Estatística Aplicada À Engenharia

-2-
UANDERSON REBULA DE OLIVEIRA

https://br.linkedin.com/in/uandersonrebula
http://lattes.cnpq.br/1039175956271626
Doutorando em Engenharia-Universidade Estadual Paulista-UNESP
Mestrado em Engenharia de Produção-Universidade Estadual Paulista-UNESP
Pós-graduado em Controladoria e Finanças-Universidade Federal de Lavras-UFLA
Pós-graduado em Logística Empresarial-Universidade Estácio de Sá-UNESA
Graduado em Ciências Contábeis-Universidade Barra Mansa-UBM
Técnico em Metalurgia-Escola Técnica Pandiá Calógeras-ETPC
Técnico em Segurança do Trabalho-ETPC
Operador Siderúrgico e Industrial-ETPC
Pesquisador pelo ITL/SEST/SENAT. Professor na UNIFOA no curso de Pós graduação em Engenharia de Segurança
do Trabalho. Professor da Universidade Estácio de Sá - UNESA nas disciplinas de Gestão Financeira de Empresas,
Fundamentos da Contabilidade e Matemática Financeira, Probabilidade e Estatística para o curso de Engenharia de
Produção, Análise Estatística para o curso de Administração, Ergonomia, Higiene e Segurança do Trabalho, Gestão
de Segurança e Análise de Processos Industriais (Gestão Ambiental), Gestão da Qualidade: programa 5S (curso de
férias). Professor na Associação Educacional Dom Bosco para os cursos de Administração e Logística. Ex-professor
na Universidade Barra Mansa – UBM nos cursos de Engenharia de Produção e de Petróleo. Ex-professor
Conteudista na UNESA (elaboração de Planos de Ensino e de Aula, a nível nacional). Ex-professor em escolas
técnicas nas disciplinas de Estatística Aplicada, Estatística de Acidentes do Trabalho, Probabilidades, Contabilidade
Básica de Custos, Metodologia de Pesquisa Científica, Segurança na Engenharia de Construção Civil e Higiene do
Trabalho. Ex-professor do SENAI. Ex-consultor interno, desenvolvedor e instrutor de cursos corporativos na CSN,
a níveis Estratégicos, Táticos e Operacionais. Ex-Membro do IBS–Instituto Brasileiro de Siderurgia.
EMENTA:
Conceito e fases de estudo. Variáveis. População e amostra. Técnicas de
amostragem. Séries estatísticas: conceitos, tabelas, distribuição de frequência
e representação gráfica. Medidas de Tendência Central. Medidas de
Ordenamento. Medidas de Variação. Correlação e Regressão. Distribuição
Normal. Intervalos de Confiança. Teste de Hipótese.

OBJETIVO:
Refletir a partir da Estatística Básica sobre as ferramentas consolidadas pelo
uso e pela ciência, disponíveis a todos, que auxiliam na tomada de decisão.
Resende - RJ – 2017
-3-
SUMÁRIO

UNIDADE I – TÉCNICAS DE AMOSTRAGEM PROBABILÍSTICAS
Amostragem Aleatória Simples, 5
Amostragem Estratificada, 6
Amostragem por Conglomerado, 7
Amostragem Sistemática, 9

UNIDADE II – CORRELAÇÃO E REGRESSÃO
Correlação linear simples, 11
Regressão linear simples, 14

UNIDADE III – DISTRIBUIÇÃO DE FREQUÊNCIA E O GRÁFICO DE PARETO
Distribuição de frequência, 17
Gráfico de Pareto, 19

UNIDADE IV – MEDIDAS DE VARIAÇÃO E A DISTRIBUIÇÃO NORMAL
Medidas de variação, 26
Variância e Desvio Padrão, 27
Coeficiente de Variação, 29
Conceitos básicos de probabilidades, 29
Distribuição Normal, 30
Probabilidades na Distribuição Normal, 31
Z‐Escore e valor de “x” na Distribuição Normal, 34

UNIDADE V – ESTATÍSTICA INFERENCIAL E OS INTERVALOS DE CONFIANÇA
Estimativa pontual e intervalar, 41
Intervalos de confiança – IC, 41
Intervalos de confiança para média (amostras grandes), 41
determinação do tamanho da amostra, 43
Intervalos de confiança para média (amostras pequenas), 43
Intervalos de confiança para proporções p, 45
Determinação do tamanho da amostra para p, 45
Intervalos de confiança para o desvio padrão, 46

UNIDADE VI – ESTATÍSTICA INFERENCIAL E OS TESTES DE HIPÓTESES
Conceitos introdutórios, 50
Teste de hipótese para média (amostras grandes), 51
Teste de hipótese para média (amostras pequenas), 52
Teste de hipótese para proporção, 53
Teste de hipótese para o desvio padrão, 54
Teste para duas amostras – conceitos introdutórios, 57
Teste para diferença de duas médias (dependente), 57
Teste para diferença de duas médias (independente), 59

UNIDADE VII – COMPLEMENTOS
Gráficos e Tabelas, 61
Distribuição de frequências em classes, 65
Medidas de posição (média, mediana e moda), 68
Medidas de Ordenamento (Quartil, Decil e Percentil), 74
Vocabulário básico de Estatística, 76
População e amostra, 78
Estatística Descritiva e Inferencial, 80

REFERÊNCIAS, 81

-4-

UNIDADE I
TÉCNICAS DE
AMOSTRAGEM
PROBABILÍSTICAS
BAIXE O SOFTWARE BIOESTAT E USE‐O PARA COLETA DE AMOSTRAS
E OUTRAS APLICAÇÕES ESTATÍSTICAS
HTTP://WWW.MAMIRAUA.ORG.BR/PT‐BR/DOWNLOADS/PROGRAMAS/BIOESTAT‐VERSAO‐53/
O BioEstat é programa gratuito para estudantes de graduação e pós‐graduação, pesquisadores e professores, com 210
aplicativos estatísticos de fácil uso pelos iniciantes. Este programa contém o Manual (em formato de arquivo "pdf") que orienta
o usuário com indicações simples e precisas para cada teste, exemplos práticos, gráficos de uso mais frequente, glossário
vinculado à biometria e fórmulas estatísticas referentes aos aplicativos do BioEstat.
A licença de uso deste programa também é gratuita, sendo permitida a instalação em vários computadores. Para outras
informações, envie um e‐mail para mamiraua@mamiraua.org.br.
OUTROS RECURSOS PARA VOCÊ BAIXAR (ARQUIVO TEMPORÁRIO!)
 CURSO DE ESTATÍSTICA PARA QUALIDADE/SEIS SIGMA ‐ https://goo.gl/9Ll32g
 PLANILHAS DE CÁLCULOS ESTATÍSTICOS NO EXCEL ‐ https://goo.gl/K1uZvn
 PLANILHAS ESTATÍSTICAS PRONTAS NO EXCEL ‐ https://goo.gl/jaPfDx
 CURSO DE ESTATÍSTICA AVANÇADA ‐ PROF. DR. BRUNO CHAVES ‐ https://goo.gl/cIJ1yA

ONDE FAZER CURSOS E COMPRAR LIVROS?
 WERKEMA CONSULTORES ‐ HTTP://WWW.WERKEMACONSULTORES.COM/
 FALCONI CONSULTORES DE RESULTADO‐ HTTPS://WWW.FALCONI.COM/PT/

-5-
TÉCNICAS DE AMOSTRAGEM PROBABILÍSTICAS

São técnicas de seleção dos elementos de uma população, de modo a se obter uma amostra representativa da população.
Devem ser utilizadas para assegurar que as inferências sobre a população sejam válidas.

Amostragem Aleatória Simples – É aquela na qual todos os elementos da população tem a mesma chance de
ser selecionado.
 Essa técnica usa mecanismos de casualidade para escolher os elementos da população, como a tabela de números
aleatórios. O método é semelhante a um sorteio.
Tabela de números aleatórios

 A tabela de números aleatórios consiste em uma série de números listados em uma
sequência aleatoriamente gerada. Essa tabela tem duas características que a tornam adequada: primeiro, os números
estão dispostos de tal maneira que a chance de qualquer um deles aparecer em determinada sequência é igual à chance
do aparecimento em qualquer outra posição; segundo, cada uma de todas as combinações de algarismos tem a mesma
chance de ocorrência. O Excel dispõe da função “ALEATÓRIO” para gerar números aleatórios (veja figura). A tabela de
números aleatórios abaixo foi construída de modo que os dez algarismos (0 a 9) são distribuídos ao acaso, pelo Excel,
identificadas pelas linhas (1, 2, 3, 4...) e colunas (A, B, C, D ...):

Tabela de números aleatórios

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z a b c d e f g h i j k l
1 9 3 3 1 2 1 6 6 3 3 9 0 7 0 4 0 4 4 1 3 8 1 6 5 8 8 9 8 6 5 0 6 3 3 1 2 4 8
2 0 7 6 8 1 4 5 0 5 8 6 6 1 4 2 6 7 5 6 0 5 7 7 9 6 3 2 6 3 4 5 9 8 6 5 2 1 1
3 6 5 1 5 3 4 4 2 3 7 9 1 4 8 5 8 7 2 4 7 3 7 0 6 2 2 1 3 5 0 8 9 4 7 1 6 4 4
4 9 7 0 2 6 7 3 2 6 7 4 9 1 6 2 7 7 8 6 8 4 7 8 1 5 7 1 2 6 6 6 3 5 6 0 8 2 1
5 5 5 6 5 1 6 4 8 3 3 1 5 3 8 8 2 3 8 8 7 7 4 5 0 4 5 1 8 7 2 3 2 9 6 4 7 7 9
6 8 3 4 8 8 3 8 0 6 4 8 2 3 5 2 5 3 7 1 7 6 8 2 9 5 3 4 3 7 0 3 9 7 0 1 5 7 2
7 3 1 2 7 5 4 7 1 3 5 2 4 1 5 1 3 1 8 0 5 8 8 6 0 6 6 9 5 5 5 3 5 8 5 6 7 1 2
8 3 6 3 1 1 7 6 9 5 3 3 5 3 5 6 3 3 3 4 3 6 8 4 5 5 8 8 1 9 2 5 7 8 7 7 5 8 7
9 4 2 0 4 7 2 7 9 3 3 3 3 3 2 8 7 1 8 0 6 1 5 3 4 0 6 3 2 8 3 3 0 7 2 7 2 4 2
10 6 8 7 0 3 9 9 9 8 6 8 2 1 5 8 7 4 5 5 2 6 3 4 1 1 2 2 1 2 9 4 0 5 8 7 0 6 8
11 7 9 1 6 5 8 1 4 3 7 9 1 2 5 3 4 1 6 3 1 6 3 2 5 1 9 5 7 7 5 6 6 8 4 6 5 7 1
12 8 1 4 6 3 8 8 4 7 1 3 6 3 7 7 5 2 6 2 4 8 6 3 2 1 4 8 3 1 7 0 8 1 9 4 1 2 3
13 8 1 7 9 3 4 3 6 9 5 9 2 1 7 3 8 7 5 2 2 7 6 0 6 1 8 1 2 1 4 8 5 2 7 3 3 8 5
14 2 8 8 4 4 0 4 3 2 2 8 1 1 0 2 8 1 8 1 4 5 1 8 1 8 3 3 4 5 6 6 8 1 4 7 4 3 3
15 3 3 7 2 0 0 2 9 5 5 6 8 2 4 5 7 4 0 6 7 3 2 6 3 7 6 7 2 7 2 2 7 6 4 1 6 1 1
16 0 2 7 8 1 7 7 6 0 4 3 4 5 8 7 8 3 0 3 1 2 7 8 5 2 3 2 5 7 5 7 4 3 5 2 9 4 6
17 1 1 0 5 9 6 6 2 7 2 2 7 1 8 5 5 2 7 5 9 5 0 3 7 0 3 1 5 4 2 9 7 4 4 2 6 0 5
18 1 9 0 4 1 1 4 3 3 1 5 6 7 0 1 2 2 2 4 4 9 2 2 1 9 7 1 5 9 1 1 5 8 9 7 2 2 2
19 6 9 7 4 5 0 1 0 6 6 2 1 5 2 1 8 8 2 5 2 2 2 8 1 2 3 8 1 3 5 7 6 7 8 1 6 7 1
20 2 7 1 2 1 6 3 1 1 7 1 2 3 4 8 8 1 1 7 1 1 1 3 6 2 1 1 7 9 2 2 5 3 2 2 2 7 6
21 9 5 5 5 2 2 0 1 3 6 9 6 5 3 2 2 6 3 1 4 4 4 3 1 6 7 0 5 5 1 0 7 3 1 2 1 5 3
22 4 2 4 9 7 3 1 8 3 4 8 3 7 1 3 1 1 6 4 8 2 3 3 1 4 7 3 8 6 3 1 8 0 2 8 1 0 8
23 5 8 3 1 1 3 8 2 5 3 8 6 2 2 7 8 1 1 1 3 4 4 8 8 6 4 2 3 1 8 6 1 8 4 9 1 5 6
24 8 4 3 2 1 3 5 7 6 7 3 3 6 1 9 4 7 6 5 6 6 7 2 6 5 7 0 8 2 6 4 9 1 4 7 7 3 4
25 1 2 8 1 0 5 4 3 8 5 1 1 8 9 1 3 8 7 4 5 0 4 7 0 8 3 8 9 6 2 3 7 1 4 6 2 9 4
26 7 7 5 7 9 2 4 5 7 8 7 1 4 8 4 1 6 4 9 7 5 9 4 1 4 4 3 2 2 5 8 0 2 3 4 5 4 2
27 7 2 8 8 8 3 8 5 5 4 4 5 9 4 9 2 3 1 1 1 2 7 6 3 5 1 4 0 6 2 7 7 7 7 7 7 0 4
28 8 7 7 1 9 6 7 6 6 5 5 9 1 6 5 6 1 2 2 3 2 5 7 5 6 9 5 0 3 1 7 1 1 5 5 2 6 6
29 1 4 8 2 2 1 9 5 2 6 6 3 4 0 1 3 0 5 5 6 9 1 7 8 8 8 2 7 7 9 7 5 0 3 6 2 4 4
30 7 6 1 9 0 5 1 4 4 4 1 0 1 6 4 3 7 3 7 1 0 7 4 1 6 8 9 9 7 9 6 2 7 6 3 7 0 1
31 1 5 8 1 0 4 3 9 2 4 5 6 6 8 2 2 3 1 2 8 4 5 9 1 7 4 7 6 7 1 6 1 8 0 4 6 2 9
32 3 2 2 2 1 1 4 5 8 0 2 4 5 8 3 3 0 9 3 9 8 9 6 9 8 8 4 5 9 8 1 3 3 5 8 9 0 6
33 6 5 4 6 5 9 5 1 0 0 1 4 2 7 7 7 7 8 0 3 2 7 7 2 8 7 5 8 1 3 8 7 6 4 0 0 2 6
34 5 0 8 7 8 1 3 5 1 4 6 1 5 5 6 6 0 3 5 5 0 3 6 5 4 1 4 1 4 0 6 9 5 2 2 0 5 5
Tabela criada pelo professor Uanderson Rébula
-6-
Como usar a tabela de números aleatórios

 1º Numerar todos os elementos da população N;

 2º Determinar as combinações dos algarismos. Exemplo: se o último número da população for 80, devem ser lidos
números de dois algarismos; se o último for 456, devem ser lidos números de três algarismos, e assim por diante;

 3º Escolher um ponto de partida arbitrário da tabela. A leitura pode ser feita horizontalmente →← (da direita para a
esquerda ou vice‐versa), verticalmente ↓↑ (de cima para baixo ou vice‐versa), diagonalmente ↗↙↖↘ (no sentido
ascendente ou descendente) ou formando uma letra. A opção, porém, deve ser feita antes de iniciado o processo;

 4º Descartar os números maiores que o tamanho da população e/ou numeral repetido;

 5º Usar os números escolhidos para identificar os elementos da população.

EXEMPLO. Uma empresa pecuária possui uma população de novilhos de tamanho N = 80 e precisa retirar
amostras de tamanho n = 12 (15% da população) para fazer exame de uma doença. Utilize o método de
amostragem aleatória simples, considerando a tabela, a partir da 4ª linha, coluna D, sentido horizontal, da
esquerda para direita (→).

SOLUÇÃO. Como a população N=80 tem dois algarismos, combinamos dois algarismos na tabela,
descartando os números repetidos e os números que não pertencem a população (Ex.: 81, 95,...).
Este procedimento é repetido até a amostra de tamanho n=12 ser escolhida. Então:

1 9 3 3 1 2 1 6 6 3 3 9 0 7 0 4 0 4 4 1 3 8 1 6 5 8 8 9 8 6 5 0 6 3 3 1 2 4 8
2 0 7 6 8 1 4 5 0 5 8 6 6 1 4 2 6 7 5 6 0 5 7 7 9 6 3 2 6 3 4 5 9 8 6 5 2 1 1
3 6 5 1 5 3 4 4 2 3 7 9 1 4 8 5 8 7 2 4 7 3 7 0 6 2 2 1 3 5 0 8 9 4 7 1 6 4 4
4 9 7 0 2 6 7 3 2 6 7 4 9 1 6 2 7 7 8 6 8 4 7 8 1 5 7 1 2 6 6 6 3 5 6 0 8 2 1
5 5 5 6 5 1 6 4 8 3 3 1 5 3 8 8 2 3 8 8 7 7 4 5 0 4 5 1 8 7 2 3 2 9 6 4 7 7 9
6 8 3 4 8 8 3 8 0 6 4 8 2 3 5 2 5 3 7 1 7 6 8 2 9 5 3 4 3 7 0 3 9 7 0 1 5 7 2
Amostras escolhidas
n = 26 73 74 62 77 78 15 71 66 35 60 56

Descartadas por repetição: Descartadas por não pertencer à população:
26 26 15 91 86 84 82

Amostragem Estratificada – É aquela na qual dividimos a população em subgrupos (estratos) de idênticas
características e retiramos amostras aleatórias simples dos subgrupos.

Às vezes, a população é heterogênea (ex.: sexo masculino e feminino; peça A, B e C) e a amostra aleatória simples não
apresentaria esta heterogeneidade. Seria, então, necessário homogeneizar as amostras em grupos, estratos. Neste caso
recorremos à amostragem aleatória estratificada. “Estratificar” sugere “formar‐se em camadas”.

Exemplo. A estratificação mais simples que encontramos na população do rebanho de tamanho N=80 é a divisão
entre novilhos e novilhas. Supondo que haja 35 novilhos e 45 novilhas, teremos a seguinte formação dos estratos:

População (80)
Estrato 1 Estrato 2
Novilhos (35) Novilhas (45)

São, portanto, dois estratos (novilhos e novilhas). Como queremos uma amostra de tamanho n=12 (15% da população), por
estrato, temos:

Rebanho População 15% Amostra Número de
Novilho (estrato 1) 35 35*0,15 = 5,25 5 amostras
Novilha (estrato 2) 45 45*0,15= 6,75 7 estratificadas
TOTAL 80 80*0,15 = 12 12
-7-
O próximo passo é extrair as amostras dentro de cada estrato. Então, numeramos o rebanho de 01 a 80, sendo que de 01 a 35
correspondem novilhos e de 36 a 80, as novilhas. Tomando na tabela de números aleatórios, a partir da 4ª linha, coluna D,
sentido horizontal, da esquerda para direita (→), obtemos os seguintes números:

1 9 3 3 1 2 1 6 6 3 3 9 0 7 0 4 0 4 4 1 3 8 1 6 5 8 8 9 8 6 5 0 6 3 3 1 2 4 8
2 0 7 6 8 1 4 5 0 5 8 6 6 1 4 2 6 7 5 6 0 5 7 7 9 6 3 2 6 3 4 5 9 8 6 5 2 1 1
3 6 5 1 5 3 4 4 2 3 7 9 1 4 8 5 8 7 2 4 7 3 7 0 6 2 2 1 3 5 0 8 9 4 7 1 6 4 4
4 9 7 0 2 6 7 3 2 6 7 4 9 1 6 2 7 7 8 6 8 4 7 8 1 5 7 1 2 6 6 6 3 5 6 0 8 2 1
5 5 5 6 5 1 6 4 8 3 3 1 5 3 8 8 2 3 8 8 7 7 4 5 0 4 5 1 8 7 2 3 2 9 6 4 7 7 9
6 8 3 4 8 8 3 8 0 6 4 8 2 3 5 2 5 3 7 1 7 6 8 2 9 5 3 4 3 7 0 3 9 7 0 1 5 7 2

Temos, então:
1 a 35 → Novilhos n =5 26 15 35 31 23
36 a 80 → Novilhas n =7 73 74 62 77 78 71 66
Descartados

 Como é provável que a variável em estudo apresente, de estrato para estrato, um comportamento heterogêneo
e, dentro de cada estrato, um comportamento homogêneo, convém que a amostragem seja feita por estratos.
Portanto, a amostragem estratificada é, em geral, usada para reduzir a variação nos resultados.
Notas importantes
 A amostragem estratificada é mais eficiente do que a amostragem aleatória simples, uma vez que fica
sobre este tipo de assegurada a representatividade de elementos ao longo de toda a extensão da população. A homogeneidade de
amostragem itens dentro de cada estrato proporciona maior precisão. Da mesma maneira, em um sistema produtivo,
podemos estratificar as amostras em, por exemplo, peça A, peça B, peça C e assim por diante.
Amostragem por Conglomerado- É aquela em que dividimos a população em pequenos grupos

(conglomerados), e retiramos amostras aleatórias simples dos conglomerados.

Normalmente usado para amostras grandes. É um método muito usado por motivos de ordem econômica e prática.
Imagine uma população de 8.000 na qual se queira uma amostra de 400 elementos. É inviável usar os outros métodos pois
implicaria em muito trabalho enumerar e escolher um a um.

Exemplo. Na população de 8.000 novilhos, divida em 10 conglomerados e extraia uma amostra de tamanho 2.400,
Partindo da 1ª linha, coluna A, sentido horizontal e da esquerda para direita (→) da tabela aleatória.

8000
1º passo. Determine o número de elementos para cada conglomerado: / 10 = 800 novilhos por conglomerado

População (8.000)
800 novilhos para cada conglomerado
Conglomerado 1 Conglomerado 2 Conglomerado 3 Conglomerado 4 Conglomerado 5
Conglomerado 6 Conglomerado 7 Conglomerado 8 Conglomerado 9 Conglomerado 10

2º passo: Determine o número de algarismos que serão usados na tabela aleatória:
Como são 10 conglomerados, a contagem pela tabela aleatória será 1 ‐ 10

3º passo: Determinar o número de conglomerados amostrados
Como queremos 2.400 novilhos, então serão 3 conglomerados , pois 800 + 800 + 800 = 2.400 novilhos

4º passo. Usar a tabela e selecionar as amostras. Então:
Partindo da 1ª linha, coluna A, sentido horizontal e da esquerda para direita (→) da tabela aleatória, temos, então:

Conglomerados selecionados: 06 07 02

Agora, é só coletar todos os elementos desses conglomerados selecionados e estudar todos os itens.
Uma amostra por conglomerado é uma amostra aleatória simples na qual cada unidade de amostragem é um grupo de
elementos. Uma das principais aplicações da amostragem por conglomerados é a amostragem por áreas geográficas,
-8-
como cidades, municípios, setores de uma empresa, quarteirões de cidades, domicílios, território de vendas etc. Segundo
Levine et al (2008, p. 222) e Anderson et al (2009, p.263) a amostragem por conglomerados têm as seguintes
características:

 Todos os elementos contidos em cada conglomerado amostrado formam a amostra;
 Cada conglomerado é uma versão representativa em pequena escala da população inteira;
 Tende a produzir melhores resultados quando os elementos neles contidos não são similares;
 De um modo geral, é mais eficaz em termos de custo do que a amostragem aleatória simples, particularmente se a
população estiver dispersa ao longo de uma extensa área geográfica. Entretanto, a amostragem por conglomerado
geralmente demanda um maior tamanho de amostra para que sejam produzidos resultados tão precisos quanto
aqueles que seriam obtidos da amostragem aleatória simples ou estratificada.

Segundo Triola (2008, p. 23) outro exemplo de amostra por conglomerado pode ser encontrado nas pesquisas eleitorais,
onde selecionamos aleatoriamente 30 zonas eleitorais dentre um grande número de zonas e, em seguida,
entrevistamos todos os eleitores daquelas seções (zonas selecionadas). Isso é muito mais rápido e muito menos
dispendioso do que selecionar uma pessoa de cada uma das zonas na área populacional.

É fácil confundir amostragem estratificada com a amostragem por conglomerado, porque ambas envolvem
ATENÇÃO! a formação de grupos. Porém, a amostragem por conglomerado usa todos os elementos de um grupo
selecionado, enquanto a amostragem estratificada usa amostras de elementos de todos os estratos.

Figura. Amostragem

por Conglomerados

em quarteirões de um

bairro.

-9-
Amostragem Sistemática - É a técnica de amostragem em que retiramos os elementos da população

periodicamente, definida pelo pesquisador.

Utilizamos este tipo de amostragem quando os elementos de uma população se encontram ordenados, por exemplo, a coleta
de amostras de um determinado produto em uma linha de produção.

Coleta de Amostras Amostras

Nestes casos, a seleção dos elementos que constituirão a amostra pode ser feita por um sistema imposto pelo pesquisador.
Assim, no caso de uma linha de produção, podemos, a cada dez itens produzidos, retirar um para pertencer a uma amostra
da produção diária. Neste caso, estaríamos fixando o tamanho amostral de 10% da população.

Uma amostragem é sistemática quando a retirada dos elementos da população é feita periodicamente, sendo o intervalo de
seleção calculado, por meio da divisão do tamanho da população pelo tamanho da amostra a ser selecionada, ou seja: N / n

EXEMPLO. Deseja-se retirar uma amostra de n = 10 unidades de peças de uma população de tamanho N = 800. O
800
intervalo de seleção é, então, /10 = 80. Desse modo, escolhemos um número de 1 a 80, o qual indicaria o primeiro
elemento sorteado para amostra; os demais seriam periodicamente considerados de 80 em 80. Partindo da 1ª linha,
coluna A, sentido horizontal e da esquerda para direita (→) da tabela aleatória:

o primeiro elemento será 31 (tabela aleatória) e os demais obtidos por progressão aritmética: 111, 191, 271, 351, 431, 511,
591, 671 e 751.

O ESQUEMA ABAIXO PERMITE UM MELHOR ENTENDIMENTO:

População = 800 800 = 80 1 ‐ 80
Amostra = 10 10
Amostra 1 2 3 4 5 6 7 8 9 10
+80 +80 +80 +80 +80 +80 +80 +80 +80

Nº da peça 31 111 191 271 351 431 511 591 671 751

Outros métodos de amostragens (não probabilísticos)
Amostragem por julgamento – A pessoa que conhece mais profundamente o tema do estudo escolhe os elementos que julga
serem mais representativos da população. Por exemplo, um repórter pode tomar como amostra dois ou três senadores,
julgando que eles refletem a opinião geral de todos os senadores. A qualidade dos resultados depende do julgamento da
pessoa que a seleciona.

Amostragem por conveniência – a amostra é identificada primeiramente por conveniência (cômodo, útil, favorável). Como
exemplo estudantes de uma universidade voluntários para compor uma amostra de uma determinada pesquisa escolar.
- 10 -
UNIDADE II
CORRELAÇÃO E
REGRESSÃO
Existem situações nas quais interessa estudar a relação entre duas variáveis,
coletadas como pares ordenados (x,y), para resolver questões do tipo “Existe
relação entre o número de horas de estudo e as notas obtidas?”. Problemas
como esses são estudados pela análise de correlação linear simples, onde
determinamos o grau de relação entre duas variáveis. Se as variáveis variam
juntas, diz‐se que as mesmas estão correlacionadas.
- 11 -
CORRELAÇÃO LINEAR SIMPLES

INTRODUÇÃO

Existem situações nas quais interessa estudar a relação entre duas variáveis, coletadas como pares ordenados
(x,y), para resolver questões do tipo:

Variável x Variável y
Existe relação entre o número de horas de estudo... ...e as notas obtidas?
Quanto maior for a produção... ...maior será o custo total?
Existe relação entre o tabagismo... ...e a incidência de câncer?
Quanto maior a idade de uma casa... ...menor será seu preço de venda?
Existe relação entre o número de horas de treino... ...e os gols obtidos em uma partida de futebol?
Existe relação entre o nível de pressão arterial... ...com a idade das pessoas?

 Problemas como esses são estudados pela análise de correlação linear simples, onde determinamos o grau de
relação entre duas variáveis. Se as variáveis variam juntas, diz‐se que as mesmas estão correlacionadas.

Correlação linear simples é uma técnica usada para analisar a relação entre duas variáveis.

DIAGRAMA DE DISPERSÃO

EXEMPLO 1. Consideremos na tabela abaixo uma amostra formada por 8 alunos de uma classe, pelo número de
horas de estudo (x) e as notas obtidas (y). Verifique se existe correlação por meio do diagrama de dispersão.

Diagrama de Dispersão
Número de horas de estudo
versus notas obtidas H o r as estud ad as ver sus Notas o b tid as
10
Aluno X Y 9
(horas de estudo) (notas obtidas) 8
Ponto de interseção
(Aluno D)
A 8h 9,0
Y (Notas obti das )
7
B 2h 3,0 6
5
C 3h 4,0
4
D 4h 5,0 3
E 4,5h 6,0 2
F 6h 7,0 1
0
G 5h 7,0 0 1 2 3 4 5 6 7 8 9
H 7h 7,5 x (Horas de es tudo)
FONTE: dados fictícios

Representando os pares ordenados (x,y), obtemos diversos pontos grafados que denominamos diagrama de dispersão. Para
construí‐lo, basta pontuar a interseção de cada eixo x,y. Por exemplo, o aluno D estudou 4h (eixo x) e obteve a nota 5,0 (eixo
y). Observe no diagrama uma linha vermelha pontilhada e o ponto de interseção. Esse diagrama nos fornece uma idéia
grosseira, porém útil, da correlação existente. Ao observar o diagrama como um todo, podemos afirmar que existe uma
correlação entre as variáveis x,y pois, quando x cresce, y também tende a crescer.

CORRELAÇÃO LINEAR
H o r as estud ad as ver sus No tas o b tid as
10
Os pontos grafados, vistos em conjunto, 9
formam uma elipse (trajetória, distribuição 8
dos pontos) em diagonal.
Y (Notas obti das )
7
6
Podemos imaginar que, quanto mais fina for 5
a elipse, mais ela se aproximará de uma reta. 4 Reta imaginária
3
Dizemos então, que a correlação de forma
2
elíptica tem como “imagem” uma reta, sendo,
1
por isso, denominada correlação linear. 0
0 1 2 3 4 5 6 7 8 9
x (Horas de es tudo)
- 12 -
Assim, uma correlação é:

Uma direção para cima sugere que se: Uma direção para baixo sugere que se:
‐ x aumenta, ‐ x aumenta,
‐ y tende a aumentar. ‐ y tende a diminuir.
EXEMPLO 2. Consideremos na tabela abaixo os meses de Jan a Set, o aumento mensal do preço das refeições (x)
e a média do número de clientes ao mês (y). Verifique se existe correlação por meio do diagrama de dispersão.

Diagrama de Dispersão
Aumento do preço da refeição
versus média de clientes por mês Aumento do p r eço da r efeição ver su s média clientes p/dia
Mês X Y 180
(preço refeição) (média clientes) 160

Y (médi a de c l i entes p/di a)
Jan R$ 5,90 154 140

120
Fev R$ 8,50 139
100
Mar R$ 10,90 133 80
Abr R$ 13,20 128 60
Jun R$ 15,90 115 40
Jul R$ 18,50 99 20
Ago R$ 21,90 80 0

0,00 5,00 10,00 15,00 20,00 25,00 30,00
Set R$ 24,90 67 x ( P reç o ref ei ç ão)
COEFICIENTE DE CORRELAÇÃO DE PEARSON

Interpretar a correlação usando um diagrama de dispersão pode ser subjetivo (pessoal). Uma maneira mais precisa
de se medir o tipo e o grau de uma correlação linear entre duas variáveis é calcular o coeficiente de correlação.

Coeficiente de correlação é uma medida do grau de relação entre duas variáveis.
Os estatísticos criaram a equação ao lado para obter o grau de
correlação. Na verdade é chamado de coeficiente de Pearson, em
homenagem ao estatístico inglês Karl Pearson (1857‐1936).

Onde:
r = coeficiente de correlação e n = tamanho da amostra
- 13 -
EXEMPLO DE APLICAÇÃO. Consideremos na tabela abaixo uma amostra formada por 8 alunos de uma classe, pelo
número de horas de estudo (x) e as notas obtidas (y), calcule o coeficiente de correlação r.
Cálculo do r:

versus notas obtidas
Aluno X Y X2 Y2 XY

(horas de estudo) (notas obtidas)

A 8h 9,0 64 81 72

B 2h 3,0 4 9 6
C 3h 4,0 9 16 12
D 4h 5,0 16 25 20
E 4,5h 6,0 20,25 36 27
F 6h 7,0 36 49 42

G 5h 7,0 25 49 35

H 7h 7,5 49 56,25 52,5
=39,5 =48,5 =223,25 =321,25 =266,5
Interpretação:
O coeficiente de correlação r = 0,975 indica que o grau de relação entre as duas variáveis é “Muito forte”,
além de ser “Positiva” (pois x aumenta, y também aumenta). Então, podemos afirmar que, conforme
aumentam as horas de estudo, as notas obtidas também aumentam. Veja mais detalhes abaixo:
O grau de relação r pode variar de -1 até +1, conforme ilustrado abaixo:

Perfeita Nula Perfeita
‐1 0 +1
‐0,9 ‐0,6 ‐0,3 0,3 0,6 0,9

Muito Forte Fraca Muito Fraca Muito Fraca Fraca Forte Muito

forte forte

Correlação linear NEGATIVA Correlação linear POSITIVA
( x aumenta, y diminui ) ( x aumenta, y aumenta )

r = 0
y r = ‐ 0,813 y r = 0,824

x x

r=0,975
Positiva e “Muito forte”
Notas:
Correlação e causalidade.
O fato de duas variáveis serem fortemente correlacionadas não implica uma relação de causa e efeito entre elas. Um estudo
mais profundo é usualmente necessário para determinar se há uma relação causal entre as variáveis. As seguintes questões
devem ser consideradas ao pesquisador:
‐ Há uma relação direta de causa e efeito entre as variáveis?
‐ É possível que a relação entre duas variáveis seja uma coincidência?
Mais informações em Larson, 2010, capítulo 9.
- 14 -
REGRESSÃO LINEAR SIMPLES

INTRODUÇÃO
Após verificar se a correlação linear entre duas variáveis é significante, o próximo passo é determinar a equação
da linha que melhor modela os pontos grafados. Essa linha é chamada de linha de regressão (ou linha de melhor
ajuste). Portanto, a análise de regressão linear simples tem por objetivo obter a equação matemática do ajuste da
reta que representa o melhor relacionamento numérico linear entre as duas variáveis em estudo.
A Regressão Linear
H o r as estud ad as ver sus No tas o b tid as determina o
10
ajuste da reta,
9
chamada de “Linha de
8
Regressão”
Y (Notas obti das )
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9
x (Horas de es tudo)

Ao se construir um diagrama de dispersão, não sabemos o comportamento da reta em relação aos pontos
grafados. Para tanto, devemos calcular o “ajustamento da reta aos pontos”. Eis alguns exemplos de diagramas de
dispersão com o ajustamento da reta aos pontos:
AJUSTAMENTO DA RETA AOS PONTOS GRAFADOS
Para ajustar a reta aos pontos grafados em um diagrama de dispersão, os estatísticos usam as seguintes equações:
1º ‐ Calcular o Coeficiente angular a: 2º ‐ Calcular o Coeficiente linear b: 3º ‐ Calcular o ajustamento da reta :

(dá a inclinação da reta) (ordena o ponto em que a reta corta o eixo)

b = ‐ a = aX + b

Onde: Onde:
b = Coeficiente linear
= Ajustamento da reta
Onde: = Média de y a = Coeficiente angular
a = Coeficiente angular a = Coeficiente angular
n = tamanho da amostra X = É um valor arbitrário. (Ex.: nº 5)
= Média de x b = Coeficiente linear

- 15 -
EXEMPLO DE APLICAÇÃO. Consideremos na tabela abaixo uma amostra formada por 8 alunos de uma classe, pelo
número de horas de estudo (x) e as notas obtidas (y), calcule a reta ajustada nos pontos grafados.

versus notas obtidas
1º ‐ Calcular o Coeficiente angular a:
X Y
Aluno X2 XY
(horas de estudo) (notas obtidas)
A 8h 9,0 64 72
B 2h 3,0 4 6
C 3h 4,0 9 12
D 4h 5,0 16 20
E 4,5h 6,0 20,25 27 a = 266,5 ‐ (39,5) . (48,5)
F 6h 7,0 36 42 8

G 5h 7,0 25 35 223,25 ‐ (39,5)2

H 7h 7,5 49 52,5 8

=39,5 =48,5 =223,25 =266,5 a = 0,958
2º ‐ Calcular o Coeficiente linear b: 3º ‐ Calcular o ajustamento da reta :

b = ‐ a = aX + b

Calculando as Médias e , temos:
= 0,958 . 5 + 1,33

= 48,5 = 6,063 = 39,5 = 4,937
= 6,12
8 8
Então: Nota: 5 é um valor arbitrário.
b = 6,063 – 0,958 x 4,937
b = 1,33
Para traçar a reta no diagrama de dispersão, basta determinar os pontos b, e o arbitrário:

Note que os pontos grafados estão muito próximos da reta. Isso significa que existe
uma correlação muito forte entre as duas variáveis em estudo

- 16 -
UNIDADE III
DISTRIBUIÇÃO DE
FREQUÊNCIA E O
GRÁFICO DE PARETO
Ao se trabalhar com grandes conjuntos de dados, em geral é útil organizá‐los e resumi‐los
em uma tabela, chamada Distribuição de frequência.
- 17 -
DISTRIBUIÇÃO DE FREQUÊNCIA

Frequência absoluta e Histograma

Ao se trabalhar com grandes conjuntos de dados, em geral é útil organizá-los e resumi-los em uma

tabela, chamada Distribuição de frequência.
 Na distribuição de frequência listamos todos os valores coletados, um em cada linha, marcam‐se as vezes em que eles
aparecem, incluindo as repetições, e conta‐se a quantidade de ocorrências de cada valor. Por este motivo, tabelas
que apresentam valores e suas ocorrências denominam‐se distribuição de freqüências.
 O termo “freqüência” indica o número de vezes que um dado aparece numa observação estatística.

EXEMPLO

Um professor organizou os resultados obtidos em uma prova com 25 alunos da seguinte forma:

Notas dos 25 alunos Comentário
4,0 5,0 7,0 9,0 9,0 Agora ele pode fazer uma representação gráfica para analisar o
4,0 5,0 7,0 9,0 9,0 desempenho da turma. Em primeiro lugar, o professor pode fazer uma
4,0 5,0 7,0 9,0 9,0 tabulação dos dados, ou seja, organizá‐los de modo que a consulta a eles
seja simplificada. Então, faremos a distribuição de freqüência destas
4,0 6,0 8,0 9,0 9,0
notas, por meio da contagem de dados.
4,0 6,0 8,0 9,0 9,0

Distribuição de freqüência Comentário
Freqüência, f Esta forma de organizar dados é conhecida como distribuição de
Nota (nº de alunos) frequência, e o número de vezes que um dado aparece é chamado de
4,0 5 frequência absoluta, representado por f. Exemplos:

5,0 3  A frequência absoluta da nota 4,0 é 5.
6,0 2  A freqüência absoluta da nota 9,0 é 10.

7,0 3
O símbolo grego  “sigma” significa “somatório”, muito usado em
8,0 2
Estatística. Portanto, f=25 significa a soma de 5+3+2+3+2+10.
9,0 10
f=25 Representamos a freqüência por um gráfico, chamado Histograma.

HISTOGRAMA Comentário
Quando os dados numéricos são organizados, eles geralmente são
Desempenho dos alunos na prova ordenados do menor para o maior, divididos em grupos de tamanho
12 razoável e, depois, são colocados em gráficos para que se examine sua
Número de alunos
10
10 forma, ou distribuição (no exemplo: 4,0 – 5,0 – 6,0 – 7,0 – 8,0 – 9,0). Este
8 gráfico é chamado de Histograma.

6 5 Um histograma é um gráfico de colunas juntas. Em um histograma não
4 3 3
existem espaços entre as colunas adjacentes, como ocorre em um gráfico
2 2 de colunas. No exemplo, a escala horizontal (→) representa as notas e a
2
escala vertical (↑) as freqüências.
0
4,0 5,0 6,0 7,0 8,0 9,0 O histograma ao lado indica que cinco alunos tiraram a nota 4,0; três alunos tiraram

a nota 5,0; dois alunos tiraram a nota 6,0; três alunos tiraram a nota 7,0; dois alunos
Nota tiraram 8,0 e dez alunos tiraram 9,0.

ESTA FREQUÊNCIA QUE ACABAMOS DE ESTUDAR É DENOMINADA FREQUENCIA
ABSOLUTA (f), QUE É SIMPLESMENTE A CONTAGEM DOS DADOS.

 Em Estatística não trabalhamos somente com frequência absoluta (f), mas também com outros tipos de freqüências,
que são: freqüência relativa (fr), frequência absoluta acumulada (Fa) e frequência relativa acumulada (FRa).

 Estudaremos agora cada uma delas.

- 18 -
Frequência Relativa fr (%)

Conceito. Representado por fr(%), significa a relação existente entre a frequência absoluta f e a soma das freqüências f. É a
porcentagem (%) do número de vezes que cada dado aparece em relação ao total.

EXEMPLO
5
/25 * 100 = 20%.
freqüência relativa fr (%) Comentários aos cálculos
Nota f fr(%) f
A frequência relativa fr(%) é obtida por /f * 100, conforme abaixo:
4,0 5 20%
5
 A fr(%) da nota 4,0 é /25 * 100 = 20%.
5,0 3 12% 3
 A fr(%) da nota 5,0 é /25 * 100 = 12%
6,0 2 8% 2
 A fr(%) da nota 6,0 é /25 * 100 = 8%
7,0 3 12% 3
 A fr(%) da nota 7,0 é /25 * 100 = 12%
8,0 2 8% 2
 A fr(%) da nota 8,0 é /25 * 100 = 8%
9,0 10 40% 10
 A fr(%) da nota 9,0 é /25 * 100 = 40%.
f=25 100%

Frequência Absoluta Acumulada Fa

Conceito. Representado por Fa, significa a soma das freqüências absolutas até o elemento analisado.

EXEMPLO
Fa2=5+3 = 8
frequência absoluta acumulada (Fa) Comentários aos cálculos
Nota f fr(%) Fa A frequência absoluta acumulada Fa é obtida conforme abaixo:
4,0 5 20% 5
 A Fa da nota 4,0 é 5 (sempre repete a primeira).
5,0 3 12% 8
 A Fa das notas 4,0 e 5,0 é 5+3=8.
6,0 2 8% 10  A Fa das notas 4,0, 5,0 e 6,0 é 5+3+2=10.
7,0 3 12% 13  A Fa das notas 4,0, 5,0, 6,0 e 7,0 é 5+3+2+3=13.
8,0 2 8% 15  A Fa das notas 4,0, 5,0, 6,0, 7,0 e 8,0 é 5+3+2+3+2=15.
9,0 10 40% 25  A Fa das notas 4,0, 5,0, 6,0, 7,0, 8,0 e 9,0 é 5+3+2+3+2+10=25

f=25 100% ‐

Frequência Relativa Acumulada FRa (%)

Conceito. Representado por FRa (%), significa a soma das freqüências relativas fr(%) até o elemento analisado.

EXEMPLO
20% + 12% = 32%
frequência relativa acumulada (FRa) Comentários aos cálculos
Nota f fr(%) Fa FRa(%) A frequência relativa acumulada FRa(%) é obtida conforme abaixo:
4,0 5 20% 5 20%
 A FRa(%) de 4,0 é 20% (sempre repete a primeira).
5,0 3 12% 8 32%
 A FRa(%) de 4,0 e 5,0 é 20+12 = 32%
6,0 2 8% 10 40%  A FRa(%) de 4,0, 5,0 e 6,0 é 20+12+8 = 40%
7,0 3 12% 13 52%  A FRa(%) de 4,0, 5,0, 6,0 e 7,0 é 20+12+8+12 = 52%
8,0 2 8% 15 60%  A FRa(%) de 4,0, 5,0, 6,0, 7,0 e 8,0 é 20+12+8+12+8 = 60%
9,0 10 40% 25 100%  A FRa(%) de 4,0, 5,0, 6,0, 7,0, 8,0 e 9,0 é 20+12+8+12+8+40=100%
f=25 100% ‐ ‐

NOTA IMPORTANTE SOBRE DISTRIBUIÇÃO DE FREQUÊNCIA:

Nota f fr(%) Fa FRa(%) Para saber se o desenvolvimento da distribuição de freqüência por completo está
25 100% correto, os valores ao lado, em vermelho, deverão coincidir.
f=25 100% ‐ ‐

- 19 -
GRÁFICO DE PARETO

É um gráfico de colunas ordenadas por ordem decrescente de importância, juntamente com um gráfico de linhas com as
porcentagens acumuladas. Serve para definir quais os problemas vitais a serem atacados prioritariamente.
 É que um gráfico organizado. Dispõe a informação de modo a tornar evidente e visual a priorização de problemas.

Princípio de Pareto ou lei oitenta / vinte:

 De uma forma empírica, 80% dos problemas (problemas vitais) estão em 20% das causas.
 Quando diante de um problema, deseja‐se saber qual a prioridade.
 Para comparar problemas em tempos diferentes e evidenciar resultados de melhoria.

EXEMPLO DE GRÁFICO DE PARETO

Análise gráfica dos ACIDENTES DE TRABALHO DE UMA EMPRESA. ESTUDO: PARTE DO CORPO MAIS ATINGIDA.

Com base no gráfico podemos perceber que a empresa construiu um histograma na ordem decrescente (da maior
frequência para a menor), juntamente com um gráfico em linhas com as porcentagens acumuladas. Através de
uma análise rápida, concluímos que a maior parte do problema da empresa, em relação à parte do corpo mais
atingida, está nas mãos e braços, o que corresponde a 70 acidentes, de um total de 96. Isto corresponde a 73% do
total. Atacando essas duas causas, certamente a empresa terá uma redução significativa no número de acidentes.

100 Acidente do Trabalho - parte do corpo atingida 120%

90
99% 100%
97%
95% 100%
80 91%

Porcentagem acumulada
85%
70
80%
Frequência
73%
60
Problemas vitais
50 60%
44
46%
40

Problemas triviais 40%
30 26

20

12 20%

10 5 4 2 2
1
0 0%
MÃOS BRAÇOS OLHOS CABEÇA OMBROS PERNAS PÉS OUTROS

(Problema/causa) Local da lesão

Problemas vitais e triviais
O princípio de Pareto estabelece que os problemas relacionados à qualidade (percentual de itens defeituosos, número de
reclamações de clientes, modos de falhas de máquinas, perdas de produção, gastos com reparos de produtos dentro do prazo
de garantia, ocorrências de acidentes de trabalho, atrasos na entrega de produtos, entre outros), os quais se traduzem sob a
forma de perdas, podem ser classificados em duas categorias: os “poucos vitais” e os “muitos triviais”.

Representam um pequeno número de problemas, mas que no entanto resultam em grandes
poucos vitais
perdas para a empresa. (Veja o gráfico acima)
São uma extensa lista de problemas, mas que apesar de seu grande número, convertem‐se em
muitos triviais
perdas pouco significativas. (perdas pouco sérias) (veja o gráfico acima)

Em outras palavras, o princípio de Pareto estabelece que se forem identificados, por exemplo, cinquenta problemas relacionados à qualidade, a
solução de apenas cinco ou seis destes problemas já poderá representar uma redução de 80 ou 90% das perdas que a empresa vem sofrendo
devido à ocorrência de todos os problemas existentes.

O princípio de Pareto também estabelece que um problema pode ser atribuído a um pequeno número de causas. Logo, se forem identificadas
as poucas causas vitais dos poucos problemas vitais enfrentados pela empresa, será possível eliminar quase todas as perdas por meio de um
pequeno número de ações. Ou seja, em um primeiro momento devemos concentrar nossa atenção sobre os poucos vitais, deixando de lado os
muitos triviais, para que os problemas possam ser resolvidos da forma mais eficiente possível.

Breve histórico
O princípio de Pareto foi inicialmente estabelecido por J. M. Juran, que adaptou aos problemas da qualidade a teoria para modelar a
distribuição de renda desenvolvida pelo sociólogo e economista italiano Vilfredo Pareto (1843—1923). Pareto mostrou, em 1897, que a
distribuição de renda é muito desigual, com a maior parte da riqueza pertencendo a muito poucas pessoas. Juran foi o primeiro a notar que
esta mesma idéia se aplicava aos problemas da qualidade — a distribuição dos problemas e de suas causas é desigual e portanto as melhorias
mais significativas poderão ser obtidas se nossa atenção for concentrada, primeiramente, na direção dos poucos problemas vitais e logo a
seguir na direção das poucas causas vitais destes problemas.

- 20 -
CONSTRUINDO GRÁFICO DE PARETO.
1. Colete os dados por meio de uma Folha de Verificação.
Vamos considerar novamente a situação onde uma indústria fabricante de lentes procurava resolver o seguinte problema:
“aumento do número de lentes defeituosas produzidas pela empresa a partir de fevereiro de 1995”. A empresa classificou
uma amostra de lentes fabricadas durante uma semana de produção de acordo com os tipos de defeitos detectados, tendo
obtido os resultados apresentados (destacado) na figura abaixo.

Resultados da

coleta de dados

2. Com base na Folha de Verificação, organize os dados por meio de uma Distribuição de Frequência.
Agora, organize os dados por meio de uma distribuição de frequências, demonstrando a frequência f (ordenada, da maior
frequência para a menor), a Frequência acumulada Fa, a Frequência Relativa fr(%), e a Frequência Relativa acumulada FRa(%).
Veja abaixo a distribuição de frequência.

55+41=96 55/127=43,3 43,3+32,3=75,6

Distribuição de frequência
ordenada
(da maior Quantidade de

defeitos
para a menor)

3. Com base na Distribuição de Frequência, construa o Gráfico de Pareto.
Basta elaborar um histograma com as frequências f ordenadas (da maior quantidade de defeitos para menor). Logo após,
construa um gráfico em linhas das porcentagens acumuladas FRa(%).

93,7% 97,6% 100%
85%
75,6%

43,3%
55

41

12 11 5 3

Tipo de defeito
- 21 -
4. Análise do Gráfico de Pareto. Observando o gráfico dos defeitos das lentes, foi imediato para a indústria fabricante de lentes
perceber que os dois tipos de defeitos mais frequentes, “revestinento inadequado” e “trinca”, representavam 75,6% dos
defeitos detectados nas lentes produzidas pela empresa. Portanto, “revestimento inadequado” e “trinca” foram considerados
como os poucos defeitos vitais, que deveriam ser eliminados em primeiro lugar, enquanto “arranhão”, “lente muito fina ou
muito grossa”, “lente não‐acabada” e “outros” representavam os muitos defeitos triviais.

5.Traçar Plano de Ação para melhorar resultados
Após estudar as informações obtidas, a indústria constatou que a mudança para um novo fornecedor da solução utilizada no processo de
revestimento das lentes, o qual vendia um produto mais barato, foi a causa responsável pelo aumento do número de lentes que
apresentavam um revestimento inadequado. Também foi verificado que uma peça de uma das máquinas utilizada no processo de
fabricação das lentes apresentava um desgaste excessivo, o que resultou no aumento do número de lentes trincadas. A empresa elaborou
então o plano de ação, que consistiu em voltar a comprar a matéria‐prima do antigo fornecedor e trocar a ferramenta que estava
desgastada. Após a adoção destas medidas corretivas, a indústria coletou novos dados relativos às lentes defeituosas produzidas, os quais
estão apresentados abaixo.

Melhoria Total = Total de defeitos “antes” – Total de defeitos “após” → 127 – 55 = 0,598 ou 59,8%
Total de defeitos “antes” 127

Conclui‐se que, a adoção das medidas corretivas reduziu em 59,8% o número total de defeitos nas lentes produzidas.

COMPARAÇÃO DO “ANTES” E “DEPOIS”.
Para melhorar resultados, a comparação de gráficos de Pareto construídos a partir de dados coletados “antes” e “após” a ação
corretiva pode ser utilizada para avaliar se a ação executada foi realmente eficaz. Se a frequência da categoria de interesse foi
significativamente reduzida, será possível concluir que o bloqueio foi efetivo. Veja abaixo.

- 22 -
ESTRATIFICAÇÃO (DESDOBRAMENTO) DOS GRÁFICOS DE PARETO.

O desdobramento de gráficos de Pareto consiste em tomar as categorias prioritárias identificadas em um primeiro gráfico como
novos problemas a serem analisados por meio de novos gráficos de Pareto, conforme o esquema apresentado abaixo.

Desdobramento.
O desdobramento continua até que o nível de detalhes
desejado seja obtido, de forma que possam ser
priorizados os vários possíveis projetos de melhoria, com
base nos resultados que cada um deles pode produzir.

Estabelecendo Metas
Esta figura registra, no primeiro gráfico, um total de 161
ocorrências do problema em defeitos em automóveis.

Analisando o desdobramento, verificamos que se forem
executados os projetos de

 eliminação dos arranhões na pintura de automóveis e
 eliminação de aparelhos de ar‐condicionado de
automóveis que não funcionam,

o ganho potencial é de uma redução no número de
defeitos igual a 28 + 14=42 unidades. Portanto, a meta
que pode ser estabelecida para a execução destes dois
projetos é:

Meta = 42 x 100 = 26% de redução no número de
161 defeitos em automóveis.

Outro exemplo de estratificação de gráfico de Pareto

- 23 -
TIPOS DE GRÁFICOS DE PARETO.

Gráfico de Pareto para efeitos
O gráfico de Pareto para efeitos dispõe a informação de modo que se toma possível a identificação do principal problema
enfrentado por uma empresa. Pode ser utilizado para descobrir problemas relacionados às cinco dimensões da Qualidade Total:

Percentual de produtos defeituosos, número de reclamações de clientes, número de devoluções de
Qualidade
produtos.
Perdas de produção, gastos com reparos de produtos dentro do prazo de garantia, custos de
Custo
manutenção de equipamentos.
Índices de atrasos de entrega, índices de entrega em quantidade e local errados, falta de matéria‐
Entrega
prima em estoque.
Moral Índices de reclamações trabalhistas, índices de demissões, absenteísmo.
Número de acidentes de trabalho, índices de gravidade de acidentes, número de acidentes sofridos
Segurança
por usuários do produto, taxa de frequência de acidentes. Número de acidentes com equipamentos

OUTROS EXEMPLOS DE GRÁFICO DE PARETO

MONTAGEM DE CONJUNTO ABC
Coleta de dados

Ordenamento dos dados
(maior frequência para menor),
com as frequências
acumuladas

Gráfico de Pareto.

- 24 -
FABRICAÇÃO DE CAPÔS DE CARRO
Coleta de dados

Ordenação dos dados por meio de Distribuição de Frequência

Ordenamento dos
dados
(maior frequência para
menor), com as
frequências
acumuladas

Gráfico de Pareto

Gráfico de Pareto.

VÍDEOS GRÁFICO DE PARETO
https://www.youtube.com/watch?v=oAy67MmZE9w&list=PLMq2o4TOsym6s1lfHE_NU37vMLR_IuDCV&index=10
https://www.youtube.com/watch?v=b‐phFzLnBNA&list=PLMq2o4TOsym6s1lfHE_NU37vMLR_IuDCV&index=17

- 25 -

UNIDADE IV
MEDIDAS DE
VARIAÇÃO E A
DISTRIBUIÇÃO
NORMAL

O DESVIO PADRÃO E A DISTRIBUIÇÃO NORMAL
CONSTITUEM OS INSTRUMENTOS ESTATÍSTICOS
MAIS UTILIZADOS NO CONTROLE ESTATÍSTICO DE PROCESSO

- 26 -
MEDIDAS DE VARIAÇÃO (OU DISPERSÃO)

INTRODUÇÃO

O termo “variação” sugere tornar vário ou diverso; alterar, diversificar; mudar; ser inconstante; não ser conforme,
discrepar. Na maioria dos casos existirá variação em um conjunto de dados, independente da característica que
você esteja medindo, pois nem todos os indivíduos terão o mesmo exato valor para todas as variáveis.
EXEMPLO

Durante o ano letivo a Média das notas de João, Mário, Maria e José foi 7,0. Se considerarmos apenas a
Média, não notaremos qualquer diferença entre os quatro alunos. No entanto, observa‐se que as notas são
muito diferentes em relação a Média. Há variação de notas e, no caso de João e José, é bem discrepante:

Grande variação
Média das notas de João a partir da Média Média das notas de Mário Sem variação a
10,0 9,5 10,0 partir da Média
9,0

8,0 7,0 8,0 7,0 7,0 7,0 7,0 7,0
6,0
Notas
Notas
6,0 6,0
4,0 3,5 4,0

2,0 2,0
0,0 0,0
1º Bim 2º Bim Média 3º Bim 4º Bim 1º Bim 2º Bim Média 3º Bim 4º Bim
Bimestres
Bimestres
Pequena variação a Grande variação a
Média das notas de Maria
partir da Média Média das notas de José partir da Média
10,0 10,0 9,5
8,5
8,0 7,0 7,5 7,5 8,0 7,0
6,5 6,5
6,0
Notas
Notas
6,0 6,0
4,0
4,0 4,0
2,0 2,0
0,0 0,0
1º Bim 2º Bim Média 3º Bim 4º Bim 1º Bim 2º Bim Média 3º Bim 4º Bim
Bimestres Bimestres
Diante deste contexto, podemos questionar: qual o aluno é mais estável? Qual teve melhor
desempenho? Qual o aluno com pior desempenho? Notadamente o aluno de melhor desempenho é o
Mário, pois todas as suas notas foram 7,0 e, portanto, não houve nenhuma variação em relação a Média.
Já José e João tiveram o pior desempenho pois suas notas estiveram muito distantes da Média.

Neste capítulo vamos desenvolver maneiras específicas de realmente medirmos a variação, de modo
que possamos usar números específicos em lugar de julgamento subjetivo.
Outros exemplos de variações:

 Os preços das casas variam de casa para casa, de ano para ano e de estado para estado.
 Os preços de um produto variam de supermercado para supermercado.
 O tempo que você leva para chegar ao trabalho varia dia a dia.
 O tamanho das peças produzidas em uma empresa também varia.
 A renda familiar varia de família para família, de país para país e de ano para ano.
 Os resultados das partidas de futebol, de temporada para temporada, variam.
 As notas que você tira nas provas, não diferente, também variam.
 Seu saldo bancário também varia, podendo ser de hora em hora, dia a dia, mês a mês.

Estudaremos alguns tipos de medidas de variação: variância, desvio padrão e coeficiente de variação.

- 27 -
VARIÂNCIA E DESVIO PADRÃO (amostral)
São medidas que representam “um valor médio de variação” em torno da média.

O desvio padrão é um modo que se usa para medir a variabilidade entre os números em um conjunto de dados. Assim como o termo
sugere, um desvio padrão é um padrão (ou seja, algo típico) de desvio (ou distância) da média. O desvio padrão é uma estatística
importante, mas, frequentemente, é omitida quando os resultados são relatados. Sem ele, você está recebendo apenas uma parte da
história sobre os dados. Os estatísticos gostam de contar a história do homem que estava com um dos pés em um balde de água gelada e
o outro em um balde de água fervendo. O homem dizia que, na média, ele estava se sentindo ótimo! Mas imagine a variabilidade da
temperatura para cada um dos pés. Agora, colocando os pés no chão, o preço médio de uma casa, por exemplo, não lhe diz nada sobre a
variedade de preços de casas com a qual você pode se deparar enquanto estiver procurando uma casa para comprar. A média dos salários
pode não representar o que realmente está se passando em sua empresa se os salários forem extremamente discrepantes.
Entendendo a Variância e o Desvio Padrão Calculando a Variância e o Desvio Padrão
Desvios em torno da Média das notas de João O problema da soma dos desvios foi resolvido pelos
matemáticos: basta elevar cada desvio ao quadrado antes
10,0 9,5 9,0 de somá‐los. Um número ao quadrado é sempre positivo,

portanto a soma não se anula mais, e a média dos desvios ao

+ 2,5 +2,0
8,0
7,0 quadrado pode ser calculada:

6,0 ‐1,0 Notas Média Desvios Desvios elevado ao

Notas
‐3,5 6,0 (x) ( x ) (x ‐ x ) quadrado (x ‐ x )2

4,0 3,5 7,0 ‐3,5 (‐3,5)2 = 12,25
3,5 6,0 7,0 ‐1,0 (‐1,0)2 = 1
2,0 9,5 7,0 2,5 (2,5)2 = 6,25
0,0
9,0 7,0 2,0 (2,0)2 = 4
1º Bim 2º Bim Média 3º Bim 4º Bim n=4 ‐ =0  =23,5
Bimestres
Variância amostral
No gráfico percebemos que o desvio determina o quanto Agora, podemos calcular a média dos quadrados dos
2
cada elemento do conjunto de dados se distancia da desvios, chamada de Variância, representada por S :

média 7,0. No 1º Bim. faltam ‐3,5 para se chegar a Média

2
e no 2º Bim. ‐1,0. Já nos 3º e 4º Bim. temos +2,5 e +2,0 S2 = ( x  x) → 23,5 = 7,8
acima da média, respectivamente. Transpondo essas 4 ‐ 1
informações para uma tabela, temos: n ‐ 1
A divisão por n−1 aparece por fornecer um melhor resultado do
que a divisão por n.
Notas Média Desvios
Desvio padrão amostral
(x) ( x ) (x ‐ x ) Mas, se elevamos os desvios ao quadrado para poder
3,5 7,0 ‐3,5 calcular sua média, não seria correto que agora fizéssemos a
6,0 7,0 ‐1,0 raiz quadrada dessa média, para desfazer a potenciação?
9,5 7,0 2,5 Sim, e o valor dessa raiz é chamado Desvio padrão,
9,0 7,0 2,0 representado por S:

‐ ‐ =0
Desvio padrão → S = 7,8 = 2,8

Interpretação: O desvio padrão indica que a maioria das notas de
Perceba que a soma dos desvios é igual a zero. Esta
João está concentrada dentro dos limites de  2,8 em torno da
característica não é exclusiva deste exemplo. Ela sempre média 7,0. Ou seja, se concentrando entre 4,2 e 9,8:
ocorre e prende‐se ao fato de que a média é o ponto de
equilíbrio em um conjunto de dados. 4,2 ‐2,8 +2,8 9,8

Como os desvios indicam o grau de variação dos valores
7,0

em relação à média, seria interessante poder encontrar
um único número que o representasse. Algo como a
média dos desvios. Mas, para fazer essa média, Equação da Variância e Desvio padrão
precisamos somar os desvios e acabamos de ver que essa Podemos concluir, então, o uso das equações:

soma é sempre igual a zero. da Variância do Desvio padrão


2 2
S = ( x  x )
S = S 2
n ‐ 1

- 28 -
Calculando a Variância e o Desvio padrão das notas de Maria, José e Mário – passo a passo.
Notas de Maria: 6,5 6,5 7,5 7,5
1º Calcular a Média 2º Calcular a Variância 3º Calcular o Desvio padrão

x   x S2 =  ( x  x) 2

S = S2 → 0 , 33

n n 1

x = 6,5+6,5+7,5+7,5 = 7,0 S2 = (6,5 – 7,0)2 + (6,5 – 7,0)2 + (7,5 – 7,0)2 + (7,5 – 7,0)2 = 0,33 S = 0,5
4 4 – 1
Interpretação: O resultado indica que a maioria das notas de Maria 6,5 ‐0,5 +0,5 7,5
está concentrada dentro dos limites de  0,5 em torno da Média
7,0. Ou seja, se concentrando entre 6,5 e 7,5. 7,0
Notas de José: 4,0 9,5 8,5 6,0

x   x S2 =  ( x  x) 2

S = S2 → 6 ,16

n n 1

x = 4,0+9,5+8,5+6,5 = 7,0 S2 = (4,0 – 7,0)2 + (9,5 – 7,0)2 + (8,5 – 7,0)2 + (6,0 – 7,0)2 = 6,16 S = 2,5
4 4 ‐ 1
Interpretação: O resultado indica que a maioria das notas de Maria 4,5 ‐2,5 +2,5 9,5
está concentrada dentro dos limites de  2,5 em torno da Média
7,0. Ou seja, se concentrando entre 4,5 e 9,5. 7,0
Notas de Mário: 7,0 7,0 7,0 7,0

x   x S2 =  ( x  x) 2

S = S2 → S = 0

n n 1

x = 7,0+7,0+7,0+7,0 = 7,0 S2 = (7,0 – 7,0)2 + (7,0 – 7,0)2 + (7,0 – 7,0)2 + (7,0 – 7,0)2 = 0
4 4 ‐ 1
O resultado indica que todas as notas de Mário estão dentro dos limites de  0 em torno da Média 7,0. Ou seja, se
concentrando exatamente na média 7,0. Portanto, sem variação.

NOTAS SOBRE O DESVIO PADRÃO. O desvio padrão é

sempre um valor que está na mesma unidade dos dados originais. desvios
Um desvio padrão pequeno, basicamente, significa que os valores do
conjunto de dados estão, na média, próximos do centro desse
conjunto, enquanto um desvio padrão grande significa que os
valores do conjunto de dados estão, na média, mais afastados do média
centro. Então, quanto mais espalhados ou dispersos forem os dados,
maior será o desvio padrão e, quanto mais concentrados ou
homogêneos forem os dados, menor será o desvio padrão. Se os
valores forem iguais, ou seja, sem variação, o desvio padrão será Desvio padrão
zero.

Um desvio padrão pequeno pode ser um bom objetivo em
determinadas situações, onde os resultados são restritos, como exemplo, na produção e no controle de qualidade de uma indústria. Uma
determinada peça de carro que deve ter centímetros de diâmetro para encaixar perfeitamente não pode apresentar um desvio padrão grande,
nesse caso, significaria que acabariam sendo jogadas fora, pois ou não se encaixariam adequadamente ou os carros teriam problemas.

Observe que o desvio padrão das notas de João indica que estão concentradas dentro dos limites de  2,8 em torno da média 7,0. Ou seja, se
concentrando entre 4,2 e 9,8. Isto representa um desvio padrão grande.
- 29 -
COEFICIENTE DE VARIAÇÃO - CV
É a medida relativa do desvio padrão que é expressa sob a forma de porcentagem (%).
Em algumas situações, podemos estar interessados em uma estatística que indique qual é o tamanho do desvio padrão em relação à
média. A melhor forma de representá‐la é através do coeficiente de variação por ser expressa na forma de porcentagem.
Equação do Cv: Exemplo: Com a média 7,0 de João e Desvio padrão de 2,8, temos:

Cv = S x 100 Cv = 2,8 x 100 → 40%
x 7,0

Ou seja: Cv = Desvio padrão x 100 O resultado indica que a Média 7,0 de João teve um Desvio padrão em torno de 40%.
Média
Interpretação estatística do Cv:

Cv ≤ 15% = pequena variação em torno da média
15% < Cv < 30% = moderada variação em torno da média
Cv ≥ 30% = grande variação em torno da média
Fazendo a Distribuição de Variabilidade das notas de João, Maria, José e Mário, temos:
Alunos x S Cv (%) Cálculo do Cv (%) Interpretação do Cv

2,8
João 7,0 2,8 40% → /7,0 x 100 Grande variação
Maria 7,0 0,5 7% → 0,5/7,0 x 100 Pequena variação
José 7,0 2,5 36% → 2,5/7,0 x 100 Grande variação

Mário 7,0 0 0% ‐ Nenhuma variação

VANTAGEM DO CV.
O Cv é útil para compararmos a variabilidade de variáveis que têm desvios padrão diferentes e médias diferentes

Exemplo: Suponha que o lote A de peças tenha média de
65 cm de comprimento com desvio padrão de 8 cm; e o Lote A Lote B

lote B tenha média de 105 cm com desvio padrão de 11 Cv = 8 x 100 = 12,3% Cv = 11 x 100 = 10,47%
cm. QUAL LOTE TEM MENOR VARIAÇÃO E É MAIS CONSISTENTE? 65 105
O lote B é mais consistente pois tem menor variação.
CONCEITOS BÁSICOS DE PROBABILIDADES
Probabilidade é uma medida numérica que representa a chance de um evento ocorrer.
Dois exemplos clássicos (por sua simplicidade) do conceito de Probabilidade são:

Ao lançar um dado, qual a probabilidade de obter “4”? Ao lançar a moeda, qual a probabilidade de dar “cara”?

Como representar numericamente as chances desses eventos?

Conhecidas certas condições, é possível responder a essas duas perguntas, antes mesmo da realização desses experimentos. A
teoria da probabilidade surgiu para tentar calcular a “chance” de ocorrência de um resultado imprevisível, porém, pertencente a
um conjunto de resultados possíveis. Todos os dias somos confrontados com situações, que nos conduzem a utilizar a teoria de
probabilidade:
Dizemos que existe uma pequena probabilidade de ganhar na loteria;
Dizemos que existe uma grande probabilidade de não chover num dia de verão;
O gerente quer saber a probabilidade de o projeto ser concluído no prazo;
O analista financeiro quer saber a chance de um novo investimento ser lucrativo;
O gerente de marketing quer saber as chances de queda de vendas se aumentar os preços;
O eng. produção quer saber a probabilidade de um novo método de montagem aumentar a produtividade.
É POSSÍVEL QUANTIFICAR O ACASO. Desse modo, se houver probabilidades disponíveis, podemos determinar a
possibilidade de cada um dos eventos ocorrer. Para continuar o estudo de probabilidades, três conceitos são
importantes: Experimento aleatório, espaço amostral e eventos.
- 30 -
DISTRIBUIÇÃO NORMAL (ABRAHAM DE MOIVRE 1667 ‐ 1754 )
É usada para distribuições SIMÉTRICAS e possui diversas aplicações, como calcular as probabilidades de
PESOS e ALTURAS das pessoas, diâmetro e comprimento de peças em linhas de produção, tempo de vida
útil de produtos e diversas outras medições de pesquisas científicas.
 Aplicado para distribuições SIMÉTRICAS (Média=Moda=Mediana). Possui como parâmetro a MÉDIA e DESVIO PADRÃO.
 Também chamada de Curva Normal, Curva de Gauss e Curva em forma de Sino.

Para entender o conceito de uma Distribuição Normal, tomemos como exemplo a distribuição da vida útil de 340
lâmpadas produzidas pela PHILIPS:

Distribuição da vida útil de 340 lâmpadas
produzidas pela PHILIPS Curva NORMAL ou

Curva de GAUSS ou
120 Curva em forma de SINO
100
100
Quantidade
80
70 70
60
40 40
40
20
10 10
0
700 800 900 1000 1100 1200 1300
Horas

Observe pela Distribuição Normal que o tempo de vida útil das lâmpadas:
 Possui uma elevação em seu centro e pontas que vão tanto para direita quanto para a esquerda;
 A Média, Mediana e Moda (1000 horas) encontram‐se exatamente no meio da distribuição;
 A distribuição de valores menores que a Média (700, 800, 900) e maiores que a Média (1100, 1200, 1300) é simétrica,
o que significa que se você dobrá‐la ao meio, suas partes serão como imagens refletidas por um espelho;
 Como a curva é simétrica em torno da Média, os valores maiores que a média e os valores menores do que a Média
ocorrem com igual probabilidade;
 A maioria dos dados é centralizada ao redor da média, de modo que quanto mais longe da média você se mover, cada
vez menos pontos de dados você vai encontrar em ambos os lados.
Analisando a variabilidade
Analise a figura abaixo. Veja que a maior parte da vida útil das lâmpadas produzidas pela PHILIPS varia de 700
horas até 1300 horas, com uma boa parte das lâmpadas com vida útil de 900 a 1100 horas. Pensando como
consumidor, você gostaria de se deparar com tamanha variabilidade quando for comprar um pacote de lâmpadas?
Veja que uma concorrente (OSRAM) irá tentar fabricar lâmpadas com vida útil menos variável; a vida útil terá
uma média de 1000 horas, mas suas lâmpadas terão uma vida útil mais consistente, variando de 920 a 1080
horas, com boa parte das lâmpadas com duração entre 980 e 1020 horas.

D istribuição da vida útil de 340 lâm padas

produzidas pela OSRAM

OSRAM
120

100
100

Quantidade
80 PHILIPS

7 0 7 0
60

40 40
40
20
10 10
0
700 800 900 1000 1100 1200 1300
920 1080
Horas
- 31 -
Em uma distribuição Normal, o Desvio padrão tem um significado especial, pois determina a distância da Média
até um ponto dentro da distribuição, cada um com a mesma distância da Média. No caso abaixo, supomos (por
fins didáticos) que o Desvio padrão do tempo de vida útil das lâmpadas é s=100 horas.

99,74% A regra empírica

Na distribuição normal é possível determinar a posição
da maioria dos valores, usando as distâncias de 1, 2 ou 3
95,44% s =100
Desvios padrões da Média para estabelecer alguns
marcos. A regra que lhe permite fazer isso se chama
120 68,26% Regra empírica, que diz o seguinte:

100 Espera‐se que cerca de 68,26% dos valores encontram‐
100 se dentro de 1 desvio padrão da média;
Quantidade
(no exemplo, 240 lâmpadas (70+100+70).
80
70 70 Espera‐se que 95,44% dos valores encontram‐se dentro
60 de 2 desvios padrões da média;

S=100 S= 100 (no exemplo, 320 lâmpadas: 40+70+100+70+40)
40 40
40 Espera‐se que 99,74% dos valores encontram‐se dentro

20 10 10
de 3 desvios padrões da média;
(no exemplo, 340 lâmpadas: 10+40+70+100+70+40+10)
0
700 800 900 1000 1100 1200 1300 Estes resultados são aproximações. A regra empírica
não pode ser aplicada às distribuições que não possuam
Horas uma forma de montanha em seu centro.

‐3S ‐2S ‐1S x 1S 2S 3S
PROBABILIDADES NA DISTRIBUIÇÃO NORMAL

Quando se tem uma variável aleatória com distribuição normal pode‐se obter a probabilidade de essa variável
assumir um valor em determinado intervalo, pela área sob a curva dentro dos limites do intervalo.
Exemplo 1. Seja X a variável aleatória que representa os tempos de vida útil das lâmpadas produzidas pela
PHILIPS Sendo a Média de vida útil das lâmpadas de 1000 horas com Desvio padrão de 100 horas, ache a
probabilidade de a lâmpada ter vida útil entre 1000 e 1150 horas, isto é, P(1000 < z < 1150).
Probabilidade procurada
P(1000 < Z < 1150)
P= 0,4332
Z= 1,50
700 800 900 1000 1100 1200 1300
PARA ACHAR A PROBABILIDADE, SIGA 2 PASSOS:

1º PASSO. Calcule o número de desvios padrão que o valor “1150” se distancia da média “1000”. Para isto,
utilizamos a equação abaixo, chamada “escore Z”.
EQUAÇÃO ESCORE Z Calculando o escore Z, temos:
Média z = 1150 - 1000 = 1,50

z x - x
s
100
O resultado indica que 1150 está distante 1,50 desvios
Desvio padrão padrão da média. Use sempre 2 casas decimais. Veja
Escore Z demonstração da área de Z no gráfico acima.
Variável aleatória procurada
O escore Z é uma medida que indica o número de desvios padrão de um valor a partir da média.
- 32 -
2º PASSO. Com o escore Z de “1,50”, use a Tabela de Distribuição Normal Padrão para encontrar a
probabilidade, como explicado abaixo
Na 1ª coluna encontramos “1,5”. Em seguida, encontramos na 1ª linha “0”, que é o último algarismo de “1,50”. Na
intersecção da linha e coluna encontramos 0,4332, que indica a probabilidade P(1000 < z < 1150) = 0,4332 ou 43,32%
Interpretação: espera‐se que 43,32% das lâmpadas tenham vida útil entre 1000 e 1150 horas
TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO

Z Último dígito
0 1 2 3 4 5 6 7 8 9
A área constante na tabela corresponde a área à direita (sinal positivo):
Área = 0,5
-z +z
-3S -2S -1S 0 1S 2S 3S

motivo da qual desconsideramos o sinal negativo no z‐escore nas áreas à esquerda, pois a curva é simétrica em torno da
Média, ou seja, os valores maiores que a média e os valores menores do que a Média ocorrem com igual probabilidade. . A
tabela não é de distribuição acumulada. Vamos ver alguns exemplos adiante.
- 33 -
Exemplo 2. Continuando com os dados do exemplo 1, ache P(900 < z < 1000).

Quando partimos da média calculamos apenas um escore Z. Para lado esquerdo o escore Z sempre terá sinal
negativo, que não será considerado, pois os dois lados são iguais em termos de probabilidades.

Probabilidade procurada EQUAÇÃO ESCORE Z

P(900 < Z < 1000)
z

x - x
P= 0,3413 s

Calculando, temos:

z = 900 - 1000 = -1,00 *
100

Probabilidade: na tabela temos: 0,3413
Z= -1,00
*Desconsidere o sinal negativo do escore Z

700 800 900 1000 1100 1200 1300

Interpretação: Espera‐se que 34,13% das lâmpadas tenham vida útil entre 1000 e 1100 horas.


Neste caso, calculamos dois escores Z e somamos as probabilidades:

ADIÇÃO DE PROBABILIDADES

Probabilidade procurada P= 0,5328

z1 = 900 - 1000 = - 1,00
. P(900 < Z < 1050)
100 0,3413

+
P1=0,3413 P 2=0,1915
z2 = 1050 - 1000 = 0,50

100 0,1915

Soma de probabilidades = 0,5328
Z2
=0,50

Z = -1,00 1

700 800 900 1000 1100 1200 1300



Neste caso, calculamos dois escores Z (de 1000 a 1150; e de 1000 a 1050). Depois subtraímos as probabilidades:

Probabilidade procurada P= 0,2417 SUBTRAÇÃO DE PROBABILIDADES

P(1050 < Z < 1150) Z1 = 1150 - 1000 = 1,50
100 0,4332
PZ2=0,1915 PZ1=0,4332 ‐‐
Z2 = 1050 - 1000 = 0,50
100 0,1915

Z1=1,5 0
Subtração probabilidades = 0,2417

Z2= 0,50

700 800 900 1000 1100 1200 1300

- 34 -
Exemplo 5. Continuando com os dados do exemplo 1, ache P( z < 850 horas)

Ou seja, ache a probabilidade de a vida útil da lâmpada ser menor que 850 horas. Neste caso, P1 = 0,5 (meia área). Daí,
calculamos Z2 e subtraímos as probabilidades:

Probabilidade procurada P( Z < 850)

Área = 0,5 SUBTRAÇÃO DE PROBABILIDADES
P1=0,4332 P1 = (meia área)

0,5
PZ2=0,0668
‐‐
Z2 = 850 - 1000 = -1,50
100 0,4332

Z1= -1,50 Subtração probabilidades = 0,0668

700 800 900 1000 1100 1200 1300

Interpretação: Espera‐se que 6,68% das lâmpadas tenham vida útil abaixo de 850 horas.

Exemplo 6. Sabe-se que a Média de vida útil das lâmpadas produzidas pela PHILIPS é de 1000 horas com Desvio
padrão de 100 horas. O fabricante oferece uma garantia de 800 horas, isto é, trocar as lâmpadas que apresentem
falhas nesse período ou inferior. Fabrica 15.000 lâmpadas mensalmente. Quantas lâmpadas deverá trocar pelo uso da
garantia, mensalmente?
SUBTRAÇÃO DE PROBABILIDADES
P1 = (meia área)
Probabilidade procurada P( Z < 800)
0,5
Garantia de ‐‐
800 horas Z2 = 800 - 1000 = - 2,00
00 0,4772

Subtração de probabilidades = 0,0228

700 800 900 1000 1100 1200 1300

Interpretação: Constatamos que 2,28% (0,0228) das lâmpadas não atenderão a garantia. Então o fabricante deverá substituir
mensalmente: 15.000 x 0,0228 = 342 lâmpadas.

Z-ESCORE E VALOR DE “X” NA DISTRIBUIÇÃO NORMAL

Na seção anterior você encontrou a probabilidade que x pudesse estar em um dado intervalo ao calcular a área sob a curva
normal para um dado intervalo. Mas, e se lhe fosse dado uma probabilidade e você quisesse encontrar o valor de x?

Encontrando o Z-ESCORE dada uma PROBABILIDADE
Exemplo 7. Encontre o z- escore que corresponda à área de 0,2123 (21,23%) da área à direita?
Observando a Tabela de Distribuição Normal Padrão encontramos z‐escore de 0,56 conforme destacado abaixo.


Z Último dígito
0 1 2 3 4 5 6 7 8 9
- 35 -
Encontrando VALOR DE “X” que corresponda a um Z-ESCORE

Da equação do Z‐ESCORE podemos formar a equação do VALOR DE “X”, conforme demonstrado abaixo:
Equação para encontrar valor de “x”
x = variável procurada
z x - x
s  zs  x  x  x  zs  x x  x  zs x = média
z = escore Z
s = desvio padrão

Importante. Para encontrar valores de “x” vamos considerar os sinais dos Z-escore (negativo ou positivo)

padrão de 100 horas. Encontre o tempo de vida útil “x” que corresponda a:

a) Z = 1,5: x  x  zs → x = 1000 + 1,5 (100) = 1.150 horas.

a) Z-escore de 1,5 Interpretação: Para z escore de 1,5 o tempo de vida útil das lâmpadas é de 1.150 horas. Você pode confirmar o
resultado consultando o exemplo 1.

b) Z = ‐2: x  x  zs → x = 1000 + (‐2)(100) = 800 horas.

b) Z-escore de -2 Interpretação: Para z escore de ‐2 o tempo de vida útil das lâmpadas é de 800 horas. Você pode confirmar o
resultado consultando o exemplo 6.

Encontrando VALOR DE “X” que corresponda a uma PROBABILIDADE

padrão de 100 horas. O fabricante deseja fixar prazo de garantia, em horas, de tal modo que, se a duração da
lâmpada for inferior à garantia, a lâmpada seja trocada. De quantas horas deve ser este prazo para que somente 4%
das lâmpadas sejam trocadas?

Passo 1 → 0,5 – 0,04 = 0,46
0,5 Passo 2 → Procurando na tabela P(x)=0,46 (0,4599 é mais
próximo), encontramos Z = ‐1,75. (negativo pois é à esquerda)
-Z
Passo 3. Logo:
0,04
x  x  zs → x = 1000 + (‐1,75)(100) = 825 horas.

Interpretação: O prazo de horas para que seja trocado 4% das lâmpadas
deve ser de 825 horas.
700 800 900 1000 1100 1200 1300
-1,75


Último dígito
Z
0 1 2 3 4 5 6 7 8 9

- 36 -
Exemplo 10. As pontuações para um teste de Engenheiro em uma empresa são normalmente distribuídas, com uma
média de 7,5 com e um desvio padrão de 0,5. Para ser adequado ao emprego, você deve ter pontuação dentro dos
9% primeiros. Qual é a menor pontuação que você pode conseguir e ainda ser adequado ao emprego?

Passo 1 → 0,5 ‐ 0,09 = 0,41
0,5
Passo 2 → Procurando na tabela P(x)=0,41 (0,4099 é mais próximo)
+Z encontramos Z = 1,34 (positivo pois é à direita).

Passo 3
x  x  zs → x = 7,5 + (1,34)(0,5) = 8,17.
0,09
Interpretação: A menor pontuação que você pode conseguir e ainda
assim ser adequado ao emprego é 8,17.

,
6,0 6,5 7,0 7,5 8,0 8,5 9,0
+1,34

Z

Último dígito
0 1 2 3 4 5 6 7 8 9

Exemplo 11 Sabe-se que a Média de vida útil das lâmpadas produzidas pela PHILIPS é de 1000 horas com Desvio
padrão de 100 horas. Dentro de que limite, de ambos os lados da média, ficará 95% das lâmpadas?

Resolução
0,95
0,95
Passo 1 → /2 = 0,4750 (para cada lado da média).
Passo 2 → Procurar 0,4750 na tabela. Encontramos Z = 1,96 (neste
caso teremos Z1= ‐1,96 e Z2 = +1,96).

Passo 3. Logo:
X1 = 1000 + (‐1,96)(100) = 804 horas.
x  x  zs X2 = 1000 + (+1,96)(100) = 1.196 horas.

‐ 0,4750 + 0,4750 Interpretação: 95% das lâmpadas ficará entre 804 horas e 1196 horas, ou
seja, P 95% ( 804 < z < 1196)

x̄
z= ‐ 1,96 z= + 1,96


Z
Último dígito
0 1 2 3 4 5 6 7 8 9

USANDO UMA TABELA DE
VÍDEO DISTRIBUIÇÃO NORMAL: https://www.youtube.com/watch?v=ec9HWoY2kt8
- 37 -
0% 50% 100%
Tabela Distribuição normal padrão Distribuição acumulada de 0% a 100%

acumulada
Esta tabela que tem o seguinte princípio:

- 38 -

Exemplo de aplicação. Sabe-se que a Média de vida útil das lâmpadas produzidas pela PHILIPS é de 1000 horas com
Desvio padrão de 100 horas. Encontre P (900 < z < 1050) usando a tabela de distribuição normal padrão acumulada.

Probabilidade procurada
P(900 < Z < 1050) P= 0,5328 SUBTRAÇÃO DE PROBABILIDADE
Z1 = 900 - 1000 = -1,00*
100 0,1587
Z2 = 0,50 → 0,6915 *Considere o sinal negativo

Z2 = 1050 - 1000 = 0,50
100 0,6915

Z1= -1,00 → 0,1587 P(x)= Z2 – Z1 → 0,6915 – 0,1587= 0,5328

700 800 900 1000 1100 1200 1300

-3z -2z -1z 0 +1z +2z +3z
Veja o Z‐escore destacado na tabela acumulada acima. Confronte o resultado com o exemplo 3.
- 39 -

UNIDADE V
ESTATÍSTICA
INFERENCIAL E OS
INTERVALOS DE
CONFIANÇA

O objetivo da Estatística Inferencial é tirar conclusões sobre a
população com base em dados amostrais.

- 40 -
CONCEITOS BÁSICOS EM ESTATÍSTICA INFERENCIAL
ESTATÍSTICA INFERENCIAL
O objetivo da Estatística Inferencial é tirar conclusões com base em amostras de tal modo que as
informações possam ser expandidas para toda a população.

AMOSTRA Uma amostra constitui numa redução da população a dimensões menores,
(uma parte da população) sem perda das características essenciais. Examina-se, então, a amostra. Se
essa amostra for bastante representativa, os resultados obtidos
poderão ser generalizados para toda a população. As conclusões
fundamentadas em uma amostra não serão exatamente as mesmas que
POPULAÇÃO
(todos os elementos em estudo)
você encontraria se estudasse toda a população, em função da variabilidade.

Então, toda conclusão tirada por uma amostragem virá acompanhada de um
grau de incerteza. A estatística inferencial possui técnicas que permitem dar
ao pesquisador um grau de confiabilidade, de confiança, nas afirmações que
Média = ? faz com a população, baseadas nos resultados amostrais. O problema
Desvio padrão = ? Média = a fundamental da estatística inferencial é, portanto, medir o grau de
Desvio padrão = b incerteza dessas generalizações. Conhecer a probabilidade de variação do
processo de inferência é importante. Com que probabilidade se pode confiar
nos resultados obtidos dos dados amostrais?
Exemplo de Estatística Inferencial:

Em 2002, estudo baseado numa amostra de Engenheiros e Gerentes de diversas empresas de
Construção Civil, acredita‐se que o salário médio dos cargos desse ramo são:

CARGOS MÍNIMO (R$) MÉDIO (R$) MÁXIMO (R$)

Gerente de Engenharia Civil 4.976 5.951 7.738
Engenheiro Civil Sênior 3.694 4.146 4.517
Engenheiro Civil Pleno 2.122 2.296 3.206
Engenheiro Civil Júnior 1.671 1.872 2.042

Fonte: A REMUNERAÇÃO DE PROFISSIONAIS DA ÁREA DE CONSTRUÇÃO CIVIL – Seu Salário ‐ Jornal Carreira e Sucesso
Observe que esse estudo generalizou os resultados da amostra para a população.
PARÂMETROS E ESTATÍSTICAS

Sempre que as relações forem calculadas com base em dados da população, chamamos de “PARÂMETROS”; e sempre que
essas relações se referirem à amostra serão chamadas de “ESTATÍSTICAS”.

PARÂMETROS Notação para PARÂMETRO e ESTATÍSTICA:
AMOSTRA
(uma parte da população) Notação
Nome da
relação PARÂMETRO ESTATÍSTICA
POPULAÇÃO (POPULAÇÃO) (AMOSTRA)
(todos os elementos em estudo) Tamanho N n
Média µ x̄
Variância σ2 S 2
Desvio Padrão σ S
ESTATÍSTICAS
µ (lê‐se mi) σ (lê‐se sigma minúsculo)

EXEMPLO:

PARÂMETRO (População) ESTATÍSTICA (amostra)
Considerando o salário anual dos 2.500 gerentes da Considerando uma amostra do salário anual de 30
empresa XTPO, temos: gerentes da empresa XTPO, temos:

x1 = R$ 47.874 x1 = R$ 47.874
x2 = R$ 51.896 x2 = R$ 51.896
x3 = R$ 49.567 µ = R$ 51.800 x3 = R$ 49.567 x̄ = R$ 51.927
. .
σ = R$ 4.000 S = R$ 3.348
. .

x2500 = R$ 53.456 x30 = R$ 50.301

Os resultados amostrais serão sempre diferentes da população. Essa diferença chama‐se erro.
- 41 -
ESTIMATIVAS E TAMANHOS AMOSTRAIS

ESTIMAÇÃO PONTUAL E INTERVALAR

Uma das maiores utilidades da estatística é chutar um valor (o termo estatístico é estimação), como exemplo: qual é a renda
média de uma família brasileira? Qual a expectativa de vida média de um brasileiro? Qual a eficácia de um novo remédio?
Todas essas perguntas necessitam de algum tipo de estimativa numérica para respondê‐las. São dois tipos de estimação, onde
utilizamos dados estatísticos da amostra como estimadores dos parâmetros populacionais: Estimativa pontual e Intervalar.

Estimativa pontual. Fazemos uma única estimativa (um valor) para um determinado parâmetro populacional.
Exemplo conceitual Exemplo prático: Expectativa de vida de um brasileiro:
estimar estimar
Média amostral    Média populacional Média amostral    Média populacional
(x ̄= 70 anos) (µ = 70 anos)

Estimativa intervalar. Fazemos uma estimativa de um intervalo de valores possíveis, no qual se admite esteja o parâmetro
populacional.
Exemplo conceitual Exemplo prático: Expectativa de vida de um brasileiro:
estimar estimar
Média amostral x̄    Média populacional  x̄ Média amostral    Média populacional
(x ̄= 70 anos) (µ = 60 a 80 anos)

A melhor maneira de estimar o parâmetro é por meio de uma estatística com margem de erro para mais ou para menos. A finalidade de uma
estimativa por intervalo é fornecer informações sobre quão próximo a estimativa pontual, produzido pela amostra, está do valor do parâmetro.

INTERVALOS DE CONFIANÇA - IC

Um intervalo de confiança é uma faixa (ou um intervalo) de valores usada para se estimar o verdadeiro
valor de um parâmetro populacional, com certa probabilidade. Geralmente é abreviado por “IC”.

A palavra intervalo é usada porque seu resultado se torna um intervalo. A palavra confiança é usada porque você possui certa confiança no
processo pelo qual você chegou ao intervalo. Isso se chama nível de confiança (ou credibilidade). O intervalo de confiança associa‐se a um nível
de confiança, geralmente 95%., que é a probabilidade de que o intervalo estimado contenha o parâmetro populacional. Usamos o Intervalo de
confiança porque a estimativa pontual não indica quão boa é nossa melhor estimativa. Como a estimativa pontual tem a séria falha de não
revelar quão boa ela é, os estatísticos desenvolveram o IC.

Intervalos de Confiança para média (amostras grandes) (amostra n > 30)

O intervalo de confiança baseia‐se na hipótese de que a distribuição das médias amostrais é normal. Então, o nível de confiança
pode ser determinado com base nas probabilidades da distribuição normal:

Nível de confiança 0,95 A equação do intervalo de confiança para
média é dado por:
s
IC  x  z
0,95
/ 2 n
Ao usar o nível de confiança de 95%, temos:

0,95
/2 = ± 0,4750 → Z= ±1,96

‐ 0,4750 + 0,4750
s
Logo: IC   x  1,96
n

x̄
z= ‐ 1,96 z= + 1,96

Pode‐se usar outros níveis de confiança:

Confiança desejada Escore “Z” (da tabela padrão) Equação
s
90% P= 0,4500 → z = 1,65 IC  x  1,65
n
s
99% P= 0,4950 → z = 2,58 IC  x  2,58
n
- 42 -
Mas, de onde vem 0,4750 e 1,96? Observe na tabela de Distribuição Normal Padrão que, se queremos ter 95% de confiança,

basta encontrar a probabilidade de 0,4750 (0,95/2). Então, identificamos o escore z, que é de 1,96.


Último dígito
Z 0 1 2 3 4 5 6 7 8 9

Z = 1,96 para
95% de confiança

Se queremos ter 90% de confiança, basta encontrar 0,4500 (0,90/2) na tabela. Como não temos 0,4500, então identificamos a
probabilidade mais próxima, que é 0,4505. Observe que o escore z é de 1,65.

Exemplos de cálculos de Intervalos de Confiança - IC

1. De uma amostra de 40 clientes que frequentam um restaurante, constatou-se que a idade média é de 28 anos com
desvio padrão de 9 anos. Construa um intervalo de confiança de 95% para a idade média da população.

n = 40 25,21 30,79
s = 9 ‐ 2,79 +2,79
x ̄= 28 IC  x  z 28  1,96 = 28  2,79
s = 9 n 40 24 25 26 27 28 29 30 31 32
z = 1,96

Interpretação: Você está 95% confiante que a idade média dos clientes que frequentam o restaurante está entre 25,21 anos e 31,79 anos.

2. Um analista de produção deseja estimar a média do tempo de vida útil das lâmpadas produzidas. Para tanto,
coletou uma amostra de 60 lâmpadas e verificou que a média de vida útil é de 1000 horas, com desvio padrão de 100
horas. Construa um intervalo de confiança de 90% para a média populacional.

n = 60 978,70 1021,30
x ̄= 1000 IC  x  z s = 100 = 1000  21,30 ‐ 21,30 +21,30
 1000  1,65
s = 100 n 60
z = 1,65 970 980 990 1000 1010 1020 1030

Interpretação: Você está 90% confiante que a média do tempo de vida útil das lâmpadas produzidas está entre 978,70 horas e 1021,30 horas.
Nota: Quando a população for finita a equação precisa ser ajustada. Se n ≥ 0,05N, a equação é s N  n , onde N = população.
IC  x  z
n N 1
- 43 -
Determinação do tamanho da amostra

Para a mesma amostra estatística, conforme o nível de confiança aumenta, o intervalo de confiança fica mais largo. Como
consequência, a precisão da estimativa decresce. Veja comparação abaixo:

Do exemplo 2 (página anterior) com 90% de confiança Do exemplo 2 (página anterior) mas com 95% de confiança

100 = 1000  21,30 100 = 1000  25,30

1000  1,65 1000  1,96
60 60
974,70 1025,30
‐ 25,30 +25,30

978,70 1021,30
‐ 21,30 +21,30 970 980 990 1000 1010 1020 1030

970 980 990 1000 1010 1020 1030 Quanto maior a confiança, maior será o intervalo

Uma maneira de aumentar a precisão de uma estimativa sem decrescer o nível de confiança é aumentar o tamanho da
amostra. Mas, qual o tamanho da amostra necessário para garantir certo nível de confiança para uma margem de erro E dada?
Da equação do intervalo de confiança, podemos formar a equação da determinação do tamanho da amostra.
s  s  E n  z * s  z*s Equação da determinação do tamanho da amostra
IC  x  z Ez n
n E 2 n = tamanho da amostra
 z s 
n

n  z = escore desejado “normal”
 s = desvio padrão
E = margem de erro
 E 
E = margem de erro
Calculando o tamanho da amostra.
(Mesmo exemplo anterior) Um analista de produção deseja estimar a média do tempo de vida útil das lâmpadas
produzidas. Para tanto, coletou uma amostra de 60 lâmpadas e verificou que a média de vida útil é de 1000 horas,
com desvio padrão de 100 horas. Construa um intervalo de confiança de 90% para a média populacional.

n = 60 s = 100 = 1000  21,30 978,70 1021,30
IC  x  z 1000  1,65 ‐ 21,30 +21,30
x ̄= 1000 n 60
s = 100 E = margem de erro
z = 1,65 970 980 990 1000 1010 1020 1030

A margem de erro foi E=21,30. O analista deseja aumentar a precisão do Intervalo de Confiança com uma
margem de erro E = 15. Quantas lâmpadas devem ser incluídas na amostra se ele quer estar 90% confiante?
n = ?
2 2
z = 1,65  z s  → 
1,65*100 = 121 lâmpadas. Interpretação: 60 lâmpadas já foram
s = 100 n    coletadas, então o analista precisa de mais 61.
E = 15  E   15 
Intervalos de Confiança para média (amostras pequenas) (amostra n ≤ 30)

Para amostras pequenas (n ≤ 30), a distribuição Normal apresenta valores menos precisos, o que nos leva a utilizar um
modelo melhor, a Distribuição t de Student (veja tabela próxima página), proposta pelo pesquisador Willian Gosset em 1908.

 A distribuição t também tem a forma normal e é simétrica sobre a média. A principal diferença é que a distribuição t tem mais áreas nas
caudas, fazendo com que seus valores críticos sejam maiores que os da distribuição Normal. Como consequência, o intervalo de
confiança usando a distribuição t ficará mais largo se usa‐se a distribuição Normal. A idéia aqui é que você deve pagar um preço por
trabalhar com pequenas amostras.
Intervalo mais
Normal n = 15 t de Student n = 15 largo com t

 Cada tamanho amostral possui sua própria distribuição t, ou seja, ao contrário da distribuição normal, a distribuição t não tem forma
fixa, mas sim uma família de curvas. Cada curva é determinada por um parâmetro chamado grau de liberdade, encontrado pelo
tamanho da amostra menos um. A idéia aqui é que o preço a ser pago por se ter uma amostra muito pequena, como 5, é mais alto do
que o preço por se ter uma amostra de tamanho um pouco maior, como 10 ou 20.

g.l. = n ‐ 1. Graus de liberdade Portanto, a distribuição t varia de acordo com o tamanho da amostra.

 O grau de liberdade se refere ao número de valores que são livres para variar após estabelecerem algumas restrições de dados. Por
exemplo, se uma amostra de tamanho 4 produz uma média de 87, sabemos que a soma dos números é 4 * 87 = 348; isso não diz nada
sobre os valores individuais da amostra – há números infinitos de formas para se obter 4 números que somem 348; mas quando
escolhemos três deles, o quarto é determinado. O primeiro número pode ser 84, o segundo 98 e o terceiro 81, então o quarto tem de ser
85, o único número que produzirá a média amostral conhecida, ou seja, existe n ‐ 1 ou 3 graus de liberdade nesse exemplo.
- 44 -
 Conforme os graus de liberdade aumentam, a distribuição t se aproxima da distribuição normal. Depois de 30 g.l., a distribuição t está
muito próxima à distribuição normal.

Curva t: quanto menor a amostra,
Família de curvas da Distribuição t: mais achatada e larga nas
‐ Quanto menor o tamanho da amostra, maior o erro. extremidades, em função do erro
‐ Quando amostra >30, aproxima‐se da distribuição normal

Encontrando valores de t na tabela TABELA DISTRIBUIÇÃO t DE STUDENT (PARCIAL)

Nível de confiança
Exemplo. Encontre o valor de t para uma confiança de 95%, g.l.
quando o tamanho da amostra é 15. 50% 80% 90% 95% 98% 99%
1 1,000 3,078 6,314 12,71 31,82 63,66
1º ‐ Determine o grau de liberdade – g.l.
2 0,816 1,886 2,920 4,303 6,965 9,925
em razão de n=15, os graus de liberdade são:
3 0,765 1,638 2,353 3,182 4,541 5,841
g.l. = n – 1 → 15 – 1 = 14 4 0,741 1,533 2,132 2,776 3,747 4,604

5 0,727 1,476 2,015 2,571 3,365 4,032
2º ‐ encontrar o g.l. = 14 na tabela t.
6 0,718 1,440 1,943 2,447 3,143 3,707
Usando g.l.=14 e confiança de 95%, Você pode ver que t = 2,145,
como destacado na tabela. 7 0,711 1,415 1,895 2,365 2,998 3,499
8 0,706 1,397 1,860 2,306 2,896 3,355
Construindo Intervalo de Confiança - IC. 9 0,703 1,383 1,833 2,262 2,821 3,250
Construir um IC usando a Distribuição t é similar a construir um IC 10 0,700 1,372 1,812 2,228 2,764 3,169
usando a Distribuição Normal – ambos usam uma estimativa 11 0,697 1,363 1,796 2,201 2,718 3,106
pontual e uma margem de erro. Sua equação é dada por: 12 0,695 1,356 1,782 2,179 2,681 3,055

EQUAÇÃO DISTRIBUIÇÃO t 13 0,694 1,350 1,771 2,160 2,650 3,012
s 14 0,692 1,345 1,761 2,145 2,624 2,977
IC  x  t Onde substituimos
15 0,691 1,341 1,753 2,131 2,602 2,947
n z por t
16 0,690 1,337 1,746 2,120 2,583 2,921
17 0,689 1,333 1,740 2,110 2,567 2,898
Exemplo. Um analista deseja estimar a média do tempo de
vida útil das lâmpadas produzidas. Coletou uma amostra de 18 0,688 1,330 1,734 2,101 2,552 2,878
20 lâmpadas e verificou que a média de vida útil é de 1000 19 0,688 1,328 1,729 2,093 2,539 2,861
horas, com desvio padrão de 100 horas. Construa um 20 0,687 1,325 1,725 2,086 2,528 2,845
Intervalo de Confiança de 90% para a média populacional. 21 0,686 1,323 1,721 2,080 2,518 2,831

Solução: 22 0,686 1,321 1,717 2,074 2,508 2,819

g.l = n – 1 → 20 ‐ 1 = 19. Usando g.l.=19 e confiança de 90%, o 23 0,685 1,319 1,714 2,069 2,500 2,807
valor t será 1,729 (destacado na tabela). Ao se calcular o IC, 24 0,685 1,318 1,711 2,064 2,492 2,797
teremos, então: 25 0,684 1,316 1,708 2,060 2,485 2,787

n = 20 100 26 0,684 1,315 1,706 2,056 2,479 2,779
x ̄= 1000 IC  1000  1,729 27 0,684 1,314 1,703 2,052 2,473 2,771
20
s = 100 28 0,683 1,313 1,701 2,048 2,467 2,763
t = 1,729
IC  1000  38,66
29 0,683 1,311 1,699 2,045 2,462 2,756
961,34 1038,66 0,674 1,282 1,645 1,960 2,326 2,576
‐ 38,66 +38,66

Nota: Para n > 30, você pode usar a distribuição normal. Quando o
desvio padrão populacional for conhecido (σ), mesmo com amostra
970 960 980 1000 1020 1040 1060 menor que 30, você pode usar a distribuição normal. A distribuição t
também pode ser usada para amostra maior que 30.
Interpretação: Você está 90% confiante que a média do tempo de vida útil
das lâmpadas produzidas está entre 961,34 horas e 1038,66 horas.

Observe que, no exemplo anterior com amostra de 60 lâmpadas e usando a curva normal, o IC foi mais preciso: 1000  21,30 .

- 45 -
Intervalos de Confiança para Proporções P

O termo PROPORÇÕES tem relação com PORCENTAGENS. É a parte de um todo, em comparação com esse todo; fração.
Exemplo:
Um Analista Industrial fez estudo para determinar a proporção de lâmpadas defeituosas produzidas. Coletou
uma amostra de 400 lâmpadas e 60 apresentaram defeitos. Neste caso, temos as seguintes proporções:
Lâmpadas defeituosas (60) Lâmpadas perfeitas (restantes = 340)
ˆp  60  0,15 ˆp  340  0,85

400 400
Então, 15% das lâmpadas estão defeituosas... ...e 85% das lâmpadas estão perfeitas

Observe que a população é constituída por elementos de dois tipos, isto é, cada elemento pode ser interpretado como Sucesso e
Fracasso, além dos eventos ser independentes. Nestas condições, a variável aleatória segue uma distribuição Binomial.

De acordo com Teorema do Limite Central, para amostra suficientemente grande (n > 30), a distribuição Binomial aproxima‐se a uma
distribuição Normal. Daí é imediato verificar que a proporção amostral p também aproxima‐se da distribuição normal.

Ocorre que, da mesma forma que o intervalo de confiança para média, frequentemente estamos interessados em estimar um intervalo
de confiança para proporções populacionais.
Construindo Intervalo de Confiança para Proporções p

Construir um intervalo de confiança para uma proporção populacional p é similar a construir um intervalo de confiança para a média
populacional. Você começa com um ponto estimado e calcula a margem de erro E.
Equação do Intervalo de Confiança para Proporção p

z = escore z da distribuição normal
ˆp( 1  ˆp )
IC p  ˆp  z
n = tamanho da amostra

n p̂ ‐ proporção estimada.

A formação desta equação tem como princípio o método “Normal como
aproximação da Binomial”
Exemplo. Um Analista Industrial deseja estimar a proporção de lâmpadas defeituosas produzidas. Coletou uma
amostra de 400 lâmpadas e verificou que 15% estão defeituosas. Construa um Intervalo de Confiança de 95%
para a proporção populacional.

p̂ = 0,15 11,6% 18,4%
0,15( 1  0,15 ) ‐ 3,4% +3,4%
n = 400 IC p  0,15  1,96  0,15  0,034
400
z = 1,96 11% 13% 15% 17% 19%

Interpretação: Você está 95% confiante que a proporção de lâmpadas defeituosas está entre 11,6% e 18,4%.
Determinação do tamanho da amostra para P

Uma forma de aumentar a precisão do intervalo de confiança sem diminuir o nível de confiança é aumentar o número da
amostra. Dado o intervalo de confiança IC e a margem de erro E, o tamanho mínimo da amostra n necessário para estimar p é:
Equação da determinação do tamanho da amostra para estimar p
n = tamanho da amostra
2
 z  z = escore desejado da distribuição normal
n  ˆp (1 ˆp)   p̂ = proporção estimada
 E
E = margem de erro
(Continuação exemplo anterior). Um Analista Industrial coletou uma amostra de 400 lâmpadas e verificou que
15% estão defeituosas. Construiu um IC com 95% de Confiança e margem de erro E = 0,034. Determine o
tamanho da amostra para aumentar a precisão com margem de erro E = 0,02, e com a mesma confiança.
p̂ = 0,15 n = ? 2 2
z  1,96 
z = 1,96 n  ˆp (1 ˆp)   → 0,15 (1 0,15)   = 1.224 lâmpadas.
E = 0,02  E  0,02

- 46 -
Intervalos de Confiança para o Desvio Padrão

Na produção industrial, é necessário controlar o tamanho da variação de um processo. Um fabricante de peças deve produzir, por
exemplo, milhares de peças para serem usadas no processo de fabricação. É importante que essas partes variem muito pouco ou nada.
Como medir e, consequentemente, controlar o tamanho da variação nas peças?

Para amostra n > 30 (Use a Distribuição Normal)

Segundo Spiegel (1977, p. 262,310), podemos usar a distribuição Normal para encontrar intervalos de confiança para o desvio
padrão, desde que a amostra seja maior que 30.

EQUAÇÃO do Intervalo de Confiança para o Desvio padrão
s S = desvio padrão
IC   s  z Z = escore Z da distribuição Normal
2n n = tamanho da amostra

Exemplo 1. Um analista deseja estimar o desvio padrão do tempo de vida útil das lâmpadas produzidas. Para
tanto, coletou uma amostra de 60 lâmpadas e verificou que a média de vida útil é de 1000 horas, com desvio
padrão de 100 horas. Construa um intervalo de confiança de 90% para o desvio padrão populacional.
84,94 115,06
S = 100 100 ‐ 15,06 +15,06
Z = 1,65 IC   100  1,65 → 100  15,06
2  60
n = 60
80 90 100 110 120

Interpretação: Você está 90% confiante que o desvio padrão populacional está entre 84,94 horas e 115,06 horas.

Para amostra n ≤ 30 (Use a distribuição χ2)
Para amostras pequenas (n ≤ 30), a distribuição Normal apresenta valores menos precisos, o que nos leva a utilizar um
modelo melhor, a distribuição χ2 (lê‐se qui‐quadrado), proposta por Karl Pearson. É importante salientar que muitos autores
usam o modelo χ2 para qualquer tamanho amostral, mesmo maior que 30, sem mencionar o método opcional (acima).

2 2
 Cada tamanho amostral possui sua própria distribuição χ , ou seja, ao contrário da distribuição normal, a distribuição χ não tem forma
fixa, mas sim uma família de curvas. Cada curva é determinada por um parâmetro chamado grau de liberdade, encontrado pelo
tamanho da amostra menos um. A idéia aqui é que o preço a ser pago por se ter uma amostra muito pequena, como 5, é mais alto do
que o preço por se ter uma amostra de tamanho um pouco maior, como 10 ou 20.

g.l. = n ‐ 1. Graus de liberdade Portanto, a distribuição χ2 varia de acordo com o tamanho da amostra.

2 2
 A distribuição χ tem a forma assimétrica positiva (à direita). Conforme os graus de liberdade aumentam, a distribuição χ se aproxima
2
da distribuição normal. Depois de 30 g.l., a distribuição χ está muito próxima à distribuição normal.

gl = 5 2
Família de curvas da Distribuição χ :
‐ Curvas assimétricas positivas

‐ Quanto menor o tamanho da amostra, maior o erro.
gl = 10

gl = 15 2
Curva χ com g.l = 30 aproxima‐se da
curva normal.
gl = 30

Encontrando valores de χ2 na tabela

Há dois valores a serem considerados para o nível de confiança. O valor χ2L representa o valor crítico da cauda esquerda e o
valor χ2R representa o valor crítico da cauda direita.

Nível de confiança

χ2L χ2R
- 47 -
Exemplo. Encontre os valores χ2L e χ2R e um intervalo de confiança de 90%, quando o tamanho da amostra for 20.
1º ‐ Ache o grau de liberdade – g.l. 2º ‐ encontrar as áreas de χ2L e χ2R
Como n = 20, os graus de liberdade são: Em razão da confiança c ser 90%, temos:

χ2L = 1 + c χ2R = 1 ‐ c
g.l. = n – 1
2 2
20 – 1 = 19
χ2L = 1 + 0,90 = 0,950 χ2R = 1 ‐ 0,90 = 0,050
2 2
3º ‐ encontrar os valores críticos na tabela χ2

Parte da tabela χ2 é exibida abaixo. Usando g.l.=19 e as áreas 0,95 e 0,05 encontramos os valores críticos, como destacado:

χ2L χ2R 0,90

2 2
Por meio da tabela você pode ver que: χ L = 10,1170 e χ R = 30,1435.

Interpretação: Então, 90% da área sob a curva está situada entre 10,1170 e 30,1435

2 2
χ L = 10,1170 χ R = 30,1435

Calculando o IC para o desvio padrão

Usamos os valores críticos de χ2L e χ2R para construir o intervalos de confiança para o desvio padrão populacional.

( n  1)s 2 ( n  1)s 2 S = desvio padrão

< σ < n = tamanho da amostra
 2R  2L χ2R e χ2L = valores críticos da tabela do χ2

Exemplo 2. Um analista deseja estimar o desvio padrão do tempo de vida útil das lâmpadas produzidas. Para
tanto, coletou uma amostra de 15 lâmpadas e verificou que a média de vida útil é de 1000 horas, com desvio
padrão de 100 horas. Construa um intervalo de confiança de 95% para o desvio padrão populacional.

1º ‐ Ache o grau de liberdade – g.l. 2º ‐ encontrar as áreas de χ2L e χ2R

χ2L = 1 + c χ2R = 1 ‐ c
g.l. = n – 1 2 2

15 – 1 = 14 χ2L = 1 + 0,95 = 0,975 χ2R = 1 ‐ 0,95 = 0,025
2 2
3º ‐ encontrar valores críticos na tabela χ2 4º ‐ Use a equação do desvio padrão
Usando g.l.=14 e as áreas 0,975 e 0,025, os S = 100
valores críticos são (ver tabela próxima página): (15  1)1002 (15 1)1002
n = 15 < σ <

χ 2R = 26,1189 26,1189 5,6287
χ2L = 5,6287 e χ 2R = 26,1189
χ2L = 5,6287 73,21 < σ < 157,71
Interpretação: Com 95% de confiança, podemos dizer que o desvio padrão populacional está entre 73,21 horas e 157,71 horas
- 48 -
:

- 49 -

UNIDADE VI
ESTATÍSTICA
INFERENCIAL E OS
TESTES DE HIPÓTESES

É possível testar
afirmativas acerca de
populações?

- 50 -
Conceitos introdutórios

TESTE DE HIPÓTESE é um procedimento usado para testar se a afirmação acerca de uma população é
verdadeira ou não, com base em dados amostrais.

Uma hipótese é uma suposição quanto ao valor de um parâmetro populacional. O teste de hipótese é tão somente uma regra de
decisão para ACEITAR ou REJEITAR uma hipótese qualquer (uma suposição, uma afirmação), com base nos elementos amostrais.

EXEMPLO. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma revista
decide testar essa afirmação e analisa 50 veículos obtendo uma média de 17 km/L, que é diferente da informada
pelo fabricante.
 O resultado de 17km/L não garante que a afirmação do fabricante seja falsa, pois você está se baseando em dados amostrais. Para
haver esta garantia só realizando um censo (toda a população), o que é teoricamente impossível.
 O que devemos avaliar, com auxílio do Teste de Hipótese, é se a afirmação é verdadeira ou não, com base nos dados amostrais.

Organização das hipóteses, Erros de decisão, Nível de significância e Tipos de testes

Organização das hipóteses. Com base no exemplo, podemos formular duas hipóteses: “Nula” e “Alternativa”. Na Hipótese Nula , diremos

que a média populacional é igual aquela que se supõe verdadeira; e na Hipótese Alternativa, que nasce de uma desconfiança, diremos que a
média populacional não será igual àquela tida como verdadeira. Ora, quando um valor A não é igual a um valor B, haverá três possibilidades:
1ª) A ≠ B ou 2ª) A > B ou 3ª) A < B. Estamos falando, obviamente, da Hipótese Alternativa (Ha). Então, resumindo, temos:

Hipótese Nula: H0 → sugere que a afirmação é verdadeira. No exemplo, H0 : µ = 18 km/L

Hipótese Alternativa: Ha → sugere que a afirmação é falsa. temos que: Ha : µ < 18 km/L

As hipóteses Nula e Alternativa sempre serão confrontadas. De todo o exposto, já podemos tirar algumas conclusões:

H0 será sempre de igualdade: Ha será sempre de desigualdade:
Nota: O que definirá se Ha trará um
Ha : µ ≠ 18 km/L
H0 : µ = 18 km/L sinal ≠ ou > ou < será o resultado
Ha: µ < 18 km/L

obtido na amostra.
...e é aquela que será testada. Ha : µ > 18 km/L

Erros de decisão. Uma vez realizado o teste com a Hipótese Nula (H0), poderão advir dois resultados:

Decisão H0 é verdadeira, sendo, portanto, ACEITA.
correta H0 é falsa, devendo, pois, ser REJEITADA. → (ao rejeitar H0, obviamente aceitamos a Hipótese Alternativa Ha).

Entretanto, ao realizar um teste, o pesquisador pode errar de duas formas:

H0 é verdadeira, mas será REJEITADA. → Chamamos de ERRO TIPO I.
Erros de (é o mesmo que condenar um inocente! O réu disse a verdade, mas seus argumentos foram rejeitados).
decisão H0 é falsa, mas será ACEITA. → Chamamos de ERRO TIPO II.
(é o mesmo que inocentar um culpado! O réu mentia, mas seus argumentos foram aceitos).
Nível de significância α. Note que o erro Tipo I é pior pois condenar um inocente é algo terrível, e este erro o pesquisador deve evitar a todo

o custo! Porém, há sempre uma probabilidade de cometê‐lo. Esta probabilidade é chamada de Nível de Significância α (alfa). Portanto:

O NÍVEL DE SIGNIFICÂNCIA α é a PROBABILIDADE de se cometer um ERRO TIPO I, devendo ser sempre a menor possível.
Normalmente, usamos um Nível de Significância de 10% (0,10); 5% (0,05); ou 1% (0,01). Mas pode‐se usar qualquer α.
Tipos de Testes.
Usamos a curva normal (ou t) para realizar os testes, sendo três tipos possíveis, e o que será usado depende do sinal presente na hipótese alternativa Ha.

Teste Unilateral à esquerda Teste Unilateral à direita Teste Bilateral

H0 : µ = 18 km/L H0 : µ = 18 km/L H0 : µ = 18 km/L
Ha : µ < 18 km/L Ha : µ > 18 km/L Ha : µ ≠ 18 km/L
α  5% α  5% α  5%
Região de Região de
Região de aceitação
Região de aceitação aceitação Região de
Região de
rejeição 0,95 Região de rejeição
0,95 rejeição
α  0,05 rejeição α 0,025 0,95 α  0,025

α  0,05 2 2

18km/L

18km/L
18km/L
0,95/2 = 0,4750)
(0,5-0,05=0,45)
 Z=‐1,65 Z=+1,65  (0,5-0,05=0,45) Z=‐1,96 Z=+1,96  (

Este teste será usado quando se tem um valor Este teste será usado quando se tem um valor Será usado quando se tem um valor dentro de um
mínimo aceitável. Sinal usado em Ha: <. máximo aceitável. Sinal usado em Ha: >. intervalo aceitável. Sinal usado em Ha: ≠.

TOMANDO A DECISÃO: A Região de rejeição (demonstrada no gráficos) é o conjunto de todos os valores da estatística de teste que nos fazem rejeitar a Hipótese
Nula (H0). Se a estatística de teste cair nesta região, diremos que a afirmativa do fabricante é falsa, o que fará com que rejeitemos a Hipótese Nula (H0).

Mas, se a estatística de teste cair na Região de aceitação, diremos que a afirmativa é verdadeira. O termo “estatística de teste” é feito por meio de cálculos que
serão apresentados a seguir. O nível de significância α  5% (demonstrado nos gráficos) é apenas um exemplo, pois podemos usar também outros níveis.
- 51 -
Teste de Hipótese para média (amostras grandes n > 30) (Distribuição Normal z)
Usamos a Distribuição Normal (z) para realizar o teste de hipótese para amostra maior que 30. Quando o desvio padrão é
conhecido, mesmo com amostra menor que 30, também podemos usar a Normal. Embora tenha 3 tipos de testes, na prática
aplicamos um ou outro, nunca os três conjuntamente. Mostraremos a aplicação dos três testes em problemas diferentes.

x  x = média amostral z = Estatística de teste
A estatística de teste z
usada para média é: s µ = média Hipotética (H0)
s = desvio padrão
(n > 30)
n n = tamanho da amostra

EXEMPLO 1. TESTE UNILATERAL À ESQUERDA. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L.
Uma revista decide testar essa afirmação e analisa 50 veículos da mesma marca, obtendo uma média de 17 km/L com desvio padrão
de 3km/L. Testar a hipótese, contra a alternativa de que o consumo é menor que 18km/L, com Nível de Significância de 6%.

1º passo: Formular as hipóteses: 4º passo: Desenhar as Regiões de Rejeição e de 5º passo: Calcular a

H0 : µ = 18 km/L Aceitação, em função do escore z (nível α) : estatística de teste:

Ha : µ < 18 km/L

x 
2º passo: Definir o tipo de teste a ser usado: z
Como a média amostral foi 17km/L, temos um valor mínimo
Região de
aceitação
s
Região de
aceitável. O sinal é <, logo, usamos o unilateral à esquerda. rejeição 0,94 n

α  0,06
3º passo: Encontrar escore z que estabelece os limites de
17  18 = ‐2,35
Rejeição/Aceitação: α=6% (0,06) | 0,5 – 0,06 = 0,44 → z = ‐1,56 z

18km/L 3
Ao procurar 0,44 na tabela Normal, encontramos z = ‐ 1,56 (como o ‐1,56
teste é “unilateral à esquerda”, o escore z será negativo). 50

6º passo: Verifique se a estatística de teste z caiu 7º e último passo: Tomada de decisão:
na Região de rejeição: Note que a estatística de teste z caiu na Região

de rejeição. Então, você deverá REJEITAR A
Região de
estatística de teste aceitação HIPÓTESE NULA (Ho).
Região de
(obtido no 5º passo) rejeição
0,94
Ou seja, não se pode aceitar que o consumo médio de
α  0,06
combustível do Pálio Fire 1.0 é de 18 km/L, contra a
hipótese de que seja menor que este valor, com uma

18km/L probabilidade de erro de 6%.
‐2,35 ‐1,56
-3z -2z -1z 0 +1z +2z +3z

EXEMPLO 2. TESTE UNILATERAL À DIREITA A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma
revista decide testar a afirmação e analisa 35 veículos da mesma marca, obtendo uma média de 18,5 km/L com desvio padrão de 2,5
km/L.. Testar a hipótese, contra a alternativa de que o consumo é maior que 18km/L, com Nível de Significância de 4%.

Ha : µ > 18 km/L

x 
2º passo: Definir o tipo de teste a ser usado: Região de z
Como a média amostral foi 18,5km/L, temos um valor máximo
aceitação
0,96
s
Região de
aceitável. O sinal é >, logo, usamos o unilateral à direita. rejeição n
α  0,04

18,5  18 = +1,18
Rejeição/Aceitação: α=4%(0,04) | 0,5 – 0,04 = 0,46 → z = +1,75 z

18km/L
2,5
Ao procurar 0,46 na tabela Normal, encontramos z = +1,75 (como o z=+1,75
teste é “unilateral à direita”, z será positivo). 35

na Região de rejeição: Note que a estatística de teste z não caiu na

Região de Rejeição. Então, você deverá ACEITAR
Região de
aceitação A HIPÓTESE NULA (Ho).
estatística de teste 0,96 Região de
(obtido no 5º passo) rejeição Ou seja, pode‐se aceitar que o consumo médio de
α  0,04
combustível do Pálio Fire 1.0 é de 18 km/L, contra a
hipótese de que seja maior que este valor, com uma
18km/L
z=+1,75 probabilidade de erro de 4%.

z=+1,18

-3z -2z -1z 0 +1z +2z +3z

- 52 -
EXEMPLO 3. TESTE BILATERAL. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma revista
decide testar a afirmação e analisa 42 veículos da mesma marca, obtendo uma média de 16,8 km/L com desvio padrão de 2 km/L.
Testar a hipótese, contra a alternativa de que o consumo não é de 18km/L, com Nível de Significância de 10%.

Ha : µ ≠ 18 km/L

Região de x 
2º passo: Definir o tipo de teste a ser usado:
aceitação z
A idéia não é testar se é menor ou maior. Queremos testar um Região de Região de s
rejeição rejeição
intervalo aceitável. O sinal é ≠, logo, usamos o Bilateral. α 0,05 0,90 α  0,05 n

2 2
16,8  18 = ‐3,88
Rejeição/Aceitação: α=10% | 0,90/2 = 0,45 → z = ‐1,65 e +1,65 z
18km/L 2
Ao procurar 0,45 na tabela Normal, encontramos z = ±1,65 (como o Z=‐1,65 Z=+1,65 (0,90/2 = 0,45)
teste é “Bilateral”, usamos z positivo e negativo). 42

na Região de rejeição: Note que a estatística de teste z caiu na Região

de Rejeição. Então, você deverá REJEITAR A
Região de HIPÓTESE NULA (Ho).
estatística de teste aceitação
(obtido no 5º passo) rejeição
rejeição Ou seja, não se pode aceitar que o consumo médio de
α 0,05 0,90 α  0,05 combustível do Pálio Fire 1.0 é de 18 km/L, contra a
2 2 hipótese de que seja diferente deste valor, com uma
probabilidade de erro de 10%.
18km/L
Z=‐1,65 Z=+1,65
z=‐3,88
-3z -2z -1z 0 +1z +2z +3z

Teste de Hipótese para média (amostras pequenas n ≤ 30) (Distribuição t de Student)

Usamos a Distribuição t de Student (t) para realizar o teste de hipótese para amostra menor ou igual a 30.

x = média amostral Efetuar o Teste usando a Distribuição t de Student
x   µ = média Hipotética (H0)
A estatística de teste t é similar a efetuar o Teste com a Normal z. Difere‐
usada para média é: s s = desvio padrão se apenas no 3º passo, onde usamos n ‐ 1 graus
(n ≤ 30)
n n = tamanho da amostra de liberdade e a tabela t para encontrar o limite
t = Estatística de teste t Student de Rejeição/Aceitação.
EXEMPLO 4. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L. Uma revista decide testar essa
afirmação e analisa 22 veículos da mesma marca, obtendo uma média de 17,4 km/L com desvio padrão de 1,7km/L. Testar a hipótese
de que o consumo é menor que 18km/L, com Nível de Significância de 5%.


H0 : µ = 18 km/L Aceitação, em função de t (nível α) : estatística de teste:

Ha : µ < 18 km/L

x 
2º passo: Definir o tipo de teste a ser usado: t
Como a média amostral foi 17,4km/L, temos um valor mínimo
Região de
aceitação
s
Região de
aceitável. O sinal é <, logo, usamos o unilateral à esquerda. rejeição 0,95 n

α  0,05
3º passo: Encontrar t que estabelece os limites de
17,4  18 = ‐1,65
Rejeição/Aceitação: gl=n‐1→ 22–1=21 → ‐1,721 | α=5% (0,05) t

18km/L 1,7
Analise a tabela t de Student na próxima página: ‐1,721
Usando Unilateral, α=0,05 com g.l.= 21, encontramos t = 1,721. 22
(como o teste é “unilateral à esquerda”, t será negativo).

6º passo: Verifique se a estatística de teste t caiu 7º e último passo: Tomada de decisão:

Região de rejeição. Então, você deverá ACEITAR
Região de
aceitação
A HIPÓTESE NULA (Ho).
Região de
rejeição
A única diferença 0,95
Ou seja, pode‐se aceitar que o consumo médio de
α  0,05
da t para z está combustível do Pálio Fire 1.0 é de 18 km/L, contra a
no 3º passo. hipótese de que seja menor que este valor, com uma

18km/L probabilidade de erro de 5%.
‐1,721

‐1,65
-3z -2z -1z 0 +1z +2z +3z

- 53 -
TABELA DISTRIBUIÇÃO t DE STUDENT (PARCIAL)

Confiança, c 50% 80% 90% 95% 98% 99%
Níveis de Unilateral, α 0,25 0,10 0,05 0,025 0,01 0,005
Significância, α Bilateral, α 0,50 0,20 0,10 0,05 0,02 0,01
g.l. 1 1,000 3,078 6,314 12,71 31,82 63,66
2 0,816 1,886 2,920 4,303 6,965 9,925
3 0,765 1,638 2,353 3,182 4,541 5,841
4 0,741 1,533 2,132 2,776 3,747 4,604
5 0,727 1,476 2,015 2,571 3,365 4,032
6 0,718 1,440 1,943 2,447 3,143 3,707
7 0,711 1,415 1,895 2,365 2,998 3,499
8 0,706 1,397 1,860 2,306 2,896 3,355
9 0,703 1,383 1,833 2,262 2,821 3,250
10 0,700 1,372 1,812 2,228 2,764 3,169
11 0,697 1,363 1,796 2,201 2,718 3,106
12 0,695 1,356 1,782 2,179 2,681 3,055
13 0,694 1,350 1,771 2,160 2,650 3,012
14 0,692 1,345 1,761 2,145 2,624 2,977
15 0,691 1,341 1,753 2,131 2,602 2,947
16 0,690 1,337 1,746 2,120 2,583 2,921
17 0,689 1,333 1,740 2,110 2,567 2,898
18 0,688 1,330 1,734 2,101 2,552 2,878
19 0,688 1,328 1,729 2,093 2,539 2,861
20 0,687 1,325 1,725 2,086 2,528 2,845
21 0,686 1,323 1,721 2,080 2,518 2,831
22 0,686 1,321 1,717 2,074 2,508 2,819
23 0,685 1,319 1,714 2,069 2,500 2,807
24 0,685 1,318 1,711 2,064 2,492 2,797
25 0,684 1,316 1,708 2,060 2,485 2,787
26 0,684 1,315 1,706 2,056 2,479 2,779
27 0,684 1,314 1,703 2,052 2,473 2,771
28 0,683 1,313 1,701 2,048 2,467 2,763
29 0,683 1,311 1,699 2,045 2,462 2,756
0,674 1,282 1,645 1,960 2,326 2,576

Teste de Hipótese para Proporções P (Distribuição Normal)

Quando lidamos com Proporções, a população é constituída por elementos de dois tipos, isto é, cada elemento pode ser interpretado como
Sucesso e Fracasso, além dos eventos ser independentes. Nestas condições, a variável aleatória segue uma distribuição Binomial. De acordo
com Teorema do Limite Central, para amostra suficientemente grande (n > 30), a distribuição Binomial aproxima‐se a uma distribuição Normal.
Daí é imediato verificar que a proporção amostral p também aproxima‐se da distribuição normal. Ocorre que, da mesma forma que o Teste de
Hipótese para média, frequentemente estamos interessados em Testar Hipóteses para proporções populacionais.

p  p0 p = proporção amostral
A estatística de teste z p0 = proporção Hipotética (H0)
usada para p0( 1  p0) n = tamanho da amostra
Proporções é: n z = Estatística de teste z (Normal)

EXEMPLO 5. Inspeciona-se uma amostra de 200 peças de uma grande remessa, encontrando-se 8% de peças defeituosas (200 x 0,08 =
16 peças defeituosas). O fornecedor garante que não haverá mais de 6% de peças defeituosas em toda a remessa. Testar a hipótese de
que a proporção de peças defeituosas é maior que 6%, com Nível de Significância de 5%.
1º passo: Formular as hipóteses: 4º passo: Desenhar as Regiões de Rejeição e 5º passo: Calcular a
H0 : p0 = 6% de Aceitação, em função do escore z (nível α) estatística de teste z:

Ha : p > 6%

p  p0
2º passo: Definir o tipo de teste a ser usado:
Região de z
Como a proporção amostral foi 8%, temos um valor máximo aceitação p0( 1  p0)
0,95 Região de
aceitável. O sinal é >, logo, usamos unilateral à direita. n
rejeição
3º passo: Encontrar escore z que estabelece os limites de α  0,05
0,08  0,06
Rejeição/Aceitação: α=5% | 0,5 – 0,05= 0,45 → z=+1,65 z = +1,19

0,06( 1  0,06)
Ao procurar 0,45 na tabela Normal, encontramos z = +1,65 (como o z=+1,65
teste é “unilateral à direita”, usamos z positivo). 200

Calculadora: 0,02  ( ( 0,06x0,94)  200) = 1,19

- 54 -

Região de Rejeição. Então, você deverá ACEITAR
Estatística de teste Região de
aceitação A HIPÓTESE NULA (Ho).
(obtida no 5º passo) 0,95 Região de
rejeição Ou seja, pode‐se aceitar que a proporção de peças
α  0,05
defeituosas seja de 6%, contra a hipótese de que seja
maior que este valor, com uma probabilidade de erro

z=+1,65 de 5%.

z=+1,19

-3z -2z -1z 0 +1z +2z +3z

Teste de Hipótese para o Desvio padrão (Distribuição χ 2)
Usamos a Distribuição χ 2 (qui‐quadrado) para realizar o teste de hipótese para o desvio padrão. (qualquer tamanho amostral)

2
n = tamanho da amostra Efetuar o Teste usando a Distribuição χ é
A estatística de ( n  1) ( S)2
S = desvio padrão amostral similar a efetuar o Teste com t. Difere‐se
teste usada para o 2  S0 = desvio padrão Hipotético (H0) apenas no 3º passo, onde usamos n ‐ 1
desvio padrão é: ( S0 ) 2 2
graus de liberdade e a tabela χ para
χ2=Estatística teste (qui‐quadrado)
encontrar o limite de Rejeição/Aceitação.
EXEMPLO 6. TESTE BILATERAL. A FIAT afirma que o consumo de combustível do Pálio Fire é, em média, de 18 km/L., com desvio
padrão de 1,2 km/L Uma revista decide testar essa afirmação e analisa 20 veículos da mesma marca, obtendo uma média de 17,4
km/L com desvio padrão de 1,7km/L. Testar a hipótese de que o desvio padrão não é de 1,2 km/L, com Nível Significância 10%.
1º passo: Formular as hipóteses: 2º passo: Definir o tipo de teste a ser usado:
H0 : S0 = 1,2 km/L A idéia não é testar se é menor ou maior. Queremos testar um intervalo
Ha : S ≠ 1,2 km/L aceitável. O sinal é ≠, logo, usamos o Bilateral.
3º passo: encontrar os valores χ2L e χ2R com nível de significância α =10% (90% de confiança), quando o tamanho da amostra for 20.

2 2
1º ‐ Ache o grau de liberdade – g.l. 2º ‐ encontrar as áreas de χ L e χ R
2
χ L = 1 + c χ
2
R = 1 ‐ c
g.l. = n – 1 2 2
20 – 1 = 19 2
χ L = 1 + 0,90 = 0,950
2
χ R = 1 ‐ 0,90 = 0,050
2 2
2
3º ‐ encontrar os limites de Rejeição e Aceitação na tabela χ
2
Parte da tabela χ é exibida abaixo. Usando g.l.=19 e as áreas 0,95 e 0,05 encontramos os valores críticos, como destacado:

Por meio da tabela você pode ver os
χ2L χ2R limites de Rejeição/Aceitação:
2 2
4º passo: Calcular a estatística de teste χ2 χ L = 10,1170 e χ R = 30,1435.
( n  1) ( S) 2 ( 20  1) ( 1,7) 2
2   2 = 38,13 0,90 Região de
( S0 ) 2 ( 1,2 ) 2 aceitação
Região de
5º passo:Tomada de decisão: rejeição 0,05 Região de
Observe que 38,13 caiu na Região de rejeição. rejeição 0,05
Portanto, deve‐se REJEITAR A HIPÓTESE NULA

2 2
χ L = 10,1170 χ R = 30,1435

38,13
- 55 -
2 2
Para testes unilaterais à esquerda, usamos χ L como limite de Rejeição. Para testes unilaterais à direita, usamos χ R como limite de Rejeição.

2 2
Para unilateral à esquerda (χ L ) use sempre 1 – α Para unilateral à direita (χ R) use sempre α

- 56 -
EXEMPLO. TESTE UNILATERAL À ESQUERDA. Encontre χ2L quando o tamanho da amostra for 23, com nível de significância 10%

g.l. = n – 1 → 23 – 1 = 22 Usando g.l. = 22 com α = 0,90, encontramos 14,0415 na tabela χ2
2
1 – α → 1 – 0,10 = 0,90 Nota: para testes χ L use sempre 1 – α

Região de
aceitação 0,90

Região de
rejeição 0,10

χ2L = 14,0415

EXEMPLO. TESTE UNILATERAL À DIREITA. Encontre χ2R quando o tamanho da amostra for 41, com nível de significância 5%

g.l. = n – 1 → 41 – 1 = 40 Usando g.l. = 40 com α = 0,05, encontramos 55,7585 na tabela χ2
2
α → 0,05 Nota: para testes χ R use sempre α

Região de
aceitação 0,95

Região de
rejeição 0,05

χ2R = 55,7585


Z Último dígito
0 1 2 3 4 5 6 7 8 9

- 57 -
Teste para duas amostras - Conceitos introdutórios

Nos capítulos anteriores, mostramos como determinar INTERVALOS DE CONFIANÇA e realizar TESTES DE HIPÓTESES para
situações que envolvem UMA ÚNICA AMOSTRA de dados extraída de UMA ÚNICA POPULAÇÃO.

Agora, você ESTENDERÁ o TESTE DE HIPÓTESE e INTERVALOS DE CONFIANÇA para procedimentos que COMPARAM
estatísticas oriundas de DUAS AMOSTRAS de dados extraídas de DUAS POPULAÇÕES.

Justificativas e exemplos (adaptado de Farias et al, 2003):

Em muitas áreas da atividade humana há uma busca contínua por novos métodos, novos procedimentos que superem
ou melhorem, em certo sentido, aqueles já existentes:

 No setor de transportes, procuramos motores de maior rendimento e de menor ruído.
 A medicina procura drogas com maior poder de cura e o mínimo possível de efeitos colaterais.
 Na agricultura, buscamos variedades mais adequadas e mais produtivas de cereais.
 Um produtor quer saber se o novo cimento‐e‐cola para fixar azulejos tem maior grau de aderência que o atual.

Em todas essas situações, é preciso comparar as técnicas usuais com os métodos alternativos. A comparação da
eficiência de duas drogas, de dois métodos de produção de cimento‐e‐cola ou, em geral, de dois tratamentos é, pois, uma
questão importante que surge frequentemente no trabalho de pesquisa e desenvolvimento.

A escolha entre dois tratamentos diferentes não é uma tarefa tão simples como, a princípio, possa parecer. É necessário
realizar experimentos, coletar informações e fazer inferências (julgar) a partir da evidência experimental.

Tomemos o caso de duas terapias alternativas. Se todos os portadores de determinada doença se comportassem de
maneira idêntica em relação aos tratamentos utilizados, bastaria examinar o comportamento de um frente às
alternativas existentes; a decisão sobre qual é o melhor deles seria óbvia. Nenhuma análise estatística seria necessária.
Tal, entretanto, não é o caso. A reação a um tratamento varia de indivíduo para indivíduo, e, via de regra, não há
tratamento ótimo para todos. Como, em geral, não se conhece a reação de cada indivíduo, prescreve‐se o tratamento
que, em média, dá os melhores resultados.

O procedimento para determinar qual dos dois tratamentos é, em média, o mais eficiente envolve a seleção de duas
amostras e a comparação dos resultados obtidos. Neste capítulo, discutiremos como comparar os efeitos médios de dois
tratamentos.

Teste de Hipótese para a diferença de duas médias

Para amostras dependentes (dados emparelhados)

Duas amostras são dependentes se cada membro de uma amostra corresponde a “Antes” “Depois”
um membro de outra amostra. Amostras dependentes envolvem duplas idênticas,
“antes e depois” de resultados para a mesma pessoa ou objeto. Veja ao lado.

 Para cada par definido, o valor da primeira amostra está claramente associado ao
respectivo valor da segunda amostra.

 Nestes casos as duas amostras serão de mesmo tamanho.
 Amostras dependentes também são chamadas de amostras relacionadas ou dados amostra 1 amostra 2
emparelhados.

A equação para resolução de dados emparelhados é mostrada abaixo.

EQUAÇÃO DADOS EMPARELHADOS (use t ou z)
d = média das diferenças, dada por Estatística de teste Sd = desvio padrão das diferenças, dado por
t
  d 2 

d


d  d2   
d Sd  n 
n n Sd 
n 1
“d” é a diferença de cada dado,
2
encontrado por X2‐X1 “d ” é a diferença de cada dado, ao quadrado
t = distribuição t de Student. Use a Normal Z se n>30. n = tamanho da amostra.

Exemplo 1. Dez cobaias adultas foram submetidas ao tratamento com certa ração para engordar, durante uma
semana. Os animais foram perfeitamente identificados, tendo sido mantidos, para tanto, em gaiolas individuais. Os
pesos, em gramas, no princípio e no fim de semana, designados respectivamente por X1 e X2 são dados a seguir.
Ao nível de 1% de significância, podemos concluir que o uso da ração contribuiu para o aumento do peso médio dos
animais? (Moretim)
- 58 -
Resolução: A tabela com os dados da experiência é mostrada abaixo, juntamente com os cálculos do 1º e 2º passos.

1º passo: Encontrar d (X2‐X1) e ∑d (para permitir cálculo de d , que é a média das diferenças).
2º passo: Encontrar d2 e ∑d2 (para permitir cálculo de Sd, que é o desvio padrão das diferenças).
Dados da experiência
diferença d 2 3º passo: Calcular d
Cobaia X1 X2 d
d   d  66 = 6,6
(X2‐X1)
n é o tamanho da amostra
1 635 640 5 25
n 10
2 704 712 8 64
3 662 681 19 361
4 560 558 ‐2 4
5 603 610 7 49
6 745 740 ‐5 25 4º passo: Calcular Sd
7 698 707 9 81   d 2   66 2 
8 575 585 10 100  d2    882   
 n    10  = 7,043
9 633 635 2 4 Sd 
10 669 682 13 169 n 1 10  1
∑d=66 ∑d2=882

5º passo: Executar o Teste de Hipótese.
5.1 Formular as hipóteses
Em termos da diferença ”d”, as hipóteses são descritas como:
H0 : µ = 0
Ha : µ > 0

5.2 Definir o tipo de teste a ser usado
TABELA DISTRIBUIÇÃO t DE STUDENT (PARCIAL) O sinal é >. Então o teste será unilateral à direita.
Confiança, c 50% 80% 90% 95% 98% 99%
Unilateral, α 0,25 0,10 0,05 0,025 0,01 0,005 5.3 Encontrar t que estabelece limites de Aceitação/Rejeição

Bilateral, α 0,50 0,20 0,10 0,05 0,02 0,01 gl=n‐1 10‐1=9 → 2,821 | α=1% (0,01)
g.l. 1 1,000 3,078 6,314 12,71 31,82 63,66 Usando Unilateral, α=0,01 com g.l.= 9, encontramos t = 2,821 (veja na
2 0,816 1,886 2,920 4,303 6,965 9,925 tabela t ao lado). Como o teste é “unilateral à direita”, t será positivo.

3 0,765 1,638 2,353 3,182 4,541 5,841 5.4 Desenhe as regiões de Aceitação/Rejeição
4 0,741 1,533 2,132 2,776 3,747 4,604

5 0,727 1,476 2,015 2,571 3,365 4,032 Região de

6 0,718 1,440 1,943 2,447 3,143 3,707 aceitação
0,99 Região de
7 0,711 1,415 1,895 2,365 2,998 3,499
rejeição
8 0,706 1,397 1,860 2,306 2,896 3,355 α  0,01
9 0,703 1,383 1,833 2,262 2,821 3,250
10 0,700 1,372 1,812 2,228 2,764 3,169

11 0,697 1,363 1,796 2,201 2,718 3,106 t=+2,821

12 0,695 1,356 1,782 2,179 2,681 3,055 5.5 Calcular a estatística de teste:

13 0,694 1,350 1,771 2,160 2,650 3,012

14 0,692 1,345 1,761 2,145 2,624 2,977

t
d  6,6 = 2,96
15 0,691 1,341 1,753 2,131 2,602 2,947 Sd 7,043
16 0,690 1,337 1,746 2,120 2,583 2,921 n 10
17 0,689 1,333 1,740 2,110 2,567 2,898
18 0,688 1,330 1,734 2,101 2,552 2,878 5.6 Verifique se t caiu na região de Rejeição

19 0,688 1,328 1,729 2,093 2,539 2,861

20 0,687 1,325 1,725 2,086 2,528 2,845 Região de
aceitação
21 0,686 1,323 1,721 2,080 2,518 2,831
0,99
Região de
22 0,686 1,321 1,717 2,074 2,508 2,819 rejeição
23 0,685 1,319 1,714 2,069 2,500 2,807
α  0,01

24 0,685 1,318 1,711 2,064 2,492 2,797

25 0,684 1,316 1,708 2,060 2,485 2,787
+2,821
26 0,684 1,315 1,706 2,056 2,479 2,779

27 0,684 1,314 1,703 2,052 2,473 2,771 +2,96
5.7 Conclusão:
28 0,683 1,313 1,701 2,048 2,467 2,763
A estatística de teste t caiu na Região de Rejeição. Então, você
29 0,683 1,311 1,699 2,045 2,462 2,756
deverá REJEITAR A HIPÓTESE NULA (Ho). Ho é falsa.
0,674 1,282 1,645 1,960 2,326 2,576
Não se pode aceitar que o peso se manteve. Então, concluímos que o
uso da ração contribui para o aumento do peso médio dos animais.
- 59 -
Para amostras independentes (dados não emparelhados)

Duas amostras são independentes se a amostra selecionada de uma das populações
não é relacionada à amostra selecionada da segunda população. Veja ao lado.

 Em muitas situações em que desejamos comparar as médias dos efeitos de dois tratamentos,
não se utiliza o esquema de dados emparelhados, seja porque o emparelhamento não é
possível, seja porque não é a maneira mais conveniente de se fazer a comparação. Dividem‐se

então os indivíduos em estudo em dois grupos separados.

 Neste caso as duas amostras podem ser de tamanhos diferentes.
amostra 1 amostra 2
 Se os dados não são emparelhados, não terá sentido calcular as diferenças “d” entre os valores das duas amostras, e o teste deverá ser
baseado na diferença X1 ‐ X2 entre as médias das duas amostras. Temos dois casos para amostras independentes: teste Z para amostras
grandes (n>30, ou se o desvio padrão for conhecido) e teste t para amostras pequenas (n≤30, ou se o desvio padrão for desconhecido).

Teste Z para amostras grandes (n>30)

EQUAÇÃO TESTE Z DADOS NÃO EMPARELHADOS (n>30)
Estatística de teste X1 =média da amostra população 1
X1  X 2 X 2 = média da amostra população 2
A estatística de teste z segue uma z
S1 = desvio padrão da população 1
2 2
(S1) (S2)
distribuição normal.  S2 = desvio padrão da população 2
n1 n2 n1 = tamanho da amostra população 1
n2 = tamanho da amostra população 2

Exemplo 1: Um fabricante produz dois tipos de pneus, A e B. Uma grande companhia de taxi testou a durabilidade de 50
pneus do tipo A, obtendo média de 24.000km e desvio padrão de 2.500km, e 40 pneus do tipo B, obtendo média de
26.000km e desvio padrão de 3.000km. Ao nível de 4% de significância, testar a hipótese de que a duração média dos dois
tipos de pneus é diferente (ou seja, não é a mesma).

1º passo: Formular as hipóteses 4º passo: Desenhar as Regiões de Rejeição e 5º passo: Calcular a

H0 : X1 = X2 de Aceitação, em função de z (nível α) estatística de teste

Ha : X1 ≠ X2

X1  X 2
2º passo: Definir o tipo de teste a ser usado
Região de z
Queremos testar se a média de A e B é diferente. O
2 2
aceitação (S1) (S2)
Região de Região de 
sinal é ≠. Usamos o Bilateral, pois testaremos um rejeição rejeição n1 n2
intervalo aceitável. α 0,02 0,96 α  0,02
2 2
24.000  26.000

3º passo: Encontrar escore z que estabelece os z  3,38

2 2
limites de Rejeição/Aceitação: ( 2.500) (3.000)
0,96 Z=‐2,05 Z=+2,05 (0,96/2 = 0,48) 
α=4% | /2 = 0,48 → z = ‐2,05 e +2,05 50 40

Ao procurar 0,48 na tabela Normal, encontramos z = ±2,05
(pois 0,4798 é mais próximo. Como o teste é “Bilateral”,
usamos z positivo e negativo).

6º passo: Verifique se a estatística de teste caiu 7º e último passo: Tomada de decisão:
na Região de rejeição: A estatística de teste caiu na Região de Rejeição.

Então, deve‐se REJEITAR A HIPÓTESE NULA (Ho).
Região de
estatística de teste aceitação
Ou seja, Não se pode aceitar que a durabilidade média
(obtido no 5º passo) rejeição dos pneus é a mesma. Concluímos que os pneus tem
rejeição
α 0,02 0,96 α  0,02 durabilidade média diferente.
2 2

z=‐2,05 z=+2,05
z=‐3,38

- 60 -

UNIDADE VII

Complementos

 Gráficos e Tabelas, 61
 Distribuição de frequências em classes, 65
 Medidas de posição (Média, Mediana e Moda), 68
 Medidas de Ordenamento (Quartil, Decil e Percentil), 74
 Vocabulário básico de Estatística, 76
 População e amostra, 78
 Estatística Descritiva e Inferencial, 80

- 61 -
GRÁFICOS E TABELAS

As tabelas e gráficos constituem um importante instrumento de análise e interpretação de um conjunto de dados.
Diariamente é possível encontrar tabelas e gráficos nos mais variados veículos de comunicação (jornais, revistas, televisão,
Internet), associadas a assuntos diversos do nosso dia‐a‐dia, como resultados de pesquisas de opinião, saúde e
desenvolvimento humano, economia, esportes, cidadania, etc. A importância das tabelas e dos gráficos está ligada sobretudo à
facilidade e rapidez na absorção e interpretação das informações por parte do leitor e também às inúmeras possibilidades de
ilustração e resumo dos dados apresentados.

TABELAS

São quadros que resumem um conjunto de dados.

Título – conjunto de informações sobre o estudo.
Cabeçalho –especifica o conteúdo das colunas
Coluna indicadora –especifica o conteúdo das linhas
Coluna numérica ‐–especifica a quantidade das linhas
Linhas – retas imaginárias de dados
Célula – espaço destinado a um só número
Rodapé – simplesmente a fonte dos dados

Tipos de Tabelas

SÉRIE HISTÓRICA SÉRIE GEOGRÁFICA SÉRIE ESPECÍFICA
Descreve os valores da variável, Descreve os valores da variável, Descreve os valores da variável,
discriminados por TEMPO (anos, discriminados por REGIÕES (países, discriminados por temas
meses, dias, horas, etc. cidades, bairros, ruas, layout, etc) ESPECIFICOS.

SÉRIE CONJUGADA
É utilizado quando temos a necessidade de apresentar em uma única
tabela a variação de valores DE MAIS DE UMA VARIÁVEL, isto é,
fazer de forma conjugada de duas ou mais séries.

Esta série, por exemplo, é GEOGRÁFICA – HISTÓRICA

- 62 -
GRÁFICOS

A importância dos gráficos está ligada à facilidade e rapidez na absorção e interpretação das informações e
também às inúmeras possibilidades de ilustração e resumo dos dados apresentados. Eis os mais usados:

Gráfico em Linha (para séries históricas)
É a representação dos valores por meio de linhas. Usamos quando precisamos de uma informação rápida de um
valor ao longo do tempo.

ACIDENTES DO TRABALHO
SÃO PAULO: 1989 ‐ 1994

10000
8658 9578
8000 7265
6325 6254
Quantidade
6000

5458
4000

2000

0
1989 1990 1991 1992 1993 1994
Anos
FONTE: Dados fictícios

ACIDENTES DO TRABALHO EM
SÃO PAULO: 1989 ‐ 1991
2500

São Paulo
2000
Guarulhos

Quantidade
1500 Campinas

Osasco
1000 Santos

500

0
1989 1990 1991
FONTE: Dados fictícios anos

Gráfico em Colunas
É a representação dos valores por meio de retângulos, dispostos verticalmente. Utiliza‐se muito quando
necessitamos saber a quantidade de valor.

QUANTIDADE DE ACIDENTES DO TRABALHO
SÃO PAULO: 1989 ‐ 1994
12000
9578
10000
8658
7265
8000
Quantidade
6325 6254
6000 5458
4000
2000

0
1989 1990 1991 1992 1993 1994

FONTE: Dados fictícios Anos

- 63 -
Gráfico em Barras
É o mesmo conceito que o de Colunas, porém utiliza‐se sempre que os dizeres a serem inscritos são extensos.

QUANTIDADE DE ACIDENTES DO TRABALHO
EM SÃO PAULO ‐ POR TIPO ‐ 1989

Corte 598
Queda 3578

Tipo
Atrito 698

Perfuração 55
Impacto 1396

0 1000 2000 3000 4000
Quantidade

Gráfico em Setores
Este gráfico é construído com base em um círculo, e é empregado sempre que desejamos ressaltar a participação
de um dado no total, geralmente na forma de porcentagem.

SÃO PAULO ‐ 1989


Gráfico Polar
É o gráfico ideal para representar séries temporais cíclicas, isto é, séries temporais que apresentam em seu
desenvolvimento determinada periodicidade, por exemplo, o mês de janeiro a dezembro.


SÃO PAULO ‐ 1989

- 64 -
Gráfico de Pareto
É um gráfico de colunas na qual a altura de cada barra representa os dados, porém na ordem de altura
decrescente, com a coluna mais alta posicionada à esquerda. Tal posicionamento ajuda a enfatizar dados
importantes e é frequentemente usado nos negócios.

Os cinco veículos mais vendidos Os cinco veículos mais vendidos
no Brasil em janeiro de 1995 no Brasil em janeiro de 1995
40
Quantidade
Quantidade (milhões)
34
Veículo 30
(milhões) 30
25 22
Ômega 34
20 15
Monza 30
Gol 25 10
Corsa 22
Fusca 15 0
Ômega Monza Gol Corsa Fusca

FONTE: Dados fictícios Veículos

Gráfico de Dispersão
É usado para representar a relação entre duas variáveis quantitativas, por meio de pontos e linhas. Aprendemos a
utilizar esse gráfico quando estudamos “Correlação e Regressão”.

Investimentos versus vendas
no setor da empresa X

Anos Investimentos Vendas
1999 500 1000
2000 1000 2000
2001 1500 3000
2002 2000 4000

Gráfico Cartograma
Este gráfico é empregado quando o objetivo é o de figurar os dados estatísticos diretamente relacionados com
áreas geográficas ou políticas (mapas), corpo humano entre outras figuras.

Número de cada
Delegacia

FONTE: SSP/SP

- 65 -
DISTRIBUIÇÃO DE FREQUÊNCIAS EM CLASSES

Em uma distribuição de frequência, ao se trabalhar com grandes conjuntos de dados e com valores
dispersos, podemos agrupá-los em classes.

 Se um conjunto de dados for muito disperso, uma representação melhor seria através do agrupamento dos dados
com a construção de classes de frequência. Caso isso não ocorresse, a tabela ficaria muito extensa. Veja abaixo:

EXEMPLO

Um radar instalado na Dutra registrou a velocidade (em Km/h) de 40 veículos, indicadas abaixo:

Velocidade de 40 veículos (Km/h) Distribuição de frequência com classes
Limite Limite
70 90 100 110 123 inferior i Velocidade (Km/h) f superior
71 93 102 115 123 1 70  80 4
73 95 103 115 123 Classes 2 80  90 4
76 97 105 115 123 3 90  100 8
80 97 105 117 124 4 100  110 8
81 97 109 117 124 5 110  120 6
83 99 109 121 128
6 120  130 10
86 99 109 121 128
f=40

Distribuição de frequência
A distribuição em ”classes” é como se fosse uma compressão dos dados. Imagine se
Nota f fizéssemos uma distribuição de frequência de todas velocidades (de 70 a 128). A tabela

70 1 ficaria imensa! Por este motivo existe a distribuição de frequência com classes.

71 1 Como criar uma Distribuição de Freqüência com classes

73 1
1. Calcule a quantidade de classes (i), pela raiz da quantidade de dados. São
76 1
40 veículos. Então, 40 = 6,3  i = 6 classes.

80 1

81 1 2. Calcule a amplitude de classe (h) que é o tamanho da classe, sendo:

83 1 Maior valor – Menor valor = 128 – 70 = 9,6  h=10
86 1 quantidade de classes (i) 6
90 1
Nota: o Maior valor (128) e o Menor valor (70) são obtidos da lista dos registros das
93 1 velocidades dos 40 veículos.

95 1

3. Montar as classes a partir do Menor valor (70), somando com a
97 3 amplitude de classe (10) até que se chegue na 6ª classe, assim:

99 2
100 1 i Velocidade (Km/h)

1 70 +10 80
102 1
2... 80 +10 90
103 1
...6 120 +10 130
105 2

109 3 TIPOS DE INTERVALOS DE CLASSE
110 1

Tipo Representação Dados do intervalo
115 3
Aberto 70  80 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80
117 2
Fechado à esquerda 70  80 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80

121 2 Fechado 70  80 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80
Fechado à direita 70  80 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80

123 4
124 2 No Brasil usa‐se o intervalo  (Resolução 866/66 do IBGE). Já na literatura estrangeira

utiliza‐se comumente com intervalo fechado.
128 2
CONCEITOS IMPORTANTES

f=40
LIMITES DE CLASSE ‐ São os valores extremos de cada classe. No exemplo 70  80,
temos que o limite inferior é 70 e o limite superior 80.
É fácil ver que a distribuição de frequências
diretamente obtida a partir desses dados é AMPLITUDE TOTAL DA DISTRIBUIÇÃO (AT) – É a diferença entre o limite superior da
dada uma tabela razoavelmente extensa. última classe e o limite inferior da primeira classe, no exemplo 130 – 70 = 60.

AMPLITUDE AMOSTRAL (AA) – É a diferença entre o valor máximo e o valor mínimo
da amostra, no exemplo 128 – 70 = 58.

- 66 -
Abaixo vemos as distribuições de frequências absoluta f, relativa fr(%), absoluta acumulada Fa e relativa acumulada FRa(%),
bem como o Histograma desta distribuição.

Distribuição de freqüência com classes f, fr(%), Fa e FRa (%)
Resultados dos registros
12 de um radar

Quantidade de veículos
10
i Velocidade (Km/h) f Fr(%) Fa FRa(%) 10
1 70  80 4 10% 4 10% 8 8
8
2 80  90 4 10% 8 20% 6
3 90  100 8 20% 16 40% 6
4 4
4 100  110 8 20% 24 60% 4
5 110  120 6 15% 30 75%
2
6 120  130 10 25% 40 100%
0
f=40 100%
70 80 90 100 110 120 130

Velocidade (Km/h)

OUTRAS REPRESENTAÇÕES GRÁFICAS DE UMA DISTRIBUIÇÃO DE FREQUÊNCIA

Polígono de frequência – É um gráfico em linha que representa os pontos centrais dos intervalos de classe.

Para construir este gráfico, você deve calcular o ponto central de classe (xi), que é o ponto que divide o intervalo de classe em
duas partes iguais. Por exemplo, a velocidade dos veículos da 1ª classe pode ser representada por 70 + 80 = 75Km/h
2

i Velocidade (Km/h) f xi
12 de um radar
1 70  80 4 75
10
2 80  90 4 85 Ponto central
3 90  100 8 95
75Km/h
8
4 100  110 8 105
6
5 110  120 6 115
4
6 120  130 10 125
70  80
 2
f=40
0
A construção de um polígono de frequências é muito simples. Primeiro, 70 75 80 85 90 95 100 105 110 115 120 125 130

construímos um histograma; depois marcamos no “telhado” de cada
Velocidade (Km/h)
coluna o ponto central e unimos sequencialmente esses pontos.

Ogiva – (pronuncia‐se o’jiva). Conhecida também por polígono de frequência acumulada. É um gráfico em linha que
representa as freqüências acumuladas (Fa), levantada nos pontos correspondentes aos limites superiores dos intervalos de
classe. Para construí‐la, você deve elaborar o histograma de freqüência f em uma escala menor, considerando o último valor a
freqüência acumulada da última classe, no caso, 40.

40 40
i Velocidade (Km/h) f Fa de um radar
35
1 70  80 4 4 30
30
2 80  90 4 8
24
25
3 90  100 8 16 20 16
4 100  110 8 24
15
5 110  120 6 30 8 8 8 10
10 6
6 120  130 10 40
5 4 4 4

f=40
0
70 80 90 100 110 120 130
Velocidade (Km/h)

- 67 -

MEDIDAS DE POSIÇÃO E

ORDENAMENTO
O que dizer se um professor quer saber sobre as notas dos 110 alunos de uma disciplina? Poderíamos, talvez,
utilizar para resposta uma tabela com as frequências das notas. Porém, o professor gostaria de uma resposta
rápida, que sintetize a informação que se tem, e não uma distribuição de frequência das notas coletadas.

Para resumir a quantidade de informação contida em um conjunto de dados, utilizamos, em estatística, medidas
que descrevem, POR MEIO DE UM SÓ NÚMERO, características desses dados. Veja exemplo abaixo.

NOTAS DE ESTATÍSTICA DE 110 ALUNOS DA ESCOLA A
5.6 8.3 4.5 8.7 3.9 9 5.5 7.9 9.5 10
9.6 6.6 5.3 3 9.5 3.9 9 5.6 7 5.9
7 8.9 2 8.7 9 3 8 6.7 4.2 6.5
6.5 4.6 9.5 5.3 3.9 9 3 8.8 9 8.9
7.1 6.5 3.9 4.9 9.4 5.3 9.5 2 5.3 7.5
9.2 9.8 9.5 5.9 5.5 5 7 8.3 5.6 9
6.1 5.6 4.9 6.5 9 9.6 7.5 7 9 4.5
4.2 8.9 9.6 9.8 8 6.5 7.9 2 5 5.3
7.3 8 9 5.6 1 9.8 4 9.5 3.6 5
8.6 4.2 9.6 8.9 5.9 4.2 6 5.3 8 2.8
9.2 9 9.8 3.9 8 9.5 3.3 8.4 5.3 4.5

Para uma conclusão rápida, qual foi o desempenho desses alunos? Isto pode ser respondido com as medidas abaixo.

Medidas resumo Valor Interpretação

Média 6,5 Valor que representa o ponto de equilíbrio das notas (como uma gangorra).
Mediana 7,0 50% dos alunos tiraram abaixo de 7,0.
Moda 9,0 Nota que mais se repetiu.
Desvio padrão ‐ DP 2,3 A maioria das notas está variando entre ±2,3 em torno da média 6,5 (4,2‐‐‐‐8,8)
Coeficiente variação 34% Há variação de 34% das notas em torno da média (complementa o DP).
1º Quartil 5,0 25% dos alunos tiraram abaixo de 5,0.
3º Quartil 9,0 75% dos alunos tiraram abaixo de 9,0.

Através dessas informações é possível analisar o desempenho desses alunos.

- 68 -
MEDIDAS DE POSIÇÃO (MÉDIA, MEDIANA E MODA)

São medidas que utilizamos para obter um número que represente o valor central de um conjunto de dados. As Medidas de
Tendência Central mais utilizadas são: Média, Mediana e Moda.

MÉDIA

MÉDIA SIMPLES - É uma medida que representa um valor típico ou normal num conjunto de dados.

 A média simples serve como um “ponto de equilíbrio” em um conjunto de dados (como o ponto de apoio de uma
gangorra). Cada dado tem igual importância e peso. Sofre a influência de todos os dados.

A Média simples é obtida pela seguinte equação:
x = x → soma dos valores dos dados A Média é representada por x

n → quantidade de dados (lê‐se “x barra”)

EXEMPLO. Supondo que uma escola adote como critério de aprovação a Média 7,0 e, considerando as quatro
notas de João e Maria durante o ano, informe se foram aprovados.

Média das notas de João
Notas de João: 3,5 | 6,0 | 9,5 | 9,0 | 10.0 9.5 9.0

8.0 7,0 Média de João
x = x 3,5 + 6,0 + 9,5 + 9,0 6.0
Notas
6.0
n 4
4.0 3.5

x = 7,0 → aprovado 2.0
0.0
1º Bim 2º Bim Média 3º Bim 4º Bim
Bimestres
MÉDIA PONDERADA. Semelhante a Média simples, porém, atribuindo-se a cada dado um peso que
retrate a sua importância.

 O termo “ponderação” é sinônimo de peso, importância, relevância. Sugere, então, a atribuição de um peso a um determinado dado.
Em alguns casos, os valores variam em grau de importância, de modo que podemos querer ponderá‐los apropriadamente. É calculada
multiplicando‐se um peso por cada valor, fazendo com que alguns valores influenciem mais fortemente a média do que outros.

A Média ponderada é obtida pela seguinte equação: Vamos representar a

Média ponderada por
xp = (x . p) → soma dos valores . pesos
xp
 p → soma
dos pesos

EXEMPLO Supondo que uma escola adote como critério de aprovação a Média 7,0, sendo que as provas bimestrais
são ponderadas com pesos 1, 2, 3 e 4, respectivamente para o 1º bim, 2º bim, 3º bim e 4º bim. Considerando as
notas de João (na ordem bimestral crescente), informe se foi aprovado.
Notas de João: | 9,0 | 8,0 | 6,0 | 5,0 Média ponderada das notas de João

10,0 9,0
x p = (x . p) 8,0
8,0
Notas e pesos
 p 6,3 Média ponderada

6,0
6,0 5,0
xp = (9,0 . 1) + (8,0 . 2) + (6,0 . 3) + (5,0 . 4) 4,0
1+2+3+4 4
2,0 3

1 2
x p = 6,3 → reprovado 0,0
1º Bim 2º Bim Média 3º Bim 4º Bim
Nota. Em uma média simples ele seria aprovado por 7,0. Bimestres

A atribuição de pesos visa fazer com que certos valores tenham mais influência no resultado do que outros. Também pode ser
aplicado em cálculos de índices de inflação, atribuindo pesos para setor de vestuário, alimentação, etc.
- 69 -
MÉDIA DE DISTRIBUIÇÃO DE FREQUÊNCIA – aplica-se quando não se tem a lista original dos dados
Quando trabalhamos com uma distribuição de frequência, não sabemos os valores exatos que caem em
determinada classe. Para tornar possíveis os cálculos, consideramos que, em cada classe, todos os valores
amostrais sejam iguais ao ponto central de classe. Por exemplo, considere o intervalo de classe 70  80, com
uma frequência de 4. Admitimos que todos os 4 valores sejam iguais a 75 (o ponto central de classe). Com o total
de 75 repetido 4 vezes, temos um total de 75 x 4 = 300. Podemos, então, somar esses produtos obtidos de cada
classe para encontrar o total de todos os valores, os quais, então, dividimos pela quantidade de dados.

É importante salientar que a distribuição de frequência resulta em uma aproximação da média
porque não se baseia na lista original exata dos valores amostrais.

CALCULANDO A MÉDIA DE DISTRIBUIÇÃO DE FREQUÊNCIA COM INTERVALO DE CLASSE
Ponto central de classe

Procedimento:
i Velocidade (Km/h) f x f . x
1. Multiplicar as frequências f pelos pontos centrais
1 70  80 4 x =
75 300 de classe x e adicionar os produtos.
2 80  90 4 85 340 2. Somar as frequências f;
3 90  100 8 95 760 3. Somar os produtos (f.x);
4 100  110 8 105 840 4. Aplicar a fórmula abaixo:

5 110  120 6 115 690
6 120  130 10 125 1250 x = (f.x) → 4180 = 104,5 Km/h
f 40
f=40 ‐ (f.x) = 4180

Média a partir de um HISTOGRAMA COM INTERVALOS DE CLASSE:

R e s u lta d o s d o s re g is tro s d e u m ra d a r Não é necessário montar tabela. Veja na figura ao lado

12
10 que basta multiplicar a freqüência pelo ponto médio e

10
(4*75)+(4*85) ... adicionar os produtos. Depois, divida pela soma das
8 8
8 freqüências.
6
6
+ (4*75)+(4*85)+(8*95)+(8*105)+(6*115)+(10*125)
4 4
4
4+4+8+8+6+10
2 x x
0 x = (f.x) → 4180 = 104,5 Km/h
75 85 95 105 115 125
70 80 90 100 110 120 130

f 40
Velocidade (Km/h)

CALCULANDO A MÉDIA DE DISTRIBUIÇÃO DE FREQUÊNCIA SEM INTERVALO DE CLASSE

Nota (x) f f . x Quando a distribuição não tem agrupamento de classes,

(nº de alunos) consideraremos as frequências como sendo os pesos
4,0 5
X = 20 dos elementos correspondentes:
5,0 3 15
6,0 2 12 (5*4,0)+(3*5,0)+(2*6,0)+(3*7,0)+(2*8,0)+(10*9,0)
7,0 3 21 5+3+2+3+2+10
8,0 2 16
9,0 10 90 x =(f.x) → 174 = 6,96
f=25 (f.x) = 174 f 25

Média a partir de um HISTOGRAMA SEM INTERVALO DE CLASSE Multiplique a freqüência por “x” (notas) e adicione os
produtos. Depois, divida pela soma das freqüências.
Desempenho dos alunos na prova
12 (5*4,0)+(3*5,0)+(2*6,0)+(3*7,0)+(2*8,0)+(10*9,0)
10
Número de
10 5+3+2+3+2+10
alunos
8
6 5
4 3 3
x =(f.x) → 174 = 6,96
2 x
2 2
f 25
0
4.0 5.0 6.0 7.0 8.0 9.0
Nota
- 70 -
MEDIANA

Medida que representa o valor que está no MEIO de um conjunto de dados.

Uma desvantagem da média simples é que ela é sensível a qualquer valor, de modo que um valor 0% 50% 100%
excepcional (alto ou baixo) pode afetar drasticamente a média. A Mediana supera grandemente
essa desvantagem, pois não é afetada por valores extremos, de tal modo que você pode utilizar a
mediana quando estão presentes valores extremos. Mediana

Como achar a mediana de um conjunto de dados
Para quantidade ÍMPAR de valores Para quantidade PAR de valores
n
1
n 2

P
P1
 As posições dos termos
2
A Posição do termo central é dada por:   e P2 = a que sucede P1
centrais são dadas por:

Ex.: 12, 78, 69, 75, 80, 71, 82, 73, 785. n=9 Ex.: 12, 78, 69, 75, 80, 71, 82, 73, 785, 995. n=10
1 2
0
9
1

P1
P
 = 5 → 5ª posição  = 5ª posição e P2 = 6ª posição

2


A Md é o valor da 5º posição. Ordenando os dados, temos: A Md é o valor entre a 5º e 6ª posição. Ordenando os dados, temos:

12, 69, 71, 73, 75 ,78, 80, 82, 785 12, 69, 71, 73, 75, 78 80, 82, 785, 995
1ª 2ª 3ª 4ª 5ª 6ª 7ª 8ª 9ª 1ª 2ª 3ª 4ª 5ª 6ª 7ª 8ª 9ª 10ª
Mediana Mediana
7
5
7
8
M
d
A Md é a Média dos dois termos centrais.  = 76,5
2


MEDIANA de uma distribuição de frequência e Histograma SEM INTERVALOS DE CLASSE

Desempenho dos alunos na prova
Nota
f f = n = 25 → ímpar
12
Fa Observações 11
n
1
2
5 2
1

Número de alunos
P
 →  = 13ª 10
2
4,0 4 4 Da 1ª até a 4ª  Fa 13ª

8
5,0 3 7 Da 5ª até a 7ª
6
6,0 2 9 Da 8ª até a 9ª 4
Os dados já estão ordenados. Então a 4 3 3
7,0 3 12 Da 10ª até a 12ª Md é o valor da 13ª posição. Através da 2 2
2
8,0 2 14 Da 13ª até a 14ª Fa fica fácil identificar a posição central:
0
9,0 11 25 Da 15ª até a 25ª Então, a nota Md = 8,0 4.0 5.0 6.0 7.0 8.0 9.0
f=25 Nota Md = 8,0

MEDIANA de uma distribuição de frequência e Histograma COM INTERVALOS DE CLASSE

Acumule Fa e ache a posição da Md n 40
Independente se n é ímpar ou par usa‐se a equação /2. Então, /2 = 20
A Md está na 20ª posição e será algum valor da classe mediana 100  110. A
i Velocidades f Fa partir da equação abaixo podemos achar uma aproximação da Md.

1 70  80 4 4
n  Resolvendo a equação, temos:
2 80  90  2 ‐ Fa ant  * h

4 8
3 90  100 8 16 Md  l inf     40 

 2 ‐ 16 * 10

4 100  110 8 24 20ª f

Md  100 
5 110  120 6 30 l inf = limite inferior da classe mediana 8
6 120  130 10 40 Faant = Fa da classe anterior
h = amplitude do intervalo de classe
f=40 f = freqüência da classe mediana
Md = 105 Km/h, aproximadamente

Resultados dos registros O total das frequências é 40. Então, a Md será 40/2 = 20ª posição. Observe
12 de um radar Fa pelo Fa que a classe mediana é 100  110. Também é possível
10
10 Fa ant = 16 20ª determinar l inf, Fa ant, h e f. Então, aplicando a equação, temos:
8 8 8
(4+4+8)
f = 8 6  40 
6  2 ‐ 16 * 10
4
4 4
Md  100  = 105 km/h, aproximadamente
2
← h → 8
10
l inf
0
70 80 90 100 110 120 130

Velocidade (Km/h)
- 71 -
NOTA SOBRE A MEDIANA. A mediana é menos utilizada do que a média simples. A mediana pode ser aplicada quando existem valores

discrepantes em um conjunto de dados. Por exemplo, se a renda per capita de sete famílias fosse: $240; $370; $410; $520; $630; $680 e $820,
a mediana seria $520 e a média $524. Essas duas medidas poderiam representar este conjunto de dados. Mas se a renda de sete famílias fosse:
$240; $370; $410; $520; $630; $680 e $10.000, o valor da mediana manter‐se‐ia o mesmo, enquanto a média simples passaria a ser $1.836,
pois foi influenciada pelo valor discrepante ($10.000), que não é uma medida ideal para representar este conjunto de dados. A medida ideal
seria a mediana. Note que os valores discrepantes tem, pois, muito menor influência sobre a mediana do que sobre a média.

Em relação à mediana na distribuição de freqüência com intervalos de classe, admite‐se que as velocidades dos veículos se distribuem
40
continuamente. Nesse caso, a mediana é a velocidade para o qual a metade da freqüência total /2 = 20 fica situada abaixo e a outra acima
dele. Ora, a soma das três primeiras freqüências de classe é 4+4+8 = 16. Então, para obter a 20ª velocidade desejada, são necessários mais 4
4
dos 8 casos existentes na 4ª classe. Como o quarto intervalo de classe, 100  110, a mediana situa‐se a 4/8 de distância, e é: 100 + /8 (110 –
100) = 105 km/h. Com a equação fica mais fácil encontrar a mediana pois não exige este tipo de raciocínio.

MODA
Medida que representa o valor que mais se REPETE em um conjunto de dados.
Na linguagem coloquial, moda é algo que está em evidência, ou seja, algo que se vê bastante! Em estatística a moda é o valor que detém
o maior número de observações, ou seja, o valor ou valores mais frequentes em uma série de dados. A moda não é necessariamente
única, ao contrário da média simples ou da mediana. É especialmente útil quando os valores ou observações não são numéricos, uma vez
que a média e a mediana podem não ser bem definidas.

A série {1, 3, 5, 5, 5, 6, 6, 7} apresenta moda = 5, pois é o número que mais se repete.
Exemplos: A série {1, 3, 5, 5, 6, 6, 7, 8} apresenta duas modas (Bimodal): 5 e 6, pois são os que mais se repetem.
A série {1, 3, 5, 5, 6, 6, 7, 7} apresenta mais do que duas modas (Polimodal): 5, 6 e 7
A série {1, 3, 2, 5, 8, 7, 9, 10} não apresenta moda = amodal, pois nenhum número se repete.

MODA de uma distribuição de freqüência e Histograma SEM INTERVALOS DE CLASSE

Notas dos alunos Desempenho dos alunos na prova
4,0 5,0 8,0 9,0 f
Nota 12
(nº de alunos)
Número de alunos
4,0 6,0 9,0 9,0 10 Moda

4,0 5 10
4,0 6,0 9,0 9,0 Nota
4,0 7,0 9,0 9,0 5,0 3 8
9,0
4,0 7,0 9,0 6,0 2 6 5
5,0 7,0 9,0 7,0 3 4 3 3
5,0 8,0 9,0 8,0 2 2 2
2
9,0 10
A Moda será a nota 9,0, pois é 0
f=25
a que mais se repete no 4,0 5,0 6,0 7,0 8,0 9,0
conjunto de dados Nota

MODA de uma distribuição de frequência e Histograma COM INTERVALOS DE CLASSE
120+130 = 125Km/h
a) Moda Bruta 2
A Moda Bruta será o ponto 12 de um radar
f médio de classe modal, que é a 10

i Velocidade (Km/h) 10
classe que apresenta a maior
70  80
8 8
1 4 8
frequência. Então:
2 80  90 4

6
6

3 90  100 8 Mo = 120 + 130 = 125Km/h 4
4 4
4 100  110 8 2
2
5 110  120 6
0
6 120  130 10

Classe modal (tem maior frequência) 70 80 90 100 110 120 130
f=40
Velocidade (Km/h)

NOTAS SOBRE A MODA. Na distribuição de freqüência em classes, o método utilizado para encontrar a moda por meio do ponto médio

de classe é chamado de moda bruta, e é apenas uma aproximação pois não foi baseada na lista original de dados. Existem outros métodos para
encontrar a Moda de uma distribuição de freqüência com intervalo de classe: Método de Czuber, Método de King e Método de Pearson,
normalmente exigidos em concursos públicos.

- 72 -
b) Moda de czuber

  limite inferior da classe modal f* = frequência da classe modal
D1 f(ant) = frequência da classe anterior à classe modal
Mo Czuber    *h D1 = f* – f(ant)
D1  D 2 D2 = f* – f(post) f(post) = frequência da classe posterior à classe modal
h = amplitude da classe modal

Exemplo de cálculo da Moda de Czuber (pela Distribuição de Freqüência e pelo Histograma)
Registro das velocidades de

veículos em uma rodovia Resultados dos registros
12 de um radar
f*
i Velocidade (Km/h) f
10

1 70  80 4 10
8 8 f(ant) f(post)
2 80  90 4 8
3 90  100 8 6
6
4 100  110 8 4 4
4
5 110  120 6
2
h*
6 120  130 10
Classe modal

(tem maior frequência)
f=40 0
Classe
70 80 90 100 110 120 130 modal

Velocidade (Km/h)

(10 - 6)

D1 4
Mo  l  * h → Mo  120  * 10 Mo  122,85
D1  D 2 4  10
(10 - 6) (10 - 0)

Nota: Como não existe frequência simples da classe posterior à classe modal, então f‐ f(post) = 10 ‐ 0.
- FUNDAMENTOS DA EQUAÇÃO DE CZUBER –

Pode‐se determinar graficamente a posição da Moda no histograma representativo de uma distribuição de frequências. O
método descrito abaixo é o equivalente geométrico da equação de Czuber.
1º ‐ A partir dos vértices superiores do retângulo correspondente à classe modal (A e B), traçamos os seguimentos concorrentes
AC e BD, ligando cada um deles ao vértice superior adjacente do retângulo correspondente a uma classe vizinha, conforme
ilustrado na figura acima.
2º ‐ A partir da interseção dos segmentos AC e BD, baixamos uma perpendicular ao eixo horizontal, determinando o ponto que
indica a Moda, que é 122,85.
- 73 -
RELAÇÃO ENTRE MÉDIA, MEDIANA E MODA.

Pelo formato da distribuição dos dados, sempre existirá uma relação empírica (baseado na experiência) entre a
média, mediana e a moda. Através dessa relação podemos saber, aproximadamente, onde se encontram essas
medidas, sem necessidade de cálculos.

Quando a Média, Mediana e Moda se coincidem, chamamos a distribuição dos dados de Simétrica ou Normal.

Média = mediana = moda SIMÉTRICA ou NORMAL ou FORMA DE SINO

Quando a distribuição tem a forma de sino (linha tracejada), a
quantidade de dados vai aumentando, atinge um pico, e depois
10 Média diminui. Se dividíssemos em duas metades, a partir do centro,
de um radar
Mediana note que os dois lados seriam iguais. O calculo abaixo confirma a
8 7 Moda afirmativa que numa distribuição normal a média, mediana e

moda se coincidem.
6

4 4
4 3 3 Média = 70(3) + 80(4) + 90(7) + 100(4) + 110(3) = 90 Km/h
3+4+7+4+3
2

0 Mediana = 90 Km/h
70 80 90 100 110 90=90=90

Velocidade (Km/h)
Moda = 90 Km/h

Quando a Média, Mediana e Moda não se coincidem, chamamos a distribuição dos dados de assimétrica.

Média < mediana < moda Assimétrica à esquerda (ou negativa)
Resultados dos registros Neste tipo de distribuição, a média, mediana e a moda estarão
12 aproximadamente conforme gráfico ao lado. A média será menor
de um radar Mediana
que a mediana e a moda. O cálculo abaixo confirma a afirmativa:
10 9 Moda
Média
8 Média = 70(1) + 80(3) + 90(6) + 100(9) + 110(2) = 94 Km/h
6
6 1+3+6+9+2

4 3
Mediana = 100 Km/h
2
2 1 Me Md Mo
0
94 < 100 ≤ 100
70 80 90 100 110 Moda = 100 Km/h
Velocidade (Km/h)

Média > mediana > moda Assimétrica à direita (ou positiva)
Neste tipo de distribuição, a média, mediana e a moda estarão
Resultados dos registros aproximadamente conforme gráfico ao lado. A média será maior
12 que a mediana e a moda. O cálculo abaixo confirma a afirmativa:
de um radar

10 Mediana 9 Média
Média = 70(2) + 80(9) + 90(6) + 100(3) + 110(1) = 86Km/h
Moda
8 2+9+6+3+1
6
6
Mediana = 80 Km/h
4 3
Me Mo Md
2
2 1 86 > 80 ≥ 80
0
Moda = 80 Km/h
70 80 90 100 110
Velocidade (Km/h)
- 74 -
MEDIDAS DE ORDENAMENTO (OU SEPARATRIZES).

São medidas que "separam" o conjunto de dados em um certo número de partes iguais.
As medidas usadas são a Mediana, o Quartil, Decil e o Percentil. A mediana já conhecemos. Estudaremos as outras medidas.
QUARTIL (4 PARTES) 0% 25% 50% 75% 100%
Divide um conjunto de dados em quatro |----------|---------|----------|---------|
partes iguais. Precisamos, portanto, de 3 Q1 Q2 Q3

2º quartil 3º quartil
quartis (Q1 , Q2 e Q3 ) para dividir a série 1º quartil
Coincide com a deixa 75% dos dados
deixa 25% dos dados
em quatro partes iguais. abaixo dele. mediana. abaixo dele.

O método mais prático é utilizar o princípio do cálculo da mediana para os 3 quartis. Na realidade serão calculadas "3
medianas" em uma mesma série.

Determine Q1, Q2 e Q3. dos salários de 9 empregados da uma empresa, abaixo
1º 2º Q1 3º 4º 5º 6º 7º Q3 8º 9º
$500 $550 | $600 $650 $700 $750 $800 | $850 $900
$575 Q2 $825
Q1 será a média da 2ª e 3ª posição Md Q3 será a média da 7ª e 8ª posição

QUARTIL de uma distribuição de freqüência SEM INTERVALOS DE CLASSE
n
1
4
5 4
1

i Velocidades f Fa 1º quartil Q1 =  = 4  = 11,5 ≈ 12ª posição = 95Km/h

1 85 4 4
2 90 4 8 Interpretação: 25% dos veículos tiveram velocidades abaixo de 95 Km/h
← 1º quartil
3 95 8 16 3
4 4
5
1

3
n 4
1
) =( ) = 34,5 ≈ 35ª posição =110Km/h
4 100 8 24
3º quartil Q3 = (
5 105 6 30
6 110 15 45 ← 3º quartil
Interpretação: 75% dos veículos tiveram velocidades abaixo de 110 Km/h
f=45

QUARTIL de uma distribuição de freqüência COM INTERVALOS DE CLASSE

Usa‐se a mesma técnica do cálculo da i Velocidades f Fa

mediana, bastando adaptar a sua equação,
1 70  80 4 4
conforme mostrado abaixo.
2 80  90 4 8

1º quartil 3º quartil 3 90  100 8 16 ← 1º quartil
n 2
n 4
n 2
3 4
n
4 100  110 8 24
por por
5 110  120 6 30 ← 3º quartil
6 120  130 10 40
Acumule Fa e ache as posições Q1 e Q3. f=40

1º quartil Q1 3º quartil Q3

Independente se n é ímpar ou par usa‐se somente a Independente se n é ímpar ou par usa‐se somente a
n 40 3n 3*40
equação /4. Então, /4 = 10. O Q1 está na 10ª posição equação /4. Então, /4 = 30. O Q3 está na 30ª
e será algum valor da classe Q1 90  100. Logo: posição e será algum valor da classe Q3 110  120. Logo:

n  Resolvendo a equação:  3n  Resolvendo a equação:
 4 ‐ Fa ant * h  4 ‐ Fa ant * h
   
Q1  l inf   40  Q3  l inf  3*40 
f  4 ‐ 8 *10 f
 4 ‐ 24 *10
   
l inf = limite inferior da classe Q1 Q1  90  l inf = limite inferior classe Q3
Q3  110 
Faant = Fa da classe anterior 8 Faant = Fa da classe anterior 6
H = amplitude intervalo classe h = amplitude intervalo classe
Q1 = 92,5 Km/h Q3 = 120 Km/h
f = freqüência da classe Q1 f = freqüência da classe Q3

Interpretação: aproximadamente 25% dos veículos registrados Interpretação: aproximadamente 75% dos veículos registrados
tiveram velocidades abaixo de 92,5 Km/h tiveram velocidades abaixo de 120 Km/h
- 75 -
DECIL (10 PARTES) 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Divide um conjunto de dados em dez partes |---|---|---|---|---|---|---|---|---|---|
iguais, como mostrado ao lado. D1 D2 D3 D4 D5 D6 D7 D8 D9
Coincide com a mediana.

DECIL de uma distribuição de freqüência i Velocidades f Fa

Usa‐se a mesma técnica do cálculo da mediana, 1 70  80 4 4

bastando adaptar a sua equação, conforme abaixo: 2 80  90 4 8
3 90  100 8 16 ← Classe D3
n 2
D 1
n 0
por
D = decil procurado 4 100  110 8 24
n = quantidade de dados
5 110  120 6 30

6 120  130 10 40 ← Classe D8
Acumule Fa e ache as posições.
f=40

Ache o 3º Decil (D3) da distribuição de frequência Ache o 8º Decil (D8) da distribuição de frequência

Dn 3*40 Dn 8*40
Usando /10 temos /10 = 12. O D3 está na 12ª Usando a equação /10 temos /10 = 32. O D8 está na
posição e será algum valor da classe D3 90  100: 32ª posição e será algum valor da classe D8 120  130:

 Dn  Resolvendo a equação:  Dn  Resolvendo a equação:
 10 ‐ Fa ant * h  10 ‐ Fa ant * h
   
D3  l inf  3* 40  D8  l inf  8*40 
f  10 ‐ 8 *10 f  10 ‐ 30 *10

l inf = limite inferior da classe D4
D3  90  
l inf = limite inferior da classe D8 D8  120 
 
8 10
Faant = Fa da classe anterior Faant = Fa da classe anterior
h = amplitude intervalo classe D3 = 95 Km/h h = amplitude intervalo classe D8 = 122 Km/h
f = freqüência da classe D4 f = freqüência da classe D8

tiveram velocidades abaixo de 95 Km/h tiveram velocidades abaixo de 122 Km/h.

PERCENTIL (100 PARTES) 0% 5% 10% ... 17% ... 33% ... 42% 50% 57% 63% 70% 80% 93% 100%
Divide um conjunto de dados em cem |-|-|---|---|---|---|--|--|--|---|---|---|
partes iguais, como mostrado ao lado. P5 P1 0 P17 P33 P42 P50 P57 P63 P70 P80 P93

PERCENTIL de uma distribuição de freqüência i Velocidades f Fa

Usa‐se a mesma técnica do cálculo da mediana, 1 70  80 4 4

bastando adaptar a sua equação, conforme abaixo. 2 80  90 4 8
n 2
P 1
n 0
3 90  100 8 16 ← Classe P27

por P = percentil procurado
0
n = quantidade de dados 4 100  110 8 24

5 110  120 6 30 ← Classe P72

Acumule Fa e ache as posições. 6 120  130 10 40
f=40

Ache o 27º Percentil (P27) da distribuição de frequência Ache o 72º Percentil (P72) da distribuição de frequência

Pn 27*40 Pn 72*40
Usando /100 temos /100 = 10,8 ≈ 11. O P27 está na Usando /100 temos /100 = 28,8 ≈ 29. O P72 está na
11ª posição e será algum valor da classe P27 90  100: 29ª posição e será algum valor da classe P29 110  120:

 Pn  Resolvendo a equação:  Pn  Resolvendo a equação:
 100 ‐ Fa ant * h  100 ‐ Fa ant * h
P27  l inf     
27* 40  P72  l inf  72* 40 
f  100 ‐ 8 * 10 f  100 ‐ 24 *10
P27  90   
D8  110   

l inf = limite inferior classe P27 8 l inf = limite inferior classe P72 6
Faant = Fa da classe anterior Faant = Fa da classe anterior
h = amplitude intervalo classe P27 = 93,5 Km/h h = amplitude intervalo classe P72 = 118 Km/h
f = freqüência da classe P27 f = freqüência da classe P72

tiveram velocidades abaixo de 93,5 Km/h. tiveram velocidades abaixo de 118 Km/h.
- 76 -
VOCABULÁRIO BÁSICO DE ESTATÍSTICA

O vocabulário utilizado em estudos estatísticos teve sua origem nos primeiros estudos feitos pela humanidade e que eram
relativos à demografia (estudo estatístico das populações). Por isso a Estatística emprega termos próprios dessa área de
conhecimento, mas com um sentido diferenciado. Assim, para dar prosseguimento, é de extrema importância destacar alguns
termos utilizados no jargão estatístico.

VARIÁVEL – É o termo usado para aquilo que você está pesquisando, estudando, analisando.
,
 No estudo representado no gráfico abaixo a variável é o acidente do trabalho. Utilizada como um adjetivo do
vocabulário do dia‐a‐dia, variável sugere que alguma coisa se modifica ou varia.

2.000.000 1.796.671
1.743.825 Involução da QUANTIDADE de ACIDENTES
1.750.000 1.551.461
DO TRABALHO no Brasil - 1970 a 2005.
1.504.723 1.464.211
1.500.000
1.220.111 1.178.472 1.207.859
1.250.000
VARIÁVEL
961.575 991.581
1.000.000
693.572
750.000 532.514
465.700 491.711
388.304 395.455414.341 363.868 393.071 399.077
500.000 340.251
250.000
0
1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2001 2002 2003 2004 2005
FONTE: Revista Proteção Anos
São exemplos de Variáveis

Doenças, Sexo, Estaturas, Peso, Idade, Renda, Natalidade, Mortalidade, PIB, Inflação, Exportações brasileiras,
Produção de café, Alimentação, Peças produzidas por hora, Paradas de produção no mês, Rotatividade de
estoque por ano, Poluição, Clima na região sudeste, Consumo de energia no mês, Vendas mensais de uma
empresa, Produção diária de automóveis etc.

EXEMPLO DE APLICAÇÃO:
A associação dos moradores de um bairro queria traçar um perfil dos frequentadores de um parque ali situado.
Uma equipe de pesquisa elaborou questões a fim de reunir as informações procuradas. Numa manhã de quarta‐
feira, 6 pessoas foram entrevistadas e cada uma respondeu a questões para identificar idade, número de vezes
que freqüenta o parque por semana, estado civil, meio de transporte utilizado para chegar ao parque, tempo de
permanência no parque e renda familiar mensal. Os resultados são mostrados na tabela a seguir:
Variáveis

Cada um dos aspectos investigados — os quais permitirão fazer a análise desejada — é denominado variável.

- 77 -
TIPOS DE VARIÁVEIS

Há, pois, uma divisão principal para as variáveis estatísticas, que consiste em considerá‐las como Variáveis Quantitativas
(discretas ou contínuas) e Variáveis Qualitativas (nominal ou ordinal). Esta divisão é de facílima compreensão!
Inteiros Quando as variáveis forem em números

inteiros, obtido por contagem:
DISCRETA 0 1 2 3 4 55 77 987 etc.
Números
Ex.: Idade (anos), gols de futebol, etc
QUANTITATIVA
Não inteiros
Quando as variáveis forem em números
CONTÍNUA não inteiros, assumem qualquer valor:
0,2 1,12 3,77 4,768 etc.

Ex.: Altura (cm), peso (kg), tempo (hh:mm)
VARIÁVEL
Quando é possível ordenas as categorias.
Ordenável
Pesquisa de alimentação:
ORDINAL [1] Ótimo [2] Bom [3] Regular [4] ruim
Grau de instrução de funcionários de uma empresa
Nomes 1º grau 2º grau Superior Mestrado Doutorado
QUALITATIVA
Quando não é possível ordenar as categorias.
Não é ordenável
Ex.: sexo (masculino ou feminino), Cor dos olhos (preto ou verde),
NOMINAL campo de estudo (Engenharia, Direito etc)
Não é possível estabelecer uma ordem, uma gradação, o mais ou
menos importante, prioritário etc.
Então, os tipos de Variáveis da pesquisa do parque serão:
Qualitativa nominal
Quantitativa discreta Quantitativa contínua

PARA LEITURA
Se a dúvida persiste, você pode observar no quadro abaixo mais esclarecimentos sobre esses conceitos.
Tipo de VARIÁVEL Resposta fornecida à pesquisa
Será Quantitativa a variável para a qual se possa atribuir um valor numérico. Se a resposta fornecida à pesquisa estiver expressa
por um número, então a variável é quantitativa. Por exemplo: quantos livros você lê por ano? A resposta é um número? Então,
Quantitativa
variável quantitativa. Quantas pessoas moram em sua casa? A resposta é um número? Então, novamente, variável quantitativa.
(Em números)
No caso do estudo “ACIDENTE DO TRABALHO, é uma variável quantitativa, pois estudamos a quantidade de acidentes no período
de 1970 a 2005
Variável Quantitativa Discreta é a variável quantitativa que assume somente números inteiros. Resulta, geralmente, de
contagem. Esta variável não pode assumir qualquer valor, dentro de um intervalo de valores de resultados possíveis. Por
 Discreta exemplo, se eu pergunto quantos irmãos você tem, a resposta jamais poderia ser “tenho 3,75 irmãos”, ou “tenho 4,8 irmãos”, ou
(números inteiros) seja, a resposta não poderia assumir todos os valores de um intervalo! Este acima é o conceito formal de variável discreta! O
(contagem) conceito para memorizar é o seguinte: aquela variável obtida por meio de uma contagem. Em outras palavras: a variável
discreta você conta!. Exemplos: quantas pessoas moram na sua casa? Quantos livros você tem? Quantos carros você tem? Se,
para responder à pergunta, você faz uma contagem, então está diante de uma variável quantitativa discreta.
Variável Quantitativa Contínua é aquela que pode assumir qualquer valor dentro de um intervalo de resultados possíveis. Se eu
 Contínua pergunto quantos quilos você pesa, a resposta pode ser 65,35kg. Se eu pergunto qual a temperatura na cidade hoje, a resposta
(Números não inteiros) pode ser 27,35°C. Para facilitar a memorização, basta lembrar que a variável quantitativa contínua pode ser obtida por uma
(medição) medição, ou seja, a variável contínua você mede! Exemplos: peso, altura, duração de tempo para resolução de uma prova,
pressão, temperatura etc.
Qualitativa Se a pergunta é “qual a sua cor preferida?”, logicamente a resposta não será um número, daí estaremos tratando de uma
(nomes, atributos) variável qualitativa, ou seja, aquela para a qual não se atribui um valor numérico. Exemplos: Sexo: masculino ou feminino
- 78 -
POPULAÇÃO E AMOSTRA

Quando você quer saber se a sopa ficou boa, o que você faz? Mexe a panela, retira um pouco com
uma colher e prova. Depois tira uma conclusão sobre todo o conteúdo da panela sem, na verdade,
ter provado tudo. Portanto, é possível ter uma idéia de como a sopa está sem ter que comer tudo.
Isso é o que se faz em estatística.

A estatística deixou de ser a simples catalogação de dados numéricos e se tornou o estudo de como
chegar a conclusões sobre o todo (população), partindo da observação e análise de partes desse
todo (amostra). Essa é sua maior riqueza. Assim, podemos conceituar população e amostra como:

POPULAÇÃO É UM CONJUNTO DE TODOS OS ELEMENTOS EM ESTUDO.
AMOSTRA É UMA PARTE DA POPULAÇÃO (ou subconjunto).

AMOSTRA
(uma parte da população)

Podemos visualizar o conceito
de população
e amostra na “n”
figura ao lado.
POPULAÇÃO

Quando pesquisamos toda a

população, damos o nome de (todos os elementos em estudo)
censo.
“N”

A precisão depende do
tamanho da amostra, e
quanto maior
é o tamanho
amostral, maior será a
precisão das informações.

N é designado para População

n é designado para Amostra

 Muitas vezes quando queremos fazer um estudo estatístico, não é possível analisar toda a população
envolvida com o fato que pretendemos investigar, como exemplo o sangue de uma pessoa ou a poluição
de um rio. É impossível o teste do todo. Há situações também em que é inviável o estudo da população,
por exemplo, a pesquisa com todos os torcedores em um estádio de futebol durante uma partida.
Nesses casos, o estatístico recorre a uma amostra que, basicamente, constitui uma redução da
população a dimensões menores, sem perda das características essenciais.

 Os resultados fundamentados em uma amostra não serão exatamente os mesmos que você encontraria
se estudasse toda a população, pois, quando você retira uma amostra, você não obtém informações a
respeito de todos em uma dada população. Portanto, é importante entender que os resultados da
amostra fornecem somente estimativas dos valores das características populacionais. Com métodos de
amostragens apropriados, os resultados da amostra produzirão “boas” estimativas da população, ou
seja, um estudo bem feito não elimina o erro, mas limita‐o a uma margem, procurando torná‐la o menor
possível. Quando aprendemos estatística inferencial, também aprendemos técnicas para controlar esses
erros de amostragem.

4 razões para selecionar uma amostra
O número de elementos em uma população é muito grande;
Demanda menos tempo do que selecionar todos os itens de uma população;
É menos dispendioso (caro) do que selecionar todos os itens de uma população;
Uma análise amostral é menos cansativa e mais prática do que uma análise da população inteira.
- 79 -
São exemplos de População e Amostra:

MEDICINA. Pretende‐se estudar o efeito de um novo medicamento para curar determinada doença. É
selecionado um grupo de 50 doentes, administrando‐se o novo medicamento a 10 desses doentes escolhidos ao
acaso e o medicamento habitual aos restantes.
População: Todos os 50 doentes com a doença que o medicamento a estudar pretende tratar.
Amostra: Os 10 doentes selecionados.
CONTROLE DE QUALIDADE. O Gerente de Produção de uma fábrica de parafusos pretende assegurar‐se de que
a porcentagem de peças defeituosas não excede um determinado valor, a partir do qual determinada
encomenda poderia ser rejeitada.
População: Todos os parafusos fabricados ou a fabricar, utilizando o mesmo processo.
Amostra: Parafusos escolhidos ao acaso entre os lotes produzidos.
ESTUDOS DE MERCADO. O gerente de uma fábrica de produtos desportivos pretende lançar uma nova linha de
esquis, pelo que encarrega uma empresa especialista em estudos de mercado de “estimar“ a porcentagem de
potenciais compradores desse produto.
População: conjunto de todos os praticantes de desportos de neve.
Amostra: conjunto de alguns praticantes inquiridos pela empresa.
SISTEMAS DE PRODUÇÃO. Um fabricante de pneus desenvolveu um novo tipo de pneu e quer saber o aumento
da durabilidade em termos de kilometragem em relação à atual linha da empresa. Produz diariamente 1000
pneus e selecionou 120 para testes.
População: 1000 pneus.
Amostra: 120 pneus.

OUTROS EXEMPLOS DE AMOSTRAS:

- 80 -
ESTATÍSTICA DESCRITIVA E ESTATÍSTICA INFERENCIAL

Estatística descritiva – É o ramo da estatística
AMOSTRA
(uma parte da população) que envolve a organização, o resumo e a
representação dos dados para tomada de
decisão.
POPULAÇÃO
(todos os elementos em estudo)

Estatística Inferencial – É o ramo da estatística
que envolve o uso da amostra para chegar a
conclusões sobre a população. Uma
ferramenta básica no estudo da estatística
inferencial é a probabilidade.
Algumas ferramentas aplicadas à

Estatística Inferencial:

Probabilidades
Uma Probabilidade é uma medida numérica que representa a chance de um evento ocorrer. Ex.:
Ao lançar um dado, qual a probabilidade de obter o valor 4? R = 1/6 = 16%

Estimação, margem de erro e intervalo de confiança
Suponha que o tempo médio que você leva para chegar ao trabalho de carro é de 35’, com uma margem de erro
de 5’ para mais ou para menos. A estimativa é de que o tempo médio gasto até
chegar ao trabalho fica em algum ponto entre 30’ e 40’. Esta estimativa é um
intervalo de confiança, pois leva em consideração o fato de que os resultados da
amostra irão variar e dá uma indicação de uma variação esperada.
A margem de erro é uma medida

de quão próximo você espera que
seus resultados representem toda a
população que está sendo
estudada. Vários fatores
influenciam a amplitude de um
intervalo de confiança, tais como o
tamanho amostral, a variabilidade da população e o quanto você espera obter de precisão. A maioria dos pesquisadores contenta‐se com 95%
de confiança em seus resultados. Estar 95% confiante indica que se você coletar muitas, mas muitas amostras e calcular o intervalo de
confiança para todas, 95% dessas amostras terão intervalos de confiança que abrangerão o alvo.

Teste de hipótese
Teste de hipótese é um procedimento estatístico em que os dados são coletados e medidos para comprovar uma
alegação feita sobre uma população. Por exemplo, se uma pizzaria alega entregar as pizzas dentro de 30’ a partir
do pedido, você pode testar se essa alegação é verdadeira, coletando uma amostra aleatória do tempo de
entrega durante um determinado período de tempo e observar o tempo médio de entrega para essa amostra.

- 81 -
REFERÊNCIAS BIBLIOGRÁFICAS

ANDERSON, David R.; SWEENEY, Dennis J.; WILLIANS, Thomas A. Estatística aplicada à administração e economia. 2
ed. São Paulo: Cengage Learning, 2009. 597 p.
BRUNI, Adriano Leal. Estatística para concursos. São Paulo: Atlas, 2008. 197p.
COSTA, Sérgio Francisco. Introdução ilustrada à estatística. 4 ed. São Paulo: Harbra, 2005. 399 p.
CRESPO, Antônio Arnot. Estatística fácil. 17 ed. São Paulo: Saraiva, 1999. 224 p.
FARIAS, Alfredo Alves et al. Introdução à estatística. 2 ed. Rio de Janeiro: LTC, 2003, 320 p.
GIOVANNI José Ruy; BONJORNO, José Roberto; GIOVANNI JR., José Rui. Matemática fundamental: uma nova
abordagem – volume único. São Paulo: FTD, 2002. 712 p.
HAZZAN, Samuel. Fundamentos da matemática elementar: Matemática financeira, comercial e estatística descritiva.
Volume 11. 1 ed. São Paulo: Atual editora, 2004. 230p.
HELP! Sistema de consulta interativa. Matemática. Rio de Janeiro: O globo, 1997. 319 p.
Instituto Brasileiro de Geografia e Estatística – IBGE. A instituição. Disponível em

<http://www.ibge.gov.br/home/disseminacao/eventos/missao/default.shtm>. Acesso em 06 abr 2010.
LAPPONI, Juan Carlos. Estatística usando o Excel. 4 ed. Rio de Janeiro: Elsevier, 2005. 476 p.
LARSON, Ron; FARBER, Betsy. Estatística aplicada. 4 ed. São Paulo: Pearson, 2010. 637 p.
LEVINE, David M. et al. Estatística: teoria e aplicações. 5 ed. Rio de Janeiro: LTC, 2008. 752 p.
LOPES, Paulo Afonso. Probabilidade e estatística: conceitos, modelos e aplicações em Excel. Ernesto Reichmann, 1999.
174 p.
MANDIN, Daniel. Estatística descomplicada. 9 ed. Brasília: Vestcon, 2002. 227 p.
MONTGOMERY, Douglas C.; RUNGER, George C. Estatística aplicada e probabilidade para engenheiros. 2 ed. Rio de
Janeiro: LTC, 2003. 465 p.
OLIVEIRA, Uanderson Rebula de. Ergonomia, higiene e segurança do trabalho. Resende-RJ: Apostila. Universidade
Estácio de Sá, 2009. 199 p.
Resumão – estatística. 2 ed. São Paulo: Barros, fischer & Associados, novembro 2006. 6 p.
RUMSEY, Deborah. Estatística para leigos. Rio de Janeiro: Alta books, 2009. 350 p.
SILVA, Ermes Medeiros et al. Estatística: para os cursos de Economia, Administração e Ciências Contábeis - volume 1. 2
ed. São Paulo: Atlas, 1996. 189 p.
SMOLE, Kátia Stocco; DINIZ, Maria Ignez. Matemática–ensino médio. 5 ed. São Paulo: Saraiva, 2005. 558p.
SPIEGEL, Murray R. Estatística: resumo da teoria, 875 problemas resolvidos, 619 problemas propostos. São Paulo:
McGraw-Hill do Brasil, 1977. 580 p.
TRIOLA, Mario F. Introdução à estatística. 10 ed. Rio de Janeiro: LTC, 2008. 696 p.
URBANO, João. Estatística: uma nova abordagem. Rio de Janeiro: Ciência moderna, 2010. 530p.
VASCONCELLOS, Maria José Couto; SCORDAMAGLIO, Maria Terezinha; CÂNDIDO, Suzana Laino. Coleção
Matemática. 1ª e 3ª série do ensino médio. São Paulo: Editora do Brasil, 2004. 232 p.
WERKEMA, Maria Cristina Catarino. As ferramentas da qualidade no gerenciamento dos processos. Belo Horizonte:
EDG, 1995. 128 p.
- 82 -
LIVROS RECOMENDADOS
Um livro introdutório de estatística que inclui um estilo de escrita Este livro diferencia-se dos tradicionais livros,
amigável, conteúdo que reflete as características importantes de um materiais de referência e manuais de estatísticas,
curso introdutório moderno de estatística, o uso da tecnologia pois possui: Explicações intuitivas e práticas sobre
computacional mais recente, de conjuntos de dados interessantes e conceitos estatísticos, ideias, técnicas, fórmulas e
reais, e abundância de componentes pedagógicos. O CD-ROM inclui cálculos. Passo a passo conciso e claro de
os conjuntos de dados do Apêndice B do livro. Esses conjuntos de procedimentos que intuitivamente explicam
dados encontram-se armazenados em formato texto, planilhas do como lidar com problemas estatísticos. Exemplos
Minitab, planilhas do Excel e uma aplicação para a calculadora TI-83. interessantes do mundo real relacionados ao
Inclui também programas para a calculadora gráfica TI-83 Plus®, o cotidiano pessoal e profissional. Respostas
Programa Estatístico STATDISK (Versão 9.1) e um suplemento do honestas e sinceras para perguntas como “O que
Excel, desenvolvido para aumentar os recursos dos programas isso realmente significa?” e “Quando e como eu
estatísticos do Excel. vou usar isso?”
Neste livro você encontrará:
Explicações em português de fácil entendimento.
Informações fáceis de localizar e passo-a-passo.
Ícones e outros recursos de identificação e
memorização. Folha de cola para destacar com
informações práticas. Listas dos 10 melhores
relacionados ao assunto. Um toque de humor e
diversão.
Onde comprar: www.submarino.com.br
- 83 -
SOFTWARE BIOESTAT
Texto extraído da tese de doutorado em Engenharia de Ualison Rebula de Oliveira

Existem inúmeros recursos tecnológicos para a análise estatística de dados, que vão desde
calculadoras, a exemplo da TI – 83 PLUS, a aplicativos específicos, tais como o STATDISK e o
MINITAB (TRIOLA, 2005). Assim, buscando‐se recursos computacionais que facilitassem o
tratamento de dados, vários aplicativos e softwares estatísticos foram pesquisados, dos quais se
destacam a planilha Excel, o STATDISK, o MINITAB, o BioEstat, o SPSS e algumas páginas na
Internet que oferecem programas em Javascript para cálculos on‐line, a exemplo da página na
Internet www.stat.ucla.edu.

Após análise de pós e contras de cada aplicativo pesquisado, selecionou‐se o pacote estatístico
BioEstat, disponível para download no site www.mamiraua.org.br, por possuir as seguintes
características positivas: i) serventia tanto para a Estatística descritiva como para testes estatísticos
não‐paramétricos; ii) ser em português; iii) possuir manual em PDF com diversos exemplos; iv) ser
de fácil utilização; v) ser gratuito; vi) ser referenciado em vários livros, sites e entidades de
pesquisa – conforme Siegel & Castellan Junior (2006), o BioEstat é o melhor programa disponível
na atualidade para o cálculo do qui‐quadrado; vii) possuir apoio do CNPQ; e viii) estar na versão 5.0
e possuir mais de 20 anos de criação.

INTERFACE BIOESTAT

Baixar software:
www.mamiraua.org.br
- 84 -
ESTATÍSTICA NO EXCEL
O Excel dispõe da função “Estatística”. Assim, tudo que vimos poderá ser desenvolvido pelo
excel, bastando inserir os valores da variável de interesse.
Para saber mais, basta adquirir o livro “Estatística usando o excel”, de Juan Carlos
Lapponi. WWW.SUBMARINO.COM.BR

4ª Edição, Edição 2005, 496 págs. Editora Elsevier Campus ‐ Acompanha CD‐ROM com Planilhas, Modelos,
Simuladores etc. para Excel.

O conteúdo deste livro é útil para: Estudantes que cursam Estatística nas diversas áreas do conhecimento e
em diferentes níveis de graduação como, em ordem alfabética, Administração, Biologia, Contabilidade,
Economia, Engenharia, Finanças, Marketing, Medicina, etc. Estudantes que necessitam aprimorar ou
complementar seus conhecimentos de Estatística utilizando o Excel. Profissionais das diversas áreas que
utilizam os conceitos de Estatística e necessitam, ou gostariam, de utilizar as funções estatísticas, as
ferramentas de análise, planilhas, modelos e simuladores de estatística em Excel. Todos aqueles que poderão
utilizar as planilhas, modelos e simuladores de estatística em Excel da forma como estão no CD‐Rom, ou
modificando‐os, para atender às suas necessidades. Alunos de áreas correlatas que utilizarão estatística e
desejam antecipar seu aprendizado e agregar valor ao seu conhecimento visando o mercado de trabalho. Usuários de Excel que desejam
conhecer e aprender a utilizar os recursos de Estatística disponíveis.

TÓPICOS
• DADOS, VARIÁVEIS E AMOSTRAS
• DESCRIÇÃO DE AMOSTRAS COM TABELAS E GRÁFICOS
• MEDIDAS DE TENDÊNCIA CENTRAL
• MEDIDAS DE DISPERSÃO/VARIAÇÃO
• PROBABILIDADE
• CORRELAÇÃO
• VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DISCRETAS
• DISTRIBUIÇÕES CONTÍNUAS
• COMBINAÇÃO LINEAR DE VARIÁVEIS ALEATÓRIAS
• DISTRIBUIÇÃO AMOSTRAL
• ESTIMAÇÃO
• TESTE DE HIPÓTESES
• TESTES DE HIPÓTESES COM DUAS AMOSTRAS
• ANÁLISE DA VARIÂNCIA
• REGRESSÃO LINEAR
• AJUSTE NÃO LINEAR

Estatística Aplicada À Engenharia

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estatística Aplicada À Engenharia

Caricato da

Copyright:

Formati disponibili

-2-

UANDERSON REBULA DE OLIVEIRA

TÉCNICAS DE AMOSTRAGEM PROBABILÍSTICAS

Tabela de números aleatórios

Como usar a tabela de números aleatórios

Novilhos (35) Novilhas (45)

Amostragem por Conglomerado- É aquela em que dividimos a população em pequenos grupos

Conglomerado 1 Conglomerado 2 Conglomerado 3 Conglomerado 4 Conglomerado 5

Conglomerado 6 Conglomerado 7 Conglomerado 8 Conglomerado 9 Conglomerado 10

Conglomerados selecionados: 06 07 02

Amostragem Sistemática - É a técnica de amostragem em que retiramos os elementos da população

+80 +80 +80 +80 +80 +80 +80 +80 +80

CORRELAÇÃO LINEAR SIMPLES

Mês X Y 180

(preço refeição) (média clientes) 160

Jan R$ 5,90 154 140

Ago R$ 21,90 80 0

COEFICIENTE DE CORRELAÇÃO DE PEARSON

Aluno X Y X2 Y2 XY

Muito Forte Fraca Muito Fraca Muito Fraca Fraca Forte Muito

REGRESSÃO LINEAR SIMPLES

AJUSTAMENTO DA RETA AOS PONTOS GRAFADOS

1º ‐ Calcular o Coeficiente angular a: 2º ‐ Calcular o Coeficiente linear b: 3º ‐ Calcular o ajustamento da reta :

b = ‐ a = aX + b

G 5h 7,0 25 35 223,25 ‐ (39,5)2

4,0 5,0 6,0 7,0 8,0 9,0 O histograma ao lado indica que cinco alunos tiraram a nota 4,0; três alunos tiraram

Frequência Relativa fr (%)

Análise gráfica dos ACIDENTES DE TRABALHO DE UMA EMPRESA. ESTUDO: PARTE DO CORPO MAIS ATINGIDA.

MEDIDAS DE VARIAÇÃO (OU DISPERSÃO)

VARIÂNCIA E DESVIO PADRÃO (amostral)

6,0 ‐1,0 Notas Média Desvios Desvios elevado ao

‐3,5 6,0 (x) ( x ) (x ‐ x ) quadrado (x ‐ x )2

soma é sempre igual a zero. da Variância do Desvio padrão

NOTAS SOBRE O DESVIO PADRÃO. O desvio padrão é

Alunos x S Cv (%) Cálculo do Cv (%) Interpretação do Cv

CONCEITOS BÁSICOS DE PROBABILIDADES

Probabilidade é uma medida numérica que representa a chance de um evento ocorrer.

Dois exemplos clássicos (por sua simplicidade) do conceito de Probabilidade são:

PROBABILIDADES NA DISTRIBUIÇÃO NORMAL

700 800 900 1000 1100 1200 1300

EQUAÇÃO ESCORE Z Calculando o escore Z, temos:

Média z = 1150 - 1000 = 1,50

TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO

-3S -2S -1S 0 1S 2S 3S

Probabilidade procurada P= 0,2417 SUBTRAÇÃO DE PROBABILIDADES

700 800 900 1000 1100 1200 1300

Exemplo 5. Continuando com os dados do exemplo 1, ache P( z < 850 horas)

P1=0,4332 P1 = (meia área)

Encontrando VALOR DE “X” que corresponda a um Z-ESCORE

700 800 900 1000 1100 1200 1300

TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO

USANDO UMA TABELA DE

0% 50% 100%

Tabela Distribuição normal padrão Distribuição acumulada de 0% a 100%

CONCEITOS BÁSICOS EM ESTATÍSTICA INFERENCIAL

CARGOS MÍNIMO (R$) MÉDIO (R$) MÁXIMO (R$)

ESTIMATIVAS E TAMANHOS AMOSTRAIS

Intervalos de Confiança para média (amostras grandes) (amostra n > 30)

Mas, de onde vem 0,4750 e 1,96? Observe na tabela de Distribuição Normal Padrão que, se queremos ter 95% de confiança,

Exemplos de cálculos de Intervalos de Confiança - IC

Determinação do tamanho da amostra

100 = 1000  21,30 100 = 1000  25,30

Intervalos de Confiança para média (amostras pequenas) (amostra n ≤ 30)