Livro Proprietário-Estatística Aplicada 2

Estatstica Aplicada
2015
Editorial
Comit Editorial
Durval Corra Meirelles
Ronald Castro Paschoal
Otvia Travenolo Muniz Sala
Autor do Original
Valria Aparecida Ferreira
UniSEB Editora Universidade Estcio de S

Todos os direitos desta edio reservados UniSEB e Editora Universidade Estcio de S.
Proibida a reproduo total ou parcial desta obra, de qualquer forma ou meio eletrnico, e mecnico, fotogrfico e gravao ou
qualquer outro, sem a permisso expressa do UniSEB e Editora Universidade Estcio de S. A violao dos direitos autorais
punvel como crime (Cdigo Penal art. 184 e ; Lei 6.895/80), com busca, apreenso e indenizaes diversas (Lei 9.610/98 Lei
dos Direitos Autorais arts. 122, 123, 124 e 126).
Su
ri o
Estatstica Aplicada
Captulo 1: Conceitos Introdutrios e
Tcnicas de Amostragem......................................... 7
Objetivos da sua aprendizagem......................................... 7
Voc se lembra?....................................................................... 7
1.1 Breve histrico....................................................................... 8
1.2 Definio de Estatstica.............................................................. 8
1.3 Amostragem.................................................................................. 11
1.4 Exemplo Prtico Envolvendo Tcnicas de Amostragem
Probabilstica................................................................................................ 15
Atividades....................................................................................................... 19
Reflexo............................................................................................................. 24
Leitura recomendada............................................................................................. 24
Referncias.............................................................................................................. 24
No prximo captulo.................................................................................................. 25
Captulo 2: Distribuio de Frequncias e Medidas de Posio Central............. 27
Objetivos da sua aprendizagem.................................................................................... 27
Voc se lembra?............................................................................................................. 27
2.1 Distribuio de Frequncias.................................................................................... 28
2.2 Medidas de posio.................................................................................................. 33
Atividades....................................................................................................................... 43
Leitura recomendada...................................................................................................... 47
Referncias.................................................................................................................... 47
No prximo captulo..................................................................................................... 48
Captulo 3: Medidas de Ordenamento e Forma, Medidas de Disperso e
Grficos................................................................................................................... 49
Objetivos da sua aprendizagem............................................................................ 49
Voc se lembra?................................................................................................ 49
3.1 Medidas de ordenamento........................................................................ 50
3.2 Medidas de Disperso........................................................................ 59
3.3 Grficos........................................................................................... 73
Atividades.......................................................................................... 83
Reflexo........................................................................................................................... 87
Leitura recomendada........................................................................................................ 87
Referncias....................................................................................................................... 88
No prximo captulo........................................................................................................ 88
Captulo 4: Distribuies Amostrais e Estimao....................................................... 89
Objetivos da sua aprendizagem....................................................................................... 89
Voc se lembra?............................................................................................................... 89
4.1 Conceitos Bsicos..................................................................................................... 90
4.2 Estimador de uma Mdia Populacional................................................................... 91
4.3 Estimador de uma Proporo Populacional.............................................................. 93
4.4 Propriedades da Distribuio Normal....................................................................... 94
4.5 Distribuies Amostrais............................................................................................ 95
4.6 Erro Padro de um Estimador................................................................................... 97
4.7 Intervalos de Confiana para a Mdia Populacional............................................... 100
4.8 Intervalos de Confiana para a Proporo Populacional........................................ 102
Atividades...................................................................................................................... 105
Reflexo......................................................................................................................... 107
Referncias..................................................................................................................... 107
No prximo captulo...................................................................................................... 108
Captulo 5: Distribuio Normal e Teste de Hiptese............................................... 109
Objetivos da sua aprendizagem..................................................................................... 109
Voc se lembra?............................................................................................................. 109
5.1 Varivel Aleatria.................................................................................................... 110
5.2 Funo Densidade de Probabilidade....................................................................... 110
5.3 Modelo Probabilstico para Variveis Aleatrias Contnuas....................................111
5.4 Teste de Hiptese.................................................................................................... 117
Atividades...................................................................................................................... 124
Reflexo......................................................................................................................... 126
Referncias..................................................................................................................... 126
Gabarito.......................................................................................................................... 127
Prezados(as) alunos(as)
Ap
res
ent
Estatstica uma palavra de origem latina,

que significou por muito tempo cincia dos
negcios do Estado. Ela pode ser vista como uma
Matemtica Aplicada, uma disciplina da rea das cincias exatas que tem aplicao em praticamente todas
as reas de estudo. Esse fato serve para desmistificar o
temor vivido pelos alunos com relao ao ensino da matemtica em si (aquela que ns aprendemos at o ensino mdio). As
dificuldades enfrentadas e a falta de conexo com a prtica so
talvez os fatores que mais contribuem para que este temor ocorra.
No entanto, o ensino da Estatstica, mesmo provocando sentimentos
semelhantes aos estudantes, proporciona a esses uma viso prtica
do contedo que est sendo abordado. Mais que isso, ele possibilita,
a quem o est aplicando, a obteno de importantes informaes do
fato que est sendo estudado. O conhecimento mnimo em Estatstica
se tornou pr-requisito para ler um jornal ou uma revista conceituada,
pois muitas informaes se encontram resumidas em tabelas ou grficos
que grande parte da populao no tem condies de interpretar e por isso
ignoram (ou no entendem) reportagens importantes para a formao de
uma pessoa esclarecida social, econmica e politicamente.
Procuramos, aqui, apresentar a Estatstica de forma clara e prtica. No
com o intuito de formar especialistas nessa rea, mas sim de proporcionar a voc, futuro gestor, uma compreenso dos elementos bsicos que
compem essa cincia, visando a aplicao na sua rea de atuao.
No tivemos a inteno de esgotar o assunto, mas sim de apresentar
os elementos necessrios para que voc realize uma leitura satisfatria da realidade que o cerca e das informaes que tm a sua
volta.
Muitos dos exemplos aqui apresentados so hipotticos. So
exemplos de situaes que ocorrem de forma semelhante
na realidade, mas os dados apresentados no so reais,
foram criados apenas para ilustrar a aplicao do
contedo apresentado.
Conceitos Introdutrios e
Tcnicas de Amostragem
CCC
CC C
CC C
Nesse primeiro captulo, apresentaremos

conceitos bsicos da Estatstica e as principais
tcnicas de amostragens probabilsticas e no probabilsticas.
Em qualquer estudo e/ou pesquisa que envolve a coleta
e anlise de dados, imprescindvel o conhecimento dos
conceitos que sero abordados neste captulo, para que os
resultados obtidos na anlise sejam um instrumento confivel
para tomadas de deciso.
Objetivos da sua aprendizagem
Identificar os diferentes tipos de variveis que podem estar presentes

em uma pesquisa, compreender a que se destina cada uma das reas da
Estatstica e entender as caractersticas dos vrios tipos de amostragens
utilizados para coleta de dados.
Voc se lembra?
Voc se lembra de j ter visto nos meios de comunicao informaes

de pesquisas, por exemplo, eleitorais ou de avaliao de um governo,
obtidas atravs de amostras? Neste captulo, apresentaremos o conceito
de populao e amostra e estudaremos como (e por que), na maioria das
vezes, fazemos levantamento de dados atravs de amostras.
Estatstica Aplicada
1.1 Breve histrico

O interesse por levantamento de dados no algo que surgiu somente nos dias atuais. H indcios de que 3000 anos a.C. j se faziam censos
na Babilnia, China e Egito. Havia interesse dos governantes das grandes
civilizaes antigas por informaes sobre suas populaes e riquezas.
Usualmente estas informaes eram utilizadas para taxao de impostos e
alistamento militar.
A palavra Estatstica surgiu, pela primeira vez, no sc. XVIII. Alguns autores atribuem esta origem ao alemo Gottfried Achemmel (17191772), que teria utilizado pela primeira vez o
vocbulo Estatstica, em 1746.
Conexo:
Na sua origem, a Estatstica esPara saber um pouco sobre
tava ligada ao Estado. Na atualidade,
a evoluo histrica da Estatstica,
a Estatstica no se limita apenas
assista o vdeo Histria da Estatstica
produzido pela Fundao Universidade
ao estudo de dados demogrficos e
de Tocantins, disponvel em:<http://www.
econmicos. Ela empregada em
youtube.com/watch?v=jCzMPL7Ub2k&feat
ure=related>.
praticamente todas as reas do conhecimento, sempre que estiverem envolvidas coleta e anlise de dados.
Proibida a reproduo UniSEB
1.2 Definio de Estatstica
A Estatstica uma cincia que trata de mtodos cientficos para a

coleta, organizao, descrio, anlise e interpretao (concluso) de um
conjunto de dados, visando a tomada de decises.
Podemos dividir a aplicao da Estatstica basicamente em trs etapas, que so descritas resumidamente a seguir:
1. Refere-se coleta de dados, na qual devemos utilizar tcnicas
estatsticas que garantiro uma amostra representativa da populao.
2. Depois dos dados coletados, devemos resumi-los em tabelas
de frequncias e/ou grficos e, posteriormente, encontrar as
medidas de posio e variabilidade (quantidades). Esta etapa
tambm conhecida como Estatstica Descritiva ou Dedutiva.
3. Esta etapa envolve a escolha de um possvel modelo que explique o comportamento dos dados para posteriormente se
fazer a inferncia dos dados para a populao de interesse.
Conceitos Introdutrios e Tcnicas de Amostragem Captulo 1
EAD-15-Estatstica Aplicada Proibida a reproduo UniSEB
Esta etapa tambm chamada de Estatstica Inferencial ou

Indutiva. Nesta etapa, se faz necessrio um conhecimento mais
aprofundado, principalmente no que se refere aos tpicos de
probabilidades. A probabilidade fornece mtodos para quantificar a incerteza existente em determinada situao, usando ora
um nmero ora uma funo matemtica.
Podemos citar inmeros exemplos da Estatstica em vrias reas do
conhecimento, mas s para convenc-lo da importncia das tcnicas estatsticas, vamos enumerar alguns deles:
1. Se estamos interessados em abrir um supermercado em um
determinado local precisamos saber se fatores como sexo,
grau de escolaridade, idade, estado civil, renda familiar, entre
outros, interferem na abertura deste supermercado e os tipos
de produtos que devem ser priorizados nesse estabelecimento,
alm de definir as estratgias de marketing mais eficientes.
2. Uma empresa, quando est interessada em lanar um novo
produto no mercado, precisa saber as preferncias dos consumidores. Para isso, necessrio realizar uma pesquisa de
mercado.
3. O gestor precisa saber escolher uma amostra representativa de
uma populao de interesse para no perder muito tempo e,
consequentemente, dinheiro da empresa em que trabalha.
4. Para se lanar um novo medicamento no mercado farmacutico, necessrio a realizao de vrias experincias. O medicamento deve ser testado estatisticamente quanto sua eficincia
no tratamento a que se destina e quanto aos efeitos colaterais
que pode causar, antes de ser lanado no mercado.
5. Para uma empresa, muito importante fazer previses de
demanda de seus produtos. Para isto existem vrias tcnicas
estatsticas como regresso linear, regresso logstica, anlise
de sries temporais, etc.
6. Controles estatsticos de qualidade (ou controles estatsticos
do processo) so indispensveis em todos os tipos de empresas. Eles so realizados atravs de um conjunto de tcnicas
estatsticas, geralmente aplicadas por engenheiros de produo
e administradores, para garantir o nvel de qualidade exigido
para a produo (ou servio) dentro de uma indstria.
9
Estatstica Aplicada
So inmeras e diversificadas as aplicaes de tcnicas estatsticas

que um gestor pode utilizar. No conseguiremos falar sobre todas elas,
mas apresentaremos os principais conceitos e tcnicas que quando utilizados podem auxiliar na tomada de decises.
Comearemos por apresentar alguns conceitos elementares bastante
utilizados no processo estatstico.
Unidade experimental ou de observao um objeto (isto , pessoa, objeto, transao ou evento) a partir do qual coletamos os dados. Vamos analisar os exemplos a seguir para entender o conceito dos possveis
tipos de objeto:
Os eleitores da cidade de So Paulo so pessoas;
Os carros produzidos em determinado ano por uma montadora
so objetos;
As vendas realizadas durante um ms numa loja de departamento so transaes;
Os acidentes ocorridos em determinada extenso de uma rodovia durante um feriado so eventos.
10
Populao o conjunto total de unidades experimentais que tm

determinada caracterstica que se deseja estudar. Uma populao pode ser
finita ou infinita.
Populaes finitas permitem que seus elementos sejam contados.
Por exemplo: todas as lojas existentes em determinado shopping, todos
os alunos matriculados em determinada universidade, todos os veculos
licenciados pelo departamento de trnsito em um ano. Indicamos o tamanho de uma populao finita por N.
Na prtica, uma populao que est sendo estudada usualmente
considerada infinita se ela envolve um processo contnuo que torna impossvel a listagem ou contagem de cada elemento na populao. Por exemplo:
quantidades de pores que se pode extrair da gua do mar para anlise.
Vale ressaltar que, em alguns estudos, a populao de interesse to
grande que s pode ser estudada por meio de amostras. Por exemplo: quantos peixes existem no mar? Esse nmero matematicamente finito, mas to
grande que pode ser considerado infinito para qualquer finalidade prtica.
Amostra uma parte da populao de interesse que se tem acesso
para desenvolver o estudo estatstico. Se a amostra no for fornecida no
estudo, devemos retir-la da populao atravs de tcnicas de amostragem
adequadas, para que os resultados fornecidos sejam confiveis.
Estatstica Descritiva a parte da estatstica que trata da organizao e do resumo do conjunto de dados por meio de grficos, tabelas e
medidas descritivas (quantidades).
Estatstica Indutiva a parte que se destina a encontrar mtodos
para tirar concluses (ou tomar decises) sobre a populao de interesse,
geralmente, baseado em informaes retiradas de uma amostra desta populao.
Varivel uma caracterstica da unidade experimental. Vamos estudar dois tipos de variveis: quantitativas e qualitativas.
Variveis quantitativas so aquelas cujas respostas da varivel so
expressas por nmeros (quantidades). Podemos distinguir dois tipos de
variveis quantitativas: quantitativa contnua e discreta.
Variveis quantitativas contnuas so aquelas que podem assumir,
teoricamente, infinitos valores entre dois limites (num intervalo), ou seja,
podem assumir valores no inteiros. Por exemplo: altura (em metros) de
alunos de uma determinada faixa etria, peso (em kg), salrio, etc.
Variveis quantitativas discretas so aquelas que s podem assumir
valores inteiros. Por exemplo: nmero de filhos por casal, nmero de livros em uma biblioteca, nmero de carros vendidos, etc.
Variveis qualitativas so as variveis cujas respostas so expressas
por um atributo. Podemos distinguir dois tipos de variveis qualitativas:
nominal e ordinal.
Variveis qualitativas nominais definem-se como aquelas em que
as respostas so expressas por um atributo (nome) e esse atributo no pode
ser ordenado. Por exemplo: tipo sanguneo, religio, estado civil, etc.
Variveis qualitativas ordinais tm suas respostas expressas por um
atributo (nome) e esse atributo pode ser ordenado. Por exemplo: grau de
instruo, classe social, etc.
1.3 Amostragem
Em qualquer estudo que envolva coleta de dados, sabemos que dificilmente podemos estudar a populao de interesse como um todo. Para
isso, utilizamos tcnicas de amostragem para selecionar amostras que
sejam representativas da populao de interesse. No prximo item estudaremos algumas tcnicas de amostragem muito utilizadas em estudos e/
ou pesquisas.
11
Estatstica Aplicada
1.3.1 Tcnicas de Amostragem

Quando selecionamos uma amostra devemos garantir que esta
amostra seja representativa da populao, ou seja, no processo de amostragem, a amostra selecionada dever possuir as mesmas caractersticas
bsicas da populao.
Temos dois tipos de amostragem, a que chamamos de probabilstica
(ou aleatria) e a no probabilstica (ou no aleatria).
A amostragem ser probabilstica se todos os elementos da populao tiverem probabilidade conhecida, e diferente de zero, de pertencer
amostra. Caso contrrio, a amostragem ser no probabilstica.
Indenpendente do tipo de amostragem, podemos trabalhar com
amostragem com reposio ou sem reposio. Na amostragem com reposio permitido que uma unidade experimental seja sorteada mais
de uma vez, e na amostragem sem reposio, a unidade experimental
sorteada removida da populao. Quando pensamos na quantidade de
informao contida na amostra, amostrar sem reposio mais adequado.
Mas, amostragem com reposio implica que tenhamos independncia
entre as unidades experimentais selecionadas, o que facilita o desenvolvimento de propriedades de estimadores que sero abordados mais adiante.
Na prtica, comum considerarmos a selao das unidades experimentais
como independentes quando pequenas amostras so retiradas de grandes
populaes. De acordo com (TRIOLA, 2008), uma diretriz comum a ser
seguida :
Se o tamanho da amostra no maior que 5% do tamanho da populao, tratamos a seleo das unidades experimentais como sendo
independentes (mesmo que as selees sejam feitas sem reposio, pois
tecnicamente elas so dependentes).
Agora, vamos estudar alguns tipos de tcnicas de amostragens probabilsticas e no probabilsticas.
1.3.1.1 Definies das Tcnicas de Amostragem

Probabilstica (ou Aleatria)
12
Sempre que possvel, devemos escolher trabalhar com amostragem

probabilstica. Este tipo de amostragem nos garante, com alto grau de
confiana, a representatividade da amostra com relao populao que
se tem interesse em estudar.
Usaremos N para denotar o tamanho da populao e n indicando o

tamanho da amostra.
1.3.1.1.1 Amostragem Aleatria Simples

utilizada quando todos os elementos da populao tm a mesma
chance (ou probabilidade igual) de pertencer amostra.
Para trabalhar com a amostragem casual simples devemos conseguir listar a populao de 1 a N. Os elementos da populao que iro
pertencer a amostra sero sorteados de forma aleatria. Sortearemos n nmeros dessa sequncia, os quais correspondero aos elementos sorteados
para a amostra.
Exemplo 1.1: Se desejamos, por exemplo, selecionar 50 elementos
de uma populao de 500 elementos, ento numeramos a populao
de 1 a 500 e sorteamos, dessa forma, cada um dos 50 que iro compor a
amostra.
1.3.1.1.2 Amostragem Sistemtica

Utilizamos amostragem sistemtica quando os elementos da populao se apresentam ordenados (ou em filas) e a retirada dos elementos da
amostra feita periodicamente.
Exemplo 1.2: Usando o exemplo anterior, onde a populao composta de 500 elementos ordenados, poderamos
utilizar a amostragem sistemtica primeiramente determinando qual o salto
Cuidado com ciclos de
que dever ser dado. Para isto,
variao. s vezes, podem ocorrer
fazemos a diviso do tamanho
ciclos de variao e os elementos
da populao pelo tamanho da
sorteados para a amostra tero sempre a
mesma caracterstica. Se isto for detectado, o
amostra desejada:
N 500
=
= 10
50
n
salto poder ser diversificado, podendo ento

selecionar, por exemplo, o 3, o 5 e o 9
elementos, depois novamente conto 3, 5 e
9 e assim por diante at obter a amostra
desejada.
Em seguida, podemos iniciar a amostragem com qualquer

indivduo escolhido (de forma aleatria)
13
Estatstica Aplicada
entre os 10 primeiros. A partir desse elemento, selecionamos os demais

sempre saltando de 10 em 10.
1.3.1.1.3 Amostragem por Conglomerados (Clusters)

Em algumas vezes a populao se apresenta numa subdiviso em
pequenos grupos, chamados conglomerados. Neste caso possvel, e at
conveniente, fazermos uma amostragem por meio desses conglomerados. Este tipo de amostragem consiste em sortear um nmero suficiente
de conglomerados, cujos elementos constituiro a amostra. Quando um
conglomerado sorteado, todos os elementos dentro dele so selecionados para a amostra. Este tipo de amostragem muitas vezes utilizado por
motivos de ordem prtica e econmica.
Exemplo 1.3: Suponhamos que desejamos estudar alguma caracterstica dos indivduos que moram num determinado bairro de sua cidade.
A populao de interesse constituda, portanto, por todos os indivduos
que moram nesse bairro e cada residncia constitui um conglomerado.
Podemos sortear alguns conglomerados (residncias) e cada morador da
unidade sorteada far parte da nossa amostra.
1.3.1.1.4 Amostragem Estratificada
Esta tcnica muito utilizada quando a populao heterognea ou

quando se consegue dividi-la em subpopulaes ou estratos. A amostragem estratificada consiste em especificar quantos elementos da amostra
sero retirados em cada estrato. O nmero de elementos sorteados em
cada estrato deve ser proporcional ao nmero de elementos existente no
estrato.
14
Exemplo 1.4: Vamos supor que uma pesquisa tem como objetivo
estudar uma determinada caracterstica do povo brasileiro, como por
exemplo, a renda familiar. Nesse caso, a populao de interesse constituda por todo cidado que mora no Brasil. Podemos considerar cada
estrato como sendo cada um dos estados brasileiros. Em cada um deles
ser selecionado um nmero x de elementos, proporcional populao de
cada estado.
1.3.1.2 Tcnicas de Amostragem No Probabilstica (ou

No Aleatria)
Somente recomendamos o uso de mtodos de amostragem no
probabilstica nos casos em que impossvel ou invivel a utilizao de
mtodos probabilsticos.
1.3.1.2.1Amostragem a Esmo ou Sem Norma

a amostragem em que o pesquisador, para simplificar o processo,
procura ser aleatrio sem, no entanto, usar algum dispositivo aleatrio
confivel.
Exemplo 1.5: Suponha que desejamos retirar uma amostra de 50
parafusos de uma caixa contendo 5.000. Nesse caso, poderamos, ao invs de sortear os parafusos, escolher a esmo aqueles que fariam parte da
amostra. No um procedimento totalmente aleatrio porque, mesmo
sem percebermos, poderamos estar privilegiando alguma parte da caixa,
no dando, dessa forma, a mesma chance de participao a qualquer um
dos parafusos.
1.3.1.2.2 Amostragem Intencional
Neste caso, o amostrador escolhe deliberadamente os elementos que

iro compor a amostra, muitas vezes, por julgar tais elementos bem representativos da populao.
Exemplo 1.6: Um diretor de uma instituio de ensino deseja avaliar o quanto determinada disciplina est sendo bem ministrada por seu
professor. Para isso, seleciona, para uma entrevista, alguns dos alunos
com melhor desempenho nessa disciplina.
1.4 Exemplo Prtico Envolvendo Tcnicas de

Amostragem Probabilstica
Exemplo 1.7: O quadro 1.1 lista a idade e a opinio de 50 profissionais de empresas pblicas e privadas que esto sendo entrevistados para
responder se so contra ou a favor da incluso de deficientes visuais
15
Estatstica Aplicada
e auditivos em suas empresas e em que tipo de empresa trabalha: pblica

ou privada.
Quadro 1.1 Idade e a opinio de profissionais de empresas pblicas e privadas com relao a incluso de deficientes visuais e auditivos
Profissionais
16
Idade
Opinio
Tipo de empresa
52
contra
Pblica
22
a favor
pblica
36
a favor
privada
35
a favor
privada
35
a favor
privada
50
contra
pblica
44
contra
pblica
42
contra
pblica
40
contra
pblica
10
45
contra
pblica
11
36
a favor
privada
12
34
a favor
privada
13
23
contra
pblica
14
26
a favor
pblica
15
28
a favor
pblica
16
28
a favor
pblica
17
29
a favor
privada
18
30
a favor
privada
19
30
a favor
privada
20
34
a favor
privada
21
38
a favor
privada
22
41
contra
pblica
23
42
contra
pblica
24
50
contra
pblica
25
49
contra
pblica
26
38
contra
privada
27
26
a favor
privada
28
29
a favor
privada
29
26
a favor
privada
30
36
a favor
privada
31
27
a favor
privada
32
32
a favor
privada
33
31
a favor
privada
34
33
a favor
privada
35
33
a favor
privada
36
36
contra
pblica
37
34
a favor
pblica
38
46
contra
privada
39
44
contra
pblica
40
65
contra
pblica
41
56
contra
pblica
42
52
contra
pblica
43
35
a favor
pblica
44
24
a favor
privada
45
23
a favor
privada
46
28
a favor
privada
47
30
a favor
privada
48
34
a favor
privada
49
46
contra
pblica
50
26
a favor
privada
a) Utilizando o quadro acima, retire uma amostra sistemtica

de 10 profissionais, iniciando pelo 3 profissional, e liste o n
do profissional sorteado, a idade, a opinio e o tipo de empresa
que ele trabalha.
Resoluo:
Dividindo 50 por 10, temos grupos com 5 elementos cada. Se sortearmos o terceiro elemento do primeiro grupo, por exemplo, os participantes da amostra sero os listados abaixo:
Profissionais
Idade
Opinio
Tipo de empresa
36
a favor
privada
42
contra
pblica
13
23
contra
pblica
18
30
a favor
privada
23
42
contra
pblica
17
Estatstica Aplicada
28
29
a favor
privada
33
31
a favor
privada
38
46
contra
privada
43
35
a favor
pblica
48
34
a favor
privada
b) Com a amostra selecionada no item a), calcule:

a idade mdia dos profissionais;
Resoluo:
x=
348
= 34, 8 anos
10
a porcentagem de profissionais contra a incluso;

Resoluo:
n o de profissionais contra a incluso na amostra
4
=
= 0, 4
n o total de profissionais na amostra
10
ou seja, 40% dos profissionais so contra a incluso de deficientes
visuais ou auditivos nas empresas em que trabalham.
a porcentagem de profissionais que so da rede pblica.
Resoluo:
n o de profissionais de empresas na amostra
4
=
= 0, 4
o
n total de profissionais na amostra
10
ou seja, 40% dos profissionais trabalham em empresas pblicas.
18
c) possvel retirar uma amostra estratificada dos profissionais

considerando a varivel tipo de empresa? Diga, em poucas palavras, como voc procederia neste caso?
Resoluo:
Sim, pois possvel identificar dois estratos: empresa pblica e
privada. O procedimento deve ser: retirar uma amostra proporcional de
profissionais de empresas pblicas e privadas e depois fazer as anlises
devidas.
Atividades
01. Classifique as variveis abaixo em quantitativas (discretas ou contnuas) ou qualitativas (nominal ou ordinal).
a) cor dos olhos
b) nmero de peas produzidas por hora
c) dimetro externo
d) nmero de pontos em uma partida de futebol
e) produo de algodo
f)
salrios dos executivos de uma empresa
g) nmero de aes negociadas na bolsa de valores
h) sexo dos filhos

i)
tamanho de pregos produzidos por uma mquina
j)
quantidade de gua consumida por uma famlia em um ms
k) grau de escolaridade
19
Estatstica Aplicada
l)
nvel social
m) tipo sanguneo
n) estado civil
02. A guerra das Colas o termo popular para a intensa competio
entre Coca-Cola e Pepsi mostrada em suas campanhas de marketing. As
campanhas tm estrelas de cinema e televiso, vdeos de rock, apoio de
atletas e afirmaes das preferncias dos consumidores com base em testes
de sabor. Como uma parte de uma campanha de marketing da Pepsi, suponha que 1 000 consumidores de refrigerante sabor cola submetam-se a um
teste cego de sabor (isto , as marcas esto encobertas). Cada consumidor
questionado quanto sua preferncia em relao marca A ou B.
a) Descreva a populao.
b) Descreva a varivel de interesse.
c) Descreva a amostra.
d) Descreva a inferncia.
20
03. Suponha que voc tenha determinado conjunto de dados e classifique cada unidade da amostra em quatro categorias: A, B, C ou D. Voc
planeja criar um banco de dados no computador com esses dados e decide
codific-los como A = 1, B = 2, C = 3 e D = 4. Os dados A, B, C e D so
qualitativos ou quantitativos? Depois de introduzidos no banco de dados
como 1, 2, 3 e 4, os dados so qualitativos ou quantitativos? Explique sua
resposta.
04. Os institutos de pesquisa de opinio regularmente fazem pesquisas

para determinar o ndice de popularidade do presidente em exerccio. Suponha que uma pesquisa ser conduzida com 2.500 indivduos, que sero
questionados se o presidente est fazendo um bom ou um mau governo.
Os 2.500 indivduos sero selecionados por nmeros de telefone aleatrios
e sero entrevistados por telefone.
a) Qual a populao relevante?
b) Qual a varivel de interesse? qualitativa ou quantitativa?
c) Qual a amostra?
d) Qual o interesse da inferncia para o pesquisador?

e) Qual o mtodo de coleta de dados que foi empregado?
f)
A amostra em estudo representativa?
21
Estatstica Aplicada
05. Uma populao se encontra dividida em quatro estratos. O tamanho

de cada estrato , N1 = 80, N2 = 120, N3 = 60 e N4 = 60 Sabe-se que uma
amostragem proporcional foi realizada e dezoito elementos da amostra foram retirados do segundo estrato. Qual o nmero total de elementos da
amostra?
06. Uma pesquisa precisa ser realizada em uma determinada cidade. A

amostragem proposta para este problema a seguinte: dividir a cidade em
bairros (pelo prprio mapa da cidade): em cada bairro, sorteia-se certo
nmero de quarteires proporcional rea do bairro; de cada quarteiro,
so sorteadas quatro residncias, destas quatro residncias, todos os moradores so entrevistados.
a) Essa amostra ser representativa da populao ou poder apresentar
algum vcio (no confivel)?
b) Quais tipos de amostragem foram utilizados no procedimento?

07. Uma empresa de seguros mostra que, entre 4000 sinistros reportados empresa durante um ms, 2700 so sinistros pequenos (inferiores a
R$400,00), enquanto os outros 1300 so sinistros grandes (R$400,00 ou
mais). Foi extrada uma amostra proporcional de 1% para estimar o valor
mdio desses sinistros, Os dados esto a seguir, separados por tipo de sinistro.
Sinistros pequenos
Sinistros grandes
84 330 126 156 90 296
390 132 36
22
73 55 178
340 82 184 206 44 276

98 124 176 226 58 144
58 166 228
492 710 1744 1298 506

676 982 1720 1510 976 1004 2600
2420
a) Determine a mdia de cada uma das amostras (sinistros pequenos e

sinistros grandes),
b) Determine sua mdia ponderada, tomando como pesos os dois tamanhos de estratos N1 = 2700 e N2 = 1300.
08. Consideremos um estudo realizado em empresas de pequeno e mdio
porte de uma determinada regio composto por 1000 empresas, distribudas, quanto ao nmero de funcionrios, como mostra a tabela abaixo, e que
nesta regio sejam amostrados 50 empresas.
Distribuio do n de empresas de uma regio qualquer, quanto ao
n de funcionrios.
N de
N de
funcionrios
propriedades
0 20
500
20 50
320
50 100
100
100 200
50
200 400
30
Total
1000
Amostra estratificada
(n = 50)
Uniforme
Proporcional
50
50
a) Qual dever ser o tamanho da amostra dentro de cada estrato no caso

uniforme e no proporcional?
b) Determine a mdia amostral obtida para a amostragem estratificada
uniforme e para a amostragem estratificada proporcional. Comente os resultados.
Observao: Amostragem estratificada uniforme quando retiramos o mesmo nmero de elementos de cada estrato, independente do
tamanho do estrato.
23
Estatstica Aplicada
Reflexo
Estamos encerrando nosso primeiro captulo. Vimos, aqui, alguns
conceitos que sero fundamentais na compreenso dos outros contedos
abordados no livro. J deve ter dado para perceber que, mesmo estando
no incio da disciplina, as aplicaes prticas que voc poder fazer na
sua rea de atuao sero muitas. A compreenso e interpretao das mais
variadas informaes, com as quais nos deparamos em nosso cotidiano,
dependem, em parte, do conhecimento de certos elementos estatsticos.
Estamos apenas no comeo. Muitas tcnicas (muito interessantes!)
ainda sero abordadas. E lembre-se que o conhecimento e o domnio da Estatstica certamente levaro voc, futuro gestor, s decises mais acertadas.
Leitura recomendada
Sugerimos que voc oua os udios que esto no seguinte endereo:
<http://m3.ime.unicamp.br/recursos/1252>. No primeiro mdulo voc
conhecer um pouco da histria da Estatstica e, no segundo mdulo, a
histria da Probabilidade.
Referncias
ANDERSON, David R.; SWEENEY, Denis J.; WILLIAMS, Thomas
A. Estatstica aplicada administrao e economia. So Paulo: Pioneira Thomson Learning, 2003.
BUSSAB, Wilton de O.; MORETTIN, Pedro A.. Estatstica bsica.
So Paulo: Saraiva, 2003.
COSTA NETO, Pedro Luiz de Oliveira. Estatstica, So Paulo: Edgard

Blucher, 2002.
24
DOWNING, Douglas; CLARK, Jeffrey. Estatstica aplicada. So

Paulo: Saraiva, 2002.
FARIAS, Alfredo Alves de; SOARES, Jos Francisco; CSAR, Cibele
Comini. Introduo estatstica. Rio de Janeiro: LTC, 2003.
FONSECA, Jairo Simon; MARTINS, Gilberto de Andrade; TOLEDO,

Geraldo Luciano. Estatstica Aplicada. So Paulo: Atlas, 1985.
LEVIN, Jack; FOX, James Alan. Estatstica para cincias humanas.
So Paulo: Prentice Hall, 2004.
LEVINE, David M.; BERENSON, Mark L.; STEPHAN David. Estatstica: teoria e aplicaes. Rio de Janeiro: LTC, 2000.
MARTINS, Gilberto de Andrade. Estatstica geral e aplicada. So
Paulo: Atlas, 2002.
McClave, James T.; BENSON P. George.; SINCICH, Terry. Estatstica para adminstrao e economia. So Paulo: Pearson Prentice Hall,
2009.
MEMRIA, Jos M. P. Breve Histria da Estatstica. Disponvel
em: <http://www.im.ufrj.br/~lpbraga/prob1/historia_estatistica.pdf>.
Acesso em: 25 setembro 2014.
MILONE, Giuseppe. Estatstica geral e aplicada. So Paulo: Pioneira
Thomson Learning, 2004.
TRIOLA, Mario F.. Introduo estatstica. Rio de Janeiro: LTC,
1999.
VIEIRA, Sonia. Elementos de estatstica. So Paulo: Atlas, 2003.

Disponvel em: <http://www.ufrgs.br/mat/graduacao/estatistica/historia-da-estatistica>. Acesso em: 25 set. 2014
No prximo captulo
Agora que j sabemos como coletar dados, aprenderemos no prximo captulo como organizar, resumir e apresentar os dados coletados em
distribuies de frequncias. Estudaremos, tambm, como resumir informaes de conjuntos de dados numricos em alguns valores que sejam
representativos de todo o conjunto.
25
Estatstica Aplicada
Minhas anotaes:
26
Distribuio de
Frequncias e Medidas
de Posio Central
Cap
t u
lo
Nesse captulo, estudaremos como organizar

os dados numa distribuio de frequncias e
aprenderemos a resumir conjuntos de dados numricos em alguns valores representativos de todo
conjunto.
Quando realizamos uma coleta de dados, geralmente estamos lidando com uma quantidade muito grande de informaes. Portanto, torna-se imprescindvel a utilizao de certas
tcnicas visando simplificar a leitura de tais informaes. Para
que se tenha uma viso do todo (sobre o fenmeno que est sendo
estudado) precisamos, por exemplo, dispor as informaes em tabelas ou apresent-las em grficos. o que estaremos abordando num
primeiro momento. Logicamente, h mais tcnicas que podem ser
aplicadas, mas elas sero vistas nos prximos captulos.
Organizar, resumir e apresentar, atravs de distribuio de frequncias, as

informaes contidas em grandes conjuntos de dados. Calcular e interpretar as medidas de posio central.
Voc se lembra?
Voc se lembra de j ter visto tabelas em jornais, livros ou revistas, em

que eram utilizados percentuais para indicar as frequncias de ocorrncias de respostas em uma pesquisa? Ou com os percentuais referentes
avaliao de um governo? E informaes como mdia salarial de
determinada categoria de profissionais, ou ainda, idade mdia
dos estudantes do primeiro ciclo de determinada universidade?
Neste captulo, veremos como (e para qu) construimos tabelas dessa natureza e como calculamos medidas descritivas
como a mdia aritmtica.
Estatstica Aplicada
2.1 Distribuio de Frequncias

Para entendermos a ideia de distribuio de frequncias, vamos
analisar a seguinte situao: quando um pesquisador termina de coletar
os dados para sua pesquisa, geralmente fica com muitos questionrios em
mos (respondidos pelas pessoas que foram sorteadas para pertencer a
sua amostra) ou com os dados digitados em alguma planilha eletrnica. O
fato que os dados brutos (sem tratamento) no trazem as informaes
de forma clara, por isso devemos tabular esses dados. Quando tabulamos
os dados estamos resumindo as informaes para melhor compreenso
da varivel em estudo. A esta tabulao damos o nome de distribuio de
frequncias (ou tabela de frequncias).
Distribuio de frequncias uma tabela em que se resumem grandes quantidades de dados, determinando o nmero de vezes que cada
dado ocorre (frequncia) e a porcentagem com que aparece (frequncia
relativa).
Para facilitar a contagem do nmero de vezes que cada dado ocorre,
podemos ordenar os dados. A uma sequncia ordenada (crescente ou decrescente) de dados brutos damos o nome de Rol.
Os tipos de frequncias com os quais iremos trabalhar so:
Frequncia absoluta ou simplesmente frequncia (f): o n de vezes

que cada dado aparece na pesquisa.
Frequncia relativa ou percentual (fr): o quociente da frequncia
absoluta pelo nmero total de dados. Esta frequncia pode ser expressa
em porcentagem. O valor de (fr x100) definido como fr (%).
Frequncia acumulada (fa): a soma de cada frequncia com as que
lhe so anteriores na distribuio.
Frequncia relativa acumulada (fra): o quociente da frequncia
acumulada pelo nmero total de dados. Esta frequncia tambm pode ser
expressa em porcentagem. O valor de (fra x100) definido como fra (%).
28
Exemplo 2.1: Com as informaes fornecidas na tabela 2.1, vamos

indicar e classificar a varivel em estudo. Depois, completaremos a distribuio de frequncias encontrando a frequncia relativa (%).
Distribuio de Frequncias e Medidas de Posio Central. Captulo 2
EAD-15-Estat[istica Aplicada Proibida a reproduo UniSEB
Tabela 2.1 Distribuio de renda de operrios de uma determinada empresa.

Faixa de renda
(em salrios
mnimos)
Nmero de
operrios (f)
fr(%)
02
43
39,09
24
39
35,45
46
16
14,55
68
7,27
8 10
3,64
Total
110
100
Resoluo:
Em todos os nossos exemA varivel em estudo a renda
plos, na distribuio de frequncias
dos operrios de uma determinada
construda com intervalos de classes,
empresa. Esta varivel classifivamos considerar que o intervalo de classe
fechado esquerda e aberto direita. Por
cada como quantitativa contnua,
exemplo, no caso dessa tabela, considerando
pois pode assumir qualquer valor a terceira classe de frequncia, podemos dizer
dentro de um intervalo numrico.
que os 16 operrios que esto nesta classe
recebem de 4 a menos que 6 salrios
As frequncias absolutas
mnimos por ms.
(f) so fonecidas no problema.
As frequncias relativas (fr(%)) so
encontradas dividindo cada frequncia
absoluta (de cada classe de frequncia) pelo
total de operrios (110) e multiplicando por 100.
Uma distribuio de frequncias apresenta, basicamente, as 3 colunas apresentadas na tabela 2.1. Desta maneira, conseguimos organizar de
forma resumida um conjunto de dados.
Em alguns estudos podemos ter interesse em outras quantidades relacionadas tabela, como, por exemplo, a frequncia acumulada ou a frequncia acumulada (%). Veremos mais adiante que a frequncia acumulada
utilizada na construo de um grfico denominado Ogiva. A tabela 2.2
apresenta a frequncia acumulada e a frequncia relativa acumulada (%).
29
Estatstica Aplicada
Tabela 2.2 Distribuio das frequncias acumuladas da varivel faixa de renda.

Faixa de renda
(em salrios
mnimos)
Nmero de
operrios (f)
fr(%)
Frequncia
acumulada (fa)
02
43
39,09
43
39,09
24
39
35,45
82
75,55
46
16
14,55
98
89,09
68
7,27
106
96,36
8 10
3,64
110
100,00
Total
110
100
fra (%)
A coluna frequncia acumulada (fa) decada classe obtida somando

a frequncia da respectiva classe com as que lhe so anteriores e a fra(%)
obtida dividindo a fa pelo nmero total de dados e multiplicando por 100.
Para organizar dados de variveis qualitativas ou quantitativas discretas (cujos valores no esto agrupados em classes) seguimos o mesmo
procedimento que foi utilizado na construo da tabela 2.1.
Exemplo 2.2: Uma determinada empresa resolveu traar o perfil
socioeconmico de seus empregados. Uma das variveis estudadas foi o
nmero de filhos, com idade inferior a 18 anos, de cada um dos empregados. A tabela 2.3 fornece a frequncia e a frequncia relativa (%) para
cada valor obtido.
Tabela 2.3 Distribuio de frequncias dos empregrados, segundo o nmero de filhos.
30
Nmero de filhos
Nmero de
operrios (f)
fr(%)
13,33
24,44
28,89
15,56
11,11
2,22
4,44
Total
45
100,00
Para encontrarmos a fa e a fra (%) seguimos o mesmo procedimento

que foi utilizado na tabela 2.2.
2.1.1 Agrupamento em Classes

Como vimos no exemplo 2.1, para representar a varivel contnua
renda, organizamos os dados em classes. Portanto, podemos dizer que a
varivel renda foi dividida em 5 classes de frequncias.
Quando agrupamos em classes de frequncias perdemos informaes, pois no sabemos exatamente quais so os valores que esto contidos em cada uma das classes (a no ser que seja possvel pesquisar esta
informao no conjunto de dados brutos). Na anlise das distribuies de
frequncias com intervalos de classes podemos identificar os seguintes
valores:
Limite inferior (Li): o menor valor que a varivel pode assumir
em uma classe de frequncia;
Limite superior (Ls): serve de limite para estabelecer qual o maior
valor que a varivel pode assumir em uma classe de frequncia, mas, geralmente, os valores iguais ao limite superior no so computados naquela
classe e sim na seguinte;
Ponto mdio (Pm): a mdia aritmtica entre o Li e o Ls da mesma
Li + Ls
classe, ou seja, Pm =
2
Amplitude (h): a diferena entre o Ls e o Li da classe, ou seja,

h = Ls Li;
Amplitude total (ht): a diferena entre o Ls da ltima classe de frequncia e o Li da primeira classe, ou seja: ht = Ls Li.
Na construo de uma distribuio de frequncias com intervalos
de classes devemos determinar o nmero de classes que uma tabela deve
ter e qual o tamanho (ou a amplitude) destas classes. Podemos usar o bom
senso e escolher arbitrariamente quantas classes e qual a amplitude que
estas classes devem ter.
31
Estatstica Aplicada
Quando no tivermos nenhuma referncia sobre qual deve ser o nmero de classes a se trabalhar, podemos utilizar o critrio que sugerido
por vrios autores. Chama-se regra da raiz e ser apresentado a seguir.
Considere:
k
h=
k
k'
(2.1)
onde k o nmero de classes que vamos construir na distribuio de frequncias; n o tamanho da amostra que estamos trabalhando; h a amplitude de cada uma das classes e R a amplitude total dos dados.
Os valores de k e h devem ser arredondados sempre para o maior
valor. Por exemplo, para uma amostra de tamanho n = 50 cujo menor valor 4 e o maior valor 445 temos que R = 441 (maior valor menor valor). O nmero de classes seria dado por k n = 50 = 7, 07106... 8
(maior inteiro depois de 7) e a amplitude (tamanho) de cada uma das
8 classes acima dever ser h = R = 441 = 55,125 56 (maior inteiro
k
depois de 55). Ou seja, deveramos, para este exemplo, montar uma tabela com
8 classes e de amplitude 56. A tabela pode ser iniciada pelo menor valor do conjunto de dados.
32
Resumindo, para montar uma distribuio de frequncias com intervalos de classes devemos:
Achar o mnimo e o mximo dos dados.
Determinar as classes de frequncias que na verdade nada mais
do que escolher intervalos de mesmo comprimento que cubra
a amplitude entre o mnimo e o mximo. Para determinar o
nmero de classes, usaremos k n e para determinar o tak
manho das classes usaremos h = k'
Contar o nmero de observaes que pertencem a cada intervalo de classe. Esses nmeros so as frequncias observadas da
classe.
Calcular as frequncias relativas e acumuladas de cada classe.

De modo geral, a quantidade de classes no deve ser inferior a
5 e nem superior a 25.
Agora, aprenderemos como caracterizar um conjunto de dados atravs de medidas numricas que sejam representatativas de todo o conjunto.
2.2 Medidas de posio

As medidas de posio, tambm chamadas de medidas de tendncia
central, tm o objetivo de apresentar um ponto central em torno do qual
os dados se distribuem. As mais conhecidas so: a mdia, a mediana e a
moda. Vamos estudar cada uma dessas medidas de posio (estatsticas).
Primeiramente, vamos fazer um estudo para os dados no tabulados,
ou seja, quando os dados no estiverem na forma de distribuio de frequncia. Em seguida, as mesmas medidas sero calculadas com base em
dados tabulados.
2.2.1 Mdia aritmtica
A mdia aritmtica ( x ) a mais comum e mais simples de ser calculada dentre todas as medidas de posio mencionadas.
Para calcul-la, basta fazer a diviso da soma de todos os valores
(x1, x2, ..., xn) da varivel pelo nmero total de elementos do conjunto de
dados (n):
n
x=
xi
i =1
(2.2)
onde:
x = a mdia aritmtica;
xi = os valores da varivel;
n = o nmero de valores no conjunto de dados.
2.2.2 Mediana
A mediana outra medida de posio, dita mais robusta que a mdia, pois, da forma como ela determinada, no permite que alguns valores muito altos ou muito baixos interfiram de maneira significativa em seu
33
Estatstica Aplicada
valor. Desta forma, se o conjunto de dados apresentar alguns poucos valores

A mediana a medida de podiscrepantes em relao maioria
sio mais frequentemente usada
quando a varivel em estudo for renda
dos valores do conjunto de dados,
(R$), pois algumas rendas extremamente
em geral, aconselhvel usar a
elevadas podem inflacionar a mdia. Neste
mediana ao invs da mdia.
caso, a mediana uma melhor medida de
posio central.
A mediana encontrada
ordenando os dados do menor
para o maior valor e em seguida
identificando o valor central destes
dados ordenados. uma medida que
divide o conjunto de dados ao meio, deixando a mesma quantidade de valores abaixo
dela e acima.
A determinao da mediana difere no caso do tamanho (n) do conjunto de dados ser par ou mpar. Vejamos a seguir.
Se o nmero de elementos do conjunto de dados for mpar, ento a
mediana ser exatamente o valor do meio, ou seja:
Md = x n +1
(2.3)
Se o nmero de elementos do conjunto de dados for par, ento a mediana ser exatamente a mdia dos dois valores do meio, isto :
x n + x n
Md =
+1
2
(2.4)
onde x n , x n+1 e x n indicam as posies onde os dados se encon +1

tram. 2 2
2
2.2.3 Moda
34
A moda de um conjunto de dados o valor (ou valores) que ocorre

com maior frequncia. A moda, diferentemente das outras medidas de
posio, tambm pode ser encontrada quando a varivel em estudo for

qualitativa. Existem conjuntos de dados em que nenhum valor aparece
mais vezes que os outros. Neste caso, dizemos que o conjunto de dados
no apresenta moda.
Em outros casos, podem aparecer dois ou mais valores de maior
frequncia no conjunto de dados. Nestes casos, dizemos que o conjunto de
dados bimodal e multimodal, respectivamente.
Por conta das definies diferentes, a mdia, a mediana e a moda
fornecem, muitas vezes, informaes diferentes sobre o centro de um conjunto de dados, embora sejam todas medidas de tendncia central.
No exemplo 2.3 apresentaremos os clculos das medidas de posio
para dados no tabelados (dados brutos).
Exemplo 2.3: Um gerente de banco deseja estudar a movimentao
de pessoas em sua agncia na segunda semana de um ms qualquer. Ele
constata que no primeiro dia entraram 1.348 pessoas, no segundo dia,
1.260 pessoas, no terceiro, 1.095, no quarto, 832 e no ltimo dia do levantamento, 850 pessoas. Encontre a mdia aritmtica, a mediana e a moda
para este conjunto de dados e interprete os resultados.
Resoluo:
A mdia aritmtica dada por:
n
x=
xi
i =1
1.348 + 1.260 + 1.095 + 832 + 850 5.385

=
= 1.077
5
5
O nmero mdio de pessoas que entram na agncia bancria na

segunda semana do ms de 1.077 pessoas. Isto quer dizer que, alguns
dias entram menos que 1.077 e outros dias entram mais, ou seja, 1.077
um valor em torno do qual o nmero de pessoas que entram na agncia,
durante a segunda semana de cada ms, se concentra.
Para encontrar a mediana, devemos, primeiramente, ordenar os dados em ordem crescente (pode ser decrescente tambm):
832, 850, 1095, 1.260, 1.348
35
Estatstica Aplicada
Como a quantidade de dados (n) um nmero mpar, a mediana

exatamente o valor que se encontra no meio do conjunto de dados:
Md = x n+1 = x 6 = x3 = 1.095 pessoas
Isto significa que temos o mesmo nmero de observaes menores

ou iguais ao valor da mediana e o mesmo nmero de observaes maiores
ou iguais ao valor da mediana.
Este conjunto de dados no possui moda, pois no existe nenhum
valor que aparece com mais frequncia que os outros.
Agora, vamos fazer um estudo para os dados tabulados, ou seja,
quando os dados estiverem na forma de uma distribuio de frequncias.
Neste caso, a maneira de se calcular a mdia aritmtica muda um
pouco. Como as frequncias so nmeros que indicam quantas vezes aparece determinado valor ou quantos valores tm em cada classe de frequncia, elas funcionaro como fatores de ponderao. Estas situaes sero
apresentadas nos exemplos 2.4 e 2.5, respectivamente.
Mdia Aritmtica
No caso de dados tabulados, o clculo da mdia aritmtica :
k
x=
xi fi
i =1
fi
(2.5)
i =1
onde:
xi o valor da varivel (ou o ponto mdio de uma classe de frequncia);
fi a frequncia referente a cada valor (ou classe);
36
fi
i =1
a soma dos valores das frequncias (n).
A expresso (2.5) apresentada acima tambm conhecida como frmula da mdia ponderada.
No caso de distribuies de frequncias que no apresentam intervalos de classes, a mediana e a moda so encontradas utilizando os conceitos apresentados nos itens 2.2.2 e 2.2.3, respectivamente.
Exemplo 2.4: Em um determinado ms, foi computado o nmero
de faltas ao trabalho, por motivos de sade, que cada funcionrio de uma
determinada empresa teve. Os dados esto apresentados na tabela abaixo:
Tabela 2.4 Nmero de faltas ao trabalho, por motivos de sade.
Nmero de faltas
31
20
Total
63
Encontre a mdia aritmtica, a mediana e a moda para este conjunto

de dados e interprete os resultados.
Resoluo:
Mdia Aritmtica
k
xi fi ( 0 31) + (1 20 ) + ( 2 8) + ( 3 2 ) + ( 4 0 ) + ( 5 1) + ( 6 1) 53
x = i =1
=
=
0,84
k
fi
63
63
i =1
ou seja, nesta empresa ocorreram, em mdia, 0,84 faltas por funcionrio,

por motivo de sade.
37
Estatstica Aplicada
Mediana
Como os dados esto tabelados,
Quando os dados estiverem
eles j se encontram ordenados.
dispostos numa distribuio de frequncias, o clculo da mdia aritmtica
Para ficar mais fcil encontrar o
pode ser feito acrescentando uma coluna
valor da mediana, vamos incluir
na distribuio de frequncias. Esta coluna
na distribuio de frequncias
denominada xi x fi e obtida multiplicando
uma coluna com as frequncias cada valor da varivel (xi ) pela sua respectiva
frequncia (fi ). A mdia aritmtica obtida
acumuladas.
dividindo a soma dos valores desta coluna pela soma dos valores da coluna
da frequncia.
Nmero de faltas
31
31
20
51
59
61
61
62
63
Total
63
fa
Para encontrar o valor da mediana, seguimos os seguintes passos:
1 Passo: identificaremos a frequncia acumulada imediatamente

superior metade do somatrio das frequncias absolutas:
38
2 Passo: a mediana ser o valor da varivel associado frequncia acumulada imediatamente superior ao valor encontrado no 1 Passo.
Ento, a frequncia acumulada imediatamente superior a 31,5 fa = 51. .
Portanto, o valor da mediana o valor da varivel associado fa = 51, ou
seja,
Md = 1 falta
Neste conjunto de dados, pelo menos 50% das observaes so
maiores ou iguais a 1 falta.
fi
No caso do valor i =1
ser exatamente igual a uma das frequncias acumu
ladas fa, o clculo da mediana ser a mdia aritmtica entre dois valores da
varivel: xi e xi + 1.
k
fi
O valor da varivel xi ser aquele cujo i =1
= f a e o valor da varivel xi + 1
sera aquele que est imediatamente aps xi na distribuio de frequncia.
Moda
As medidas resumo calcuA resposta que aparece com
ladas quando os dados estiverem
maior frequncia neste conjunto de
agrupados em intervalos de classes
so
apenas aproximaes dos verdadeiros
dados o 0 (com frequncia 31),
valores, pois substitumos os valores das
ou seja, mais frequente encon- observaes pelo ponto do mdio do intervalo
trar funcionrios que no faltam.
de classe.
No caso do exemplo 2.5
veremos que os dados esto agrupados em intervalos de classes.
Quando o conjunto de dados for apresentado sob a forma agrupada perdemos a
informao dos valores das observaes. Neste
caso, vamos supor que todos os valores dentro de uma classe tenham seus
valores iguais ao ponto mdio desta classe.
Os clculos da mdia, da moda e da mediana para distribuio de
frequncias agrupadas em classes esto apresentados a seguir.
Vale ressaltar que, sempre que possvel, as medidas de posio e
disperso devem ser calculadas antes dos dados serem agrupados.
Exemplo 2.5: A tabela abaixo apresenta a distribuio de frequncias do tempo de vida de 60 componentes eletrnicos (medido em dias)
submetidos experimentao num laboratrio especializado. Calcular as
medidas de posio.
39
Estatstica Aplicada
Tabela 2.5 Tempo de vida de componentes eletrnicos.

Tempo de vida (dias)
318
1833
25,5
3348
40,5
4863
55,5
6378
10
70,5
7893
28
85,5
93108
100,5
108123
115,5
Total
60
Ponto Mdio (xi)

10,5
Resoluo:
Neste tipo de tabela, como temos classes de frequncias, devemos
encontrar um valor que represente cada classe, para que possamos efetuar
os clculos. Por exemplo, considerando a primeira classe de frequncia,
Tempo de vida (dias)
318
Ponto Mdio (xi)

10,5
sabemos que 3 componentes eletrnicos tiveram tempo de vida entre 3 e

18 dias, porm, no sabemos exatamente qual foi o tempo de vida de cada
um. Se considerarmos o limite inferior da classe (3) para efetuarmos os
clculos estaremos subestimando as estimativas. Por outro lado, se considerarmos o limite superior da classe (18) estaremos superestimando as
estimativas. Portanto, vamos utilizar o ponto mdio de cada classe para
podermos fazer os clculos sem grandes prejuzos. A terceira coluna da
tabela acima contm os pontos mdios calculados para cada intervalo de
classe. O valor do ponto mdio passa a ser o nosso valor xi a ser utilizado
nos clculos. Vamos aprender como se faz:
40
Mdia Aritmtica
k
x=
xi fi
i =1
fi
i =1
(10, 5 3) + ( 25, 5 4 ) + ( 40, 5 4 ) + ( 55, 5 8) + ( 70, 5 10 ) + (85, 5 28) + (100, 5 2 ) + (115, 5 1)

=
60
4155
=
= 69, 25
60
Podemos dizer, atravs da mdia aritmtica, que os componentes

eletrnicos tm uma durao mdia de 69 dias e 6 horas (69,25 dias).
Mediana
Como os dados esto tabelados em classes de frequncias, calculamos a mediana atravs da seguinte frmula:
Me = Xe +
h ( X m Fiaa )
F
(2.6)
onde
Xe o limite inferior da classe que contm a mediana;
Xm: metade do valor da frequncia total;
Fiaa: frequncia acumulada da classe anterior classe que contm a
mediana;
Fi: nmero de observaes na classe que contm a mediana;
h: amplitude da classe que contm a mediana.
No clculo da mediana para os dados da tabela 2.5 temos que primeiramente encontrar a classe que contm a mediana. Esta classe corresponde classe associada frequncia acumulada imediatamente superior
f
i.
2
f
Como i = 60 = 30 , temos que a classe que contm a mediana
2
2
de 7893 (pois fa = 57).
41
Estatstica Aplicada
Classe que
contm
a mediana
Tempo
de vida
P. M
xi
fa
318
10,5
1833
25,5
3348
40,5
11
4863
55,5
19
6378
10
70,5
29
7893
28
85,5
57
93108
100,5
59
108123
115,5
60
Total
60
N de
observaes da
classe que contm
a mediana
fa da classe
anterior a classe
que contm
a Md.
fi
Alm disso, temos:

Xe 78;
Xm: 30;
Fiaa: 29;
Fi: 28;
h: 15
Agora, basta substituirmos todos os valores encontrados na frmula
2.6 e encontramos o valor da mediana:
M e = 78 +
15 ( 30 29 )
= 28 + 0.54 78.5
28
Atravs da mediana podemos dizer que pelo menos 50% dos componentes eletrnicos avaliados tm durao igual ou inferior a 78 dias e
12 horas.
Para calcularmos a moda para distribuies de frequncias com intervalos de classes, utilizaremos a seguinte frmula:
42
Mo = X o +
h ( Fm Fa )
2Fm - Fa + Fp
(2.7)
onde
Xo o limite inferior da classe que contm a moda;
Fm: frequncia mxima;
Fa: frequncia anterior frequncia mxima;
Fp: frequncia posterior frequncia mxima;
h: amplitude da classe que contm a moda.
No clculo da moda para os dados da Tabela 2.5 temos que primeiramente encontrar a classe que contm a moda. Esta classe corresponde
classe que possui a frequncia mxima. Ento, a classe que contm a
moda de 7893 (pois f = 28).
Alm disso, temos:
Xo 78;
Fm: 28;
Fa: 10;
Fp: 2;
h: 15.
2.7 e encontramos o valor da moda:
Mo = 78 +
15 ( 28 10 )
270
= 78 +
84,1
2 ( 28 ) (10 + 2 )
44
Portanto, comum encontrar componentes eletrnicos que durem, aproximadamente, 84 dias e 2 horas.
Atividades
01. Abaixo temos as idades dos
funcionrios de uma determinada
empresa. Construir uma distribuio
de frequncias, agrupando os dados
em classes.
Conexo:
Sugerimos os vdeos:
Novo Telecurso E. Fundamental Matemtica Aula 34 (parte 1)
e Novo Telecurso E. Fundamental
Matemtica Aula 34 (parte 2) disponveis,
respectimante em <http://www.youtube.com/
watch?v=SyWbYOtAIYc&NR=1> e <http://
www.youtube.com/watch?v=ejMyWfuSO5k>.
que apresenta de modo bem prtico a
utilizao das medidas de posio.
43
Estatstica Aplicada
OBS.: A tabela de distribuio de frequncias deve ser completa

com f, fr e fa.
Idades (dados brutos)
48
28
37
26
29
59
27
28
30
40
42
35
23
22
31
21
51
19
27
28
36
25
40
36
49
28
26
27
41
29
Baseado na distribuio de frequncias construda, responda:

a) Quantos so os funcionrios com idade inferior a 33 anos?
b) Que porcentagem de funcionrios tem idade igual ou superior a 47
anos?
c) Quantos so os funcionrios com idade maior ou igual a 26 anos e no
tenham mais que 40 anos?
d) Qual a porcentagem de funcionrios com idade abaixo de 40 anos?
e) Qual a porcentagem de funcionrios que tm no mnimo 40 anos?
02. Um consultor estava interessado em saber quanto, geralmente, cada

pessoa gastava em um determinado supermercado no primeiro sbado
aps receberem seus pagamentos (salrios). Para isso ele entrevistou 50
clientes que passaram pelos caixas entre 13h e 18h, e anotou os valores
gastos por cada um deles. Estes valores esto listados abaixo:
44
4,89
11,00
5,60
73,85
24,83
98,00
186,00
234,87
58,00
198,65
223,86
341,42
94,76
445,76
82,80
35,00
455,00
371,00
398,60
234,00
64,90
54,98
48,80
68,90
120,32
126,98
76,43
6,35
9,98
12,68
243,00
18,65
134,90
11,10
321,09
290,76
74,00
48,80
74,52
138,65
26,00
210,13
15,78
197,45
75,00
76,55
32,78
166,09
105,34
99,10
Analisando o conjunto de dados, responda os seguintes itens:

a) Qual a varivel em estudo? Classifique-a.
b) Construa uma tabela de frequncias a partir do conjunto de dados

brutos.
03. Os dados abaixo referem-se ao nmero de horas extras de trabalho

que uma amostra de 64 funcionrios de uma determinada empresa localizada na capital paulista.
10
10
12
14
14
14
15
16
18
18
18
18
18
19
20
20
20
20
20
21
22
22
22
22
22
22
22
22
22
22
22
22
23
23
24
24
24
24
24
24
24
25
25
25
25
26
26
26
26
26
26
27
27
27
28
28
29
30
30
32
35
36
40
41
Pede-se:
a) Calcule e interprete as seguintes medidas descritivas calculadas para
os dados brutos (dados no tabulados): mdia aritmtica; mediana; moda.
b) Construir uma distribuio de frequncias completa (com freq. absoluta, freq. relativa, freq. acumulada e ponto mdio).
c) Com a tabela construda no item b), encontre as seguintes medidas:

mdia aritmtica, mediana, moda. Interprete os resultados.
45
Estatstica Aplicada
04. Os dados abaixo representam as vendas mensais (em milhes de reais)

de vendedores de gnero alimentcios de uma determinada empresa.
Vendas mensais
(em milhes de reais)
Nmero de vendedores
0 | 1
1 | 2
12
2 | 3
20
3 | 4
48
4 | 5
14
5 | 6
10
Total
110
a) Qual a varivel em estudo? Que tipo de varivel esta?

b) Encontre a mdia, mediana e moda e interprete os resultados.
c) Qual a porcentagem de vendedores com vendas mensais inferior a 2
milhes de reais?
d) Qual a porcentagem de vendedores com vendas mensais superior a 4
milhes de reais?
e) Qual a porcentagem de vendedores com vendas mensais entre 3 (inclusive) e 5 (exclusive) milhes de reais?
46
f) Qual a porcentagem de vendedores que vendem, pelo menos, 3 milhes de reais mensais?
05. Numa pesquisa realizada com 91 famlias, levantaram-se as seguintes

informaes com relao ao nmero de filhos por famlia:
nmero de filhos
frequncia de famlias
19
22
28
16
Calcule e interprete os resultados da:

a) mdia aritmtica
b) mediana
c) moda
06. Define-se a mdia aritmtica de n nmeros dados como o resultado
da diviso por n da soma dos n nmeros dados. Sabe-se que 4,2 a mdia
aritmtica de 2.7; 3.6; 6.2; e x. Determine o valor de x.
Leitura recomendada
Recomendamos a leitura do texto Como analisar de forma simples

um grande nmero de dados?, disponvel no endereo: <http://www.
klick.com.br/conteudo/pagina/0,6313,POR-1453--1453,00.html>, que
aborda de maneira clara alguns procedimentos que podem ser utilizados
quando nos deparamos com situaes em que precisamos resumir as informaes de grandes conjuntos de dados.
Referncias
Blucher, 2002.
47
Estatstica Aplicada

1999.
VIEIRA, Sonia. Elementos de estatstica. So Paulo: Atlas, 2003.
No prximo captulo
Se at agora vimos como organizar os dados (informaes) em distribuies de frequncias e como resumir as informaes numricas em
medidas de posio central, iremos incrementar esse processo atravs da
insero de medidas de ordenamento e disperso. As medidas de ordenamento nos fornecem uma ideia sobre a distribuio dos dados ordenados e
apresentam a vantagem de no serem afetadas pela forma da distribuio
dos dados ou por valores discrepantes. Para que tenhamos informaes
mais completas do conjunto de dados, necessrio estudar a sua variabilidade. As estatsticas que tm essa funo so denominadas medidas de variabilidade ou de disperso. Finalizaremos o captulo apresentando vrios
tipos de grficos que representam de maneira adequada as informaes
contidas em um conjunto de dados.
48
Medidas de Ordenamento
e Forma, Medidas de
Disperso e Grficos
Cap
t u
lo
Nesse terceiro captulo estudaremos, primeiramente, as medidas de ordenamento, que so usadas

para comparao de valores dentro do conjunto de dados. Estas medidas apresentam a vantagem de no serem
afetadas pela presena de valores extremos no conjunto de
dados. Estudaremos, tambm, as medidas de disperso, que
servem para indicar o quanto os dados se apresentam dispersos
em torno da regio central. Fornecem, portanto, o grau de variao existente no conjunto de dados. Dois ou mais conjuntos de
dados podem, por exemplo, ter a mesma mdia, porm, os valores
podero estar muito mais dispersos num conjunto do que no outro.
Ou seja, podem ter maior ou menor grau de homogeneidade.
E, para finalizar, apresentaremos os principais tipos de grficos utilizados para representar a distribuio de uma varivel.
Calcular e interpretar as medidas de ordenamento e de disperso;

Saber escolher representaes grficas mais apropriadas para variveis
qualitativas e quantitativas.
Voc se lembra?
Voc se lembra de, aps ter feito uma prova bimestral, algum professor ter informado que o desempenho mdio da turma ficou em torno
de 7,2? Para efeito de comparao, ele tambm pode ter calculado
a mdia de outra turma, e verificado que o desempenho mdio
tambm ficou em torno de 7,2. Surgem os seguintes questionamentos:

ser que as notas das duas turmas foram iguais?

ser que as notas das turmas esto prximas da mdia ou dispersas?
Utilizaremos os conceitos deste captulo para responder a estas perguntas.
Estatstica Aplicada
3.1 Medidas de ordenamento
50
Os quartis, decis e percentis so muito similares mediana, uma vez

que tambm subdividem a distribuio de dados de acordo com a proporo das frequncias observadas.
J vimos que a mediana divide a distribuio em duas partes iguais,
ento, os quartis (Q1, Q2 e Q3), como o prprio nome sugere, divide a distribuio dos dados ordenados em quatro partes, sendo, Q1 o quartil que
separa os 25% valores inferiores dos 75% superiores, Q2 o que divide o
conjunto ao meio ( igual mediana) e Q3
o que separa os 75% valores inferiores
dos 25% superiores. No h um
Perceba que o 2 quartil, o 5 decil
consenso universal sobre um proe o 50 percentil representam a prpria
cedimento nico para o clculo
mediana, ou seja, todas estas medidas
dos quartis, e diferentes prograseparatrizes (Q2, D5, e P50), dividem a distribuio dos dados ao meio, deixando aproximas de computador muitas vezes
madamente 50% dos dados abaixo delas e
produzem resultados diferentes.
50% acima.
Os decis, por sua vez, dividem a distribuio dos dados em
10 partes (Di, i = 1, 2, ..., 9) e os
percentis dividem a distribuio em
100 partes (Pi = 1, 2, ..., 99).
As medidas separatrizes, geralmente, s so
calculadas para grandes quantidades de dados.
No Excel, por exemplo, temos a opo de pedir o clculo de tais
medidas.
Com os clculos dos quartis, juntamente com os valores mnimo
e mximo do conjunto de dados,
podemos construir um grfico
Conexo:
chamado desenho esquemtico
Para se entender quais so
os procedimentos utilizados na
ou boxplot. A anlise deste
construo de um boxplot, bem como
grfico bastante til no sensua interpretao, leia o texto: Diagramas
de Caixa (Boxplots) em: TRIOLA, Mario
tido de informar, entre outras
F. Introduo estatstica. 10.ed. Rio de
coisas, a variabilidade e a
Janeiro: LTC, 2008. pp. 98 a 102.
simetria dos dados.
Medidas de Ordenamento e Forma, Medidas de Disperso e Grficos Captulo 3
3.1.1 Clculo dos quartis, decis e percentis para dados

no agrupados em classes
3.1.1.1 Quartis
Como os quartis so medidas separatrizes precisamos, primeiramente, ordenar o conjunto de dados.
Podemos obter os quartis utilizando a seguinte frmula:
Qnq = x nq n
(3.1)
Onde
Q: quartil que se deseja obter;
nq: nmero do quartil que se deseja obter (1, 2 ou 3);
x: elemento do conjunto de dados ordenados;
n: tamanho da amostra.
Exemplo 3.1: Um escritrio que presta consultoria em administrao levantou os tempos de espera de pacientes que chegam a uma clnica
de ortopedia para atendimento de emergncia. Foram coletados os seguintes tempos, em minutos, durante uma semana. Encontre os quartis.
2 5 10 11 3 14 8 8 7 12 3 4 7 3 4 2 6 7
EAD-15-Estatdtica Aplicada Proibida a reproduo UniSEB
Resoluo:
Para encontrarmos os quartis, precisamos ordenar o conjunto de
dados. Ento:
2
10
11
12
14
Primeiro quartil (Q1)

Q1 = x 1 18
1
+
4
2
Q1 = x5
51
Estatstica Aplicada
Portanto, o primeiro quartil o elemento que est na quinta posio,

no conjunto de dados ordenados. Ento:
Q1 = 3
Pelo menos, 25% das observaes so menores ou iguais a 3 minutos.
Segundo quartil (Q2)
Q2 = x 2 18
Q2 = x9,5
Portanto, o segundo quartil est entre os elementos que ocupam a
nona e a dcima posio do conjunto de dados orenados. Para encontrlo, fazemos a mdia entre os valores que esto nestas posies, ou seja:
6 + 7
Q2 =
= 6, 5
2
Pelo menos, 50% das observaes so menores ou iguais a
6,5 minutos.
Terceiro quartil (Q3)
Q3 = x 3 18
1
+
2
4
Q3 = x14
Portanto, o terceiro quartil o elemento que ocupa a dcima quarta
posio do conjunto de dados ordenados. Ento:
Q3 = 8
52
Pelo menos, 25% das observaes so maiores ou iguais a

8 minutos.
3.1.1.2 Decis
Os decis dividem o conjunto de dados ordenados em 10 partes. Eles
podem ser obtidos atravs da seguinte frmula:
Dnq = x nd n
(3.2)
1
+
2
10
Onde
D: decil que se deseja obter;
nd: nmero do decil que se deseja obter (1, 2 ou 3);
Exemplo 3.2: Vamos utilizar os dados do Exemplo 3.1 para encontrar o oitavo decil:
2 5 10 11 3 14 8 8 7 12 3 4 7 3 4 2 6 7
Resoluo:
Para encontrarmos os decis, precisamos ordenar o conjunto de dados. Ento:
2
10
11
12
14
Oitavo decil (D8)

D8 = x 8 18
1
+
2
10
D8 = x14,9
Portanto, o oitavo decil corresponde ao elemento 14,9 no conjunto
de dados ordenados, situados entre as posies 14 e 15. Como o oitavo
decil no est exatamente no meio de dois elementos (x14,9), obtemos este
elemento seguindo o seguinte raciocnio:
x8 2
=
0, 9
1
53
Estatstica Aplicada
Usando a propriedade fundamental da

proporo (multiplicao em cruz),
obtemos:
x 8 = 1, 8
x =1, 8 + 8
x = 9, 8
Aproximadamente 20%
das observaes so maiores ou
iguais a 9,8 minutos.
A proporo montada neste

exemplo foi obtida atravs do seguinte
raciocnio: a diferena entre o elemento x
que queremos encontrar e o elemento que
est na dcima quarta posio (8) est para
a diferena entre as posies 14,9 e 14 (14,9
14) assim como a diferena entre os
elementos 10 e 8 est para a diferena
entre as posies 15 e 14 (15-14).
3.1.1.3 Percentis
Os percentis dividem o conjunto de dados ordenados em 100 partes.
Eles so obtidos de maneira similiar aos quartis e decis, ou seja:
Pnq = x np n
(3.3)
1
+
2
100
Onde
P: percentil que se deseja obter;
np: nmero do percentil que se deseja obter (1, 2, ..., 99);
Exemplo 3.3: Vamos utilizar os dados do Exemplo 3.1 para encontrar o trigsimo quinto percentil:
2 5 10 11 3 14 8 8 7 12 3 4 7 3 4 2 6 7
54
Resoluo:
Para encontrarmos os percentis, precisamos ordenar o conjunto de
dados. Ento:
2
10
11
12
14
Trigsimo quinto percentil (P35)

P35 = x 35 18
10
P35 = x6,8
Portanto, o trigsimo quinto percentil corresponde ao elemento 6,8
no conjunto de dados ordenados, situados entre as posies 6 e 7. A sexta
e a stima posio so ocupadas pela observao 4, portanto:
P35 = 4
Ento, aproximadamente 35% das observaes so menores ou
iguais a 4 minutos.
3.1.2 Clculo dos quartis e percentis para dados

agrupados em classes
Podemos encontrar os quartis e decis para dados agrupados em classes, utilizando a frmula dos percentis para dados agrupados:
Pnx
nx x
Faant
= Li + 100
Fi
onde
n: nmero de elementos da amostra.
nx: 1, 2, ..., 99;
Li: limite inferior da classe encontrada;
h: amplitude do intervalo;
Faant: frequncia acumulada anterior
classe Pi.
Fi: frequncia absoluta da classe encontrada Pi.
(3.4)
Conexo:
Podemos utilizar esta
frmula geral, pois Q1= P25,
Q2= P50 e Q3 = P75, D1 = P10,
D2 = P20, ..., D9 = P90
55
Estatstica Aplicada
Exemplo 3.4: Vamos utilizar os dados do Exemplo 2.5 para encontrar o terceiro quartil, o quinto decil e o dcimo quinto percentil.
Tempo de vida
(dias)
318
1833
P. M.
x1
fa
10,5
25,5
3348
40,5
11
4863
55,5
19
6378
10
70,5
29
7893
28
85,5
57
93108
100,5
59
108123
115,5
60
Total
60
Resoluo
Terceiro Quartil
Primeiramente, temos que encontrar a classe que contm o terceiro
quartil. Esta classe corresponde classe associada frequncia acumulada imediatamente superior 75 fi .
Como
75 fi
100
100
75 60
=
= 45 , temos que a classe que contm o
100
primeiro quartil de 7893 (pois fa = 57).
56
Alm disso, temos:

60: nmero de elementos da amostra.
nx: 75;
Li: 78;
h: 15;
Faant: 29.
Fi: 28.

3.4 e encontrar o valor do terceiro quartil:
nx n
100 Faant
Pnx = Li +
h
Fi
75 60
100 29
P75 = 78 +
15
28
45 29
P75 = 78 +
15 = 78 + 8,57 86, 6
28
De acordo com o resultado obtido podemos esperar que aproximadamente 25% dos dados so maiores ou iguais a 86,6, ou seja, aproximadamente 25% dos componentes eletrnicos tm durao superior a 86 dias
e 14 horas.
Quinto decil
Primeiramente, temos que encontrar a classe que contm o quinto
decil. Esta classe corresponde classe associada frequncia acumulada
50 fi
imediatamente superior
.
100
50 fi 50 x 60
Como
=
= 30 , temos que a classe que contm o
100
100
quinto decil de 7893 (pois fa = 57).

Alm disso, temos:
nx: 50;
Li: 78;
h: 15;
Faant: 29.
Fi: 28.
57
Estatstica Aplicada

3.4 e encontrar o valor do quinto percentil:
nx n
100 Faant
Pnx = Li +
h
Fi
50 60
100 29
P50 = 78 +
15
28
30 29
P50 = 78 +
15 = 78 + 0,54 78,5
28
De acordo com o resultado obtido podemos esperar que aproximadamente 50% dos dados so menores ou iguais a 78,5, ou seja, aproximadamente 50% dos componentes eletrnicos tm durao inferior a 78 dias
e 12 horas.
Vale ressaltar que o P50 = Md e este clculo j havia sido feito no
exemplo 2.5.
Dcimo quinto percentil
Primeiramente, temos que encontrar a classe que contm o dcimo

quinto percentil. Esta classe corresponde classe associada frequncia
15 fi
acumulada imediatamente superior
.
100
Como 50 fi = 15 x 60 = 9 , temos que a classe que contm o
100
100
quinto decil de 3348 (pois fa = 11).
58
Alm disso, temos:

nx: 15;
Li: 33;
h: 15;
Faant: 7.
Fi: 4.

3.4 e encontrar o valor do dcimo quinto percentil:
nx n
100 Faant
Pnx = Li +
h
Fi
15 60
100 7
P15 = 33 +
15
4
97
P15 = 33 +
15 = 33 + 7,5 40,5
4
De acordo com o resultado obtido podemos esperar que aproximadamente 15% dos dados so menores ou iguais a 40,5, ou seja, aproximadamente 15% dos componentes eletrnicos tm durao inferior a 40 dias
e 12 horas.
3.2 Medidas de Disperso
Para termos uma ideia da importncia de se conhecer as medidas de

disperso para a tomada de decises, vamos analisar o exemplo a seguir.
Exemplo 3.5: Imagine que estamos interessados em fazer uma viagem para Honolulu (Hava) ou Houston (Texas) e para arrumar as malas
necessitamos saber se a localidade a ser visitada faz calor, faz frio ou
ambos. Se tivssemos apenas a informao de que a temperatura mdia
diria (medida durante um ano) das duas localizaes fosse igual a 25
C, poderamos colocar na mala apenas roupas de vero? A resposta no.
Por exemplo, se estivssemos interessados em viajar para o Hava (em
Honolulu), poderamos levar apenas roupas de vero, pois a temperatura
mnima observada durante um ano foi de 21C e a mxima foi de 29C.
Porm, se resolvermos ir ao Texas (Houston), devemos tomar cuidado
com a poca, pois as temperaturas, durante um ano, variaram de 4C (mnima) a 38C (mxima). Com estas informaes conclumos que as temperaturas em Honolulu variam pouco em torno da mdia diria, ou seja,
podemos levar uma mala apenas com roupas leves. Porm, em Houston,
59
Estatstica Aplicada
as temperaturas variam muito, com perodos de muito frio ou muito calor.

Portanto, para ir Houston sem perigo de sofrer com a temperatura, devemos analisar o perodo do ano para saber se a temperatura estar alta ou
baixa.
Percebemos, atravs deste exemplo bem simples, que uma simples
medida de disperso (a amplitude, por exemplo)
j ajudaria muito a tomar certos cuidados
com a arrumao das bagagens.
Veremos, nos prximos itens,
As medidas de disperso indicam o
como calcular e interpretar as
grau de variabilidade das observaes.
Estas medidas possibilitam que faamos
seguintes medidas de disperso:
distino
entre conjuntos de observaes
amplitude, amplitude interquartil,
quanto sua homogeneidade. Quanto menor
desvio-padro, varincia e coefias medidas de disperso, mais homogneo
ciente de variao.
o conjunto de dados.
Primeiramente, vamos apresentar os clculos das medidas de
disperso para dados no-tabulados,
ou seja, quando os dados no estiverem
na forma de distribuio de frequncias.
3.2.1 Amplitude Total

A amplitude total a diferena entre o maior e o menor valor observado no conjunto de dados, ou seja:
R = x(mximo) x(mnimo)
(3.5)
A amplitude no uma medida muito utilizada, pois s leva em

conta dois valores de todo o conjunto de dados e muito influenciada por
valores extremos. No prximo item estudaremos uma medida de disperso mais resistente a valores extremos.
3.2.2 Amplitude Interquartil
60
A amplitude interquartil, ou distncia interquartil, uma medida de

variabilidade que no facilmente influenciada por valores discrepantes
no conjunto de dados. Ela engloba 50% das observaes centrais do conjunto de dados e seu clculo definido como:
Amplitude do interquartil = Q3 Q1
(3.6)
Agora, vamos estudar uma medida de disperso muito utilizada e

que leva em conta todos os valores do conjunto de dados: o desvio-padro.
3.2.3 Desvio-Padro
Primeiramente, vamos entender qual a definio da palavra desvio
em estatstica. Desvio nada mais do que a distncia entre qualquer valor
do conjunto de dados em relao mdia aritmtica deste mesmo conjunto de dados.
Existem vrias medidas de disperso que envolvem os desvios.
So elas: o desvio-padro (mais utilizada), a varincia e o coeficiente de
variao.
O desvio-padro a medida mais utilizada na comparao de diferenas entre grupos, por ser mais precisa e estar na mesma medida do conjunto de dados. Matematicamente, sua frmula dada pela raiz quadrada
da mdia aritmtica aproximada dos quadrados dos desvios, ou seja:
n
s=
( xi x )2
i =1
n 1
( x1 x ) 2 + ( x2 x ) 2 + + ( xn x ) 2
=
n 1
(3.7)
onde xi cada uma das observaes do

conjunto de dados, x a mdia do
O valor do desvio-padro nunca
conjunto de dados e n o nmero
negativo. zero apenas quando todos
total de observaes do conjunto
os valores do conjunto de dados so os
de dados. Desenvolvendo a frmesmos. A unidade do desvio-padro a
mesma unidade dos dados originais.
mula (3.7) chegamos a frmula
(3.8) que, para alguns casos, tornam os clculos mais simples e
rpidos.
s=
xi2
( xi )
n 1
(3.8)
61
Estatstica Aplicada
onde:
xi2
a soma de cada valor da varivel ao quadrado;
( xi )
o quadrado da soma de todos os valores da varivel;

n o nmero total de valores do conjunto de dados.
Como o desvio-padro uma medida de disperso e mede a variabilidade entre os valores temos que valores muito prximos resultaro em
desvios-padres pequenos, enquanto que valores mais espalhados resultaro em desvios-padres maiores.
3.2.3.1 Uma Regra Prtica para Interpretar o DesvioPadro

Depois que calculamos o desvio-padro surge uma pergunta: como
interpret-lo?
Para conjuntos de dados que tenham distribuio em forma de sino,
valem as seguintes consideraes:
Cerca de 68% das observaes do conjunto de dados ficam a 1
desvio-padro da mdia, ou seja, ( x s ) e ( x + s )
Cerca de 95% das observaes do conjunto de dados ficam a 2
desvios-padres da mdia, ou seja, ( x 2 s ) e ( x + 2 s )
Cerca de 99,7% das observaes do conjunto de dados ficam a
3 desvios-padres da mdia, ou seja, ( x 3s ) e ( x + 3s )
3.2.3.2 Propriedades do desvio-padro

1. Somando-se (ou subtraindo-se) uma constante c de todos os
valores de uma varivel, o desvio padro no se altera:
yi = xi c S y = S x
62
2. Multiplicando-se (ou dividindo-se) todos os valores de uma

varivel por uma constante (diferente de zero), o desvio padro fica multiplicado (ou dividido) por essa constante:
yi = xi c S y = c S x
yi =
ou
xi
S
Sy = x
c
c
3.2.4 Varincia (s2)

A varincia de um conjunto de dados nada mais do que o valor do
desvio-padro elevado ao quadrado, ou seja,
n
s2 =
( xi x )2
i =1
n 1
ou
s2 =
(3.9)
( xi )
x2
i
n 1
A varincia no uma medida muito utilizada para mostrar

a disper(3.10)
so de um conjunto de dados, pois, expressa o seu resultado numa medida
ao quadrado, no sendo possvel interpretar o seu valor. Portanto, na anlise descritiva dos dados, no vamos trabalhar com esta medida constantemente. Se um determinado problema fornecer a varincia do conjunto de
dados, basta calcularmos a raiz quadrada deste valor (varincia) e obteremos o desvio-padro, que facilmente interpretado por estar na mesma
medida do conjunto de dados.
3.2.5 Coeficiente de Variao (cv)

O coeficiente de variao (cv) definido como o quociente entre o
desvio-padro e a mdia, e frequentemente expresso em porcentagem.
Ele mede o grau de variabilidade do conjunto de dados. Quando calculamos o desvio-padro, obtemos um valor que pode ser grande ou pequeno,
dependendo da varivel em estudo. O fato de ele ser um valor considerado
alto relativo, pois dependendo da varivel que est sendo estudada e da
mdia, esta variao dos dados pode ser relativamente pequena. Ento, o
63
Estatstica Aplicada
coeficiente de variao serve para calcular o grau de variao dos dados

em relao mdia aritmtica. E obtido atravs do seguinte clculo:
cv =
s
100
x
(3.11)
onde s o desvio-padro e x a mdia aritmtica.

Alguns autores consideram a seguinte regra emprica para a interpretao do coeficiente de variao:
Baixa disperso: C. V. 15%
Mdia: C. V. 15% 30%
Alta: C. V. 30%
Em geral, o coeficiente de variao uma estatstica til para
comparar a variao para valores originados de diferentes variveis (por
exemplo: peso, em Kg e altura, em cm), pois ele adimensional.
3.2.6 Exemplo de Aplicao das Medidas de

Disperso para Dados no Tabulados
Vamos exemplificar o clculo da amplitude, da amplitude interquartil, do desvio-padro, da varincia e do coeficiente de variao
utilizando o exemplo 2.3, que apresenta o conjunto de dados brutos.
Exemplo 3.6: Um gerente de banco deseja estudar a movimentao de pessoas em sua agncia na segunda semana de um ms qualquer.
Ele constata que no primeiro dia entraram 1348 pessoas, no segundo dia,
1260 pessoas, no terceiro, 1095, no quarto, 832 e no ltimo dia do levantamento, 850 pessoas. Encontre a amplitude, o desvio-padro, a varincia
e o coeficiente de variao para este conjunto de dados e interprete os
resultados.
64
Resoluo:
A amplitude dada por:
R = x(mximo) x(mnimo) = 1348 832 = 516 pessoas
A diferena, no nmero de pessoas que entram na agncia, entre o
dia de maior movimento e o dia de menor movimento de 516 pessoas.
Para encontrarmos a amplitude interquartil precisamos calcular o
primeiro e o terceiro quartil. Para isto, vamos seguir os procedimentos
descritos no item 3.1.1.1.
Primeiro quartil (Q1)
Q1 = x 1 5
1
+
4 2
Q1 = x1,75
Portanto, o primeiro quartil est entre os elementos que ocupam a
primeira e a segunda posio do conjunto de dados ordenados. Ento:
x 832 850 832
=
0, 75
1
x 832 = 13, 5
x = 832 + 13, 5 = 845, 5
Terceiro quartil (Q3)

Q3 = x 3 5
1
+
4 2
Q3 = x4,25
Portanto, o terceiro quartil est entre os elementos que ocupam a

quarta e a quinta posio do conjunto de dados ordenados. Ento:
65
Estatstica Aplicada
x 1260 1348 1260

=
0, 25
1
x 1260 = 22
x = 1260 + 22 = 1282
Amplitude interquartil = Q3 Q1
= 1282 845, 5
= 436, 5 pessoas
Ento, a amplitude do intervalo que contm 50% das observaes
centrais 436,5 pessoas.
O desvio-padro obtido atravs das frmulas (3.7) ou (3.8). Como
a mdia aritmtica um nmero inteiro e existem poucos dados, a frmula (3.7) mais rpida de ser calculada. Porm, fica a critrio de cada um a
utilizao de uma ou de outra. Lembrando que a mdia aritmtica encontrada anteriormente igual a 1077 e utilizando a frmula (3.7), temos:
n
s=
=
66
( xi x )2
i =1
n 1
(1348 1077 )2 + (1260 1077 )2 + (1095 1077 )2 + (832 1077 )2 + (850 1077 )2
5 1
( 271)2 + (183)2 + (18)2 + ( 245)2 + ( 2227 )2

4
( 73441) + ( 33489 ) + ( 324 ) + ( 60025) + ( 51529 ) =
218808
= 54702 233 , 88 pessoas
4
Neste exemplo, entram na agncia, em mdia, 1077 pessoas por dia.

O nmero de pessoas que entram na agncia varia, mas, tipicamente, a
diferena em relao mdia foi de aproximadamente 234 pessoas.
A varincia, como vimos, obtida atravs das frmulas (3.9) ou
(3.10), ou simplestemente, como j temos o desvio-padro, a varincia o
valor que est dentro da raiz quadrada, ou seja:
s2 = 54.702 pessoas2
No h como interpretar a expresso pessoas2. Por esse motivo, utilizamos o desvio-padro no lugar da varincia.
O coeficiente de variao, dado pela frmula (3.11), muito fcil
de ser obtido desde que j conheamos os valores da mdia aritmtica e
do desvio-padro. Pela frmula podemos observar que basta fazermos
uma simples diviso. Para este exemplo temos que:
cv =
s 233, 88
=
0, 2172 ou 21, 72%
x
1077
Utilizando a regra emprica, podemos dizer que o conjunto de dados

apresenta uma mdia disperso.
Agora, vamos aprender a calcular as medidas de disperso atravs
de dados tabulados.
Quando os dados estiverem na forma tabulada, haver uma pequena
diferena no clculo das medidas de disperso, pois agora ser necessrio
considerar as frequncias, que funcionaro como fatores de ponderao,
referentes a cada valor da varivel.
3.2.7 Desvio-Padro para Dados Tabulados

Se os dados estiverem tabulados, o desvio-padro pode ser encontrado da seguinte forma:
k
s=
( xi x )2 fi
i =1
(3.12)
n 1
Desenvolvendo a frmula (3.12) chegamos a frmula (3.13) que

tambm utilizada para o clculo do desvio-padro:
s=
xi2 fi
( xi fi )
n 1
(3.13)
67
Estatstica Aplicada
onde, para ambas as frmulas (3.12) e (3.13), xi representa cada uma das
observaes do conjunto de dados ou, se os dados estiverem agrupados
em classes de frequncias, xi representa o ponto mdio da classe, x a
mdia do conjunto de dados, fi a frequncia associada a cada observao
(ou classe de observaes) do conjunto de dados e n o nmero de total
de observaes no conjunto de dados.
3.2.8 Varincia para Dados Tabulados

A varincia de um conjunto de dados agrupados dada por:
k
s2
( xi x )2 fi
i =1
(3.14)
n 1
ou
s2
xi2 fi
( xi fi )
n 1
(3.15)
A amplitude, a amplitude interquartil e o coeficiente de variao

no sofrem modificaes significativas. A amplitude continua sendo a diferena entre o maior e o menor valor (se os dados estiverem em classes
de frequncias, R ser a diferena entre o limite superior da ltima classe
e o limite inferior da primeira classe). A amplitude interquartil continua
sendo a diferena entre o terceiro e o primeiro quartil e o clculo do coeficiente de variao feito utilizando a frmula (3.11), porm, se os dados
estiverem em classes de frequncias, o desvio-padro e a mdia aritmtica
so obtidos utilizando xi como o ponto mdio da classe.
68
3.2.9 Exemplos de Aplicaes das Medidas de

Disperso para Dados Tabulados
Para demonstrao dos clculos para dados tabelados, vamos continuar utilizando os exemplos desenvolvidos no item 2.2 (Exemplos 2.4 e
2.5).
Nmero de falta
31
20
Total
63
Exemplo 3.7: Em um determinado ms, foi computado o nmero x

de faltas ao trabalho, por motivos de sade, que cada funcionrio de uma
determinada empresa teve. Os dados esto apresentados na tabela abaixo:
Encontre a amplitude, o desvio-padro, a varincia e o coeficiente
de variao para este conjunto de dados e interprete os resultados.
Resoluo:
A amplitude para este conjunto de dados dada por:
R = x(mximo) x(mnimo) = 6 0 = 6 pessoas

A maior diferena entre os nmeros de faltas ao trabalho, por motivo de sade, que funcionrios de uma determinada empresa tiveram no
perodo de um ms, 6 faltas.
O desvio-padro obtido atravs das frmulas (3.12) ou (3.13).
Para exemplificar, vamos trabalhar com a frmula (3.13). Para facilitar,
vamos montar um quadro com os resultados que nos interessa para aplicar
tal expresso.
69
Estatstica Aplicada
Nmero de
faltas (xi)
xi fi
x2i fi
31
20
20
20
16
32
18
25
36
Total ( )
63
53
131
Substituindo os valores encontrados no quadro acima na frmula

3.13, obtemos:
s=
xi2 fi
( xi fi )
n -1
2
53)
(
131
63
63 1
2809
63 131 44, 59
62
62
131
=
1, 3938 1,18 faltas
70
Podemos dizer que, em mdia, ocorre

aproximadamente 1 falta por funcionrio, por ms. Na verdade, sabemos
que esse nmero de faltas por funO valor da mdia, calculado anteriormente
para este conjunto de dados,
cionrio varia em torno da mdia,
igual a 0,84 falta. Se arredondarmos esse
mas, tipicamente, a diferena em
valor para um valor inteiro, podemos dizer
relao mdia de, aproximaque a mdia aproximadamente igual a
1 falta.
damente, 1 falta.
A varincia obtida atravs das frmulas (3.14) ou (3.15),
porm, como j temos o desviopadro, a varincia o valor que est
dentro da raiz quadrada. Portanto, temos:
s2 = 1,3938 faltas2
Como 1,3938 faltas2 no tem interpretao, utilizamos o desviopadro para interpretar o comportamento dos dados.
O coeficiente de variao para este exemplo dado por:
cv =
s 1,18
=
1, 4048 ou 140.48%
x 0, 84
O coeficiente de variao nos diz que este conjunto de dados apresenta uma alta disperso.
Para finalizarmos, vamos fazer os clculos para os dados agrupados
em classes de frequncias. Para isto vamos utilizar o exemplo 2.5 que se
encontra no item 2.2.
Exemplo 3.8: A tabela abaixo apresenta a distribuio de frequncias do tempo de vida de 60 componentes eletrnicos (medido em dias)
submetidos experimentao num laboratrio especializado.
Ponto
Mdio
(xi)
Tempo de vida
(dias)
318
1833
25,5
3348
40,5
4863
55,5
6378
10
70,5
7893
28
85,5
93108
100,5
108123
115,5
Total
60
10,5
Calcule a amplitude, o desvio-padro, a varincia e o coeficiente de

variao para este conjunto de dados e interprete os resultados.
Resoluo:
A amplitude para este conjunto de dados dada por:
R = x(mximo) x(mnimo) = 123 3 = 120 dias
71
Estatstica Aplicada
A maior diferena entre os tempos de vida (em dias) dos componentes eletrnicos foi de 120 dias, ou seja, o componente com maior sobrevivncia durou 120 dias a mais do que o componente que durou menos
tempo.
Para o clculo do desvio-padro, podemos utilizar as frmulas
(3.12) ou (3.13), onde o termo xi o ponto mdio de cada classe de frequncia. Como a mdia aritmtica envolve valores decimais, mais simples
efetuar os clculos atravs da frmula (3.13). Como no exemplo anterior,
vamos construir um quadro acrescentando as colunas que fornecero os
valores que precisamos para substituir na frmula 3.13.
Classes de
frequncias
318
1833
Ponto
Mdio
(xi)
xi fi
x2i fi
10,5
31,5
330,75
25,5
102
2601
3348
40,5
162
6561
4863
55,5
444
24642
6378
10
70,5
705
49702,5
7893
28
85,5
2394
204687
93108
100,5
201
20200,5
108123
115,5
115,5
13340,25
Total
60
4155
322065
Com os valores obtidos, temos:
s=
72
xi2 fi
( xi fi )
n -1
2
4155 )
(
322065
60
60 1
172640025
322065 287733, 75
60
59
59
322065
581, 89 24,12 dias

Em mdia, os componentes eletrnicos tm durao de 69 dias e
6 horas com uma variao de, aproximadamente, 24 dias e 3 horas para
mais ou para menos com relao mdia.
A varincia, como j sabemos, o desvio-padro ao quadrado. Assim, temos:

s2 = 581,89 dias2
Como 581,89 dias2 no tem interpretao, utilizamos o desviopadro para interpretar o comportamento dos dados.
O coeficiente de variao para este exemplo :
cv =
s 24,12
=
0, 3483 ou 34, 83%
x 69, 25
o que indica uma variabilidade alta no conjunto de dados.
3.3 Grficos
O objetivo da utilizao de grficos
em anlise de dados o de facilitar a compreenso do fenmeno estatstico por meio
do efeito visual imediato que os grficos
proporcionam.
Conexo:
Vamos refletir um pouco
sobre a necessidade de abordagens pedaggicas para o ensino e
a aprendizagem de grficos acessando o endereo <http://www.ufrrj.br/
emanped/paginas/conteudo_producoes/docs_22/carlos.pdf>.
3.3.1 Tipos de Grficos

Existem vrios tipos de grficos. Os mais usados so: grfico em
linhas, diagramas de rea (como por exemplo: grfico em colunas, grfico
em barras e grfico em setores) e grficos para representar as distribuies
de frequncias construdas com intervalos de classes (como por exemplo:
polgono de frequncias, histograma e ogiva).
Segundo VIEIRA(2013, p. 17):
Cada tipo de grfico tem indicao especfica, mas, de acordo com
as normas brasileiras:
Todo grfico deve apresentar ttulo e escala;
O ttulo deve ser colocado abaixo da ilustrao.
As escalas devem crescer da esquerda para a direita e de baixo
para cima.
As legendas explicativas devem ser colocadas, de preferncia,
direita da figura.
73
Estatstica Aplicada
Os grficos devem ser numerados, na ordem em que so citados

no texto.
Vamos saber um pouco quando usar e como construir cada um destes grficos.
3.3.1.1 Grfico em Linhas

Sempre que os dados estiverem distribudos segundo uma varivel
no tempo (meses, anos, etc.), assim como sucede com os dados do exemplo 3.9 figura 1, os dados podem, tambm, ser descritos atravs de um
grfico em linhas. Esse tipo de grfico retrata as mudanas nas quantidades com respeito ao tempo atravs de uma srie de segmentos de reta.
muito eficiente para mostrar possveis tendncias no conjunto de dados.
Exemplo 3.9: A tabela 3.1 fornece uma lista do nmero de assinantes de telefones celulares, em milhes, de 1997 a 2007, do pas X. Construa um grfico para resumir os dados da tabela abaixo.
Tabela 3.1 Assinantes de telefones celulares, em milhes, de
1997 a 2007.
74
Ano
Assinantes (em milhes)
1997
1,1
1998
1,3
1999
1,5
2000
1,9
2001
2,4
2002
2,6
2003
3,1
2004
7,4
2005
18,6
2006
21,5
2007
29
O grfico que melhor representa este conjunto de dados o grfico

em linhas, j que os dados se reportam a uma srie no tempo (srie temporal). O grfico est ilustrado na figura 1..
35
Assinantes (em milhes)
30
29
25
21,5
20
18,6
15
10
5
0
1996
7,4
1,1
1,3
1998
1,5
1,9
2000
2,4
2,6 3,1
2002
Anos
2004
2006
2008
Figura 1 Grfico em linha para os dados de assinantes de telefones celulares.
3.3.1.2 Grfico (ou Diagrama) em Barras (ou Colunas)

Os diagramas em barras (ou colunas) so bastante utilizados quando
trabalhamos com variveis qualiQuando construmos o grfico de
tativas (dados categricos). No
barras para variveis qualitativas e as
barras so arranjadas em ordem desceneixo horizontal especificamos os
dente de altura, a partir da esquerda para a
nomes das categorias e no eixo
direita, com o atributo que ocorre com maior
vertical construmos uma escala
frequncia aparecendo em primeiro lugar,
denominamos este grfico de barras de
com a frequncia ou a frequncia
Diagrama de Pareto.
relativa. As barras tero bases de
mesma largura e alturas iguais
frequncia ou frequncia relativa.
O grfico em barras, quando as barras
esto dispostas no sentido vertical, tambm
chamado de grfico em colunas.
75
Estatstica Aplicada
Exemplo 3.10: Uma grande indstria de materiais de construo,

com diversas lojas espalhadas pelo pas, fez um levantamento das principais causas de perda de ativos durante o ano de 2007 e as informaes
esto dispostas na tabela seguinte.
Tabela 3.2: Causas de perda de ativos durante o ano de 2007.
Causas
Valor perdido (milhes de reais)
M administrao
5,2
Roubos de funcionrios
3,9
Fraudes nas vendas
5,5
Assaltos s lojas
1,8
Perda do estoque
1,6
Atendimento ruim
0,8
76
6
4
Atendimento ruim
Perda do estoque
Assaltos s lojas
Fraudes nas vendas
M administrao
Graficamente, podemos representar este conjunto de dados de trs

formas diferentes: grfico em colunas, grfico em barras e o grfico em
setores (ou pizza ou circular), que ser apresentado no prximo item.
Causas
Figura 2a Grfico em colunas para a varivel causas de perdas de ativos.
Atendimento ruim
Perda do estoque
Causas
Assaltos s lojas
Fraudes nas vendas
M administrao
0
Figura 2b Grfico em barras para a varivel causas de perdas de ativos.
3.3.1.3 Grfico (ou Diagrama) em Setores

O diagrama em setores, tambm conhecido como grfico de pizza,
um dos grficos mais utilizados para representar variveis qualitativas (ou
categricas) e bastante apropriado quando se deseja visualizar a proporo que cada categoria representa do total.
Vamos utilizar os dados do exemplo 3.10 para mostrar um grfico
em setores.
Valor Perdido (milhes de reais)
Perda do estoque
8%
Atendimento ruim
4%
M administrao
28%
Assaltos
s lojas
10%
Fraudes nas vendas

29%
21%
Figura 3 Grfico em setores para a varivel causas de perdas de ativos.

77
Estatstica Aplicada
Os grficos que sero apresentados a seguir so grficos construdos

segundo uma distribuio de frequncias com intervalos de classes. So
eles: o histograma, o polgono de frequncias e a ogiva.
3.3.1.4 Histograma
Um histograma semelhante ao diagrama de barras, porm referese a uma distribuio de frequncias para dados quantitativos contnuos. Por isso, apresenta uma diferena: no h espaos entre as barras.
Os intervalos de classes so colocados no eixo horizontal enquanto as
frequncias so colocadas no eixo vertical. As frequncias podem ser absolutas ou relativas.
Exemplo 3.11: A tabela abaixo apresenta o salrio de funcionrios
de uma empresa no interior de Minas Gerais.
Tabela 3.3 Distribuio de frequncias dos salrios dos funcionrios de uma empresa no interior de Minas Gerais.
78
Salrio (R$)
Freq. Absoluta
(f)
Freq. Acumulada
(fa)
400,00800,00
38
800,001200,00
18
56
1200,001600,00
12
68
1600,002000,00
76
2000,002400,00
84
2400,002800,00
89
2800,003200,00
92
3200,003600,00
92
3600,004000,00
94
4000,004400,00
94
4400,004800,00
95
Total
95
38
4400,004800,00
4000,004400,00
3600,004000,00
3200,003600,00
2800,003200,00
2400,002800,00
2000,002400,00
1600,002000,00
1200,001600,00
800,001200,00
40
35
30
25
20
15
10
5
0
400,00800,00
Frequncia
Como os dados da tabela 3.3 esto apresentados em intervalos de

classes podemos represent-los graficamente atravs de um histograma
ou do polgono de frequncias, como mostram as figuras 4 e 5, respectivamente.
Salrio (R$)
Figura 4 Histograma dos salrios dos funcionrios de uma empresa no interior de Minas
Gerais.
3.3.1.5 Polgono de Frequncias

Podemos dizer que o polgono de frequncias um grfico de linha
de uma distribuio de frequncias. No eixo horizontal so colocados os
pontos mdios de cada intervalo de classe e no eixo vertical so colocadas
as frequncias absolutas ou relativas (como no histograma). Para se obter
as interseces do polgono com o eixo das abscissas, devemos encontrar
o ponto mdio da classe anterior primeira e o ponto mdio da classe posterior ultima.
O histograma e o polgono de frequncias so grficos alternativos
e contm a mesma informao. Fica a critrio de quem est conduzindo o
estudo a escolha de qual deles utilizar.
Considerando os dados do Exemplo 3.11, temos o polgono de frequncias representado pela Figura 5.
79
Estatstica Aplicada
40
38
35
Frequncia
30
25
20
18
15
12
10
5
0
8
5
3
2
1
0
0
0
0
200 600 1000 1400 1800 2200 2600 3000 3400 3800 4200 4600 5000
Ponto mdio das faixas salariais (R$)
Figura 5 Polgono de frequncias dos salrios dos funcionrios de uma empresa no

interior de Minas Gerais.
3.3.1.6 Ogiva
Uma ogiva um grfico para

Para construir um grfico de ogiva,
devemos
usar o limite superior de cada
uma distribuio de frequnintervalo no eixo horizontal e a frequncia
cias acumuladas. Utilizando o
acumulada no eixo vertical. A frequncia
Exemplo 3.11, a terceira coluna acumulada relacionada com o limite inferior da
primeira classe sempre zero.
traz a frequncia acumulada dos
dados e a ogiva fica representada pela Figura 6.
80
100
90
Frequncia Acumulada
80
70
60
50
40
30
20
10
0
400
800 1200 1600 2000 2400 2800 3200 3600 4000 4400 4800
Salrio (R$)
Figura 6 Ogiva dos salrios dos funcionrios de uma empresa no interior de Minas
Gerais.
3.3.1.7 Diagrama de Disperso
O diagrama de disperso um grfico muito utilizado quando temos

interesse em identificar a associao entre duas variveis quantitativas (X
e Y). Para constru-lo, cada para ordenado colocado em suas determinadas coordenadas (x,y). Vamos construir um diagrama de disperso utilizando os dados do exemplo a seguir.
Exemplo 3.12: Uma concessionria de veculos quer verificar a eficcia de seus anncios em determinado jornal na venda de carros novos.
A tabela abaixo mostra o nmero de anncios publicados, por ms, e o
correspondente nmero de carros vendidos nos ltimos seis meses.
Tabela 3.4 Nmero de anncios publicados e nmero de carros vendidos
Nmero de anncios publicados (X)
Nmero de carros vendidos (Y)
28
140
20
110
22
100
14
75
10
60
52
81
Estatstica Aplicada
Para verificarmos, visualmente, se h relao entre o nmero de

anncios publicados e o nmero de carros vendidos, construmos o diagrama de disperso.
Nmero de carros vendidos
160
140
120
100
80
60
40
20
0
10
15
20
25
30
Nmero de anncios publicados
Figura 7 Diagrama de disperso do nmero de anncios publicados e nmero de carros

vendidos.
82
Pela anlise grfica observamos que medida que o nmero

Um tipo de grfico muito utilizado
em
jornais e revistas o grfico pictride anncios publicados aumenta,
co. Estes grficos so construdos a partir
ocorre um aumento no nmero de
de figuras ou conjunto de figuras que so recarros vendidos.
presentativas do fenmeno em estudo. Como
so representados por figuras, despertam a
Como vimos nos itens anateno do leitor.
teriores, os grficos nos auxiliam
no estudo do comportamento da
varivel em estudo no conjunto de
dados. Apesar de ser uma ferramenta eficaz, precisamos tomar cuidado na
construo dos grficos para no obtermos concluses enganosas. Os principais erros na elaborao de um grfico so:
1. Grfico sucata: neste tipo de grfico, h um uso excessivo de
figuras que podem ocultar a informao que se deseja transmitir.
2. Ausncia de base relativa: quando utilizamos informaes
de mais de um conjunto de dados de tamanhos diferentes em
um mesmo grfico, com o objetivo de fazer comparaes,
devemos utilizar a frequncia relativa ao invs da frequncia
absoluta.
3. Eixo vertical comprimido: as escalas empregadas devem ser

coerentes com o tamanho da figura exibida. Se o eixo vertical
estiver comprimido, as diferenas reais entre as categorias de
respostas da varivel podem ficar distorcidas.
4. Ausncia do ponto zero: a ausncia do ponto zero no eixo
vertical tende a produzir uma impresso enganosa do comportamento dos dados, exagerando ou reduzindo eventuais
variaes.
Atividades
01. Uma agncia de turismo est interessada em saber o perfil dos seus
clientes com relao varivel estado civil. Para isso, o gerente desta agncia pediu ao funcionrio do setor de vendas para fazer um grfico que
resuma estas informaes. Construa o grfico e interprete-o.
Estado civil
Nmero de clientes
Solteiro
2600
Casado
900
Vivo
345
Separado
1200
Outros
1020
Total
6065
02. Um consultor estava interessado em saber quanto, geralmente, cada

pessoa gastava em um determinado supermercado no primeiro sbado
aps receberem seus pagamentos (salrios). Para isso ele entrevistou 50
clientes que passaram pelos caixas entre 13h e 18h, e anotou os valores
gastos por cada um deles. Estes valores esto listados abaixo:
4,89
11,00
5,60
73,85
24,83
98,00
186,00
234,87
58,00
198,65
223,86
341,42
94,76
445,76
82,80
35,00
455,00
371,00
398,60
234,00
64,90
54,98
48,80
68,90
120,32
126,98
76,43
6,35
9,98
12,68
243,00
18,65
134,90
11,10
321,09
290,76
74,00
48,80
74,52
138,65
26,00
210,13
15,78
197,45
75,00
76,55
32,78
166,09
105,34
99,10
83
Estatstica Aplicada
Analisando o conjunto de dados, responda os seguintes itens:

a) Construa uma distribuio de frequncias a partir do conjunto de dados brutos.
b) Construa um histograma e um polgono de frequncias para a tabela
construda no item b).
45
17
1400| 1700
1700| 2100
2100| 2400
2400| 2700
1100| 1400
12
800| 1100
50
45
40
35
30
25
20
15
10
5
0
500| 800
Frequncia
03. Analise o grfico abaixo e responda:
Salrio (R$)
a) Qual a varivel em estudo? Classifique-a.

b) Quantos funcionrios ganham entre R$800,00 (inclusive) e R$1100,00
(exclusive)?
c) Qual o nmero de funcionrios total desta empresa?
d) Qual a porcentagem de funcionrios que ganham R$1700,00 ou mais?
84
e) Qual a porcentagem de funcionrios que ganham entre R$500,00 (inclusive) e no mais que R$1100,00?
f) A partir do histograma, monte uma tabela de distribuio de frequncias.

04. Os dados abaixo referem-se ao nmero de horas extras de trabalho
que uma amostra de 64 funcionrios de uma determinada empresa localizada na capital paulista.
10
10
12
14
14
14
15
16
18
18
18
18
18
19
20
20
20
20
20
21
22
22
22
22
22
22
22
22
22
22
22
22
23
23
24
24
24
24
24
24
24
25
25
25
25
26
26
26
26
26
26
27
27
27
28
28
29
30
30
32
35
36
40
41
Pede-se:
a) Calcule e interprete as seguintes medidas de disperso, calculadas
para os dados brutos (dados no tabulados): amplitude, desvio-padro, varincia e coeficiente de variao e interprete os resultados.
b) Construir uma distribuio de frequncias completa (com freq. absoluta, freq. relativa, freq. acumulada e ponto mdio).
c) Atravs da distribuio de frequncias construda no item b), encontre a amplitude, o desvio-padro, a varincia e o coeficiente de variao e
interprete os resultados.
d) Com a tabela construda no item b), encontre as seguintes medidas: 1
quartil, 7 decil e 99 Percentil. Interprete os resultados.
e) Construa o histograma para este conjunto de dados.
85
Estatstica Aplicada
05. Os dados a seguir representam as notas de 5 disciplinas de um determinado candidato em um concurso pblico. So elas:
2, 5, 8, 8, 9
Calcule a amplitude, o desvio-padro, a varincia e o coeficiente de variao. Interprete os resultados.
06. Numa pesquisa realizada com 91 famlias, levantaram-se as seguintes
informaes com relao ao nmero de filhos por famlia:
nmero de filhos
frequncia de famlias
19
22
28
16
Calcule e interprete os resultados da:

a) amplitude
b) desvio-padro
c) coeficiente de variao
07. O histograma abaixo representa a distribuio das idades dos funcionrios de uma agncia bancria. Com base no histograma abaixo, responda:
frequncias
Histograma
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
2025 2530 3035 3540 4045 4550
Idade
86
Qual a amplitude, o desvio-padro, a varincia e o coeficiente de variao

para as idades dos funcionrios? Interprete os resultados.
08. Um fabricante de caixas de cartolina fabrica trs tipos de caixa. Testase a resistncia de cada caixa, tomando-se uma amostra de 100 caixas e
determinando-se a presso necessria para romper cada caixa. So os seguintes os resultados dos testes:
Tipos de caixas
Presso mdia de ruptura (bria)
15
20
30
Desvio-padro das presses (bria)
a) Que tipo de caixa apresenta a menor variao absoluta na presso de

ruptura?
b) Que tipo de caixa apresenta a maior variao relativa na presso de
ruptura?
Reflexo
Vimos, nesse captulo, que to importante quanto conhecer a mdia de

um conjunto de dados, por exemplo, determinar o seu grau de variabilidade
(ou disperso). Na maioria dos estudos que realizamos, nos deparamos com
conjuntos que podem apresentar maior ou menor grau de homogeneidade.
Conjuntos com caractersticas de maior homogeneidade tendem a
nos fornecer informaes mais precisas e confiveis. Imagine, por exemplo, um estabelecimento que diariamente presta atendimento aos seus
clientes. Se a quantidade desses clientes varia muito de um dia para outro,
fica mais difcil voc determinar quantos funcionrios disponibilizar para
realizar o atendimento. No entanto, se esse nmero varia pouco (apresenta-se mais homogneo) de um dia para o outro, fica muito mais fcil montar uma estrutura adequada de atendimento.
Leitura recomendada
Sugerimos a leitura do artigo E se todos fossem ao cinema ao mesmo tempo? do professor Luiz Barco, disponvel em:<http://super.abril.
com.br/ciencia/lei-regularidade-estatistica-se-todos-fossem-ao-mesmocinema-ao-mesmo-tempo-439499.shtml>. Ele retrata, de forma bem
interessante, a questo da regularidade dos fenmenos relacionados ao
comportamento social.
87
Estatstica Aplicada
Referncias
BRUNI, Adriano L. Estatstica Aplicada Gesto Empresarial.
2.ed. So Paulo: Atlas, 2010.
So Paulo: Saraiva, 2003
Blucher, 2002.
1999.
VIEIRA, Sonia. Estatstica Bsica. So Paulo: Cengage Learning,
2013.
No prximo captulo
88
No prximo captulo estudaremos uma das tcnicas mais utilizadas

da Inferncia Estatstica: Estimao Pontual e Estimao Intervalar. Veremos como estimar a mdia populacional a partir da mdia de uma amostra
retirada dessa populao. Nesse tipo de estudo, surgem definies conhecidas como: margem de erro, nvel de confiana da pesquisa, etc. Alm da
estimao das mdias, tambm estudaremos a estimao de propores
populacionais. Na construo do intervalo de confiana precisamos de
conhecimentos sobre a distribuio Normal, cujo conceito tambm ser
introduzido no prximo captulo.
Distribuies Amostrais e
Estimao
Cap
t u
lo
A Inferncia Estatstica um conjunto de

tcnicas muito utilizadas em problemas prticos
do dia a dia. Com estas tcnicas podemos tirar concluses acerca de uma populao de interesse utilizando informaes de uma amostra aleatria.
A grande vantagem em se utilizar a Inferncia Estatstica
economizar tempo e dinheiro que seriam gastos para analisar
uma populao inteira, ressaltando que, algumas vezes, impossvel trabalhar com toda a populao de interesse.
Uma das tcnicas mais importante e utilizada da Inferncia Estatstica a Estimao.
Veremos neste captulo como estimar uma caracterstica de interesse
na populao atravs da estimao pontual e por intervalo.
Alguns conceitos bsicos necessrios para o desenvolvimento terico
das tcnicas de Inferncia Estatstica tambm sero apresentados.
Saber estimar tanto a mdia como a proporo populacional (referentes a

uma varivel presente na populao) a partir de dados coletados em uma
amostra aleatria retirada dessa populao.
Voc se lembra?
Voc se lembra de j ter ouvido notcias sobre divulgao de resultados de pesquisas em que foram citados termos como margem de
erro e nvel de confiana da pesquisa? Sempre que as pesquisas so
realizadas em amostras, esses conceitos passam a fazer parte dos
resultados que sero obtidos. Vamos compreender melhor o que
eles significam e como so determinados.
Estatstica Aplicada
4.1 Conceitos Bsicos

Parmetro uma quantidade numrica, em geral desconhecida,
que descreve uma caracterstica da populao. Normalmente representado por letras gregas como , e , entre outras.
Estimador uma funo dos valores da amostra que utilizamos
para estimar um parmetro populacional. Os estimadores, em geral, so
etc.
representados por letras gregas com acento circunflexo: , e
Estimativa o valor numrico obtido atravs do estimador.
Erro amostral a diferena entre o resultado amostral e o verdadeiro resultado da populao; tais erros resultam de flutuaes amostrais
devidas ao acaso.
Erro no amostral ocorre quando os dados amostrais so coletados, registrados ou analisados incorretamente. Por exemplo: os dados so
selecionados atravs de uma amostra tendenciosa, uso de um instrumento
de medida defeituoso ou o registro incorreto dos dados.
Amostra Aleatria Simples (AAS) de tamanho n de uma v.a. X,
com determinada distribuio, o conjunto de n v.a.s independentes
X1, X2, ..., Xn cada uma com a mesma distribuio de X.
Populao
Parmetro
Amostra
Estatstica
Interferncia Estatstica
Figura 8 Esquema de inferncia sobre um parmetro
Fonte: (MARTINS, 2006).
90
Como o estimador uma funo de valores da amostra aleatria, ou

seja, = f (X1, X2, ..., Xn), para diferentes amostras vamos obter valores
diferentes para o estimador . Portanto, tambm uma varivel aleatria. Como uma estimativa para o parmetro populacional pode ser obtida
utilizando mais de um estimador, precisamos estudar algumas proprieda-
Distribuies Amostrais e Estimao Captulo 4
des dos estimadores para decidir qual utilizar. Vamos estudar agora duas
propriedades dos estimadores: vcio e consistncia.
Vcio: um estimador no viciado para se E( ) = , ou seja, o
valor esperado do estimador igual ao valor do parmetro.
Consistncia: um estimador consistente se:
^
limE() =
n
(4.1)
limVar() = 0
n
Podemos observar que um estimador consistente se, quando aumentamos o tamanho da amostra, o valor esperado do estimador igual
ao valor do parmetro, portanto, no viciado, e a varincia do estimador
convergir para zero.
Dois parmetros populacionais muito importantes e de grande interesse em se estimar so a mdia e a proporo. Portanto, vamos escolher
agora os estimadores utilizados para estimar estes dois parmetros de maneira que eles satisfaam as propriedades de vcio e consistncia.
4.2 Estimador de uma Mdia Populacional

O melhor estimador da mdia populacional a mdia amostral:
X=
1
( X + X 2 + ... + X n )
n 1
(4.2)
Para mostrar que X um estimador no viciado e consistente da

mdia populacional precisamos encontrar E(X) e Var(X) .
Seja X1, X2, ..., Xn uma amostra aleatria retirada de uma populao,
identificada pela varivel X, com mdia e varincia 2 Da definio de
AAS temos que cada Xi, i = 1, 2, ..., n tem a mesma distribuio de X, ou
seja, E(X i )= e Var(X i )= 2 .
Pelas propriedades da esperana e da varincia temos:
91
Estatstica Aplicada
X + X 2 + ... + X n 1
E( X ) = E 1
= n E ( X1 ) + E ( X 2 ) + ... + E ( X n )
n
n
1
= [ + + ... + ] =
=
n
n
e
X + X 2 + ... + X n 1
Var ( X ) = Var 1
= n 2 Var ( X1 ) + Var ( X 2 ) + ... + Var ( X n )
n
1
n2 2
= 2 [2 + 2 + ... + 2 ] = 2 =
n
n
n
O primeiro resultado mostra que a mdia amostral um estimador

no viciado da mdia populacional. O segundo resultado mostra que, conforme n cresce, a varincia da mdia amostral tende a zero, portanto X
um estimador consistente para .
Exemplo 4.1: Uma amostra aleatria de 20 famlias de determinado
bairro foi selecionada e observou-se o nmero de pessoas em cada famlia
com nvel superior completo. Os dados obtidos foram:
1, 2, 2, 0, 3, 1, 1, 3, 0, 1, 2, 2, 1, 3, 1, 0, 2, 1, 1, 2
Encontre a estimativa para a mdia de pessoas com nvel superior
completo neste bairro.
Resoluo:
Pelo que vimos na teoria, o estimador utilizado para se estimar a
mdia populacional a mdia amostral, ou seja:
1
(1 + 2 + 2 + 0 + ... + 2)
20
29
=
0, 97
30
X=
92
Ento, podemos concluir que, neste bairro, aproximadamente 1 pessoa possui nvel superior completo.
4.3 Estimador de uma Proporo Populacional

O melhor estimador da proporo populacional p a proporo
amostral:
p = nmero de indivduos na amostra com determinada caracterrstica
n
(4.3)
Se definirmos uma varivel aleatria Xi como:
1 , se o indivduo apresenta a caracterstica
Xi =
0 , se o indivduo no apresenta a caracterstica
podemos reescrever frmula da proporo amostral como:
n X
p = X1 + X 2 + ... + X n =
ni = X
n
i =1
A distribuio de Bernoulli
uma distribuio de probabilidade
discreta com as seguintes caractersticas: o experimento realizado somente
uma vez e a v.a. X assume apenas dois valores, P(sucesso) = P(X = 1) = p e P (fracasso)
= P(X = 0) = 1 p, com E(X) = p e VAR(X) =
1 p.
Portanto, o estimador da
proporo populacional uma
mdia de variveis aleatrias convenientemente definidas.
Seja X 1 , X 2 , ..., X n uma
sequncia de variveis aleatrias
independentes com distribuio de
Bernoulli. Pelas propriedades da esperana e da varincia temos:
X + X 2 + ... + X n 1
E p = E 1
= n E ( X1 ) + E ( X 2 ) + ... + E ( X n )
n
1
np
= [p + p + ... + p] =
=p
n
n
( )
X + X 2 + ... + X n 1
Var p = Var 1
= n 2 Var ( X1 ) + Var ( X 2 ) + ... + E ( X n )
n
1
np (1 p ) p (1 p )
= 2 [ p (1 p ) + p (1 p ) + ... + p (1 p )] =
=
n
n
n2
( )
93
Estatstica Aplicada
Como no caso do estimador X vemos que p um estimador no

viciado pois E( p ) = p e consistente pois, a medida que n aumenta, a varincia da proporo amostral tende a zero.
Exemplo 4.2: Uma determinada academia, interessada em abrir
uma filial em certo bairro, selecionou uma amostra aleatria de 30 adultos
e perguntou se a pessoa fazia atividades fsicas pelo menos 3 vezes por
semana. As respostas foram classificadas da seguinte maneira: foi atribudo o valor 1 se a pessoa respondeu sim e 0 se a pessoa respondeu no. Os
resultados so:
0 1 0 0 1 1 1 1 1 0 1 1 0 0 0
1 0 0 1 1 0 1 0 0 1 0 1 1 1 0
Obtenha (estime) a proporo de pessoas, neste bairro, que fazem
atividades fsicas pelo menos trs vezes por semana.
Para estimarmos esta proporo utilizamos a proporo amostral
dada por:
p = 0 + 1 + 0 + 0 + 1 + ... + 0 = 16 = 0, 5333
30
30
Portanto, baseado nesta amostra, aproximadamente 53,33% das pessoas deste bairro fazem atividade fsica pelo menos trs vezes por semana.
Antes de passarmos para o conceito de distribuies amostrais e estimao intervalar vamos estudar as caractersticas de uma varivel aleatria cuja distribuio Normal. Precisaremos do conceito da distribuio
Normal para construir intervalos de confiana.
4.4 Propriedades da Distribuio Normal

A distribuio normal uma distribuio contnua de probabilidade
de uma varivel aleatria X. Seu grfico chamado de curva normal.
94
Segundo LARSON (2004, p. 160), a distribuio normal tem as

seguintes propriedades:
1. A mdia, a mediana e a moda so iguais.
2. A curva normal tem formato de sino e simtrica em torno da
mdia.
3. A rea total sob a curva normal igual a 1.

4. A curva normal aproxima-se mais do eixo x medida que se
afasta da mdia em ambos os lados, mas nunca toca o eixo.
Dois parmetros, e , determinam completamente o aspecto de

uma curva normal. A mdia () informa a localizao do eixo de simetria
e o desvio padro () descreve quanto os dados se espalham em torno da
mdia.
0,9
0,8
= 0, 2 = 0,2
0,7
= 0, 2 = 1,0
0,6
= 0, 2 = 5,0
= 2, 2 = 0,5
0,5
0,4
0,3
0,2
0,1
0
5
Figura 9 Distribuies Normais, N (, 2)
Fonte:<http://www.cultura.ufpa.br/dicas/biome/bionor.htm>.
As curvas normais a, b e c apresentam mdias iguais (por isto esto

localizadas na mesma posio no eixo x), mas apresentam desvios padro
diferentes (por isto a curva c, que apresenta maior desvio padro, mais
achatada e a curva a, que apresenta menor desvio padro, mais fechada
em torno da mdia).
A curva d apresenta mdia diferente das outras curvas, por isto est
localizada numa posio diferente no eixo x.
4.5 Distribuies Amostrais

Estudamos como determinar os estimadores da mdia e da proporo populacional. Encontramos o valor esperado e a varincia de cada
estimador sem especificar a sua distribuio.
95
Estatstica Aplicada
Agora vamos obter informao sobre a forma da distribuio dos

estimadores da mdia e da proporo.
A distribuio amostral de um estimador a distribuio de todos
os valores do estimador quando todas as amostras possveis de mesmo
tamanho n so extradas da mesma populao. A distribuio amostral de
um estimador representada, frequentemente, atravs de uma tabela ou de
um histograma.
4.5.1 Distribuio Amostral da Mdia

Para encontrar a distribuio amostral da mdia utilizaremos um
resultado fundamental na teoria da Inferncia Estatstica, conhecido como
Teorema do Limite Central.
Teorema do Limite Central (TLC)
Para amostras aleatrias simples (X1, X2, ..., Xn), selecionadas de
uma populao com mdia e varincia 2 finita, a distribuio amostral
da mdia X pode ser aproximada, para n grande, pela distribuio normal, com mdia e varincia 2/n (desvio padro, 2/ n ).
Observao: para amostras com 30 elementos ou mais a aproximao considerada boa.
Se a populao normal N(, 2), a distribuio amostral da mdia
tem distribuio exata normal com mdia e varincia 2/n para qualquer
tamanho de amostra.
Na aplicao do teorema do limite central, o resultado = / n
x
supe que a populao seja infinitamente grande. Quando trabalhamos com
amostragem com reposio, a populao infinitamente grande. Agora, em
populaes finitas, cuja amostragem feita sem reposio, precisamos fazer um
ajuste no resultado = / n . Vamos utilizar a seguinte regra emprica:
96
Quando a amostragem for sem reposio e o tamanho amostral n for maior que
5% do tamanho finito N da populao, ou seja, n > 0,05 N, devemos ajustar o
desvio padro das mdias amostrais multiplicando-o pelo fator de correo
x
para populao finita:
N -n
N -1
4.5.2 Distribuio amostral da proporo

No item 4.3 vimos que o estimador da proporo populacional
uma mdia de v.as, ou seja,
p = X1 + X 2 + ... + X n = X
n
Portanto, para n grande podemos considerar a distribuio amostral
de p como aproximadamente normal:
p ~ N p, p (1 p )
(4.5)
4.6 Erro Padro de um Estimador

Seja um estimador do parmetro . O erro padro de a quantidade:
EP ( ) = Var ( )
(4.6)
Em palavras, o erro padro avalia a preciso do clculo do estimador populacional.

No caso da mdia amostral, que estimador da mdia populacional,
temos:
EP(X) =
=
n
n
(4.7)
Como , em geral, desconhecido podemos obter o erro padro estimado de X , ou seja:

EP(X) =
s2
s
=
n
n
(4.8)
onde s2 a varincia amostral.

97
Estatstica Aplicada
No caso da proporo amostral, que o estimador da proporo populacional, temos:

EP( p ) =
p (1 p )
n
(4.9)
Quando no conhecemos p obtemos o erro padro estimado de p

substituindo p por p :
p ) =
EP(
p 1 p
n
(4.10)
Os estimadores vistos at agora so pontuais, ou seja, produzem um

nico valor como estimativa do parmetro. Se quisermos medir a preciso
da estimativa obtida podemos construir intervalos de confiana que so
baseados na distribuio amostral do estimador pontual.
A um intervalo de confiana est associado um nvel de confiana
1 que fornece a probabilidade de que o intervalo incluir o verdadeiro
parmetro populacional em vrias amostras repetidas.
Devemos tomar bastante cuidado na interpretao do intervalo de
confiana. Uma interpretao conveniente a seguinte: se selecionarmos
vrias amostras de mesmo tamanho e calcularmos, para cada uma delas,
os correspondentes intervalos de confiana com nvel de confiana 1 ,
esperamos que a proporo de intervalos que contenham o valor do parmetro populacional seja igual a 1 . Por exemplo, se selecionarmos 100
amostras de mesmo tamanho e construirmos seus respectivos intervalos
de confiana, 95 intervalos iro conter o verdadeiro valor do parmetro
populacional.
98
Valor do parmetro da populao desconhecido
Figura 10 intervalos de confiana para o parmetro populacional
As escolhas mais comuns para o nvel de confiana e, consequentemente, os respectivos valores crticos obtidos da distribuio normal so:
Nvel de confiana
Valor crtico Z/2
90%
0,10
1,645
95%
0,05
1,96
99%
0,01
2,575
A escolha de 95% a mais comum

porque resulta em um bom equilbrio
De acordo com TRIOLA
entre preciso (que refletido na
(2008, p. 255) , um valor crtico
largura do intevalo de confiana) e
um nmero na fronteira que separa
confiabilidade (conforme expresso
estatsticas amostrais que tm chance de
ocorrer daquelas que no tem. O nmero
pelo nvel de confiana). DepenZ/2 um valor crtico que um escore z
dendo da necessidade, o nvel de
com a propriedade de separar uma rea de
confiana pode superar 99%. No
/2 na cauda direita da distribuio normal
padronizada.
entanto, quanto maior esse nvel,
maior tambm ser a margem de
erro, que significa perda na preciso
dos resultados. Portanto, necessrio
dosar nvel de confiana e margem de erro,
para se chegar aos resultados mais apropriados.
99
Estatstica Aplicada
4.7 Intervalos de Confiana para a Mdia

Populacional
Podemos construir intervalos de confiana para a mdia populacional considerando 2 casos: conhecido ou desconhecido. Estudaremos
cada um dos casos a seguir.
1 CASO Com conhecido
Para construirmos um intervalo de confiana para a mdia populacional com conhecido temos que verificar os seguintes requisitos:
1. A amostra em estudo uma amostra aleatria simples.
2. O valor do desvio padro populacional, , conhecido.
3. Uma ou ambas as condies so satisfeitas: a populao normalmente distribuda ou n > 30.
Um intervalo de confiana para a mdia populacional, verificado os
requisitos acima, dado por:
x z / 2
(4.11)
onde 1 o nvel de confiana e z / 2 o valor tabelado da distribuio normal padronizada.
O valor obtido de z / 2
chamado margem de erro ou erro mn
ximo da estimativa.
cido
100
2 CASO Com desconhe-
Para construirmos um intervalo de confiana para a mdia

populacional com desconhecido temos que verificar os seguintes requisitos:
1. A amostra em estudo
uma amostra aleatria
simples.
Quando coletamos um
conjunto de dados amostrais para
estimar um parmetro populacional, o
valor obtido pelo estimador deste parmetro
tipicamente diferente do valor do parmetro. A diferena entre estes dois valores
chamada margem de erro ou erro mximo de
estimativa, ou seja, a diferena mxima
provvel entre a estimativa obtida atravs
do estimador e o verdadeiro valor do
parmetro populacional.
2. Uma ou ambas as condies so satisfeitas: a populao normalmente distribuda ou n > 30.

Um intervalo de confiana para a mdia populacional, verificado os
requisitos acima, dado por:
x t / 2
s
n
(4.11)
onde 1 o nvel de confiana, t / 2 o valor tabelado da distribuio

t de Student com n 1 graus de liberdade e s o desvio-padro amostral.
s
O valor obtido de t / 2
chamado margem de erro ou erro mn
ximo da estimativa.
A forma da distribuio t de Student parecida com a da distribuio
normal: tem mdia t = 0, como a distribuio normal padronizada, com mdia z = 0; simtrica mas apresenta caudas mais alongadas, ou seja, maior
variabilidade do que a normal. Quando aumentamos o tamanho da amostra,
a distribuio t de Student tende para a distribuio normal.
O quadro a seguir resume os Casos 1 e 2.
Quadro 4.1 Escolha entre z e t
Distribuio
Condies
Use a distribuio normal (z)
conhecido e populao normalmente distribuda ou conhecido e n > 30
Use a distribuio t
desconhecido e populao normalmente

distribuda ou desconhecido e n > 30
Use um mtodo no paramtrico ou

bootstrap
Populao no normalmente distribuda

e n 30
Notas: 1. Critrios para decidir se a populao ou no normalmente distribuda: A populao no precisa ser exatamente normal, mas deve parecer simtrica
de alguma forma, com uma nica moda e sem outliers.
2. Tamanho amostral n > 30: Essa uma diretriz comumentemente usada,
mas tamanhos amostrais de 15 a 30 so adequados se a populao parecer ter
uma distribuio que no se afasta muito da normal e se no h outliers. Para
algumas distribuies populacionais que se afastam extremamente da normal, o
tamanho amostral pode precisar ser maior do que 50, ou mesmo 100.
Fonte: (TRIOLA, 2008, p. 280).

101
Estatstica Aplicada
4.8 Intervalos de Confiana para a Proporo

Populacional
Vimos na distribuio amostral do estimador p que, para n grande,
p ~ N p, p (1 p )
Verificados os requisitos, temos

que um intervalo de confiana para a
proporo dado por:
p z
/2
p (1 p )
n
Conexo:
Os requisitos necessrios
para a costruo de intervalos de
confiana para a proporo populacionam exigem conhecimento da distribuio
de probabilidade Binomial. Para isto, leia a
Seo 7.2 Estimao da Proporo Populacional, em (TRIOLA, 2008, p. 252).
onde 1 o nvel de confiana

e z/2 o valor tabelado da distribuio
normal padronizada.
p (1 p )
z
O v a l o r o b t i d o d e /2
n
chamado margem de erro ou erro mximo da estimativa.
Exemplo 4.3: De uma amostra de 40 observaes de uma populao normal com mdia desconhecida e desvio-padro =5, obtemos uma
mdia amostral x = 25.
Construir um intervalo de 95% de confiana para a mdia populacional.
Resoluo:
Neste exemplo vamos usar a frmula do intervalo de confiana descrito no 1 CASO. Os dados que o exerccio fornece so:
102
x = 25; n = 40; = 5; 1 = 0, 95;

= 0, 05; /2 = 0,025; z / 2 = 1, 96
Substituindo na frmula temos:
; x + z / 2
x z / 2
n
n
5
5
; 25 + 1, 96
25 1, 96
40
40
9, 8
9, 8
25 6, 3246 ; 25 + 6, 3246
[ 25 1, 5495 ; 25 + 1, 5495]
[ 23, 4505 ;
26, 5495]
Podemos interpretar este intervalo da seguinte maneira: estamos

95% confiantes que o intervalo de 23,4505 a 26,5495 realmente contenha o verdadeiro valor de . Ou ainda, se selecionssemos muitas
amostras diferentes de tamanho 40 e construssemos os intervalos de
confiana como fizemos aqui, 95% deles conteriam realmente o valor da
mdia populacional .
Exemplo 4.4: Uma amostra de tamanho 15, extrada de uma populao normal, fornece uma mdia amostral x = 23 e s = 0,5. Construir
um intervalo de 90% de confiana para a mdia populacional.
Resoluo:
Vamos usar o intervalo de confiana descrito no 2 CASO, pois temos uma populao normal com desconhecido. Os dados so:
x = 23, 5; n = 15; S = 0, 5; 1 = 0, 9; = 0,1;
/2 = 0,05; t / 2 = 1, 761; n 1 = 14
103
Estatstica Aplicada
Usando a frmula:
S
S
; x + t / 2
x t / 2
n
n
0, 5
0, 5
; 23, 5 + 1, 761
23, 5 1, 761
15
15
0, 8805
0, 8805
23, 5 3, 8730 ; 23, 5 + 3, 8730
[ 23, 5 0, 2273 ; 23, 5 + 0, 2273]

[ 23, 2727 ; 23, 7273]
Exemplo 4.5: Em uma cidade foram entrevistadas 2.000 pessoas

e constatou-se que 1.200 esto satisfeitas com o atual prefeito. Construir
um intervalo de 95% de confiana para a proporo populacional que est
satisfeita com o atual prefeito.
Resoluo:
Os dados so:
p = 1.200 = 0, 6; 1 p = 0, 4; n = 2.000; 1 = 0, 95;
2.000
= 0, 05; /2 = 0,025; z / 2 = 1, 96
Um intervalo de 95% de confiana para a proporo populacional

dado por:
104
S
S

; p + z / 2
p z / 2
n
n
0, 6 0, 4
0, 6 0, 4
; 0, 6 + 1, 96
0, 6 1, 96
2.000
2.000
[0, 6 1, 96 0, 01095 ; 0, 6 + 1, 96 0, 01095]
[0, 6 0, 021462 ; 0, 6 + 0, 021462]

[0, 57854 ; 0, 62146]
Se quisermos um intervalo de
95% de confiana para a porcentaPodemos interpretar este
gem populacional podemos expresintervalo da seguinte maneira:
entre os moradores desta cidade, a
sar este resultado como [57,85% ;
porcentagem dos que esto satisfeitos com
62,15%].
o atual prefeito estimada em 60%, com uma
Atividades
margem de erro de 2,15%.
01. Uma agncia de publicidade

est interessada em estimar a idade
mdia em que os adolescentes comeam a fumar. Uma amostra aleatria de
25 fumantes, extrada de uma populao normal, forneceu uma mdia amostral de 15 anos e um desvio-padro amostral de 1,7 ano. Construir um intervalo de 99% de confiana para estimar a
idade mdia em que a populao adolescente comea a fumar. Determine
a margem de erro e o erro padro estimado da mdia.
02. A fim de averiguar a popularidade da gesto da nova reitoria de determinada universidade, uma amostra aleatria de 400 estudantes foi selecionada e constatou-se que 45% estavam satisfeitos com a nova gesto.
a) Obtenha o erro padro estimado da proporo;
b) Determine o intervalo de 95% de confiana para a proporo populacional.
105
Estatstica Aplicada
03. Os dados abaixo referem-se ao nmero de horas semanais que os estudantes do primeiro semestre de administrao passaram se preparando
para o exame de Estatstica.
1
7 7
Determine:
a) o erro padro estimado da mdia;
b) o intervalo de 96% de confiana para a mdia populacional.
04. Dos 1.600 funcionrios entrevistados numa empresa, 880 esto de

acordo com a nova poltica salarial. Construir um intervalo de 98% de
confiana para a proporo populacional dos funcionrios desta empresa
favorveis nova poltica salarial.
05. Para se avaliar a popularidade de certo candidato prxima eleio

para prefeito de determinada cidade, extraiu-se uma amostra aleatria de
1.000 eleitores e constatou-se que 400 votariam no candidato. Estimar a
proporo de eleitores em toda a cidade que tm a inteno de votar no
candidato. Encontre o erro padro estimado da proporo.
106
Reflexo
Vimos que possvel encontrar a melhor estimativa pontual da
mdia e da proporo, mas no temos indicao de quo boa esta nossa
melhor estimativa. Para contornar isto, utilizamos a estimativa intervalar,
ou intervalo de confiana, que consiste em uma faixa de valores em vez
de apenas um nico valor. Como dissemos anteriormente, precisamos ser
cuidadosos para interpretar corretamente os intervalos de confiana. Na
interpretao correta, o nvel de confiana se refere taxa de sucesso do
processo em uso para se estimar o parmetro populacional e no a chance
de que o verdadeiro valor do parmetro esteja entre os limites do intervalo
de confiana. Por exemplo, um nvel de confiana de 95% nos diz que o
processo em uso resultar, a longo prazo, em limites de intervalo de confiana que contenham o verdadeiro valor do parmetro populacional 95%
das vezes.
Leitura recomendada
Sugerimos que voc oua os udios que esto no seguinte endereo:
<http://m3.ime.unicamp.br/recursos/1288>. Nestes udios voc aprender
o significado da expresso margem de erro no contexto da Matemtica.
Referncias

Comini. Introduo estatstica. Rio de Janeiro,: LTC, 2003.
LARSON, R; FARBER, Betsy. Estatstica aplicada. So Paulo: Pearson Prentice Hall, 2004.
107
Estatstica Aplicada
SMAILES, Joanne; McGRANE, Angela. Estatstica aplicada administrao com Excel. So Paulo: Atlas, 2002.
SPIEGEL, Murray R.. Estatstica. So Paulo: Makron Books, 1993.
2008.
No prximo captulo
Neste captulo estudamos a tcnica de Estimao, uma das mais importantes da inferncia estatstica. Usando dados amostrais, aprendemos
a obter estimativas pontuais e intervalares para parmetros populacionais
importantes: mdia e proporo. Para a construo de intervalos de confianas vimos que precisamos encontrar valores crticos da distribuio
normal padro ou da distribuio t-student.
No prximo captulo estudaremos outra tcnica da inferncia estatstica: teste de hiptese. E, nos aprofundaremos no estudo da distribuio
normal.
108
Distribuio Normal e
Teste de Hiptese
Cap
t u
lo
Neste captulo estudaremos a distribuio de probabilidade mais importante em

Estatstica: a distribuio normal. As distribuies normais podem ser usadas para modelar muitos conjuntos de medidas na natureza, na indstria e
no comrcio. Por exemplo, a altura de uma determinada
populao ou a durao de aparelhos de televiso segue,
em geral, uma distribuio normal.
Ao finalizarmos o conceito da distribuilao normal aprenderemos outra tcnica da inferncia estatstica, alm da estimao,
muito utilizada: teste de hiptese. Veremos as caractersticas dos
testes paramtricos e no paramtricos, bem como os procedimentos necessrios para a construo de um teste de hiptese.
Identificar situaes nas quais podemos aplicar o modelo de probabilidade normal, bem como calcular probabilidades associadas a tal modelo.
Compreender quais so as etapas necessrias para a realizao de um
teste de hiptese.
Voc se lembra?
Voc se lembra de ter ouvido de alguma companhia de transporte que,

em mdia, o intervalo entre sucessivos nibus de 20 minutos? Aprenderemos neste captulo como podemos testar a afimartiva da companhia utilizando o conceito de teste de hiptese.
Antes de iniciarmos o estudo da distribuio normal, importante a
compreenso do conceito de varivel aleatria.
Estatstica Aplicada
5.1 Varivel Aleatria

Uma varivel aleatria (v.a.) uma varivel que associa um valor
numrico a cada ponto do espao amostral. Ela denominada discreta
quando pode assumir apenas um nmero finito ou infinito enumervel
de valores e dita contnua quando assume valores num intervalo da reta
real.
comum utilizarmos letras latinas para representarmos variveis
aleatrias.
Quando trabalhamos com uma v.a. que pode assumir valores num
intervalo de nmeros reais, como mensurao de peso, altura e temperatura, estamos lidando com uma distribuio contnua de probabilidade.
Em distribuies deste tipo podemos construir uma curva contnua que
a representao grfica da funo densidade de probabilidade, usualmente
designada por f(x).
5.2 Funo Densidade de Probabilidade

Uma funo f(x) uma funo densidade de probabilidade (f.d.p.)
para uma v.a. contnua X se satisfaz as condies:
f(x) 0 para todo x ( -, ) ;
a rea definida por f(x) igual a 1;
P(X = x0) = 0, ou seja, a probabilidade da v.a. assumir um valor
pontual zero.
O valor esperado e a varincia de uma v.a. contnua so definidos,
respectivamente, por:
E ( X ) = x f ( x ) dx
(5.1)
Proibida a reproduo UniSEB Interativo
110
Var ( X ) = E ( X 2 ) E ( X )
(5.2)
onde E ( X ) = x f ( x ) dx . Essa expresso uma integral que um
conceito matemtico cuja compreenso no nada elementar. Mas no se

preocupe, pois no teremos que saber como calcul-la.
Distribuio Normal e Teste de Hiptese Captulo 5
5.3 Modelo Probabilstico para Variveis

Aleatrias Contnuas
Estudaremos aqui a distribuio de probabilidade mais importante: A
Distribuio Normal. Esta distribuio desempenha papel fundamental na
Inferncia Estatstica. A curva da funo densidade de probabilidade desta
distribuio conhecida por muitos como a curva em forma de sino.
5.3.1 Distribuio Normal

por
A Distribuio Normal tem funo densidade de probabilidade dada

f ( x) =
2
1
2
exp-( x - ) / 2 ,
2
< x<
(5.3)
em que e 2 so os parmetros da distribuio.

A Figura 11 ilustra uma curva normal tpica:
Figura 11 f.d.p. de uma v.a. Normal com mdia e desvio-padro .
Representaremos v.a.s com distribuio normal por X ~ N (, 2).

As principais caractersticas da distribuio normal so:
o ponto de mximo de f(x) o ponto x = ;
os pontos de inflexo so: x = + e x = ;
a curva simtrica com relao a ;
f(x) 0 quando x .
111
Estatstica Aplicada
Para se obter o clculo de probabilidades de uma v.a. X ~ N (, 2)

devemos resolver a integral da funo densidade de probabilidade no intervalo de interesse, isto ,
P (a X b) =
f ( x ) dx
(5.4)
onde a integral indica a rea sob a curva da densidade entre os pontos a e

b.
a b
Figura 12 rea sob a curva normal, no intervalo de a a b
Esta integral s pode ser resolvida, aproximadamente, por meio de

integrao numrica. Para contornar esta dificuldade, as probabilidades
para a distribuio normal so calculadas com o auxlio de tabelas. Para
isto, utilizamos uma transformao da v.a. X em uma v.a. Z definida por:
Z=
onde = mdia e = desvio padro.
112
(5.5)
Esta nova varivel denominada de varivel normal padronizada

com mdia 0 e varincia 1, ou seja, Z ~N (0, 1)
Figura 13 f.d.p. de uma v.a. Z ~ N(0,1)
A tabela fornecida no final do livro, utilizada nos clculos das probabilidades, nos d a P(0 Z zc) = P, isto ,
Figura 14 rea correspondente P(0 Z zc) fornecida pela tabela
A caracterstica de simetria da distribuio normal implica que a probabilidade de estar acima (ou abaixo) de zero 0,5,
ou seja, P(Z 0) = 0,5 = P( Z 0).
113
Estatstica Aplicada
Exemplo 5.1: As vendas mensais de determinado produto tm distribuio aproximadamente normal, com mdia 500 unidades e desviopadro 50 unidades. Determine as probabilidades de que, em um ms, as
vendas do produto sejam:
a) no mximo 530 unidades;
b) no mnimo 460 unidades;
c) entre 450 e 550 unidades;
d) no mnimo 530 unidades.
Resoluo:
Vamos definir a v.a. como
sendo X: vendas mensais de
determinado produto. Portanto,
X ~ N(500,2500).
a) P(X 530)
O enunciado desse exemplo forneceu o valor do desvio-padro que, por

definio, a raiz quadrada da varincia.
Portanto, 2 = 502 = 2.500 unidades.
Para calcularmos esta probabilidade, vamos transformar a v.a. X na

v.a. Z para podermos usar a tabela.
Z=
X 530 500 30
=
= = 0, 6
50
50
0,6
114
Portanto,
P(X 530) = P(Z 0,6) =0,5 + P(0 Z 0,6) = 0,5 + 0,2257= 0,7257
O valor 0,5 vem do fato que P(Z 0) = 0,5.
b) P(X 460)
Usando a transformao:
Z=
X 460 500
=
= 40 / 50 = 0, 8
50
-0,8
Portanto,
P(X 460) = P(Z 0,8) = P(0,8 Z 0) + 0,5 = 0,2881 + 0,5 = 0,7881
Observao.: Devido simetria da distribuio normal temos que
P(0,8 Z 0) = P(0 Z 0,8) e, como no item anterior, o valor 0,5 vem
do fato que P(Z 0) =0,5.
c) P(450 X 550)
Transformando:
X 450 500 50
=
= = 1
50
50
X 550 500 50
=
= =1
Z2 =
50
50
Z1 =
+1
P(450 X 550) = P(1 Z 1) = P(1 Z 0) + P(0 Z 1) =

0,3413 + 0,3413 = 0,3826
115
Estatstica Aplicada
Observao: Devido simetria P(1 Z 0) + P(0 Z 1).

d) P(X 530)
Para calcularmos esta probabilidade, vamos transformar a v.a. X na
v.a. Z para podermos usar a tabela.
Z=
X 530 500 30
=
= = 0, 6
50
50
Portanto,
P(X 530) = P(Z 0,6) =0,5 P(0 Z 0,6) = 0,5 0,2257= 0,2743
O valor 0,5 vem do fato que P(Z 0) =0,5
Exemplo 5.2: O tempo de vida mdio de certo aparelho de dez
anos, com desvio-padro de 1,5 ano. O fabricante substitui os aparelhos
que acusam defeito dentro do prazo de garantia. Qual deve ser o prazo de
garantia para que a porcentagem de aparelhos substitudos seja no mximo 5%?
Resoluo
X: tempo de vida do aparelho
X ~N (10, 2,25)
Neste exerccio queremos encontrar Xc: prazo de garantia para que
no mximo 5% dos aparelhos produzidos sejam substitudos dentro desse
prazo. Observe que o exerccio j forneceu a probabilidade e queremos
encontrar qual o valor correspondente a esta probabilidade, isto ,
P(X Xc) =0,05
116
Transformando na v.a. Z temos P(Z Zc) =0,5 e procurando no corpo da tabela 0,45 (0,5-0,05) encontramos Zc = 1,645.
0,05
z = 1,645
Portanto:
Xc
X
1, 645 = c
1, 5
X c 10 = 2, 4675
Zc =
X c = 2, 4675 + 10
X c = 7, 5325
Ento, o prazo de garantia deve ser de 7,5 anos.
5.4 Teste de Hiptese

A inferncia estatstica utiliza os dados amostrais principalmente
para: estimar um parmetro populacional (como vimos no Captulo 4) e
para testar uma hiptese ou uma afirmativa sobre um parmetro populacional (que veremos neste captulo).
Um teste de hiptese usa estatsticas amostrais para testar uma afirmativa sobre uma propriedade da populao. Por exemplo, pesquisadores
da rea mdica e da poltica utilizam testes de hipteses para a tomada de
decises sobre novos medicamentos ou resultados de uma eleio.
Os testes de hiptese podem ser paramtricos ou no paramtricos.
Testes paramtricos tm requisitos sobre a natureza ou a forma das
populaes envolvidas. So baseados em parmetros da distribuio.
Testes no paramtricos no exigem que as amostras sejam provenientes de populaes normais ou qualquer outra distribuio especfica.
Com isso, em geral, so chamados testes livres de distribuio.
117
Estatstica Aplicada
5.4.1 Passos para a construo de um teste de hiptese

1. Dada uma afirmativa, identificar a hiptese nula e a hiptese
alternativa e expressar ambas em forma simblica;
2. Atravs de uma afirmativa e dos dados amostrais, calcular o
valor da estatstica de teste.
3. Fixar e identificar o(s) valor(es) crtico(s).
4. Concluir o teste com base na estatstica de teste e na regio
crtica.
5.4.2 Hiptese nula e hiptese alternativa

A hiptese nula (representada por H0) uma afirmativa de que
o valor de um parmetro populacional igual a algum valor
especificado.
A hiptese alternativa (representada por H1 ou Ha) a afirmativa de que o parmetro tem um valor que, de alguma forma,
difere da hiptese nula. Representamos a hiptese alternativa
usando um destes smbolos: <, > ou .
Por exemplo, se uma afirmativa para a mdia populacional que ela
assume o valor k, alguns pares possveis de hiptese nula e alternativa so:
H0 : = k
H1 : > k
118
H0 : = k
H1 : < k
H0 : = k
H1 : k
Segundo (TRIOLA, 2008,

p. 309), se voc est fazendo um
Alguns livros texto usam os
estudo e deseja usar um teste de
smbolos ou na hiptese nula H0,
hiptese para apoiar sua afirmatimas seguiremos a notao da maioria dos
va, esta deve ser escrita de modo
peridicos profissionais que usam apenas o
smbolo de igualdade.
a se tornar a hiptese alternativa. (e deve ser expressa usando
apenas os smbolos <, > ou .
Voc no pode usar um teste de
hiptese para apoiar uma afirmativa
de que um parmetro seja igual a algum valor especfico.
Exemplo 5.3: Identifique as hipteses nulas e alternativa e identifique qual representa a afirmao em cada um dos itens abaixo.
a) Uma universidade alega que a proporo de seus alunos
que so do sexo masculino de 46%. O departamento de
marketing da universidade deseja testar esta afirmao.
b) Os amortecedores de automveis que circulam em cidades
duram, em mdia, 35.000 quilmetros, segundo informao de
algumas oficinas especializadas. Um proprietrio de automvel deseja testar essa afirmao.
c) Um veterinrio conseguiu ganho mdio dirio de 2,5 litros de
leite por vaca com uma nova composio de rao. Um pecuarista acredita que o ganho no to grande assim.
Resoluo:
a) H0 : p = 0,46 afirmao
H1 : p 0,46
b) H0 : = 35.000 afirmao
H1 : 35.000
c) H0 : = 2,5 afirmao
H1 : < 2,5
5.4.3 Estatstica de teste paramtrico para a mdia
Segundo (TRIOLA, 2008, p. 310)

A estatstica de teste um valor usado para se tomar a deciso sobre
a hiptese nula e encontrada pela converso da estatstica amostral (como a proporo amostral p ou a mdia amostral x ou o
desvio padro s) em um escore (como z, t ou 2) com a suposio de
que a hiptese nula seja verdadeira.
Estudaremos, neste captulo, a seguinte estatstica de teste para a

mdia:
Z =
ou
t=
x
s
n
119
Estatstica Aplicada
Podemos observar que esta estatstica de teste pode se basear na

distribuio normal ou na distribuio t de Student, dependendo das condies que sejam satisfeitas. Utilizaremos, aqui, os mesmos requisitos
descritos no item 4.7 (ver quadro 4.1).
5.4.4 Regio crtica, nvel de significncia e valor

crtico
A regio crtica composta por todos os valores da estatstica de
teste que nos fazem rejeitar a hiptese nula.
O nvel de significncia () a probabilidade da estatstica de teste
cair na regio crtica quando a hiptese nula for realmente verdadeira.
Portanto, a probabilidade de cometermos o erro de rejeitar a hiptese
nula quando ela verdadeira. Esse erro conhecido como Erro do tipo
I. Este nvel de significncia o mesmo que aquele foi definido para
a construo do intervalo de confiana no Captulo 4, cujas escolhas comuns para so 0,05; 0,01 e 0,10.
5.4.5 Teste bilateral, unilateral esquerda e unilateral

direita
120
Um teste de hiptese pode ser bilateral, unilateral esquerda ou unilateral direita. O tipo de teste depende da regio da distribuio amostral que favorece uma rejeio de H0
Temos que:
Se a hiptese alternativa H1 contiver o smbolo <, o teste de
hiptese ser um teste unilateral esquerda, ou seja, a regio
crtica est na cauda esquerda sob a curva;
Se a hiptese alternativa H1 contiver o smbolo >, o teste de hiptese ser um teste unilateral direita, ou seja, a regio crtica
est na cauda direita sob a curva;
Se a hiptese alternativa H1 contiver o smbolo , o teste de
hiptese ser um teste bilateral, ou seja, a regio crtica est nas
duas caudas sob a curva;
Nos testes bilaterais, o nvel de significncia dividido igualmente
entre as duas caudas que constituem a regio crtica. Em testes unilaterais
esquerda ou direita, a rea da regio crtica na cauda respectiva .
5.4.6 Concluso do teste de hiptese

O objetivo de um teste de hiptese testar a hiptese nula, de modo
que nossa concluso ser uma das seguintes:
1. Rejeitar a hiptese nula.
2. Deixar de rejeitar a hiptese nula.
Conexo:
O uso do mtodo do valor P

est sendo utilizado com bastante
frequncia, pois tal valor aparece nos
resultados de pacotes estatsticos. Para a
compreenso de tal mtodo, leia o Procedimento para a Determinao de Valores
P, que se encontra em
(TRIOLA, 2008, p. 314).
A deciso de rejeitar ou deixar de

rejeitar uma hiptese nula pode ser feita
utilizando o mtodo tradicional (mtodo clssico), o mtodo do valor P, ou
baseando-se em intervalos de confiana.
Utilizaremos o mtodo clssico
para concluir um teste de hiptese.
Quando conclumos um teste de hiptese e a estatstica de teste no cair na regio crtica, vamos usar a terminologia deixar de rejeitar a hiptese nula. Alguns
textos escrevem aceitar a hiptese nula. Mas, no estamos provando a
hiptese nula. Apenas estamos nos baseando em evidncias amostrais que
no garantiram a rejeio da hiptese nula e, por isso, o termo deixar de
rejeitar parece o mais correto.
Exemplo 5.4: Uma grande revista de negcios brasileira afirmou
que o faturamento mdio das indstrias de uma determinada regio do
sul do pas seria igual a R$ 820.000,00. Sabe-se que o desvio padro do
faturamento de todas as empresas da regio igual a R$ 120.000,00? Um
pesquisador independente analisou os dados de uma amostra formada por
35 empresas, encontrando um faturamento mdio igual a R$ 780.000,00.
Assumindo nvel de significncia igual a 8%, seria possvel concordar
com a alegao?
Resoluo:
1. Identificar a hiptese nula e alternativa:
H0 : = 820.000
H1 : 820.000
121
Estatstica Aplicada

Como o desvio padro conhecido e n > 30, utilizaremos a seguinte
estatstica de teste:
x
n
780.000 820.000
40.00
Z=
=
= 1, 97
120.000
20283, 702
35
Z =

Do enunciado, temos = 0,08. Como o teste bilateral, o nvel
de significncia = 0,08 dividido igualmente entre as dus
caudas que constituem a regio crtica. Portanto:
Z/2 = 1,755
Z/2 = 1,755

crtica.
Temos que a estatstica de teste caiu na regio de rejeio, do lado
esquerdo da cauda, pois 1,97 < 1,755. Portanto, rejeitamos a hiptese
nula.
H evidncia suficiente para garantir a rejeio da afirmativa de que
o faturamento mdio das indstrias de uma determinada regio do sul do
pas de R$ 820.000,00.
122
Exemplo 5.5: Uma grande construtora nacional afirma que seus

funcionrios recebem um salrio mdio igual a, no mnimo, R$ 1.450,00,
com desvio padro igual a R$ 700,00 e a distribuio supostamente normal. Uma amostra com 500 funcionrios apresentou uma mdia de R$ 1
000,00. A alegao da empresa poderia ser aceita? Justifique. Considere
= 2%.
Resoluo:
1. Identificar a hiptese nula e alternativa:

H0 : = 1.450
H1 : < 1.450
Como a distribuio supostamente normal e o desvio padro
conhecido, utilizaremos a seguinte estatstica de teste:
x
n
1.000 1.450
450
Z=
=
= 14, 37
700
31, 204952
5 00
Z =

Do enunciado, temos = 0,02. Como o teste unilateral esquerda,
a rea da regio crtica na cauda respectiva :
Z = 2,055
crtica.
Temos que a estatstica de teste caiu na regio de rejeio, pois
14,37 < 2,055.
Portanto, rejeitamos a hiptese nula.
H evidncia suficiente para garantir a rejeio da afirmativa de
que salrio mdio dos funcionrios da construtora seja de, no mnimo,
R$ 1.450,00.
5.4.7 Testes no paramtricos

Como vimos no item 5.4, os testes paramtricos tm requisitos sobre a natureza ou a forma das populaes envolvidas. So baseados em
parmetros da distribuio. Quando no for possvel supor ou assumir
123
Estatstica Aplicada
caractersticas sobre parmetros da populao de onde os dados foram

extrados, torna-se necessrio aplicar testes no paramtricos de hiptese.
Listaremos os principais testes na paramtricos e em que situao
devem ser utilizados.
De acordo com (BRUNI, 2010, p. 256), dentre os principais modelos de testes no parmtricos, podem ser destacados os relacionados a
seguir:
a) Teste do qui-quadrado: empregado na anlise de frequncias,
quando uma caracterstica da amostra analisada;
b) Teste do qui-quadrado para independncia ou associao:
tambm empregado na anlise de frequncias, porm quando
duas caractersticas da amostra so analisadas;
c) Teste dos sinais: empregado no estudo de dados emparelhados, quando um mesmo elemento submetido a duas medidas;
d) Teste de Wilcoxon: tambm analisa dados emparelhados,
permitindo, porm, uma considerao das magnitudes encontradas;
e) Teste de Mann-Whitney: analisa se dois grupos originam-se
de populaes com mdias diferentes;
f) Teste da mediana: analisa se dois grupos originam-se de populaes com medianas diferentes;
g) Teste de Kruskal-Wallis: analisa se mais de dois grupos
originam-se de populaes com mdias diferentes.
Os testes no paramtricos no so to eficientes quanto os testes paramtricos. Ento, precisamos, em geral, de evidncia mais forte
(amostra maior ou diferenas maiores) para rejeitar a hiptese nula.
Atividades
124
01. A durabilidade de um tipo de pneu de determinada marca descrita

por uma v.a.Normal de mdia 70.000 km e desvio-padro de 9.000 km.
a) Se o fabricante desta marca garante os pneus pelos primeiros 50.000 km,
qual a proporo de pneus que devero ser trocados pela garantia?
b) Qual deve ser a garantia (em km) para assegurar que o fabricante troque sob garantia no mximo 2% dos pneus?
02. As vendas de determinado produto tm distribuio aproximadamente normal, com mdia 700 unidades e desvio-padro 80 unidades. Se a
empresa decide fabricar 800 unidades no ms em estudo, qual a probabilidade de que no possa atender a todos os pedidos desse ms, por estar
com a produo esgotada?
03. As velocidades dos carros numa rodovia tm distribuio normal,
com mdia de 90km/h. Determinar:
a) o desvio-padro das velocidades, se 5% dos carros ultrapassar
100 km/h;
b) a porcentagem dos carros que trafegam a menos de 80 km/h.
04. Uma fbrica de embalagens de papelo afirma que suas caixas modelo
padro tm uma resistncia mdia no inferior a 14 kg. Uma amostra de
cinco caixas revelou uma resistncia mdia igual a 12,6 kg. Assumindo um
nvel de significncia igual a 2%, possvel confiar na palavra da fbrica?
Sabe-se que o desvio padro populacional das resistncias das caixas
igual a 2 kg e que esta varivel encontra-se normalmente distribuda.
125
Estatstica Aplicada
05. A campanha WZA fabrica um determinado analgsico que alega ter

durao no inferior a quatro horas. Uma anlise de 30 medicamentos escolhidos aleatoriamente acusou uma mdia de 3,8 horas de durao. Teste
a alegao da campanhia, contra a alternativa de que a durao seja inferior a quatro horas ao nvel de 0,05, se o desvio populacional for de 0,5
hora.
Leitura recomendada
Sugerimos que voc assista ao vdeo que est no seguinte endereo:
<http://m3.ime.unicamp.br/recursos/1098>. Voc aprender algumas tcnicas de planejamento de experimento, bem como verificar a importncia da formulao correta de uma hiptese na anlise estatstica.
Reflexo
Agora, acreditamos que voc poder interpretar de maneira mais

profunda muitas das informaes que recebe. O conhecimento dos conceitos abordados neste livro de fundamental importncia nas anlises
que qualquer profissional necessita fazer em seu cotidiano.
Comprovadamente, o uso da Estatstica em qualquer rea leva a tomada de decises com maiores chances de acerto. Agora, aplicar ou no
o que voc aprendeu, depende exclusivamente de voc. Boa sorte e muito
sucesso!
126
Referncias
BRUNI, Adriano L. Estatstica Aplicada Gesto Empresarial.

2.ed. So Paulo: Atlas, 2010.
Comini. Introduo estatstica. Rio de Janeiro,: LTC, 2003.
LARSON, R; FARBER, Betsy. Estatstica aplicada. So Paulo: Pearson Prentice Hall, 2004.
MAGALHES, Marcos Nascimento; LIMA, Antnio Carlos Pedroso
de. Noes de probabilidade e estatstica. So Paulo: Editora da Universidade de So Paulo, 2004.
2008.
Gabarito
Captulo 1
1.
a) qualitativa nominal
b) quantitativa discreta
c) quantitativa contnua
d) quantitativa discreta
e) quantitativa contnua
f) quantitativa contnua
g) quantitativa discreta
h) qualitativa nominal
i) quantitativa contnua
j) quantitativa contnua
k) qualitativa ordinal
l) qualitativa ordinal
m) qualitativa nominal
n) qualitativa nominal
127
Estatstica Aplicada
2.
a) Como estamos interessados nas respostas dos consumidores de refrigerantes sabor
cola no teste de sabor, um consumidor desse tipo de refrigerante uma unidade experimental. Assim, a populao de interesse a coleo ou conjunto de todos esses consumidores.
b) A caracterstica que a Pepsi deseja medir a preferncia do consumidor de refrigerante sabor cola revelada sob a aplicabilidade de um teste cego, logo, a preferncia pelo tipo
de refrigerante a varivel de interesse.
c) A amostra de 1.000 consumidores de refrigerante sabor cola selecionados da populao de todos os consumidores desse tipo de refrigerante.
d) A inferncia de interesse a generalizao da preferncia de refrigerantes sabor cola
dos 1.000 consumidores da amostra para a populao de todos os consumidores desse
tipo de refrigerante. Em particular, as preferncias dos consumidores da amostra podem
ser usadas para estimar o percentual de todos os consumidores que preferem cada marca.
3. Qualitativos.
Qualitativos, pois as categorias foram simplesmente codificadas. Mas, isto no torna a
varivel quantitativa. No h sentido, por exemplo, calcular a mdia para estes dados
codificados.
4.
a) Todos os cidados brasileiros.
b) Avaliao do trabalho do presidente (bom ou mau); qualitativa.
c) 2.500 indivduos sorteados.
d) Estimar a proporo de todos os cidados que acreditam que o presidente est fazendo
um bom trabalho.
e) Pesquisa.
f) A amostra em estudo no representativa, pois foram entrevistadas somente pessoas
que possuem telefone.
5. Aproximadamente 48.
128
6.
a) Sim, ser representativa.
b) Foram utilizados pelo menos 3 tipos de tcnicas de amostragem: Amostragem Estratificada no primeiro momento, Amostragem casual simples no segundo momento e Amostragem por meio de conglomerados para finalizar.
7.
a) x p = 161.33; x g =1279, 85
b) x ponderada = 524, 85
8.
a)
Amostra estratificada
N de
N de
funcionrios
propriedades
0 20
(n = 50)
Uniforme
Proporcional
500
10
25
20 50
320
10
15
50 100
100
10
100 200
50
10
200 400
30
10
Total
1.000
50
50
b) x u = 114; x p = 42, 5 A mdia obtida atravs da amostragem estratificada uniforme

no mostra a realidade das empresas com relao ao nmero de funcionrios, j que a
grande maioria tem no mximo 50 funcionrios (como mostra a mdia obtida atravs da
amostragem estratificada proporcional).
Captulo 2
Antes das respostas gostaramos de deixar claro que as interpretaes das questes ficam
a cargo do estudante. Se ocorrer dvidas, entrar em contato com o tutor.
1. k 6 classes e amplitude da classe h 7
Tabela 1: Distribuio de frequncias das idades dos funcionrios.

Idades
1926
fr
0,1667
fa
2633
13
0,4333
18
3340
0,1333
22
4047
0,1333
26
4754
0,1000
29
5461
0,0333
30
Total
30
129
Estatstica Aplicada
a) 18
b) 13,33%
c) 17
d) 73,33%
e) 26,67%
2.
a) Valores gastos com supermercado. Varivel quantitativa contnua.
b)
Tabela 1: Distribuio de frequncias para a varivel Valores gastos com supermercado.

Classes(Gastos em R$)
4,8961,89
17
0,34
17
61,89118,89
13
0,26
30
118,89175,89
0,10
35
175,89232,89
0,10
40
232,89289,89
0,06
43
289,89346,89
0,06
46
346,89403,89
0,04
48
403,89460,89
0,04
50
Total
30
fr
fa
3.
a) x = 23,1, Md = 22, 5, Mo = 22
b)
130
Classes
1014
Pm
fr
0,0469
fa
3
12
1418
0,0781
16
1822
12
0,1875
20
20
2226
25
0,3906
45
24
2630
12
0,1875
57
28
3034
0,0469
60
32
3438
0,0313
62
36
3842
0,0313
64
40
Total
64
1,0000
c) x = 24, 06, Md = 23, 92, Mo = 24
4.
a) Vendas mensais. Varivel quantitativa contnua.
b) x 3, 2, Md = 3, 4, Mo = 3, 5
c) 16,36%
d) 21,82%
e) 56,36%
f) 65,45%
5.
x 1, 7, Md = 2, Mo = 2
6. 4,3
Captulo 3
1.
Outros
16,82%
Solteiro
42,87%
Separado
19,79%
Vivo
5,69%
Casado
14,84%
Atravs do grfico, podemos dizer que aproximadamente 43% dos clientes desta agncia
de turismo so solteiros, 20% so separados, 17% tm outro tipo de estado civil, 15% so
casados e apenas 5% so vivos. Esta informao importante na hora de lanar pacotes
de viagens. A agncia deve se lembrar que grande parte de seus clientes so solteiros.
Tambm pode criar estratgias para trazer mais clientes casados ou vivos, que provavelmente devem ter outro tipo de perfil.
131
Estatstica Aplicada
2.
a)
Idades
4,8961,89
17
0,34
17
61,89118,89
13
0,26
30
118,89175,89
0,10
35
175,89232,89
0,10
40
232,89289,89
0,06
43
289,89346,89
0,06
46
346,89403,89
0,04
48
403,89460,89
0,04
50
Total
50
fr
fa
b)
346,89403,89
403,89460,89
289,89346,89
232,89289,89
175,89232,89
118,89175,89
61,89118,89
18
16
14
12
10
8
6
4
2
0
4,8961,89
Frequncia
Histograma
Gastos (R$)
Polgono de Frequncias
18
17
16
14
13
132
Frequncia
12
10
8
6
2
0
0
0
33,39
0
90,38 147,39 204,39 261,39 318,39 375,39 432,39 489,39
Ponto mdio das classes Gastos (R$)
3.
a) Salrio de funcionrios de uma empresa. Esta varivel classificada como quantitativa contnua.
b) 45 funcionrios
c) 86 funcionrios
d) 9,30%
e) 72,09%
f) Tabela 1: Distribuio de frequncias dos salrios dos funcionrios de uma empresa.
Idades
f
fr
fa
500,00800,00
17
19,77
17
800,001100,00
45
52,33
62
1100,001400,00
12
13,95
74
1400,001700,00
4,65
78
1700,002100,00
3,49
81
2100,002400,00
3,49
84
2400,002700,00
2,33
86
Total
86
100
4.
a) R = 31, s 6,1, s 2 37, 2, cv 0, 2633 ou 26, 33%
b)
c)
Classes
1014
Pm
fr
0,0469
fa
3
12
1418
0,0781
16
1822
12
0,1875
20
20
2226
25
0,3906
45
24
2630
12
0,1875
57
28
3034
0,0469
60
32
3438
0,0313
62
36
3842
0,0313
64
40
Total
64
1,0000
R = 32, s 5, 8, s 2 33, 6, cv 0, 2358 ou 23, 58%
d) Q1 20, 7, D7 26, P99 = 40, 7
133
Estatstica Aplicada
e)
30
Frequncia
25
20
15
10
3842
3438
3034
2630
2226
1822
1418
1014
Nmero de horas
5.
R = 7, s 2, 88, s 2 8, 29, cv 0, 45 ou 45%
6.
R = 5, s 1, 29, s 2 8, 29, cv 0, 7588 ou 75, 88%
7.
R = 30, s 6, 9, s 2 47, 6, cv 0, 2233 ou 22, 33%
8.
a) Caixa A (menor variao absoluta (s))
b) Caixa A (maior variao relativa (cv))
Captulo 4
1. [14,04902 ; 15,95098] Margem de erro: 0,95098
^
2. a) EP( p ) =
^
3. a) EP(X) =
p (1 p )
= 0, 02487
n
S
= 0, 3863
n
EP(X) =
S
= 0, 34
n
b) [0,40125 ; 0,49875]
b) [4,3749 ; 6,0251]
4. [0,52110 ; 0,57890]
134
5. a) p = 0.4
b) EP( p ) =
p (1 p )
= 0, 01549
n
Captulo 5
1. a) 0,0132
b) 51.496 km
2. 0,1056
3. a) =6.08
b) 5,05%
4. z = 2,055 e z = 1,5652 (estatstica de teste)

No h evidncia suficiente para garantir a rejeio da afirmativa de que as caixas modelo padro da fbrica de embalagens tm resistncia mdia no inferior a 14 kg.
5. z = 1.645 e z = 2.1909 (estatstica de teste)

H evidncia suficiente para garantir a rejeio da afirmativa de que a durao do efeito
do analgsico fabricado por esta companhia no seja inferior a 4 horas.
Curva Normal (p = rea entre 0 z)

z
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
0.00
0.0000
0.0398
0.0793
0.1179
0.1554
0.1915
0.2257
0.2580
0.2881
0.3159
0.3413
0.3643
0.3849
0.4032
0.4192
0.4332
0.4452
0.4641
0.4713
0.4772
0.4821
0.4861
0.4893
0.4918
0.4938
0.4953
0.4965
0.4974
0.4981
0.4987
0.01
0.0040
0.0438
0.0832
0.1217
0.1591
0.1950
0.2291
0.2611
0.2910
0.3186
0.3438
0.3665
0.3869
0.4049
0.4207
0.4345
0.4463
0.4649
0.4719
0.4778
0.4826
0.4864
0.4896
0.4920
0.4940
0.4955
0.4966
0.4975
0.4982
0.4987
0.02
0.0080
0.0478
0.0871
0.1255
0.1628
0.1985
0.2324
0.2642
0.2939
0.3212
0.3461
0.3686
0.3888
0.4066
0.4222
0.4357
0.4474
0.4656
0.4726
0.4783
0.4830
0.4868
0.4898
0.4922
0.4941
0.4956
0.4967
0.4976
0.4982
0.4987
0.03
0.0120
0.0517
0.0910
0.1293
0.1664
0.2019
0.2357
0.2673
0.2967
0.3238
0.3485
0.3708
0.3907
0.4082
0.4236
0.4370
0.4484
0.4664
04732
0.4788
0.4834
0.4871
0.4901
0.4925
0.4943
0.4957
0.4968
0.4977
0.4983
0.4988
segunda casa decimal

0.04
0.05
0.06
0.0160
0.0199
0.0239
0.0557
0.0596
0.0636
0.0948
0.0987
0.1026
0.1331
0.1368
0.1406
0.1700
0.1736
0.1772
0.2054
0.2088
0.2123
0.2389
0.2422
0.2454
0.2704
0.2734
2764
0.2995
0.3023
0.3051
0.3264
0.3289
0.3315
0.3508
0.3531
0.3554
0.3729
0.3749
0.3770
0.3925
0.3944
0.3962
0.4099
0.1415
0.4131
0.4251
0.4265
0.4279
0.4382
0.4394
0.4406
0.4495
0.4505
0.4515
0.4671
0.4678
0.4686
0.4738
0.4744
0.4750
0.4793
0.4798
0.4803
0.4838
0.4842
0.4846
0.4875
0.4878
0.4881
0.4904
0.4906
0.4909
0.4927
0.4929
0.4931
0.4945
0.4946
0.4948
0.4959
0.4960
0.4961
0.4969
0.4970
0.4971
0.4977
0.4978
0.4979
0.4984
0.4984
0.4985
0.4988
0.4989
0.4989
0.07
0.0279
0.0675
0.1064
0.1443
0.1808
0.2157
0.2486
0.2794
0.3078
0.3340
0.3577
0.3790
0.3980
0.4147
0.4292
0.4418
0.4525
0.4693
0.4756
0.4808
0.4850
0.4884
0.4911
0.4932
0.4949
0.4962
0.4972
0.4979
0.4985
0.4989
0.08
0.0319
0.0714
0.1103
0.1480
0.1844
0.2190
0.2517
0.2823
0.3106
0.3365
0.3599
0.3810
0.3997
0.4162
0.4306
0.4429
0.4535
0.4699
0.4761
0.4812
0.4854
0.4887
0.4913
0.4934
0.4951
0.4963
0.4973
0.4980
0.4986
0.4990
0.09
0.0359
0.0753
0.1141
0.1517
0.1879
0.2224
0.2549
0.2852
0.3133
0.3389
0.3621
0.3830
0.4015
0.4177
0.4319
0.4441
0.2545
0.4706
0.4767
0.4817
0.4857
0.4890
04916
0.4936
0.4952
0.4964
0.4974
0.4981
0.4986
0.4990
135
Estatstica Aplicada
Tabela Valores crticos da distribuio t de Student
P(|t de Student|
136
G. L.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
60
70
80
90
100
110
120
0.50
1.000
0.816
0.765
0.741
0.727
0.718
0.711
0.706
0.703
0.700
0.697
0.695
0.694
0.692
0.691
0.690
0.689
0.688
0.688
0.687
0.686
0.686
0.685
0.685
0.684
0.684
0.684
0.683
0.683
0.683
0.682
0.682
0.682
0.682
0.682
0.681
0.681
0.681
0.681
0.681
0.681
0.680
0.680
0.680
0.680
0.680
0.680
0.680
0.680
0.679
0.679
0.678
0.678
0.677
0.677
0.677
0.677
0.674
0,25
valor tabelado) = Valores bilaterais

0.20
3.078
1.886
1.638
1.533
1.476
1.440
1.415
1.397
1.383
1.372
1.363
1.356
1.350
1.345
1.341
1.337
1.333
1.330
1.328
1.325
1.323
1.321
1.319
1.318
1.316
1.315
1.314
1.313
1.311
1.310
1.309
1.309
1.308
1.307
1.306
1.306
1.305
1.304
1.304
1.303
1.303
1.302
1.302
1.301
1.301
1.300
1.300
1.299
1.299
1.299
1.296
1.294
1.292
1.291
1.290
1.289
1.289
1.282
0,10
0.10
6.314
2.920
2.353
2.132
2.015
1.943
1.895
1.860
1.833
1.812
1.796
1.782
1.771
1.761
1.753
1.746
1.740
1.734
1.729
1.725
1.721
1.717
1.714
1.711
1.708
1.706
1.703
1.701
1.699
1.697
1.696
1.694
1.692
1.691
1.690
1.688
1.687
1.686
1.685
1.684
1.683
1.682
1.681
1.680
1.679
1.679
1.678
1.677
1.677
1.676
1.671
1.667
1.664
1.662
1.660
1.659
1.658
1.645
0,05
0.05
12.706
4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060
2.056
2.052
2.048
2.045
2.042
2.040
2.037
2.035
2.032
2.030
2.028
2.026
2.024
2.023
2.021
2.020
2.018
2.017
2.015
2.014
2.013
2.012
2.011
2.010
2.009
2.000
1.994
1.990
1.987
1.984
1.982
1.980
1.960
0,025
0.04
15.894
4.849
3.482
2.999
2.757
2.612
2.517
2.449
2.398
2.359
2.328
2.303
2.282
2.264
2.249
2.235
2.224
2.214
2.205
2.197
2.189
2.183
2.177
2.172
2.167
2.162
2.158
2.154
2.150
2.147
2.144
2.141
2.138
2.136
2.133
2.131
2.129
2.127
2.125
2.123
2.121
2.120
2.118
2.116
2.115
2.114
2.112
2.111
2.110
2.109
2.099
2.093
2.088
2.084
2.081
2.078
2.076
2.054
0,02
0.02
31.821
6.965
4.541
3.747
3.365
3.143
2.998
2.896
2.821
2.764
2.718
2.681
2.650
2.624
2.602
2.583
2.567
2.552
2.539
2.528
2.518
2.508
2.500
2.492
2.485
2.479
2.473
2.467
2.462
2.457
2.453
2.449
2.445
2.441
2.438
2.434
2.431
2.429
2.426
2.423
2.421
2.418
2.416
2.414
2.412
2.410
2.408
2.407
2.405
2.403
2.390
2.381
2.374
2.368
2.364
2.361
2.358
2.326
0,01
0.01
63.656
9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.921
2.898
2.878
2.861
2.845
2.831
2.819
2.807
2.797
2.787
2.779
2.771
2.763
2.756
2.750
2.744
2.738
2.733
2.728
2.724
2.719
2.715
2.712
2.708
2.704
2.701
2.698
2.695
2.692
2.690
2.687
2.685
2.682
2.680
2.678
2.660
2.648
2.639
2.632
2.626
2.621
2.617
2.576
0,005
0.005
127.321
14.089
7.453
5.598
4.773
4.317
4.029
3.833
3.690
3.581
3.497
3.428
3.372
3.326
3.286
3.252
3.222
3.197
3.174
3.153
3.135
3.119
3.104
3.091
3.078
3.067
3.057
3.047
3.038
3.030
3.022
3.015
3.008
3.002
2.996
2.990
2.985
2.980
2.976
2.971
2.967
2.963
2.959
2.956
2.952
2.949
2.946
2.943
2.940
2.937
2.915
2.899
2.887
2.878
2.871
2.865
2.860
2.807
0,0025
0.001
636.578
31.600
12.924
8.610
6.869
5.959
5.408
5.041
4.781
4.587
4.437
4.318
4.221
4.140
4.073
4.015
3.965
3.922
3.883
3.850
3.819
3.792
3.768
3.745
3.725
3.707
3.689
3.674
3.660
3.646
3.633
3.622
3.611
3.601
3.591
3.582
3.574
3.566
3.558
3.551
3.544
3.538
3.532
3.526
3.520
3.515
3.510
3.505
3.500
3.496
3.460
3.435
3.416
3.402
3.390
3.381
3.373
3.290
0,0005

Livro Proprietário-Estatística Aplicada 2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Livro Proprietário-Estatística Aplicada 2

Uploaded by

Copyright:

Available Formats

Estatstica Aplicada

UniSEB Editora Universidade Estcio de S

Estatstica uma palavra de origem latina,

Nesse primeiro captulo, apresentaremos

Objetivos da sua aprendizagem

Identificar os diferentes tipos de variveis que podem estar presentes

Voc se lembra de j ter visto nos meios de comunicao informaes

1.1 Breve histrico

Proibida a reproduo UniSEB

1.2 Definio de Estatstica

A Estatstica uma cincia que trata de mtodos cientficos para a

Conceitos Introdutrios e Tcnicas de Amostragem Captulo 1

EAD-15-Estatstica Aplicada Proibida a reproduo UniSEB

Esta etapa tambm chamada de Estatstica Inferencial ou

Proibida a reproduo UniSEB

So inmeras e diversificadas as aplicaes de tcnicas estatsticas

Populao o conjunto total de unidades experimentais que tm

Conceitos Introdutrios e Tcnicas de Amostragem Captulo 1

EAD-15-Estatstica Aplicada Proibida a reproduo UniSEB

1.3.1 Tcnicas de Amostragem

Proibida a reproduo UniSEB

1.3.1.1 Definies das Tcnicas de Amostragem

Sempre que possvel, devemos escolher trabalhar com amostragem

Conceitos Introdutrios e Tcnicas de Amostragem Captulo 1

Usaremos N para denotar o tamanho da populao e n indicando o

1.3.1.1.1 Amostragem Aleatria Simples

EAD-15-Estatstica Aplicada Proibida a reproduo UniSEB

1.3.1.1.2 Amostragem Sistemtica

salto poder ser diversificado, podendo ento

Em seguida, podemos iniciar a amostragem com qualquer

entre os 10 primeiros. A partir desse elemento, selecionamos os demais

1.3.1.1.3 Amostragem por Conglomerados (Clusters)

1.3.1.1.4 Amostragem Estratificada

Proibida a reproduo UniSEB

Esta tcnica muito utilizada quando a populao heterognea ou

Conceitos Introdutrios e Tcnicas de Amostragem Captulo 1

1.3.1.2 Tcnicas de Amostragem No Probabilstica (ou

1.3.1.2.1Amostragem a Esmo ou Sem Norma

1.3.1.2.2 Amostragem Intencional

EAD-15-Estatstica Aplicada Proibida a reproduo UniSEB

Neste caso, o amostrador escolhe deliberadamente os elementos que

1.4 Exemplo Prtico Envolvendo Tcnicas de

e auditivos em suas empresas e em que tipo de empresa trabalha: pblica

Proibida a reproduo UniSEB

Conceitos Introdutrios e Tcnicas de Amostragem Captulo 1

EAD-15-Estatstica Aplicada Proibida a reproduo UniSEB

a) Utilizando o quadro acima, retire uma amostra sistemtica

b) Com a amostra selecionada no item a), calcule:

a porcentagem de profissionais contra a incluso;

Proibida a reproduo UniSEB

ou seja, 40% dos profissionais trabalham em empresas pblicas.

c) possvel retirar uma amostra estratificada dos profissionais

Conceitos Introdutrios e Tcnicas de Amostragem Captulo 1

salrios dos executivos de uma empresa

g) nmero de aes negociadas na bolsa de valores

EAD-15-Estatstica Aplicada Proibida a reproduo UniSEB

h) sexo dos filhos

tamanho de pregos produzidos por uma mquina

quantidade de gua consumida por uma famlia em um ms

b) Descreva a varivel de interesse.

Proibida a reproduo UniSEB

Conceitos Introdutrios e Tcnicas de Amostragem Captulo 1

04. Os institutos de pesquisa de opinio regularmente fazem pesquisas