1

UNIVERSIDADE ESTADUAL DO OESTE DO PARAN

CAMPUS DE FOZ DO IGUAU
CENTRO DE ENGENHARIAS E CINCIAS EXATAS

AMOSTRAGEM
E
ESTIMAO

Carlos dos Santos

Foz do Iguau
Maio/2014

ndice Analtico
1. Amostragem _______________________________________________________________ 2
1.1 Introduo _______________________________________________________________ 2
1.2 Amostragem aleatria simples (AAS) __________________________________________ 4
1.3 Amostragem aleatria estratificada (AAE) _______________________________________ 8
1.4 Amostragem aleatria sistemtica (AS) _______________________________________ 11
1.5 Amostragem por meio de conglomerados ______________________________________ 12
1.6 Amostragem de Convenincia ______________________________________________ 13
1.7 Dimensionamento de amostra _______________________________________________ 13
1.8 Sequncia de exerccios n 1 _______________________________________________ 19
2. ESTIMAO ______________________________________________________________ 21
2.1 Introduo ______________________________________________________________ 21
2.2 Estimao por ponto ______________________________________________________ 21
2.2.1 Estimador da mdia populacional _______________________________________ 21
2.2.3 Estimador da varincia populacional 2 e do desvio padro populacional ________ 22
2.3 Estimao por intervalo ____________________________________________________ 23
2.3.1 Intervalo de confiana da mdia populacional . _____________________________ 23
2.3.2 Intervalo de confiana da varincia populacional e do desvio padro populacional __ 27
2.3.3 Intervalo de confiana para a proporo populacional p ________________________ 30
2.3.4 Intervalo de confiana para a diferena entre duas mdias populacionais 1 e 2 ____ 33

1. Amostragem
1.1 Introduo
No curso de Estatstica descritiva foram estudadas as tcnicas de descrio de um conjunto de dados, sem a
preocupao de saber se os mesmos eram provenientes de um conjunto maior ou no.
O objetivo principal das prximas sees o estudo das tcnicas de inferncia estatstica, ou seja, tomar
decises sobre uma populao com base em dados de uma mostra, por isso necessrio diferenciar amostra de
populao.
- Populao ou universo estatstico: o conjunto da totalidade de elementos sobre o quais se quer estudar
alguma(s) caracterstica (s).
- Amostra: uma parte selecionada da totalidade de elementos de uma populao.

O pesquisador deve estar atento ao fato de que toda a informao da populao deve estar contida na amostra
para que os resultados da pesquisa sejam confiveis, ou seja, deve haver representatividade. Isto pode ser
alcanado atravs de sorteio.
A amostra tem como finalidade descrever as caractersticas da populao. Assim, todas essas caractersticas
devem estar contidas na amostra para que ocorra a chamada representatividade da amostra em relao populao
da qual a mesma foi coletada.

Representatividade uma propriedade que a amostra possui quando a mesma mantm todas as caractersticas da
populao da qual foi coletada.

Dessa forma, tem-se que tomar alguns cuidados no procedimento de coleta de amostras, caso contrrio, a
representatividade no estar garantida.
Por exemplo, numa pesquisa sobre a opinio de consumidores de uma cidade, quanto a um produto, no se
deve entrevistar apenas moradores de um bairro ou de uma classe social, pois existe o srio risco de o resultado da
pesquisa no ser confivel.
A representatividade adquirida quando se d a mesma chance a qualquer elemento da populao de fazer
parte da amostra. Isto se consegue por meio de alguma espcie de sorteio, tambm chamado de aleatorizao ou
casualizao.

Sorteio, Aleatorizao ou casualizao um procedimento no qual se d a cada elemento da populao a mesma

probabilidade de fazer parte da amostra.

No caso de a amostra ser obtida por meio de algum sorteio, tem-se a chamada amostra aleatria. O processo
de obteno de amostras aleatrias denominado de amostragem aleatria.

Amostra aleatria amostra obtida por meio de algum procedimento de sorteio

3
No incio dos levantamentos estatsticos, inclusive na indstria, a coleta de informaes era feita com todos
os elementos da populao, ou seja, eram realizados censos.

Censo procedimento pelo qual so observados todos os elementos da populao

Porm, a partir do sculo XVII, com o desenvolvimento da teoria de probabilidades, descobriu-se que era
possvel obter informaes para a populao com base em amostras, com um grau de confiana varivel.
As principais vantagens do levantamento por amostragem em relao coleta de informaes da populao
inteira so as seguintes:

a) Custo reduzido
J que os dados so obtidos de apenas uma pequena frao da populao, as despesas so menores do
que num censo integral. Isto essencial, pois o oramento de uma pesquisa pode implicar pela realizao da
mesma, ou no.

b) Maior rapidez

Pelo mesmo motivo, os dados podem ser coletados rapidamente com uma amostragem, do que numa
contagem completa. Isso um fator primordial, quando se necessita urgentemente de informaes.
c) Maior amplitude

Em certos tipos de investigao, tem-se que utilizar pessoal perfeitamente treinado e equipamento altamente
especializado, cuja disponibilidade limitada para a obteno dos dados. O censo completo torna-se impraticvel e
resta a escolha entre obter as informaes por meio de amostragem, ou no consegui-las de todo. Dessa forma, os
levantamentos por amostragem tm maior amplitude e flexibilidade, em relao s espcies de informaes que
podem ser obtidas.

d) Maior exatido

Em virtude de poder empregar pessoal de melhor qualidade e intensivamente treinado, e por se tornar possvel
a superviso mais cuidadosa do campo de trabalho e do processamento de dados, dada a reduo do volume de
trabalho, uma amostragem pode, na realidade, proporcionar resultados mais exatos do que a contagem integral.
Algumas tcnicas de amostragem so dadas a seguir:

Simples (AAS)
Estratific ada (AAE)

Amostragem Aleatria
Sistemtica (AS)
Por conglomerados (AAC)
Amostragem no Aleatria Amostragem por convenincia

Independentemente da amostragem (AAS, AAE, AS, AAC), ela pode ainda ser com reposio ou sem
reposio.
com reposio

Amostragem
sem reposio

Na amostragem com reposio, os elementos da populao, medida que so sorteados, so devolvidos

mesma, e podem eventualmente ser sorteados novamente. Por exemplo, se realizado um sorteio e o nome do
ganhador retorna a urna para concorrer aos demais prmios, tem-se uma amostragem com reposio.

Amostragem com reposio: processo de amostragem no qual os elementos da populao, medida que so
sorteados, so devolvidos populao, e podem eventualmente ser sorteados novamente.

Quando os elementos da populao, medida que so sorteados, no retornam mesma, tem-se uma
amostragem sem reposio. Tal o caso, se a pessoa sorteada no puder concorrer aos demais prmios.

Amostragem sem reposio: processo de amostragem no qual os elementos da populao, medida que so
sorteados, no so devolvidos populao e, portanto, podem ser sorteados apenas uma vez.

1.2 Amostragem aleatria simples (AAS)

Este processo de amostragem aleatria o mais elementar, e basicamente tal que todos os elementos da
populao tm mesma probabilidade de serem coletados e fazerem parte da amostra.
Assim, se a populao for finita, com N elementos, cada elemento ter a probabilidade de 1/N de ser
sorteado.
Na prtica, o sorteio de uma AAS pode ser feito das seguintes formas: Pode-se, por exemplo, enumerar os N
indivduos de uma populao, anotar esses nmeros em papelinhos, coloc-los dentro de uma urna e sorte-los.
Podem ser identificados os elementos com um nmero e sorte-los atravs de uma tabela de nmeros aleatrios
(Tabela 3.1), ou funes randmicas de uma calculadora ou de um programa computacional.
A amostra tem, como j foi visto, n elementos. Como so coletadas amostras, cada qual com n elementos,
por AAS, de uma populao finita com N elementos, ento o nmero total de amostras, com e sem reposio, sero,
respectivamente,

No de amostras com reposio = Nn

N!

No de amostras sem reposio = Cn

N n! (N n)!

TABELA 3.1 Nmeros aleatrios

01659

41245

31932

70729

06018

24087

49421

84904

10965

18775

40477

22474

45711

76551

48393

39226

50132

70166

31516

25741

75944

27726

64920

53916

88534

86031

12152

81316

44905

47903

60981

88766

38877

05960

87583

39152

01871

70725

74265

49745

07025

98408

54202

98353

77627

61003

43808

77395

73753

27593

43818

92139

55939

96960

39047

53879

63193

73451

84036

09336

85487

39049

74508

55441

31769

35132

03331

49888

32379

77972

39688

66929

81098

35098

61843

32229

71751

68662

65257

64612

28215

89375

11555

50006

86064

13047

14819

29773

73388

47863

31276

83722

35516

96254

04602

38987

61580

19253

27917

15195

00778

59940

97900

14179

05139

69417

28891

88948

45616

26682

30404

09338

76168

37305

30730

12203

70463

81883

91921

05830

05997

89153

17010

78809

28545

46294

72652

02767

04392

39429

93833

31739

82309

98971

55327

95018

32381

88632

66889

16688

93808

55900

04973

11780

66965

02088

30630

67037

89097

55121

83439

70862

19340

27029

06265

83361

73375

88962

39232

86799

67057

23164

34166

66106

45921

89087

56558

23026

13728

07183

08743

50494

44737

04187

34326

72890

05955

70791

33741

36195

19945

08369

27178

82762

81564

65687

58151

86950

96796

67642

59911

78854

70091

20416

08180

50179

72316

82289

27531

81704

16137

10616

26787

88125

43593

33666

41721

46778

89845

94970

33473

00979

34885

32245

47856

87890

73345

93953

96311

59507

36508

30900

15117

61778

00033

53072

38796

22359

68758

51258

68822

61983

64710

12397

66046

27889

64205

34510

74448

88326

16535

79537

48038

01944

95294

98756

38143

64766

Exemplos

( 1) Suponha que se tem a seguinte populao {1, 3, 5, 5, 7} e se quer extrair amostras com 3 elementos.

No de amostras com reposio = 53 = 125

No de amostras sem reposio = C 35 =

5!
= 10
3! 2!

6
( 2 )Suponha que se quer realizar uma pesquisa dentro de uma empresa composta por 500 funcionrios, do
departamento de produo, cujos nomes esto numa lista a seguir:
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

NOME
Adlia
Adriana
Agnes
Aida
Aide
Aime
Aime
Aira
Aisla
Alana
Alanis
Alade
Alba
Albertina
Alcina
Alcione
Aldete
Alessandra
Alena
Alenis
Alssia
Amanda
Amelia
Amrica
Ana
Anabel
Anabelle
Ananda
Anastcia
Andra
Andressa
Anete
Angela
Anglica
Angelina
Anita
Antonia
Antonieta
Anturpia
Aparecida
Araci
Ariane
Ariene
Arisla
Arissa
Arlette
Aryana
Astrid
Audrey
Adelinda

N
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100

NOME
Assuno
Audrey
Augusta
Aura
Aurelia
Auria
Adauto
Ademar
Adib
Adolfo
Adriano
Acio
Aelington
Agnaldo
Alan
Alberico
Alberto
Alceu
Alcir
Aldo
Alencar
Alessandro
Alessio
Alex
Alexsander
Alfredo
Alfeu
Almir
Aluisio
Alvaro
Altamir
Amadeu
Amauri
Amrico
Amin
Amncio
Amilcar
Amir
Amon
Anat
Andr
Andrew
Angel
Angelo
Anibal
Anselmo
Antero
Anthony
Antonio
Arlindo

N
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150

NOME
Apolo
Aquiles
Aristoteles
Armando
Arnaldo
Arthur
Ary
Atanasio
Atilio
Augusto
Aurelio
Ayram
Ayrton
Badia
Barbara
Bartira
Beatriz
Bela
Belinda
Berenice
Bernadete
Berta
Betnia
Beth
Beverly
Betina
Bianca
Blanca
Brenda
Brigida
Brigite
Brisa
Bruna
Balbo
Baldoc
Basilio
Batista
Benicio
Benito
Benjamin
Bento
Bernardo
Billy
Bolivar
Bonifcio
Bosco
Brad
Brs
Brayan
Brendon

N
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200

NOME
Breno
Brian
Bruce
Bruno
Cacilda
Camila
Candida
Carla
Carlota
Carmela
Carmem
Carol
Carole
Carolina
Cassandra
Cassia
Cassiane
Catarina
Cecile
Ceclia
Celene
Celeste
Clia
Celina
Chantal
Charlote
Chaylla
Chiara
Cibele
Cintia
Clara
Clariana
Clarissa
Cludia
Cleide
Cllia
Clo
Cleonice
Cleonir
Cleopatra
Cleuza
Clotilde
Conceio
Constance
Corina
Cristiane
Cristina
Caetano
Caim
Cai

7
N
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250

NOME
Caio
Caique
Camilo
Carlito
Carlos
Carmelo
Casimiro
Cassio
Cau
Ccil
Clio
Celso
Cesar
Charles
Chris
Christian
Cid
Cirano
Cirilo
Ciro
Claudio
Cleber
Clcie
Clovis
Conrado
Constantino
Cornelio
Cosme
Crigor
Cristian
Cristiano
Dafnee
Daisy
Dalia
Dalita
Dalva
Danelise
Daniela
Debora
Deidre
Delia
Denise
Diana
Dilma
Dinah
Dinorah
Dolores
Dominique
Doris
Doroty

N
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300

NOME
Dulcineia
Dunia
Dan
Daniel
Danilo
Dante
Damiano
Dario
David
Decio
Demtrio
Denis
Dercio
Dereck
Deusdete
Diego
Dieter
Dilson
Dimas
Diogo
Dionisio
Dirceu
Domingos
Dorival
Douglas
Durval
Eda
Edilia
Edimary
Edimercia
Edmagna
Edith
Edna
Eduarda
Edwirge
Egle
Elaine
Elen
Elena
Eleonora
Eliane
Elida
Elide
Elisa
Elisabeth
Elke
Else
Eloisa
Elvira
Elza

N
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350

NOME
Emanuele
Emilia
Emmeline
Eneida
Erenilda
Erica
Erlaine
Erminia
Estela
Ester
Eugenia
Eulalia
Eunice
Eva
Evangelina
Evelyn
Ebion
Ed
Eder
Edilson
Ediraldo
Edmilson
Ednei
Edson
Eduardo
Edvaldo
Elias
Eliezer
Eliseu
Eloy
Elton
Emerson
Emil
Emilio
Enio
Estevo
Eric
Erinaldo
Ernani
Ernesto
Ettore
Eugenio
Eurico
Euzebio
Evair
Evandro
Everaldo
Fbia
Fabiana
Fabiane

N
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400

NOME
Fabrcia
Fany
Ftima
Fenicia
Fernanda
Filomena
Fiona
Flvia
Flaviana
Flora
Francini
Franoise
Frederica
Flvia
Fabian
Fabiano
Fabio
Fabricio
Fausto
Fauzer
Feliciano
Felicio
Felinto
Felipe
Felix
Fernando
Firmino
Firmo
Flavio
Francisco
Franz
Frederico
Flvio
Gabriela
Gardnia
Geralda
Germana
Geilsa
Geny
Georgia
Gilda
Gina
Gioconda
Giovana
Giselda
Gisele
Gislaine
Giulia
Giuliana
Giulliane

N
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450

NOME
Gladis
Glaucia
Glria
Gorete
Graa
Grace
Graziela
Gudrun
Gabriel
Gaspar
George
Geraldo
Gerd
Germano
Gerson
Gesualdo
Getlio
Giacomo
Gian
Giancarlo
Gianfranco
Gil
Gilberto
Gilson
Gilvan
Giovani
Glauco
Gregory
Guido
Guilherme
Guilhermino
Gustavo
Haidee
Hanna
Heide
Helen
Helena
Helga
Heloisa
Heriette
Hilda
Hortncia
Harley
Haroldo
Hector
Helder
Heitor
Helio
Helmut
Henri

N
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500

NOME
Heraldo
Herbert
Herculano
Hercules
Hermano
Heron
Hidelbrando
Homero
Honorio
Horacio
Hugo
Humberto
Iasmim
Idiene
Ilana
Ilce
Indira
Ins
Ingrid
Imaculada
Inara
Iolanda
Ione
Iracema
Irades
Irene
Irina
Iris
Isabel
Isabela
Isadora
Isis
Isolda
Ivana
Ivani
Iverly
Ivete
Ivna
Izilda
caro
Igino
Igor
Ilrio
Ilton
Inacio
Irineu
Isaac
Isaias
Ismael
Israel

8
Suponha que se queira realizar uma pesquisa com uma amostra de 30 funcionrios. Inicialmente, considera-se a
populao enumerada de 001 a 500, uma vez que o nmero maior 500, ou seja, com trs algarismos. Em seguida,
a

de qualquer parte da tabela inicia-se a coleta de nmeros. Pode-se escolher, por exemplo, o nmero 70166 (3 linha
e 2a coluna da tabela) e a partir do dgito sete tomar 30 grupos de trs algarismos, de forma subsequente. Neste
exemplo, a amostra no dever conter nmeros repetidos, nem maiores do que 500.
Procedendo-se dessa forma, ter-se- o seguinte sorteio (nomes em negrito):

701

> 500

631

> 500

718

> 500

731

> 500

668

> 500

925

> 500

370

Fauzer

932

> 500

603

> 500

369

Fausto

791

> 500

404

Gorete

105

Arnaldo

417

Getlio

656

> 500

773

> 500

960

> 500

373

J foi sorteado

872

> 500

151

Fabrcia

984

> 500

058

Ademar

041

Araci

612

> 500

082

Amadeu

915

> 500

610

> 500

152

Brian

759

> 500

339

Ermani

616

> 500

875

> 500

373

Felinto

429

Guido

949

> 500

835

> 500

451

Heraldo

886

> 500

709

> 500

420

Giancarlo

351

Fabrcia

320

Edilson

395

> 500

243

Diana

323

Ednei

208

Cassio

353

Ftima

818

> 500

509

> 500

827

> 500

072

Alessandro

840

> 500

889

> 500

029

Anastcia

123

Betnia

360

Francini

375

Felix

231

Cristiano

977

> 500

333

Emil

478

Iris

640

> 500

953

> 500

161

Carmen

Neste caso, o funcionrio cujo nmero 105 (Arnaldo) na listagem, ser o primeiro a fazer parte da amostra, o
de nmero 82 (Amadeu) ser o segundo, e assim por diante.

1.3 Amostragem aleatria estratificada (AAE)

Muitas vezes, em trabalhos de pesquisa, pode ocorrer que a populao seja heterognea. Assim, a mesma
deve ser subdividida em grupos heterogneos entre si, os chamados estratos.
tcnica de obteno de amostras em que a populao de N elementos ou unidades amostrais previamente
dividida em grupos mutuamente exclusivos, e dentro dos quais so sorteadas amostras casuais simples de tamanho
ni, denominada de amostragem aleatria estratificada.
Tanto possvel estratificar populaes finitas como populaes infinitas.
Uma vez fixado o tamanho n da amostra a ser coletada, via AAE, existem trs critrios para se determinar o
nmero de elementos a serem observados em cada estrato: o critrio uniforme, o ponderado e o timo.

a) Critrio uniforme

9
O critrio uniforme utilizado quando sorteado o mesmo nmero de elementos em cada estrato.
Evidentemente, esse processo dever ser usado quando os estratos da populao forem, pelo menos,
aproximadamente do mesmo tamanho.

b) Critrio ponderado
Por este mtodo, o nmero de elementos ni a serem observados no estrato i na amostra, proporcional ao
nmero total de elementos Ni do estrato i na populao, de maneira que a preciso da avaliao em cada um deles
seja igual. Este critrio particularmente adequado quando a variabilidade presente em cada estrato relativamente
homognea. Ento, determina-se ni por:

ni

Ni
n
N

em que N o tamanho da populao e n o tamanho da amostra.

Exemplo

Suponha que se quer realizar uma pesquisa de satisfao junto a 2000 funcionrios de uma empresa, mas no
vivel execut-la com todos. Sabe-se que 100 funcionrios so do departamento A,, 200 so do B, 300 so do C,
400 so do D e 1000 so do E. Sabendo que o tamanho da amostra a ser coletada n = 100, quantos funcionrios
de cada departamento devero ser entrevistados?
Nmero de entrevistados do departamento A.

na

100
100 5
2000

Nmero de entrevistados do departamento B.

nb

200
100 10
2000

Nmero de entrevistados do departamento C.

nc

300
100 15
2000

Nmero de entrevistados do departamento D.

nd

400
100 20
2000

10
Nmero de entrevistados do departamento E.

ne

1000
100 50
2000

O procedimento seguinte ser o de realizar uma amostragem aleatria simples em cada estrato, escolhendo 5
funcionrios do departamento A, 10 do B, 15 do C, 20 do D e 50 do E, para entrevist-los em seguida.

c) Critrio timo

Outro critrio sugerido o de que o nmero de elementos em cada estrato guarde, tambm, certa
proporcionalidade ao desvio padro i de cada estrato. A ideia envolvida a de que aqueles estratos com maior
variabilidade necessitariam de mais elementos, de maneira a gerar estimativas para parmetros populacionais com a
mesma preciso que a dos demais estratos. Dessa forma, o nmero de elementos a serem tomados de cada estrato
dado por:

ni

N i i
k

N i i

i 1

Esse critrio tem a desvantagem de exigir o conhecimento prvio do desvio padro populacional i, o que
quase nunca ocorre numa situao prtica. Assim, a menos que se tenham informaes preliminares a respeito de i,
em geral o critrio preferido o ponderado.

Exemplo

Uma populao foi estratificada segundo trs estratos. O tamanho de cada estrato ea varincia correspondente so
dados a seguir:

Estrato

Tamanho do estrato (Ni)

Varincia ( i )

200

10

300

500

11
Considerando a estratificao tima, para uma amostra de tamanho n = 116, quantos elementos devero ser
coletados de cada estro?

n1

200 10

3
200 10 300 6 500 4 116 30,99 31

N i
N1 1

i 1

n2

300 6
116 36,008 36
n

200

10

300

500

N i
N 2 2

i 1

n3

500 4
116 49,0009 49
n

200

10

300

500

N i
N 3 3

i 1

O procedimento seguinte ser o de realizar uma amostragem aleatria simples em cada estrato, coletando
aleatoriamente, 31 elementos do estrato 1, 36 elementos do estrato 2, e 49 elementos do estrato 3.

1.4 Amostragem aleatria sistemtica (AS)

Ainda, com o objetivo de facilitar o processo de amostragem, alguns autores tambm propem outro mtodo,
denominado de Amostragem Aleatria Sistemtica (AS), o qual pode vir a aumentar a representatividade da amostra
em algumas situaes em que a populao est ordenada segundo algum critrio, como uma fileira de rvores,
fichas de um fichrio, listas telefnicas, entre outros.
Essa tcnica de amostragem tambm caracterizada quando os elementos de uma populao se apresentam
ordenados e a retirada dos mesmos para compor a amostra feita periodicamente. Por exemplo, em um processo de
produo, onde se deseja executar o controle de qualidade, de hora em hora, o inspetor toma n peas de um lote
para compor a amostra. O cuidado a ser tomado nesse processo quanto possibilidade de a varivel de interesse
sofrer variaes cclicas, em que os perodos desse ciclo venham a coincidir com as de retiradas de elementos.
Neste processo, os elementos da populao so ordenados, o primeiro elemento sorteado por AAS entre os
k primeiros elementos, o segundo elemento tomado ao contar k passos a partir do primeiro, e assim por diante, at
serem coletados os n elementos da amostra. Quando uma populao for finita, com N elementos, a determinao do
nmero de k passos ou saltos, ser dado pela razo entre o nmero total de elementos da populao (N) e o
tamanho da amostra (n), tomando-se o inteiro mais prximo, ou seja,

N
n

12
Exemplo
Se em um hospital existirem 10.000 fichas de pacientes dos quais sero amostradas 50, ento o nmero de
saltos ser:

10.000
200
50

O procedimento seguinte ser o de sortear o primeiro paciente dentre os 200 primeiros e prosseguir a
o

amostragem, sempre saltando 200 pronturios de cada vez. Supondo que a 1 pronturio sorteado entre os duzentos
primeiros tenha sido o de numero 80, o segundo seria o de nmero 80 + 200 = 280, e assim por diante at ser
obtidos os 50 pronturios, como mostra o quadro a seguir.
o

80
280
480
680
880
1080
1280
1480
1680
1880

N do pronturio
2080
4080
6080
2280
4280
6280
2480
4480
6480
2680
4680
6680
2880
4880
6880
3080
5080
7080
3280
5280
7280
3480
5480
7480
3680
5680
7680
3880
5880
7880

8080
8280
8480
8680
8880
9080
9280
9480
9680
9880

Logicamente, o ltimo nmero da sequncia ser dado por:

1 valor sorteado + (n-1).k = 80 +(50-1).200 = 9880

1.5 Amostragem por meio de conglomerados

H populaes onde extremamente difcil a identificao de todos os elementos, de forma a list-los e sortelos em seguida, por meio de AAS. Por exemplo, as pesquisas modernas de opinio no podem selecionar suas
amostras colocando o nome de cada pessoa do pas em uma urna, pelo simples fato de no existir uma lista com os
nomes para todo o pas. E mesmo que houvesse, seria extremamente laborioso e nada econmico entrevistar, por
exemplo, 3.000 pessoas selecionadas aleatoriamente e distribudas por todo o pas.
Devido a isso, foi idealizada a amostragem por conglomerados. Trata-se de uma tcnica na qual a populao
subdividida em grupos menores, denominados de conglomerados, a partir da sorteado um nmero suficiente
desses conglomerados e dentro de cada conglomerado so selecionados os elementos que faro parte da amostra,
por AAS. Na prtica, os conglomerados so selecionados geograficamente. Algumas regies so escolhidas ao
acaso, dentro dessas regies algumas sub-regies so sorteadas e, finalmente, alguns lares ou propriedades so
sorteados.

Por exemplo, imagine que se queira saber a opinio dos agricultores do Estado do Paran, sobre

determinado produto agrcola que est sendo lanado no mercado. Algumas cidades poderiam ser sorteadas, dentro
dessas regies e, em seguida algumas propriedades seriam escolhidas dentro dessas cidades.

13
Na realidade, esse processo possibilita que o pesquisador entreviste menos pessoas do que se fosse
realizada uma AAS, e torna o trabalho de pesquisa menos rduo, pelo fato de assegurar que as pessoas vivam em
conglomerados (agregados).

1.6 Amostragem de Convenincia

Existem outros tipos de amostragem. No raramente, a anlise estatstica aplicada de forma errada a
algumas amostras, como se elas fossem aleatrias. Quando o processo de amostragem no realizado de forma
aleatria, tem-se uma amostragem de convenincia. Por exemplo, no estudo de um novo tratamento utilizando seres
humanos portadores de cncer, no adequado generalizar o resultado para toda a populao com esta doena,
uma vez que nem todos os doentes esto dispostos a servirem como cobaias. Outro exemplo: se for colocada uma
cadeira em frente a um supermercado e for pedido que as pessoas preencham um formulrio, expressando sua
opinio sobre determinado produto, pouco provvel que essa amostra seja representativa da populao. De forma
semelhante, realiza-se uma pesquisa pela internet para escolher o tcnico da seleo. Certamente, essa amostra
no ser representativa da populao, uma vez que ir participar da pesquisa apenas quem quiser.
O pesquisador que trabalha com amostras sempre pretende fazer inferncia, isto , estender os resultados da
amostra para a populao. Se a amostra no representa bem a populao, os resultados obtidos so vlidos apenas
para aqueles elementos da amostra e no para a populao como um todo.

1.7 Dimensionamento de amostra

Em algumas sees anteriores foram mostrados alguns procedimentos de coleta de amostras de uma
populao. No menos importante o clculo do tamanho da amostra, a qual depende da margem de erro e do grau
de confiana que o pesquisador admite. Assim, segundo Fonseca e Martins(1996), os seguintes procedimentos
devero ser tomados ao se calcular o tamanho da amostra:
(1) Deve-se analisar o questionrio, ou roteiro de entrevista e escolher a varivel que julgar a mais relevante. Se
possvel, deve-se escolher mais do que uma.

(2) Verifique que tipo de varivel esta: se qualitativa ou quantitativa.

(3) Considere o tamanho da populao: finita ou infinita

Antes de descrever o quarto passo o leitor de ver estar familiarizado a alguns conceitos.

Parmetro Populacional Constante, em geral desconhecida, que descreve uma populao. Ex.: comprimento mdio
de todas as peas produzidas pela indstria.

14
Estimador: Corresponde expresso algbrica que permite obter uma estimativa. Por exemplo, o estimador da
n

mdia dado por x

x
i 1

Estimativa: Valor aproximado do valor do parmetro desconhecido, calculado a partir de uma amostra. Ex. O
comprimento mdio de 10 peas coletadas durante a primeira meia hora de produo foi x 100mm .
Margem de erro: no clculo do tamanho de amostra, a mxima diferena absoluta permitida entre o valor do
parmetro populacional e a estimativa. Ex.: A mxima diferena admitida entre o comprimento mdio de todas as
peas produzidas e o comprimento mdio das peas da amostra 0,1mm.
Grau de confiana (1- ): no clculo do tamanho de amostra a probabilidade de ocorrncia de um erro amostral
mximo admitido. Ex.: A probabilidade de ocorrer um erro de no mximo 0,1mm, de 95%.

(4) Calcular o tamanho da amostra

1caso) Se a varivel escolhida quantitativa ou se quer estimar uma mdia e a populao for considerada
infinita, o tamanho da amostra poder ser calculado por:

Z .
n

em que: E a margem de erro, expresso na unidade da varivel. A margem de erro mxima diferena
absoluta permitida entre a mdia populacional () e a mdia amostral ( x ), isto :

x E.

Z: representa a abscissa da curva normal padro. O valor de Z depende do grau de confiana. Nesse caso, o
grau de confiana a probabilidade de ocorrncia do erro mximo admitido, ou seja,

P x d 1 .

(leia-se sigma) o desvio padro populacional. Ha trs maneiras de se determinar o valor de :

i. Por meio de especificaes tcnicas;

ii. Resgatando o valor de estudos semelhantes;

iii. Fazendo conjecturas sobre possveis valores, ou seja, tomando uma amostra piloto, com um nmero n
de elementos, escolhido arbitrariamente para, com base nela, estimar o valor de , por meio do desvio
padro da amostra S. Em seguida, aplica-se a expresso obtida para n e caso ocorra n n, a mostra
piloto j ter sido suficiente para a estimao, em caso contrrio, aumenta-se o tamanho nda amostra
para n, coletando os elementos que faltaram (n - n).

15
Exemplos:

( 1 ) Suponha que a varivel escolhida num estudo de controle de qualidade de determinada indstria seja o peso de
certo tipo de pea, onde h o interesse de estimar o peso mdio. Pelas especificaes do produto, o desvio padro
de 10 kg. Calcule o tamanho da amostra, admitindo-se um grau de confiana de 95% e um erro amostral de 1,5 kg.
Soluo:
Se a varivel em estudo peso em kg (quantitativa), e a populao infinita, pois no conhecido o nmero
total de peas produzidas, o tamanho da amostra ser dado pela expresso:

Z .
n

Temos os seguintes valores:

= 10kg,

E = 1,5kg

grau de confiana de 95% 1 - = 0,95 (1 - )/2 = 0,95/2 = 0,475

Procura-se o valor 0,475 no corpo da na tabela da distribuio normal reduzida (Tabela 2.1) e acha-se o valor Z =
1,96 correspondente, de acordo com o esquema a abaixo:

Z = 1,96

1,96 10
n
170,7378 171 peas
1,5
Assim, se a produo ininterrupta num perodo de 24 horas, a cada hora devero ser coletadas aproximadamente
171/24 7 peas da linha de produo (amostragem aleatria sistemtica) para realizar o controle de qualidade.

( 2 ) Foi coletada uma amostra piloto de 10 cabos e o desvio padro de tenso de ruptura foi S = 14,4 kgf. Perguntase: O tamanho da amostra piloto foi suficiente para estimar a mdia com uma margem de erro de 5kgf e um grau de
confiana de 99%?

Soluo:
O desvio padro populacional no conhecido, ento possvel utilizar o desvio padro da amostra piloto
S = 14,4 kgf para calcular o tamanho da amostra.

Temos os seguintes valores:

S = 14,4kg,

E = 5kgf,

grau de confiana de 99% 1 - = 0,99 = 0,01 /2 = 0,005

16
Nmero de graus de liberdade = n 1 = 10 1 = 9.
Na tabela 2.3 procure o valor 9 na margem esquerda e o valor 0,005 na margem superior. No cruzamento da
linha do valor nove com a coluna do valor 0,005 ser achado o valor 3,250 como mostra a figura a seguir.
Tabela 3.1 Distribuio de t de Student.

p
2

0,005

t/2 = 3,250
3,250
0

t .S 3,250 14,4
n /2
87,6096 88 cabos
5

E
2

Concluso: Nesse caso, o tamanho da amostra piloto ou pr-amostra n = 10 no foi suficiente para estimar a mdia
com uma margem de erro de 5kgf e um grau de confiana de 99%, uma vez que, para atingir esse objetivo, so
necessrios 88 cabos. Portanto, preciso coletar mais 78 cabos para realizar os testes de tenso de ruptura.

2 caso) Se a varivel escolhida for quantitativa ou se quer estimar uma mdia e a populao for finita, o
tamanho da amostra poder ser dado por:

Z 2 2 N
E 2 ( N 1) Z 2

Em que: N o tamanho da populao. Os demais elementos da frmula so os mesmos da anterior.

Exemplos:
( 3 ) Admita os mesmos dados do exemplo 1 e que a produo diria de 600 peas. Quantas peas devero ser
coletadas diariamente?
Soluo:
A varivel em estudo peso em kg (quantitativa), e o nmero de peas fabricadas diariamente 600
(populao finita). Logo, o tamanho da amostra ser dado pela expresso:

Z 2 2 N
E 2 ( N 1) Z 2

Temos os seguintes valores:

= 10kg,
Logo,

E = 1,5kg

Z = 1,96

17

1,96 2 10 2 600
133,08 134 peas
1,52 599 1,96 2 10 2

Obs: Para calcular o tamanho da amostra, o arredondamento deve ser sempre para mais, para no correr o risco de
aumentar a margem de erro da pesquisa.
Assim, se a produo ininterrupta num perodo de 24 horas, a cada hora devero ser coletadas aproximadamente 6
peas da linha de produo para realizar o controle de qualidade.

3 caso ) Se a varivel escolhida qualitativa, ou se quer estimar uma proporo e a populao considerada
for infinita, o tamanho da amostra poder ser calculado por:

Z 2 p (1 p )
E2

Em que:

p o estimador da verdadeira proporo de um dos nveis da varivel escolhida. Por exemplo, se varivel
escolhida for porte da empresa, p poder ser o estimador da verdadeira proporo de grandes empresas dos
setor que est sendo estudado. Ser expresso em decimais. Assim, se p = 30%, ter-se p = 0,30.

Observao: H trs maneiras de achar o valor de p

i.

Usar o valor de

ii.

Admitir

p de uma pesquisa similar feita anteriormente.

p = 0,50, pois, dessa forma, ter-se o maior tamanho da amostra, admitindo-se constantes os demais

elementos.
iii. Tomando uma amostra piloto ou pr-amostra, com um nmero n de elementos, escolhido arbitrariamente
para, com base nela, achar o valor de

p . Em seguida, aplica-se a expresso obtida para n e caso ocorra n

n, a mostra piloto j ter sido suficiente para a estimao, em caso contrrio, aumenta-se o tamanho nda
amostra para n, coletando os elementos que faltaram (n - n).

E a margem de erro, expresso em decimais. O erro amostral, nesse caso a diferena mxima admita
entre a proporo populacional desconhecida ( p ) e a proporo amostral

p , isto :

p p E
Z representa a abscissa da curva normal padro. O valor de Z depender do grau de confiana. Nesse caso,
o grau de confiana a probabilidade de ocorrncia de um erro mximo admitido.

P p p E 1

18

Exemplo:

( 4 ) Suponha que se que estimar a proporo de eleitores favorveis ao candidato X. Numa pr-amostra a
porcentagem de eleitores favorveis a esse candidato foi 30%. Quantos eleitores devero ser entrevistados para
estimar a proporo citada com um grau de confiana de 99% e uma margem de erro de 2% para mais ou para
menos.

Soluo
O objetivo estimar uma proporo e o tamanho da populao no conhecido, ento, utiliza-se a seguinte
expresso para calcular o tamanho da amostra:

Z 2 p (1 p )
E2

Temos os seguintes valores:

30
0,3 ,
100

2
0,02 e
100

grau de confiana de 99%1 - = 0,99 (1 - )/2 = 0,99/2 = 0,495

Procura-se o valor 0,495 no corpo da na tabela da distribuio normal reduzida (Tabela 2.1) e acha-se o valor Z =
2,57 correspondente, de acordo com o esquema a abaixo:

Z
0
7

0,0

Z =2,57

2,5 0,4950

Z 2 p (1 p ) (2,57) 2 (0,30) (0,70)

n

3.467,57 3468
E2
(0,02) 2

4 caso ) Se a varivel escolhida qualitativa, ou se quer estimar uma proporo e a populao finita, o
tamanho da amostra ser calculada por:

Z 2 p (1 p ) N
n 2
E ( N 1) Z 2 p (1 p )

19
Exemplo:

( 5 ) Admita os mesmos dados do exemplo anterior, e que a populao seja formada por 20.000 eleitores.

O objetivo estimar uma proporo e o tamanho da populao conhecido, ento, utiliza-se a seguinte expresso
para calcular o tamanho da amostra:

Z 2 p (1 p ) N
E 2 ( N 1) Z 2 p (1 p )

Temos os seguintes valores:

p 0,3

E 0,02

N = 20000

Z = 2,57

Logo,

2,57 2 0,3.(1 0,3).20000

2955,33 2956 eleitores
0,02 2 19999 2,57 2 0,3.(1 0,3)

1.8 Sequncia de exerccios n 1

01 Considere que uma firma tem 100 funcionrios e se quer realizar uma pesquisa de opinio com os mesmos,
utilizando uma amostra de 25 funcionrios. Sabendo que o nome do funcionrio no pode constar mais de uma vez
na listagem dos 25 que sero entrevistados (amostragem sem reposio), qual ser o nmero total de amostras
possveis. Resposta: 2,42519270 X 1023 ou 242519269720337000000000

02 Para a mesma lista de nomes apresentada no exemplo 2 da seo 3.2, sorteie uma amostra de 30 nomes,
utilizando a tabela de nmeros aleatrios. Porm, escolha outro nmero da tabela para comear o processo de
casualizao e explique a partir de que linha e coluna da tabela foi iniciado o processo.
03 Em que situao deve-se utilizar a amostragem aleatria estratificada? D um exemplo diferente daquele j
visto nesse material.
04 Suponha que se queira fazer uma pesquisa eleitoral com relao preferncia a diretor geral da UNIOESTE
para o campus de Foz do Iguau. Suponha que o campus constitudo de trs categorias (estratos), 1400 alunos
matriculados, 150 professores e 88 funcionrios. Pergunta-se:

a) Se fosse realizada uma amostragem estratificada com 70 pessoas, quantos membros de cada categoria fariam
parte da amostra? Resposta: n1 = 60, n2 = 6, n3 = 4
b) Aps saber quantos membros de cada categoria fariam parte da amostra, qual seria o prximo procedimento?

20
05. Uma amostra constituda de 800 alunos de uma escola. Tendo uma listagem dessa populao, j ordenada,
explique qual o procedimento para obter uma amostra sistemtica de 40 alunos.

06 Sabe-se que numa indstria o desvio padro de especificao das tenses limites de trao de barras de ao
15 kgf/mm2. Afim de, realizar o controle de qualidade da produo de barras de ao, quantas seriam necessrias
2

coletar, com um grau de confiana de 95% e erro amostral de 5kgf/mm Resposta: n =35

07. Admita os mesmos dados do exerccio anterior e que a produo diria seja de 2500 barras. Quantas barras
devero ser coletadas diariamente e quantas devero ser coletadas por hora, se produo feita em 24 horas
ininterruptas. Resposta: n =35

08. Sabendo-se que a proporo de peas defeituosas de uma indstria no ultrapassa 0,10, calcule o tamanho de
amostra necessrio para verificar a porcentagem de peas defeituosas utilizando um grau de confiana de 99% e um
erro amostral de 0,03. Resposta: n = 661
09. Suponha que, entre corpo docente, tcnicos administrativos e corpo discente, sua universidade composta por
um total de 1950 indivduos. De pesquisa eleitoral anterior sabe-se que a porcentagem favorvel ao candidato A, a
diretor geral, de 77%. Calcule o tamanho da amostra para realizar uma nova pesquisa, admitindo um erro de 2% e
um grau de confiana de 95%. Resposta: n = 909

10. Utilize os dados do exerccio anterior para calcular o tamanho da amostra, sem conhecer a porcentagem
favorvel ao candidato ao candidato A. Resposta: n = 1077

21

2. ESTIMAO
2.1 Introduo
A deduo de informaes relativas a uma populao, mediante a utilizao de amostras dela extradas, diz
respeito Inferncia Estatstica.
Um dos objetivos principais da Inferncia Estatstica a estimao de parmetros, tais como a mdia, o desvio
padro, a varincia populacional, a proporo populacional, etc.

Exemplo 1. Deseja-se ter uma ideia acerca da proporo (desconhecida) de produtores de uma regio que
cultivam milho.
Exemplo 2. H o interesse no tempo mdio, de vida de aspersores de uma certa marca, bem como seu desvio
padro. Parmetros: e .

Quando se dispe de apenas uma parte dos elementos da populao (uma amostra), o mximo que se pode
conseguir so valores aproximados para os parmetros desconhecidos, conhecidos como estimativas. Assim,
definem-se os conceitos a seguir:

Estimao: o procedimento utilizado para se obter uma estimativa

Basicamente, existem dois processos de estimao, por ponto e por intervalo. Na estimao pontual, um valor
numrico obtido, atravs de um estimador, como aproximao para os elementos do parmetro populacional .

2.2 Estimao por ponto

Na estimao por ponto o parmetro estimado atravs de um valor nico, o qual corresponde a um ponto
sobre o eixo de variao da varivel. Alguns dos principais estimadores sero estudados a a seguir.

2.2.1 Estimador da mdia populacional

O estimador utilizado a mdia aritmtica amostral

xi
x

i 1

Estimador no tendencioso: Sendo um estimador do parmetro , se a esperana ou mdia de for igual a ,

, diz-se que um estimador no tendencioso.
ou seja, E()

22
Exemplo:
Suponha que x1, x2, . . . , x n seja uma amostra aleatria X que segue a distribuio normal com mdia e
varincia . Verifique se x um estimador no tendencioso para estimar .
2

1
1 n 1 n
xi = E[ xi ] = n E[ x ] =

n
n i 1 n i 1

E[ x ] = E

Logo, x estimador no tendencioso para estimar

Alm da no-tendenciosidade, existem outras propriedades da mdia aritmtica x , porm, no objetivo do
curso apresent-las. O leitor interessado dever referir-se a Mood, Graybill e Boes (1974).

2.2.3 Estimador da varincia populacional 2 e do desvio padro populacional

Quando se deseja estimar a varincia populacional 2 e a populao de onde coletada a amostra, infinita,
se utiliza a varincia amostral s2, a qual dada pela expresso a seguir:

S2

(x
i 1

x)2

n 1

em que n o nmero total de indivduos na amostra e x a mdia aritmtica da amostra.

A razo para se utilizar n - 1 como denominador, no lugar de N a de que, se infinitas amostras ao acaso
forem coletadas nessa populao infinita, a mdia aritmtica simples da varivel S2 ser 2, ou seja, E(s2) = 2.
Assim, pode-se dizer que S2 um estimador no tendencioso de 2 para populaes infinitas.
Nesse caso, o desvio padro ser
s s2

O desvio padro s no um estimador no-tendencioso de .

Se a amostra tiver sido coletada de uma populao finita, ento a varincia amostral ser representada por:
n

( xi x)2

N 1 i 1
N
n 1

O leitor deve perceber que

lim 2 s 2

N 1 2
S
N

23
ou seja, medida que o tamanho da populao finita vai se tornando alto, o uso de
2 ou de S2 praticamente
conduzem ao mesmo resultado.
Novamente, a razo do uso da expresso acima para a varincia amostral a de que, se vrias amostras

forem coletadas nessa populao finita, ento o valor mdio de

ser . Assim, tem-se que

2

um estimador

no tendencioso de 2 para populaes finitas.

Neste caso o desvio padro ser dado por:

2.3 Estimao por intervalo

O segundo processo de estimao a chamada estimao por intervalo. A estimao pontual, se bem que
valiosa (e quase sempre necessria), pode ser tida como incompleta, no sentido de que no expressa a confiana
que se possa ter acerca da maior ou menor diferena entre as estimativas do parmetro , e o valor real
desconhecido.
Ento, a chamada estimao por intervalo foi idealizada para procurar suprir essa necessidade. Por ela, algum
tipo de intervalo construdo, de tal maneira que se possa atribuir probabilidades de que o valor real do parmetro
esteja ali contido.
Em outras palavras, nesse processo de estimao se constri um intervalo em torno da estimativa por ponto,
de modo que esse intervalo tenha uma probabilidade de conter o verdadeiro valor do parmetro. Assim, surge o
conceito de grau de confiana (1 - ).
A escolha do grau de confiana (1 - ) depende da preciso com que se deseja estimar o parmetro. muito
comum a utilizao de nveis de 90%, 95% e 99%. Evidentemente, o aumento da confiana no intervalo implica no
aumento da amplitude (diferena entre os limites superior e inferior do intervalo).

2.3.1 Intervalo de confiana da mdia populacional .

Nesta seo ser abordado o intervalo de confiana para a mdia , quando a amostra aleatria simples,
tomada de uma populao infinita.
Para a construo do intervalo de confiana para , conveniente estudar distribuies de amostragem
associadas a seu estimador pontual x . Para tanto, existem teoremas, para os casos onde a populao pode ser
descrita por uma distribuio normal, que so teis.
Teorema 4.1 Seja a populao infinita descrita por uma varivel X com distribuio normal N (, ). Se infinitas
2

amostras de tamanho n so coletadas nessa populao, ento a mdia x dessas amostras ter distribuio normal
com mdia e varincia 2/n.

1 caso Quando o desvio padro populacional for conhecido

24

Se o desvio padro populacional for conhecido, ento pode-se utilizar diretamente o teorema anterior para
2
calcular a probabilidade associada a x , pois neste caso, x ter distribuio normal, com mdia e varincia /n,

ou seja,

x ~ (, 2/n)
Assim a, a varivel:

tem distribuio normal com mdia 0 e varincia 1. Nesse caso, a probabilidade do intervalo [-/2, /2] conter o
verdadeiro valor de Z 1 - , ou seja:
P[-z/2 Z z/2] = 1 -
Esta probabilidade pode ser visualizada na Figura 4.1

Figura 4.1 - Distribuio normal, reduzida ou padronizada

Substituindo Z na expresso anterior tem-se:

P z / 2
z/2 1
/ n

que isolando resulta

P x Z / 2
x Z / 2
1
n
n

Portanto, o intervalo de confiana de (1 - )100% para ser

x Z / 2

x Z / 2
n
n

25
Exemplo
O desvio padro de especificao tcnica de comprimentos de peas produzidas por certa mquina de 2mm.
Uma amostra de 50 peas produzidas por esta mquina apresentou mdia x 25 mm . Construir o I.C. de 95% para
o verdadeiro comprimento mdio da populao de peas produzidas por essa mquina.

Soluo:
= 2 mm
n = 50
x = 25 mm
Grau de confiana 1 - = 0,95 (1 - )/2 = 0,95/2 = 0,475
Procura-se o valor 0,475 no corpo da na tabela da distribuio normal reduzida (Tabela 2.1) e acha-se o valor Z =
1,96 correspondente, de acordo com o esquema a abaixo:

Z =1,96
Dessa forma, tm-se todos os elementos para o clculo do intervalo de confiana da mdia, ou seja:

x z/2

x z/2
n
n

25 1,96

2
2
25 1,96
50
50

25 0,6 25+0,6
24,4 25,6
Interpretao
Assim, o verdadeiro comprimento mdio da populao de peas produzidas por essa mquina 25 mm,
tolerando com 95% de confiana, a margem de erro de 0,6 mm para mais ou para menos.

2ocaso: Quando o desvio padro populacional for desconhecido

Na maioria das situaes muito pouco provvel que seja conhecido. Assim, faz-se necessrio o prximo
teorema:
Teorema 4.2 Seja uma populao infinita descrita por uma varivel aleatria X com distribuio normal N (,2). E
sejam infinitas amostras de tamanho n coletadas nessa populao, a partir das quais so calculadas x e S2. Ento a
varivel t

x
tem distribuio conhecida como t de Student, e que tem como nico parmetro a constante = n
s
n

1 (n de graus de liberdade.)

26
Dessa forma, a probabilidade do intervalo [-t/2, t/2] conter o verdadeiro valor de t 1- , ou seja:
P[-t/2 t t/2] = 1 -
Esta probabilidade pode ser visualizada na Figura 4.2

Figura 4.2 - Distribuio t de Student

Substituindo t na expresso anterior tem-se:

P t / 2
t/2 1
S/ n

que isolando resulta

S
S

P x t / 2
x t/2
1
n
n

Portanto, o intervalo de confiana de (1 - )100% para ser

x t/2

S
S
x t/2
n
n

Os valores de t so achados na Tabela 2.3.

Exemplo
Numa amostra de cabos produzidos por uma mquina foram ensaiadas cinco unidades e as tenses de ruptura
obtidas foram
750 780 745 770 e 765 kgf
Construir um intervalo de Confiana de 99% para a verdadeira tenso mdia de ruptura desses cabos.
Soluo:
n

x
i 1

3810
762 kgf
5

27
n

S2

(x
i 1

x )2

n 1

830
14,4 kgf 2
5 1

G.L = =n - 1 = 5 1 = 4

n = 5,

1 - = 0,99 = 1 0,99 = 0,01 /2 = 0,005

Na Tabela 2.3, a de t de Student, procura-se o nmero G.L. = = 4 graus de liberdade na primeira coluna da
esquerda e /2 = 0,005 na linha superior. Procura-se o valor numrico que est no cruzamento da linha do nmero
G.L. = = 4 graus de liberdade, com a coluna do nmero /2 = 0,005 como mostra o esquema a seguir.

Assim, achou-se t/2 = 4,604 e o intervalo de confiana fica:

x t/2

S
S
x t/2
n
n

762 4,604

14,4
14,4
762 4,604
5
5

762 - 29,6492 762 + 29,6492

732,4 791,6
Interpretao
Significa que a verdadeira tenso mdia de ruptura desses cabos 762 kgf, tolerando com 99% de
confiana, a margem de erro de 29,6492 para mais ou para menos.

2.3.2 Intervalo de confiana da varincia populacional 2 e do desvio padro populacional

Quando a populao da qual a amostra foi coletada for normal (ou aproximadamente normal), ento existe um
procedimento que permite a construo de um intervalo de confiana para . Ser abordado aqui apenas o caso de
2

amostragem aleatria simples.

Teorema 4.3. Se infinitas amostras so coletadas de uma populao infinita e normal, a partir das quais so
calculadas varincias amostrais S2, ento a varivel definida por
2

( n 1)S 2
tem uma distribuio conhecida
2

denominada de qui-quadrado, com parmetro = (n 1) graus de liberdade.

A partir do teorema 5.3 possvel construir um intervalo de confiana para , utilizando a distribuio quiquadrado, simbolizada por 2.
2

2
A probabilidade do intervalo 1 / 2 ; / 2 conter o algum valor de iguala a 1 - , ou seja,

12 / 2

;
2

2 / 2

28

.= 1 -

Esta probabilidade est representada na Figura 5.3

Figura 5.3 Representao grfica da probabilidade do intervalo 1 / 2 ; / 2 conter o algum valor de 2

2

Substituindo 2 na expresso anterior, tem-se

( n 1)S 2
2
P 1 / 2

=1-

/
2
2

que isolando 2 resulta

( n 1)S 2
( n 1)S 2
P 2
2 2
1
1 / 2
/ 2
Portanto, o I. C. de (1 -)x100% da varincia populacional 2 ser:

( n 1)S 2
( n 1)S 2
2

2 / 2
12 / 2
e do desvio padro populacional ser

( n 1)S 2
( n 1)S 2

2 / 2
12 / 2
Exemplo:
Tm-se os seguintes pesos, em gramas, de 10 pacotes postais remetidos por certas empresa:
46,4

46,1

45,8

47,0

46,1

45,9

45,8

46,9

45,2

46,0

Determinar um intervalo de confiana de 95% para a varincia e para o desvio padro dos pesos de todos os pacotes
(populao) expedidos pela empresa.

Soluo:

29
n

x
i 1

46,12 kg
46,4

46,1

45,8

47,0

46,1

45,9

45,8

46,9

45,2

46,0

n = 10, = n 1 = 10 1= 9
1 - = 0,95 = 1 - 0,95 = 0,05 / 2 = 0,05 / 2 = 0,025
1 - / 2 = 1 - 0,025 = 0,975
Na tabela 2.4, para este exemplo, o valor de 1 / 2 achado no cruzamento da linha em que ocorre o valor
2

GL = 9 com a coluna em que ocorre o valor 0,975. J, o valor de / 2 achado na tabela 2.5 para o cruzamento da
mesma linha (GL = 9), com a coluna onde ocorre o valor 0,025. Essa descrio pode ser visualizada no esquema a
seguir.
2

Tabela 2.4- Distribuio Qui-Quadrado

Tabela 2.5- Distribuio Qui-Quadrado

Logo, o I. C. de 95% para a varincia populacional ser:

2

( n 1)S 2
( n 1)S 2
2

2 / 2
12 / 2

9 0,5352
9 0,5352
2
19,023
2,7
0,135 2 0,953
Interpretao
Dessa forma, a probabilidade do intervalo [0,135; 0.953] conter o verdadeiro valor da varincia dos pesos de
todos os pacotes expedidos pela empresa, de 95%. Em outras palavras, se infinitas amostras de pacotes postais
remetidos por esta empresa forem coletados, 95% dos intervalos iro conter o verdadeiro valor da varincia dos
pesos de todos os pacotes expedidos pela mesma.
O I. C. de 95% para o desvio padro populacional ser:

0,135 0,953 0,367 0,976

30
Interpretao
Significa que a probabilidade do intervalo [0,367; 0.976] conter o verdadeiro valor do desvio padro dos pesos
de todos os pacotes expedidos pela empresa, de 95%. Em outras palavras, se infinitas amostras de pacotes
postais remetidos por esta empresa forem coletados, 95% dos intervalos iro conter o verdadeiro valor do desvio
padro dos pesos de todos os pacotes expedidos pela mesma.

2.3.3 Intervalo de confiana para a proporo populacional p

Um parmetro do qual frequentemente tem-se muito interesse a proporo p dos indivduos de uma
populao que guardam alguma caracterstica de interesse. Como exemplo tem-se a proporo em cada 100
indivduos com determinada doena, proporo de atletas com leso no joelho. Em seo anterior foi visto que a
proporo de indivduos de uma categoria dada pelo quociente entre o nmero de indivduos desta categoria e o
nmero total de indivduos em estudo, ou seja

x
n

Em que x o nmero de vezes que o evento de sucesso ocorre na amostra e n o tamanho da amostra.
Para amostras suficientemente grandes, a distribuio amostral das propores aproximadamente normal
com mdia,

p p
e desvio padro

p(1 p)
=
n

pq
n

ou seja,

pq

p N p,
n
Assim, a varivel aleatria,

p p
pq
n

tem distribuio normal com mdia 0 e varincia 1. Nesse caso, a probabilidade do intervalo [-z/2, z/2] conter o
verdadeiro valor de Z 1 - , ou seja:
P[-z/2 Z z/2] = 1 -

31
Esta probabilidade pode ser visualizada na Figura 4.4

Figura 4.4 Distribuio normal, reduzida ou padronizada.

Substituindo Z na expresso anterior tem-se:

pp
P z / 2 z / 2 1

pq

que isolando p resulta em

pq
pq
P p Z / 2
p p Z / 2
1
n
n

Portanto, o intervalo de confiana de (1

)100% para p ser

p Z / 2

pq
pq
p p Z / 2
n
n

Exemplo

Em uma amostra de 200 peas produzidas por certa mquina, verificou-se que 10 eram defeituosas. Estimar a
verdadeira proporo populacional de peas defeituosas produzidas por essa mquina, utilizando um Intervalo de
90% de confiana.

32
Soluo:
10 0,05
n = 200 p 200

q 1 p 1 0,05 0,95

1 - = 0,90 (1 - )/2 = 0,90/2 = 0,45

Procura-se o valor 0,45 no corpo da tabela da distribuio normal reduzida (Tabela 2.1). Nota-se que esse valor no
existe, de acordo com a figura abaixo. Os valores mais prximos do procurado so 0,4495 e 0,4505, os quais tm a
mesma diferena em relao a esse, ou seja, 0,0005. A maioria dos autores opta pelo primeiro valor (0,4495) cujo
valor de Z correspondente 1,64.
Tabela 2.1 Distribuio normal.

Z
0
4
5
0,0

Z = 1,64

1,6 0,4495 0,4505

Dessa forma, tm-se todos os elementos para o clculo do intervalo de confiana, da proporo, ou seja:

p Z / 2

0,05 1,64

pq
pq
p p Z / 2
n
n

0,05 . 0,95
0,05 . 0,95
p 0,05 1,64

200
200

0,05 0,0253 p 0,05 + 0,0253

0,0247 p 0,0753 ou 2,47% p 7,53%
Interpretao
Logo, a verdadeira proporo populacional de peas defeituosas produzidas por essa mquina 0,05,
tolerando com 90% de confiana, a margem de erro de 0,0253 para mais ou para menos.

33

2.3.4 Intervalo de confiana para a diferena entre duas mdias populacionais 1 e 2

1 caso: Quando os desvios padro populacionais 1 e 2 forem conhecidos

Substituindo a estatstica

( x1 x 2 ) ( 1 2 )
12 22

n1 n2

em P[-z/2 Z z/2] = 1 -
E isolando 1 - 2, obtm-se o Intervalo de confiana para 1 - 2, ou seja,

( x1 x2 ) z / 2

12
n1

22
n2

1 2 ( x1 x2 ) z / 2

12
n1

22
n2

Exemplo
Os desvios padro das duraes das lmpadas eltricas fabricadas pelas indstrias A e B so,
respectivamente, 50h e 80h. Foram ensaiadas 40 lmpadas de cada marca e as duraes mdias foram
respectivamente, 1200h e 1100h. Construir um intervalo de confiana de 99% para a diferena entre as duraes
mdias das lmpadas das duas marcas e verifique se h diferena significativa.
Soluo:

x A 1200 h , A 50 h ,

x B 1100 h , B 80 h ,

n A 40 ,

nB 40 ,

Grau de confiana de 99% 1 - = 0,99 (1 - )/2 = 0,99/2 = 0,495

Tabela 2.1 distribuio normal

Z
0
7

0,0

Z/2 = 2,57
2,5 0,4950

( x A x B ) z / 2

(1200 1100) 2,57

A2
nA

B2
nB

A B ( x A x B ) z / 2

A2
nA

B2
nB

50 2 80 2
50 2 80 2

A B (1200 1100) 2,57

40
40
40
40

61,66 1 2 138,34

34
Interpretao
A probabilidade do intervalo que vai de 61,66 a 138,34, conter a diferena entre as duraes mdias das
lmpadas eltricas das duas marcas, de 99%. Haja vista que o valor 0 no pertence ao intervalo, h diferena
significativa entre as mdias.

2 caso: Quando os desvios padro populacionais 1 e 2 forem desconhecidos e supostamente iguais

Substituindo a estatstica

(x1 x 2 ) d 0
1
1
s 2p

n1 n 2

em P[-z/2 Z z/2] = 1 -
E isolando 1 - 2, obtm-se o Intervalo de confiana para 1 - 2, ou seja,

1
1
1
1
( x1 x2 ) t / 2 S p2 1 2 ( x1 x2 ) t / 2 S p2
n1 n2
n1 n2
Em que s 2p o estimador da varincia comum s duas populaes, expressada por:

s 2p

(n1 1) . s12 (n 2 1) . s 22
n1 n 2 2

Exemplo:
Os dimetros, em mm, de uma amostra de 5 tubos da fabrica A so: 45, 47, 45, 44, 46. J, os de uma
amostra de 6 tubos fbrica B so: 43, 45, 44, 44, 46, e 43. Construir um intervalo de confiana de 95% para as
diferenas entre os dimetros mdios e verificar se h diferena significativa entre as mdias.

Soluo

xA

45 46
45,4 mm ,
5

S A2

(45 45,4) 2 (46 45,4) 2

1,3mm 2 ,
5 1

xB

43 43
44,2 mm ,
6

S B2

(43 44,2) 2 (43 44,2) 2

1,4mm 2 ,
6 1

s
2
p

(n A 1) . s A2 (n B 1) . s B2
n A nB 2

(5 1) . 1,3 (6 1) . 1,4
1,4 mm 2 ,
562

(5)

35
1 = 0,95 = 0,05 /2 = 0,025
Para = 5 + 6 2 = 9 graus de liberdade e /2 = 0,025, a tabela de t de Student fornece t/2 = 2,262, como mostra
figura a seguir:

Tabela 2.3- Distribuio t de student

GL \
1

1
1
( x A x B ) t / 2 S p2

n A nB

0,25 0,025

2,262

1
1
A B (( x A x B ) t / 2 S p2

n A nB

1 1
1 1
(45,4 44,2) 2,262 1,4 A B ((45,4 44,2) 2,262 1,4
5 6
5 6

0,42 1 2 2,82 mm
Interpretao
A probabilidade do intervalo que vai de -0,42 a 2,82, conter a diferena entre os dimetros mdios, de 95%.
Haja vista que o valor 0 pertence ao intervalo, no h diferena significativa entre as mdias.

2 caso: Quando os desvios padro populacionais 1 e 2 forem desconhecidos e supostamente diferentes

Nesse caso, usamos um mtodo aproximado (Aspin Welch), cuja estatstica dada por:

( x1 x 2 ) ( 1 2 )
s12 s 22

n1 n2

Com graus de liberdade

Em que

(w1 w 2 ) 2
w 12
w 22

n1 1 n 2 1

36

w1

s12
n1

e w2

s 22
n2

, sendo s12 e s 22 as varincias das amostras 1 e 2.

O intervalo de Confiana de (1 ).100% ser dada por:

( x1 x2 ) t / 2

S12 S 22
S2 S2

1 2 (( x1 x2 ) t / 2 1 2
n1 n2
n1 n2

Exemplo
Em certo municpio, registros pluviomtricos mostraram que nos ltimos oito anos, durante o ms de janeiro,
a queda mdia pluviomtrica foi de 125 mm com desvio padro s1 = 25 mm . Outro municpio apresentou nos
ltimos 5 anos, tambm durante o ms de janeiro, uma queda mdia de 100 mm com desvio padro s 2 = 5 mm .
Construir o intervalo de confiana de 99% para a diferena entre as quedas mdias pluviomtricas, supondo desvios
padro populacionais diferentes e interpretar o resultado.

Soluo

x1 125 mm ,

x2 100 mm ,

s1 25 mm ,

s 2 5 mm ,

n1 =8 ,

s12 25 2
w1

78,125 ,
n1
8

n2 =5 ,

s 22 5 2
w2

5,
n2
5

( w1 w2 ) 2
(78,125 5) 2

8
w12
w22
78,125 2
52

8 1
5 1
n1 1 n2 1

1 = 0,99 = 0,01 /2 = 0,005

Na tabela da distribuio t de Student para = 8 e /2 = 0,005 encontramos t/2 = 3,355, como
mostra a figura a seguir:
Tabela 2.3- Distribuio t de student

GL \
1

0,25 0,005

3,355

37

( x1 x2 ) t / 2

(125 100) 3,355

S12 S 22
S2 S2

1 2 (( x1 x2 ) t / 2 1 2
n1 n2
n1 n2

25 2 5 2
25 2 5 2

1 2 ((125 100) 3,355

8
5
8
5

5,59 1 2 55,59 mm
Interpretao
A probabilidade do intervalo que vai de -5,59 a 55,59 mm, conter a diferena entre as quedas mdias
pluviomtricas, de 99%. Haja vista que o valor 0 pertence ao intervalo, no h diferena significativa entre as
mdias.

2.3.5 Sequncia de exerccios n 2

01 Uma amostra de vlvulas eletrnicas foi testada e os tempos de vida (em horas) foram:
2100

2150

2200

2130

2180

2120

2180

2100

2130

e 2160

Estimar o tempo mdio de vida e varincia desse tipo de vlvula. Resposta: 2145 h e 1205,6 h2

02. Para estimarmos a resistncia mdia compresso, uma amostra de 5 corpos de prova de concreto apresentou
os seguintes resultados, em Kgf/cm 2:
245

260

254

248

256

a) Construir um intervalo de confiana de 99% para a verdadeira resistncia mdia compresso. R: 240,109
265,091
b) interprete o resultado do item a.
03. Sabendo que o desvio padro das tenses limites de trao de barras de ao 15 kgf/mm 2, e que, uma amostra
2
de 35 barras foi ensaiada apresentando trao mdia igual a 70 kgf/mm , pede-se:
a) Construir um intervalo de confiana de 99% para a verdadeira tenso mdia limite de trao. R: 63,469
76,531
b) Interpretar o resultado do item a.

04. Dois tipos de pneus so fabricados por certa indstria. Amostras de 50 pneus de cada tipo foram testadas,
obtendo-se as duraes mdias de 30000 km para o tipo A , 25000 km para o tipo B, e desvios padro de 3500 km
para o tipo A e 4000 km para o tipo B.
a) Construir o intervalo de confiana de 95% para a diferena entre as duraes mdias dos dois tipos de pneus,
admitindo desvios padro populacionais iguais.
R: 3508,3457 A - B 6491,6543
b) Interprete o resultado do item a. H diferena significativa entre as duraes mdias dos dois tipos de pneus?

38
05. Dois topgrafos mediaram o mesmo ngulo, utilizando o mesmo instrumento. Os resultados obtidos foram:
Topgrafo 1
Topgrafo 2

1515
1513

1516
1515

1518
1512

1517
1515

1514

1515

a) Construir um intervalo de confiana de 99% para a diferena entre as mdias obtidas pelos dois topgrafos. Supor
desvios padro iguais. . R: -0,262 1 - 2 5,662
b) Interpretar o resultado do item a.

06. Dois operrios mediaram o tempo (em minutos) de certa operao industrial, obtendo. Os resultados obtidos
foram:
Operrio 1
Operrio 2

10
13

15
17

13
18

8
20

12
10

15

a) Construir um intervalo de confiana de 95% para a diferena entre os tempos mdios obtidos pelos dois operrios.
Supor desvios padro populacionais diferentes. R: -8,47 1 - 2 1,61
b) Interpretar o resultado do item a.

07. Foram realizadas 12 determinaes da densidade (g/cm 3) de certo metal, obtendo-se os resultados,

12,0

19,3

19,1

19,3

19,2

19,4

19,2

19,3

19,2

19,0

19,5

19,3

Construir um intervalo de confiana de 95% para a varincia e o desvio padro. R: 0,011 2 0,063
0,105 0,251

08. Em uma amostra de 80 componentes eletrnicos, verificou-se que 10 estavam fora das especificaes exigidas
para os mesmos.
a) Construir um intervalo de confiana de 99% para a proporo de componentes fora das especificaes.
R: 0,030 p 0,220
b) Interpretar o resultado do item a.
09. Foram realizadas 30 determinaes da vazo de um rio em determinada seo, obtendo-se a tabela de
frequncias
Vazo (m3/S)

Frequncias

10 I 12

12 I 14

14 I 16

10

16 I 18

18 I 20

20 I 22

39
a) Construir um intervalo de confiana de 99% para a mdia e o desvio padro de vazo. R: 14,5 17,3 e
2,01 4,01
b) Interpretar o resultado do item a.

10. A cronometragem de certa operao industrial forneceu os seguintes valores, em segundos,

19

13

17

18

18

17

19

21

23

18

18

a) Construir um intervalo de confiana de 90% para a mdia populacional; R: 16,9 19,7

b) Construir um intervalo de confiana de 95% para a mdia; R: 16,6 20,0
c) Construir um intervalo de confiana de 90% para o desvio padro populacional; 1,84 3,97
d) Construir um intervalo de confiana de 95% para o desvio padro populacional; 1,74 4,38
e) Determinar (a) e (b) se o desvio padro populacional for conhecido ( = 0,9 s). 17,9 18,7 e 17,8 18,8

11. Uma amostra de pesos das caixas contendo produtos qumicos forneceu os seguintes resultados (em kg)

3,45

3,75

3,54

3,67

3,87

3,50

3,60

3,55

a) Construir um intervalo de confiana de 90% para a mdia e o desvio padro de vazo. R: 3,45 3,79 e
0,084 0,377
b) Para um intervalo de confiana de 90% para a mdia, qual a porcentagem dos valores seguintes:
3,90

4,01

3,56

3,60

3,20

3,98

Estaria fora desse intervalo. R: aproximadamente 67%

12. Qual o tamanho mnimo da amostra para se estimar a mdia de uma populao cujo desvio padro igual a 10,
com confiana de 99% e margem de erro igual a 4? Supor que a amostragem obtida sem reposio de uma
populao de 1000 elementos. R: 40
13. Deduzir a expresso para dimensionar a amostra que estima a proporo populacional atravs de um intervalo de
confiana de (1 )100%, sendo uma amostra obtida de uma populao infinita.

Resposta: n

Z 2 p (1 p )
E2

14. Deduzir a expresso para dimensionar a amostra que estima a mdia populacional atravs de um intervalo de
confiana de (1 )100%, sendo uma amostra obtida de uma populao infinita, com desvio padro populacional
desconhecido.

t / 2 .s

Resposta: n
E

40
15. Qual o tamanho da amostra suficiente para estimar a proporo de peas defeituosas fornecidas por certa
mquina, com margem de erro de 0,03 e 99% de confiana, sabendo que essa proporo no ultrapassa a 0,10?
Reposta: n = 661

41

2.4 Tabelas Estatsticas

Tabela 2.1 - Distribuio normal - probabilidade de o valor de Z padronizado estar entre 0 e o valor
tabulado nas margens

Z
0
1
2
3
4
5
6
7
8
9

0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0.5000 0.5000 0.5000

42

Tabela 2.2 - Distribuio normal - probabilidade do valor de Z padronizado ser maior que o valor
tabulado nas margens (Zc), ou probabilidade do valor Z ser menor que os valores negativos das
margens (-Zc).

Z
0
1
2
3
4
5
6
7
8
9

0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641

0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247

0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859

0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483

0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121

0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776

0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451

0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148

0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867

0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611

1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379

1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170

1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985

1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823

1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681

1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559

1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455

1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367

1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294

1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233

2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183

2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143

2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110

2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084

2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064

2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048

2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036

2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026

2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019

2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014

3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010

3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007

3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005

3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003

3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002

3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002

3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001

3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001

3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001

3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

43

Tabela 2.3- Distribuio t de student - valores de t para para =0,250; 0,200; 0,150; 0,100; 0,05;
0,025; 0,01; 0,005; e 0,001.

\
0,250
0,200
0,150
0,100
0,050
0,025
0,010
0,005
0,001

1 1,000
1,376
1,963
3,078
6,314 12,706 31,821 63,657 636,619

2 0,816
1,061
1,386
1,886
2,920
4,303
6,965
9,925 31,599

3 0,765
0,979
1,250
1,638
2,353
3,182
4,541
5,841 12,924

4 0,741
0,941
1,190
1,533
2,132
2,776
3,747
4,604
8,610

5 0,727
0,920
1,156
1,476
2,015
2,571
3,365
4,032
6,869

6 0,718
0,906
1,134
1,440
1,943
2,447
3,143
3,707
5,959

7 0,711
0,896
1,119
1,415
1,895
2,365
2,998
3,500
5,408

8 0,706
0,889
1,108
1,397
1,860
2,306
2,896
3,355
5,041

9 0,703
0,883
1,100
1,383
1,833
2,262
2,821
3,250
4,781
10 0,700
0,879
1,093
1,372
1,812
2,228
2,764
3,169
4,587
11 0,697
0,876
1,088
1,363
1,796
2,201
2,718
3,106
4,437
12 0,695
0,873
1,083
1,356
1,782
2,179
2,681
3,055
4,318
13 0,694
0,870
1,079
1,350
1,771
2,160
2,650
3,012
4,221
14 0,692
0,868
1,076
1,345
1,761
2,145
2,624
2,977
4,140
15 0,691
0,866
1,074
1,341
1,753
2,131
2,602
2,947
4,073
16 0,690
0,865
1,071
1,337
1,746
2,120
2,583
2,921
4,015
17 0,689
0,863
1,069
1,333
1,740
2,110
2,567
2,898
3,965
18 0,688
0,862
1,067
1,330
1,734
2,101
2,552
2,878
3,922
19 0,688
0,861
1,066
1,328
1,729
2,093
2,539
2,861
3,883
20 0,687
0,860
1,064
1,325
1,725
2,086
2,528
2,845
3,850
21 0,686
0,859
1,063
1,323
1,721
2,080
2,518
2,831
3,819
22 0,686
0,858
1,061
1,321
1,717
2,074
2,508
2,819
3,792
23 0,685
0,858
1,060
1,319
1,714
2,069
2,500
2,807
3,768
24 0,685
0,857
1,059
1,318
1,711
2,064
2,492
2,797
3,745
25 0,684
0,856
1,058
1,316
1,708
2,060
2,485
2,787
3,725
26 0,684
0,856
1,058
1,315
1,706
2,056
2,479
2,779
3,707
27 0,684
0,855
1,057
1,314
1,703
2,052
2,473
2,771
3,690
28 0,683
0,855
1,056
1,313
1,701
2,048
2,467
2,763
3,674
29 0,683
0,854
1,055
1,311
1,699
2,045
2,462
2,756
3,659
30 0,683
0,854
1,055
1,310
1,697
2,042
2,457
2,750
3,646
40 0,681
0,851
1,050
1,303
1,684
2,021
2,423
2,704
3,551
60 0,679
0,848
1,045
1,296
1,671
2,000
2,390
2,660
3,460
120 0,677
0,845
1,041
1,289
1,658
1,980
2,358
2,617
3,373
240 0,676
0,843
1,039
1,285
1,651
1,970
2,342
2,596
3,332
480 0,675
0,842
1,038
1,283
1,648
1,965
2,334
2,586
3,311
960 0,675
0,842
1,037
1,282
1,646
1,962
2,330
2,581
3,301
1920 0,675
0,842
1,037
1,282
1,646
1,961
2,328
2,578
3,296
3840 0,675
0,842
1,037
1,282
1,645
1,961
2,327
2,577
3,293

0,674
0,842
1,036
1,282
1,645
1,960
2,326
2,576
3,291

44

Tabela 2.4- Distribuio Qui-Quadrado - Valores de para P( )= com =0,995; 0,990;

0,975; 0,950; 0,900; 0,750; e 0,500
2

2
c

/
0.995
0.990
0.975
0.950
0.900
0.750
0.500

1 0.000039 0.000157 0.000982 0.003932 0.015791 0.101532

0.455
2 0.010025 0.020101 0.050636 0.102587 0.210721 0.575364
1.386
3 0.071721 0.114831 0.215793 0.351843 0.584369
1.213
2.366
4 0.206989 0.297109 0.484418 0.710723
1.064
1.923
3.357
5 0.411742 0.554298 0.831212
1.145
1.610
2.675
4.351
6 0.675727 0.872090
1.237
1.635
2.204
3.455
5.348
7 0.989256
1.239
1.690
2.167
2.833
4.255
6.346
8
1.344
1.646
2.180
2.733
3.490
5.071
7.344
9
1.735
2.088
2.700
3.325
4.168
5.899
8.343
10
2.156
2.558
3.247
3.940
4.865
6.737
9.342
11
2.603
3.053
3.816
4.575
5.578
7.584
10.341
12
3.074
3.571
4.404
5.226
6.304
8.438
11.340
13
3.565
4.107
5.009
5.892
7.042
9.299
12.340
14
4.075
4.660
5.629
6.571
7.790
10.165
13.339
15
4.601
5.229
6.262
7.261
8.547
11.037
14.339
16
5.142
5.812
6.908
7.962
9.312
11.912
15.338
17
5.697
6.408
7.564
8.672
10.085
12.792
16.338
18
6.265
7.015
8.231
9.390
10.865
13.675
17.338
19
6.844
7.633
8.907
10.117
11.651
14.562
18.338
20
7.434
8.260
9.591
10.851
12.443
15.452
19.337
21
8.034
8.897
10.283
11.591
13.240
16.344
20.337
22
8.643
9.542
10.982
12.338
14.041
17.240
21.337
23
9.260
10.196
11.689
13.091
14.848
18.137
22.337
24
9.886
10.856
12.401
13.848
15.659
19.037
23.337
25
10.520
11.524
13.120
14.611
16.473
19.939
24.337
26
11.160
12.198
13.844
15.379
17.292
20.843
25.336
27
11.808
12.879
14.573
16.151
18.114
21.749
26.336
28
12.461
13.565
15.308
16.928
18.939
22.657
27.336
29
13.121
14.256
16.047
17.708
19.768
23.567
28.336
30
13.787
14.953
16.791
18.493
20.599
24.478
29.336
40
20.707
22.164
24.433
26.509
29.051
33.660
39.335
50
27.991
29.707
32.357
34.764
37.689
42.942
49.335
60
35.534
37.485
40.482
43.188
46.459
52.294
59.335
120
83.852
86.923
91.573
95.705
100.624
109.220
119.334
240 187.324
191.990
198.984
205.135
212.386
224.882
239.334
480 403.949
410.874
421.189
430.198
440.745
458.754
479.334
960 850.891
861.015
876.028
889.081
904.291
930.093
959.333

45

Tabela 2.5 - Distribuio Qui-Quadrado - Valores de para P( )= com =0,500; 0,250;

0,100; 0,050; 0,025; 0,010; e 0,005.
2

2
c

GL
0.500
0.250
0.100
0.050
0.025
0.010
0.005

1 0.454940
1.323
2.706
3.841
5.024
6.635
7.879
2
1.386
2.773
4.605
5.991
7.378
9.210
10.597
3
2.366
4.108
6.251
7.815
9.348
11.345
12.838
4
3.357
5.385
7.779
9.488
11.143
13.277
14.860
5
4.351
6.626
9.236
11.070
12.833
15.086
16.750
6
5.348
7.841
10.645
12.592
14.449
16.812
18.548
7
6.346
9.037
12.017
14.067
16.013
18.475
20.278
8
7.344
10.219
13.362
15.507
17.535
20.090
21.955
9
8.343
11.389
14.684
16.919
19.023
21.666
23.589
10
9.342
12.549
15.987
18.307
20.483
23.209
25.188
11
10.341
13.701
17.275
19.675
21.920
24.725
26.757
12
11.340
14.845
18.549
21.026
23.337
26.217
28.300
13
12.340
15.984
19.812
22.362
24.736
27.688
29.819
14
13.339
17.117
21.064
23.685
26.119
29.141
31.319
15
14.339
18.245
22.307
24.996
27.488
30.578
32.801
16
15.338
19.369
23.542
26.296
28.845
32.000
34.267
17
16.338
20.489
24.769
27.587
30.191
33.409
35.718
18
17.338
21.605
25.989
28.869
31.526
34.805
37.156
19
18.338
22.718
27.204
30.144
32.852
36.191
38.582
20
19.337
23.828
28.412
31.410
34.170
37.566
39.997
21
20.337
24.935
29.615
32.671
35.479
38.932
41.401
22
21.337
26.039
30.813
33.924
36.781
40.289
42.796
23
22.337
27.141
32.007
35.172
38.076
41.638
44.181
24
23.337
28.241
33.196
36.415
39.364
42.980
45.559
25
24.337
29.339
34.382
37.652
40.646
44.314
46.928
26
25.336
30.435
35.563
38.885
41.923
45.642
48.290
27
26.336
31.528
36.741
40.113
43.195
46.963
49.645
28
27.336
32.620
37.916
41.337
44.461
48.278
50.993
29
28.336
33.711
39.087
42.557
45.722
49.588
52.336
30
29.336
34.800
40.256
43.773
46.979
50.892
53.672
40
39.335
45.616
51.805
55.758
59.342
63.691
66.766
50
49.335
56.334
63.167
67.505
71.420
76.154
79.490
60
59.335
66.981
74.397
79.082
83.298
88.379
91.952
120 119.334
130.055
140.233
146.567
152.211
158.950
163.648
240 239.334
254.392
268.471
277.138
284.802
293.888
300.182
480 479.334
500.519
520.111
532.075
542.599
555.006
563.561
960 959.333
989.180 1016.566 1033.193 1047.760 1064.867 1076.621

15.25
15.2667
15.3
15.28333

15.2167
15.25
15.2
15.25
15.2333
15.25