferena
entre os estudantes do sexo masculino ou feminino.
informado no problema,
= 0,05
voc deve fazer um teste

de hiptese para comparar
as varincias
populacionais com base
nas varincias amostrais,

como vimos
anteriormente.
190
A estatstica usada ser t, pois as amostras so menores

ou iguais a 30 (n 30) e a varincia populacional
desconhecida. Alm disso, consideramos que as varincias
populacionais so estatisticamente iguais, informao que
dada no problema analisado.
Substituindo os valores nas expresses, teremos:
Sp =
tc =
(na -1).sa2 + (nb - 1).sb2

na + nb - 2
5.12 + 4.1 2
=1
6 + 5- 2
(xa - xb )- (m a - mb ) (6,4 - 5,9)- (0 )

Sp
1 1
+
na nb
1 1
+
6 5
0,5
= 0,82
0,6055
v = na + nb 2 = 6 + 5 2 = 9 (grau de liberdade)
O valor tt = 2,262 que divide a RRH 0 e RAH 0 foi encontrado

na tabela t procurando grau de liberdade 9 e = 0,025. Como
t calculado est entre os valores que dividem a regio de aceitao
de H0, ou seja, 0,82 pertence a RAH 0, podemos afirmar com 95%
de certeza que o tempo de preenchimento dos estudantes e das
estudantes a mesmo. Ento, a prefeitura deve fazer o treinamento
independentemente do sexo dos estudantes, ou seja, o mesmo
treinamento para todos os estudantes.
Antes de analisar o terceiro caso, realize a Atividade 2, ao

final desta Unidade.
3 caso: amostras independentes e pequenas, mas que

apresentam varincias populacionais estatisticamente desiguais e
desconhecidas: a diferena dessa situao para a anterior que
voc agora considera que as populaes apresentam varincias
estatisticamente desiguais. Para saber se elas so estatisticamente
Mdulo 4
191
desiguais ou diferentes, voc deve fazer um teste de hiptese para a

razo de duas varincias, visto anteriormente nesta Unidade.
Tambm utilizaremos a estatstica do teste a partir da distribuio t
de Student. A estatstica do teste ser dada por:
t=
( X 1 - X 2 ) - (m1 - m 2 )
2
1
/ n1 + s 2 / n 2
Outra diferena est no clculo do nmero de graus de

liberdade, pois, nessa situao, utilizaremos uma aproximao que
dada pela expresso a seguir:
Se esse valor calculado apresentar valores decimais, voc

deve fazer o arredondamento para um nmero inteiro.
Vamos resolver, a seguir, outra situao.
Situao: uma prefeitura deseja reduzir seus custos com

combustveis. Para isso, deseja saber se duas marcas de carro
apresentam o mesmo consumo ou se um dos fabricantes apresenta
menor consumo. No confiando nas especificaes do fabricante,
j que as condies de uso dos veculos pela prefeitura no so
ideais. Para tomar a deciso acerca de qual comprar, foi analisada
uma amostra de 22 automveis das duas marcas, obtendo o
resultado apresentado, a seguir. Seria possvel afirmar que o carro
Andaluz mais econmico, isto , que apresenta uma mdia
populacional inferior que a do Reluzente? Assuma = 5% e
populao normalmente distribuda.
192
AUTOMVEL
TAMANHO DA AMOSTRA
MDIA DE CONSUMO
DESVIO PADRO
Andaluz
12 unidades
14 km/l
2 km/l
Reluzente
10 unidades
15 km/l
4 km/l
Resoluo:
Nessa situao, faremos um teste de hiptese para diferena
entre mdias populacionais. Como as amostras so pequenas,
precisamos saber se as varincias so estatisticamente iguais ou no.
Para isso, vamos testar se as varincias populacionais so estatisticamente iguais ou no por meio de teste de F. As hipteses so:
Como estabelecemos utilizar o teste unilateral no clculo

de F, teremos, ento, a maior varincia dividida pela menor
varincia. As varincias populacionais no esto presentes na
frmula, devida, na hiptese H 0, serem consideradas iguais e,
assim, elas se cancelam.
O valor 2,896 foi encontrado na tabela F de 5% com grau

de liberdade 9 para o numerador e 11 para o denominador. Como
Fc > 2,896, rejeita-se H0 e, portanto, as varincias populacionais
so estatisticamente desiguais, ou seja, uma maior do que a outra.
Mdulo 4
193
Agora, vamos testar as mdias populacionais:

H 0: andaluz = reluzente andaluz reluzente = 0
H 1: andaluz < reluzente

Como as amostras so independentes, pequenas e com
varincias populacionais estatisticamente desiguais, usaremos a
estatstica t.
Vamos encontrar o grau de liberdade:
V=
sA2 sR2
+
nA nR
2
s
s

n
nA
+ R
n A - 1 nR - 1
t=
2
A
(xA
2
R
4 + 16
12 10
4

12
11
16

10
+
3, 74
3,74
=
= 12, 89 @ 13
0, 01 + 0,28 0, 29
- xR ) - (m andaluz - m reluzente )
s A2 sR2
+
nA nR
(14 - 15)- (0)

4 16
+
12 10
-1
= -0,72
1,39
O valor t t = 1,771, que divide a RRH 0 e RAH 0 , foi

encontrado na tabela t procurando grau de liberdade 13 e = 0,05.
Como t calculado (t = 0,72) pertence a RAH0, podemos afirmar,
com 95% de certeza, que o consumo dos carros Andaluz e Reluzente
o mesmo, ou seja, tanto faz a prefeitura comprar uma marca ou
outra que o consumo ser o mesmo.
194
Antes de passarmos ao estudo do quarto caso, resolva a

Atividade 3, ao final desta Unidade. Dessa forma, voc poder
aplicar os conhecimentos sobre a diferena entre mdias.
4 caso: amostras dependentes: sabemos que amostras

dependentes ocorrem quando fazemos uma interveno e desejamos
saber se os resultados antes da interveno so iguais aos resultados
depois da interveno. Um ponto importante, nessa situao, que
so calculadas, primeiramente, as diferenas de antes e de depois.
Essa diferena chamada de di.
Ento, voc pode ver que:
di = valor antes valor depois

Com base nessas diferenas (di), voc ir calcular a mdia
(D) e o desvio padro dessas diferenas (SD).
n
D=
d
i =1
n 2
d i
n
i =1
2
d
i
n
S D = i =1
n -1
Veja que essas frmulas so iguais s de clculo da mdia e

do desvio padro apresentados anteriormente. Nesse caso, no lugar
da varivel x so utilizados os valores de di (diferenas).
Com esses valores, a estatstica teste ser dada por:
t =
D - dO .
SD / n
O valor de n corresponde ao nmero de diferenas

calculadas e o grau de liberdade para ser olhado na tabela t de
Student ser dado por n 1.
Mdulo 4
195
Vamos resolver uma situao em que trabalharemos com o

caso de amostras dependentes.
Situao: em um estudo procurou-se investigar se a reduo

em uma gratificao no salrio iria diminuir a produtividade dos
funcionrios de uma prefeitura, considerando uma escala de
produtividade de 0 a 12. A tabela a seguir d os resultados de
pessoas selecionadas anteriormente. No nvel de 5% de
significncia, teste a afirmao de que a reduo da gratificao
reduziu a produtividade, ou seja, que a diferena entre antes e
depois deve ser maior do que zero.
PESSOA
Antes
6,6
6,5
9,0
10,3
11,3
8,1
6,3
11,6
Depois
6,8
2,4
8,5
8,1
6,1
3,4
2,0
7,4
Primeiramente, vamos montar as nossas hipteses:

H 0: D = 0
H 1: D < 0
Veja que as escolhas dessas hipteses esto associadas ao
que queremos testar. No caso da hiptese H 0: D = 0, estamos
testando que as mdias das diferenas de antes menos depois so
iguais a zero, ou seja, que a reduo na gratificao no interferiu
na produtividade (a produtividade foi a mesma), j que estamos
avaliando os mesmos indivduos. No caso da hiptese H 1: D > 0,
estamos testando que os valores de antes eram maiores do que os
valores de depois da reduo da gratificao, ou seja, se esta
diferena de antes menos de depois for maior do que zero, indica
que antes da interveno os funcionrios tinham uma produtividade
maior antes do que depois.
Poderamos testar tambm, dependendo do caso, as hipteses
H1: D < 0 ou H 1: D 0.
Consideramos um = 0,05.
196
Para calcular mos os valores de D e S D , devemos,

primeiramente, calcular as diferenas entre os valores de antes
menos de depois de cada indivduo e com essas diferenas calcular
a mdia das diferenas (D) e o desvio padro das diferenas (SD)
para utiliz-las na expresso de t para amostras dependentes.
Os resultados das diferenas so apresentados a seguir:
PESSOA
Antes
6,6
6,5
10,3
11,3
8,1
6,3
11,6
Depois
6,8
2,4
7,4
8,5
8,1
6,1
3,4
Diferena (antes depois)
-0,2
4,1
1,6
1,8
3,2
2,9
9,6
Como as amostras so dependentes, usaremos a estatstica

t da seguinte forma:
t=
D - dO
3,125 - 0
=
= 3,03
S D / n 2, 9114 / 8
0,95
(RAH0)
0
a = 0,05
(RRH0)
1,895
O valor tt = 1,895, que divide a RRH0 e RAH0, foi encontrado

na tabela t quando procurvamos o grau de liberdade, 7 graus de
liberdade (n 1, onde n o nmero de indivduos avaliados)
e = 0,05. Como t calculado (t = 3,03) pertence a RRH 0, podemos
considerar que os valores de produtividade eram maiores antes e,
assim, a reduo na gratificao influenciou na produtividade dos
funcionrios da prefeitura.
Mdulo 4
197
TESTE DE HIPTESE PARA

A DIFERENA ENTRE PROPORES
Em diversas situaes, o que nos interessa saber se a
proporo de sucessos (evento de interesse) em duas populaes
apresenta a mesma proporo ou no. Nesse caso, os dados seguem
uma Distribuio de proporo Bernoulli com mdia p e varincia
pq. Portanto, a expresso da estatstica teste (no caso utilizaremos
a distribuio de Z) ser dada por:
Vimos sobre a
Distribuio de Bernolli
na Unidade 5. Voc pode

retomar esse conceito.
z=
( p1 - p 2 ) - ( p1 - p2)
p 1q1 p 2 q2
n1
n2
Onde:
e : correspondem proporo de sucesso nas amostras
1 e 2, respectivamente; e
e p2: correspondem proporo de sucesso nas

populaes 1 e 2, respectivamente.
p1
Voc deve se lembrar de

que a proporo de
fracasso (q) dada por
Vejamos como aplicar o teste da diferena de propores.
um menos a proporo
de sucesso.
198
Situao: uma empresa de pesquisa de opinio pblica

selecionou, aleatoriamente, 500 eleitores da Bahia e 600 de
Pernambuco, e perguntou a cada um se votaria ou no no candidato
Honesto Certo nas prximas eleies presidenciais. Responderam
afirmativamente 80 eleitores da Bahia e 150 eleitores de
Pernambuco. Existe alguma diferena significativa entre as

propores de eleitores a favor do candidato nos dois Estados? Use
nvel de significncia igual a 6%.
Como fazer:
Bahia: n = 500; p =
80
= 0,16; q = 0,84
500
Pernambuco: n = 600; p =
150
= 0,25; q = 0,75
600
Vamos estabelecer as hipteses:

H0: p B = pp p B p p = 0
H1: p B p P p B pp 0
Aqui, seguem as mesmas consideraes vistas anteriormente
para a formulao das hipteses.
= 0,06
A estatstica usada ser Z.
Mdulo 4
199
O valor 1,88 foi encontrado no interior da tabela Z

procurando 0,4699.
Veja que 0,47 no existe

na tabela, ento,
optamos pelo valor mais

prximo.
200
Como Z calculado est na regio de rejeio de H0 (menor

que 1,88), rejeitamos H0 e, portanto, podemos afirmar com 94%
de certeza que existe diferena significativa entre as propores de
eleitores a favor do candidato nos dois Estados.
TESTE DO QUI-QUADRADO
DE INDEPENDNCIA
O teste do qui-quadrado de independncia est associado a
duas variveis qualitativas, ou seja, a uma anlise bidimensional.
Muitas vezes, queremos verificar a relao de dependncia entre as
duas variveis qualitativas a serem analisadas.
Nesse caso, procuramos calcular a frequncia de ocorrncia
das caractersticas dos eventos a serem estudados. Por exemplo,
podemos estudar a relao entre o sexo de pessoas (masculino e
feminino) e o grau de aceitao do governo estadual (ruim, mdio
e bom). Ento, obteremos, por exemplo, o nmero de pessoas
(frequncia) que so do sexo feminino e que acham o governo bom.
Todos os cruzamentos das duas variveis so calculados.
Vamos apresentar a voc, como exemplo, os possveis
resultados da situao sugerida anteriormente (dados simulados).
GRAU DE ACEITAO
SEXO
RUIM
MDIO
BOM
TOTAL
Masculino
157
27
74
258
Feminino
206
10
216
Total
363
27
84
474
Podemos determinar o grau de associao entre essas duas

variveis, ou seja, determinar se o grau de aceitao do governo
depende do sexo ou se existe uma relao de dependncia.
Mdulo 4
201
As hipteses a serem testadas so:

H0: varivel linha independe da varivel coluna (no exemplo
anterior, o grau de aceitao independe do sexo das pessoas).
H1: varivel linha est associada varivel coluna (no exemplo
anterior, o grau de aceitao depende do sexo das pessoas).
A estatstica de qui-quadrado ser dada por meio da seguinte
expresso:
Onde:
k corresponde ao nmero de classes (frequncias
encontradas). Voc pode verificar que fo corresponde frequncia
observada, ou seja, ao valor encontrado na tabela de contingncia.
J fe corresponde frequncia esperada caso as variveis
no tenham nenhuma relao de dependncia, ou seja, caso as
duas variveis sejam independentes. Por causa dessa definio, o
clculo da frequncia esperada (fe) ser obtido por:
Nesse caso, os graus de liberdade (v), para que possamos

olhar a tabela de qui-quadrado, so dados por:
v = (h1) (k1) nas tabelas com h linhas e k colunas
(no exemplo anterior: v = (21) x (31) = 2 graus de liberdade)
Ento, para cada clula da tabela de contingncias, voc ir
calcular a diferena entre fe e fo. Essa diferena elevada ao
quadrado para evitar que as diferenas positivas e negativas se
anulem. A diviso pela frequncia esperada feita para obtermos
diferenas em termos relativos.
202
Vamos entender melhor o teste de qui-quadrado do tipo

independncia por meio da anlise de outra situao.
Situao: o gestor de uma prefeitura deseja saber como

seus funcionrios atuam no uso do MSN durante o trabalho. Para
realizar um programa de conscientizao, os gestores pblicos
precisam saber se o fato de os funcionrios usarem pouco ou muito
o MSN durante o trabalho depende do sexo das pessoas. Mediante
essa informao, a gesto pode definir se far programas de
conscientizao para homens e mulheres de forma separada ou em
conjunto (um nico programa). Para testar essa hiptese, foram
selecionados, ao acaso, 96 funcionrios de ambos os sexos que
usavam pouco ou muito o MSN em razo dessas caractersticas na
populao. Verifique, com uma significncia de 5%, a hiptese do
gestor pblico.
USO DO MSN SEXO
POUCO
MUITO
Homem
32
Mulher
16
40
Resoluo:
Definindo primeiro as hipteses H0 e H 1.
H0: uso do MSN independe do sexo.
H1: uso do MSN depende do sexo.
Agora, iremos calcular as frequncias esperadas, que so os
valores que esto entre parnteses. Confira os clculos das outras
frequncias esperadas cujos valores (fe) aparecem entre parnteses.
USO DO MSN
SEXO
POUCO
MUITO
Homem
8 (10)
Mulher
16 (14)
24
32 (30)
40 (42)
40
72
56
96
Mdulo 4
203
Agora, basta substituir os valores das frequncias esperadas

e observadas de todas as classes.
O valor do grau de liberdade apresentado a seguir:

v = (2 1) . (21) = 1 gl
Considerando um = 0,05 e olhando na tabela de quiquadrado para 1 grau de liberdade, teremos:
Como o valor calculado (0,914) foi menor do que o tabelado

(3,841), ento o calculado caiu na regio de aceitao de H 0.
Portanto, no temos indcios para rejeitar a hiptese H0, ou seja,
o uso do MSN independe do sexo dos funcionrios. Dessa forma,
o gestor pode fazer um nico programa de conscientizao tanto
para homens quanto para mulheres.
204
ASSOCIAO ENTRE VARIVEIS

Para verificar o grau de relacionamento entre duas variveis,
ou seja, o grau de associao entre elas, devemos estudar um
coeficiente chamado de coeficiente de correlao. Existem vrios
coeficientes de correlao e, cada um deles, aplicado em casos
especficos. Aqui, iremos estudar o coeficiente de correlao de
Pearson (r).
Para que possamos ter uma ideia da associao entre as
variveis que estamos estudando, iremos utilizar um grfico de
disperso como o apresentado, a seguir, pelo qual podemos
constatar a relao entre as variveis: o peso de um pacote e o
seu tempo de entrega.
As estimativas correlao podem ser positivas ( medida que a

varivel x aumenta a varivel y tambm aumenta) ou negativas (
medida que a varivel x aumenta a varivel y diminui), como voc
pode ver a partir dos dados e dos grficos a seguir:
Mdulo 4
205
O coeficiente de correlao de Pearson (r) nos d uma ideia

da variao conjunta das variveis analisadas e pode assumir
valores de 1 a +1.
Veja a expresso por meio da qual podemos obter o

coeficiente de correlao de Pearson:
No exemplo que iremos
trazer mais adiante, voc

encontrar a explicao
dos somatrios dessa
expresso. No se
preocupe!
A ocorrncia de um valor de r = 0 ou prximo de zero indica

apenas que no h correlao linear entre as variveis, porque
pode existir uma forte relao no linear entre as variveis, como
no grfico de disperso do peso do pacote e o tempo de entrega, na
qual temos uma relao no linear.
Vejamos as caractersticas que o coeficiente de correlao
de Pearson pode apresentar:
seus valores esto compreendidos entre -1 e 1;

se o coeficiente for positivo, as duas caractersticas
estudadas tendem a variar no mesmo sentido.
206
se o sinal for negativo, as duas caractersticas estudadas

tendem a variar em sentido contrrio;
a relao entre duas variveis tanto mais estreita

quanto mais o coeficiente se aproxima de 1 ou 1; e
o valor de r uma estimativa do parmetro (rho),

da mesma forma que a mdia x uma estimativa de
. Para testar se o valor de r estatisticamente igual
ao parmetro de uma populao em que (rho) = 0,
podemos empregar o teste t definido por:
onde:
n : nmero total de pares;
r2 : coeficiente de correlao ao quadrado; e
: parmetro da correlao populacional (considerado
igual a zero).
A hiptese H0 ser de que (rho) = 0 e a hiptese H1, que
iremos utilizar, ser de que (rho) 0.
Vamos analisar a situao, a seguir, para entender melhor esse

coeficiente.
Situao:
Vamos determinar o coeficiente de correlao entre a
porcentagem de aplicao do total de recursos com Educao em
uma prefeitura (x) e o grau de conhecimento mdio da populao
da cidade (y). Para isso, foram avaliadas dez cidades.
Mdulo 4
207
PORCENTAGEM DE APLICAO DO TOTAL DE
GRAU DE CONHECIMENTO MDIO
RECURSOS COM EDUCAO EM UMA PREFEITURA
DA POPULAO DA CIDADE
70
10
40
20
27
30
22
40
18
50
16
60
15
70
14
80
13
90
12
Para obtermos a estimativa de correlao, precisamos

calcular todos os somatrios presentes na expresso:
Calculando os somatrios, teremos:

Somatrio de todos os valores de x:
x = x
i
+ x2 + ....... + x10 = 5 + 10 + ....... + 90 = 455
Somatrio de todos os valores de x elevados ao quadrado:
2
i
= x12 + x22 + ....... + x102 = 52 + 102 + ....... + 902 = 28525
Somatrio de todos os valores de y:
y = y
i
+ y2 + ....... + y10 = 70 + 40+ ....... + 12 = 247
Somatrio de todos os valores de y elevados ao quadrado:
2
i
= y12 + y22 + ....... + y102 = 702 + 402+ ....... + 122 = 9027
Somatrio de todos os valores obtidos por meio do produto

dos valores de x e y de cada cidade:
208
x y = x y + x y ....... + x y =
x y = 5 . 70 + 10 . 40 + ....... + 90 . 12 = 7470
i
10
10
Substituindo esses valores na expresso, teremos:
O valor de r = -0,7877 indica que existe uma associao inversa

(negativa) e de mdia magnitude entre a variao da porcentagem de
aplicao do total de recursos com educao em uma prefeitura e o
grau de conhecimento mdio da populao da cidade, ou seja, nesta
populao de cidades, provavelmente os recursos da educao no
esto sendo bem empregados, j que a relao foi negativa quando
se esperava uma relao positiva.
Para verificarmos se esse resultado significativo, vamos
fazer o seguinte teste de hiptese:
H0: (rho) = 0
H1: (rho) 0.
Iremos calcular a estatstica por meio da expresso:
Substituindo os valores na expresso, teremos:
Olhando na tabela de t para 8 graus de liberdade (10-2) e

um =0,025, j que estamos considerando uma significncia
de 0,05 e o nosso teste bilateral, teremos um valor tabelado de
2,306. Verificamos que o valor calculado de 3,525 est na regio
de rejeio da hiptese H 0 e, portanto, iremos aceitar a hiptese
Mdulo 4
209
H 1, ou seja, de que (rho) 0. Ento, o resultado encontrado

na amostra (r) no foi fruto do acaso, considerando uma
significncia de 5%.
Devemos ter cuidado na interpretao do coeficiente de
correlao, pois este no implica necessariamente uma medida
de causa e efeito. mais seguro interpretar o coeficiente de
correlao como uma medida de associao. Por exemplo,
podemos encontrar uma correlao muito alta entre o aumento
dos salrios dos professores e o consumo de bebidas alcolicas
atravs de uma srie de anos em uma regio. Esse valor de r
encontrado foi alto apenas porque pode ser que ambas as variveis
tenham sido afetadas por uma causa comum, ou seja, a elevao
do padro de vida de uma regio.
Complementando...
Atravs do link que apresentamos a seguir, voc poder fazer os testes de
hipteses e de estimativas de correlao de Pearson.
Programa estatstico Bioestat. Disponvel em: <http://www.mamiraua.

org.br/download/Default.aspx?dirpath=e:\home\mamiraua\
Web\download\BioEstat 5 Portugues&tipo=diretorio>. Acesso em:
29 nov. 2010.
210
Resumindo
Nesta Unidade, conhecemos os principais testes de
hipteses e vimos suas aplicaes no dia a dia da gesto de
empresas pblicas.
Apresentamos a estrutura de um teste de hiptese,
de testes de hipteses para mdias, de diferena entre mdias e de diferena entre propores.
Verificamos que o teste de qui-quadrado pode ser utilizado para medir a dependncia entre variveis qualitativas. Dessa forma, voc ter plenas condies de aplicar e de
interpretar um teste estatstico de maneira correta.
Mdulo 4
211
Chegou o momento de analisarmos se voc entendeu o que
estudamos at aqui! Para saber, procure, resolver as
atividades propostas a seguir. Lembre-se: voc pode contar
com o auxilio de seu tutor.
1. Um fabricante afirma que seus pneus radiais suportam em mdia

uma quilometragem superior a 40.000 km. Uma prefeitura compra os pneus desse fabricante. Existe uma dvida no setor de compras da prefeitura: A afirmao do fabricante est correta?. Para
testar essa afirmao, a prefeitura selecionou uma amostra de 49
pneus. Os testes, nessa amostra, forneceram uma mdia de 43.000
km. Sabe-se que a quilometragem de todos os pneus tem desvio
padro de 6.500 km. Se o comprador (gestor pblico) testar essa
afirmao ao nvel de significncia de 5%, qual ser sua concluso?
2. Duas tcnicas de cobrana de impostos so aplicadas em dois grupos de funcionrios do setor de cobrana de uma prefeitura.
A tcnica A foi aplicada em um grupo de 12 funcionrios, resultando em uma efetivao mdia de pagamento de 76% e uma
varincia de 50%. J a tcnica B foi aplicada em um grupo de 15
funcionrios, resultando em uma efetivao mdia de 68% e uma
varincia de 75%. Considerando as varincias estatisticamente
iguais e com uma significncia de 0,05, verifique se as efetivaes
de pagamento so estatisticamente iguais.
212
3. Um secretrio da Educao de uma prefeitura deseja saber se h,

no futuro, profissionais promissores em escolas de regies pobres e de regies ricas. Uma amostra de 16 estudantes de uma
zona pobre resultou, em um teste especfico, uma mdia de 107
pontos e um desvio padro de 10 pontos. J 14 estudantes de uma
regio rica apresentaram uma mdia de 112 pontos e um desvio
padro de 8 pontos. Voc deve verificar se a mdia dos pontos
dos dois grupos diferente ou igual a fim de que o empresrio
possa saber se ele deve investir em qualquer uma das reas ou se
uma delas mais promissora (primeiro verifique se as varincias
so estatisticamente iguais ou diferentes).
Mdulo 4
213
Respostas das
Unidade 1
1. a) Qualitativa Nominal.
b) Qualitativa Ordinal.
c) Quantitativa Discreta.
d) Quantitativa Contnua.
2. a) Amostragem Sistemtica.
b) Amostragem por Conglomerado.
c) Amostragem Estratificada.
d) Amostragem Aleatria Simples.
e) Amostragem Sistemtica.
f) Amostragem Aleatria Simples.
g) Amostragem Estratificada.
h) Amostragem por Conglomerado.
Unidade 2
1. a) n = 20, A = 35, k = 5 (aproximadamente), c = 8,75, Li1a
= 20,925.
CLASSES
214
FREQUNCIAS ABSOLUTAS
20,625 29,375
29,375 38,125
38,125 46,875
46,875 55,625
55,625 64,375
Total
20
CLASSES
FREQUNCIAS ACUMULADA
20,625 29,375
29,375 38,125
38,125 46,875
12
46,875 55,625
17
55,625 64,375
20
b)
Unidade 3
1.
Md =
(elemento de posio 14)
Mo = 18,23,25 e 28, todos esses valores tem frequncia 2

(multimodal)
Varincia:
Desvio Padro:
Coeficiente de Variabilidade:
Mdulo 4
215
2. Mdia
21.0
Mediana
18.0
Moda
10.0
Desvio padro
12.0
Coeficiente de Variao 57.3

Unidade 4
1. R: 1-(1/3 * 1/5 * 3/10) = 0,98.
2. a) R: 0,125.
b) R: 0,0694.
c) R: 0,1388.
3. a) R: 60/100.
b) R: 40/100.
c) R: 24/100.
d) R: 76/100.
Unidade 5
1.
2. Distribuio binomial com n = 4 e p =
a) R: P(x=2) . 2000 = 0,3750 . 2000 = 750 famlias.
b) R: [P(1) + P(2)] . 2000 = (0,25 + 0,375) . 2000 = 1250
famlias.
c) R: P(0) . 2000 = 0,0625 . 2000 = 125 famlias.
3. R: 1- [P(0)+P(1)], em que a distribuio de probabilidade uma Poisson com parmetro lambda.
216
a) = 1,4
R= 0,40817
b) = 2,8
R=0,76892
c) = 5,6
R=0,97559
4. Para X = 2200
Para X = 1700
Z=0
5. a) X = 20
X = 24
P(20 < X < 24) = P(0 < Z < 0,8) = 0,2881 (28,81 %).
b) X = 16
X = 20 Z = 0
P(16 < X < 20) = P (-0,8 < Z < 0) = P(0 < Z < 0,8) = 0,2881 = 28,81
c) X = 28 Z = (28 - 20 )/ 5 = 1,6
P(X > 28) = P (Z > 1,6) = 0,5 - 0,4452 = 0,0548
6. 1 = 0,95 = 0,05 /2 = 0,025
P(26,412 < < 27,588) = 0,95

Unidade 6
1. Sugesto: siga os passos para realizar um teste de hiptese:
ZZ
Concluso: como o valor calculado foi maior do que o
tabelado (1,64), ele caiu na regio de rejeio de H0.
Mdulo 4
217
2. HA B H1 2
t0,025 = 2,060
Concluso: como o valor calculado foi maior do que o
tabelado (2,060), ele caiu na regio de rejeio de H 0.
3. H1 2 H 1 2
v = 29,7425 = 30 (graus de liberdade obtido pela aproximao).

t0,025 = 2,042 (com 30 gl)
Concluso: como o valor calculado caiu na regio de aceitao, as
mdias so estatisticamente iguais, o que indica que as duas regies apresentam o mesmo potencial.
218
CONSIDERAES FINAIS
Com os conhecimentos de estatstica adquiridos ao longo
deste livro, voc agora j pode imaginar quantas anlises estatsticas
podem ser feitas. A anlise de dados est presente at em uma
simples ligao telefnica que uma empresa de crdito faz para
voc. A empresa cruza informaes como sexo, renda mensal e
hbitos de consumo para oferecer um produto na medida certa.
Para fazer tudo isso, necessrio, entretanto, conhecimento
bsico de estatstica para que empresas de Gesto Pblica ou no
venham a descobrir como transformar quantidades de nmeros e de
grficos em informaes que serviro para reduzir os custos e aumentar
os lucros. O problema que falta gente qualificada e com conhecimento
de mercado para realizar as anlises de dados. Para voc trabalhar
com conceitos estatsticos em qualquer setor, necessrio desenvolver
um raciocnio lgico e, tambm, administrar informaes, alm de
procurar entender como e por que as coisas acontecem.
Para decidir algo importante, necessrio avaliar os riscos
e as oportunidades. Para que isso seja feito com muita preciso,
necessria a estatstica!
Assim, voc poder aplicar os conhecimentos de estatstica
aprendidos em reas, como a de Recursos Humanos, de Produo,
Financeira e muitas outras que voc ir identificar medida que
seus conhecimentos na rea de Administrao forem aumentando.
Espero que voc tenha gostado de trabalhar com Estatstica e
que ela seja uma importante ferramenta a ser utilizada em seu dia a dia.
Um grande abrao e sucesso em sua vida profissional, com
bastante estatstica, o que desejamos a voc.
Professor Marcelo Tavares
Mdulo 4
219
Referncias
ARANGO, Hector G. Bioestatstica: terica e computacional. Rio de
Janeiro: Guanabara Koogan, 2001.
BARBETTA, Pedro Alberto. Estatstica Aplicada s Cincias Sociais. 4. ed.

Florianpolis: Editora da UFSC, 2002.
BEIGUELMAN, Bernardo. Curso Prtico de bioestatstica. Ribeiro Preto:
Revista Brasileira de Gentica, 1996.
BRAULE, Ricardo. Estatstica Aplicada com Excel: para cursos de
administrao e economia. Rio de Janeiro: Campus, 2001.
BUSSAB, Wilton O.; MORETTIN, Pedro. Estatstica Bsica. So Paulo:
Atual, 2002.
COSTA NETO, Pedro Luiz de Oliveira. Estatstica. So Paulo: Edgard
Blucher, 2002.
DOWNING, D.; CLARK, J. Estatstica Aplicada. So Paulo: Saraiva,
2000.
FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade. Curso de
Estatstica. Rio de Janeiro: LTC, 1982.
FREUD, Jonh E.; SIMON, Gary A. Estatstica aplicada. Bookman, 2000.
HOUAISS, Instituto Antnio Houaiss. Dicionrio eletrnico Houaiss da
Lngua Portuguesa. Verso monousurio, 3.0. Objetiva: junho de 2009.
CD-ROM.
LEVINE, David M.; BERENSON, Mark L.; STEPHAN, David F.
Estatstica: teoria e aplicaes usando o Microsoft Excel em portugus.
Rio de Janeiro: LTC, 2000.
MORETTIN, Luiz Gonzaga. Estatstica Bsica Probabilidade. So Paulo:
Makron Books, 1999. 1 v.
220
Referncias Bibliogrficas
______. Estatstica Bsica Inferncia. So Paulo: Makron Books, 1999.

2 v.
SOARES, Jos F.; FARIAS, Alfredo A.; CESAR, Cibele C. Introduo
Estatstica. Rio de Janeiro: LTC, 1991.
SPIEGEL, Murray R. Probabilidade e Estatstica. So Paulo: Mc Graw
Hill, 1993.
STEVENSON, William J. Estatstica Aplicada Administrao. So Paulo:
Harper, 1981.
TRIOLA, Mrio F. Introduo Estatstica. Rio de Janeiro: LTC, 1999.
WONNACOTT, T. H., WONNACOTT, R. J. Estatstica Aplicada
Economia e Administrao. Rio de Janeiro: LTC, 1981.
Mdulo 4
221
M INICURRCULO
Marcelo Tavares
Possui Graduao (1989) e Mestrado (1993)
pela Universidade Federal de Lavras, e Doutorado pela Escola Superior de Agricultura Luiz de
Queiroz/USP (1998). Atualmente, professor Associado II da Universidade Federal de Uberlndia (UFU). Tem experincia na rea
de Estatstica Aplicada e atua, principalmente, nos seguintes temas: modelagem estatstica, estatstica, amostragem, controle de
qualidade e estatstica multivariada. Tambm foi coordenador do
Curso de Especializao em Estatstica Empresarial do Ncleo de
Estudos Estatsticos e Biomtricos da Faculdade de Matemtica e,
atualmente, Coordenador da Universidade Federal de Uberlndia
na Universidade Aberta do Brasil (UAB) e ministro das disciplinas
de Estatstica para o Curso de Administrao da UFU.
222

Estatistica Aplicada

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estatistica Aplicada

Cargado por

Copyright:

Formatos disponibles

Ministrio da Educao MEC

Coordenao de Aperfeioamento de Pessoal de Nvel Superior CAPES

ESTATSTICA APLICADA ADMINISTRAO

2011. Universidade Federal de Santa Catarina UFSC. Todos os direitos reservados.

Catalogao na publicao por: Onlia Silva Guimares CRB-14/071

Eliane Moreira S de Souza

que cada IPES, que ofertar os cursos, possa incluir assuntos em

Celso Jos da Costa

Unidade 2 Distribuies de Frequncias e Representao Grfica

Unidade 3 Medidas de Posio e Disperso

Unidade 5 Distribuio de Probabilidades Discretas e Contnuas

Distribuies Contnuas...................................................................... 140

Unidade 6 Testes de Hipteses

Consideraes finais ................................................................................. 219

Estatstica Aplicada Administrao

Bacharelado em Administrao Pblica

Estatstica Aplicada Administrao

Bacharelado em Administrao Pblica

Para tanto, dividimos o livro em seis Unidades. Na Unidade

OBJETIVOS ESPECFICOS DE APRENDIZAGEM

Compreender conceitos bsicos relacionados estatstica, como

Estatstica Aplicada Administrao

Bacharelado em Administrao Pblica

Unidade 1 Fases do Mtodo Estatstico, Populao e Amostra

FASES DO MTODO ESTATSTICO

Para realizarmos um estudo estatstico, normalmente, existem

Estatstica Aplicada Administrao

Agora, voc ver de forma detalhada cada uma dessas fases.

A primeira fase consiste na definio e na formulao correta

Veremos esses conceitos

Sendo assim, essa primeira fase pode responder definio

a receita do Imposto Territorial e Predial Urbano (IPTU)

o tratamento de dados relativos aos desempenhos dos

a quantidade de residncias em uma cidade que

o tempo necessrio entre o pedido de reparo de uma

Bacharelado em Administrao Pblica

Unidade 1 Fases do Mtodo Estatstico, Populao e Amostra

determinar os procedimentos necessrios para resolver

planejar o trabalho tendo em vista o objetivo a ser

escolher e formular corretamente as perguntas;

definir cronograma de atividades, custos envolvidos,

COLETA DOS DADOS

Estatstica Aplicada Administrao

estatsticas inadequadas ou que no refletem a situao que voc

Coleta dos dados

Agora que temos os dados precisamos organiz-los, pois

Bacharelado em Administrao Pblica

Unidade 1 Fases do Mtodo Estatstico, Populao e Amostra

Coleta dos dados

Organizao dos dados

Agora que temos os dados organizados, precisamos

apresentao por tabelas; e

Estatstica Aplicada Administrao

Coleta dos dados

Organizao dos dados

Apresentao dos dados

Na Unidade 2, ampliaremos nossa discusso quanto forma

ANLISE E INTERPRETAO DE DADOS

divididos pela quantidade de nmeros que voc

Nessa fase, voc ir calcular novos nmeros com mdias*

Como quantificar esse

Na fase de anlise e de interpretao dos dados, precisamos,

grau de incerteza, voc