Вы находитесь на странице: 1из 95

Associação Educacional Dom Bosco

-1-
ESTATÍSTICA E PROBABILIDADE

ESTATÍSTICA
Uanderson Rebula de Oliveira
br.linkedin.com/in/uandersonrebula/
http://lattes.cnpq.br/1039175956271626

Uanderson Rebula de Oliveira Estatística


-2-

UANDERSON REBULA DE OLIVEIRA


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.

ESTATÍSTICA

EMENTA:
Estatística descritiva: conceito e fases de estudo. Variáveis. População e amostra.
Séries estatísticas: conceitos, tabelas, distribuição de frequência e representação
gráfica. Medidas de Tendência Central. Medidas de Ordenamento. Medidas de
Variação. Medidas de Assimetria e Curtose. Correlação e Regressão Linear Simples.

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

Uanderson Rebula de Oliveira Estatística


-3-

APRESENTAÇÃO
DA DISCIPLINA
Uma das ferramentas mais utilizadas hoje em dia
pelos cientistas, analistas financeiros, médicos, engenheiros,
jornalistas etc. é a Estatística, que descreve os dados observados e
desenvolve a metodologia para a tomada de decisão em presença
da incerteza. O verbete estatística foi introduzido no século XVIII,
tendo origem na palavra latina status (Estado), e serviu
inicialmente a objetivos ligados à organização político-social, como
o fornecimento de dados ao sistema de poder vigente. Hoje em dia,
os modelos de aplicação da Teoria Estatística se estendem por todas
as áreas do conhecimento, como testes educacionais, pesquisas
eleitorais, análise de riscos ambientais, finanças, controle de
qualidade, análises clínicas, índices de desenvolvimento,
modelagem de fenômenos atmosféricos etc. Podemos
informalmente dizer que a Teoria Estatística é uma ferramenta que
ajuda a tomar decisões com base na evidência disponível, decisões
essas afetadas por margens de erro, calculadas através de modelos
de probabilidade.

No entanto, a probabilidade se desenvolveu muito


antes de ser usada em aplicações da Teoria Estatística. Um dos
marcos consagrados na literatura probabilística foi a
correspondência entre B. Pascal (1623-1662) e P. Fermat (1601-
1665), onde o tema era a probabilidade de ganhar em um jogo
com dois jogadores, sob determinadas condições. Isso mostra que o
desenvolvimento da teoria de probabilidades começou com uma
paixão humana, que são os jogos de azar, mas evoluiu para uma
área fortemente teórica, em uma perspectiva de modelar a
incerteza, derivando probabilidades a partir de modelos
matemáticos.

A análise combinatória deve grande parte de seu


desenvolvimento à necessidade de resolver problemas
probabilísticos ligados à contagem, mas hoje há diversas áreas em
que seus resultados são fundamentais para o desenvolvimento de
teorias, como, por exemplo, a área de sistemas de informação.

Nesta apostila encontraremos as definições de


Estatística, vocabulário básico, população e amostra, séries
estatísticas, medidas estatísticas. Correlação e regressão entre
outros temas importantes.

Uanderson Rebula de Oliveira Estatística


“Atualmente, todos – estudantes e professores – procuram o Udemy porque é a
plataforma onde todos estão”.
Fonte: Jornal do Brasil

Faça o curso online na Udemy


Estatística I (para leigos):
aprenda fácil e rápido!
Com o Prof. MSc. Uanderson Rébula
"O livro digital Estatística I para leigos possui uma linguagem fácil e ao mesmo tempo dinâmica. O
conteúdo do livro está ordenado de forma a facilitar a aprendizagem dos alunos, mesmo aquelas
pessoas que não tenham noção nenhuma de estatística aprenderão com esse livro. Você pode
estudar sozinho para concursos pois o livro é auto explicativo ou até mesmo em grupos, no meu
caso faço isso com meus alunos. Eu super recomendo esse livro!!! NOTA 1000"
Maria Eunice Souza Madriz
Professora de estatística da rede estadual de ensino da Bahia
Avaliação do livro pelo cliente na amazon.com.br

Saiba
mais
Clique aqui

www.udemy.com
Junte-se a milhões de estudantes na maior plataforma on-line
de cursos curtos e práticos do mundo.

Com mais de 45.000 cursos virtuais disponíveis, o Udemy é uma plataforma global de
ensino on-line onde 15 milhões de alunos estão dominando novas habilidades.

O foco do Udemy são os conhecimentos práticos e úteis para o mercado de trabalho. Há


cursos gratuitos e pagos. São cursos curtos e com valores bem acessíveis.
-5-
Sumário
1 – CONCEITOS PRELIMINARES  
1.1 CONCEITO E IMPORTÂNCIA DA ESTATÍSTICA, 7 
1.2 FASES DO ESTUDO ESTATÍSTICO, 12 
1.3 VOCABULÁRIO BÁSICO DE ESTATÍSTICA, 13 
1.4 POPULAÇÃO E AMOSTRA, 15 
1.5 ESTATÍSTICA DESCRITIVA E INFERENCIAL , 17 

2 – SÉRIES ESTATÍSTICAS  
2.1 CONCEITOS E TIPOS DE SÉRIES ESTATÍSTICAS,  19 
Tabelas, 19 
Gráficos, 20 
2.2 DISTRIBUIÇÃO DE FREQUÊNCIA, 23 
Frequência absoluta e histograma, 23 
Frequência relativa, absoluta acumulada e relativa acumulada, 24 
Agrupamento em classes, 25 
Polígono de frequência e ogiva, 26 

3 – MEDIDAS RESUMO
3.1 MEDIDAS DE POSIÇÃO, 28 
MÉDIA, 28 
Média simples e Média ponderada, 28 
Média de distribuição de frequência, 29 
 MEDIANA, 30 
 MODA, 31 
 RELAÇÃO ENTRE MÉDIA, MEDIANA E MODA, 33 

3.2 MEDIDAS DE ORDENAMENTO (OU SEPARATRIZES), 34 
Quartil, 34 
Decil e Percentil, 35 
3.3 MEDIDAS DE VARIAÇÃO (OU DISPERSÃO), 36 
Introdução, 36 
Variância e Desvio Padrão, 37 
Coeficiente de Variação,  39 
Desvio padrão de Distribuição de frequência, 39 
3.4 MEDIDAS DE ASSIMETRIA E CURTOSE, 41 
Assimetria e coeficiente de assimetria, 41 
Curtose e coeficiente de curtose, 42 

4 – CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES           
CORRELAÇÃO LINEAR SIMPLES, 44 
REGRESSÃO LINEAR SIMPLES, 47 

REFERÊNCIAS BIBLIOGRÁFICAS, 49 
ANEXO I – LIVROS RECOMENDADOS, 50 
ANEXO II –  Software BIOESTAT , 51 
ANEXO I II– Estatística no Excel, 52  

Uanderson Rebula de Oliveira Estatística


Prof. MSc. Uanderson Rébula de Oliveira

Uma mensagem do Prof. MSc Uanderson Rébula. CLIQUE NO VÍDEO

CLIQUE AQUI E INSCREVA-SE NO CURSO JÁ

Sumário
-6-

1
CONCEITOS PRELIMINARES

Uanderson Rebula de Oliveira Estatística


-7-

1.1 CONCEITO E IMPORTÂNCIA DA ESTATÍSTICA


ESTATÍSTICA NA PRÁTICA 
Analise as informações abaixo para melhor compreensão do conceito de Estatística. 

 ACIDENTES DO TRABALHO NO BRASIL – 1970 a 2005 
Conceito de Acidente: Lesão corporal ou doença, relacionada com o exercício do trabalho. (Lei 8.213/91 – art. 19 a 21) 
INSS: Órgão público responsável pela coleta, organização e representação dos dados.  
 Coleta: Por meio de um formulário eletrônico denominado “CAT – Comunicação de Acidente do Trabalho”, enviado 
pelas empresas quando da ocorrência, conforme determina o art. 22 da Lei 8.213/91. 
 Organização: Através de um grande banco de dados do INSS. 
 Representação: Através de um documento denominado “Anuário Estatístico de Acidentes do Trabalho”, contendo 
tabelas, gráficos e diversas análises. Disponível no site www.previdencia.gov.br, na seção “Estatística”. 
Motivo:  Quando  o  trabalhador  se  afasta  por  motivo  de  acidente,  o  INSS  concede  benefícios  acidentários,  como  auxílio 
doença acidentário, auxílio acidente, aposentadoria por invalidez, pensão por morte, reabilitação entre outros.  

COMPILAÇÃO E ANÁLISE DE DADOS (INFORMAÇÕES) sobre acidentes do trabalho, de 1970 a 2005: 


33.238.617
35.000.000 31.407.576
Evolução da QUANTIDADE de TRABALHADORES
29.544.927
no Brasil - 1970 a 2005. 28.683.913
30.000.000 27.189.614
26.228.629
24.491.635
23.661.57923.198.656 23.667.24123.830.312
 
25.000.000 22.163.827 22.272.843
19.476.36219.673.915
18.686.355
20.000.000 16.638.799
14.945.489

15.000.000
  11.537.024

8.148.987
 
10.000.000 7.284.022

5.000.000

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

Observa‐se ao longo dos anos o aumento gradativo da quantidade de trabalhadores no Brasil, de 7.284.022 chegando a 33.238.617, 
reflexo do crescimento econômico do País. Essas informações (dados) são importantes para fins de comparação com a evolução da 
quantidade de acidentes do trabalho no mesmo período, como segue abaixo: 

2.000.000 1.796.671
1.743.825 Aprovação das NR’s Involução da QUANTIDADE de ACIDENTES DO
1.750.000 1.551.461
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
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
Anos
FONTE: Revista Proteção

No  período  de  1970  a  1976  a  quantidade  de  acidentes  foi  alta,  comparando‐se  com  a  pequena  quantidade  de  trabalhadores  no 
mesmo  período.  Somente  a  partir  de  1978  os  acidentes  começaram  a  reduzir,  em  razão  da  aprovação  das  Normas 
Regulamentadoras – NR’s (disponível no www.mte.gov.br), tornando‐se de aplicação obrigatória em todo o País. Esta redução pode 
ser vista como positiva, entretanto, não podemos comemorar esses números, pois a quantidade de acidentes ainda é alarmante e 
está praticamente estagnada, desde 1994. 

Uanderson Rebula de Oliveira Estatística


-8-

E  as  regiões?  Como  esses  acidentes  estão  distribuídos  nas  regiões  do  país?  Qual  a  pior  região?  Vejamos  abaixo  em  um 
Cartograma (mapa com dados), REFERENTE AO ANO DE 2005 (491.711 acidentes): 
Distribuição da quantidade e porcentagem de acidentes de trabalho no Brasil por Regiões, 
correlacionados com o Produto Interno Bruto ‐ PIB ‐ ano 2005. 

NORTE 
• Acidentes: 19.117 (4% do total) 
• PIB: 5% de participação
NORDESTE 
• Acidentes: 49.010 (10% do total) 
• PIB: 13,1% de participação

CENTRO‐OESTE 
• Acidentes: 31.470 (6% do total) 
• PIB: 8,9% de participação
SUDESTE 
• Acidentes: 279.689 (57% do total) 
• PIB: 56,5% de participação

SUL 
• Acidentes: 112.425 (23% do total)  Espírito Santo ‐ 11.039 acidentes 
• PIB: 16,6% de participação Minas Gerais ‐ 52.335 acidentes 
Rio de Janeiro ‐ 34.610 acidentes 
São Paulo ‐ 181.705 acidentes 

É  campeão  de  acidentes  no  Brasil,  participando  com 


181.705, o que corresponde a 37% do total; por conseguinte 
o seu  PIB  também  é  o  maior  do  País,  com  33,9%  de
participação.

FONTE: Adaptado da Revista Proteção e do IBGE (www.ibge.gov.br)

Observa‐se que a região em 1° lugar em número de acidentes é a Sudeste, em 2° está a região Sul, em 3° a região Nordeste, em 4° a região 
Centro‐Oeste  e  por  último  a  Norte.  Ao  analisarmos  este  gráfico  podemos  tomar  diversas  conclusões,  porém,  tais  conclusões  somente  são 
possíveis  através  de  um  estudo,  o  que  demanda  tempo.  Todavia,  observa‐se  que  a  quantidade  de  acidentes  acompanha  a  porcentagem  da 
participação  do  PIB  da  região.  Esta  correlação  pode  ser  resultado  do  reflexo  da  economia  da  região.  Ora,  a  região  Sudeste,  por  exemplo, 
corresponde a 56,5% do PIB do País. Logicamente esta região possui um maior número de empresas e, consequentemente, maior número de 
mão‐de‐obra  e  atividades  produtivas,  fato  que  pode  justificar  a  enorme  quantidade  de  acidentes  comparada  com  as  demais  regiões.  Esses 
dados também podem estar relacionados com as políticas dos estados e das empresas, a atuação das fiscalizações do Ministério do Trabalho, 
as  culturas  das  regiões,  os  investimentos  empresariais,  a  capacitação  de  mão  de  obra  (treinamentos)  entre  outros  fatores.  Entende‐se  por 
Produto Interno Bruto (PIB) a soma, em valores monetários, de todos os bens e serviços finais produzidos em uma determinada região. 

Tradicionalmente, no Brasil, as políticas de desenvolvimento têm se restringido aos aspectos econômicos e vêm sendo traçadas 
de maneira paralela ou pouco articuladas com as políticas sociais, cabendo a estas últimas arcarem com os ônus dos possíveis 
danos  gerados  sobre  a  saúde  da  população,  dos  trabalhadores  em  particular  e  a  degradação  ambiental.  Para  que  o  Estado 
cumpra seu papel para a garantia desses direitos, é mister a formulação e implementação de políticas e ações de governo. 

POSSÍVEIS SOLUÇÕES PARA REDUZIR OS ACIDENTES


A partir da análise dos dados podemos concluir que a política de segurança do trabalho adotada no País está estagnada. A 
simples  aplicação  da  norma  regulamentadora  não  está  sendo  suficiente  para  reduzir  o  índice  de  acidentes.  Os  dados  nos 
mostram que não haverá mudanças significativas se não forem feitas alterações nessa política. 

Para contornar a situação, os Ministérios do Trabalho, da Saúde e da Previdência Social publicaram, para consulta pública, em 
29.12.2004  a  PNSST  ‐  POLÍTICA  NACIONAL  DE  SEGURANÇA  E  SAÚDE  DO  TRABALHADOR,  com  a  finalidade  de  promover  a 
melhoria da qualidade de vida e da saúde do trabalhador.  
Os Ministérios reconheceram a deficiência da segurança do trabalho no país, carecendo de mecanismos que: 

 Incentivem medidas de prevenção;
 Responsabilizem os empregadores;
 Propiciem o efetivo reconhecimento dos direitos do trabalhador;
 Diminuam a existência de conflitos institucionais;
 Tarifem de maneira mais adequada as empresas e
 Possibilite um melhor gerenciamento dos fatores de riscos ocupacionais.

Uanderson Rebula de Oliveira Estatística


-9-

Face ao exposto, a PNSST propõe, dentre outras, as seguintes ações a serem desenvolvidas pelos três Ministérios: 

Área  Ações 
 Estabelecer  política  tributária  que  privilegie  empresas  com  menores  índices  de  acidentes  e  que 
invistam na melhoria das condições de trabalho; 
 Criar  linhas  de  financiamento  para  a  melhoria  das  condições  de  trabalho,  incluindo  máquinas  e 
Tributos1,  equipamentos, em especial para as pequenas e médias empresas; 
financiamentos   Incluir requisitos de  SST para concessão de financiamentos públicos e privados; 
e licitações.   Incluir requisitos de SST nos processos de licitação dos órgãos públicos; 
 Instituir a obrigatoriedade de publicação de balanço de SST para as empresas, a exemplo do que já 
ocorre com os dados contábeis; 
 Incluir conhecimentos básicos em SST no currículo do ensino fundamental e médio; 
 Incluir disciplinas em SST no currículo de ensino superior, em especial nas carreiras de profissionais 
de saúde, engenharia e administração; 
Educação e   Estimular a produção de estudos e pesquisas na área de interesse desta Política; 
pesquisa   Articular instituições de pesquisa e universidades para a execução de estudos e pesquisas em SST, 
integrando uma rede de colaboradores para o desenvolvimento técnico ‐ cientifico na área; 
 Desenvolver  um  amplo  programa  de  capacitação  dos  profissionais,  para  o  desenvolvimento  das 
ações em segurança e saúde do trabalhador; 
Ambientes   Eliminar as políticas de monetarização dos riscos (adicionais de riscos). 
nocivos   Outras ações 
 Compatibilizar os instrumentos de coleta de dados e fluxos de informações. 
Coleta de dados   Incluir  nos  Sistemas  e  Bancos  de  Dados  as  informações  contidas  nos  relatórios  de  intervenções  e 
análises dos ambientes de trabalho, elaborados pelos órgãos de governo envolvidos nesta Política. 

CONSIDERAÇÕES FINAIS SOBRE O ESTUDO DE ACIDENTES.


O que acabamos de ver é um estudo estatístico. Como vimos, os dados sobre acidentes do trabalho no Brasil são controladas 
pelo INSS. A comunicação de acidentes permite ao INSS estimar e acompanhar o real impacto do trabalho sobre a saúde e a 
segurança  da  população  brasileira.  O  INSS  coleta,  organiza,  apresenta  e  publica  as  estatísticas  de  acidentes  do  trabalho  no 
Brasil. Conforme observado, quando ocorre um acidente, a empresa, por força de lei, é obrigada a 
enviar a CAT ao INSS, alimentando, assim, o seu grande banco de dados.   
É importante ressaltar que os dados de acidentes de trabalho não se constituem, tão somente, num 
importante  registro  histórico,  mas  sim  numa  ferramenta  inestimável  para  os  profissionais  que 
desempenham  atividades  nas  áreas  de  saúde  e  segurança  do  trabalhador,  assim  como 
pesquisadores  e  demais  pessoas  interessadas  no  tema.  A  análise  desses  dados  possibilita  a 
construção  de  um  diagnóstico  mais  preciso  acerca  da  epidemiologia  dos  acidentes,  propiciando, 
assim, a elaboração de políticas mais eficazes para as áreas relacionadas com o tema. 
TÓPICO PARA REFLEXÃO Acidente do Trabalho: o problema do Brasil.
Os  acidentes  de  trabalho  afetam  a  produtividade  econômica,  são  responsáveis  por  um  impacto  substancial  sobre  o  sistema  de  proteção 
social e influenciam o nível de satisfação do trabalhador e o bem estar geral da população. 
Estima‐se que a ausência de segurança nos ambientes de trabalho no Brasil tenha gerado, no ano de 2003, um custo de cerca de R$32,8 
bilhões para o país. Deste total, R$ 8,2 bilhões correspondem a gastos com benefícios acidentários e aposentadorias especiais, equivalente a 
30% da necessidade de financiamento do Regime Geral de Previdência Social ‐ RGPS verificado em 2003, que foi de R$ 27 bilhões. O restante 
da despesa corresponde à assistência à saúde do acidentado, indenizações, retreinamento, reinserção no mercado de trabalho e horas de 
trabalho perdidas. 
Isso sem levar em consideração o sub‐dimensionamento na apuração das contas da Previdência Social, que desembolsa e contabiliza como 
despesas  não  acidentárias  os  benefícios  por  incapacidade,  cujas  CAT  não  foram  emitidas.  Ou  seja,  sob  a  categoria  do  auxílio  doença  não 
ocupacional, encontra‐se encoberto um grande contingente de acidentes que não compõem as contas acidentárias. 
Parte deste “custo segurança no trabalho” afeta negativamente a competitividade das empresas, pois ele aumenta o preço da mão‐de‐obra, 
o  que  se  reflete  no  preço  dos  produtos.  Por  outro  lado,  o  incremento  das  despesas  públicas  com  previdência,  reabilitação  profissional  e 
saúde reduz a disponibilidade de recursos orçamentários para outras áreas ou induz o aumento da carga tributária sobre a sociedade. 
De  outro  lado,  algumas  empresas  afastam  trabalhadores,  e  muitas  vezes  os  despedem  logo  após  a  concessão  do  beneficio.  Com  isso,  o 
trabalhador se afasta, já sendo portador de doença crônica contraída no labor, e o desemprego poderá se prolongar na medida em que, para 
obter o novo emprego, será necessária a realização do exame admissional, no qual serão eleitos apenas aqueles considerados como “aptos” 
e, portanto, não portadores de enfermidades. 

Fonte: RESOLUÇÃO CNPS Nº 1.269, DE 15 DE FEVEREIRO DE 2006 
_________________ 
1. Tributo: Impostos; taxas e contribuições de melhoria, devida ao poder público.

Uanderson Rebula de Oliveira Estatística


- 10 -

CONCEITO DE ESTATÍSTICA

É  A  CIÊNCIA  QUE  SE  DEDICA  EM  COLETAR,  ORGANIZAR,  APRESENTAR,  ANALISAR  E  INTERPRETAR  DADOS 
(INFORMAÇÕES) PARA TOMADA DE DECISÃO. 
 Estatística  é  a  ciência  dos  dados.  A  Estatística  lida  com  a  coleta,  o 
processamento  e  disposição  de  dados  (informações),  atuando  como 
ferramenta  crucial  nos  processos  de  soluções  de  problemas.  A  Estatística 
facilita  o  estabelecimento  de  conclusões  confiáveis  sobre  algum  fenômeno 
que esteja sendo estudado (WERKEMA, 1995).  
 É por meio da análise e interpretação dos dados estatísticos que é possível o 
conhecimento  de  uma  realidade,  de  seus  problemas,  bem  como,  a 
formulação de soluções apropriadas por meio de um planejamento objetivo 
da ação, para além dos “achismos” e “casuismos” comuns. 
 No  uso  diário  o  termo  “estatística”  refere‐se  a  fatos  numéricos.  Tenha  em 
mente, entretanto, que estatística é bem diferente de matemática. Estatística 
é, antes de qualquer coisa, um método científico que determina questões de 
pesquisa;  projeta  estudos  e  experimentos;  coleta,  organiza,  resume  e  analisa  dados;  interpreta  resultados  e  esboça 
conclusões.  Ou  seja,  utiliza‐se  dados  como  evidências  para  responder  a  interessantes  questões  sobre  o  mundo.  A 
matemática só é utilizada para calcular a estatística e realizar algumas das análises, mais isso é apenas uma pequena parte 
do  que  realmente  é  a  estatística.  Portanto,  a  estatística  mantém  com  a  matemática  uma  relação  de  dependência, 
solicitando‐lhe auxílio, sem o qual não poderia desenvolver‐se. 
 A  Estatística  é  uma  ciência  interdisciplinar,  ou  seja,  é  comum  a  duas  ou  mais  disciplinas  ou  ramos  de  conhecimento. 
Assim, a Estatística é aplicada na Medicina, Administração, Engenharias, Economia, Contabilidade, Direito, Segurança do 
Trabalho, Qualidade, Marketing entre outras áreas. Veja abaixo. 

Medicina.  Estudos  de  epidemiologia,  *Engenharia de Produção. Estudos de  Segurança  do  Trabalho.  Estudos  de 
inter‐relações  dos  determinantes  da  um  conjunto  de  dados  de  todas  as  acidentes  e  doenças,  suas  causas, 
freqüência  e  distribuição  de  doenças  fases de um processo produtivo.  quantidade, parte atingida, setores, % 
populacionais  de afastamentos etc. 
Contabilidade.  Estudos  das  Finanças.  Estudos  de  uma  série  de  Economia.  Estudos  de  taxas  de 
informações financeiras das empresas  informações estatísticas para orientar  inflação,  índice  de  preços,  taxa  de 
públicas e privadas.  investimentos.  desemprego, futuro da economia. 
*Engenharia de Produção – A aplicação da Estatística na produção merece especial atenção. A atual ênfase na qualidade
torna o controle da qualidade uma importante aplicação da estatística na área da produção. Usa‐se uma série de mapas 
estatísticos  de  controle  de  qualidade  para  monitorar  o  resultado  (output)  de  um  processo  de  produção.  Suponha,  por 
exemplo, que uma máquina preencha recipientes com 2 litros de determinado refrigerante. Periodicamente, um operador 
do  setor  de  produção  seleciona  uma  quantidade  de  recipientes  e  verifica  a  exatidão,  ou  seja,  se  não  há  desvios.  A 
Estatística também é usada na Engenharia de Produção para Estratificação, que consiste no agrupamento da informação 
(dados) sob vários pontos de vista, de modo a focalizar a ação, considerando os fatores equipamento, tempo entre outros. 
Exemplo: 

Roupas danificadas   Tipo de dano:  Operador:  Máquina de lavar: 


em uma lavanderia  Tipo de roupa:  Marca do sabão:  Máquina de secar: 

Uanderson Rebula de Oliveira Estatística


- 11 -

UM POUCO DE HISTÓRIA E ATUALIDADE

O termo “Estatística” provém da palavra “Estado” e foi utilizado originalmente 
para  denominar  levantamentos  de  dados  (riquezas,  impostos,    nascimentos, 
mortalidade,  batizados,  casamentos,  habitantes  etc.),  cuja  finalidade  era 
orientar o Estado em suas decisões.  

 Segundo  Costa  (2005,  p.  5)  em  1085,  Guilherme  “O  Conquistador”, 
ordenou  que  se  fizesse  um  levantamento  na  Inglaterra,  que  deveria 
incluir  informações  sobre  terras,  proprietários,  uso  da  terra, 
empregados,  animais  e  serviria,  também,  de  base  para  cálculo  de 
impostos. Tal levantamento originou um volume intitulado “domesday book”. 

 No  século  XVIII  o  estudo  dos  dados  foi  adquirindo,  aos  poucos,  feição 
verdadeiramente  científica.  A  palavra  Estatística  apareceu  pela  primeira 
vez no século XVIII e foi sugerida pelo alemão Godofredo Achenwall (1719‐
1772), onde determinou o seu objetivo e suas relações com as ciências. 

 Desde  essa  época,  a  Estatística  deixou  de  ser  a  simples  catalogação  de  dados  numéricos  coletivos  e  se 
tornou o estudo de como chegar a conclusões sobre o todo, partindo da observação e análise de partes 
desse todo. Essa é sua maior riqueza.  

Atualmente  a  sociedade  está  completamente  tomada  pelos  números.  Eles 


aparecem  em  todos  os  lugares  para  onde  você  olha,  de  outdoors  mostrando  as 
últimas  estatísticas  sobre  aborto,  passando  pelos  programas  de  esporte  que 
discutem  as  chances  de  um  time  de  futebol  chegar  à  final  do  campeonato,  até  o 
noticiário  da  noite,  com  reportagens  focadas  no  índice  de  criminalidade,  na 
expectativa de vida de uma pessoa que não come alimentos saudáveis e no índice 
de aprovação do presidente.  

Em  um dia  comum,  você  pode  se deparar  com cinco, dez  ou,  até mesmo, vinte  diferentes estatísticas  (ou  até 
muito  mais  em  um  dia  de  eleição).  Se  você  ler  todo  o  jornal  de  domingo,  irá  se  deparar  com  centenas  de 
estatísticas em reportagens, propagandas e artigos sobre todo tipo de assunto: desde sopa (quanto em média uma 
pessoa consome por ano?) até castanhas (quantas castanhas você precisa comer para aumentar seu QI?). 

Nas  empresas  a  Estatística  desempenha  um  papel  cada  vez  mais  importante  para  os  Gerentes.  Esses 
responsáveis pela tomada de decisão utilizam a estatística para: 

 Apresentar e descrever apropriadamente dados e informações sobre 
a empresa; 
 Tirar conclusões sobre grandes populações, utilizando informações 
coletadas a partir de amostras; 
 Realizar suposições confiáveis sobre a atividade da empresa; 
 Melhorar os processos da empresa. 

A estatística é um instrumento eficiente para a compreensão e interpretação da realidade e não 
deve ser subestimada. Realmente existem pesquisas feitas de forma incorreta e que, por isso, não 
são confiáveis. Mas, em geral, quando um estudo estatístico é feito com critério, seus resultados 
permitem  obter  conclusões  e  prever  tendências  sobre  fatos  e  fenômenos.  Um  estudo  bem  feito 
não elimina o erro, mas limita‐o a uma margem, procurando torná‐la o menor possível. 

Uanderson Rebula de Oliveira Estatística


- 12 -

1.2 FASES DO ESTUDO ESTATÍSTICO


Um estudo estatístico confiável depende do planejamento e da correta execução das seguintes etapas: 
1. Definir o que será estudado e a natureza dos dados, como exemplo:
ESTUDO NATUREZA DOS DADOS
 Quantidade e período 
 Por regiões, estados ou municípios 
Acidentes do   Por atividade econômica  Defina  com  clareza  os  objetivos  da 
Trabalho no Brasil   Por idade dos acidentados  pesquisa, ou seja, o que se pretende 
 Por parte do corpo atingida  apurar,  que  tipo  de  problema 
 Por causas dos acidentes etc.  buscará detectar. 
 Tipo de peça   |  Tipo de defeito 
 Quantidade  
Peças danificadas na 
 Período e Turnos 
linha A   Máquinas e Operadores 
 Matéria prima etc. 

2. Coletar dados
Após definir o que será estudado e o estabelecimento do planejamento do trabalho (forma de coleta dos dados, 
cronograma das atividades, custos envolvidos, levantamento das informações disponíveis), o passo seguinte é o 
da  coleta  de  dados,  que  consiste  na  busca  ou  compilação  dos  dados,  componentes  do  fenômeno  a  ser 
estudado. Nessa etapa recolhem‐se os dados tendo o cuidado de controlar a qualidade da informação. 
O sucesso de uma pesquisa depende muito da qualidade dos dados recolhidos.  Podem ser por meio 
de Criação de Softwares, a exemplo da CAT; Uso de Softwares da empresa; Dados históricos 
da empresa (físicos); Pesquisas com questionários etc.

3. Organizar e contar dados


À procura de falhas e imperfeições, os dados devem ser cuidadosamente organizados e contados, a fim de não incorrermos 
em erros grosseiros que possam influenciar nos resultados. No exemplo da “Estatística na prática”, após a coleta da quantidade 
de  acidentes  por  meio  da  CAT,  organiza‐os  por  período,  regiões  etc.  Da  mesma  maneira,  se  você  usa  um  questionário  para
coletar dados na empresa, organiza‐os da forma necessária à pesquisa, além da contagem a ser feita. 
4. Apresentação de dados
2.000 .000 1.796.671
1.743.825
Aprovação das NR’s Involução da QUANTIDADE de ACIDENTES DO
TRABALHO no Brasil - 1970 a 2005.
Os dados devem ser  1.750 .000 1.551.461
1.504. 723 1.464.211
apresentados  sob  a  1.500 .000
1. 207.859
forma de tabelas ou  1.220. 111 1.178. 472
1.250 .000
gráficos,  a  fim  de  961. 575 991.581

tornar  mais  fácil  e  1.000 .000


693. 572
rápido  o  exame  750 .000 532.514
daquilo  que  está  414.341 465.700 491.711
388.304 395. 455 363. 868 393.071 399.077
500 .000 340.251
sendo estudado.
250 .000

0
1970 1972 1974 19 76 1978 19 80 1982 1 984 1986 1 988 1990 1992 1994 1996 199 8 2000 20 01 2002 20 03 2004 2 005
Anos
FONTE: Revista Proteção

5. Análise dos dados e tomada de decisão


Chegamos à fase mais complexa do processo estatístico, que consiste na análise dos dados. Por fim, a 
partir  da  análise  realizada,  poderemos  chegar  a  uma  tomada  de  decisão.  Observe  o  estudo 
“Estatística  na  prática”.  O  que  resultou  a  análise  dos  acidentes  no  Brasil,  no  período  de  1970  a 
2005?    Veja  que  os  Ministérios  do  Trabalho,  Previdência  Social  e  da  Saúde  se  mobilizaram  para 
resolverem essa questão de saúde pública, com diversas ações a serem implementadas no país. A 
partir  dessa  discussão,  fica  claro  que  um  profissional  com  conhecimentos  de  Estatística  terá  maior 
facilidade  em  identificar  um  problema  em  sua  área  de  atuação,  determinar  os  tipos  de  dados  que 
irão contribuir para sua análise, coletar esses dados e a seguir estabelecer conclusões e determinar 
um plano de ação para a solução do problema detectado. 

Uanderson Rebula de Oliveira Estatística


- 13 -

1.3 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. 

Uanderson Rebula de Oliveira Estatística


- 14 -

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 

Uanderson Rebula de Oliveira Estatística


- 15 -

1.4 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. 

Quando  pesquisamos  toda  a 


 
população, damos o nome de 
POPULAÇÃO
(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.  

Uanderson Rebula de Oliveira Estatística


- 16 -

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:

Uanderson Rebula de Oliveira Estatística


- 17 -

1.5 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. 

Uanderson Rebula de Oliveira Estatística


- 18 -

 
 
 
 

2
 
 
 
 
 
 
 
  SÉRIES ESTATÍSTICAS
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Uanderson Rebula de Oliveira Estatística


Prof. MSc. Uanderson Rébula de Oliveira

Uma mensagem do Prof. MSc Uanderson Rébula. CLIQUE NO VÍDEO

CLIQUE AQUI E INSCREVA-SE NO CURSO JÁ

Sumário
- 19 -

2.1 CONCEITOS E TIPOS DE SÉRIES 


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 

Uanderson Rebula de Oliveira Estatística


- 20 -

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

2000 São Paulo
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
8000 7265
Quantidade

6325 6254
6000 5458

4000

2000

0
1989 1990 1991 1992 1993 1994

FONTE: Dados fictícios Anos

Uanderson Rebula de Oliveira Estatística


- 21 -

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
  FONTE: Dados fictícios
 
 
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. 
 
  ACIDENTES DO TRABALHO
  SÃO PAULO ‐ 1989 
 
 
 
 
 
 
 
  FONTE: Dados fictícios
 
 
 
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. 
 
ACIDENTES DO TRABALHO
 
SÃO PAULO ‐ 1989 

FONTE: Dados fictícios


   

Uanderson Rebula de Oliveira Estatística


- 22 -

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 
0
Fusca  15 
Ômega Monza Gol Corsa Fusca
FONTE: dados fictícios 
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 
FONTE: dados fictícios 

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 

Uanderson Rebula de Oliveira Estatística


- 23 -

2.2 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. 

Uanderson Rebula de Oliveira Estatística


- 24 -

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%  ‐  ‐ 

Uanderson Rebula de Oliveira Estatística


- 25 -

Agrupamento 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  6 
   110   120 
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 
123  4  Fechado à direita    70   80  70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80 

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 
f=40  CONCEITOS IMPORTANTES 
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. 

Uanderson Rebula de Oliveira Estatística


- 26 -

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  Resultados dos registros 


12 de um radar
1  70   80  4  75 
Quantidade de veículos

2  4  85  10
80   90  Ponto central
3    90   100  8  95  8
 75Km/h
4   100   110  8  105  6
5   110   120  6  115 
4
6   120   130  10  125  70   80
              f=40  2
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. 

Resultados dos registros 
40 40 
i  Velocidade (Km/h)  f  Fa  de um radar
Quantidade de veículos

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  4 4  4
5
              f=40  0
70          80           90          100         110         120         130 
Velocidade (Km/h) 

Uanderson Rebula de Oliveira Estatística


- 27 -

3
MEDIDAS RESUMO
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. 

Uanderson Rebula de Oliveira Estatística


- 28 -

3.1 MEDIDAS DE POSIÇÃO 


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.

Uanderson Rebula de Oliveira Estatística


- 29 -

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 


Quantidade de veículos

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 2
2 x     f      25 
0
4.0 5.0 6.0 7.0 8.0 9.0
Nota

Uanderson Rebula de Oliveira Estatística


- 30 -

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

    →   10
=  13ª
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  4  8   2   ‐  Fa ant  * h
3     90   100  8  16  Md  l inf      40 
4   100   110  8  24   20ª  f  2   ‐  16 * 10
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 
Quantidade de veículos

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) 

Uanderson Rebula de Oliveira Estatística


- 31 -

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 
Resultados dos registros 
A  Moda  Bruta  será  o  ponto  12 de um radar
Quantidade de veículos

médio  de  classe  modal,  que  é  a  10


i  Velocidade (Km/h)  f  10
4  classe  que  apresenta  a  maior  8 8
1  70   80  8
frequência. Então:  6
2  80   90  4  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. 

Uanderson Rebula de Oliveira Estatística


- 32 -

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 

Quantidade de veículos
10
1  70   80  4  10
2  80   90  4 
8 8 f(ant) f(post)
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. 

Uanderson Rebula de Oliveira Estatística


- 33 -

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 
Resultados dos registros 
  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 
Quantidade de veículos

  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 de um radar Mediana aproximadamente conforme gráfico ao lado. A média será menor 
Quantidade de veículos

  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
 
Quantidade de veículos

  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) 

Uanderson Rebula de Oliveira Estatística


- 34 -

3.2 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 
1º quartil  2º quartil  3º quartil 
quartis  (Q1  ,  Q2  e  Q3  )  para  dividir  a  série   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 
3  95  8  16  ← 1º quartil 
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 

Uanderson Rebula de Oliveira Estatística


- 35 -

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

Interpretação: aproximadamente 30% dos veículos registrados  Interpretação: aproximadamente 80% dos veículos registrados 
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

Interpretação: aproximadamente 27% dos veículos registrados  Interpretação: aproximadamente 72% dos veículos registrados 
tiveram velocidades abaixo de 93,5 Km/h.  tiveram velocidades abaixo de 118 Km/h. 

Uanderson Rebula de Oliveira Estatística


- 36 -

3.3 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 9,0 10,0 partir da Média 
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. 

Uanderson Rebula de Oliveira Estatística


- 37 -

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 
8,0 7,0  + 2,5    +2,0 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   S =  7,8 = 2,8  
Desvio padrão   → 
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 
 

S2 =   ( x  x )  
2
S =  S2
 n ‐ 1 

Uanderson Rebula de Oliveira Estatística


- 38 -

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 
1º Calcular a Média  2º Calcular a Variância  3º Calcular o Desvio padrão 
   
 
             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 
1º Calcular a Média  2º Calcular a Variância  3º Calcular o Desvio padrão 
   
 
             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.

Uanderson Rebula de Oliveira Estatística


- 39 -

COEFICIENTE DE VARIAÇÃO - CV
É a medida relativa de variação que é sempre 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. 

O  coeficiente  de  variação,  representado  Exemplo: Considerando a Média 7,0 de João com Desvio padrão de 2,8, 


por Cv, é calculado da seguinte maneira:  temos: 
Cv =  S  x 100       Cv =   2,8  x  100   →    40% 
Cv =     S   x 100 
x   7,0 
          x
O  resultado  indica  que  a  Média  7,0  de  João  teve  um  Desvio  padrão  em 
Ou seja:    Cv = Desvio padrão  x 100 
torno de 40%. 
   Média 

Fazendo a Distribuição de Variabilidade das notas de João, Maria, José e Mário, temos: 

Alunos     Média ( x )  Desvio padrão (S)  Cv (%)  Cálculo do Cv (%)  Assim,  podemos  concluir  que  o 


João  7,0  2,8  40% 
   2,8
→ /7,0 x 100  desempenho dos alunos será: 
   0,5 1º ‐ Mário 
Maria  7,0  0,5  7%  → /7,0 x 100 
   2,5 2º ‐ Maria 
José  7,0  2,5  36%  → /7,0 x 100  3º ‐ José 
Mário  7,0  0  0%  ‐  4º ‐ João 
Interpretação do Cv: Cv < 15% = pouca variação    |   15%  < Cv  <  30% = moderada variação   |  Cv > 30%  =  muita variação 

DESVIO PADRÃO DE DISTRIBUIÇÃO DE FREQUÊNCIA


Quando não temos a lista original dos dados, da mesma forma que a média, podemos encontrar o desvio padrão aproximado 
de uma distribuição de freqüência. Neste caso, usamos a equação do desvio padrão estudado, adicionado de f, como abaixo. 
Desvio padrão SEM INTERVALO DE CLASSE 

i  Velocidade (Km/h)  f  f . xi  (xi – x ) 2    f

1  60            x   4    =       240  (60 – 72,5) * 4         =     625 
2  65  6  390  (65 – 72,5)2 * 6         =     337 
3  70  11  770  (70 – 72,5)2 * 11       =     69 
4  75  8  600  (75 – 72,5)2 * 8         =     50 
5  80  7  560  (80 – 72,5)2 * 7         =     394 
6  85  4  340  (85 – 72,5)2 * 4         =     625 
f=40  (f.xi) = 2.900                   = 2.100 

Cálculo da média  Cálculo do desvio padrão 

x =  (f.x)   →    2.900   =  72,5 Km/h S=  (x  x)2 * f  →    2100   = 7,3 km/h


         f                 40 
f 1    40 ‐ 1

Desvio padrão COM INTERVALO DE CLASSE 

i  Velocidade (Km/h)  f  xi  f . xi  (xi – x ) 2    f
1       70   80  4   x  75    =       300  (75 – 104,5)2 * 4       =    3.481 
2       80   90  4  85  340  (85 – 104,5)2 * 4       =    1.521 
3       90   100  8  95  760  (95 – 104,5)2 * 8       =       722 
4     100   110  8  105  840  (105 – 104,5)2 * 8     =           2 
5     110   120  6  115  690  (115 – 104,5)2 * 6     =       661 
6     120   130  10  125  1250  (125 – 104,5)2 * 10   =    4.202 
f=40  ‐  (f.xi) = 4180                   = 10.589 

Cálculo da média  Cálculo do desvio padrão 

x =  (f.x)   →    4180   =  104,5 Km/h S=  (x  x)2 * f  →    10.589   = 16,47 km/h


   f                 40 
f 1    40 ‐ 1

Uanderson Rebula de Oliveira Estatística


- 40 -

Cálculo do Desvio padrão a partir de um Histograma em classes 

R e s u l t a d o s  d o s  r e g i s t r o s  d e  u m  r a d a r
12
10
Quantidade de veículos

  10 (4*75)+(4*85) ...
  8
8 8 Primeiramente, você deve calcular a média: 
  6
6
+  (75*4) + (85*4) + ... + (125*10)   = 104,5 Km/h 
  4
4
4 4 + 4 + 8 + ... + 10 
 
  2 x  x 
0
 75              85             95            105           115           125 
70              80                90              100              110             120              130 

Velocidade (Km/h) 

S=  (x  x)2 * f
f 1
Depois, calcule o Desvio padrão, observando os dados circulados no gráfico acima: 

(75‐104,5)2 * 4   +    (85‐104,5)2 * 4  +  ...  +  (125‐104,5)2 * 10   =   16,47Km/h 
  40‐1 

Uanderson Rebula de Oliveira Estatística


- 41 -

3.4 MEDIDAS DE ASSIMETRIA E CURTOSE.


ASSIMETRIA. A  assimetria  já  foi  estudada  na  “Relação  entre  média,  mediana  e  moda”,  quando  vimos  que  a  distribuição  é  simétrica
quando a média, mediana e moda se coincidem; assimétrica à direita quando a média é maior que a mediana e a moda; assimétrica à esquerda 
quando a média é menor que a mediana e a moda. Este raciocínio é importante pois é a base para o estudo de probabilidades e  inferência. 

A assimetria mede o grau de afastamento de uma distribuição em relação ao eixo central,


geralmente representado pela média.
Resultados dos registros 
10 Média  Grau de 
de um radar afastamento  Simétrica 
Mediana  Assimétrica à 
Quantidade de veículos

8
Assimétrica à 
7 Moda  esquerda 
direita 
(negativa) 
6 (positiva)
4 4
4 3 3
.
2

0 Média 
    70     80      90      100     110   
Velocidade (Km/h)  Importante 
Positiva  Resultados dos registros 
Negativa Sempre  que  a  curva  da  distribuição 
12 Mediana  de um radar Resultados dos registros  se  afastar  do  eixo  central,  no  caso, 
Quantidade de veículos

12 de um radar Mediana da  média,  será  considerada  como 


10 Moda  Média
Quantidade de veículos

9
10 9 Moda  tendo  um  certo  grau  de 
8 Média afastamento, chamado de assimetria 
6 8
6 6 da  distribuição.  Este  afastamento 
6
pode acontecer do lado esquerdo ou 
4 3 4
2 3 do  lado  direito  da  distribuição, 
2
2 1 2 1 chamado  de  assimetria  negativa  ou 
0 0 positiva, respectivamente. 
      70           80          90         100        110            70           80         90          100     110   
Velocidade (Km/h)  Velocidade (Km/h)
x ‐ Mo 

Coeficiente de Assimetria (Coeficiente de Pearson)


O grau de assimetria de uma distribuição de freqüências pode ser calculado por meio do Coeficiente de Pearson, abaixo: 
A
s
x
M S
o

A
s
3
x S
M
d
  x  = média Se As = 0, será  simétrica  (  ) Você  pode  usar 
Mo = moda  Se As < 0, será assimétrica esquerda (negativa)  esta  equação 
S = desvio padrão  Se As > 0, será assimétrica direita (positiva)  também. 

Velocidade  Esta distribuição tem:  Velocidade  Esta distribuição tem: 


f  f 
(Km/h)       ‐ média de 83,8 Km/h  (Km/h)       ‐ média de 85,7 Km/h 
1  75  6       ‐ moda de 80Km/h    1  75  10       ‐ moda de 90Km/h   
2  80  30      ‐  desvio padrão de 5,2 Km/h.   2  80  14      ‐  desvio padrão de 6,2 Km/h.  
3  85  24  Qual o coeficiente de assimetria?  3  85  20  Qual o coeficiente de assimetria? 
4  90  12  4  90  23 
As  83,8  80   =  0,730 As  85,7  90   =  ‐ 0,693
5  95  6  5  95  11 
               f=78      5,2                f=78      6,2
Interpretação:  a distribuição é assimétrica positiva (à direita) e  Interpretação:    a  distribuição  é  assimétrica  negativa  (à 
moderada, pois está entre 0,15 e 1. (veja próxima pág. o motivo)  esquerda) e moderada, pois está entre ‐ 0,15 e ‐1. 
Ao  construir  o  histograma  podemos  comparar  com  uma  Ao  construir  o  histograma  podemos  comparar  com  uma 
distribuição  simétrica.  Perceba  o  quanto  a  média  desta  distribuição  simétrica.  Perceba  o  quanto  a  média  desta 
distribuição se afasta do eixo central, simétrico.  distribuição se afasta do eixo central, simétrico. 

Grau de afastamento 0,730 
Resultados dos registros de um radar
 
Result ados dos regist ros de um radar Grau de 
35 afastamento ‐0,693 
35
Quantidade veículos

30
30 30
24
25 25 23
20
20 20
15 14
12 15 11
10
10 6 6 10
5 5
0 0
       75         80     85       90              95            75         80     85       90              95     
Velocidade (Km/h)  Velocidade (Km/h) 

Uanderson Rebula de Oliveira Estatística


- 42 -

Interpretação  da  assimetria.  Quanto  mais  As  se  afasta  de  zero,  mais  assimétrica  será  a  distribuição,  podendo  ser  fraca  (se 
situada  até  |0,15|),  moderada  (se  situada  de  |0,15|  a  |1|)  ou  forte  (se  maior  que  |1|).  Forte,  nesse  caso,  não  é  algo 
necessariamente  bom,  pois  indica  que  a  distribuição  está  fortemente  (muito)  distante  do  eixo  central,  no  caso,  da  média. 
Portanto, para efeitos de inferência estatística, melhor é que a As se aproxime de zero, no caso, de uma distribuição simétrica. 

Simétrica 
.  Assimétrica à direita  Assimétrica à esquerda 
(positiva)  (negativa) 

  Média

forte     moderada  Fraca      Fraca moderada forte 

    1      0,15     0        ‐0,15        ‐1 

A barra |  | indica, matematicamente, que o sinal negativo é desprezado.  

CURTOSE. A análise da Curtose também é importante, pois é a base do estudo de probabilidades e inferência estatística. 
A curtose mede o grau de achatamento ou alongamento de uma distribuição, em relação a uma
distribuição padrão, denominada curva normal

(a) Leptocúrticas  (a)  Curvas  alongadas,  com  alta  curtose,  são  chamadas  de 
(b) Mesocúrticas  leptocúrticas. Observe que tem um pico relativamente alto. 
(c) Platicúrticas 
(b)  Curvas  nem  alongadas  nem  achatadas  e  de  curtose 
mediana são chamadas de mesocúrticas. 

(c)  Curvas  achatadas  apresentam  menor  curtose  e  são 


denominadas  platicúrticas.    Observe  que  tem  o  topo 
achatado. 

Coeficiente de Curtose
O grau de curtose de uma distribuição de freqüências pode ser calculado por meio da equação abaixo: 
C

Q P

Q 1
3 9

  Q1 = 1º quartil  Relativamente à curva normal:  Esta equação é denominada 


2

-
P

Q3 = 3º quartil  Se C <  0, 263  → curva leptocúr ca 


0

Coeficiente percentílico de 
( ) P90 = 90º percentil  Se C = 0, 263   → curva mesocúr ca  curtose 
P10 = 10º percentil  Se C > 0, 263   → curva pla cúr ca 

Portanto,  para  encontrar  o  coeficiente  de  curtose  é  necessário  conhecimento  e  aplicação  das  medidas  de  ordenamento,  no 
caso, do quartil e percentil. Neste exemplo não calcularemos essas medidas uma vez que já estudamos no título “3.2 Medidas 
de ordenamento”. Vamos direto ao assunto. 
Exemplo 
Calcule o coeficiente de curtose e informe o seu tipo.
C

Q P

Q P

i  Velocidades  f  Fa  Esta distribuição tem: 


C

1
2
0
-
9
2
,
5
3 9

1  70   80  4  4  Q1 = 92,5 Km/h    
2

2
1
2
6
-
8
0

→     = 0,298 
0

1
0

2  80   90  4  8  Q3 = 120 Km/h  ( ) ( )
3   90   100  8  16  P90 = 126 Km/h 
4   100   110  8  24  P10 = 80 Km/h 
Como 0,298 > 0,263, dizemos que a curva é platicúrtica 
5   110   120  6  30 
6   120   130  10  40 
           f=40

É  importante  ressaltar  que  o  conhecimento  e  aplicação  da  Assimetria  e  Curtose  será  complementado  com  o  estudo  da 
distribuição  normal,  base  da  inferência  estatística.  Somente  com  todos  esses  conceitos  estudados  é  que  entenderemos 
realmente a assimetria e curtose.  

Uanderson Rebula de Oliveira Estatística


- 43 -

4
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.

Uanderson Rebula de Oliveira Estatística


“Atualmente, todos – estudantes e professores – procuram o Udemy porque é a
plataforma onde todos estão”.
Fonte: Jornal do Brasil

Faça o curso online na Udemy


Estatística I (para leigos):
aprenda fácil e rápido!
Com o Prof. MSc. Uanderson Rébula
"O livro digital Estatística I para leigos possui uma linguagem fácil e ao mesmo tempo dinâmica. O
conteúdo do livro está ordenado de forma a facilitar a aprendizagem dos alunos, mesmo aquelas
pessoas que não tenham noção nenhuma de estatística aprenderão com esse livro. Você pode
estudar sozinho para concursos pois o livro é auto explicativo ou até mesmo em grupos, no meu
caso faço isso com meus alunos. Eu super recomendo esse livro!!! NOTA 1000"
Maria Eunice Souza Madriz
Professora de estatística da rede estadual de ensino da Bahia
Avaliação do livro pelo cliente na amazon.com.br

Saiba
mais
Clique aqui

www.udemy.com
Junte-se a milhões de estudantes na maior plataforma on-line
de cursos curtos e práticos do mundo.

Com mais de 45.000 cursos virtuais disponíveis, o Udemy é uma plataforma global de
ensino on-line onde 15 milhões de alunos estão dominando novas habilidades.

O foco do Udemy são os conhecimentos práticos e úteis para o mercado de trabalho. Há


cursos gratuitos e pagos. São cursos curtos e com valores bem acessíveis.
- 44 -

4.1 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) Ponto de interseção 
8
(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)

Uanderson Rebula de Oliveira Estatística


- 45 -

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)
FONTE: dados fictícios 

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 

Uanderson Rebula de Oliveira Estatística


- 46 -

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:
Número de horas de estudo  
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    ‐0,9      ‐0,6     ‐0,3
                0
         0,3    0,6   
              +1 
 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. 

Uanderson Rebula de Oliveira Estatística


- 47 -

4.2 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 

Uanderson Rebula de Oliveira Estatística


- 48 -

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. 
                                                                                          
Número de horas de estudo  
versus notas obtidas
1º ‐ Calcular o Coeficiente angular a: 

Aluno  X   Y   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

Uanderson Rebula de Oliveira Estatística


- 49 -

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.

Uanderson Rebula de Oliveira Estatística


- 50 -

SITES PARA CONSULTA


www.brasilescola.com
Instituto de pesquisa econômica aplicada - http://www.ipea.gov.br
Instituto brasileiro de geografia e estatística - http://www.ibge.gov.br
Associação Brasileira de Estatística - http://www.ime.usp.br/~abe/
www.ibope.com.br

ANEXO I - 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

Uanderson Rebula de Oliveira Estatística


- 51 -

ANEXO II - 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 

Uanderson Rebula de Oliveira Estatística


- 52 -

Anexo III - 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 

Uanderson Rebula de Oliveira Estatística


Prof. MSc. Uanderson Rébula de Oliveira

Uma mensagem do Prof. MSc Uanderson Rébula. CLIQUE NO VÍDEO

CLIQUE AQUI E INSCREVA-SE NO CURSO JÁ

Sumário
Associação Educacional Dom Bosco
- 1&-Probabilidade
Estatística
o

PROBABILIDADE
Uanderson Rebula de Oliveira
uanderson.rebula@aedb.br

Uanderson Rebula de Oliveira Probabilidade


-2-

UANDERSON REBULA DE OLIVEIRA


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

Professor na UNIFOA no curso de Pós graduação em Engenharia de Segurança do Trabalho. Professor na


Universidade Barra Mansa – UBM nos cursos de Engenharia de Produção e de Petróleo. 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,
Estatística I e II 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 Adminitração e Logística. Ex-professor
Conteudista na UNESA (elaboração de Planos de Ensino e de Aula, a nível nacional). 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. Consultor interno, desenvolvedor e instrutor de cursos corporativos na CSN, a
níveis Estratégicos, Táticos e Operacionais. Membro do IBS–Instituto Brasileiro de Siderurgia.

PROBABILIDADE

EMENTA:
Probabilidade. Eventos de probabilidades. Probabilidade condicional. Variáveis
aleatórias e distribuições de probabilidades. Distribuições contínuas e discretas.
Intervalo de Confiança para média.

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

Uanderson Rebula de Oliveira Probabilidade


-3-

APRESENTAÇÃO
DA DISCIPLINA
Uma das ferramentas mais utilizadas hoje em dia
pelos cientistas, analistas financeiros, médicos, engenheiros,
jornalistas etc. é a Estatística, que descreve os dados observados e
desenvolve a metodologia para a tomada de decisão em presença
da incerteza. O verbete estatística foi introduzido no século XVIII,
tendo origem na palavra latina status (Estado), e serviu
inicialmente a objetivos ligados à organização político-social, como
o fornecimento de dados ao sistema de poder vigente. Hoje em dia,
os modelos de aplicação da Teoria Estatística se estendem por todas
as áreas do conhecimento, como testes educacionais, pesquisas
eleitorais, análise de riscos ambientais, finanças, controle de
qualidade, análises clínicas, índices de desenvolvimento,
modelagem de fenômenos atmosféricos etc. Podemos
informalmente dizer que a Teoria Estatística é uma ferramenta que
ajuda a tomar decisões com base na evidência disponível, decisões
essas afetadas por margens de erro, calculadas através de modelos
de probabilidade.

No entanto, a probabilidade se desenvolveu muito


antes de ser usada em aplicações da Teoria Estatística. Um dos
marcos consagrados na literatura probabilística foi a
correspondência entre B. Pascal (1623-1662) e P. Fermat (1601-
1665), onde o tema era a probabilidade de ganhar em um jogo
com dois jogadores, sob determinadas condições. Isso mostra que o
desenvolvimento da teoria de probabilidades começou com uma
paixão humana, que são os jogos de azar, mas evoluiu para uma
área fortemente teórica, em uma perspectiva de modelar a
incerteza, derivando probabilidades a partir de modelos
matemáticos.

A análise combinatória deve grande parte de seu


desenvolvimento à necessidade de resolver problemas
probabilísticos ligados à contagem, mas hoje há diversas áreas em
que seus resultados são fundamentais para o desenvolvimento de
teorias, como, por exemplo, a área de sistemas de informação.

Nesta apostila encontraremos as definições de


Probabilidades, eventos, variáveis aleatórias, variância de variáveis
aleatórias e distribuições de probabilidades; e distribuições
contínuas e discretas de probabilidades.

Uanderson Rebula de Oliveira Probabilidade


-4-

Falou mais o Senhor a Moisés, no deserto de Sinai, na tenda da


congregação, no primeiro dia do mês segundo, no segundo ano da sua
saída da terra do Egito, dizendo:
Tomai a soma de toda a congregação dos filhos de Israel, segundo as
suas gerações, segundo a casa dos seus pais, conforme o número dos
nomes de todo o varão, cabeça por cabeça;
Da idade de vinte anos e para cima, todos os que saem à guerra em
Israel; a estes contareis segundo os seus exércitos, tu e Aarão.
Estará convosco, de cada tribo, um homem que seja cabeça da casa dos
seus pais.
Todos os contados, pois, foram seiscentos e três mil, quinhentos e
cinquenta.

Números 1: 1-4; 46

Uanderson Rebula de Oliveira Probabilidade


-5-

Sumário
1 – INTRODUÇÃO À PROBABILIDADE 
1.1 CONCEITOS BÁSICOS DE PROBABILIDADES, 7 
Experimento aleatório, 7 
Espaço amostral, 7 
Eventos, 8 
1.2 CÁLCULOS DE PROBABILIDADES, 8 
Probabilidade , 8 
Eventos complementares, 9 
Eventos mutuamente exclusivos, 10 
Eventos não mutuamente exclusivos, 10 
Probabilidade condicional e multiplicação de probabilidades, 11 
Probabilidade com eventos dependentes, 11 
Multiplicação de probabilidades com eventos dependentes, 13 
Multiplicação de probabilidades com eventos independentes, 14 

2 – VARIÁVEIS ALEATÓRIAS   
2.1 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES PROBABILIDADES, 16 
2.2 VALOR ESPERADO, 18 
2.3 VARIÂNCIA E DESVIO PADRÃO, 19 

3 – DISTRIBUIÇÕES DE PROBABILIDADES            
   3.1 DISTRIBUIÇÃO UNIFORME, 21 
   3.2 DISTRIBUIÇÃO NORMAL, 22 
   3.3 DISTRIBUIÇÃO BINOMIAL, 27 
   3.4 DISTRIBUIÇÃO DE POISSON, 29 
   3.5 DISTRIBUIÇÃO EXPONENCIAL, 30 

4 – INTERVALO DE CONFIANÇA
Intervalo de Confiança para média , 32 
Intervalo de Confiança para proporção, 33 

REFERÊNCIAS BIBLIOGRÁFICAS, 34 
ANEXO I – LIVROS RECOMENDADOS, 35 
ANEXO II –  Software BIOESTAT , 36 
ANEXO III – Estatística no Excel, 37  

Uanderson Rebula de Oliveira Probabilidade


-6-

1
INTRODUÇÃO À
PROBABILIDADE

É possível quantificar o 
acaso? 

Uanderson Rebula de Oliveira Probabilidade


-7-

1.1 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.  
Experimento aleatório
Experimento cujo resultado é imprevisível, porém pertencente a um conjunto de resultados possíveis.

É  o  fenômeno  que  estamos  interessados  em  observar,  e  cada  resultado  dele  é  uma  experiência.  Embora  não 
saibamos qual o resultado que irá ocorrer, conseguimos descrever todos os resultados possíveis. Exemplos: 

EXPERIMENTO Resultados possíveis


Jogar uma moeda  Cara ou Coroa 
Lançar um dado  1, 2, 3, 4, 5, 6 
Jogar uma partida de futebol  Ganhar, empatar, perder 
Fazer um contato de vendas  Comprar, não comprar 
Selecionar uma peça para inspeção  Defeituosa, não defeituosa 
Nascimento de uma criança  Masculino, feminino 

A  principal  característica  do  experimento  é  ser  casual,  no  sentido  de  que,  apesar  de  conhecermos  seus  possíveis 
resultados,  não  podemos  dizer  com  certeza  o  que  vai  ser  obtido.  Quantas  e  quais  as  possibilidades  de  resultados 
desses experimentos são questões que tentamos responder para avaliar as chances de eles acontecerem. 
Espaço amostral
É o conjunto de todos os resultados possíveis de um experimento aleatório.

Note que, ao especificar todos os resultados possíveis, identificamos o espaço amostral, representado por S.
São exemplos de espaços amostrais: 

EXPERIMENTO ALEATÓRIO Espaço amostral


Jogar uma moeda  S = { Cara, Coroa} 
Lançar um dado  S = {1, 2, 3, 4, 5, 6} 
Jogar uma partida de futebol  S = {Ganhar, Empatar, Perder} 
Fazer um contato de vendas  S = {Comprar, Não comprar} 
Selecionar uma peça para inspeção  S = {Defeituosa, Não defeituosa} 
Nascimento de uma criança  S = {Masculino, Feminino} 

Uanderson Rebula de Oliveira Probabilidade


-8-

Eventos
 

  É o resultado possível dentro de um espaço amostral.


 

 
Evento A → {sair número dois}  →  A={2}. 
Lançar um dado e
observar sua face
 
Evento B → {sair número maior que 4} →  B={5,6}. 
 
 
Evento C → {sair número par} →C={2,4,6}. 

 
S = {1,2,3,4,5,6}  Evento D → {sair número menor que 2} → D={1}. 

 
O Diagrama de Venn pode representar graficamente o espaço amostral e o evento.  
 

Evento A → {sair número dois}  →  A={2}.                                       Evento C → {sair número par}  →  C={2,4,6}. 
 
  Espaço  
  A S amostral  S Espaço  
1     C amostral 
Evento    1 
  2    Evento
2  
  3 4 

 
  5   S = {1,2,3,4,5,6} 6 
  4  5  S = {1,2,3,4,5,6}
 
6  A = {2} 
C = {2,4,6} 
 
 
A área do círculo representa o Evento e a área do retângulo representa todos os elementos de um espaço amostral.  

1.2 CÁLCULOS DE PROBABILIDADES


Probabilidade
 

n( A ) nº elementos no evento A
A probabilidade é dada por:  P  
S Espaço amostral
 

Exemplos: 
 

1) No lançamento de um dado, qual a probabilidade de o resultado ser o número 2? 
A  = {2}     → A = 1       P(A)  =   1     =   0,1666   ou  16,66%   a probabilidade de o resultado ser o “2” é 
S = {1,2,3,4,5,6}      → S = 6                                 6  de 1 chance em 6 ou 0,1666 ou 16,66%. 

2) No lançamento de uma moeda, qual a probabilidade de o resultado ser Cara? 
A = {Ca}     →   A = 1     P(A)  =   1     =   0,50   ou  50% 
S = {Ca,Co}      →   S = 2                                      2
3) Uma urna tem 10 bolas, sendo 8 pretas e 2 brancas. Pegando‐se uma bola, qual a probabilidade de ela ser branca? 
A = {B,B}     →        A =  2     P(A)  =   2     =   0,20   ou  20% 
S = {P,P,P,P,P,P,P,P,B,B}              →        S = 10                                    10
 
4)  Em  um  lote  de  200  peças,  25  são  defeituosas  e  175  são  boas.  Se  um  Analista  Industrial  retira  uma  peça,  qual  a 
probabilidade de essa peça ser defeituosa?   
A = {D,D,D,D,D...}     →        A =  25    P(A)  =   25    =   0125 ou 12,5% 
S = {B,B,B,B,B,B...D,D}                 →        S = 200                                200
 
5) Das 120 notas fiscais emitidas por uma empresa, 16 tem erros de impressão. Se um Auditor seleciona uma nota fiscal, 
qual a probabilidade de essa nota apresentar erros de impressão?   
A = {NE, NE, NE ...}     →        A = 16    P(A)  =   16    =   0125 ou 12,5% 
S = {NB,NB, NB...NE,NE}     →        S = 120                                120
 
NE = Nota com erro  ; NB = Nota boa 

Uanderson Rebula de Oliveira Probabilidade


-9-

figuras 
Observe as cartas de um baralho de 52 cartas, abaixo: 
      Naipes                                                                                                                                          Valete     Dama       Reis         Ás 
(Paus) 
(preta) 
13 cartas 
 
(ouros) 
(vermelha) 
13 cartas   
(Espadas) 
(preta) 
13 cartas   
(Copas)   
(vermelha)  
13 cartas   
 
Quando retiramos uma carta de um baralho de 52 cartas, qual a probabilidade de o resultado: 
 
Sair um Ás de Ouros:     temos 1 Ás de Ouros no baralho, então:  Sair um Reis:  temos 4 Reis no baralho. Então:
   
 
 
A  = {Ás}     →  A =  1       P(A) =  1   =  0,019     A  = {R,R,R,R}    →  A =  4     P(A) =   4   =  0,076   
S= {52 cartas}     →  S = 52                      52  
 
S= {52 cartas}     →  S = 52                     52
 
 
Interpretação de valores probabilísticos
 
As probabilidade são sempre são atribuídos em uma escala de 0 a 1 (ou 0% a 100%) 
 
 
  0                                                           0,5  (50%)                                            1 (100%)  Números que não podem 
  Impossível             pouco provável                                             provável                        Certo                  representar probabilidade: 
 
 10/5   120%   ‐0,4 
  Chance 50‐50
 
 

Eventos complementares
 

  É a probabilidade com os resultados que não fazem parte do evento (A).


 
Eventualmente  queremos  saber  a  probabilidade  de  um  evento  não  ocorrer.  Portanto,  é  o  evento  formado  pelos  resultados  que  não 
pertencem ao evento A. Sendo P( A ) a probabilidade de que ele não ocorra e P(A) a probabilidade que ocorra, temos: 

Probabilidade com Evento complementar 

Probabilidade do  P( A )   =   1 – P(A) 
evento não ocorrer Probabilidade evento (A) 
  
 

Exemplo. No lançamento de um dado, qual a probabilidade de o resultado: 
 
Pela probabilidade (A) Probabilidade com evento complementar
ser o número 2  não ser o número 2 
   

A={2}     → A = 1    P(A)  = 1 =  0,1666              P( A )  = 1 – P(A) 


S={1,2,3,4,5,6}      → S = 6                     6                    = 1 – 0,1666     →   0,8333 ou 83,33% 
 

O “Diagrama de Venn” abaixo ilustra a relação entre o espaço amostral, o evento A e seu complemento  A : 
 
 
P(A) = 16,66%   
P( A ) = 83,33%
Probabilidade (A)    S Probabilidade  
A 1   Complementar 
 
2    3

  6
4 A equação 1‐ P( A ) fundamenta‐se na 
  A
interpretação dos valores probabilísticos: 
  0                                                                       1
  0,1666                      A =  0,8333

Uanderson Rebula de Oliveira Probabilidade


- 10 -

Eventos mutuamente exclusivos


 

  É a probabilidade com eventos que não ocorrem ao mesmo tempo. Ou ocorre A ou ocorre B (A ou B).
A ocorrência de um evento impossibilita a ocorrência do outro.
 
Dois eventos são mutuamente exclusivos quando a ocorrência de um evento exclui a ocorrência de outro. É impossível ocorrer os eventos A 
e  B  ao  mesmo  tempo.  Então,  o  termo  “ou”  indicará  “adição  de  probabilidades”.  Para  encontrar  a  probabilidade  de  um  evento  ou  outro 
ocorrer, adicionamos as probabilidades de cada evento: P(A ou B) = P(A) + P(B). 
 
 

Exemplo 1. Ao lançar um dado, a probabilidade de se tirar o 2 ou 5 é: 
 
   3  S
A
  B    6  “ou” indica Adição de probabilidades.  P(A ou B) = P(A) + P(B) 
  5 
2  ou     4  A = {2}     →   A = 1    P(A ou B) =   1  + 1   =   2   =   0,3333  
     1  B = {5}  →   B = 1                         6     6        6
  S = {1,2,3,4,5,6}    →   S = 6     
   
 
Exemplo 2. Ao retirar uma carta de um baralho de 52 cartas, a  Exemplo  3.  Numa  urna  estão  10  bolas,  sendo  2  pretas 
probabilidade de sair um Rei ou uma Dama é:      (P), 5 amarelas (A) e 3 verdes (V). Pegando‐se uma bola, 
 
  qual a probabilidade de ela ser preta ou verde? 
 
A = {R,R,R,R }     →    A = 4       P(AouB) =  4  +  4   = 8  =  0,1538 
A = {P,P }    →    A = 2      P(AouB) =  2  +  3   = 5  =  0,5 
B = {D,D,D,D}  →    B = 4                 52    52    52              B= {V,V,V}  →    B = 3                10    10    10             
S = {52 cartas  →    S = 52    
   
S = {10}  →    S = 10    
   
 
Eventos NÃO mutuamente exclusivos
 

  É a probabilidade com Eventos que podem ocorrer ao mesmo tempo. Ou ocorre A ou B ou AMBOS (A e B).
A ocorrência de um NÃO impossibilita a ocorrência do outro.
 
Dois eventos NÂO são mutuamente exclusivos quando a ocorrência de um evento não exclui a ocorrência de outro. É possível ocorrer  os 
eventos A e B ao mesmo tempo. O termo “ou”, indicará “adição” e “e” indicará “ambos”  
 

Exemplo 1   Ao lançar um dado, a probabilidade de obter um número ímpar ou menor que 3 é:  
 
ímpar  Menor que 3  Os eventos A e B não são mutuamente exclusivos, pois “1” ocorre em A e B (ambos). 
B S  
A 3 2 5
Se aplicarmos P(AouB) = P(A) + P(B) teremos:  /6   +    /6  =   /6.  Observe no diagrama que 
3  4
este  resultado  está  incorreto,  pois  P(AouB)  =  /6.  Este  erro  foi  provocado  pela  dupla 
1  6 
5  2  contagem de “1”.                                                                                      
4   

Neste caso, ajustaremos a regra da soma para evitar a dupla contagem. A equação será: 
 

A e B (Ambos) P(AouB) = P(A) + P(B) – P(A e B) 
 
 

           Então, a probabilidade de lançar um número ímpar ou menor que 3 será: 
 

A = {1,3,5}     →    A = 3        


B = {1,2}  →    B = 2  P(AouB) =  3  +  2   ‐  1  =  4   = 0,6666 
A e B = {1}  →    A e B = 1                        6      6      6      6           
S = {1,2,3,4,5,6}         →    S = 6                 
 

Exemplo 2 Numa pesquisa sobre a preferência de dois jornais, consultamos 470 pessoas, sendo que 250 lêem o jornal A, 180 
lêem o jornal B e 60 lêem os jornais A e B. Escolhendo uma pessoa ao acaso, qual a probabilidade de que seja:  
 
  Jornal  a) Leitor dos jornais A ou B?    P(A ou B) = P(A) +  P(B) – P(A e B) 
Jornal  A   B                       
A = {250}                250  +  180  –  60  =   370  = 0,7872 
  B = {180}    470      470      470      470 
  A e B = {60} 
  60 
  S = {470} 
   
   
 
AeB
 
 

Uanderson Rebula de Oliveira Probabilidade


- 11 -

PROBABILIDADE CONDICIONAL E MULTIPLICAÇÃO DE PROBABILIDADES 
 

Probabilidade com Eventos dependentes


 
  É a probabilidade do Evento B ocorrer, dado que o evento A já tenha ocorrido.
 
 Diz‐se  probabilidade  condicional  quando  a  ocorrência  de  um  evento  está  condicionada  à  ocorrência  do  outro. 
Portanto, os eventos são dependentes. A probabilidade de um é alterada pela existência do outro. 
 
A probabilidade condicional do Evento B, dado que A ocorreu é denotada por:

ocorreu (lê‐se “probabilidade de B, dado que A ocorreu”) 
P(B|A) = P(A e B)
                    P(A)      →   espaço amostral de A, “reduzido” 
Ao calcular P(B|A) tudo se passa como se P(A) fosse o novo espaço amostral “reduzido” dentro do qual, queremos 
calcular a probabilidade de B. Não utilizamos o espaço amostral original. 

Exemplo  1.  Ao  lançar  um  dado,  observou‐se  um  número  maior  que  2  (evento  A  ocorreu).  Qual  a  probabilidade  de  esse 
número ser o “5” (evento B)? 
 

  O evento A ocorreu e queremos saber o B (dentro de A): 
Maior que 2  Ser o 5   
  A B        A = {3,  4,  5,  6}           
 
4  3 
 
 
  B = {5} 
5   
 
Novo espaço  6  P(B|A) será a probabilidade de ocorrer o número 5 no novo espaço 
amostral 
  amostral reduzido de A. Então: 
  A e B  =  {5}     →    1   P(B|A) = P(A e B)  →  1  =  0,25 
1
  A = {3,4,5,6}    →    4                      P(A)            4  

   

Espaço amostral original S = {1,2,3,4,5,6}    Observe que não usamos o espaço amostral original S. 

EXEMPLO  2 Ao  lançar  um  dado,  observou‐se  um  número  maior  que  1  (evento  A  ocorreu).  Qual  é  a  probabilidade  de  esse 
número ser ímpar (Evento B)?  
 

  ímpar  O evento A ocorreu e queremos saber o B (dentro de A): 
Maior que 1   
  A B    A = {2,  3,   4,  5,  6}           
  2     
  4  B = {3, 5} 
3   
 
Novo espaço  6  5 P(B|A) será a probabilidade de ocorrer número ímpar no novo espaço 
amostral 
  amostral reduzido de A. Então: 
  A e B  =  {3,5}   →   2   P(B|A) = P(A e B)  →  2  =  0,40 
  1 A = {2,3,4,5,6}  →   5                      P(A)            5  
 
  Observe que não usamos o espaço amostral original S 
 
Espaço amostral original S = {1,2,3,4,5,6} 

EXEMPLO  3    Duas  cartas  são  selecionadas  em  sequência  em  um  baralho.  Qual  a  probabilidade  de  que  a  2ª 
carta seja uma dama, dado que a 1ª seja um rei. (assuma que o rei está sem reposição).  
 
Solução. Em razão de a primeira carta ser um rei e não ser a resposta,                  P (B|A)   =   4   =  0,078                    
o baralho restante tem 51 cartas, 4 das quais são dama. Então:                                       51                                                  
 
EXEMPLO 4  Cinco cartas são selecionadas em sequência em um baralho. Qual a probabilidade de que a 5ª carta seja uma 
dama. Dado que a 1ª = rei; 2ª = dama; 3ª = 8 ; 4ª = Ás. (assuma que não há reposição).  
 
Solução.  Em  razão  de  a  1ª  =  rei;  2ª  =  dama;  3ª  =  8  ;  4ª  =  Ás,  o  baralho                  P (E|A,B,C,D)   =   3   =  0,062   
restante tem 48 (52‐4) cartas, 3 das quais são dama. Então:                                                 48                                                  
        Note que o espaço amostral original foi reduzido 
 
 
 

Uanderson Rebula de Oliveira Probabilidade


- 12 -

EXEMPLO 5 Numa pesquisa sobre a preferência de dois jornais, consultamos 470 pessoas e o resultado foi o  seguinte: 250 
lêem o jornal A, 180 lêem o jornal B, 60 lêem os jornais A e B. Escolhendo uma pessoa ao acaso, qual a probabilidade de:  
 
   a) Um leitor do jornal A, também ser leitor do B?     b) Um leitor do jornal B, também ser leitor do A? 
   
  Jornal    Jornal 
  Jornal  A B   Jornal  A B
    Novo espaço 
  190    190 amostral 
 
Novo espaço    60      60 
amostral 
  120    120 
   
   
   
   
O  evento  A  ocorreu  e  queremos  saber  o  B.  Então,  denotamos  O  evento  B  ocorreu  e  queremos  saber  o  A.  Então,  denotamos 
P(B|A). Dentre os leitores do Jornal A, devemos destacar os que  P(A|B).  Dentre  os  leitores  do  Jornal  B,  devemos  destacar  os  que 
lêem B; logo, o espaço amostral desse evento é A (190+60=250).  lêem  A;  logo,  o  espaço  amostral  desse  evento  é  B  (120+60=180). 
Então, a probabilidade é:   Então, a probabilidade é:  
 
 
A e B = {60}  →   60   P(B|A)=P(A e B) → 60  = 0,24 
A= {190+60} → 250                      P(A)       250  
 
EXEMPLO 6. O quadro abaixo mostra os resultados de um estudo no qual os pesquisadores examinaram o QI de uma criança 
e a presença de um gene específico nela. 
  Gene   Gene não  A probabilidade de que a criança tenha um QI alto (Evento B), dado que 
presente  presente    a criança tenha o gene (Evento A) é? 
 

QI alto  33  19  52  Solução.  Há  72  crianças  que  têm  o  gene.  Então,  o  espaço  amostral  consiste 
QI normal  39  11  50  dessas 72 crianças. Dessas, 33 tem QI alto. Então: 
 
  72  30  102                    P (B|A)   =   33   =   0,458  
                 72 
 
EXEMPLO 7 Em um lote de 12 peças, 8 são de “qualidade” e 4 são “defeituosas”. Ao selecionar duas peças em sequência, sem 
reposição, qual a probabilidade de:  
 
a 2ª peça ser “defeituosa”, dado que a 1ª é “defeituosa”. 

Solução.  Em  razão  de  a  1ª  peça  ser  defeituosa,  o  lote  restante  tem  11                  P (B|A)   =   3   =  0,2727                    
peças, 3 das quais são defeituosas. Então:                                       11                                                

a 2ª peça ser “defeituosa”, dado que a 1ª é de “qualidade”. 
Solução. Em razão de a 1ª peça ser de qualidade, o lote restante tem 11                  P (B|A)   =   4   =  0,3636                    
peças, 4 das quais são defeituosas. Então:                                        11                                               

a 2ª peça ser de “qualidade”, dado que a 1ª é “defeituosa”. 
Solução.  Em  razão  de  a  1ª  peça  ser  defeituosa,  o  lote  restante  tem  11                  P (B|A)   =   8   =  0,7272                    
peças, 8 das quais são  de qualidade                                        11                                               

Uanderson Rebula de Oliveira Probabilidade


- 13 -

Multiplicação de probabilidade com eventos dependentes ...ache P(A e B) , dado P(B|A) e P(A)

Uma consequência matemática importante da definição de probabilidade condicional é a seguinte: 
P(B|A) = P(A e B)             se  quero achar:                 P(B|A) =      ?                          então →  P(A e B)  =  P(A)  x   P(B|A)
                    P(A)                          P(A e B)                                          P(A)                                             
Isto é, a probabilidade dos eventos (A e B) é o produto da probabilidade de um deles pela probabilidade do outro, dado o primeiro. 
 
EXEMPLO  1  Duas  cartas  são  selecionadas  em  sequência  em  um  baralho  de  52  cartas.  Qual  a  probabilidade  de 
selecionar um Rei e uma Dama? (não há reposição).  
/52.  A  P(A e B) =   ?      P(A e B)  =  P(A)  x  P(B|A) 
4
 A probabilidade de a 1ª carta ser um Rei é   4
2ª  carta  ser  uma  Dama  é  /51,  pois  o  baralho  P(A) =    /452                          4     x     4      →       16     =  0,006  
4

restante tem 51 cartas, 4 das quais são dama.   P(B|A) =   /51                          52         51              2652 


 
EXEMPLO 2 Em um lote de 12 peças, 8 são de “qualidade” e 4 são “defeituosas”. Sendo retiradas duas peças em sequência, 
qual a probabilidade de que: (não há reposição) 
 
a) Ambas sejam “defeituosas”  b) Ambas sejam de “qualidade” 
P(A e B)  =  ?  P(A e B)  =  ?             
4 4   x   3     =   0,090  8                8   x   7    =   0,4242  
P(A) =     /12  P(A) =    /12 
3                            12     11  7               12      11                      
P(B|A) =    /11  P(B|A) =   /11 
4 3 8 7
A probabilidade de a 1ª peça ser defeituosa é  /12 e a 2ª é  /11, pois o  A probabilidade de a  1ª peça ser de qualidade é  /12 e a 2ª   é  /11, 
lote restante tem 11 peças, 3 das quais são defeituosas.  pois o lote restante tem 11 peças, 7 das quais são de qualidade.      
 
EXEMPLO 3 Uma urna contém 7 bolas brancas (B) e 3 pretas (P). Extraindo‐se três bolas em sequência, qual a probabilidade 
de que: (não há reposição). 
 

a) As duas primeiras sejam brancas e a terceira seja preta  (ou seja, BBP) 
 
7 6 7  
A  probabilidade  de  a  1ª  bola  ser  branca  é  /10  e  a  2ª  é    /9.  A   P(A) =   /10 
3 6                     7   x   6    x   3    =   0,175 
probabilidade  de  a  3ª  bola  ser  preta  é  /8,  pois  a  urna  restante  P(B|A) =   /9  
3                  10       9         8              
tem 8 peças, 3 das quais são pretas.  P(C|B) =  /8 
 

b) Duas sejam brancas e uma seja preta  (ou seja: BBP, BPB ou PBB) = 3[BBP] 
 

O  evento  sair  “duas  brancas  e  uma  preta”  pode  ocorrer  de  três  maneiras  que  7
P(A) =    /10 
diferem  apenas  pela  ordem  de  aparecimento  das  bolas:  (BBP,  BPB,  PBB).  Logo,  a   7 6 3
probabilidade será a soma dessas maneiras. Então, basta calcular a probabilidade de 
6
P(B|A) =   /9   3   x x  =  0,525 
3
P(C|B) =  /8   10 9 8 
uma dessas maneiras (por exemplo, a primeira) e multiplicar por 3. Então: 3(BBP). 
 

c) Pelo menos duas sejam brancas (ou seja: 3[BBP]   +   [BBB]) 
2 brancas 3 brancas
 
 
3[BBP]  [BBB] 
“Pelo  menos  duas  brancas“  é  a  mesma  coisa  que  “no  7
P(A) =   /10 
   7
P(A) = /10   7 6 3  7 6 5
mínimo  duas  brancas”,  ou  seja,  duas  ou  três  brancas.  6 6 3   x x  +  x x  =  0,8166 
Então, calculamos duas brancas + três brancas. 
P(B|A) =   /9  
3
P(B|A) =   /9  
5
 10 9 8   10 9 8 
P(C|B) =  /8  P(C|B) =  /8 
 

d) No máximo uma seja branca (ou seja: [PPP]   +   3[PPB]) 
0 branca 1 branca
 
 
[PPP]  3[PPB] 
No  máximo  uma  branca  é  a  mesma  coisa  que  “ou  3
P(A) =      /10 
3
P(A) =      /10   3 2 1  3 2 7
nenhuma  branca  ou  uma  branca”.  Então,  calculamos  2 2  x x   +  3   x x  = 0,1833 
nenhuma branca  (todas pretas) + uma branca. 
P(B|A) =   /9  
1
P(B|A) =   /9  
7
 10 9 8   10 9 8 
P(C|B) =  /8  P(C|B) =   /8 
 

e) Pelo menos uma seja preta. (ou seja: 3[PBB]   +   3[PPB]   +   [PPP]) 
                    1 preta 2 pretas 3 pretas
                                                          
3[PBB]  3[PPB]  [PPP] 
3 3 3
P(A) =     /10  P(A) =      /10  P(A) =      /10   3 7 6  3 2 7  3 2 1
7
P(B|A) =   /9  
2
P(B|A) =   /9  
2
P(B|A) =   /9  
3   x x  +  3   x x  +   x x   =  0,7083 
6 7 1  10 9 8   10 9 8   10 9 8 
P(C|B) =  /8  P(C|B) =  /8  P(C|B) =   /8 
 
MÉTODO ALTERNATIVO:    [BBB] 
7
É mais prático usar o   P(A) =     /10   7 6 5
evento complementar:  6
P(B|A) =   /9  
1   x x   = 0,7083 
5  10 9 8 
1 – BBB (nenhuma preta)  P(C|B) =  /8 
f) Todas sejam da mesma cor: 
[PPP]+[BBB] = 0,30 

Uanderson Rebula de Oliveira Probabilidade


- 14 -

Multiplicação de Probabilidade com Eventos independentes


 

  É quando a ocorrência do Evento A não afeta a probabilidade da ocorrência do B. Não existe dependência. 
A e B podem ocorrer simultaneamente (ao mesmo tempo). São independentes.
 

 A regra da multiplicação é usada para achar P(A e B) para eventos independentes.  Aqui associaremos a palavra “e” 
com “multiplicação”. O termo chave usado é “simultâneo”.  A equação é :  P(A e B) = P(A) x P(B). Existe reposição 
 
1 ( 1, 1 )
  2 ( 1, 2 ) Exemplo 1. Ao lançar dois dados simultaneamente, qual a
  1 3 ( 1, 3 ) probabilidade de:
  4 ( 1, 4 )

  5 ( 1, 5 ) Obter o número 2 e ímpar ?


6 ( 1, 6 )  
 
1 ( 2, 1 )
Pelo Diagrama de árvore:  Então, a probabilidade é: 
     
2 ( 2, 2 )
  3 ( 2, 3 ) (2,1), (2,3), (2,5)  3   = 8,33% 
2
  4 ( 2, 4 )
 
                 36 
  5 ( 2, 5 ) Se aplicarmos a regra da multiplicação, temos: 
6 ( 2, 6 )
   

  1 ( 3, 1 ) A={2}     →   A = 1              P(A e B) = P(A) x P(B) 


  2 ( 3, 2 ) B={1,3,5}  →   B = 3                 1 x  3  =  3  = 8,33% 
3 3 ( 3, 3 )
  Lançar dois dados 4 ( 3, 4 ) S={1,2,3,4,5,6}   →   S = 6                         6     6     36 
  5 ( 3, 5 )
 

  6 ( 3, 6 ) Obter um número par e ímpar ?


 
  1 ( 4, 1 ) Pelo Diagrama de árvore  Então, a probabilidade é: 
  2 ( 4, 2 )    

  4 3 ( 4, 3 )              9   = 25% 
4 ( 4, 4 )
(2,1), (2,3), (2,5) 
  5 ( 4, 5 ) (4,1), (4,3), (4,5)              36 
  6 ( 4, 6 )
(6,1), (6,3), (6,5) 
   
1 ( 5, 1 )
  2 ( 5, 2 ) Aplicando a regra da multiplicação, temos: 
 
  5 3 ( 5, 3 )
  4 ( 5, 4 ) A={2,4,6}     →   A = 3   P(A e B) = P(A)  x   P(B) 
5 ( 5, 5 ) B={1,3,5}  →   B = 3                     3  x   3  =  9  = 25% 
  6 ( 5, 6 )
  S={1,2,3,4,5,6}       →   S = 6                        6      6      36
  1 ( 6, 1 )  
2 ( 6, 2 )
  3 ( 6, 3 ) Esta  regra  pode  ser  estendida  para  qualquer  número  de  eventos 
6
  4 ( 6, 4 ) independentes: P (A e B e C) = P(A) x P(B) x P(C)... 
  5 ( 6, 5 )  

  6 ( 6, 6 ) O resultado do evento B independe do resultado de A. 
  Evento A     e     Evento B   “São independentes” 
   S =  {36} 
 
 
Exemplo 2. Cirurgias de microfraturas no joelho têm 75% de chance de Sucesso em pacientes com joelhos
degenerativos (25% é de fracasso). A cirurgia é realizada em 3 pacientes. Calcule a probabilidade de que:
Nota: A probabilidade de que cada cirurgia seja um sucesso é de 0,75. A chance de um sucesso para uma cirurgia é 
independente das chances para as outras cirurgias. Portanto, os eventos são independentes. 
 

a) As três cirurgias sejam um sucesso. ou seja:[SSS] b) As três cirurgias sejam um fracasso. ou seja:[FFF]
   
[SSS]  P (A e B e C) = P(A) x P(B) x P(C)  [FFF] P (A e B e C) = P(A) x P(B) x P(C) 
P(A) =  0,75    P(A) =  0,25   

P(B) =  0,75   0,75 x 0,75 x 0,75 = 0,4218   P(B) =  0,25   0,25 x 0,25 x 0,25 = 0,0156  


P(C) =  0,75    P(C) =  0,25   
 

c) Duas cirurgias sejam um sucesso  (ou seja: SSF, SFS, FSS) = 3[SSF] 
 

O evento “Duas cirurgias” pode ocorrer de três maneiras que diferem apenas pela 
P(A) = 0,75 
ordem  dos  resultados  das  cirurgias:  (SSF,  SFS,  FSS).  Logo,  a  probabilidade  será  a 
soma  dessas  maneiras.  Então,  basta  calcular  a  probabilidade  de  uma  dessas 
P(B) = 0,75   3 * (0,75*0,75*0,25) =  0,4218 
P(C) = 0,25 
maneiras (por exemplo, a primeira) e multiplicar por 3. Então: 3(SSF). 
 
 
 
 
 
 
 

 
 
 

Uanderson Rebula de Oliveira Probabilidade


- 15 -

2
VARIÁVEIS ALEATÓRIAS

1 ( 1, 1 )
É possível criar um modelo
teórico que descreva como se
2 ( 1, 2 )
1 3 ( 1, 3 )
4 ( 1, 4 )
5
6
( 1, 5 )
( 1, 6 ) espera que o experimento se
1
2
( 2, 1 )
( 2, 2 ) comporte?
2 3 ( 2, 3 )
4 ( 2, 4 )
5 ( 2, 5 )
6 ( 2, 6 )

1 ( 3, 1 )
2 ( 3, 2 )
3 3 ( 3, 3 )
Lançar dois dados 4 ( 3, 4 )
5 ( 3, 5 )
6 ( 3, 6 )

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

  6
1 ( 5, 1 ) /36  6
  
2 ( 5, 2 )
  5 5 5
5 3 ( 5, 3 ) /36 
    
4 ( 5, 4 ) 4 4
  4
5 ( 5, 5 ) /36 
6 ( 5, 6 )   3 3
  3
/36 
   
2 2
1 ( 6, 1 )   2
/36 
2 ( 6, 2 )    1 1
6 3 ( 6, 3 )   1
/36
4 ( 6, 4 )
5 ( 6, 5 )
  2        3       4        5        6       7       8       9       10     11      12
6 ( 6, 6 )  

Soma dos dados 

Uanderson Rebula de Oliveira Probabilidade


- 16 -

VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADES 

  Uma variável aleatória “X” representa um valor numérico associado a cada resultado de um
experimento de probabilidade.

Exemplo 1. A tabela e o gráfico abaixo representam um modelo de probabilidade para a soma de dois dados
lançados simultaneamente:
Variáveis aleatórias(X)
Valor numérico de cada  Distribuição de
experimento 
frequências probabilidades
É a lista de cada valor de 
1 ( 1, 1 )
  2 ( 1, 2 ) uma variável aleatória “X” 
1 3 ( 1, 3 ) Soma dos Probabilidade
4 ( 1, 4 ) f
dados “X” “P(x)”
5 ( 1, 5 ) 1
6 ( 1, 6 ) 2 1 /36
2
3 2 /36
1 ( 2, 1 ) 3
2 ( 2, 2 )
4 3 /36
4
2 3 ( 2, 3 ) 5 4 /36
4 ( 2, 4 ) 5
6 5 /36
5 ( 2, 5 ) 6
6 ( 2, 6 ) 7 6 /36
5
8 5 /36
1 ( 3, 1 ) 4
2 ( 3, 2 ) 9 4 /36
3
3 3 ( 3, 3 ) 10 3 /36
Lançar dois dados 4 ( 3, 4 ) 2
11 2 /36
5 ( 3, 5 )
1
6 ( 3, 6 ) 12 1 /36
- =36 =1
1 ( 4, 1 )
2 ( 4, 2 )
4 3 ( 4, 3 )
4 ( 4, 4 )   6
/36  6
5 ( 4, 5 )   
6 ( 4, 6 )   5
/36  5 5 Representação
gráfica da
    
1 ( 5, 1 )
  4 4 4
2 ( 5, 2 ) /36 
5 3 ( 5, 3 )   distribuição
4 ( 5, 4 )   3 3 3
/36 
5 ( 5, 5 )    
6 ( 5, 6 )   2 2 2
/36 
  
1 ( 6, 1 )   1 1 1
2 ( 6, 2 ) /36 
6 3 ( 6, 3 )
4 ( 6, 4 )
5 ( 6, 5 )    2        3       4        5        6       7       8       9       10     11      12 
6 ( 6, 6 )  

Soma dos dados 

Notas e comentários

A  palavra  “aleatório”  indica  que  “X”  é  determinado  pelo  acaso.  A  variável  aleatória  é  uma  regra  que  associa  um  valor 
numérico a cada resultado experimental possível.  
 
A  distribuição  de  probabilidades  de  uma  variável  aleatória  descreve  como  as  probabilidades  estão  distribuídas  sobre  os 
valores da variável aleatória. Para uma variável “X”, a distribuição de probabilidade é definida por uma função probabilidade, 
denotada por f(x). A função probabilidade fornece a probabilidade correspondente a cada um dos valores da variável aleatória. 
 
A  principal  vantagem  de  definir  uma  variável  aleatória  “X”  e  sua  distribuição  de  probabilidade  é  que,  uma  vez  que  a 
distribuição seja conhecida, torna‐se relativamente fácil determinar a probabilidade de uma série de eventos que podem ser 
do interesse de um tomador de decisões. 
 

Uanderson Rebula de Oliveira Probabilidade


- 17 -

Exemplo 2. Um projeto de ampliação da capacidade produtiva da empresa ABC divide-se em duas etapas
seqüenciais: etapa 1 (projeto – em 2, 3 ou 4 meses) e etapa 2 (construção – em 6, 7 ou 8 meses).

Definindo  a  variável  aleatória  “X”  como  o  prazo  para 


conclusão do projeto e, usando a Regra da Adição com as 
probabilidades  no  diagrama  de  árvore,  você  poderá 
determinar a probabilidade de ocorrência dos meses para 
conclusão do projeto. Então, poderá usar essa informação 
para estabelecer as distribuições de probabilidades: 
 
Conclusão do projeto Probabilidade “P(x)”
f
(em meses) “X”
8 1 1
/9 = 0,11
9 2 2
/9 = 0,22
10 3 3
/9 = 0,33
11 2 2
/9 = 0,22
12 1 1
/9 = 0,11
- =9 =1

Prazo para conclusão do projeto
1

Probabilidade
0.8
Assim, podemos responder rapidamente alguns questionamentos: 
Qual a probabilidade de o projeto ser concluído em 8 meses? R.: 11%  0.6
Qual a probabilidade de o projeto ser concluído em 9 meses? R.: 22%  0.33
Qual a probabilidade de o projeto ser concluído em 10 meses?  R.: 33%  0.4
0.22 0.22
Qual a probabilidade de o projeto ser concluído em 10 ou 11 meses? R.: 55% 
0.2 0.11 0.11
Qual a probabilidade de o projeto ser concluído entre 9 e 11 meses? R.: 77% 
 
0
8 9 10 11 12
meses
Exemplo 3. Uma pesquisa entrevistou 200 casas de um bairro sobre quantas televisões possuem. Os dados mostram
que 3 casas não possuem televisão, 38 casas possuem 1 televisão, 95 casas possuem 2 televisões, 52 casas possuem 3
televisões e 12 casas possuem 4 televisões.

Definimos a variável aleatória de interesse como “X” o número de televisões. A partir dos dados, sabemos que X é uma variável 
aleatória que pode assumir 0, 1, 2, 3, ou 4. Temos, então, a distribuição de probabilidades e o gráfico abaixo: 
 
Casas com televisões em um bairro
Nº de f Probabilidade 1
televisões “X” (casas) “P(x)”
Probabilidade

3
0 3 /200 = 0,015 0.8
38
1 38 /200 = 0,190
95 0.6 0.475
2 95 /200 = 0,475
52
3 52 /200 = 0,260
12 0.4
4 12 /200 = 0,060 0.26
0.19
- =200 =1 0.2
0.015 0.06
0
0 1 2 3 4
Número de televisões
Assim, podemos responder rapidamente alguns questionamentos: 
Ao selecionar aleatoriamente uma casa, qual a probabilidade de ela não possuir televisão? R.: 1,5% 
Ao selecionar aleatoriamente uma casa, qual a probabilidade de ela possuir 1 televisão? R.: 19% 
Ao selecionar aleatoriamente uma casa, qual a probabilidade de ela possuir 2 televisões? R.: 47,5% 
Ao selecionar aleatoriamente uma casa, qual a probabilidade de ela possuir 2 ou 3 televisões? R.: 73,5% 
Ao selecionar aleatoriamente uma casa, qual a probabilidade de ela possuir televisão? R.: 98,5% 

Uanderson Rebula de Oliveira Probabilidade


- 18 -

VALOR ESPERADO  E(X) 
  O Valor esperado de variáveis aleatórias “X” é um valor que você esperaria acontecer em vários testes.

Podemos considerar o Valor esperado no sentido de que é o valor médio que esperaríamos se o experimento fosse feito diversas vezes. 
Então,  podemos  dizer  que  o  conceito  de  Valor  esperado  aplicado  em  uma  variável  aleatória  é  equivalente  à  Média  ponderada  dos 
possíveis  valores  que  “X”  pode  receber,  onde  os  pesos  são  as  probabilidades  associadas.    É  semelhante  ao  cálculo  da  Média  de  uma 
Distribuição de frequência. Obtemos, então, a seguinte fórmula: 
 
EQUAÇÃO DO VALOR ESPERADO
Valor esperado de “X”

E (X) =   X . P(x) 
Probabilidades associadas 
Variáveis Aleatórias 
 
Cada valor de X é multiplicado por sua probabilidade e os produtos são adicionados. O Valor esperado, representado por 
E(X), também é chamado de Média de uma Variável Aleatória, Esperança matemática, Esperança ou Expectância. 
 
Exemplo 1. Um projeto de ampliação da capacidade produtiva da empresa ABC divide-se em duas etapas
seqüenciais: etapa 1 (projeto – em 2, 3 ou 4 meses) e etapa 2 (construção – em 6, 7 ou 8 meses). Qual o prazo
esperado para conclusão do projeto?
 
Conclusão do projeto P(x) X . P(x)
(em meses) X
8   x                = 
0,11 0,88
9 0,22 1,98
10 0,33 3,30
11 0,22 2,42
12 0,11 1,32
- =1  X.P(x) = 10
 
Valor esperado E(X)
 
Interpretação: Espera‐se que o projeto seja concluído em 10 meses 
 
NOTA: Posso fazer também da seguinte forma: 
E(X) = 8(0,11) +  9(0,22) + 10(0,33) + 11(0,22) + 12(0,11) = 10 meses 
 
Exemplo 2. A tabela abaixo representa um modelo de probabilidade para a soma de dois dados lançados
simultaneamente. Qual o valor esperado para a soma dos dados?

1
2
( 1, 1 )
( 1, 2 )
Soma dos Probabilidade X . P(x)
1 3
4
( 1, 3 )
( 1, 4 )
dados “X” “P(x)”
5 ( 1, 5 ) 2 0,0278
  x                     = 0,0556
6 ( 1, 6 )
3 0,0556 0,1667
1 ( 2, 1 )
2 ( 2, 2 ) 4 0,0833 0,3333
3 ( 2, 3 )
2
4 ( 2, 4 ) 5 0,1111 0,5556
5 ( 2, 5 )
6 ( 2, 6 ) 6 0,1389 0,8333
1 ( 3, 1 ) 7 0,1667 1,1667
2 ( 3, 2 )
3 3 ( 3, 3 ) 8 0,1389 1,1111
Lançar dois dados 4
5
( 3, 4 )
( 3, 5 )
9 0,1111 1,0000
6 ( 3, 6 )
10 0,0833 0,8333
1
2
( 4, 1 )
( 4, 2 )
11 0,0556 0,6111
4 3
4
( 4, 3 )
( 4, 4 )
12 0,0278 0,3333
5
6
( 4, 5 )
( 4, 6 )
- =1  X.P(x) = 7 
  1 ( 5, 1 )

5
2
3
( 5, 2 )
( 5, 3 )
Valor esperado E(X)
4 ( 5, 4 )  
5
6
( 5, 5 )
( 5, 6 )
Interpretação: Espera‐se que a soma dos dados seja 7. 
 
1
2
( 6, 1 )
( 6, 2 )
NOTA: Posso fazer também da seguinte forma: 
6 3
4
( 6, 3 )
( 6, 4 )
E(X)  =  2(0,0278)  +  3(0,0556)  +  4(0,0833)  +  5(0,1111)  6(0,1389)  +  7(0,1667)  + 
5
6
( 6, 5 )
( 6, 6 )
8(0,1389) + 9(0,1111) + 10(0,0833) + 11(0,0556) + 12(0,0278)  =  7 

Uanderson Rebula de Oliveira Probabilidade


- 19 -

VARIÂNCIA E DESVIO PADRÃO  
  Podemos aplicar os conceitos de Variância e Desvio Padrão para o Valor esperado E (X).

 Embora  o  Valor  esperado  de  uma  distribuição  de  probabilidades  da  variável  aleatória  descreva  um  resultado 
comum, ela não dá informações sobre a maneira que os resultados variam. Para estudar a variação dos resultados, 
você pode usar a variância e o desvio padrão de uma distribuição de probabilidades da variável aleatória. Então: 
 
FÓRMULA DA VARIÂNCIA E DESVIO PADRÃO DO VALOR ESPERADO

VARIÂNCIA DESVIO PADRÃO


S  (x  –  EX)  . P(x)
2  =    2
S =  s2  
Probabilidades associadas 
Valor esperado  Variância 
 Variáveis Aleatórias 
 
 
Exemplo Um projeto de ampliação da capacidade produtiva da empresa ABC divide-se em duas etapas seqüenciais:
etapa 1 (projeto – em 2, 3 ou 4 meses) e etapa 2 (construção – em 6, 7 ou 8 meses). Qual o prazo esperado para
conclusão do projeto, a variância e o desvio padrão?
 
 
 

 
 
 
 
 
 
 
 
 
 
 
 

Conclusão do projeto P(x) X . P(x) (X – EX)2 . P(x)


(em meses) X
8 0,11 0,88 ( 8–10)2 . (0,11) = 0,44
9 0,22 1,98 ( 9–10)2 . (0,22) = 0,22
(10–10)2 .
10 0,33 3,30 (0,33) = 0
11 0,22 2,42 (11–10)2 .
(0,22) = 0,22
(12–10)2 .
12 0,11 1,32 (0,11) = 0,44
Total =1 EX = 10  = 1,32


Então, a Variância é: S  =  1,32                e o Desvio padrão é: S =  s 2      →      S =  1,32    →      1,15 meses

Podemos calcular também, sem montagem de tabela, da seguinte forma: 
S2 =   (x – EX)2.P(x)  →  (8‐10)2. (0,11)   +   (9‐10)2. (0,22)   +   (10‐10)2. (0,33)   +   (11‐10)2. (0,22)   +   (12‐10)2. (0,11)   =   1,32
S =  1,32    →      1,15 meses

Interpretação do desvio padrão:


O Desvio padrão indica que a maioria dos valores de dados difere do Valor esperado não mais que 1,15 meses, para mais ou 
para menos. Então, podemos afirmar que os valores esperados estão dentro dos limites de: 

8,85                                                 11,15

8 meses 9 meses 10 meses 11 meses 12 meses


E(X)

Uanderson Rebula de Oliveira Probabilidade


- 20 -

 
 
 
CAPÍTULO 3
 
 
 
DISTRIBUIÇÕES DE
  PROBABILIDADES
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
DISTRIBUIÇÃO UNIFORME 
  DISTRIBUIÇÃO NORMAL 
  DISTRIBUIÇÃO BINOMIAL 
  DISTRIBUIÇÃO DE POISSON 
DISTRIBUIÇÃO EXPONENCIAL 
 
 
 
 
 
 
 
 
 
 
 
 

Uanderson Rebula de Oliveira Probabilidade


- 21 -

DISTRIBUIÇÃO UNIFORME 
 
  É aquela na qual as variáveis aleatórias se espalham uniformemente sobre a faixa de valores possíveis, ou
seja, todos os valores ocorrem com a mesma probabilidade.
 Representa o análogo continuo dos resultados igualmente prováveis.  É usada nas situações em que não há razão para 
atribuir probabilidades diferentes a um conjunto possíveis de valores em um determinado intervalo. 
 A área sob o gráfico de uma distribuição uniforme é igual a 1. O gráfico resulta em uma forma retangular. 
 Há  uma  correspondência  entre  área  e  probabilidade.  Se  a  probabilidade  de  x  assumir  valores  num  subintervalo  é  a 
mesma para qualquer outro subintervalo de mesmo comprimento, então, esta variável tem distribuição uniforme.  
 A  distribuição  uniforme,  embora  apresentada  como  contínua,  pode  também  abranger  casos  discretos.  É  o  caso  do 
lançamento de um dado, como mostrado abaixo. 
 
A distribuição de probabilidade do lançamento de um dado, por exemplo, tem distribuição uniforme pois seus
resultados são igualmente prováveis:

Probabilidades no
P(x) lançar um dado  lançamento de um dado
“x”  P(x)    DISTRIBUIÇÃO
1 UNIFORME
1  / 6 
 
Probabilidade

1 1 1 1 1 1 1
2  / 6  /6 /6 /6 /6 /6 /6
1
1 /6
3  / 6 
1
4  / 6  Área = 1
1
 
 

5  / 6 
1
6  / 6 
  =1 ou 100%  1 2 3 4 5 6
Faces do dado

Probabilidade na distribuição uniforme


Para encontrar probabilidades na distribuição uniforme usamos a seguinte equação: 
 
    Gráfico da distribuição uniforme  EQUAÇÃO DA PROBABILIDADE UNIFORME ACUMULADA
 
Probabilidade 

a          b  P(x) = b– a P(x), se D ≤ x ≤ C


  D–C 0, caso contrário
  Em que: 
   
 
Área P(x) procurada  Área do intervalo definido  
 
a – menor valor  C – menor valor 
 
C                                             D  b – maior valor  D – maior valor 
 
Variável aleatória 
 
 
Exemplo 1. Com base em históricos, o tempo de vôo de Chicago - Nova York pode ter qualquer valor no intervalo de
120 a 140 minutos. Considerando que cada um dos intervalos de 1 minuto é igualmente provável, determine:
a) A P(x) do avião chegar entre 126 e 131 minutos b) A P(x) do avião chegar em 136 minutos ou mais.

Gráfico da distribuição do vôo  Gráfico da distribuição do vôo 
Probabilidade 

 136    140 
Probabilidade 

  126        131 

  120       125      130       135     140    120       125      130       135     140 

Tempo de vôo em minutos  Tempo de vôo em minutos 

P(x) = b – a → 131 – 126 = 0,25 P(x) = b – a → 140 – 136 = 0,20


D–C 140 – 120 D–C 140 – 120
 
Ex. O tempo esperado de vôo entre Chicago – Nova York é:  
O Valor esperado (média) da  Ex=D + C 
Ex = 140+120 =  130 minutos. 
distribuição uniforme é:       2 
                                                       2 

Uanderson Rebula de Oliveira Probabilidade


- 22 -

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 
Média      =  produzidas pela PHILIPS Curva NORMAL ou
Moda       =       1000 horas  Curva de GAUSS ou 
Mediana  =  Curva em forma de SINO 
120
100
100
Quantidade

80
60 70 70

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. 
  OSRAM 
  D istribuição da vida útil de 340 lâm padas  Menor variação 
  produzidas pela OSRAM 920 a 1080 horas 
  OSRAM 
  120
  100
100
  PHILIPS 
Quantidade

80 PHILIPS  Maior variação 
 
70 70 700 a 1300 
  60
 
40 40
  40
  20
10 10
  0
700 800 900 1000 1100 1 2 00 1 3 00
Horas

Uanderson Rebula de Oliveira Probabilidade


- 23 -

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 
  95,44%    s=100   da maioria dos valores, usando as distâncias de 1, 2 ou 3 
  Desvios  padrões  da  Média  para  estabelecer  alguns 
  120 68,26%   marcos.  A  regra  que  lhe  permite  fazer  isso  se  chama 
  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

80 (no exemplo,  240 lâmpadas (70+100+70). 
   
  60 70 70 Espera‐se que 95,44% dos valores encontram‐se dentro 
  de 2 desvios padrões da média;  
S=100   S=100  (no exemplo, 320 lâmpadas: 40+70+100+70+40) 
  40 40
40  

  20 Espera‐se que 99,74% dos valores encontram‐se dentro 
10 10 de 3 desvios padrões da média;  
 
0 (no exemplo, 340 lâmpadas: 10+40+70+100+70+40+10) 
   
  700 800 900 1000 1100 1200 1300
Estes  resultados  são  aproximações.  A  regra  empírica 
  Horas não pode ser aplicada às distribuições que não possuam 
uma forma de montanha em seu centro. 
  -3S -2S -1S x 1S 2S 3S
ENCONTRANDO PROBABILIDADES NA DISTRIBUIÇÃO NORMAL
 

Quando se tem uma variável 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 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.  

Uanderson Rebula de Oliveira Probabilidade


- 24 -

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, o que indica que 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. 

Uanderson Rebula de Oliveira Probabilidade


- 25 -

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. 
 
Exemplo 3. Continuando com os dados do exemplo 1, ache P(900 < z < 1050).  
 
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
 
Interpretação: Espera‐se que 53,28% das lâmpadas tenham vida útil entre 900 e 1050  horas. 
 
Exemplo 4. Continuando com os dados do exemplo 1, ache P(1050 < z < 1150).
 
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


 
Interpretação: Espera‐se que 24,17%  das lâmpadas tenham vida útil entre 1050 e 1150 horas. 

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

Uanderson Rebula de Oliveira Probabilidade


- 26 -

 
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= 0,0668
  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? (adaptado de Morettin, pág 143 e 144)

Probabilidade procurada  SUBTRAÇÃO DE PROBABILIDADES
P( Z < 800) 
P1 = (meia área)
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.  

Uanderson Rebula de Oliveira Probabilidade


- 27 -

DISTRIBUIÇÃO BINOMIAL  (JAKOB BERNOULLI 1654‐1705) 
É um experimento de probabilidades para os quais os resultados de cada tentativa podem ser
reduzidos a dois resultados: SUCESSO ou FRACASSO.
 Sucesso  corresponde  à  probabilidade  procurada  enquanto  que    Fracasso  à  probabilidade  não  procurada,  ou  seja,  o 
evento complementar. A palavra sucesso como usada aqui é arbitrária e não representa, necessariamente, algo bom. 
 A probabilidade Binomial é aplicada para Eventos independentes. 

Revisão de FATORIAL (O fatorial é usado na equação binomial, por isso a importância da revisão)
FATORIAL é um procedimento matemático utilizado para calcular o produto de uma multiplicação cujos
fatores são números naturais consecutivos, denotado por x!. Exemplos:

5! = 5.4.3.2.1 = 120 5! = 5.4.3! = 20 5! = 5.4.3! = 5 5! = 5.4.3! = 10


30! = 30.29.28 . ... .1 3! 3! 3! 4 3! 4 3! (5-3)! 3! (2)!
0! = 1
Para calcular 5! use a calculadora na tecla  x!  .    Procedimento: Introduza 5  x!   = 120 
Há várias formas de encontrar probabilidade Binomial. Uma forma é usar um Diagrama de Árvore e a regra de multiplicação. 
Outra forma é usar a equação de probabilidade Binomial, onde usamos Fatorial. Podemos também usar tabelas. 
 
EQUAÇÃO DA PROBABILIDADE BINOMIAL
P(x) = n! . S x . F n-x
x! (n - x)!
F = probabilidade de Fracasso
n tamanho da amostra (evento complementar)
x nº sucessos na amostra
S = probabilidade de Sucesso
Nota: p e q foram substituídos por S e F por fins didáticos. (evento procurado)
 
Exemplo 1. Usando um Diagrama de Árvore (evento independente) e a equação da probabilidade Binomial
Cirurgias de microfaturas no joelho têm 75% de chance de sucesso em pacientes com joelhos degenerativos. A
cirurgia é realizada em 3 pacientes. Encontre a probabilidade de a cirurgia ser um sucesso em 2 pacientes.

Pelo Diagrama de Árvore ou Pela equação Binomial

1ª 2ª 3ª Resultado Sucessos Probabilidade (ev. indepen)


0,75 S (S,S,S) 3 0,75 . 0,75 . 0,75 = 0,422 P(x) = n! . S x . F n - x
0,75
x! (n - x)!
0,75 S 0,25 F (S,S,F) 2 0,75 . 0,75 . 0,25 = 0,141 +
S n=3
0,25 S (S,F,S) 2 0,75 . 0,25 . 0,75 = 0,141 + x=2
F S = 0,75
(S,F,F) 1 0,75 . 0,25 . 0,25 = 0,047 F = 0,25 (evento complementar)
F
S (F,S,S) 2 0,25 . 0,75 . 0,75 = 0,141 + P(x)= 3! . 0,75 2 . 0,25 3 - 2
0,75
0,25 S F (F,S,F) 1 0,25 . 0,75 . 0,25 = 0,047
2! (3-2)!
F
0,25 S (F,F,S) 1 0,25 . 0,25 . 0,75 = 0,047 P(x)= 0,422
F
F (F,F,F) 0 0,25 . 0,25 . 0,25 = 0,016

Há três resultados que têm dois sucessos e cada um tem uma probabilidade de Usando a equação Binomial obtemos
0,141. Aplicando a Regra da Adição, a probabilidade de a cirurgia ser um sucesso o mesmo resultado pelo método do
com dois pacientes é 0,422. (0,141 + 0,141 + 0,141) Diagrama de árvore, de 0,422.

A probabilidade de sucesso em 1 paciente será: A probabilidade de não ter sucesso será:

P(x)= 3! . 0,75 1 . 0,25 3 – 1 ≈ 0,141 P(x)= 3! . 0,75 0 . 0,25 3 – 0 ≈ 0,016


1! (3-1)! 0! (3-0)!
Pelo Diagrama será (0,047+0,047+0,047)
Nota: x0 = 1

Uanderson Rebula de Oliveira Probabilidade


- 28 -

Exemplo 2. Um levantamento estatístico realizado pelo IBGE constatou que a taxa de desemprego na cidade de
Resende é da ordem de 13%. Ao tomarmos uma amostra de 30 pessoas, com reposição, qual a probabilidade de:
a) 5 estarem desempregados 13% desemprego(Sucesso) 87% emprego(Fracasso)
b) 28 estarem empregados Sucesso  é o que se deseja estudar;  
c) 27 estarem empregados 87% emprego(Sucesso) 13% desemprego(Fracasso) Fracasso é o que não se deseja estudar 

P(x) = n! . S x . F n-x
x! (n - x)!

a) 5 estarem desempregados b) 28 estarem empregados c) 27 estarem empregados

n = 30 n = 30 n = 30
x=5 x = 28 x = 27
S = 0,13 S = 0,87 S = 0,87
F = 0,87 F = 0,13 F = 0,13
P(x)= 30! . 0,13 5 . 0,87 30 - 5 P(x)= 30! . 0,87 28 . 0,13 30-28 P(x)= 30! . 0,87 27 . 0,13 30-27
5! (30-5)! 28! (30-28)! 27! (30-27)!

P(x)= 142506 . 0,000037 . 0,0307 P(x)= 435 . 0,0202 . 0,0169 P(x)= 4060 . 0,0232 . 0,0021

P(x) ≈ 0,1627 P(x) ≈ 0,1489 P(x) ≈ 0,1978

 Para calcular 0,135 use a tecla  Xy   ou  ^ .  Introduza 0,13 Xy   5 = 3,7‐05 que é o mesmo que 0,000037  


Exemplo 3. Uma caixa contém 50 bolas, sendo 40 brancas e 10 pretas. Ao tirar 5 bolas, qual probabilidade de saírem:
a) 2 bolas pretas b) 4 bolas brancas
n=5 n=5
x=2 x=4 P = 5! . 0,804 . 0,205 –4 ≈ 0,4096
10 P = 5! . 0,202 . 0,805–2 ≈ 0,2048 40
S = 0,20 ( /50) S = 0,80 ( /50) 4! (5-4)!
2! (5-2)!
F = 0,80 (40/50) F = 0,20 (10/50)

Exemplo 4. Uma moeda é lançada 5 vezes. Qual a probabilidade de obter “3 caras” nessas cinco provas? 
 
n = 5 (tamanho da amostra)
x = 3 (nº sucessos da amostra) P(x) = 5! __ . 0,503 . 0,505–3 ≈ 0,3125
S = 0,50 ( = ½ a p de obter cara) 3! (5-3)!
F = 0,50 (= ½ a p de obter coroa)
 
Exemplo 5. Um dado é lançado 6 vezes. Qual a probabilidade de que a “face 4” apareça 2 vezes?
 
n = 6 (tamanho da amostra)
x = 2 (nº sucessos da amostra) P(x) = 6! __ . 0,172 . 0,836–2 ≈ 0,2057
1
S = 0,17 ( = /6 a p de obter “4”) 2! (6-2)!
F = 0,83 (= 5/6 a p de não obter “4”)
 
Exemplo 6. Dois times de futebol, A e B, jogam entre si 6 vezes. Qual a probabilidade de o time A ganhar 4 jogos?
 
n = 6 (tamanho da amostra)
x = 4 (nº sucessos da amostra) P(x) = 6! __ . 0,334 . 0,666–4 ≈ 0,0774
S = 0,33 ( = 1/3 a p de ganhar)* 4! (6-4)!
F = 0,66 (= 2/3 a p de não ganhar)
* 1/3  o time A pode ganhar, empatar ou perder. Logo, a probabilidade para cada evento é de 1/3 
Exemplo 7. Em uma fábrica, 3 em cada 10 peças são defeituosas. Uma remessa a um determinado cliente possui 5
peças. Determine a probabilidade de que, nessa remessa:

2 estejam defeituosas 4 estejam perfeitas


n = 5 (tamanho da amostra) n = 5 (tamanho da amostra)
x = 2 (nº sucessos da amostra) x = 4 (nº sucessos da amostra)
3 7
S = 0,30 ( = /10 a p peça ser defeituosa) S = 0,70 ( = /10 a p peça ser perfeita)
7 3
F = 0,70 (= /10 a p peça ser perfeita) F = 0,30 (= /10 a p peça ser defeituosa)

P(x) = 5! __ . 0,302 . 0,705–2 ≈ 0,3087 P(x) = 5! __ . 0,704 . 0,305–4 ≈ 0,3602


2! (5-2)! 4! (5-4)!

Uanderson Rebula de Oliveira Probabilidade


- 29 -

DISTRIBUIÇÃO DE POISSON  (DENIS POISSON 1781‐1840)               (LÊ‐SE POASSÓN) 
  É um experimento de probabilidade que calcula o NÚMERO DE OCORRÊNCIAS de um evento em um
DADO INTERVALO de TEMPO, DISTÂNCIA, ÁREA, VOLUME ou unidade similar.
 O esquema abaixo ajuda a melhor interpretar o experimento de Poisson. 

nº de ocorrências
1 2 3 4... do evento
x x x x
← Intervalo de tempo, distância, área ou volume →

 Regras: É aplicada caso os eventos ocorram com uma MÉDIA conhecida e cada evento seja independente. 
 São exemplos: número de consultas a uma base de dados por minuto; número de falhas de um equipamento por hora; 
número de erros de tipografia em um formulário; número de defeitos em um m2  de piso cerâmico; número de buracos 
em um asfalto por km; número de acidentes por mês em uma rodovia etc. 
EQUAÇÃO DA PROBABILIDADE DE POISSON
P(x) = μ x *
e -μ
x!
μ = letra grega mi = Média Constante de Euler Venn 2,7182
nº de ocorrências procurada
Média do nº de ocorrências (baseada em histórico)

Exemplo 1. A Média do número de acidentes por mês na rodovia Barra Mansa-Angra é de 3 acidentes por mês.
Determine a probabilidade de que, em qualquer mês dado:
a) 4 acidentes ocorram na rodovia
b) 2 acidentes ocorram na rodovia
c) Nenhum acidente ocorra na rodovia
a) 4 acidentes ocorram na rodovia b) 2 acidentes ocorram na rodovia c) Nenhum acidente ocorra na rodovia

μ=3 μ=3 μ=3


e = 2,7182 e = 2,7182 e = 2,7182
x=4 x=2 x=0

34 .
2,7182 -3 = 0,168 P(x) = 3 2 .
2,7182 -3 = 0,224 P(x) = 3 0 .
P(x) = 2,7182 -3 = 0,0498
4! 2! 0!
 

 Para calcular e ‐ μ use a mesma tecla  Xy   ou  ^ .  Introduza 2,7182 Xy     ‐  3 = 0,0497 


 
Encontre e na calculadora
Exemplo 2. Supondo que a Média do número de pessoas que acessam um caixa eletrônico de um banco durante
uma hora é 5. Determine a probabilidade de, no mesmo período, ocorrerem:
a) Menos de 2 acessos ao caixa eletrônico P(x) = μ x .
e -μ
x!

a) Menos de 2 acessos ao caixa eletrônico (ou seja nenhum acesso ou um acesso: P0 + P1 )


Neste caso, calcularemos a probabilidade de P0 e P1. Depois somamos as probabilidades. (Adição de Probabilidades)
Nenhum acesso ao caixa 1 acesso ao caixa eletrônico Adição de Probabilidades
μ=5 μ=5
e = 2,7182 e = 2,7182
P(x < 2) = P0 + P1
x=0 x=1
P0 = 5 0 .
2,7182 -5 = 0,0067 51 .
P1 = 2,7182 -5 = 0,0337 P = 0,0067 + 0,0337 = 0,0404
0! 1!

Uanderson Rebula de Oliveira Probabilidade


- 30 -

DISTRIBUIÇÃO EXPONENCIAL 
 

  É um experimento de probabilidade que calcula o INTERVALO até a PRÓXIMA OCORRÊNCIA EM UM


PROCESSO DE POISSON em um intervalo de tempo, distância, área, volume ou unidade similar.
 Existe uma relação entre o modelo de Poisson e o Exponencial. A distribuição de Poisson é usada para calcular o número 
de ocorrências em um período; a distribuição Exponencial calcula o intervalo ate a próxima ocorrência. Veja abaixo: 
 

1 2 3 4. nº de ocorrências do evento (Poisson)


x x x x
Intervalo até a próxima ocorrência (Exponencial)
← Intervalo de tempo e distância →
  
Exemplo Poisson  Exemplo Exponencial 
 número de acidentes em uma rodovia por mês;   tempo até ocorrer o próximo acidente na rodovia; 
 número de acessos a um caixa eletrônico/hora;   tempo até ocorrer próximo acesso ao caixa eletrônico; 
 número de defeitos em uma rodovia por Km.   comprimento até o próximo defeito na rodovia. 
 
 É aplicada caso os eventos ocorram com uma MÉDIA conhecida e cada evento seja independente.  
 Como  a  exponencial  é  utilizada  na  modelagem  de  tempos  decorridos  entre  dois  eventos,  tem  ampla  aplicação  em 
estudos de confiabilidade na modelagem do tempo até a falha de um equipamento e tempo de vida de materiais. 
 
 
EQUAÇÃO DA DISTRIBUIÇÃO EXPONENCIAL
Para P > x (obter valor superior) Para P ≤ x (Obter valor igual ou inferior)

Equação 1 1  Equação 2 1 
  * x    * x 
 
P =  e   P =  1  e  

e = constante de Euller 2,7182 μ = média do intervalo x = variável procurada


 
1
Adaptamos a equação de Poisson. O valor  /µ  da equação exponencial corresponde a média do intervalo entre as ocorrências. Por 
1
exemplo, se a média de acidentes em uma rodovia é igual a 3 por mês, então o tempo médio entre os acidentes é  /3 = 0,33 mês 
(ou 10 dias (0,33 x 30 dias). Da mesma maneira, se a média de atendimentos no caixa de uma loja é de 6 clientes/min, então o 
1
tempo médio entre atendimentos é  /6  = 0,166 min. (ou 10 segundos (0,1666 x 60seg). 

Exemplo 1. O tempo médio que as pessoas acessam um caixa eletrônico de um banco é de 25 minutos. Determine
a probabilidade de que o próximo acesso a este caixa : Dados: e = 2,7182

a) Seja superior a 40 minutos b) Seja superior a 90 minutos c) Seja inferior a 10 minutos


P >40min, use a equação 1 P > 90min, use a equação 1 P <10min, use a equação2
μ = 25 μ = 25 μ = 25
x = 40 x = 90 x = 10

 1   1   1 
  * 40    * 90    * 10 
P =  e  25   = 0,2019 P =  e  25   = 0,0273 P =  1  e  25   = 0,3296

P(x) = 0,2019 
Probabilidade 

(próximo acesso ao caixa 
A  área  sob  o  gráfico  da  distribuição 
superior a 40 minutos) 
exponencial é igual a 1 e resulta em uma forma 
assimétrica  à  direita  (positiva),  se  estendendo 
de zero até ∞ (infinito).  

x
0 15 30 45 60 75 90

Tempo em minutos 

Uanderson Rebula de Oliveira Probabilidade


- 31 -

INTERVALO DE CONFIANÇA

Uanderson Rebula de Oliveira Probabilidade


- 32 -

Intervalos de Confiança
 
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.
 

Intervalos de Confiança para média


 

O intervalo de confiança baseia‐se na hipótese de que a distribuição 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
 
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 
0,95
probabilidade de 0,4750 ( /2). Então, identificamos o escore z, que é de 1,96. 
 
  TABELA DE DISTRIBUIÇÃO NORMAL PADRÃO
   
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. 

Uanderson Rebula de Oliveira Probabilidade


- 33 -

Exemplos de cálculos de Intervalos de Confiança – IC para média


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 
x  ̄= 28  s   =   9   =   28  2,79                         ‐ 2,79                               +2,79 
IC  x  z 28  1,96
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. 
 
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. 
 
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%. 
 
 

Uanderson Rebula de Oliveira Probabilidade


- 34 -

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.

Uanderson Rebula de Oliveira Probabilidade


- 35 -

SITES PARA CONSULTA


www.brasilescola.com
Instituto de pesquisa econômica aplicada - http://www.ipea.gov.br
Instituto brasileiro de geografia e estatística - http://www.ibge.gov.br
Associação Brasileira de Estatística - http://www.ime.usp.br/~abe/
www.ibope.com.br

ANEXO I - 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

Uanderson Rebula de Oliveira Probabilidade


- 36 -

ANEXO II - 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 
 
 

Uanderson Rebula de Oliveira Probabilidade


- 37 -

Anexo III - 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  e  AUSTE NÃO LINEAR 

Uanderson Rebula de Oliveira Probabilidade


LIVROS PUBLICADOS POR
Uanderson Rébula de Oliveira
QUERO Esses ebooks estão disponíveis na livraria Saraiva por
COMPRAR preços bem acessíveis.

OS LIVROS Além disso, você pode imprimir, desenhar,


esquematizar ou usar qualquer leitor pdf,
pois a maioria deles encontra-se
desbloqueado.

Prof. Uanderson Rébula. Doutorando em


Ver amostras Engenharia. Professor universitário. Vivência
de 21 anos em ambiente industrial.
dos livros
uanderson.rebula@yahoo.com.br
http://lattes.cnpq.br/1039175956271626
https://br.linkedin.com/in/uandersonrebula