Livro Estatística Probabilidades EAD

Estatstica e
Probabilidades
Brulio Roberto Gonalves Marinho Couto
Janana Giovani Noronha de Oliveira
Octvio Alcntara Torres
Reinaldo Carvalho de Morais

Janana Giovani Noronha de Oliveira
Octvio Alcntara Torres
Reinaldo Carvalho de Morais
ESTATSTICA E PROBABILIDADES
Belo Horizonte
Junho de 2015
COPYRIGHT 2015
GRUPO NIMA EDUCAO
Todos os direitos reservados ao:
Grupo nima Educao
Todos os direitos reservados e protegidos pela Lei 9.610/98. Nenhuma parte deste livro, sem prvia autorizao
por escrito da detentora dos direitos, poder ser reproduzida ou transmitida, sejam quais forem os meios
empregados: eletrnicos, mecnicos, fotogrficos, gravaes ou quaisquer outros.
Edio
Grupo nima Educao
Vice Presidncia
Arthur Sperandeo de Macedo
Coordenao de Produo
Gislene Garcia Nora de Oliveira
Ilustrao e Capa
Alexandre de Souza Paz Monsserrate
Leonardo Antonio Aguiar
Equipe EaD
CONHEA
CONHEA
Janana
doutor em Bioinformtica, mestre em Cincia
mestre em Estatstica e graduada
da Computao, especialista em Estatstica,
em Licenciatura em Matemtica com
bacharel em Engenharia Qumica e tcnico
Habilitao em Fsica. Possui experincia
em Qumica. Atuante nas reas de Estatstica,
como docente na rea de Matemtica
Clculo Numrico, Informtica em Sade,
Epidemiologia Hospitalar e Bioinformtica.
mdio. Experincia com orientao de
Professor do Centro Universitrio de Belo
Monografias.
O AUTOR
Horizonte (UniBH).
A AUTORA
Giovani
Estatstica
do
Noronha
Ensino
de
Oliveira
superior
CONHEA
CONHEA
Octvio Alcntara Torres bacharel em
Reinaldo Carvalho de Morais mestre
Estatstica e mestre em Demografia. Possui
e bacharel em Administrao Pblica,
experincia nas reas de probabilidade e
graduado em Estatstica e especialista
estatstica, regresso e correlao, anlise
em Gesto Financeira. Possui experincia
estatstica multivariada e controle estatstico
em pesquisas sobre economia e finanas
de processo. reas de interesse: projees
pblicas mineiras, bem como docncia nas
populacionais, projees de mo de obra
disciplinas de estatstica, de economia,
qualificada, pesquisa de mercado, estatstica
de engenharia econmica, de matemtica
aplicada.
financeira e de administrao da produo.
O AUTOR
O AUTOR
APRESENTAO
DA DISCIPLINA
Egressos de cursos de Engenharia e
A ideia usar ferramentas como o Excel
Tecnologia so profissionais que resolvem
para construir tabelas e grficos, como
problemas. E como isso ocorre? Pela
histograma, diagrama de disperso, Pareto
aplicao eficiente do mtodo cientfico.
e calcular valores como mdia, mediana,
Pois bem, disso que se trata essa
desvio padro, e coeficiente de variao.
disciplina:
ferramentas
Na Unidade 3 so introduzidos conceitos
estatsticas que possibilitaro a voc
bsicos de probabilidades, cruciais para
transformar-se
em
que se entenda o processo de tomada
qualquer rea do conhecimento e, portanto,
de deciso na presena de incerteza. A
apto a resolver problemas. A disciplina
Unidade 4 uma continuao da terceira
dividida em oito unidades cujo objetivo
unidade, so apresentados os modelos
introduzir o aluno na rea da Estatstica
probabilsticos mais importantes para se
e Probabilidades, tornando-o capaz de
modelar problemas de pequeno e mdio
planejar e de executar experimentos de
porte na rea de Engenharia e Tecnologia.
apresentar
num
especialista
pequeno e mdio porte nas reas de

Cincias Exatas e de Engenharia. Alm de
A partir da Unidade 5 caminhamos para
fazer a anlise exploratria dos dados e de
a rea nobre da Estatstica, que envolve
realizar inferncias, por meio da tomada de
as inferncias, isto , o processo de
deciso na presena de incerteza.
generalizao
de
resultados
parciais,
observados em amostras, para toda a

definies
populao envolvida num problema. Nessa
fundamentais para a correta compreenso
unidade discutida a forma de obter os
do processo de coleta e de anlise de dados.
intervalos de confiana, tanto para mdia
Conceitos sobre populao e amostra,
quanto para proporo. Na Unidade 5
censo e amostragem, e variveis so
discute-se, por exemplo, como o resultado
discutidos nessa unidade. A Unidade 2 trata
de uma pesquisa eleitoral calculado e o
da anlise exploratria de dados, quando
significado do intervalo definido pela soma
so apresentadas tcnicas de Estatstica
e subtrao de uma margem de erro.
Unidade
Descritiva.
apresenta
objeto
dessa
unidade,
bastante intuitiva, trabalhar a sntese
A Unidade 6 voltada para o planejamento
numrica, grfica e tabular dos dados.
de experimentos, quando apresentado,
por exemplo, como calcular o tamanho

de uma amostra. Em alguns livros este
item colocado na primeira unidade, o
que tem certa lgica por tratar da coleta
de dados, primeira etapa de qualquer
anlise estatstica. Entretanto, como so
necessrios conceitos probabilsticos e de
inferncia para entender o planejamento
de experimentos, optamos por colocar
essa unidade logo aps a discusso sobre
intervalos de confiana.
As Unidades 7 e 8 fecham a disciplina,
apresentado as ferramentas mais teis
para que voc finalmente se transforme
num especialista em uma rea qualquer e,
portanto, realmente apto a resolver seus
problemas. Na Unidade 7 so discutidos
os mtodos para fazer e interpretar testes
de hipteses, num contexto uni variado
e, na Unidade 8, discute-se mtodos de
correlao e regresso, introduzindo a
anlise multivariada.
Ao longo das oito unidades, procuraremos
apresentar
uma
abordagem
baseada
em PPL Aprendizagem Baseada em

Problemas,
alm
de
usarmos
como
ferramentas computacionais o Microsoft

Excel e o software de domnio pblico,
EpiInfo.
Bom trabalho!
Brulio, Janana, Octvio e Reinaldo.
UNIDADE 1
Introduo Estatstica
Conceitos bsicos
O papel das variveis numa base de dados: identificao,
auxiliares, variveis explicativas e varivel reposta (desfecho)
Tipos de varives
Uso do excel como um sistema de gerenciamento de dados
e dos formulrios do google docs para coleta de informaes
Reviso
003
004
006
UNIDADE 2
Anlise exploratria de dados
Sntese grfica de dados
Sntese tabulador de dados
Sntese numrica de dados
Reviso
019
020
021
038
038
048
UNIDADE 3
Introduo teoria de probabilidades
Probabilidade clssica e probabilidade frequentista
Leis bsicas de probabilidade
Unio e interseo de eventos
Tabelas de contigncia
Eventos independentes
Teorema de Bayes
Reviso
049
050
053
053
054
056
057
058
061
UNIDADE 4
Modelos probabilsticos
Varieaveis aleatrias
Modelos probabilsticos
Distribuio binomial
Distribuio Poisson
Distribuio normal
Reviso
063
064
065
071
071
072
072
076
010
013
015
017
UNIDADE 5
Estimao de mdias e propores
Teorema central do limite
Estimao pontual e por intervalos de confiana para uma
mdia populacional
Estimao pontual e por intervalos de confiana para uma
proporo populacional
Uso do excel no clculo de intervalos de confiana para
mdia e proporo
Introduo ao programa Epiinfo
Reviso
077
078
079
UNIDADE 6
Planejamento de experimentos
Clculo de tamanho de amostra baseado em intervalos
de confiana para uma proporo
Clculo de tamanho de amostra baseado em intervalos
de confiana para uma mdia
Planejamento de experimentos
Reviso
098
099
UNIDADE 7
Testes de hipteses
A construo e o significado de uma hiptese estatstica
Testes para uma amostra
Testes para duas ou mais amostras
Reviso
115
116
117
118
133
137
UNIDADE 8
Anlise de correlao e regresso
Anlise de correlao
Regresso linear simples
Regresso linear mltipla
Reviso
139
140
141
149
157
160
082
089
091
094
095
100
103
106
113
REFERNCIAS117
INTRODUO
ESTATSTICA
odemos entender o mtodo estatstico como um processo para obter, apresentar e

analisar caractersticas ou valores numricos, identificando padres que possibilitam
a tomada de deciso em situaes de incerteza. Pode acreditar, se voc aplicar o
mtodo estatstico para a anlise e soluo de problemas, muito rapidamente se tornar um

especialista de qualquer rea do conhecimento! Num mundo real, completamente cercado
de incertezas, ser capaz de identificar padres de comportamento de pessoas, projetos,
produtos, servios, etc pode transform-lo num mago.
Entretanto, antes de voc transformar-se num mago, necessrio um entendimento

adequado do mtodo estatstico, que tem suas armadilhas. Costumo dizer que Estatstica no
Matemtica... muito mais difcil. Na verdade, Estatstica uma das reas da Matemtica
que, por sinal, a Cincia cuja aplicao no mundo real possibilitou ter uma vida incrivelmente
confortvel. Bom, quando afirmo que Estatstica no Matemtica, quero dizer que, na
Matemtica que voc aprendeu no Ensino Fundamental e Mdio, os problemas tm usualmente
uma nica forma de serem resolvidos e devem todos chegar ao mesmo resultado (uma nica
resposta correta). Na Estatstica, os problemas tm vrias formas de serem resolvidos, podem
chegar a resultados diferentes e todos esto corretos! Isso ocorre porque a Estatstica requer
a habilidade de considerarmos as coisas dentro de uma perspectiva probabilstica, o que vai
completamente contra a conceituao usual dos problemas em simplesmente certo ou errado.
No buscaremos a verdade absoluta, mas padres de comportamento que nos possibilitaro
tomar decises com alto grau de confiana.
004
unidade 1
Para melhor entendermos o que ser discutido, o mtodo estatstico ser dividido em quatro
grandes reas:
1) amostragem e coleta de dados;
2) anlise exploratria de dados (estatstica descritiva);
3) teoria de probabilidades;
4) deciso na presena de incerteza (inferncia).
A ideia por trs dessa unidade levar at voc o conhecimento fundamental que lhe permitir
entender a coleta de dados. Estudaremos conceitos fundamentais de Estatstica, questes
simples, mas essenciais para que tenhamos sucesso nas outras etapas do mtodo estatstico,
que sero discutidas nas prximas unidades. Estes so os objetivos da Unidade 1:
a) apresentar conceitos bsicos de Estatstica e Probabilidades;
b) identificar as funes e os principais tipos de dados e de variveis;
c) identificar e corrigir problemas de dados faltantes (missing);
d) configurar o Excel como instrumento de coleta de dados;
e) entender o sistema de endereamento de clulas do Excel.
f) construir formulrios de coleta de dados no Google Docs;
g) enviar formulrios de coleta de dados por meio de mala direta.
crucial que voc entenda os conceitos que sero discutidos nessa unidade. Sem o
entendimento do que seja, por exemplo, uma varivel, o seu tipo e a sua funo na base de
dados, no h como voc ser feliz nas outras etapas do processo!
005
unidade 1
CONCEITOS
Entretanto, a cozinheira sabe que para fazer
BSICOS
inferncias vlidas, deve tomar cuidado

para no trabalhar com amostras viciadas.
Voc sabe o que populao? E
E o que seria isso?
amostra? Vejamos o exemplo a seguir.

Se ela retirar uma amostra somente da
Vamos supor que uma cozinheira esteja
parte de cima da sopa, muito provavelmente
preparando dois litros de sopa.
ter uma amostra viciada, isto , sem

representantes de todos os componentes
da sopa como um todo que, neste caso, a
Como ela sabe se a sopa est temperada?
populao amostrada.
Os dois litros de sopa formam a populao
e, se a cozinheira comer/provar toda a sopa,
como
ela
retira
uma
amostra
estar fazendo um censo, o que geraria um
representativa da sua populao (sopa)?
absurdo do tipo , a sopa estava tima!.
Como a cozinheira procede para obter uma

amostra com representantes de cada
A cozinheira sabe que em experimentos
estrato da sopa?
baseados em ensaios destrutivos, quando

a prpria anlise destri o dado coletado, o
Simples, ela mistura a sopa fazendo uma
censo um absurdo. Na verdade, ela sabe
homogeneizao e sorteia uma poro/
que censos, de modo geral, so inviveis,
pitada que ser usada no seu processo
muito caros e/ou muito demorados. Mais
decisrio.
ainda, ela sabe que se usar uma pequena
aleatria, a cozinheira sabe que ter
amostra cuidadosamente retirada, chamada
grande chance de trabalhar com amostras
amostra
representativas.
representativa,
poder
tomar
Fazendo
uma
amostragem
decises sobre toda a populao envolvida

no problema com um alto grau de confiana.
Podemos agora resumir esses conceitos.
A cozinheira ento retira uma pequena
Populao:
amostra, uma pitada da comida, prova-a

e generaliza o resultado para toda a sopa.
a) consiste na totalidade das unidades de

observao a partir dos quais ou sobre
Isso chamado de inferncia: tomar
os quais deseja tomar uma deciso;
decises sobre toda uma populao com

base em informaes parciais de uma
b) conjunto de elementos que formam o

universo do nosso estudo e que so
amostra (veja a FIGURA 1).
006
unidade 1
b) gases, lquidos e alguns slidos em
passveis de serem observados;

c) conjunto de indivduos sobre os quais
recairo todas as generalizaes das
que as suas unidades no podem ser

identificadas e contadas.
concluses obtidas no estudo;

d) usualmente, as unidades de observaes
so pessoas, objetos ou eventos;
Amostra:
conjunto
de
unidades
selecionadas de uma populao, ou seja,

uma parte dos elementos da populao.
e) o universo a ser amostrado;

f) do ponto de vista matemtico, a populao
definida
como
um
conjunto
de
elementos que possuem pelo menos uma

caracterstica em comum (SILVA, 2001).
em miniatura da populao, exatamente

como ela , somente menor. A amostra
representativa segue o modelo populacional,
tal que suas caractersticas importantes
Populao finita: o nmero de unidades de

observao pode ser contado e limitado.
Exemplos:
a) alunos
Amostra representativa: uma verso
so distribudas similarmente entre ambos

os grupos.
Unidade amostral: a menor parte distinta
matriculados
na
disciplina
de uma populao, identificvel para fins de

seleo e construo da amostra.
Estatstica e Probabilidades;
b) todas as declaraes de renda recebidas
pela Receita Federal;
Amostra aleatria: aquela obtida por meio

de um processo de sorteio ou aleatorizao.
c) todas as pessoas que compram telefone

Amostra viciada: aquela que representa
celular num determinado ano;
apenas parte da populao, no possuindo
d) um lote com N produtos.

Populao
infinita:
elementos
quantidade
de
unidades de observao ilimitada, ou

a sua composio tal que as unidades
da populao no podem ser contadas.
Exemplos:
todos
os
estratos
ou
subconjuntos que formam a populao

como um todo.
Censo: exame de todas as unidades de
observao de uma populao. Como
discutido no exemplo da cozinheira, se
a) conjunto de medidas de determinado

comprimento;
de
a pesquisa envolve ensaio destrutivo, o

censo invivel. Na verdade, somente se a
007
unidade 1
populao alvo for pequena razovel observ-la por inteiro, atravs do censo, pois mesmo
quando viveis, censos so caros e demorados. Outros exemplos de ensaios destrutivos, nos
quais impossvel aplicar censo: pesquisa sobre a fora de trao de um lote de barras de
ao para construo; pesquisa sobre contaminao de soro fisiolgico em um lote; testes de
resistncia e durabilidade de um lote de concreto; tempo de pega de um lote de cimento.
Amostragem: processo pelo qual uma amostra de unidades da populao retirada e
observada. a parte mais importante do processo de pesquisa. O principal e fundamental
objetivo de qualquer plano de amostragem selecionar a amostra, de tal maneira que ela
retrate fielmente a populao pesquisada.
FIGURA 1 - Populao alvo, populao amostrada e amostra
Populao alvo do estudo
Inferncia
Populao
amostrada
Amostra
Fonte: Elaborado pelo autor.
Inferir significa generalizar resultados de uma amostra para toda a populao.

Por que usar amostras? Por que no incluir no estudo todos os indivduos da populao?
A amostragem deve ser usada porque torna o processo eficiente e preciso. E ela
eficiente, uma vez que o recurso que poderia ser despendido na coleta de dados
desnecessrios de um grande nmero de indivduos pode ser gasto em outra atividade,
como na monitorao da qualidade da prpria coleta dos dados. As amostras, por serem
menores que a populao, podem ser estudadas mais rapidamente que censos e so
tambm mais baratas. Alm disso, se o processo de amostragem gerar uma amostra
representativa da populao alvo do estudo, os resultados observados podero ser
generalizados, sem risco de chegar a uma concluso diferente daquela que seria obtida
se trabalhar com toda a populao.
008
unidade 1
Vejamos
agora
alguns
selecionadas aleatoriamente no
aspectos
territrio brasileiro?
relevantes para o campo da amostragem.

So eles:
Questes da amostragem: Qual
o tamanho da amostra? Como
a amostra ser obtida? Como
garantir que a amostra obtida
seja representante da populao
objeto do estudo? A questo mais
importante no o seu tamanho,
No entanto, essa no uma questo

muito
importante
para
obtermos
tamanho da amostra adequada para

uma pesquisa, visto que necessrio
estudarmos
alguns
conceitos
probabilsticos, que sero apresentadas

somente nas prximas unidades.
mas como a amostra ser obtida,

pois a amostragem mal feita
IMPORTANTE
invalida qualquer pesquisa.

Tamanho da amostra (n): est
relacionado ao total de unidades
A maioria das pessoas, quando questionadas
amostradas, usadas no processo
sobre qual o tamanho da amostra necessria
de
que
para uma pesquisa, tem o raciocnio equivocado
voc esteja curioso em relao
de que o tamanho da amostra (n) tem relao
ao tamanho da amostra, mas,
direta com o tamanho da populao amostrada
como
(N).
inferncia.
citado
Imagino
anteriormente,
Inevitavelmente, a maioria das pessoas
esta no de longe a questo
afirma erroneamente que uma boa amostra deve
mais importante. Por exemplo,
conter pelo menos, digamos, 30% da populao.
mais
O que a cozinheira diria disto? Para provar dois
pesquisa
litros de sopa, quanto de amostra ela teria que
sobre a aceitao (ou no) do
avaliar? Isso mesmo, uma pitada. E para provar
aborto por parte da populao
400 litros de sopa, ela beberia um prato inteiro?
brasileira: resultados de pesquisa
No. Ela provar a mesma pitada, pois sabe que, o
realizada no domingo noite por
mais importante nesse processo inferencial no
uma emissora de TV, envolvendo
o tamanho da amostra, mas provar uma amostra
milhes de pessoas que, aps
no viciada, representativa de toda a sopa.
que
voc
credibilidade
que
numa
teria
assistirem a uma reportagem

sobre o assunto, responderam
Voltando aos processos de amostragem,
pesquisa; ou resultados de
as amostras podem ser classificadas em
uma amostra de 2.500 pessoas
probabilsticas e no probabilsticas:
009
unidade 1
Amostra probabilstica:
que fossem analisados tal percentual de
- existe uma garantia, em termos de
indivduos da populao, no o tamanho
probabilidade, de que qualquer membro
que
garante
representatividade
da
da populao possa ser selecionado para
amostra, mas a forma com ela obtida.
amostra.
a imparcialidade do processo de seleo

dos seus elementos e a homogeneidade
Amostra no probabilstica:
da distribuio das caractersticas da
- os elementos da amostra no so
amostra e da populao que garantem a

representatividade da amostra.
escolhidos por meio de um sorteio.

CARVALHO e COUTO (2003) apresentam
as principais caractersticas de tipos de
amostragem mais comuns, relacionados
principalmente com pesquisas de survey.
Outras amostras, por exemplo, amostragem
de minrio, de solo, de gases e de lquidos
tm procedimentos prprios que buscam,
em ltima instncia, obter amostras que
sejam representativas de cada populao
envolvida. Em suma, qualquer que seja o
O PAPEL DAS VARIVEIS

NUMA BASE DE DADOS:
IDENTIFICAO,
AUXILIARES,
VARIVEIS
EXPLICATIVAS E
VARIVEL REPOSTA
(DESFECHO)
esquema de amostragem, probabilstico ou
O primeiro passo de qualquer processo
no, deve-se sempre garantir que a amostra
estatstico a coleta de dados. Portanto,
reflita as caractersticas da populao da
tudo o mais ser alicerado sobre o que
qual foi retirada.
for coletado. Sendo assim, essa fase deve

ser cuidadosamente planejada, j que da
qualidade dos dados coletados depender
LEMBRE
toda a anlise e a tomada de deciso

subsequente.
Conforme discutido anteriormente, algumas

pessoas acreditam que uma amostra
representativa necessria coletar dados
de um percentual mnimo da populao,
digamos, 30% do total de indivduos. Isso
absolutamente falso e, o que pior, mesmo
Antes da coleta de um dado, importante

entender o conceito de varivel que est
por trs da informao que voc procura.
A varivel contm a informao que voc
quer analisar, sob a forma de uma medio
sobre determinadas caractersticas dos
010
unidade 1
indivduos estudados e das unidades de
O grau de variabilidade de uma varivel
observao.
chave no mtodo estatstico e ser foco

de discusses nas prximas unidades.
E, por que esse conceito to importante?
Entretanto, neste momento, crucial que
Porque, no fim das contas, a varivel
voc entenda dois aspectos bsicos de
que analisada e no a informao que
qualquer varivel: o seu tipo e a sua funo,
ela contm. Por isso, importante que
o papel que ela exerce na base de dados.
voc, antes de sair coletando informaes,

analise o seu questionrio de coleta de
ATENO
dados, identifique cada varivel envolvida

e responda perguntas, tais como: O que
exatamente a varivel est medindo? Para
que serve esta varivel e, principalmente,
possvel analis-la? E com que mtodo
estatstico?
Toda anlise que ser feita na base de dados

depender do seu entendimento sobre o tipo e a
funo de cada varivel coletada!
Vejamos os tipos de funes de cada
CONCEITO
Uma
varivel
quantificao
de
varivel:
uma
caracterstica de interesse da pesquisa (SOARES

e SIQUEIRA, 2002). Refere-se ao fenmeno a ser
pesquisado. o campo de variao de cada tipo
de dado a ser pesquisado. Observe que, como o
prprio nome diz, uma varivel deve variar, ou seja,
se voc est coletando dados sobre caractersticas
de alunos da disciplina Clculo Diferencial,
podemos pensar em inmeras variveis para a
unidade de observao aluno: idade, sexo, curso,
local do ensino mdio, tempo entre final do ensino
mdio e incio da graduao, nota final, percentual
de presena s aulas etc. Entretanto, o tipo de
disciplina no uma varivel nesse caso, pois ela
constante (Clculo Diferencial).
011
unidade 1
QUADRO 1 - O papel de uma varivel numa base de dados.

TIPOS
CARACTERSTICAS
Variveis de
identificao e auxiliares
Servem para o rastreamento dos indivduos e das unidades

amostrais, ou so usadas na definio de outras variveis. Exemplos
de variveis de identificao: CPF, nome, nmero de matrcula,
nmero da amostra etc.
Exemplos de variveis auxiliares: datas, peso e altura.
Variveis de identificao e auxiliares no so analisadas, mas
fazem parte da base de dados.
Variveis explicativas
So aquelas que, por hiptese, podem influenciar, determinar ou

afetar a varivel resposta ou desfecho da pesquisa. So chamadas
tambm de co-variveis ou variveis independentes.
Para cada estudo existem variveis explicativas prprias, definidas
por hipteses da prpria pesquisa ou conforme reviso da literatura.
Em processos qumicos, quando se busca entender os fatores que
afetam o rendimento de uma reao qumica, so exemplos de
variveis explicativas a temperatura, a presso, o tipo de catalisador
e a concentrao de reagentes. Se algum pesquisar sobre as
razes de algumas pessoas serem maiores que outras, as alturas
do pai e da me, a origem tnica, a idade e o sexo so exemplos de
variveis explicativas.
Varivel desfecho
aquela que queremos explicar, em funo de ser influenciada,

afetada por outros fatores (variveis explicativas). Tambm
denominada de varivel dependente ou varivel resposta. Sempre
defina um ou mais desfechos para o estudo, conforme os objetivos
da sua pesquisa. Por exemplo, numa pesquisa cujo objetivo
explicar porque imveis de uma mesma regio tm preos to
variados, o preo de venda seria uma varivel resposta. Fatores
como rea, nmero de quatros, nmero e tipo de vaga de garagem,
quantidade de sutes, presena de salo de festas ou piscina so
algumas das possveis variveis explicativas para esse problema.
A funo de cada varivel na base de dados, assim como o seu tipo, definir que tipo de anlise
ser feita. No subestime esses conceitos pois, sem eles, no h como entender os mtodos
de anlise estatstica que sero estuados nas prximas unidades.
012
unidade 1
TIPOS DE
um aluno numa disciplina (aprovado,
VARIVEIS
reprovado) etc.
Se considerarmos a maioria absoluta das
A anlise de uma varivel categrica
variveis envolvidas em experimentos
de pequeno e mdio porte nas reas de
se
Cincias Exatas e Engenharia, teremos
resultados
duas situaes para o tipo da varivel.
categoria da varivel e calcula-se o
muito
restrita
quantas
simples:
unidades
conta-
amostrais
observados
em
ou
cada
percentual de ocorrncia de cada classe

I) Varivel qualitativa ou categrica:
ou categoria.
aquela que expressa caractersticas ou

atributos de classificao, distribudos
categorias
II) V
arivel quantitativa: aquela obtida
mutuamente
por meio de um processo de medio
exclusivas de objetos ou entidades.
ou contagem. Por exemplo: peso,
Categorias mutuamente exclusivas ou
altura,
mutuamente excludentes no podem
de
ser
insumos,
em
observadas
simultaneamente
dosagem
produtos
concentraes
qumicos
temperatura,
outros
presso,
num mesmo indivduo. Por exemplo,
altitude, umidade, largura, dimetro,
grupo sanguneo (A, B, AB, O) uma
comprimento,
varivel
quantidade de chuva (mm), nmero
categrica
mutuamente
falhas,
voltagem,
nmero
de
corrente,
exclusiva: um indivduo tem somente
de
ligaes
um grupo sanguneo, no podendo
telefnicas, nmero de mensagens
ser classificado em mais de uma
eletrnicas, nmero de faltas de um
categoria ao mesmo tempo. Variveis
aluno numa disciplina, nota final na
qualitativas tm um nvel baixo de
disciplina, rea, preo, etc.
informao, sendo obtidas por um

critrio de classificao. Por exemplo,
A varivel quantitativa possui o mais
sexo (masculino, feminino), estado civil
alto nvel de informao, sendo objeto de
(com companheiro, sem companheiro),
inmeras tcnicas de anlise. Para cada
cor de um produto (branco, verde,
varivel quantitativa podemos calcular
amarelo, azul), tipo de transmisso
seu valor mdio, mediano, modal, mnimo,
de um carro (manual, automtica),
mximo, seu desvio padro, coeficiente
conformidade de qualidade de um
de variao, intervalos especficos de
produto
variao e outras tcnicas analticas que
(aceito,
no
aceito),
dia
chuvoso (sim, no), resultado final de
sero descritas na prxima unidade.
013
unidade 1
As variveis quantitativas so chamadas
classificao.
As
notas
obtidas
por
essa
um aluno numa prova so tratadas
confuso,
como quantitativas, mesmo que no
pois o simples fato de alocar nmeros
sejam obtidas por meio de um aparelho
aos resultados de uma varivel no a
ou dosador.
torna quantitativa. Por exemplo, se os
uma prova tratada como varivel
grupos sanguneos fossem classificados
quantitativa porque considera-se vlido
em 1, 2, 3 e 4 (ao invs de A, B, AB e
aplicar
O), tal codificao no a tornaria uma
seus resultados. Entretanto, ser que
varivel quantitativa. Na verdade, para
um aluno que obtm 80 pontos numa
que
quantitativa,
disciplina sabe o dobro que um aluno que
deve ser possvel aplicarmos operaes
obteve 40 pontos? Claro que no. J uma
aritmticas
pessoa de 100 Kg tem o dobro de peso
capacidade de realizarmos, por exemplo,
de uma pessoa de 50 Kg. Outro exemplo,
somas
aos
as temperaturas medidas em Graus
resultados de uma varivel um indicativo
Celsius so tratadas como variveis
de que ela quantitativa. Claro que a
quantitativas. Isso quer dizer que um dia
anlise do seu processo de obteno
com 40C tem o dobro de calor de um
mais importante: os resultados de uma
dia com 20C? Transforme os valores em
varivel quantitativa devem ser obtidos
Graus Celsius para Kelvin e compare o
por medio ou contagem. Alm disso,
resultado.
tambm
numricas,
de
nomenclatura
uma
pode
varivel
aos
mas
gerar
seja
seus
subtraes
resultados.
vlidas
Nesse caso, a nota de
operaes
aritmticas
aos
essas variveis podem ser contnuas,

quando representadas por nmeros reais,
Bom,
os
conceitos
por
trs
dessa
ou discretas, quando representadas por
discusso envolve o nvel de mensurao
nmeros inteiros.
da varivel (nominal, ordinal, intervalar

e de razo) que ser tratado a seguir.
Usualmente,
se
ela
obtida
por
Para
efeito
prtico,
consideraremos
medio, ento contnua. Caso seja
somente duas categorias de variveis:
obtida por meio de contagem, uma
quantitativas
varivel discreta. Para efeitos prticos,
Conforme citado anteriormente, esses
no faremos distino entre variveis
so os tipos de varivel coletadas em
contnuas e discretas, o fundamental
problemas tpicos de Cincias Exatas e
entend-las como quantitativas.
de Engenharia.
Algumas
variveis
originalmente
de
014
unidade 1
versus
categricas.
USO DO EXCEL COMO

UM SISTEMA DE
GERENCIAMENTO DE
DADOS E DOS
pelos respondentes so automaticamente

armazenadas
em
planilha
eletrnica,
facilitando a coleta e a anlise dos dados.
FORMULRIOS
DO GOOGLE DOCS
PARA COLETA DE
INFORMAES
crucial que voc domine o Excel como

instrumento de coleta de dados e entenda
perfeitamente o papel de cada varivel a ser
coletada. Identificar variveis explicativas
e desfecho (s), distinguir entre varivel
Duas ferramentas essenciais para coleta

de dados de experimentos de pequeno
e mdio porte na rea de Cincias
Exatas e Engenharia so o Excel, um dos
quantitativa e categrica uma questo

relativamente simples, mas fundamental
para as discusses que sero feitas nas
prximas unidades.
componentes do pacote Office da Microsoft,
APLICAO
e os Formulrios do Google Docs <https://
PRTICA
docs.google.com/forms>.
O Excel uma planilha eletrnica com
Considere o artigo Utilizao de efluente de
origens no Lotus 1-2-3 (GAZZARRRINI,
frigorfico, tratado com macrfita aqutica,
2013).
so
no cultivo de tilpia do Nilo, de autoria de
extremamente prticas, de grande utilidade
Adilson Reidel e outros pesquisadores da
e sero discutidas por meio de vdeo aulas.
Universidade Estadual do Oeste do Paran
Ambas
as
ferramentas
(REIDEL et al.; 2005) disponvel em:

Os formulrios do Google Docs so timos
para pesquisas envolvendo pessoas que
<http://www.agriambi.com.br/revista/
tm endereo eletrnico (e-mails). Para
suplemento/index_arquivos/PDF/181.pdf>
us-los voc ter que obter uma lista com os

nomes dos respondentes e os respectivos
Neste trabalho, os pesquisadores fizeram
e-mails. Aps construir o formulrio de
um experimento em que, resumidamente,
coleta de dados no Google Docs, voc
foram colocadas amostras aleatrias de
poder envi-lo usando o mecanismo de
alevinos (filhotes) de tilpia em aqurios
mala direta, da aba correspondncias
com gua potvel (tratamento A) e em
do Word, que tambm parte do pacote
tanques com efluente de frigorfico aps
Office da Microsoft. As respostas enviadas
passar num sistema de filtro com aguap
015
unidade 1
(tratamento B), avaliando-se comparativamente o desenvolvimento e a sobrevivncia dos

peixes. A pergunta principal da pesquisa era: possvel cultivar tilpias em efluente de
frigorfico tratado com aguap?
Nas tabelas 1 e 2 do artigo, so apresentados alguns resultados e um conjunto de variveis
envolvidas na pesquisa.
TABELA 1 Valores mdios dos parmetros fsico-qumicos
determinados durante o cultivo da tilpia do Nilo (O. niloticus)
TRATAMENTOS
PARMETROS
Temperatura mdia (C)
26,4 = 1,60
26,4 = 1,70
Oxigienio Dissolvido (mg L-1)
7,17 = 0,60
7,18 = 0,90
Condutividade Eltrica (uS cm-1)
227,48 = 36
1779,7 = 68
pH
8,44 = 0,12
7,40 = 0,35
Tratamentos: (A) controle (gua potvel + rao); (B) efluente tratado (efluente do sistema de
filtro de aguap + rao)
Fonte: REIDEL et al., 2005.
TABELA 2 Valores mdios de desempenho e sobrevivncia de alevinos

de tilpia do Nilo, cultivados com gua potvel e efluente tratado
mdia
mdia
Teste t-Student
T calculado
Peso inicial (indivduo) (g)
0,235 a
43,267
0,232 a
46,113
Biomassa inicial (aqurio) (g)
1,172 a
2,426
1,160 a
1,901
0,001
Peso final (indivduo) (g)
1,391 a
42,269
1,054 a
45,582
0,028
Biomassa final (aqurio)
5,280 a
38,890
4,300 a
45,721
0,028
75 a
80,467
80 a
25,819
0,08
VARIVEIS
Sobrevivncia (%)
Tratamento A
Tratamento B
Mdias seguidas da mesma letra, na linha, no diferem significadamente pelo teste t de Student ao nvel 5% de significncia
Fonte: REIDEL et al.; 2005.
Esse um exemplo prtico da aplicao de conceitos discutidos na Unidade 1 em experimentos

de pequeno e mdio porte na rea de Cincias Exatas e de Engenharia. O experimento baseado
em amostragem e analisa o impacto de variveis explicativas em desfechos diretamente ligados
ao objetivo do projeto: sobrevivncia dos peixes, peso e biomassa final no aqurio.
016
unidade 1
Nesse trabalho so usadas trs variveis
tanto em relao ao desenvolvimento
resposta,
quanto sobrevivncia dos peixes.
uma
categrica
(O
peixe
sobreviveu? sim ou no) e dois desfechos

quantitativos (peso final e biomassa final,
O entendimento completo das razes
medidos em gramas). Dentre as variveis
para chegar a essa concluso ser obtido
explicativas envolvidas, a mais importante,
nas prximas unidades. Entretanto, neste
que est diretamente ligada ao objetivo da
momento, fundamental que voc j
pesquisa o tipo de tratamento (A versus
entenda conceitos referentes ao processo
B), uma varivel categrica dicotmica.
de
amostragem/coleta
de
dados
e,
principalmente, que consiga diferenciar

Muitas
pessoas
tm
dificuldade
em
identificar essa varivel explicativa, apesar
os tipos e as funes das variveis numa

pesquisa.
dela ser a mais importante na pesquisa.

As outras variveis explicativas so todas
quantitativas e, como tal, foram obtidas
REVISO
por meio de um processo de medio,
Vimos nessa unidade alguns dos principais
contagem ou dosagem: temperatura (C),
tpicos
oxignio Dissolvido (mg L-1), condutividade
Estatstica. Em resumo, estudamos sobre:
introdutrios
do
campo
da
Eltrica (S cm-1), pH, peso inicial (g) e

Populao, amostra, censo e amostragem:
biomassa inicial (g).

Nas
tabelas
apresentadas
aparecem
- Censo de toda a populao no vivel,

devido aos altos custos e/ou quando a
mtricas (mdia, desvio padro e valor de t
pesquisa envolve ensaios destrutivos.
de student) que so usadas na anlise e na

concluso do projeto. Fique tranquilo, esses
- Uma
pequena,
mas
cuidadosamente
conceitos sero tratados nas prximas
escolhida amostra pode ser usada para
unidades!
representar a populao.
De qualquer forma, a concluso da pesquisa
- Os resultados observados numa amostra

representativa podero ser generalizados,
para a pergunta possvel cultivar tilpias
sem risco de chegar a uma concluso
em efluente de frigorfico tratado com
diferente daquela que seria obtida no caso
aguap?, : Sim, possvel cultivar tilpias
de trabalhar com toda a populao.
em efluente de frigorfico tratado com

aguap. Os dados no mostraram diferena
- A
significativa entre os dois tratamentos,
017
unidade 1
questo
mais
importante
numa
amostragem no o tamanho da amostra,
mas como a amostra ser obtida, pois o
Ainda compreendemos que alguns sistemas
delineamento amostral mal feito invalida
computacionais so ferramentas essenciais
qualquer pesquisa.
para coleta de dados de experimentos de

pequeno e mdio porte na rea de Cincias
Exatas e da Engenharia. So eles: o Excel,
Tipos de variveis:
-
Varivel qualitativa ou categrica:
aquela que expressa caractersticas ou
atributos de classificao, distribudos
um dos componentes do pacote Office da

Microsoft, e os Formulrios do Google Docs
<https://docs.google.com/forms>.
em categorias mutuamente exclusivas de
PARA SABER
objetos ou entidades.
MAIS
- Varivel quantitativa: aquela obtida

por meio de um processo de medio ou
contagem.
Para aprofundar sobre as questes discutidas

nessa unidade, leia o Captulo 1 do livro texto:
Funo das variveis:
LEVINE, David M. et al. Estatstica: teoria
- Variveis de identificao e auxiliares:

servem
para
rastreamento
dos
indivduos e das unidades amostrais

ou so usadas na definio de outras
variveis.
- Variveis
explicativas:
so
e aplicaes usando Microsoft Excel em

portugus, 3 edio ou superior: Introduo e
Coleta de Dados, assim como o suplemento do
captulo 1 Introduo Utilizao do Microsoft
Excel.
aquelas
que, por hiptese, podem influenciar,

determinar ou afetar a varivel resposta
ou desfecho da pesquisa.
- Varivel desfecho: aquela que queremos
explicar, em funo de ser influenciada e/
ou afetada por outros fatores (variveis
explicativas).
Tambm
denominada
de
varivel dependente ou varivel resposta.

Aconselha-se sempre definir um ou mais
desfechos para o estudo, conforme os
objetivos da sua pesquisa.
018
unidade 1
UNIDADE
ANLISE EXPLORATRIA
DE DADOS
onforme citado na Unidade 1, se voc usar tcnicas de anlise estatstica, voc poder
rapidamente se transformar num especialista em qualquer assunto, certo? Pois bem,
como exemplo, que tal se tornar um especialista em reprovao em disciplinas bsicas
de cursos de Engenharia e Tecnologia? E voc no precisar repetir nenhuma dessas disciplinas

para ser um especialista em reprovao...! Esse um problema bem conhecido, mas suas causas
e fatores associados no! Uma hiptese que durante o ensino fundamental e mdio muitos
alunos no conseguem adquirir habilidade em resolver problemas matemticos. Essa deficincia
ento culmina nos cursos de Engenharia com altos ndices de reprovao no ciclo bsico.
Disciplinas como Clculo Diferencial, Geometria Analtica e lgebra Linear (GAAL), Qumica Geral
e Algoritmos (AEDS) podem ser verdadeiros infernos para alunos da rea de Exatas.
Considerando o problema geral desempenho acadmico em disciplinas de ciclo bsico de
cursos de Engenharia, que tal analisar dados de amostra de alunos, buscando identificar
as caractersticas e possveis fatores associados aos desfechos conceito (aprovado ou
reprovado), nota histrico (0 a 100 pontos) e abandonou a disciplina? (sim ou no)?
Para resolver o problema acima, qual a primeira providncia? Muitos podem pensar: Preciso
estudar melhor o assunto, fazer uma reviso da literatura sobre o problema. Em seguida,
preciso planejar e executar a coleta dos dados. Essa primeira etapa j foi feita e faz parte de
projeto de iniciao cientfica do Centro Universitrio de Belo Horizonte UniBH, cujo ttulo da
pesquisa Fatores associados ao desempenho acadmico de alunos em disciplinas do ciclo
bsico de cursos de Engenharia. A pesquisa foi aprovada pelo Comit de tica em Pesquisa
(CEP) do UniBH com o n 920.308, em 17/12/2014 e os dados esto disponveis para download
020
unidade 2
no link: https://www.dropbox.com/sh/6bvsls6mi6kpqyv/AABy88F2iVFPyEc2ArIIZ2GNa?dl=0.
Agora que voc j tem acesso aos dados, qual o prximo passo para resolvermos o problema
de reprovao e abandono em Clculo, GAAL, Qumica Geral e AEDS? A primeira etapa de
qualquer anlise estatstica, ou melhor, a fase preliminar da busca das informaes agregadas
a dados j coletados, a anlise exploratria dos mesmos. Como o prprio nome diz, a
anlise exploratria dos dados o conjunto de ferramentas da Estatstica Descritiva que tm
como objetivo fazer uma sntese dos dados, organizando-os sob a forma de tabelas, grficos
e nmeros. Portanto, para entendermos e resolvermos nosso problema de reprovao,
precisamos estudar as ferramentas da Estatstica Descritiva:
a) Sntese tabular: Resumo da anlise por meio de tabelas;
b) Sntese numrica: Medidas de posio (mdia e mediana) e medidas de variabilidade (soma
dos quadrados dos resduos, varincia, desvio padro, coeficiente de variao);
c) Sntese grfica: Grficos de pizza, barra, coluna, linha, sries histricas, histograma, grfico
de Pareto, grfico misto, de coluna e de linha, diagrama de disperso e box-plot.
O objetivo desta unidade promover o conhecimento fundamental que lhe permitir entender
dados coletados, transformando dados brutos em informaes teis!
SNTESE
GRFICA DE DADOS
Uma figura vale mais que mil palavras! Isso verdade, entretanto um grfico vale mais que mil
palavras se e somente se ele for desenhado de forma clara, correta e concisa. Sempre desenhe
grficos a partir de seus dados, mas tente faz-los de tal forma que a frase basta olhar
para entender seja vlida. Os grficos mais teis para anlise de dados de experimentos de
pequeno e mdio porte na rea de Cincias Exatas e Engenharia so: grficos de pizza, barras,
colunas, linha, sries histricas, histograma, grfico de Pareto, grfico misto, de coluna e de
linha, diagrama de disperso e box-plot (tabela 1). De todos esses, somente vejo sentido em
construi-los mo histogramas e diagramas de disperso. Entretanto, na prtica devemos
construir grficos usando ferramentas computacionais como o Excel.
021
unidade 2
TABELA 3 - Grficos mais teis para anlise de dados de experimentos

de pequeno e mdio porte na rea de Cincias Exatas e Engenharia.
NMERO DE VARIVEIS
ENVOLVIDAS
TIPO DE VARIVEL ANALISADA
Pizza ou setor
Uma
Categrica
Colunas (verticais)
Uma
Categrica
Barras (horizontais)
Uma
Categrica
Histograma
Uma
Quantitativa, mas categorizada numa

tabela de distribuio de frequncias
Grficos de linha
Duas
Quantitativa no eixo vertical, e

categrica no eixo horizontal
Sries histricas
Duas

o tempo no eixo horizontal
Grfico de Pareto
Uma
Categrica
Grfico misto, de
coluna e linhas
Duas

o tempo no eixo horizontal
Diagrama de
disperso
Duas
Varivel explicativa quantitativa no eixo horizontal,

e desfecho quantitativo no eixo vertical
Uma ou mais
Quantitativa
TIPO DE GRFICO
Box-plot
Como fazer os grficos? Siga regras e comentrios abaixo e voc ter sucesso ao desenhar
grficos:

1. Um grfico deve conter um ttulo, entretanto este no deve ser colocado no prprio
grfico (como o Excel insiste em fazer...). Quando desenhamos um grfico usando o
Excel, por exemplo, este ser exportado para algum documento do Word ou para o
PowerPoint, ou para outros editores de texto e apresentadores de slides. O ttulo do
grfico ser ento colocado no slide ou na descrio da figura no editor de textos,
sendo desnecessrio e errado coloc-lo no meio do prprio grfico. Mesmo em
casos excepcionais, quando o grfico no exportado para nenhum outro aplicativo,
sendo impresso diretamente do Excel, o ttulo no deve ser colocado no meio da
figura. O ttulo deve ser inserido no cabealho da planilha que contm o grfico.
2. Ao escrever um relatrio, comece pelas figuras. impressionante, mas as pessoas leem
artigos cientficos, relatrios tcnicos, jornais e revistas de fofoca da mesma forma:
comeamos pelas figuras! Por isso, o ttulo de grficos e tabelas deve ser o mais claro
022
unidade 2
possvel: toda informao necessria para o entendimento da figura deve estar no seu
ttulo. Essa uma tendncia das revistas cientficas (Nature, Science, por exemplo) e
tem um efeito colateral: o ttulo da figura fica muito longo. Isso no exatamente uma
regra, mas recomendao. Se voc quer que seu relatrio seja lido, invista nos ttulos de
figuras e tabelas e sempre coloque respostas claras para pelo menos quatro perguntas:
O que? Quem? Quando? Onde? A interpretao das informaes no grfico tambm
deve ser colocada como subttulo da figura. Se necessrio, coloque notas explicativas,
usando siglas somente para coisas realmente conhecidas de quem ler o seu texto (seu
chefe ou o chefe do seu chefe...). Veja um exemplo de grfico de pizza na figura abaixo.
FIGURA 2 Principais ferramentas estatsticas encontradas em
artigos publicados no New England Journal of Medicine (NEJM).
A maioria absoluta (58%) dos 760 artigos publicados nos volumes 298 a 301 da NEJM utilizou
somente tcnicas de Estatstica Descritiva na anlise dos dados. Praticamente um quarto
dos artigos usou teste t de student e 15% aplicou teste de qui-quadrado nas tabelas de
contingncia, ferramentas que sero discutidas na Unidade 7 deste livro.
Fonte: BAILAR & MOSTELLER,1992.
3. Caso o grfico tenha eixos (horizontal X e vertical Y), estes devem estar rotulados para
entendimento. Os rtulos dos eixos devem conter as respectivas unidades de medida
envolvidas (g, R$, kg, m/s, etc.). Esse mais um ponto de erro do Excel! Alm de no colocar
os rtulos nos eixos, o Excel coloca o ttulo no meio da figura e uma legenda que no tem a
menor utilidade. Na verdade, as legendas somente devem ser colocadas se existirem mais de
um grupo de dados na figura. Veja um exemplo correto de grfico de barras na figura abaixo.
023
unidade 2
FIGURA 3 Risco de reprovao em disciplinas de cursos de Engenharia

e Tecnologia do Centro Universitrio de Belo Horizonte UniBH.
Anlise de 21 disciplinas avaliadas em sete semestres (2011/1 a 2014/1), considerando amostra de 78.399
alunos. Quatro disciplinas tm mais de 40% de seus alunos reprovados: Clculo Diferencial, Geometria Analtica e
lgebra Linear, Clculo de Vrias Variveis e Algoritmo e Estruturas de Dados.
4. No existe regra fixa para a escolha da escala do grfico. Qualquer escala boa
desde que os valores no grfico no fiquem muito espalhados nem muito juntos
numa nica regio da figura.
5. Sombreamento, efeitos 3D e pequenas figuras relacionadas com o tipo de dado

usado no grfico, colocados para dar vida figura: na maioria das vezes esses
efeitos so inteis, podendo at mesmo distorcer o grfico.
6. A
maioria dos grficos apresenta o valor zero como ponto de incio dos eixos, mas
isso no necessrio se o ponto de incio da escala devidamente marcado na
figura. Na verdade, as pessoas usualmente assumem que o valor zero est na base do
grfico. Para os grficos de linha isso no problemtico, entretanto, quando se tratar
de grficos de colunas ou de barras, o valor zero deve obrigatoriamente estar na base
da coluna. Caso isso no seja feito, ocorre uma distoro do grfico levando a uma
interpretao errada dos dados. Veja o exemplo abaixo. O primeiro grfico, como no
comea no valor zero, est errado, ele ilude o leitor: a auditoria foi um sucesso?!
024
unidade 2
FIGURA 4 Exemplos de grfico de colunas: o valor

zero deve obrigatoriamente ser includo na figura.
7. Mais de uma curva ou linha pode ser desenhada em um nico grfico com o objetivo
de comparao. Entretanto, deve-se diferenciar claramente os dados de cada linha para
que no haja erro de interpretao (use cores diferentes ou linhas pontilhadas ou mesmo
smbolos). Linhas de grade, usualmente colocadas no grfico para auxiliar a leitura das
escalas, devem ser discretas (na cor cinza, por exemplo) ou serem eliminadas.
FIGURA 5- Exemplo de grfico com legenda identificando diferentes dados.
025
unidade 2
8. Os grficos devem ser desenhados no formato de paisagem, com a altura tendo
aproximadamente da sua largura. Caso isso no seja feito, poder haver distoro
da figura e da prpria informao, que fica comprometida: o primeiro grfico est
correto, mas os outros esto na categoria como mentir com estatstica...
FIGURA 6 Formato dos grficos: a figura deve ser desenhada em
formato de paisagem, com a altura tendo aproximadamente 75% da largura.
FIGURA 7 Grfico distorcido: desenhando a figura com a altura muito pequena, em relao
largura, a informao falseada e se tem a sensao de estabilidade dos dados.
026
unidade 2
FIGURA 8 - Grfico distorcido: desenhando

a figura com a altura muito grande,
em relao largura, a informao
falseada e se tem a sensao de reduo
dos dados ao longo do tempo
visualizarmos funes matemticas

tericas (figura 9) quanto funes
de relacionamentos empricos j
conhecidos (figura 10), mas a sua
grande utilidade quando tentamos
estabelecer a associao entre
duas variveis quantitativas (figura
11). A figura 9 um diagrama de
disperso mostrando uma relao
completamente terica entre duas
variveis (x e y). Como uma relao
exata, somente desenhada a linha
que liga os pontos do grfico. Na
figura 10 desenhada uma relao
emprica, no caso a lei de Abrams,
que relaciona a resistncia do
concreto compresso (R) com o
fator gua/cimento (fx) da seguinte

forma: R = /fx. Nessa figura, e
9. Grficos de pizza, o queridinho:
foram definidos como 100 e 10
Apesar de muito engraadinhos,
respectivamente, de tal forma que
estes grficos so muitos confusos.
a equao ficou R = 100/10fx, fx
Evite o seu uso, substituindo por
variando de 0 a 3. J a figura 11
grficos de barra ou de colunas.
mostra o uso nobre dos diagramas
aceitvel construi-los somente
de disperso, quando tentamos
quando so poucos setores bem
explorar, criar e propor uma nova
definidos (at cinco pedaos). Evitar
relao emprica entre duas variveis
grficos de pizza em 3D, com vrios
quantitativas.
pedaos. Construi-los como na
ao invs de aplicarmos a relao
figura 2.
emprica de Abrams, usamos dados
Nesse
exemplo,
reais de fator fx de gua/cimento

10. Diagrama de disperso: Ferramenta
e a resistncia medida em 28 dias
que nos permite avaliar o efeito de
de uma amostra de concretos
uma varivel explicativa quantitativa
(desfecho).
sobre um desfecho. Serve tanto para
linha de tendncia linear, estamos
027
unidade 2
Ao
inserirmos
uma
sugerindo que, na faixa de variao medida de fx (entre 0,2 e 1,0), a resistncia compresso
do concreto se relaciona com fx por meio de uma equao de reta.
FIGURA 9 Diagrama de disperso sem os marcadores e com linhas contnuas mostrando a
relao de x e sua funo f(x) = 2x3 cos(x+1) 3. Nesse caso o diagrama est mostrando
uma relao terica exata, tal como aquela encontrada nas disciplinas de Clculo Diferencial.
FIGURA 10 Diagrama de disperso com marcadores e linhas contnuas mostrando

a relao emprica da lei de Abrams que relaciona a resistncia compresso
de concretos, medida em megapascal (MPa), e o fator gua/cimento (fx),
determinado pela razo do peso de gua pelo peso em cimento do concreto.
028
unidade 2
FIGURA 11 Diagrama de disperso somente com os marcadores e sem

linhas contnuas mostrando uma possvel relao linear entre resistncia
compresso de concretos em 28 dias (MPa) e o fator gua/cimento (fx).
Fonte: Elaborado pelo autor baseado nos dados em DAFICO, Dario de Arajo. Mtodo Simples para Explicar a
Resistncia Compresso do Concreto de Alto Desempenho. Disponvel em: http://www2.ucg.br/nupenge/pdf/
Dario.pdf. Acesso em 14 maio 2015.
A figura 12 mostra possveis padres de relacionamento entre uma varivel explicativa (X)
e o desfecho (Y), ambos quantitativos. Sempre que construir um diagrama de disperso,
voc deve interpretar o grfico gerado em um dos quatro padres mostrados na figura 12. A)
Correlao positiva: Em mdia, quando X aumenta, Y tambm aumenta, numa tendncia em
linha reta. Por exemplo, quanto maior a rea de um imvel, maior o seu preo de venda. B)
Correlao negativa: Em mdia, quando X aumenta, Y tende a diminuir. Por exemplo, quanto
mais velho um imvel, menor o seu preo de venda. C) Associao curvilinear: Em mdia,
quando X aumenta, Y tambm aumenta, mas no numa tendncia em linha reta, e sim
em curva. Isso pode ocorrer quando, por exemplo, a relao entre a varivel resposta (Y)
e a explicativa (X) for uma equao de segundo grau (parbola) ou cbica, de grau trs. D)
Sem associao: Tambm um padro importante, pois indica que no h relao entre as
duas variveis associadas, que a varivel explicativa, na verdade, no explica o desfecho! Por
exemplo, frequentemente se observa que a idade do aluno no est associada sua nota na
maioria das disciplinas que ele cursa.
029
unidade 2
FIGURA 12 Padres de relacionamentos entre variveis avaliadas

por meio de diagrama de disperso: correlao positiva (A), correlao
negativa (B), associao curvilinear (C) e ausncia de associao (D).
11. Histograma: A ideia deste grfico categorizar uma varivel quantitativa, dividindo-a
em intervalos ou classes, contar quantos valores se encaixam em cada intervalo e
construir um grfico de colunas com o resultado. Ao se interpretar um histograma,
deve-se tentar responder s seguintes questes: Qual a forma da distribuio dos
dados? Existe um ponto central bem definido? Como a amplitude de variao dos
dados? Existe apenas um pico isolado? A distribuio simtrica? Os exemplos abaixo
podem auxili-lo na interpretao de um histograma. Procure descobrir com qual
destes oito tipos o seu histograma se parece.
Exemplo 1 - Histograma simtrico: A frequncia de dados mais alta no centro e decresce
gradualmente esquerda e direita de forma aproximadamente simtrica, em forma de sino.
030
unidade 2
Exemplo 3 - Histograma tipo despenhadeiro:

O histograma termina abruptamente em
um ou nos dois lados, dando a impresso
de que faltam dados. Na verdade, essa
possivelmente deve ser a explicao para
histogramas com esse formato: os dados
muito pequenos e/ou muito grandes foram
Fonte: Elaborado pelo autor
Exemplo
Histograma
assimtrico:
frequncia
eliminados da amostra.
fortemente
dos
dados
decresce rapidamente num dos lados e

muito lentamente no outro, provocando uma
assimetria na distribuio dos valores. A
distribuio dos salrios numa empresa um
exemplo comum de histograma assimtrico:
muitas pessoas ganham pouco e poucas
pessoas ganham muito (a). A situao (b),
apesar de mais rara, tambm pode acontecer.
Exemplo 4 - Histograma com dois picos:

Ocorrem picos na distribuio e a frequncia
baixa entre os picos. Possivelmente, os
dados se referem a uma mistura de valores
de diferentes populaes, devendo ser
avaliados com cuidado. Se houve mistura
dos dados, melhor separ-los.
031
unidade 2
Exemplo 5 - Histograma tipo plat: As
Exemplo 7 Histograma tipo serrote:
classes de valores centrais apresentam
As frequncias de valores se alternam
aproximadamente a mesma frequncia.
formando vrios dentes. Pode indicar algum
Essa situao tambm sugere mistura de
problema na obteno (leitura) dos dados.
valores de diferentes populaes.
Vamos usar como exemplo de dados para

Exemplo 6 Histograma com uma pequena
a construo de um histograma notas de
ilha isolada: Alguns valores isolados tm
amostra de alunos em uma prova de Clculo
frequncia elevada, formando uma espcie
Diferencial (n=120):
de ilha. Tambm pode ter ocorrido uma

mistura de dados.
032
unidade 2
FIGURA 13 Dados brutos de notas de amostra de alunos em prova de

Clculo Diferencial. Centro Universitrio de Belo Horizonte UniBH, 2014/2.
0
13
17
18
21
10
13
17
18
21
11
14
17
20
22
11
14
17
20
22
12
14
17
20
24
12
14
17
20
24
13
15
17
20
25
13
15
17
20
25
13
17
18
21
25
13
17
18
21
25
Passo 1 - Determinar valores mnimo, mximo e amplitude (R):

mn = 0;
mx = 25;
R = mx mn = 25 0 = 25
Passo 2 Determinar quantas classes ou intervalos (k) sero usados para dividir os dados. O
nmero de classes deve ser algo entre 5 a 20 subintervalos. Regra emprica: k
5 k 20 . No exemplo, n 120; k
120 10.
R
R 25
Passo 3 Determinar o tamanho de cada subintervalo (h). h k . No exemplo, h k 10 . 2,5
Ou seja, no nosso exemplo, temos 120 valores que variam de 0 a 25 e vamos dividi-los em 10
classes de tamanho 2,5.
Passo 4 - Contar a frequncia de valores em cada classe. No exemplo, comeando em zero
(valor mnimo), teremos uma tabela de distribuio de frequncias, base para construo do
histograma, de 2,5 a 2,5 pontos cada subintervalo. Vamos verificar na base de dados quantos
valores se encaixam em cada classe.
Observe na figura 14 o smbolo --|, ele indica que o valor direita faz parte do intervalo,
mas o valor sua esquerda no! Ou seja, o intervalo 2,5 --| 5,0 implica em valores acima
de 2,5 e menores ou iguais a 5,0. Por exemplo, alunos que tiraram 5,0 so contabilizados
somente no segundo intervalo (2,5 --| 5,0), assim como aqueles que tiraram 7,5 pontos
033
unidade 2
entram somente na terceira classe (5,0 --| 7,5). Veja tambm o smbolo |--|, ele s pode
ser usado no primeiro subintervalo e possibilita que incluamos o valor 0,0 na primeira
classe (0,0 |--| 2,5). Se no fizssemos isso, no teramos onde colocar a frequncia de
valores iguais a zero. Eventualmente voc poder se deparar com tabelas construdas
com o smbolo invertido, |--, que indica valores maiores ou iguais ao nmero colocado
esquerda e menores que o valor colocado direita. Por exemplo, 30 |-- 40 implica valores
maiores ou iguais a 30 e menores que 40. Usei a notao --| que o padro usado pelo
Excel na construo de histogramas (figura 14).
Lembre-se de que o total, a soma da coluna Frequncia, deve ser exatamente o tamanho
da amostra (n). Alm da coluna de frequncia absoluta, podemos calcular a frequncia
relativa ou percentual de cada classe (em relao ao total de valores) e a frequncia
acumulada ou percentual acumulado, til para a construo de grficos de Pareto (que
ser explicado mais frente).
FIGURA 14 Tabela de distribuio de frequncias das notas de amostra de alunos em
prova de Clculo Diferencial. Centro Universitrio de Belo Horizonte UniBH, 2014/2.
NOTA FREQUNCIA
PERCENTUAL
PERCENTUAL ACUMULADO
0,0 |--| 2,5
35
29%
29%
2,5 --| 5,0
22
18%
48%
5,0 --| 7,5
5%
53%
7,7 --| 10,0
8%
60%
10,0 --| 12,5
3%
63%
12,5 --| 15,0
12
10%
73%
15,0 --| 17,5
10
8%
82%
17,5 --| 20,0
10
8%
90%
20,0 --| 22,5
5%
95%
22,5 --| 25,0
5%
100%
120
100%
Total
034
unidade 2
FIGURA 15 Histograma com a distribuio das notas na prova de Clculo

Diferencial: os dados mostram um padro de distribuio assimtrico,
semelhante quele apresentado no histograma do exemplo 2.
12. G
rfico de Pareto: Esta ferramenta tima para ajudar na definio de prioridades,
quando precisamos fazer um plano de ao para melhoria de qualidade de um
servio ou produto. Por exemplo, se um determinado problema ou defeito pode
ocorrer de diversas formas, como escolher os tipos de defeito prioritrios para serem
corrigidos? A ideia do efeito Pareto que 80% dos problemas esto associados
a 20% dos problemas. Nem sempre esse efeito ocorre, mas esse o objetivo do
grfico de Pareto: verificar quais itens ou problemas ocorrem com maior frequncia
num determinado cenrio. Por exemplo, numa amostra de 400 defeitos de fabricao
de uma pea mecnica, foram observados 16 tipos de defeito: rebarbas, dimetro
menor, dimetro maior, sem usinagem, altura menor, trincas, altura maior, borda
muito fina, enviesado, base maior que o topo, borda muito grossa, cor muito escura,
estrutura pouco flexvel, base menor que o topo, cor muito clara e estrutura frgil. Ao
se construir um grfico de Pareto com os dados (figura 16), observa-se que a maioria
absoluta (66%) dos defeitos se refere somente a trs tipos: rebarbas (32%), dimetro
menor (21%) e dimetro maior (13%). Ou seja, ao fazer um plano de ao para corrigir
possveis defeitos de fabricao dessa pea, ignore 13 defeitos e priorize suas
aes em apenas esses trs. Fazendo isso, 66% do problema estar corrigido!
035
unidade 2
FIGURA 16 Grfico de Pareto com a frequncia de defeitos de fabricao

de uma pea mecnica: 66% dos defeitos so somente de trs categorias prioritrias
para um plano de ao para melhorar a qualidade do processo de fabricao
(rebarbas, dimetro menor e dimetro maior).
13. Box-plot: Este grfico, tambm conhecido como diagrama em caixa ou caixa e
bigode, informa sobre a distribuio dos dados. Somente se aplica a variveis
quantitativas (figura 17), informando o menor valor (pequena linha horizontal
inferior) e valor mximo (pequena linha horizontal superior). A distncia entre o
valor mnimo e a aresta inferior da caixa cinza a amplitude em que ocorrem os
25% dos valores mais baixos. Este conhecido como 1 quartil, sendo delimitado
pelo percentil 25 dos dados. As duas caixas, cinza e vermelha, mostram onde
esto 50% dos dados. A distncia entre a aresta superior da caixa vermelha e a
pequena linha horizontal superior, que equivale ao mximo dos dados, refere-se ao
intervalo em que ocorrem 25% dos maiores valores da varivel. A linha separando
as duas caixas representa a mediana, que expressa o valor do meio se todos os
dados fossem colocados em ordem. Assim como os histogramas, o box-plot nos
informa sobre a maneira de distribuio dos dados, tendo a vantagem de permitir
a visualizao de grupos de dados (figura 18). Nessa figura, apresentado um
resumo comparativo da taxa de aprovao de oito disciplinas de ciclo bsico de
cursos de Engenharia.
036
unidade 2
FIGURA 17 Exemplo de box-plot para uma varivel quantitativa genrica: quanto maior o
tamanho das duas caixas, vermelho e cinza, maior a variabilidade e disperso dos dados.
FIGURA 18 Box-plot com as taxas de aprovao de oito disciplinas de ciclo bsico de

cursos de Engenharia: Desenho e Estatstica se destacam das outras disciplinas, que tm
taxas de aprovao bem menores e mais heterogneas. Clculo Integral a disciplina com
menor taxa de aprovao e maior variabilidade dos dados.
037
unidade 2
SNTESE TABULAR
DE DADOS
Na anlise exploratria de dados, em ltima instncia, todos os resultados so apresentados

ou na forma de figuras ou de tabelas. Assim como nos grficos, invista no ttulo da tabela e
sempre coloque respostas claras para pelo menos quatro perguntas: O que? Quem? Quando?
Onde? Sugerimos que a interpretao das informaes na tabela tambm seja colocada no
prprio ttulo. Se necessrio, coloque notas explicativas, usando siglas somente para coisas
realmente conhecidas. A tabela 4 um exemplo de formato de tabelas, apresentando modelo
para sntese de variveis categricas de uma base de dados.
TABELA 4 Anlise exploratria de variveis categricas: a sntese de variveis
categricas, sejam elas explicativas ou desfecho, resume-se a apresentar suas
categorias, a frequncia de valores em cada categoria e os respectivos percentuais.
CATEGORIA
FREQUNCIA
PERCENTUAL
Conceito
Aprovado
2287
49%
Reprovado
2386
51%
Local do ensino mdio
Instituio privada
1509
32%
Instituio pblica
3164
68%
Sexo
Feminino
1948
42%
Masculino
2725
58%
Manh
1153
25%
Noite
3520
75%
VARIVEL
Turno

SNTESE NUMRICA
DE DADOS
A sntese numrica de variveis categricas muito simples, basta que voc apresente suas
categorias, a frequncia de valores em cada categoria e os respectivos percentuais, tal como
apresentado na tabela 3. J a sntese de variveis quantitativas mais ampla e envolve
resumir dois aspectos:
038
unidade 2
1) um valor tpico ou caracterstico para a varivel;

2) uma medida do grau de variabilidade ou de disperso dos dados.
1.
Valor tpico ou medida de posio: O objetivo encontrar o valor caracterstico, aquele

que melhor represente os dados. Vamos discutir aqui as duas possibilidades mais
aplicadas a problemas de pequeno e mdio porte na rea de Cincias Exatas e
Engenharia: a mdia ( X ) e a mediana ( Md ). A mdia obtida pelo resultado da
soma de todos os valores, dividido pelo total de dados ou tamanho da amostra (n).
Matematicamente, a mdia obtida por:
n
X = Xi
i =1
n
J a mediana, na verdade uma medida de ordem, indicando o valor do meio, aquele que
divide os dados em duas metades:
Passo 1 Colocar os dados em ordem crescente.
Passo 2 Encontrar o valor do meio, isto :

se n, o tamanho da amostra, mpar, ento Md o valor central;
se n par, ento Md a mdia dos dois valores centrais.
Exemplo A (n=11), dados j ordenados:

{3; 4; 4; 5; 9; 9; 9; 10; 10; 10; 10}
Para a mediana, como so 11 valores (n mpar) e a metade de 11 5,5, ento Md o 6

valor, ou seja, o valor do meio (lembre-se de que os dados j esto ordenados):
Md = 9
Exemplo B (n=18), dados j ordenados:
{17; 17; 20; 20; 20; 24; 26; 28; 30; 40; 50; 50; 50; 50; 50; 51; 51; 52}
039
unidade 2
usando a mdia e quando a mediana

melhor para representar os dados?. Para
essa resposta, preciso seguir uma regra
prtica:
Se
Para a mediana, como so 18 valores (n
mdia
mediana
forem
par) e a metade de 18 9, ento Md a
semelhantes, ento usar a mdia
mdia entre o 9 e o 10 valor, ou seja:
para representar os dados.
Md =
Se mdia e mediana forem muito
30 + 40
= 35
2
diferentes, ento usar a mediana

para representar os dados.
ATENO
Alm de se basear nas regras acima, que

exigem uma interpretao caso a caso do
que seja mdia e mediana muito diferentes,
No se esquea, para obter a mediana
voc poder construir histogramas e, pelo
necessrio, antes de tudo, colocar os dados
padro do grfico, escolher uma ou outra
em ordem crescente. No ordenar os dados a
medida para representar os dados. Nos
principal fonte de erro no clculo da mediana!
modelos de histograma colocados no

tpico anterior, os exemplos 1 (simtrico),
Algumas pessoas se perguntam: Quantas
3 (despenhadeiro) e 5 (plat), a mdia
casas
no
a melhor medida de posio. J nos
resultado?. Quanto menos casas decimais
histogramas dos exemplos 2 (fortemente
voc
seus
assimtrico) e 6 (ilha isolada), a mediana
resultados, melhor para o entendimento
a melhor medida de posio que caracteriza
da informao! Apresente seus resultados
o conjunto de dados.
decimais
conseguir
devo
apresentar
apresentar
nos
usando o mesmo nmero de casas decimais

que os dados originais ou, no mximo, uma
2. Medida do grau de variabilidade ou
casa decimal alm do original, como foi
de disperso dos dados: O objetivo
feito nos clculos anteriores.
quantificar o quanto os dados so

heterogneos,
so
imprevisveis,
Outra questo Quando escolher entre
em suma, quantificar o grau de
mdia e mediana para melhor representar
variabilidade
um conjunto de dados? ou Em que
quantitativa.
situaes resumir uma varivel quantitativa
040
unidade 2
de
uma
varivel
A princpio, podemos medir a variabilidade de um dado informando o seu valor mnimo (mn) e
o valor mximo (mx), o que nos leva sua amplitude (R): R = mx mn.
Entretanto, essa uma forma muito simplista, pois envolve somente dois valores da varivel,
o mnimo e o mximo, ignorando todos os outros. Para uma medida mais adequada de
variabilidade, uma forma calcular a sua mdia ( X ) e, em seguida, calcular quanto os dados
esto distantes da mdia, em mdia! Soa estranho, mas a ideia faz sentido. Por exemplo, seja
uma amostra de n = 5 pessoas e seus respectivos nmeros de filhos:
Pessoa A B C D E
Nmero de filhos
Qual o nmero mdio de filhos?

X=
0+1+1+2+3
7
=
= 1,4.
5
5
Isso mesmo, essas pessoas tm, em mdia, 1,4 filhos! Voc deve estar se perguntado, como
assim... um e 0,4 filho? No existe 0,4 filho!! No se preocupe, a mdia funciona como um
modelo e, como tal, uma aproximao da realidade. A mdia o melhor valor representativo
para esses dados e, caso seja necessrio resumir toda a informao num nico valor, ela
deve ser usada para substituir o verdadeiro nmero de filhos de cada pessoa. Bom, voltando
variabilidade, como calcular o quanto os dados esto distantes da mdia, em mdia? Para
cada indivduo, devemos subtrair o valor observado pela mdia, calculando um resduo:
Pessoa A B C D E
Nmero de filhos
Resduo
0
0-1,4 =
-1,4
1
1-1,4 =
-0,4
1
1-1,4 =
-0,4
2
2-1,4 =
+0,6
3
3-1,4 =
+1,6
O resduo mede a distncia de cada valor em relao mdia dos dados, ou seja, uma
medida de quanto os dados esto distantes da mdia. Para resumir os resduos num nico
valor, o ideal ento calcular uma mdia dos resduos, que refletiria o quanto os dados esto
041
unidade 2
distantes da mdia, em mdia! Infelizmente, se fizermos essa mdia, ela sempre dar zero,
pois os resduos negativos anulam os positivos, dando uma soma dos resduos igual a zero.
Para resolver esse problema, ao invs de simplesmente calcular os resduos, devemos calcular
o resduo elevado ao quadrado:
Pessoa A B C D E
Nmero de filhos
Resduo
0-1,4 =
-1,4
1-1,4 =
-0,4
Resduo elevado
ao quadrado
(-1,4)2 =
(-0,4)2 =
0,16
1,96
1
1-1,4 =
-0,4
2-1,4 =
+0,6
3-1,4 =
+1,6
(-1,4)2 =
(+0,6)2 =
(+1,6)2 =
0,16
0,36
2,56
Se somarmos os resduos elevados ao quadrado teremos a soma dos quadrados dos resduos
n
( ( Xi -X )2 ), uma mtrica que aparece em vrias outras anlises estatsticas. Quanto maior
i =1
a soma dos quadrados dos resduos, maior a variabilidade dos dados! Para resumir essa
mtrica, calculamos a sua mdia, que chamada de varincia amostral ( s2 ):
n
s2 = ( Xi -X )2
i =1
n-1
Nessas frmulas, Xi representa cada um dos dados individuais, X a mdia e n o tamanho da
amostra ou total de dados. Observe que, no denominador, dividimos a soma dos quadrados
dos resduos por (n - 1) e no por ( n ). Isso feito porque nossos dados foram obtidos por
meio de amostragem e no por censo. Ou seja, sempre que tivermos dados amostrais, que
a situao mais comum, calcularemos a varincia amostral dividindo a soma dos quadrados
dos resduos por (n - 1). Se tivermos acesso populao toda, ou melhor, se fizermos um
2
censo (o que muito raro), ento poderemos calcular a varincia populacional ( ), dividindo
a soma dos quadrados dos resduos por (n):
2
= ( Xi -X )2
i =1
042
unidade 2
importante se lembrar dessa diferena, pois ela aparece nas calculadoras cientficas e no
2
Excel, que permite o clculo tanto de s2 quanto de . Na prtica (e na dvida), sempre calcule
a varincia amostral (s2).
Uma outra mtrica de variabilidade o desvio padro amostral (s). Ele a raiz quadrada da
varincia e tem uso mais difundido que sua me (s2), porque, ao tirarmos a raiz quadrada
da varincia, o resultado tem a mesma unidade de medida que a mdia e os dados originais.
Assim, no exemplo anterior, do nmero de filhos da amostra de n=5 pessoas, a varincia
amostral :
O desvio padro amostral :
muito comum, ao divulgarmos uma sntese de uma varivel quantitativa, apresentarmos a

sua mdia, seguida do seu desvio padro no formato ( X = s ). Ou seja, no exemplo anterior,
essas pessoas tm 1,4 = 1,1 filhos.
Cuidado, isso no significa que os dados variem somente dentro do intervalo X = s , de 1,4
1,1 = 0,3 at 1,4 + 1,1 = 2,5 filhos! Essa apenas uma forma usada para apresentar ambos os
valores, de mdia ( X ) e desvio padro (s). Na verdade, se os dados tiverem um histograma
de forma simtrica, aproximadamente 95% dos dados ocorrero dentro do intervalo definido
pela mdia mais ou menos dois desvios padres ( X = 2s ), e 99,7% dentro da mdia mais ou
menos trs desvios padres ( X = 3s ). Se no tivermos como avaliar a forma de distribuio
dos dados, ou seja, se no soubermos o padro do histograma dos dados, pelo menos 89%
dos dados cairo no intervalo X = 3s .
Supondo que voc j consiga calcular o desvio padro ( s ) de um conjunto de dados, como
interpretar o seu resultado? fato que, quanto maior o desvio padro, maior a variabilidade
043
unidade 2
dos dados. Mas, o que um desvio padro grande? Essa resposta depende da magnitude da
mdia ( X ), isto , para sabermos se um desvio padro grande ou pequeno, vai depender do
valor da mdia. Por exemplo, sejam os resultados das provas de um atleta, resumidos abaixo:
Tempo para correr 100 metros: X = 11,5 e s = 2,1 segundos;
Salto em altura: X = 2,2 e s = 0,8 e metros.
Em qual prova, salto em altura e tempo para 100 m, o atleta mais heterogneo, tem os
resultados com maior variabilidade? Se voc responder essa questo comparando os dois
desvios padres, estar cometendo dois erros:
1 No se pode comparar diferentes unidades de medida (s versus m);
2 Deve-se considerar a magnitude da mdia ao se avaliar um desvio padro.
Ento, como efetivamente obter o grau de variabilidade de uma varivel? Isso feito pelo
coeficiente de variao (cv), uma relao percentual entre o desvio padro e a mdia:
s
cv = x x 100 (%).
Alm de ser uma medida adimensional, o que possibilita comparaes entre diferentes
variveis, o CV pode ser interpretado de forma absoluta:
QUADRO 2 Definio e interpretao do grau de variabilidade de um conjunto de dados.
CV
INTERPRETAO
CV <= 20% Dados com pouca variabilidade, bem comportados, homogneos. A

varivel tem um comportamento bem previsvel.
20 < CV <= 30% Dados com variabilidade intermediria.
CV > 30% Dados com muita variabilidade, heterogneos. A varivel tem um
comportamento muito imprevisvel.
CV > 100% Neste caso, o desvio padro maior que a mdia. Dados com
variabilidade extrema, muito heterognea. A varivel tem um
comportamento catico, completamente imprevisvel.
044
unidade 2
No caso do atleta, teremos os seguintes valores de coeficiente de variao:

Tempo para correr 100 metros: cv =
Salto em altura: cv =
2,1
x 100 = 19%;
11,5
0,8
x 100 = 36%;
2,2
Podemos dizer ento que o atleta tem pouca variabilidade nos seus resultados da corrida de
100 m e muita variabilidade nos saltos em altura.
LEMBRE
Quando voc fizer uma anlise exploratria de dados, lembre-se de corrigir os grficos produzidos pelo
Excel. Lembre-se tambm de colocar os ttulos das tabelas e das figuras o mais informativo possvel.
E, ao calcular o desvio padro, no se esquea de considerar que voc tem dados amostrais. Confira
na sua calculadora e/ou no prprio Excel qual a frmula que est sendo usada. Resuma os dados por
meio de grficos, nmeros e tabelas. Esse o primeiro e fundamental passo para entender os dados e
o problema investigado.
A anlise exploratria dos dados o primeiro passo para que voc se torne especialista na
rea investigada. Suas ferramentas de anlise no produzem concluses definitivas sobre um
problema, mas possibilitam que hipteses sejam construdas de forma consistente.
APLICAO
PRTICA
O artigo Avaliao do impacto do Clculo Zero no desempenho de alunos ingressantes de cursos de

Engenharia, apresentado em 2013 por COUTO e cols. no COBENGE - Congresso Brasileiro de Educao
em Engenharia, teve como objetivo avaliar o impacto do Clculo Zero no desempenho de alunos
ingressantes em cursos de Engenharia e Cincia da Computao, tanto em termos da nota final em
Clculo Diferencial e Geometria Analtica e lgebra Linear (GAAL), quanto na chance de aprovao
nessas disciplinas. As perguntas-chave do trabalho eram: O Clculo Zero afeta de forma significativa
o resultado dos alunos nas disciplinas obrigatrias de Clculo Diferencial e GAAL? Vale a pena investir
045
unidade 2
em projetos de Clculo Zero? Quais so os fatores, as caractersticas que afetam o desempenho dos
alunos nessas duas disciplinas?
Vrias tcnicas de anlise exploratria de dados foram utilizadas no artigo. Por exemplo, usando um
grfico de linhas, uma srie temporal, mostrou-se no artigo a elevao no nmero de matrculas nas
duas disciplinas-alvo do trabalho, Clculo Diferencial e GAAL:
FIGURA 19 - Evoluo do nmero de alunos matriculados e o percentual de aprovados

em Clculo Diferencial e GAAL. Entre o 2 semestre de 2009 e o 2 semestre de 2012, o
percentual de aprovao em ambas as disciplinas apresentou elevao, principalmente em
Clculo Diferencial. O nmero de alunos matriculados nas disciplinas tambm aumentou de
forma importante no perodo, principalmente aps o 1 semestre de 2011.
Fonte: COUTO et al., 2013.
Um diagrama de disperso foi construdo mostrando claramente o efeito das faltas s aulas na nota
final de Clculo Diferencial:
046
unidade 2
FIGURA 20 Grfico de disperso considerando o percentual de faltas/ausncias

s aulas de Clculo Diferencial e a nota final do aluno nessa disciplina: anlise
considerando somente alunos em que foram registradas pelo menos uma falta
s aulas durante o semestre. H uma forte correlao negativa (r= -0,77) entre
ausncias s aulas e a nota final do aluno: quanto mais faltas s aulas o aluno tiver,
menor a sua nota final em Clculo Diferencial. IET/ UniBH, 1 semestre de 2011.
Fonte: COUTO et al., 2013.
Alm de grficos, tabelas com a sntese numrica dos dados coletados no estudo tambm foram
apresentadas no artigo. O uso dessas ferramentas estatsticas de anlise de dados mostrou de forma
inequvoca que valia a pena implementar aes como o Clculo Zero, pois o fato de se ofertar essa
disciplina afetava o resultado dos alunos nas disciplinas obrigatrias de Clculo Diferencial e GAAL.
Esse um exemplo real de como usar a anlise exploratria dos dados e outras tcnicas de
Estatstica e Probabilidades para se entender a fundo um problema, resolvendo-o e se tornando um
especialista na rea.
Referncia:
XLI CONGRESSO BRASILEIRO DE EDUCAO EM ENGENHARIA, 2013. Avaliao do Impacto do Clculo Zero no
Desempenho de Alunos Ingressantes de Cursos de Engenharia. Paran: FADEP, 2013. Disponvel em: <http://www.
fadep.br/engenharia-eletrica/congresso/pdf/116280_1.pdf>. Acesso em 14 maio 2015.
047
unidade 2
REVISO
coisas realmente conhecidas.
Vimos nesta unidade os principais tpicos

da anlise exploratria de dados, tambm
denominada de Estatstica Descritiva:
Sntese numrica: O resumo de uma

varivel categrica muito simples, basta
que voc apresente suas categorias, a
Sntese grfica: Uma figura vale mais que

mil palavras! Isso verdade, entretanto
um grfico vale mais que mil palavras se
e somente se ele for desenhado de forma
clara, correta e concisa. Sempre desenhe
grficos a partir de seus dados, mas tente
frequncia de valores em cada categoria

e os respectivos percentuais. J a sntese
de variveis quantitativas mais ampla e
envolve resumir dois aspectos:
1) Um valor tpico ou caracterstico para a
varivel, que definido pela mdia ( X ) e
faz-los de tal forma que a frase basta
pela mediana (Md). Se mdia e mediana
olhar para entender seja vlida. Os grficos
forem semelhantes, ento a mdia deve
mais teis para anlise de dados de
ser usada para representar os dados.
experimentos de pequeno e mdio porte na
Entretanto, caso haja discrepncia muito
rea de Cincias Exatas e Engenharia so:
grande entre mdia e mediana, ento se
grficos de pizza, barras, colunas, linha,
deve usar a mediana para representar os
sries histricas, histograma, grfico de
dados;
Pareto, grfico misto, de coluna e de linha,

diagrama de disperso e box-plot. Na
prtica devemos construir grficos usando
2) Uma medida do grau de variabilidade ou

de disperso dos dados, calculada pelo
ferramentas computacionais como o Excel.
desvio padro amostral ( ) e o coeficiente

de variao (CV).
Sntese tabular de dados: Na anlise

exploratria de dados, em ltima instncia,
todos os resultados so apresentados ou
PARA SABER
na forma de figuras ou de tabelas. Assim,
MAIS
invista no ttulo da tabela e sempre coloque

respostas claras para pelo menos quatro
perguntas: O que? Quem? Quando? Onde?
Caso voc deseje aprofundar sobre as questes
Tambm sugiro que a interpretao das
discutidas nesta unidade, leia os captulos 2 e 3
informaes na tabela seja colocada no
do livro texto: LEVINE, David M. et al. Estatstica:
prprio ttulo. Se necessrio, coloque notas
teoria e aplicaes: usando Microsoft Excel em
explicativas, usando siglas somente para
portugus. 6. ed. Rio de Janeiro: LTC, 2012,
048
unidade 2
UNIDADE
INTRODUO
TEORIA DE PROBABILIDADES
origem da teoria das probabilidades comumente associada questes colocadas

por MR (1607-1684) a PASCAL (1623-1662). Todavia, existem autores que
sustentam que o clculo das probabilidades iniciou-se na Itlia, com PACCIOLI
(1445-1514), CARDANO (1501-1576), TARTAGLIA (1499-1557) e GALILEO (1564-1642),

dentre outros.
Contudo, foi ADOLPHE QUTELET (1796 1874) o pioneiro na tarefa de mensurar, ou seja,
quantificar uma pequena amostra do universo de interesse da investigao, almejando inferir
sobre toda a populao em estudo, baseando-se em anlises probabilsticas e embasando-se
em rigorosos mtodos cientficos.
A teoria das probabilidades, porm, s comea a fazer sentido nas engenharias por volta
de 1930, quando surgem os primeiros trabalhos prticos destinados aos engenheiros. O
primeiro foi executado pelo matemtico WILLIAM GOSSET (1876 1937), com a aplicao das
probabilidades no Controle de Qualidade em uma fbrica de Cervejas.
A teoria das probabilidades uma importante rea da estatstica que possibilita ao profissional
no mercado de trabalho calcular percentuais, trabalhar com estimativas e realizar predies
em toda e qualquer rea do conhecimento. No que tange s Engenharias, a probabilidade
est presente no controle de processos de produtos e servios, permitindo estimar o risco e o
acaso de eventos futuros. Tambm amplamente utilizada no que tange ao planejamento de
novas tcnicas e estratgias de produo e vendas, dentre outras.
050
unidade 3
Suponha que voc o engenheiro responsvel pela qualidade na linha de produo de uma
grande marca de bebidas. Sabe-se que no possvel experimentar todos os produtos
antes de disponibiliz-lo ao mercado, pois ningum compraria uma bebida j provada, e que
o processo de fabricao composto por etapas, por interferncias dos funcionrios, por
equipamentos (que podem estar ou no muito bem regulados), e por uma srie de outros
fatores controlveis ou no, como at mesmo uma simples umidade excessiva no ambiente de
fabricao devido ao perodo chuvoso. No entanto, voc pode suspeitar que um determinado
lote, devido variabilidade inerente ao processo, apresente um percentual de itens no
conformes maior que o permitido pelos rgos fiscalizadores.
A teoria das probabilidades vem auxili-lo nesse processo de tomada de deciso, permitindo
inferir sobre a populao em estudo, ou mesmo sobre eventos que ainda iro ocorrer,
estimando as chances de sucesso do mesmo.
A TEORIA DAS
PROBABILIDADES
A teoria das probabilidades nasce na Idade Mdia com os tradicionais jogos de azar existentes
na Corte. Jogos de cartas e dados, ou mesmo os lanamentos de moeda so classificados
como fenmenos que envolvem o acaso, assim como a maioria dos jogos esportivos. Uma
aplicao direta da teoria das probabilidades no campo das Engenharias o processo de
deciso, seja para aumentar o investimento ou cortar despesas, no qual o profissional do
mercado de trabalho deve arriscar-se mantendo os ps no cho.
CONCEITO
Um dos principais conceitos matemticos amplamente estudado no que diz respeito teoria das
probabilidades o de conjunto. Um conjunto pode ser definido como uma coleo de objetos, itens ou
servios que possuem caracterstica (s) comum (s).
No contexto da teoria das probabilidades, o conjunto de todos os resultados possveis a ser estudado
em um experimento aleatrio denominado espao amostral.
Espao Amostral () qualquer conjunto de todos os possveis resultados em um experimento aleatrio.
051
unidade 3
Sendo definido como experimento todo e
temos duas possibilidades (cara ou coroa)
qualquer resultado que sugere a incerteza
em cada lanamento, portanto o espao
antes da observao, ou seja, fenmenos
amostral () dado por:
que,
mesmo
repetidos
vrias
vezes
sob
= ( possibilidades )(repeties)= 23 = 8
condies semelhantes, apresentam resultados

imprevisveis
(acaso).
Os
resultados
dos
experimentos so nomeados estatisticamente
Se tivermos eventos distintos, como no
como eventos.
lanamento de um dado e uma moeda, o
Um Evento Aleatrio (E) qualquer subconjunto

de um espao amostral.
das probabilidades por definir o espao

de interesse da investigao, permitindo
ao pesquisador de toda e qualquer rea
do conhecimento fazer inferncias sobre
o todo a partir da parte estudada. Pode
ser definido de acordo com o evento de
interesse da investigao, podendo ser
caracterizado por: (1) o mesmo evento
repetidas vezes; ou (2) eventos distintos; ou
(3) eventos aleatrios.
no
lanamento
No lanamento de uma moeda e um dado,

temos duas possibilidades da moeda (cara
ou coroa) e seis possibilidades do dado
(os nmeros inteiros de 1 a 6). Portanto, o
espao amostral () dado por:
= ( possibilidades ) . ( possibilidades ) =
2.6 = 12
Se tivermos eventos aleatrios, como o
nmero de funcionrios ausentes em um
Se tivermos o mesmo evento repetidas

como
da quantidade de possibilidades de cada

evento, como:
O espao amostral () essencial na teoria
vezes,
espao amostral () dado pelo produto
de
um
dado ou de uma moeda, ou mesmo nas

possibilidades de filhos de um casal, ou
de peas defeituosas em uma linha de
produo, o espao amostral () dado
pelas possibilidades do evento elevado
ao nmero de repeties realizadas, por
exemplo:
No lanamento de uma moeda trs vezes,
dia de trabalho de uma determinada linha

de produo, ou mesmo o nmero de
caminhes presentes em uma determinada
rota, no h um modelo matemtico que
simplifique a mensurao dos elementos
que compem esse espao amostral.
preciso
apelar
para
princpio
fundamental da contagem, ou seja, o

servio braal.
Os eventos que compem o espao
amostral podem ser classificados de acordo
052
unidade 3
com a sua ocorrncia. Os eventos nos quais
do que tem, ou seja:
cada elemento do banco de dados pode
Probabilidade = Quer
Tem
ocorrer com a mesma probabilidade so
20 passo
10 passo
chamados de eventos equiprovveis.

Existem duas restries aplicao da
Eventos Equiprovveis so aqueles cujos
definio da probabilidade clssica: (1)
todos os elementos do banco de dados
todos os eventos possveis devem ter a
tm a mesma probabilidade de ocorrncia.
mesma probabilidade de ocorrncia, ou

seja, os eventos devem ser equiprovveis e
Os
eventos
so
classificados
como
mutuamente exclusivos, se eles no
(2) deve-se ter um nmero finito de eventos

possveis.
puderem ocorrer simultaneamente, ou

seja, A B= .
LEIS BSICAS DE
Se E = , E chamado de evento certo.
PROBABILIDADES
Se E = , E chamado de evento impossvel.

Para qualquer evento E de um espao
amostral : 0 P ( E ) 1;
PROBABILIDADE
CLSSICA E
P ( ) = 1;
PROBABILIDADE
FREQUENTISTA
P ( Ac ) = 1 - P ( A ), sendo Ac o evento
complementar ao evento A;
A probabilidade de realizao de um evento

A dada pelo quociente entre o nmero de
LEMBRE
ocorrncias de A pelo nmero de eventos

possveis, ou seja:
P(A)=
nmero de orcorrncias de A
espao amostral ()
As operaes com os eventos utilizam as

mesmas propriedades matemticas, ou seja:
A probabilidade pode ser resumida como

o quociente do que se quer pelo que se
tem. Na qual primeiro determina-se o que
possvel ter e depois retira o que se quer
do que se tem, no podendo querer mais
053
unidade 3
QUADRO 3 Leis Matemticas

PROPRIEDADE
DESCRIO MATEMTICA
Associatividade
(AB)C=A(BC)
(AUB)UC=AU(BUC)
Comutatividade
AB = BA
AUB = BUA
Distributividade
(AB)UC=(AUC)(BUC)
(AUB)C=(AC)U(BC)
Absoro
ACB AB=A
ACB AB=B
Modulares
A = A
A =
A =
A =A
AB = AUB
AUB = AB
Leis de De Morgan
A=A
Dupla negao
UNIO E INTERSEO
DE EVENTOS
A unio de dois eventos A e B, indicada por A U B, o evento que contm todos os elementos
de A e todos os elementos de B.
P(AUB)=P(A)+P(B)-P(AB)
P ( A U B ) = P ( A ) + P ( B ), se A e B so mutuamente exclusivos;
A interseo de dois eventos A e B, indicada por AB, o evento que contm todos os elementos
comuns a A e B.
P(A B) = P(B). P(A | B)
054
unidade 3
Sendo P ( A | B ), a probabilidade condicional, ou seja, a probabilidade de A ocorrer sabendo

que o evento B ocorreu.
TABELA 12 Tipo Sanguneo
TIPO SANGUNEO
AB
TOTAL
Positivo
156
139
37
12
344
Negativo
28
25
65
Total
184
164
45
16
409
Fonte: Elaborado pela autora.
A probabilidade de o doador ter tipo sanguneo O ou A dada por:

184 + 164 = 0,8508
409
A probabilidade de o doador ter tipo sanguneo B ou ser Rh negativo dada por:
45 + 65 - 8 = 0,2494
409
CONCEITO
Dois ou mais eventos podem ser classificados como mutuamente exclusivos quando a realizao de um
exclui a realizao do (s) outro (s). No lanamento de uma moeda, o evento "tirar cara" e o evento "tirar
coroa" so mutuamente exclusivos, j que a realizao de um deles implica, necessariamente, na no
realizao do outro.
Portanto, em eventos mutuamente exclusivos, a probabilidade de que um ou outro se realize igual
soma das probabilidades de que cada um deles se realize.
055
unidade 3
classificados nas duas categorias. O que
DICAS
se almeja saber : o tratamento alterou

significativamente a proporo de objetos
em cada uma das duas categorias?
Eventos mutuamente exclusivos no a mesma

coisa de eventos independentes. O primeiro
EXEMPLO
utilizado quando apenas um dos eventos pode

ocorrer, excluindo qualquer probabilidade de
ocorrncia do outro. J o segundo utilizado
quando a ocorrncia de um dos eventos no
Em relao pratica apresentada no incio
afeta a ocorrncia do outro.
dessa unidade, suponha que em uma amostra
Exemplo: Um grupo de alunos que usa culos

independente do nmero de alunos do sexo
masculino em sala de aula, mas no so eventos
mutuamente exclusivos, pois possvel ter
alunos do sexo masculino em sala de aula que
usam culos.
de 2000 produtos disponibilizados ao mercado,

sejam 800 refrigerantes e 1200 cervejas, dos
quais 5 e 10 apresentaram algum tipo de
defeito, respectivamente, seja no rtulo da
embalagem, no volume lquido ou qualquer
outro tipo de avaria. A tabela 1 apresenta uma
tabela de contingncia para melhor visualizar
esses dados.
TABELAS DE
CONTINGNCIA
As tabelas de contingncia so aplicadas na
avaliao do relacionamento das categorias
com respeito aos grupos segundo dois
modos: independncia ou homogeneidade.
Ou seja, eventos com dupla entrada.
A aplicao de tabela de contingncia
dois por dois dada quando n elementos,
selecionados
aleatoriamente
de
uma
populao, so classificados em duas

categorias. Depois dos elementos serem
classificados, um tratamento aplicado
e alguns so examinados novamente e
056
unidade 3
TABELA 13 - Produtos Disponibilizados

CERVEJA
REFRIGERANTE
TOTAL
Bom
1190
795
1985
Defeito
10
15
Total
1200
800
2000
A partir dessa tabela, possvel estimar que a probabilidade dessa empresa disponibilizar um
produto (dentre cervejas e/ou refrigerantes) no mercado com algum tipo de defeito dada por:
P (defeito) = 15 = 0,0075
2000
Portanto, apenas 0,75% dos produtos disponibilizados por essa empresa apresentam algum
tipo de defeito.
IMPORTANTE
A tabela de contingncia um processo de organizar a informao correspondente a dados dicotmicos.
De uma maneira geral, uma tabela de contingncia uma representao dos dados, quer de tipo
qualitativo, quer de tipo quantitativo, especialmente quando so de tipo bivariado, isto , podem ser
classificados segundo dois critrios.
EVENTOS
INDEPENDENTES
Um ou mais eventos pode (m) ser classificado (s) como independente (s) quando a realizao
de um dos eventos no afeta a probabilidade de ocorrncia do outro, e vice-versa.
Quando dois eventos so independentes, P ( A B ) = P ( A ) . P ( B ).
057
unidade 3
EXEMPLO
Nota na prova e ter feito a prova de chinelo;
O valor de venda de um produto e a cor do cabelo das funcionrias que o fabricaram.
TEOREMA
DE BAYES
A probabilidade condicional, ou seja, as chances de um evento A ocorrer, dado que outro
evento B ocorreu, dada por:
P(A|B)=
P(AB)
P(B)
para P ( B ) > 0.
O teorema de Bayes prope que, se os eventos E1,E2,,En so parties do espao
amostral , ento:
P ( Ei | B ) =
P ( B | Ei ) . P ( Ei )
P(B)
Recorrendo lei de probabilidade total, possvel inferir que:

P ( Ei | B ) = ( P ( B | Ei ) . P ( Ei )
P ( B | Ej )
CONCEITO
Seja B1, B2, , Bn um conjunto de eventos mutuamente exclusivos cuja unio forma o espao amostral .
Seja E outro evento no mesmo espao amostral , tal que P ( E ) > 0, ento:
P ( E ) = P ( E | B1 ) + P ( E | B2 ) + P ( E | B3 ) + ...+ P ( E | Bn )
P ( E ) = P ( B1 ) . P ( E | B1 ) + P ( B2 ) P ( E | B2 ) + P ( B3 ) P ( E | B3 ) + ...+ P( Bn ) P ( E | Bn )
058
unidade 3
Portanto,
uma simples umidade excessiva no ambiente

de fabricao devido ao perodo chuvoso. Voc
P ( E ) = P ( Bi ) . P ( E | Bi )
pode suspeitar que um determinado lote, devido

variabilidade inerente ao processo, apresente
um percentual de itens no conformes maior que
EXEMPLO
o permitido pelos rgos fiscalizadores?
Numa sala de aula, sabe-se que 10% dos

homens e 2% das mulheres tm mais de 1,80 m.
A sala tem 70% de mulheres e 30% de homens.
Um estudante foi escolhido aleatoriamente, e
constatou-se que tem mais de 1,80 m. Qual a
probabilidade de que seja homem?
Se a empresa aqui citada produzir dois lotes

com duas mil unidades em cada por semana,
distribudas entre 1000 cervejas, 600 refrigerantes
e 400 sucos por lote, com aproximadamente
0,2, 0,1 e 0,15 por cento de itens defeituosos,
respectivamente, podemos utilizar a teoria das
0,10 . 0,70
= 0,9211
0,10.0,70+0,02.0,30
probabilidades para responder questes como:

a) Qual o percentual de refrigerantes

distribudos semanalmente?
APLICAO
PRTICA
b) Qual a probabilidade do consumidor

adquirir um suco?
A teoria das probabilidades pode auxiliar
c) Dentre
as
cervejas,
qual
facilmente a resolver o problema proposto no
probabilidade do consumidor adquirir
incio dessa unidade. Vejamos:
uma cerveja com defeito?
Suponha que voc o engenheiro responsvel
d) Dentre os sucos, qual a probabilidade
pela qualidade na linha de produo de uma
do consumidor adquirir um suco sem
grande marca de bebidas. Est ciente de que
defeito do primeiro lote?
no possvel experimentar todos os produtos

antes de disponibiliz-lo ao mercado, pois
e) Sabendo que foi adquirido um produto

com defeito, qual a probabilidade de
ningum compraria uma bebida j provada, e
ser um suco?
que o processo de fabricao composto por

etapas, por interferncias dos funcionrios, por
Para responder essas questes, utilizamos a
equipamentos (que podem estar ou no muito
probabilidade clssica para responder o item (a);
bem regulados), e por uma srie de outros
a unio de probabilidades para responder o item
fatores controlveis ou no, como at mesmo
(b); a probabilidade condicional para responder o
059
unidade 3
item (c); e o teorema de Bayes para responder o item (d). Ou seja:

a) P (refrigerante ) = 1200 =0,30 = 30%

4000
b) P (suco) = 400 + 400 = 0,40 = 40%

2000 2000
Observe que, neste caso, tanto faz se o consumidor adquirir um suco do primeiro lote ou do segundo
lote, independente da ordem de ocorrncia do evento.
P (cerveja com defeito )
c) P ( defeitocerveja ) =
d) P ( suco sem defeito do primeiro lote | suco ) =
P ( cerveja )
0,5. 0,2 . 0,85
0,2.1000 + 0,2 * 1000

1000 + 1000
= 0,0850 = 0,5
0,5.0,2.0,85+0,5.0,2.0,85
0,1700
060
unidade 3
400
2000
= 0,20
P ( suco com defeito defeito ) =
2. (0,5 . 0,2 . 0,15 )

2. ( 0,5 . 0,2 . 0,15 + 0,5 .0,3 .0,1 + 0,5 .0,5 .0,2
= 0,0150 = 0,1875
0,0800
REVISO
A teoria das probabilidades utilizada em todas as reas do conhecimento. Ela visa auxiliar
o profissional no mercado de trabalho a predizer valores futuros, estimando as chances de
ocorrncia de um evento antes que ele ocorra.
Para calcular a probabilidade, basta dividir o que se quer pelo que se tem, ou seja:
Probabilidade = Quer
Tem
20 passo
10 passo
Sendo imprescindvel, primeiro, definir o que se tem para somente depois retirar do que se
tem o que se quer.
Quando a ocorrncia de um evento no afeta a realizao ou no de um outro evento, eles so
classificados como eventos independentes.
O Teorema de Bayes aplicado em situaes cuja a probabilidade de ocorrncia de um evento
est vinculada s chances de sucesso de um outro evento.
061
unidade 3
cartas. Ele recrutado para integrar o grupo dos
PARA SABER
mais talentosos estudantes da escola, que todos
MAIS
os fins-de-semana vo a Las Vegas, com falsas

identidades e com as suas mentes brilhantes,
Filmes
so capazes de aumentar em grande escala as
A Probabilidade Estatstica do Amor Primeira

Vista (Adaptado)
probabilidades de ganhar no blackjack.

Alm disto, ainda contam com o professor
de matemtica (e gnio da estatstica) Micky
Jennifer E. Smith
Rosa (Kevin Spacey) como lder. A contagem
Com uma certa atmosfera de 'Um dia', mas voltado
das cartas e um, muito bem definido esquemas
para o pblico jovem adulto, a probabilidade
de sinais, que permitem equipa vencer nos
estatstica do amor primeira vista uma
grandes cassinos. Seduzido pelo dinheiro e pelo
histria romntica, capaz de conquistar fs de
estilo de vida de Vegas, e pela sua inteligente
todas as idades. Quem imaginaria que quatro
e sexy amiga Jill Taylor (Kate Bosworth), Ben
minutos poderiam mudar a vida de algum?
comea a ir at ao limite.
Mas exatamente o que acontece com Hadley.

Presa no aeroporto em Nova York, esperando
outro voo depois de perder o seu, ela conhece
Oliver. Um britnico fofo, que se senta a seu lado
na viagem para Londres. Enquanto conversam
sobre tudo, eles provam que o tempo , sim,
muito, muito relativo. Passada em apenas 24
horas, a histria de Oliver e Hadley mostra que
o amor, diferentemente das bagagens, jamais se
Apesar da contagem da carta no ser ilegal,

o risco cada vez mais elevado e o grande
desafio prende-se agora com, no s manter
a contagem correta, mas tambm enganar o
chefe de segurana dos casinos: Cole Williams
(Laurence Fishburne).
Quebrando a Banca. Direo: Robert Luketic.
EUA: Sony Pictures, 2008. (123 min), son., color.,
legendado.
extravia.
SMITH, Jennifer E. A Probabilidade Estatstica do
Amor Primeira Vista. Rio de Janeiro: Galera Record,
2013
Quebrando a banca (Adaptado).

Ben Campbell (Jim Sturgess) um brilhante
estudante do M.I.T. (Instituto Tecnolgico de
Massachusetts). O seu nico problema no ter
dinheiro para pagar as contas escolares, mas
a soluo est onde ele menos esperava: nas
062
unidade 3
UNIDADE
MODELOS
PROBABILSTICOS
ssim como a Matemtica, tambm a Estatstica apresenta funes que norteiam

o comportamento de suas variveis, como as retas, parbolas e hiprboles.
Na Estatstica temos os modelos probabilsticos. Esses modelos so funes
paramtricas que descrevem o comportamento de uma varivel em estudo.
064
unidade 4
VARIVEIS
que resultam de processos aleatrios nos
ALEATRIAS
quais os resultados possveis so casuais e

formam um conjunto enumervel.
O estudo das variveis aleatrias de suma

importncia nas engenharias ou mesmo
So classificadas como variveis contnuas
em qualquer outra rea do conhecimento
as funes para as quais possvel associar
tcnico e cientfico. Isso porque, nem
infinitos valores a um intervalo ( a, b ), sendo
sempre, os dados que compem o estudo
que para valores que no pertencem ao
estatstico so nmeros, sendo necessrio
intervalo no qual se limita o experimento, a
descobrir um meio de transform-los em
probabilidade de ocorrncia zero.
nmeros, a partir de uma funo chamada

de varivel aleatria, visando facilitar a
estimativa das medidas estatsticas.
VARIVEIS
DISCRETAS
CONCEITO
funo P ( x ) aquela nas quais se

associam probabilidades aos valores da
varivel aleatria X abordada no estudo
estatstico. Ou seja, quando uma varivel
Probabilidade
Seja
um
experimento
aleatrio
qualquer
de um espao amostral e um espao de

probabilidades P. Ento a varivel aleatria X
no espao de probabilidade uma funo real
definida no espao amostral , tal que ( X x )
um evento aleatrio para qualquer x real.
As
variveis
aleatrias
podem
aleatria X assume os valores x1,x2,x3,,xn

com as respectivas probabilidades p ( x1 ),
p ( x2 ), p ( x3 ) ,, p ( xn ) definidas por uma P
( X ), na qual a soma de todas as possveis
probabilidades igual a um, conforme
apresentado na tabela 14, ou seja:
ser
classificadas como contnuas ou discretas,

de acordo com o domnio da varivel
abordada no estudo. So classificadas
como variveis discretas as funes para as
quais possvel associar um nico nmero
real a cada evento de uma partio do
espao amostral . Portanto so variveis
065
unidade 4
TABELA 14 - Distribuio de probabilidades discretas

X
x1 x2 x3 ... xn
P (X) p ( x1 ) p ( x2 ) p ( x3 ) ... p ( xn )
Para uma distribuio discreta de probabilidades, possvel definir a funo acumulada

indicada por F ( x ) = P ( X xi ), ou seja, a probabilidade da varivel aleatria assumir valores
menores ou iguais a xi.
O valor esperado, indicado por E ( x ) = , a esperana matemtica de uma varivel aleatria
discreta X que assume os valores x1, x2, x3, , xn com as respectivas probabilidades p ( x1 ), p ( x2 ),
p ( x3 ),, p ( xn ) definidas por uma P ( Xn ), ou seja, igual ao valor mdio da varivel:
E ( x ) = x1 . p ( x1 ) + x2. p ( x2 ) + x3 .p ( x3 )+...+ xn. p (xn)
n
E (x) = xi . p ( xi )
i =1
DICAS
O valor esperado, indicado por E (x) = , a mdia de uma varivel discreta.
A varincia, ou seja, a medida estatstica que concentra as probabilidades em torno da mdia

indicada por Var ( x ) ou 2 e dada por:
Var ( x ) = E ( x2 ) - [ E ( x ) ] 2
sendo E ( x ) o valor esperado, e E (x2 ) dada por:
E ( x2 ) = x12 . p ( x1 ) + x22. p ( x2 ) + x32 . p ( x3 ) + ... + xn2 . p ( xn )
n
E ( x2 ) = xi . p ( xi )
i =1
066
unidade 4
DICAS
O desvio padro indicado por DP ( x ) = a raiz da varincia, ou seja:
DP ( x ) =
Var ( x )
Para uma varivel aleatria n-dimensional (tambm chamada de vetor aleatrio), com n=2,
denota-se por ( X,Y ) o vetor aleatrio, sendo:
TABELA 15 - Distribuio discreta
VALORES ASSOCIADOS
VARIVEL X
P(Y)
Valores associados
varivel Y
Probabilidade conjunta
P ( X, Y )
Probabilidade
marginal de Y
P(X)
Probabilidade marginal de X
Pois P
(X,Y) uma
f.d.p.
IMPORTANTE
S possvel realizar anlises estatsticas sobre distribuies que sejam uma funo densidade de
probabilidade, ou seja, f.d.p. Dizemos que uma ou mais variveis so uma f.d.p. quando a soma de todas
as probabilidades que compem o evento em estudo igual a 1, ou seja, 100%. Portanto, uma ou mais
variveis podem ser classificadas como f.d.p. quando:
n
p ( xi ) = p ( x1) + ( x2 ) + p ( x3 ) + ... + p ( xn ) = 1
i =1
067
unidade 4
ATENO
As probabilidades so sempre dispostas paralelamente s suas variveis na construo da tabela
bidimensional. Portanto, se invertermos as posies de X e Y na tabela anterior, teremos a seguinte
distribuio de probabilidades:

VALORES ASSOCIADOS
VARIVEL Y
P(X)
Valores associados
varivel Y
Probabilidade conjunta
P ( X, Y )
Probabilidade
marginal de X
P(Y)
Probabilidade marginal de Y
Pois P
(X,Y) uma
f.d.p.
O valor esperado da distribuio conjunta, indicado por E ( X, Y), dado pelo produto entre
cada valor associado varivel X, com cada valor associado varivel Y e sua respectiva
probabilidade conjunta, ou seja:
n
E ( X, Y ) = xi . yj . p ( xi , yj )
i =1 j =1
E ( X, Y ) = a . d . p ( a , d ) + b . d . p ( b, d ) + c . d . p ( c, d ) + a . e . p ( a, e ) + b . e . p ( b , e ) +
+ c . e . p ( c, e ) + a . f . p ( a, f ) + b . f . p ( b, f ) + c . f . p ( c, f )
Para a tabela de distribuio a seguir:
X
P(Y)
P (a, d )
P ( b, d)
P ( c, d )
P(d)
P ( a, e )
P ( b, e )
P ( c, e )
P(e)
P ( a, f )
P ( b, f )
P ( c, f )
P(f)
P(X)
P ( a )
P ( b )
P(c)
068
unidade 4
VARIVEIS
E (x) = x .f ( x ) dx
CONTNUAS
uma funo f ( x ) aquela nas quais se

associam
probabilidades
aos
infinitos
A varincia, ou seja, a medida estatstica
valores da varivel aleatria X, abordada
que concentra as probabilidades em torno
no estudo estatstico. Ou seja, quando uma
da mdia indicada por Var ( x ) ou 2 e
varivel aleatria X assume infinitos valores
dada por:
em um determinado intervalo ( a, b ), sendo

a probabilidade igual a zero para valores
Var ( x ) = E ( x2 ) - [ E ( x ) ]2,
fora desse intervalo e a soma de todas as

possveis probabilidades contidas nesse
sendo E ( x ) o valor esperado, e E ( x2 ) dada
intervalo igual a um. Portanto, para as
por:
variveis contnuas, temos que:
E ( x ) = x2 . f ( x ) dx
2
f (x) 0, x C R;
A
+ oo
f ( x ) dx = 1 (toda rea sob a

- oo
curva de probabilidade, ou curva
de frequncia, definida por f ( x )

vale um);
Para
uma
varivel
aleatria
contnua
bidimensional, definida em todos os valores

dos nmeros reais, a funo densidade
de probabilidade conjunta f ( x, y ) uma
funo que satisfaz:
P ( a x b) =
(probabilidade
f ( x ) dx
correspondente
rea sob a curva limitada pelo

intervalo compreendido entre x
= a e x = b ). Esse assunto ser
mais detalhado posteriormente no
estudo da distribuio normal.
O valor esperado, indicado por E ( x ) = ,
a esperana matemtica de uma varivel
aleatria contnua X, que assume os
infinitos valores do intervalo ( a, b ), ou seja:
f ( x, y ) 0, para todo ( x, y ) R2;
f ( x, y ) d x d y =1
O valor esperado da distribuio conjunta,

indicado por E ( X, Y ), dado por:
E ( X, Y ) =R
x . y . f ( x, y ) d x d y
A covarincia para as variveis contnuas

ou discretas, ou seja, a medida estatstica
que possibilita verificar se as variveis
envolvidas na anlise so diretamente ou
069
unidade 4
inversamente proporcionais. Isso porque medida que X aumenta o Y tambm aumenta, ou

medida que X diminui o Y aumenta, respectivamente. Tal relao dada por:
Cov ( X, Y ) = E ( X, Y ) - E ( X ) . E ( Y )
E o coeficiente de correlao das variveis contnuas ou discretas, indicado por X , Y , ou seja,
a medida estatstica que mensura a relao entre as variveis X e Y dado por:
X, Y = Cov ( X, Y )
X . Y
Sendo -1 X,Y 1.
IMPORTANTE
ndependentemente de a classificao da varivel aleatria ser dada como discreta ou contnua, sendo
a e b constantes e x e y variveis aleatrias, valem as propriedades:
E(X)=
Var ( x ) = 2
E(a)=a
Var ( a ) = 0
E(ax)=a.E(x)
Var ( a x ) = a2 . Var ( x )
E(abx)=ab.E(x)
Var ( a b x ) =b2 . Var ( x )
E(axby)=a.E(x)b.E(y)
Var ( a x b y ) = a2 . Var ( x ) = b2 . Var ( y ) 2 . a . b . Cov ( x, y )
CONCEITO
Duas variveis aleatrias X e Y so independentes se o produto das distribuies marginais for igual
distribuio conjunta, ou seja:
p ( x ) . p ( y ) = p ( x , y ) para distribuio discreta;
f ( x ) . f ( y ) = f ( x , y ) para distribuio contnua.
070
unidade 4
MODELOS
Para se caracterizar como distribuio
PROBABILSTICOS
binomial, a varivel aleatria abordada no

estudo deve ter:
Assim como na Matemtica, temos os

modelos que representam o comportamento
a) n tentativas ou provas independentes, ou

seja, eventos sem reposio;
da varivel abordada no estudo, ou seja, as

retas, parbolas e hiprboles dentre tantas
outras funes matemticas. Na Estatstica,
b) cada uma das n tentativas s admite dois
os modelos probabilsticos descrevem o
resultados possveis, sendo eles sucesso
comportamento de uma varivel, sendo
ou falha;
possvel calcular a probabilidade associada

aos eventos da varivel abordada no
c) as probabilidades de sucesso e falha so
estudo, recorrendo apenas aos modelos
complementares e constantes durante
probabilsticos.
todo o processo de observao.
Esses
modelos
so
chamados de distribuies, apresentando

particularidades prprias que facilitam a
O valor esperado, ou seja, a mdia da
sua identificao, podendo ser divididos
distribuio binomial e a varincia so
em contnuos e discretos, assim como as
dadas por:
variveis estudadas no incio deste captulo.

E ( x ) = = n . p e Var ( x ) = 2 = np . ( 1 - p ),
respectivamente.
DISTRIBUIO
BINOMIAL
A probabilidade de ocorrncia de um
determinado
A distribuio binomial denotada por
casos dicotmicos, ou seja, experimentos

aleatrios com apenas duas possibilidades
distribuio
n
P ( X = x ) = ( x ). px. ( 1 - p )n-x
amostragens (tentativas) e p a probabilidade

uma distribuio discreta, aplicada em
na
binomial dada por:
X~Bin ( n; p ), sendo n o nmero de

de sucesso do experimento. Trata-se de
evento
n
sendo: ( x ) a combinao de n elementos
n
n!
x a x, ou seja: ( x ) =
e p a
( n- x) ! . x!
probabilidade de sucesso.
de resposta, denotadas por sucesso ou

falha. Podemos citar como exemplo o
A distribuio binomial amplamente
lanamento de uma moeda, um item ter
aplicada para avaliar probabilidades de
defeito ou no, um funcionrio faltar ou no.
eventos relacionados com controle de
071
unidade 4
qualidade, mercado de aes, risco de
P(X=x)=
aplices de seguro, anlise demogrfica e
e- . x
x!
vendas, dentre outras inmeras situaes

de controle da variabilidade inerente ao
processo produtivo.
A distribuio Poisson pode ser aplicada

como um caso limite da binomial, quando
o
tamanho
da
amostra
em
eventos
dicotmicos maior que 30.
DISTRIBUIO
POISSON
A distribuio Poisson denotada por

X~Poisson (), sendo a taxa mdia,
1
ou seja, = e sendo tambm sempre
inversamente proporcional ao intervalo de
tempo ou espao definido no problema.
Portanto, o seu valor deve corresponder ao
tamanho do intervalo apresentado. Assim,
para qualquer outro intervalo, o valor da
mdia deve sofrer a correo numrica
adequada.
discreta, aplicada em variveis aleatrias

cujo nmero de sucessos observados num
intervalo contnuo, de tempo ou espao,
estar
NORMAL
A distribuio normal denotada por

X~Normal (; 2 ), sendo o valor esperado,
ou seja, a mdia da distribuio normal e a
varincia dadas por:
E ( x ) = e Var ( x ) = 2, respectivamente.
Por
A distribuio Poisson uma distribuio
pode
DISTRIBUIO
relacionado
quantidade
de: carros que passam em um sinal por

minuto; defeitos por metro quadrado de um
revestimento; chamadas por hora numa
determinado
evento
Poisson dada por:
com
razes,
tanto
na
teoria
quanto na prtica, a distribuio normal

a mais importante das distribuies de
probabilidade. Isso porque muitas variveis
no mundo real tm comportamento bastante
aproximado
dessa
distribuio.
Sua
relevncia pode ser destacada pelo fato de:

a) seus resultados serem de fcil operao
matemtica;
delegacia etc.
A probabilidade de ocorrncia de um
diversas
b) muitas tcnicas estatsticas pressuporem

que os dados tm distribuio normal;
distribuio
c) os dados de muitas situaes reais,
072
unidade 4
embora no sejam rigorosamente normais, podem gerar bons resultados, facilitando o

tratamento matemtico;
d) a distribuio amostral de muitas estatsticas tenderem distribuio normal, em face do
teorema do limite central.
Essa distribuio classificada como contnua, podendo a varivel assumir qualquer valor
dentro de um intervalo previamente definido. Essa distribuio, delineada por uma curva em
forma de sino com f.d.p, dada por:
As principais propriedades da distribuio normal so:

1) ter a forma de um sino;
2) ser simtrica em relao mdia ;
3) ser assinttica1 em relao ao eixo de x;
4) ser unimodal2 e ter achatamento proporcional ao desvio padro ou varincia;
5) ter mdia, moda e mediana iguais.
FIGURA 21 - Distribuio normal
Fonte: TRIOLA, 2011, p.88.
1 - No toca o eixo x.
2 - S tem uma moda.
073
unidade 4
Como o clculo da rea abaixo da curva a integral da f.d.p. nos limites desejados e esse
clculo , muitas vezes, longo, a rea sob a curva pode ser simplificada pela transformao:
z=
x-
w
Sendo z uma varivel aleatria com distribuio normal, mdia zero e varincia 1, e x sendo
uma varivel aleatria com distribuio normal, mdia e varincia 2.
A rea total limitada pela curva normal e pelo eixo das abscissas 1u.a. (uma unidade de
rea), ou seja, 100%, sendo as reas sob a curva limitadas pela distncia entre o desvio padro
e a mdia. Essa rea apresentada na tabela a seguir.
TABELA 18 - rea sob a curva da normal
Fonte: BARBETTA, 2010, p. 377.
074
unidade 4
Sendo a primeira coluna e a primeira linha o nmero inteiro mais a primeira casa decimal e
a segunda casa decimal, respectivamente, do nmero z calculado pela estatstica de teste
x-
z=
e, no centro da tabela, as probabilidades correspondentes rea entre zero e esse
ponto, conforme ilustrao a seguir.

FIGURA 22 - Distribuio normal padro
APLICAO
PRTICA
Uma grande indstria compra diversos novos processadores de texto no final de cada ano, sendo que o nmero
exato deles depende da frequncia dos reparos no ano anterior. Suponha que o nmero de processadores,
indicado por X, que so comprados a cada ano, tenha a seguinte distribuio de probabilidade:
TABELA 19 - Distribuio de frequncias

X
P(X)
0,10
0,30
0,40
3
0,20
Se o custo do modelo desejado permanecer fixo em R$ 1500,00 durante este ano e um desconto de 50.X2
(em reais) for fornecido em relao a qualquer compra, quanto a empresa espera gastar E ( X ) em novos
processadores no final do ano?
E ( X ) = 0.0,1 + 1.0,3 + 2.0,4 + 3.0,2
E ( X ) = 1,7
075
unidade 4
REVISO
A distribuio discreta usada em casos cujos dados analisados podem ser alocados em uma
tabela de probabilidades, sendo que aquelas localizadas no centro da tabela so classificadas
como probabilidade conjunta e as localizadas nas laterais, como probabilidades marginais.
Probabilidades marginais so aquelas que correspondem a apenas uma das variveis em
estudo, e as probabilidades conjuntas so as que correspondem a duas variveis analisadas
concomitantemente.
A distribuio contnua usada em casos cujos dados analisados podem ser alocados em um
intervalo contnuo.
No que tange as distribuies de probabilidade, cabe ressaltar:
TABELA 20 - Reviso das medidas de tendncia central
DISTRIBUIO
LIMITAES
QUANDO USAR
Binomial
No usual para amostras com

mais de 30 elementos.
Quando os eventos estudados permitem apenas

duas respostas possveis.
Poisson
Quando o foco do estudo na quantidade do

perodo.
Normal
Quando a mdia e o desvio padro so

conhecidos.
PARA SABER
MAIS
MOORE, David. A estatstica bsica e sua prtica. Rio de Janeiro. LTC, 2014.
Para uma fundamentao matemtica mais aprofundada sobre o assunto, consulte a seguinte obra:
MONTGOMERY, Douglas; RUNGER, George Estatstica aplicada e probabilidade para engenheiros. 3 ed.
Rio de Janeiro: LTC, 2009.
076
unidade 4
UNIDADE
ESTIMAO DE MDIAS
E PROPORES
as unidades anteriores, voc estudou trs grandes reas do mtodo estatstico:

amostragem e coleta de dados; anlise exploratria de dados; e teoria de
probabilidades. A partir de agora, voc vai entender como essas reas se relacionam
para construir a quarta rea do mtodo estatstico, que a deciso na presena de incerteza
ou estatstica inferencial.
A estatstica inferencial recebe esse nome por ser um conjunto de mtodos e tcnicas que
permitem, a partir dos dados provenientes de uma amostra, inferir informaes sobre toda
a populao alvo do estudo. Logicamente existe uma incerteza associada a esse processo,
mas ela quantificada atravs dos nveis de confiana e margens de erro do estudo. Essa a
grande contribuio da estatstica inferencial, permitir que se conhea o nvel de incerteza da
informao antes de tomar decises.
Existe uma infinidade de tcnicas de estatstica inferencial, como os intervalos de confiana,
testes de hipteses paramtricos e no paramtricos, anlises de correlao e regresso,
dentre outras. Para que voc tenha noo da quantidade de tcnicas, imagine que exista um
curso de graduao em Estatstica com durao de quatro anos em que o aluno passa a maior
parte do tempo estudando tcnicas de estatstica inferencial. E ainda assim esse tempo no
suficiente para estudar todas as tcnicas!
A boa notcia que em todas essas tcnicas existe um ponto em comum, conceitos que
so utilizados em todas elas, como estimativa pontual, intervalos de confiana e testes
de hipteses. Esses conhecimentos esto presentes em todas as tcnicas de estatstica
078
unidade 5
inferencial. E exatamente o que estudaremos nas prximas unidades.

Nesta unidade, especificamente, voc vai conhecer o teorema principal da estatstica, o
fundamento de grande parte das tcnicas de estatstica inferencial: o teorema central do
limite. Esse teorema fala sobre a relao entre o modelo normal de probabilidades e a mdia
calculada a partir de uma amostra. Voc consegue imaginar qual seja essa relao?
Aqui voc vai descobrir como so calculadas as margens de erro das pesquisas eleitorais,
que so obtidas atravs das estimativas pontuais e intervalares para mdias e propores
populacionais. Vai descobrir como utilizar o Excel para construir uma calculadora para intervalos
de confiana. E tambm um software muito til para fazer vrias anlises estatsticas, o EpiInfo.
TEOREMA CENTRAL
DO LIMITE
Imagine a seguinte situao: um engenheiro de produo deseja monitorar um processo de

produo de fibra sinttica de maneira a garantir que a caracterstica de qualidade resistncia
trao esteja sempre dentro dos limites de especificao. conhecido que a resistncia
trao das fibras produzidas naquela empresa normalmente distribuda com mdia de 75 psi
(libras fora por polegada quadrada) com desvio-padro de 3,5 psi.
Como no vivel medir a caracterstica de qualidade em todas as peas produzidas (inspeo
100%) ele decidiu coletar amostras periodicamente para verificar se no houve alterao na
mdia do processo. Acontece que cada vez que ele coleta uma amostra e obtm a mdia
dessa amostra existe uma variao, ou seja, as mdias das amostras so sempre diferentes.
A dvida : o engenheiro pode afirmar que houve alterao na mdia do processo (de todas as
peas produzidas) ou a variao devida simplesmente uma flutuao amostral?
O teorema central do limite (TCL) poder auxiliar o engenheiro a interpretar os resultados
dessas amostras e resolver a dvida. O TCL diz que quando trabalhamos com amostras e
calculamos mdias, as mdias das amostras so normalmente distribudas em torno da
verdadeira mdia populacional. Isso acontece porque, exatamente pelo fato de serem
baseadas em sorteio aleatrio, as amostras so sempre diferentes e, se calcularmos ento a
mdia em cada amostra, bem difcil encontrarmos exatamente os mesmos valores.
079
unidade 5
Entretanto, apesar de as amostras serem
3,5 psi. Encontre a probabilidade de uma
diferentes
amostra aleatria de n = 25 fibras ter uma
se
terem
selecionarmos
mdias
vrias
diferentes,
amostras
resistncia mdia menor que 73,6 psi.
obtivermos suas mdias, podemos fazer um

histograma dessas mdias. Ao realizar esse
Note que a distribuio amostral de
procedimento poderemos ver que, medida
normal, com mdia X = 75 psi e um desvio-
que aumentamos a quantidade de amostras,
padro de
o histograma mais se assemelha curva

da distribuio normal de probabilidades
X = = 3,5 = 0,7 psi
n 25
e, ainda, a mdia dessas mdias mais se

aproxima da verdadeira mdia populacional.
Consequentemente,
probabilidade
desejada corresponde rea sombreada na
Definio do teorema central do limite:
figura abaixo.
Se X uma varivel aleatria com mdia e

varincia 2 e
FIGURA 23 - Distribuio amostral de X Mdia 75 e desvio-padro 0,7
a mdia de uma amostra
com n elementos dessa varivel aleatria,

ento podemos dizer que a forma limite da
distribuio de
z=
X-
a distribuio normal padro quando n

Fonte: Elaborada pelo autor.
tende ao infinito.
Podemos dizer ainda que X normalmente
distribudo com mdia X = e desviopadro X =
Desse modo, podemos dizer que

P(
< 73,6 ) = P ( Z < z ) onde o valor de z
obtido atravs da padronizao:
EXEMPLO
z=
Pensando no exemplo das fibras sintticas,

chamamos de X a varivel aleatria
73,6 - 75
= -2
35
25
Ento,
resistncia trao das fibras. Sabemos

que a mdia 75 psi e o desvio-padro
P(
080
unidade 5
< 73,6 ) = P ( Z < -2 ) = 0,0228 (pela
tabela da distribuio normal padro).

O resultado acima indica que a probabilidade de selecionar uma amostra de fibras e obter
resistncia mdia menor que 73,6 psi de 2,28%. Na Unidade 7 veremos que essa probabilidade
pode ser considerada baixa e, portanto, de posse dessa informao, o engenheiro poderia adotar
o seguinte critrio: ao observar uma amostra de fibras com resistncia mdia menor que 73,6
psi, o processo deve ser verificado.
importante ressaltar que o TCL pode ser utilizado ainda que a distribuio da varivel
aleatria X no seja normal, ou seja, o teorema valido para qualquer que seja a distribuio
de X. Essa a grande contribuio do TCL para o desenvolvimento dos mtodos estatsticos.
Entretanto, nas situaes em que a distribuio da varivel aleatria X seja muito assimtrica,
a aplicao do TCL adequada para amostras grandes ( n 30 ). A figura abaixo ilustra as
distribuies amostrais de
para diferentes populaes e diferentes tamanhos de amostra.
FIGURA 24 - Distribuies amostrais de

Populao original
(distribuio de X)
para diferentes populaes e tamanhos de amostra
Distribuio amostral
de X para n = 2
Distribuio amostral
de X para n = 5
Fonte: Elaborao do autor.
081
unidade 5
Distribuio amostral
de X para n = 30
Note nos grficos acima que a aproximao pela distribuio normal razovel para amostras com
30 ou mais observaes. Por essa razo, a utilizao do teorema central do limite adequada quando
o tamanho da amostra for ao menos 30 ou quando a distribuio da varivel aleatria X for normal.
Nos prximos tpicos, voc vai descobrir como aplicar o teorema central do limite para
obter estimativas intervalares para mdias e propores populacionais a partir da mdia e
propores amostrais. Na Unidade 7, o TCL ser utilizado para realizar testes de hipteses
sobre os parmetros populacionais.
ESTIMAO PONTUAL E POR INTERVALOS DE CONFIANA
PARA UMA MDIA POPULACIONAL
Neste tpico, voc vai aprender a obter uma estimativa para mdia populacional e calcular
a preciso dessa estimativa. Voc vai entender por que apresentar a margem de erro e o
nvel de confiana da pesquisa to importante quanto apresentar a estimativa pontual para
mdia. Aps a leitura deste tpico, voc ter um novo olhar sobre as estatsticas que lhe so
apresentadas diariamente em jornais ou revistas.
Considere que uma montadora desenvolveu um novo modelo e est elaborando a ficha tcnica
do veculo. Uma informao relevante para o cliente o consumo mdio de combustvel. Sabese que o consumo est relacionado ao tipo de combustvel (etanol ou gasolina ), maneira
de conduzir, ao tipo de via (cidade ou estrada), qualidade do combustvel, dentre outras
variveis. O consumo pode variar tambm entre os veculos de mesmo modelo, por essa razo
podemos tratar o consumo de combustvel como uma varivel aleatria.
Para definir o consumo mdio de combustvel do novo modelo de veculo, a montadora coletou
dados sobre distncia percorrida e consumo de combustvel de 35 veculos. Com esses dados,
calculou o consumo mdio na estrada e na cidade tanto para gasolina quanto para etanol. Os
resultados so apresentados na tabela abaixo:
TABELA 21 - Reviso das medidas de tendncia central
TRAJETO
ETANOL (KM/L)
GASOLINA (KM/L)
Cidade
8,7
12,5
Estrada
10,4
15,2
082
unidade 5
Os
35
veculos
que
participaram
do
Onde:
experimento podem ser considerados uma

amostra do total de veculos produzidos
z 2 est relacionado ao nvel de confiana
pela montadora, j que o objetivo obter
desejado para o estudo;
informao sobre todos os veculos do

referido modelo que so produzidos. Dessa

forma, a montadora est utilizando a mdia

da amostra
desvio-padro
populacional
da
varivel aleatria X;
para estimar , o consumo
mdio de todos os veculos.
n o tamanho da amostra coletada.
Dizemos que a mdia da amostra
O nvel de confiana do estudo definido
representa um nico estimador numrico
pelo valor de z2 que pode ser obtido da
da mdia da populao. Por essa razo,
tabela da distribuio normal padro. O nvel
recebe o nome de estimador pontual.
de confiana dado em valor percentual e
Observe, por exemplo, na tabela 20 que o
deve ser sempre inferior a 100%. Chamamos
consumo mdio do veculo na cidade com
significncia () o percentual restante, de
etanol foi estimado em 8,7 km/l, mas no foi
maneira que confiana + significncia =
apresentada nenhuma informao quanto
100%. Por exemplo, para um estudo com
preciso dessa estimativa.
95% de confiana, o valor de ser 5%. O

valor de z = 1,96 definido ento a partir da
No tpico anterior, vimos que a mdia
distribuio normal padro, como ilustra a
amostral
figura abaixo:
pode ser considerada uma
varivel aleatria. Isso significa que, caso

FIGURA 25 - Definio do valor
de z para confiana de 95%
selecionssemos outra amostra de 35

veculos e calculssemos o consumo
mdio na cidade com etanol, o resultado
poderia ser diferente de 8,7 km/l. Por
essa razo, a estimativa pontual deve vir
sempre acompanhada da margem de erro,
informando assim sua preciso. A margem
de erro pode ser obtida atravs da equao
abaixo:
E = Z
/2 n
083
unidade 5
Observe tambm que, para o clculo da
IC [ ; ( 100 - ) % ] =
margem de erro, precisamos conhecer o

desvio-padro populacional da varivel
aleatria X, isto , o desvio-padro do
consumo de combustvel de todos os
veculos do referido modelo produzidos
pela
montadora.
Entretanto,
como
amostra pode ser considerada grande ( n >

30 ), podemos utilizar o desvio-padro da
amostra s como aproximao de , e ento
o clculo da margem de erro ser:
E = Z
de ( 100 - ) % de confiana, dado pela
mdia amostral menos a margem de erro e a

mdia amostral mais a margem de erro.
O resultado do exemplo acima comumente
interpretado da seguinte maneira: se
correspondentes intervalos com 95% de

confiana, esperamos que a proporo de
para o verdadeiro consumo mdio de etanol

na cidade para esse veculo, com um nvel
de 95% de confiana, sabendo que o desviopadro do consumo de etanol na cidade
para a amostra dos 35 veculos foi de 4 km/l.
35
verdadeira mdia populacional, com um nvel
e, para cada uma delas, calcularmos os
/2 n
Ou seja, o intervalo de confiana para , a
obtivermos vrias amostras de 35 veculos
Vamos obter, portanto, a margem de erro
E = 1,96
intervalos que contenham o verdadeiro

consumo mdio seja igual a 95%.
Exemplo:
Para os dados da tabela 20, supondo que o
desvio-padro para o consumo de etanol na
estrada seja de 2 km/l, obtenha o intervalo
= 1,325
de 95% para o verdadeiro consumo mdio.
O clculo acima mostra que a margem de erro

do estudo de 1,325 km/l para o consumo
do veculo ao rodar com etanol na cidade.
Com isso, podemos dizer que o verdadeiro
consumo mdio do veculo de 8,7 km/l com
Soluo:
Para resolver a questo acima, podemos
utilizar a equao:
uma margem de 1,325 km/l para mais ou para

menos, ou seja, est entre 8,7 - 1,325 = 7,375
IC [ ; 95% ] =
km/l e 8,7 + 1,325 = 10,025 km/l. O intervalo

que acabamos de construir (7,375; 10,025)
Precisamos, portanto, encontrar a margem
conhecido como intervalo de confiana ou
de erro do estudo. Para isso, vamos utilizar
estimador intervalar e definido pela equao:
a equao:
084
unidade 5
E = Z
o desvio-padro populacional tambm
/2 n
desconhecido, o que torna inadequada a

aplicao da equao para o clculo da
margem de erro.
Logo:
E = 1,96 *
35
= 0,663
Felizmente,
quando
trabalhamos
com
grandes amostras ( n > 30 ), o desvio-
Ento:
padro amostral (s) uma boa aproximao

para o desvio-padro populacional (), o
IC [ ; 95% ] = 10,4 0,663
que possibilita a utilizao da equao

O intervalo comumente apresentado como
apresentada para o clculo da margem de
segue:
erro. Mas, o que fazer quando a amostra

pequena ( n < 30 )? exatamente o que
descobriremos aqui.
IC [ ; 95% ] = [ 9,737 ; 11,063 ]

Dessa forma, afirmamos com 95% de
Nas situaes em que a amostra pequena,
confiana que o consumo mdio de etanol
nos deparamos com dois problemas:
na estrada para o novo modelo de veculo

est entre 9,737 km/l e 11,063 km/l.
1. No podemos utilizar o teorema central

do limite para dizer que a mdia amostral
(
TCL vlido somente para amostras com
ESTIMAO POR
INTERVALOS DE
CONFIANA PARA
mais de 30 observaes.
2. A
UMA MDIA
POPULACIONAL
(AMOSTRAS
PEQUENAS)
pelo
desvio-padro
desvio-padro
Para contornar o problema 1, lanamos

mo do seguinte teorema:
intervalo de confiana exige o conhecimento

populacional
do
amostral considerada pobre.
que o clculo da margem de erro para o

desvio-padro
aproximao
populacional
Voc deve ter observado no tpico anterior
do
) normalmente distribuda, pois o
().
Entretanto, na maioria das vezes em que

se deseja estimar a mdia populacional,
085
unidade 5
Se X uma varivel aleatria normalmente

distribuda, ao selecionar amostras de
tamanho n, a distribuio amostral de
ser uma distribuio normal.
Esse teorema garante que, se a varivel aleatria X normalmente distribuda, ento a

distribuio amostral de
ser normal independente do tamanho da amostra.
Para contornar o problema 2, vamos precisar utilizar uma nova distribuio de probabilidades,
a distribuio t-student. Essa distribuio muito semelhante distribuio normal: tem
forma de sino, simtrica e tem mdia zero. A diferena que a distribuio t-student
mais achatada (tem caudas mais pesadas). Com isso, as estimativas obtidas a partir dessa
distribuio sero menos precisas.
FIGURA 26 - Comparao entre a distribuio normal e a distribuio t-student (5 gl)
A figura abaixo ilustra parte da tabela dos valores mais utilizados para distribuio t-student.
Para construo de intervalos de confiana, devemos olhar os valores para rea em duas
caudas e a rea deve se referir ao valor de + . Os graus de liberdade so dados por n 2

2
1, ou seja, o tamanho da amostra menos 1.
086
unidade 5
FIGURA 27 -Valores tabelados para distribuio t-studen
Fonte: TRIOLLA, 2013, p. 614.
Exemplo:
Uma equipe de engenharia est desenvolvendo uma nova mistura para concreto e deseja
estimar a resistncia mdia do produto compresso. Como o teste de resistncia
compresso um ensaio destrutivo, o mximo que a equipe conseguiu para realizao do
estudo foram 10 corpos de prova. A resistncia mdia compresso da amostra foi de 2.500
psi e o desvio-padro foi de 45 psi. Sabendo que a resistncia do concreto compresso segue
uma distribuio normal, obtenha uma estimativa intervalar para a verdadeira resistncia
mdia populacional com 95% de confiana.
Soluo:
Observe que o tamanho da amostra pequeno, n = 10, e o desvio-padro foi obtido da amostra
(no conhecemos o desvio-padro populacional). Nesse caso, para construir o intervalo de
confiana, necessrio utilizar a distribuio t-student e a margem de erro deve ser calculada
utilizando a equao:
087
unidade 5
E = t (
/2 ; n - 1) n
Onde t 2 ; n-1 obtido da tabela t-student, sendo os parmetros: 2 a rea em cada uma
das duas caudas e n - 1 os graus de liberdade.
Como o intervalo de 95% de confiana, sabemos que a significncia o = 5% (para consultar
a tabela usamos o valor em decimal, 0,05). Os graus de liberdade so obtidos calculando n-1,
ou seja, 10 - 1 = 9. Assim, encontramos que o valor de t0,025;9 de 2,262.
FIGURA 28: Tabela t-student - encontrando t 0,025;9
Fonte: TRIOLA, 2013, p. 614
Com isso, estimamos que a margem de erro ser:

E = 2,262 45 = 32,189
10
O intervalo de confiana pode ser ento obtido:
IC [ ; 95% ] = 2.500 32,189
IC [ ; 95% ] = [ 2.467,81 ; 2.532,19 ]
A equipe de engenharia pde interpretar o resultado como segue: afirmamos com 95% de confiana
que a resistncia mdia do concreto compresso est entre 2.467,81 psi e 2.532,19 psi.
088
unidade 5
ESTIMAO PONTUAL E POR

INTERVALOS DE CONFIANA
PARA UMA PROPORO POPULACIONAL

Como so calculadas as margens de erro das pesquisas eleitorais? Possivelmente no incio da
unidade voc tenha ficado instigado a descobrir como feito esse clculo. Antes de dar incio,
preciso entender que as pesquisas eleitorais buscam descobrir o percentual de eleitores
que so favorveis ao candidato A ou B, e esses percentuais so tratados na estatstica como
propores.
Para simplificar os clculos, vamos pensar em uma eleio que foi para o segundo turno e, portanto,
tem apenas dois candidatos. Uma empresa de pesquisa entrevistou 2.500 eleitores quanto
inteno de voto nos candidatos A e B. Note que "candidato" uma varivel qualitativa, e o que
queremos descobrir como estimar a probabilidade de sucesso em um experimento binomial em
que p a probabilidade de que o eleitor escolhido prefira o candidato A, por exemplo. Uma maneira
bem intuitiva de estimar p para a populao usar a proporo de sucessos da amostra:
= Nmero de eleitores que preferem o candidato A

p
Nmero de eleitores amostrados
Suponha que dos 2.500 eleitores amostrados 1.300 tenham declarado inteno de votar
no candidato A, 950 no candidato B e 250 em branco ou nulo. Assim, podemos estimar a
proporo de eleitores que votariam no candidato A por:
p = 1.300 = 0,52
2.500
Ou seja, a amostra indica que cerca de 52% dos eleitores tm inteno de votar no candidato
A. Entretanto, devemos lembrar que caso fosse realizada outra amostragem e fossem
selecionados outros 2.500 eleitores o resultado poderia ser diferente de 0,52. O valor de p
uma estimativa pontual para p, a verdadeira proporo de eleitores que tm inteno de votar
no candidato A em toda a populao.
Podemos tratar p como uma mdia, se pensarmos que X uma varivel aleatria que assume
0 quando o eleitor declara votar no candidato B, em branco ou nulo e 1 quando o eleitor declara
votar no candidato A. Nesse caso, podemos utilizar o teorema central do limite e dizer que p
089
unidade 5
normalmente distribudo com mdia p =
p.qn , onde q = 1-p,

ou de maneira aproximada = p.q , pois
n
E o intervalo de confiana ser:
p e desvio-padro p =
IC [ p ; 95% ] = 0,52 0,0196
no conhecemos os verdadeiros valores de
IC [ p ; 95% ] = [ 0,5004 ; 0,5396 ]
p e q.
Sabemos que o TCL vlido apenas
Podemos afirmar com 95% de confiana
para amostras grandes. No caso de
que a verdadeira proporo de eleitores que
estimativas para propores, dizemos
votam no candidato A em toda a populao
que a amostra grande quando n . p
est entre 50,04% e 53,96%. Observe que
5 e tambm n . q 5, ou seja, ambos os
afirmar com 95% de confiana significa
critrios devem ser satisfeitos.
dizer que, se fossem feitas 100 pesquisas

e calculados os intervalos de confiana,
Caso esses critrios tenham sido satisfeitos,
cerca de 95 deles conteriam a verdadeira
podemos calcular a margem de erro atravs
proporo de eleitores que votam no
da equao:
candidato A.
E = Z
Exemplo:
/2 pq
n
A empresa XYZ compra tubos de ao do

E ento o intervalo de confiana para p ser:
fornecedor A. Na ltima semana, a XYZ

recebeu uma proposta de comprar tubos de
E
IC [ p ; ( 100 - ) % ]= p
ao do fornecedor B pela metade do preo

do fornecedor A. Para decidir, o gerente de
No exemplo da pesquisa eleitoral, n . p

=
compras deseja estimar qual o percentual de
2.500 * 0,52 = 1.300 e n.q

= 2.500 * 0,48
no conformidade nos tubos do fornecedor
= 1.200. Como ambos os critrios foram
B (proporo de tubos defeituosos). Em um
satisfeitos,
uma
lote de 150 tubos havia 21 no conformes.
amostra grande o bastante para justificar
Obtenha o intervalo de 90% de confiana
a utilizao do TCL, logo podemos obter
para a verdadeira proporo de tubos no
a margem de erro com o nvel de 95% de
conformes do fornecedor B.
dizemos
que
temos
confiana:
E= 1,96
0,52 0,48
= 0,0196
2.500
Soluo:
Uma estimativa pontual para a verdadeira
proporo de tubos no conformes dada por:
090
unidade 5
p = 21 = 0,14
150
Verificamos que a aplicao do teorema
central do limite adequada, pois n . p = 21
= 150 * 0,86 = 129, ou seja, ambos
en.q
so maiores que 5, indicando que a amostra
suficientemente grande. Podemos estimar
a margem de erro do estudo pela equao:
E = Z
/2
E = 1,645
USO DO EXCEL
NO CLCULO DE
INTERVALOS
DE CONFIANA
PARA MDIA E
PROPORO
Agora que voc j sabe exatamente como
so obtidos os intervalos de confiana,
pq
vamos utilizar o Excel para construir uma
calculadora de intervalos de confiana.
0,14 0,86
= 0,047
150
Comearemos pelo intervalo para mdia.
Ento, definimos o intervalo com 90% de
Nos tpicos anteriores, vimos que o
confiana para p pela equao:
intervalo de confiana para a mdia

populacional pode ser obtido de duas
E
IC [ p ; 90% ] = p
maneiras:
utilizando
distribuio
normal (estatstica z) ou a distribuio

t-student (estatstica t). Vimos tambm
IC [ p ; 90% ] = 0,14 0,047
que a distribuio t-student utilizada

quando o tamanho da amostra menor
IC [ p ; 90% ] = [ 0,093 ;0,187 ]
que 30 e o desvio-padro populacional

O gerente de compras pode afirmar,
desconhecido. Nos outros casos,
com 90% de confiana, que a verdadeira
utilizamos a distribuio normal.
proporo
de
tubos
no
conformes
provenientes do fornecedor B est entre
Vamos construir primeiramente uma
9,3% e 18,7%. O gerente far sua deciso
calculadora para intervalos de confiana
baseado nessa informao e em outras que
utilizando
julgar convenientes.
Utilizaremos os dados sobre consumo
distribuio
normal.
de combustvel do primeiro exemplo.

A figura abaixo ilustra como deve ficar
nossa calculadora nas colunas A e B.
091
unidade 5
FIGURA 29 - Calculadora para intervalo de confiana para mdia:

amostras grandes ou desvio-padro populacional conhecido
Nas linhas 4 a 7 so inseridas as informaes iniciais do problema, como: desvio-padro,

que pode ser tanto da populao quanto da amostra; a mdia amostral
; o tamanho da
amostra n; e o nvel de confiana desejado. Note que a clula B7 deve ser configurada como
porcentagem.
Nas linhas 9 a 11 so realizados clculos intermedirios como erro padro da mdia x (ou x ),
o valor de z relativo ao nvel de confiana desejado e a margem de erro resultante. As frmulas
utilizadas para cada um dos clculos so apresentadas exatamente sua direita. Por exemplo,
na clula B9 foi inserida a frmula = B4/RAIZ(B6), que o desvio-padro dividido pela raiz do
tamanho da amostra. Nas linhas 13 e 14 apresentado o intervalo de confiana, sendo limite
inferior do intervalo o valor de
- E e o limite superior do intervalo o valor de
+ E.
Para construir a calculadora para amostras pequenas e desvio-padro populacional

desconhecido, vamos utilizar os dados do exemplo sobre a resistncia do concreto
compresso. O procedimento o mesmo do anterior, alterando apenas as informaes
relativas aos parmetros da distribuio t-student:
092
unidade 5
FIGURA 30 - Calculadora para intervalo de confiana para mdia:

amostras pequenas e desvio-padro populacional desconhecido
Para construir a calculadora de intervalos de confiana para propores, vamos utilizar os

dados do exemplo da pesquisa eleitoral. Nesse caso, os dados iniciais so o nmero de
sucessos e o tamanho da amostra. Lembrando que a palavra sucesso est relacionada
distribuio binomial e se refere ao nmero de vezes que ocorreu o evento de interesse. No
caso do exemplo sobre as eleies, o nmero de sucessos a quantidade de entrevistados
que declarou inteno de votar no candidato A, 1300 pessoas. O tamanho da amostra foi de
2500 entrevistados. Com esses dados, calcula-se a proporo estimada p dividindo o nmero
de sucessos pelo tamanho da amostra (clula B6).
O erro padro da mdia calculado atravs da equao p =
= implementada na clula
p.q
n
B9. As demais clulas utilizam as mesmas frmulas j apresentadas nas calculadoras

anteriores.
093
unidade 5
FIGURA 31 - Calculadora para intervalo de confiana para proporo
INTRODUO AO
PROGRAMA EPIINFO
O software EpiInfo uma ferramenta muito til para anlise de dados. Esse software foi
desenvolvido pelo Centro de Controle de Doenas (CDC) para anlise de dados epidemiolgicos,
entretanto pode ser utilizado em qualquer rea, inclusive em engenharia. O software est
disponvel no site www.cdc.gov/epiinfo
Veja no material web da disciplina os vdeos de instalao do EpiInfo e de introduo anlise
de dados utilizando essa ferramenta.
APLICAO
PRTICA
Um fabricante de anis para pistes de motor deseja verificar se seu produto atende as especificaes
do cliente. Para isso, resolveu estimar o dimetro mdio dos anis produzidos. A partir de uma amostra
094
unidade 5
de 40 anis, registrou-se dimetro mdio de
Ento:
74,045 milmetros com desvio-padro de 0,02
IC [ ; 99% ] = 74,045 0,008
milmetros. Construa o intervalo com 99% de

confiana para o verdadeiro dimetro mdio dos
O intervalo comumente apresentado como
anis.
segue:
Soluo:
IC [ ;99% ] = [ 74,037 ; 74,053]
Note que o enunciado no informou a distribuio
Dessa forma, afirmamos com 99% de confiana
de probabilidade da varivel dimetro dos anis
que o dimetro mdio dos anis est entre
e, alm disso, tambm no temos informao
74,037 milmetros e 74,053 milmetros.
a respeito do desvio-padro populacional

dessa varivel. Entretanto, como a amostra
considerada grande (40 anis), podemos valer
REVISO
do teorema central do limite e afirmar que a
Nesta unidade, voc aprendeu a construir
distribuio amostral do dimetro mdio dos
estimativas pontuais e por intervalos para
anis normal, com mdia e desvio-padro
os verdadeiros parmetros populacionais
,
n
onde o verdadeiro dimetro mdio dos
atravs de dados provenientes de amostras.
anis e o verdadeiro desvio-padro. Sabemos
Aprendeu tambm que existem ao menos
ainda que o estimador de X , a mdia amostral
quatro maneiras de obter estimativas
e o estimador de s, o desvio-padro amostral.
intervalares, e que a escolha da maneira
Dessa forma, utilizaremos as equaes abaixo
adequada para cada situao determinada
para construir o intervalo com 99% de confiana
basicamente pelo tipo de dados (qualitativo
para o verdadeiro dimetro mdio dos anis.
ou quantitativo) e pelo tamanho da amostra

( n < 30 ou n 30 ). O esquema abaixo
apresenta de maneira resumida o processo
IC [ ;99% ] = x E
Precisamos, portanto, encontrar a margem
de deciso:
de erro do estudo. Para isso, vamos utilizar a

equao:
E = Z
/2 n
Logo:
E = 2,575 *
0,02
40
= 0,008
095
unidade 5
FIGURA 32 Processo de deciso

Tipo de dados
Quantitativo parmetro
Qualitativo parmetro p
Amostra grande ( n 30 )
Amostra pequena ( n < 30 )
Aplicvel quando np 5 e nq 5
Pelo teorema central do

limite, o intervalo de
confiana pode ser obtido
pelas equaes 1 ou 2.
O intervalo de confiana pode

ser obtido pela equao 3
apenas se a populao tem
distribuio normal.
O intervalo de
confiana pode ser
obtido pela equao 4.
Fonte: Elaborada pelo autor
PARA SABER
MAIS
Caso voc tenha se interessado pelo assunto desta unidade e deseja aprofundar nesse contedo,
recomendo a leitura do captulo 5 do livro texto:
McCLAVE, James T. George Benson, Terry Sincich. Estatstica para administrao e economia. trad.
Fabrcio Pereira Soares e Fernando Sampaio Filho; rev. tc. Galo Carlos Lopez Noriega. So Paulo:
Pearson Prentice Hall, 2009.
Se voc deseja uma leitura mais formal e tem interesse em demonstraes das equaes, leia o captulo
8 do livro texto:
096
unidade 5
MONTGMOMERY, Douglas C. George C. Runger.

Estatstica
aplicada
probabilidade
para
engenheiros. trad. e rev. tc. Vernica Calado.

Se voc deseja um estudo de caso com aplicao
do contedo na rea de engenharia, leia o artigo:
NETO, Antnio Peli. Intervalos de confiana,
Intervalos de Predio e Campo de Arbtrio nas
Avaliaes de Imveis Urbanos. Associao
Brasileira dos Engenheiros Civis - Departamento
da Bahia. Bahia, 2010. Disponvel em: <http://
www.abenc-ba.org.br/attachments/289_
ANTONIO_PELLI_ABNT%20NBR%2014653-2%20
%282%C2%BAProjeto%29212751_1.pdf>.
Acesso em 16 jun. 2015.
097
unidade 5
UNIDADE
PLANEJAMENTO DE
EXPERIMENTOS
a Unidade 5, Estimao de mdias e propores, voc aprendeu a estimar

parmetros populacionais a partir de dados amostrais. Voc deve ter observado
que os resultados amostrais foram disponibilizados, mas no foram apresentados
os mtodos utilizados para seleo das amostras ou sequer a justificativa para o tamanho
amostral. Nesta unidade voc vai aprender a planejar um experimento de pequeno e mdio
porte na rea de Engenharia e Cincias Exatas, bem como calcular o tamanho mnimo de
uma amostra que tenha representatividade estatstica.
Uma situao que utiliza o planejamento de experimentos muito frequentemente o estudo

dos efeitos do tratamento trmico de metais sobre suas propriedades mecnicas. Considere
que uma equipe de engenharia deseja estudar o efeito de trs diferentes tipos de banho
de tmpera sobre a dureza de um determinado tipo de ao. Os tipos de banho de tmpera1
utilizados so tmpera em gua, tmpera em leo e tmpera em soluo aquosa de cloreto de
sdio (gua salgada). O propsito do estudo determinar qual banho de tmpera produzir a
dureza mxima do ao.
A princpio, a equipe considerou suficiente para o propsito do estudo submeter um
determinado nmero de corpos de provas a cada meio de tmpera e medir a dureza da liga
metlica. A partir desses resultados calcular-se-ia a dureza mdia em cada um dos diferentes
tipos de banho. Aquele que apresentasse a maior dureza mdia seria o mais adequado.
A tmpera consiste essencialmente em aquecer uma pea de ao a uma certa temperatura e, a seguir, resfrila rapidamente em um banho, usualmente gua, leo ou solues salinas. Seu objetivo , em geral, aumentar
a dureza do ao e tornar mais elevadas suas resistncias trao, compresso e ao desgaste
099
unidade 6
Entretanto, ao analisar o experimento com cautela, o engenheiro de produo detectou vrias

questes que deviam ser respondidas antes do incio da coleta de dados: gua, leo e gua salgada
so os nicos banhos de interesse no processo de tmpera? H outros fatores que possam afetar
a dureza do ao e que devem ser pesquisados? Quantos corpos de prova devem ser submetidos a
cada banho de tmpera? De que modo os corpos de prova devem ser alocados aos trs diferentes
banhos? Em que ordem os dados devem ser coletados? Qual mtodo de anlise de dados deve ser
utilizado? Qual diferena entre dureza mdia ser considerada significativa do ponto de vista prtico?
Diante de todas essas questes, a equipe constatou a necessidade de utilizar tcnicas
estatsticas para planejamento do experimento, a fim de assegurar a confiabilidade dos
resultados do estudo. So estas tcnicas que voc ir aprender nessa unidade.
CLCULO DE TAMANHO DE AMOSTRA

BASEADO EM INTERVALOS DE CONFIANA
PARA UMA PROPORO
Para alguns pesquisadores, a definio do tamanho da amostra o nico cuidado necessrio

para validade estatstica do estudo. Como voc observou na introduo dessa unidade, existe
uma srie de cuidados que devem ser tomados ao conduzir experimentos em engenharia,
alm do tamanho da amostra. A comear pelo objetivo do estudo.
Se o objetivo do estudo comparar resultados expressos em forma de porcentagens ou
propores, existe um mtodo adequado para o clculo do tamanho amostral. Se o objetivo
comparar resultados expressos em forma de mdias, existe outro mtodo adequado para
o clculo do tamanho amostral. Diversos outros fatores podem ser considerados nestes
clculos, alterando, assim, a adequao de cada mtodo.
Neste tpico voc aprender a calcular o tamanho amostral para um estudo que tem o
interesse de estimar uma proporo populacional. Os parmetros controlados so o nvel de
confiana e a margem de erro mxima desejados para o estudo. Vejamos um exemplo:
Exemplo 8
Uma empresa fabricante de motores deseja comprar correias do fornecedor Borracho,
pois o atual fornecedor tem apresentado um percentual elevado de peas defeituosas (no
100
unidade 6
conformes). Para estimar o percentual de
verdadeira proporo populacional. Esse
correias no conformes produzidas pelo
pressuposto pode no ser satisfeito na
fornecedor Borracho, a empresa fabricante
prtica. Nesse caso, deve-se utilizar o valor
de motores deseja adquirir uma amostra que
e a equao passa a ser:

0,5 no lugar de p,
seja representativa. A equipe de engenharia

deseja que seja conduzido um estudo com
Equao 2: Tamanho de amostra
95% de confiana e margem de erro mxima
exigido para estimativa de uma
da estimativa de 2 pontos percentuais, para
mais ou para menos. Qual o tamanho de
Desconhecendo estimativa de p
amostra necessrio para esse estudo? A
Z/220,25
n=
E2
equao abaixo dever ser utilizada para o

clculo do tamanho amostral desejado:
Para o exemplo das correias, a equipe
utilizou a equao 2, uma vez que no havia
conhecimento sobre a estimativa de p.
proporo populacional Conhecendo

uma estimativa de p
n=
Z/2 pq
n=
2
E
1,962 x 0,25
0,022
n = 2.401
Onde:
Dessa forma, a equipe concluiu que para

estimar a verdadeira proporo de correias
n: o tamanho da amostra calculado
no conformes produzidas pelo fornecedor
z2 : escore z que separa uma rea de
Borracho, com 95% de confiana e uma
/2 na cauda direita da distribuio
preciso de 2%, ser necessrio coletar uma
normal padro
amostra de 1.225 correias.
uma estimativa da verdadeira proporo

p:
Note que, caso a equipe tivesse uma
populacional.
informao quanto ao verdadeiro percentual
: obtido por 1-p
de correias no conformes e desejasse
E: a margem de erro mxima aceitvel
realizar um estudo apenas para confirmao

da informao o tamanho amostral, poderia
para o estudo.
ser significativamente menor. Suponha

Note que a equao acima exige que
que o fornecedor Borracho afirmasse
se tenha um conhecimento prvio da
que o percentual de peas no conformes
101
unidade 6
fosse de 5%. A equipe poderia utilizar essa

informao como uma estimativa de p e
poderia ento utilizar a equao 1:
CONFIANA PARA
UMA PROPORO
POPULAO FINITA
1,962 x 0,05 x 0,95

n=
0,022
n = 457
Observe que o tamanho de amostra
necessrio para confirmar a afirmao
do fornecedor de apenas 233 correias.
Isso
sempre
acontecer,
ou
CLCULO DE TAMANHO
DE AMOSTRA BASEADO
EM INTERVALOS DE
seja,
tamanho amostral resultante da equao

1 ser sempre menor que o resultante
da equao 2, pois na primeira j temos
um conhecimento a priori do verdadeiro
valor populacional e desejamos apenas
confirm-lo.
No tpico anterior aprendemos a calcular

o tamanho de amostra para estimar
uma proporo, mas observe que no
foi considerado o total de elementos na
populao. Isso ocorre em situaes em
que a populao considerada infinita, ou
seja, o nmero de elementos da populao
to grande que pode ser considerado
infinito. Em algumas situaes, no entanto,
esse pressuposto no minimamente
razovel. Nessas situaes precisamos
utilizar um fator de correo para populao
finita. Utilizamos, ento, a equao 3:
IMPORTANTE

importante destacar que, para o clculo do
tamanho amostral, o resultado deve ser sempre
Correo para populao finita
arredondado para cima, independentemente

do valor decimal. Assim, no exemplo anterior,
n=
caso o clculo exato resultasse em 232,1

ainda
assim
arredondaramos
para
(z/ )2
Npq
2
(z/2)2 + (N - 1) E2
pq
233
correias. Isso ocorre porque o tamanho de
Considere
amostra mnimo necessrio para atender aos
percentual de peas defeituosas em um lote
requisitos do nvel de confiana e margem
de 100 peas. Qual o tamanho de amostra
de erro seria de 232,1 correias. Como no
necessrio, se queremos uma estimativa
faz sentido amostrar 0,1 correia, devemos
com 90% de confiana e margem de erro
selecionar uma pea a mais.
mxima de 3%? Utilizando a equao 2
102
unidade 6
que
desejamos
estimar
CLCULO DE TAMANHO
DE AMOSTRA BASEADO
teramos o seguinte resultado:

n=
1,6452 x 0,25 = 752

0,032
Observe que o resultado da equao

irreal, pois como poderamos amostrar 457
peas em um lote de 100? Nessa situao
devemos utilizar a equao 3, que leva em
considerao o tamanho do lote:
aprender a calcular o tamanho amostral

para um estudo que tem o interesse de
O tamanho da amostra passa a ser ento

89 peas, o que real, ou possvel, tendo em
vista que o tamanho do lote de 100 peas.
Caso j existisse uma informao sobre
o percentual de peas defeituosas e fosse
desejvel apenas confirmar a informao,
o tamanho amostral seria menor. Por
considere
que
normalmente
cerca de 5% das peas so defeituosas.

Para confirmar tal informao, seriam
necessrias 60 peas na amostra.
n=
clculo do tamanho amostral depende

o objetivo do estudo. Nesta seo voc
n = 89
exemplo,
No incio dessa unidade falamos que o

de vrios fatores, sendo o principal deles
100 x 0,5 x 0,5 (1,645)2

0,5 x 0,5 (1,645)2 + (100 - 1) 0,032
n=
EM INTERVALOS DE
CONFIANA PARA
UMA MDIA
estimar
uma
mdia
populacional.
Os
parmetros controlados continuam sendo

o nvel de confiana e a margem de erro
mxima desejados para o estudo. Vejamos
um exemplo:
Exemplo 9
Uma
empresa
fabricante
de
baterias
automotivas desenvolveu um novo produto

e deseja estimar a sua vida mdia. De
estudos anteriores, sabe-se que a vida
100 x 0,05 x 0,95 (1,645)2
mdia das baterias produzidas por esse
0,05 x 0,95 (1,645)2 + (100 - 1) 0,032
fabricante segue uma distribuio normal,
n = 60
com desvio-padro de seis meses. A

equipe de engenharia do produto ressalta
a importncia da correta estimao da vida
mdia da bateria, pois a partir desta ser
determinado o tempo de garantia. Por essa
razo, decidiu-se que o nvel de confiana
do estudo ser de 99% e a margem de erro
mxima aceitvel para a estimativa de
trs meses. Utilizando a equao abaixo,
103
unidade 6
a equipe poder determinar o tamanho

amostral
necessrio
para
atender
arredondar o resultado para cima.
exigncias do estudo.
Voc deve ter observado no exemplo 9

que j dispnhamos de uma estimativa a
Equao 4: Tamanho de amostra exigido
priori do desvio-padro populacional (),
para estimativa de uma mdia populacional
ou seja, a equipe utilizou o desvio-padro
n=
Z(/2)
E
das outras baterias. Em muitas situaes
prticas, o desvio-padro populacional no

conhecido e nesses casos pode-se utilizar
Onde:
uma das seguintes alternativas:
n: o tamanho da amostra
Z/2: escore z que separa uma rea de
1U
tilizao
: o desvio-padro populacional
que para estimar a vida mdia da nova
uma
amostra
87
necessrio
piloto
de
observaes.
conhecimento de e, como base nos

primeiros resultados, obtenha o desvio-
na estimativa e margem de erro mxima de
padro amostral s. Use essa estimativa
trs meses, ser necessria uma amostra
em lugar de .
de 27 baterias.
2,575 x 6
E
3U
tilize o valor de estimado por outros
estudos realizados anteriormente.
n = 26,5 27
Ao calcular tamanho de amostra para
estimativa de uma mdia populacional,
aquela
regra
de
arredondamento apresentada no tpico

seja,
coletar
2C
omece o processo de coleta sem o
bateria desenvolvida, com 99% de confiana
ou
alternativa,
regra, consulte Triolla (2013), seo 3-3.
Utilizando a equao 4, a equipe determinou
anterior,
da
Para maior esclarecimento sobre essa
para a estimativa.
valendo
dessa
aproximadamente
E: a margem de erro mxima aceitvel
continua
emprica
padro: Amplitude4. Para aplicao
normal padro
regra
amplitude para estimao do desvio-
/2 na cauda direita da distribuio
n=
da
devemos
sempre
104
unidade 6
CLCULO DE TAMANHO
DE AMOSTRA BASEADO
EM INTERVALOS DE
confiana e margem de erro mxima de

cinco centmetros. Sabendo que nos anos
anteriores o desvio-padro da altura dos
CONFIANA
PARA UMA MDIA
POPULAO FINITA
Nos
tpicos
anteriores
recrutas era de 30 centmetros, o sargento

utilizou a equao 4 para determinar
o
tamanho
da
amostra
necessria,
encontrando o valor 139 (maior que o total
apresentamos
de novos recrutas):
uma frmula alternativa para o clculo
n=
do tamanho amostral para estimativa de

uma proporo populacional, no caso
{ 1,965x 30 }
n = 139
de populaes finitas. Da mesma forma,

para calcular o tamanho amostral para
Sem entender o que havia feito de errado, o
estimativa de uma mdia populacional, no
sargento decidiu conversar com um soldado
caso de populaes finitas, existe tambm
que tinha conhecimento de estatstica para
um fator de correo. A equao abaixo
auxili-lo. O soldado informou ento que,
apresenta o mtodo correto para essas
neste caso, o sargento deveria utilizar a
situaes:
equao 5, que leva em considerao o

tamanho populacional. Utilizando o mtodo
adequado, o sargento decidiu, portanto, que
exigido para estimativa de uma mdia
para estimar a altura mdia dos 100 novos
populacional populao finita
recrutas, com 95% de confiana e margem
n=
de erro mxima da estimativa de cinco cm,
N2 (Z/2)2
era necessria uma amostra de 59 recrutas:
(N - 1) E2 + 2(Z/2)2
n=
100 x 302 (1,96)2

(100 - 1) x 52 +302 x (1,96)2
Exemplo 10
Suponha que o exrcito brasileiro deseje
encomendar uma remessa de uniformes
para os novos recrutas. Para melhor
adequao dos tamanhos dos uniformes,
o sargento decidiu obter uma estimativa da
altura mdia deles. Dos 100 novos recrutas,
o sargento deseja obter a estimativa
a partir de uma amostra com 95% de
105
unidade 6
n = 58,3 59
PLANEJAMENTO DE
como uma caracterstica da qualidade do
EXPERIMENTOS
O
planejamento
de
produto (ou processo). O planejamento de

experimentos pode ser definido assim:
experimentos,
tambm conhecido como DOE (Design of
Um experimento um procedimento no
Experiments), um conjunto de tcnicas
qual alteraes propositais so feitas
estatsticas que visa garantir uma coleta
nas variveis de entrada de um processo
de dados eficiente para uma anlise de
ou sistema, de modo que se possa
dados que seja informativa e confivel. Esse
avaliar as possveis alteraes sofridas
conjunto de tcnicas tem vasta utilizao
pela varivel resposta como tambm as
em diversas reas do conhecimento, desde
razes destas alteraes (WERKEMA &
cincias ligadas sade at as engenharias.
AGUIAR, 1996).
Em engenharia, especialmente, o DOE

utilizado principalmente em Pesquisa e
Todo processo ou sistema impactado
Desenvolvimento, ou na rea de qualidade e
pelos insumos e por um conjunto de fatores.
desenvolvimento do produto.
O objetivo do DOE identificar quais so os

fatores que atuam sobre o processo, quais
O propsito dos experimentos planejados,
desses fatores so controlveis e, dentre os
estatisticamente, tornar a anlise de
controlveis, qual a relao que tm com o
dados to informativa quanto possvel.
resultado do processo ou a caracterstica
Experimentos
de
que
tenham
sido
mal
qualidade
de
interesse.
figura
planejados fornecem pouca ou nenhuma
abaixo ilustra essa situao, podem estar
informao til, mesmo com sofisticadas
aturando sobre o sistema os insumos, os
tcnicas de anlise de dados, e podem levar,
equipamentos, as informaes do processo,
inclusive, concluses completamente
as condies ambientais, as pessoas, os
equivocadas.
mtodos e os procedimentos:
Em engenharia, o DOE utilizado em

conjunto com outras tcnicas estatsticas,
como as cartas de controle de processos,
por exemplo, ou combinado ao ciclo PDCA.
Nesses casos o objetivo , normalmente,
estudar os efeitos de possveis fatores
sobre o resultado de um processo, expresso
106
unidade 6
FIGURA 33 - Modelo geral de um processo ou sistema

Fatores de rudo
(no controlveis)
Entradas
SISTEMA
Y
Varaveis resposta
(PRODUTO/PROCESSO
(Caractersticas de
Qualidade)
Fatores controlveis
(especificados pelo pesquisador)
Fonte: WERKEMA & AGUIAR, p.15, 2006. Adaptado.
Considere uma situao em que se deseja estudar a resistncia compresso de um concreto.

O engenheiro civil identificou que existem quatro tipos de tcnicas de mistura desse concreto
e ele acredita que a resistncia compresso resultante varia conforme a tcnica de mistura
utilizada. O objetivo do engenheiro determinar qual a tcnica produzir o concreto com maior
resistncia.
Com esse objetivo, decidiu produzir uma srie de corpos de prova, utilizando cada uma das
quatro tcnicas e medindo a resistncia compresso desses concretos. A resistncia mdia
seria utilizada para determinar qual seria a melhor tcnica de mistura.
Analisando o experimento com mais cautela, o engenheiro detectou vrias questes que
deveriam ser respondidas antes do incio da coleta de dados: existem apenas essas quatro
tcnicas de mistura ou existem outras? Por que foram escolhidas estas quatro tcnicas?
Existem outros fatores que possam afetar a resistncia compresso do concreto? Quantos
corpos de prova devem ser produzidos com cada tcnica? De que modo os corpos de prova
devem ser alocados s diferentes tcnicas de mistura? Qual mtodo de anlise de dados deve
ser utilizado? Qual resistncia compresso dever ser considerada significativa do ponto de
vista prtico?
Em todo experimento, a forma de coleta dos dados fundamental para interpretao dos
resultados e, consequentemente, para confiabilidade do estudo. Suponha que nesse estudo
107
unidade 6
sobre a resistncia compresso do
resultado das diferenas inerentes aos
concreto tenham sido utilizados quatro
quatro tipos de cimento utilizados. Nesse
sacos de cimento, provenientes de quatro
caso, dizemos que o efeito da tcnica de
fornecedores distintos, sendo alocados da
mistura foi confundido com o efeito do
seguinte maneira:
tipo de cimento. Vamos apresentar agora
Tcnica de mistura 1 cimento do

fornecedor A
trs princpios bsicos do planejamento

de experimentos que devem ser sempre
utilizados. Estes princpios so: rplica,
aleatorizao e blocagem.
fornecedor B
fornecedor C
As rplicas so repeties do experimento

feitas
sob
as
mesmas
condies
experimentais. No exemplo que estamos
considerando, uma rplica do experimento
fornecedor D
completo consiste em medir a resistncia

compresso de um corpo de prova
Voc concorda com esse procedimento?
produzido pela tcnica de mistura 1, outro
Ao adot-lo, o engenheiro assumiu que as
pela tcnica 2, outro pela tcnica 3 e outro
caractersticas do cimento dos diferentes
pela tcnica 4. Se trs corpos de prova
fornecedores so idnticas, ou que qualquer
foram
diferena entre os cimentos no exerceria
dizemos que foram produzidas trs rplicas
influncia sobre a resistncia compresso
do experimento (veja que teremos 3 x 4 = 12
dos corpos de prova. Entretanto, no
corpos de prova, mas apenas trs rplicas).
produzidos
para
cada
tcnica,
podemos tomar essa conduta, pois

bem provvel que existam caractersticas
muito importante que as rplicas sejam
especficas
que
produzidas sob as mesmas condies
experimentais. Isso significa que todos
poderiam
de
cada
impactar
na
fornecedor
resistncia
os demais fatores que possam exercer
compresso dos corpos de prova.
impacto sobre a caracterstica resultante de

Da maneira como o estudo foi conduzido
interesse devem ser mantidos constantes.
pelo engenheiro, quando forem obtidas

as resistncias compresso mdias de
O segundo princpio bsico do DOE a
cada tcnica ele no ser capaz de dizer
aleatorizao. De acordo com esse princpio,
quanto da diferena observada resultado
so definidos de maneira aleatria tanto a
da tcnica de mistura utilizada e quanto
ordem de realizao dos ensaios individuais
108
unidade 6
do experimento, quanto a alocao de cada
realizar o experimento da seguinte maneira:
corpo de prova s respectivas condies
Cada pacote de cimento ser utilizado
experimentais.
garante
para produzir um corpo de prova para cada
que o efeito dos fatores no controlveis
tcnica de mistura. Nesse caso, cada bloco
sejam distribudos igualmente ao longo de
um pacote de cimento (fornecedor) que
todos os ensaios, evitando assim que haja
ser utilizado para produzir quatro corpos
confuso do efeito desses fatores com o
de prova. A figura 34 ilustra como ficaria o
efeito dos fatores de interesse.
experimento. Cada retngulo vertical (azul
Esse
princpio
claro) considerado um bloco enquanto

No exemplo citado, suponha que os corpos
cada retngulo horizontal (azul escuro)
de prova sero produzidos por operadores
um corpo de prova produzido por uma das
distintos e, como se sabe, a habilidade dos
quatro tcnicas de mistura. Logo, para o
operadores pode influenciar a qualidade
cimento proveniente do fornecedor A, por
do concreto produzido. Logo, se todas as
exemplo, sero produzidos quatro corpos
amostras produzidas atravs da tcnica de
de prova, um para cada tcnica de mistura.
mistura 1 forem feitas pelo operador menos
Este procedimento mais adequado que
experiente, poderemos estar continuamente
aquele proposto pelo engenheiro no incio
colocando a tcnica de mistura 1 em
da seo, em que cada pacote de cimento
desvantagem,
outras
seria utilizado para produo de quatro
tcnicas de mistura. A distribuio aleatria
corpos de prova, utilizando uma nica
da ordem de produo de cada corpo de
tcnica de mistura.
em
relao
prova para cada operador atenuaria esse

problema.
O terceiro e ltimo princpio bsico o
princpio da blocagem. Chamamos de
blocos
os
unidades
conjuntos
homogneos
experimentais.
No
de
exemplo
considerado, os corpos de prova so

produzidos com cimento de fornecedores
distintos. Logo so bastante heterogneos
em relao a outros fatores alm da tcnica
de mistura.
Para resolver esse problema, podemos
109
unidade 6
FIGURA 34 - Blocagem dos cimentos para cada tipo de tcnica de mistura do concreto
FORNECEDOR A
FORNECEDOR B
FORNECEDOR C
FORNECEDOR D
Tc. 1
Tc. 1
Tc. 1
Tc. 1
Tc. 2
Tc. 2
Tc. 2
Tc. 2
Tc. 3
Tc. 3
Tc. 3
Tc. 3
Tc. 4
Tc. 4
Tc. 4
Tc. 4
TERMINOLOGIA
BSICA
Agora que voc j aprendeu quais so os princpios bsicos do DOE, vamos aprender alguns
termos comuns e muito teis para o bom planejamento do experimento. Sero apresentados
seis termos bsicos, a saber: Unidade Experimental, Fatores, Nveis de um Fator, Tratamento,
Ensaio e Varivel Resposta (ou desfecho). Para melhor entendimento, vamos utilizar o exemplo
sobre resistncia compresso do concreto, do tpico anterior, e definir cada termo.
A Unidade Experimental a unidade bsica para a qual ser feita a medida da resposta. No
nosso exemplo, cada unidade experimental corresponde a um corpo de prova do concreto
utilizado no estudo.
Os Fatores so os tipos distintos de condies que so manipuladas as unidades
experimentais. Ou seja, so as variveis controlveis que podem exercer influncia sobre a
varivel resposta. E desejamos conhecer essa influncia. No exemplo citado temos um nico
fator: tcnica de mistura.
Os Nveis de um fator so os diferentes modos de presena de um fator no estudo considerado.
No exemplo citado, os nveis do fator tcnica de mistura so os diferentes tipos de tcnica:
Tcnica 1, Tcnica 2, Tcnica 3 e Tcnica 4. Podemos dizer, portanto, que nosso fator tem
quatro nveis.
110
unidade 6
Chamamos de Tratamento as combinaes
um tratamento a uma unidade experimental,
especficas dos nveis de diferentes fatores.
realizamos um ensaio. No nosso exemplo
Quanto temos apenas um fator, como no
sobre a resistncia compresso do
nosso exemplo, os tratamentos so os
concreto, cada ensaio consiste em produzir
prprios nveis dos fatores, Tratamento
um corpo de prova utilizando determinada
1 = Tcnica 1, Tratamento 2 = Tcnica 2,
tcnica de mistura do concreto.
Tratamento 3 = Tcnica 3 e Tratamento 4 =

No exemplo sobre os mtodos de pintura de
Tcnica 4.
para-choques automotivos, um ensaio seria

desejar
aplicar um tratamento em uma unidade
estudar dois ou mais fatores com diferentes
experimental (para-choque), por exemplo,
nveis. Nesses casos, os tratamentos
pintar um para-choque por Imerso usando
seriam a combinao de cada nvel do fator
tinta A.
Em
alguns
estudos
podemos
1 com cada um dos diferentes nveis do

fator 2. Suponha que um engenheiro deseja
Por fim, o termo Varivel Resposta, voc
estudar o efeito de dois mtodos de pintura
j conheceu nas unidades anteriores,
de para-choques de automveis (imerso e
nada mais que o resultado de interesse
asperso) e de trs tipos de tinta (A, B e C)
registrado aps a realizao de um ensaio.
sobre a fora de adeso da tinta.
No exemplo sobre as tcnicas de mistura do

concreto, a varivel resposta a resistncia
Aqui, o fator 1 seria o mtodo de pintura,
compresso do corpo de prova produzido
que tem dois nveis (Imerso e Asperso) e
com cada uma das tcnicas de mistura. J
o fator 2 seria o tipo de tinta, que tem trs
no exemplo sobre os mtodos de pintura
nveis (A, B e C). Para esse estudo, teramos
de para-choques automotivos, a varivel
2x3=6 tratamentos, a saber: T1 = Imerso +
resposta fora de adeso da tinta sobre o
Tinta A, Imerso + Tinta B, Imerso + Tinta
para-choque, medida aps a aplicao da
C, Asperso + Tinta A, Asperso + Tinta B
tinta com cada mtodo de aplicao e tipo
e por fim, Asperso + Tinta C. Observe que
de tinta.
a unidade experimental seria cada um dos

para-choques sobre os quais aplicaramos
os distintos tratamentos.
Definimos como Ensaio cada realizao do
experimento em uma determinada condio
de interesse (tratamento), ou seja, ao aplicar
111
unidade 6
T2=mdio e T3 = Alto.
APLICAO
PRTICA
Ensaio: Um ensaio seria secar uma trouxa

de roupa utilizando temperatura baixa, por
exemplo. Outro ensaio seria secar outra
Considere que voc tenha uma mquina de
trouxa de roupa utilizando temperatura alta.
secar roupas que trabalha com diferentes

nveis de temperatura e deseja determinar o
Varivel resposta: A varivel resposta
efeito do nvel de temperatura sobre o tempo
desse estudo o tempo para secagem das
de secagem das roupas.
roupas, que pode ser medido em minutos,

por exemplo.
a) Defina para essa situao cada um

dos seis termos bsicos.
b) Para este estudo, uma rplica seria secar

umas trs trouxas de roupa, sendo uma
b) O que seria uma rplica nesse estudo?
para cada nvel de temperatura da secadora,
c) Descreva um vis de amostragem

que
poderia
ser
resolvido
ou seja, um ensaio para cada um dos
pela
aleatorizao.
tratamentos existentes.
c) A temperatura ambiente poderia ser um fator,
d) Descreva um vis de amostragem que
de maneira que, caso realizssemos todos
poderia ser resolvido pela blocagem.
os ensaios com tratamento 1 (temperatura

baixa) no perodo manh (normalmente mais
SOLUO:
frio) e todos os ensaios com tratamento
a) U
nidade Experimental: Cada trouxa de
3 (temperatura alta) no perodo da tarde
roupa molhada que ser introduzida para
(normalmente mais quente), por exemplo,
secagem.
no final no saberamos dizer quanto da

diferena no tempo de secagem devido
Fator: O fator, nesse caso, a temperatura
aos diferentes nveis de temperatura da
de operao da mquina de lavar.
mquina, e quanto devido variao
Nveis do fator: Os nveis do fator so
da temperatura ambiente. Aleatorizando
as diferentes faixas de temperatura da
secadora, podendo ser Baixo, Mdio e Alto,
atenuaramos esse problema.
por exemplo.
ordem
de
realizao
dos
ensaios
d) Diferentes tipos de roupa poderiam ser um
Tratamento: Como estamos trabalhando
problema, uma vez que roupas com malhas
com um nico fator, os nveis do fator
mais grossas levam um tempo maior para
so o prprio tratamento, logo, T1=baixo,
secar do que outras. Devem-se agrupar as
112
unidade 6
roupas por caractersticas semelhantes de fabricao, como leveza do pano, tamanho das peas.
A quantidade das mesmas tambm deve ser controlada para que cada ensaio seja feito de forma
mais homognea possvel. Por exemplo, se tiver disponvel trs peas de moletom, deve-se alocar
uma a cada trouxa de roupas, ou se tiver seis peas jeans, deve-se alocar duas para cada trouxa
de roupas.
REVISO
Nesta unidade voc aprendeu que, para calcular o tamanho amostral, diversos fatores devem
ser levados em considerao. Em especial voc aprendeu a calcular o tamanho amostral em
quatro situaes: quando o objetivo do estudo a estimativa de uma proporo populacional,
sendo o tamanho populacional finito ou infinito. E quando o objetivo do estudo a estimativa
de uma mdia populacional, novamente, sendo o tamanho populacional finito ou infinito. O
quadro abaixo resume essas situaes:
QUADRO 4 - Equaes para clculo de tamanho amostral segundo objetivos do estudo
Estimar uma proporo populacional
Estimar uma mdia populacional
Populao Infinita: Equao 1

n=
Populao Infinita: Equao 3

Z/2 2
n=
E
Z/2 pq
E2
Populao Finita: Equao 2

n=
Populao Finita: Equao 4
(Z/ )2
Nqp
2
n=
(Z/ )2 + (N - 1) E2
pq
2
N2 (Z/2)2
(N - 1) E2 + 2(Z/2)2
Voc aprendeu tambm que em qualquer rea do conhecimento a coleta de dados deve ser
sempre precedida pelo planejamento do experimento. Essa prtica assegura a confiabilidade
dos resultados e simplifica os mtodos de anlise. Por outro lado, a no observncia dessa
prtica inviabiliza a utilizao dos resultados a despeito de qualquer tcnica estatstica, por
mais sofisticada que seja.
Neste sentido, os princpios bsicos que voc aprendeu foram: rplica, aleatorizao e
113
unidade 6
blocagem. E tambm os seis termos bsicos

utilizados
de
em
qualquer
experimentos,
planejamento
saber:
Unidade
Experimental, Fatores, Nveis de um fator,

Tratamento, Ensaio e Varivel Resposta.
Ou voc pode ler o captulo 1 do livro:

WERKEMA, Maria Cristina Catarino; AGUIAR,
Silvio. Planejamento e anlise de experimentos:
Como
Identificar
as
principais
variveis
influentes em um processo. Belo Horizonte:

Fundao Cristiano Ottoni, Escola de Engenharia
PARA SABER
da UFMG, 1996.
MAIS
Se voc tem interesse em aprender mais

sobre o clculo do tamanho de amostra para
estimao de mdias ou propores, levando em
considerao o nvel de confiana e margem de
erro da estimativa, leia o captulo 8 do livro:
Estatstica
aplicada
probabilidade
para
engenheiros. trad e rev tc Vernica Calado - Rio

de Janeiro: LTC, 2009.
Para este assunto voc pode ler tambm o
captulo 7 do livro:
TRIOLLA, Mario F. Introduo Estatstica:
Atualizao da tecnologia. trad e rev tc Ana
Maria Lima de Farias, Vera Regina Lima de Farias
e Flores. Rio de Janeiro: LTC, 2013.
Se voc tem interesse em aprofundar sobre
Planejamento de Experimentos, leia o captulo
13 do livro:
Estatstica
aplicada
probabilidade
para
engenheiros. trad e rev tc Vernica Calado. Rio

de Janeiro: LTC, 2009.
114
unidade 6
UNIDADE
TESTES DE
HIPTESES
teste de hipteses uma tcnica estatstica utilizada para avaliar alguma

afirmao feita sobre uma populao de interesse atravs de dados amostrais.
Por exemplo: um engenheiro pode estar interessado em avaliar a hiptese de que
o tempo de durao de um fusvel seja de 1.000 horas, contra a hiptese de que tal valor
seja diferente de 1.000 horas. Essa seria uma afirmao sobre uma mdia, uma vez que a
varivel de interesse tempo de durao quantitativa. Nesse caso, o objetivo testar
se a hipottica mdia de 1.000 horas verdadeira.
No exemplo em questo, seria impraticvel observar o tempo de durao de todos os fusveis
fabricados, ou seja, da populao de interesse. De forma que necessria a utilizao de
dados amostrais. O engenheiro poderia selecionar alguns fusveis, calcular o valor da mdia e
comparar com o valor proposto de 1.000 horas.
Voc ir aprender que, alm de avaliar afirmaes sobre mdias, as hipteses estatsticas
tambm podem ser testadas para outros parmetros de interesse, como propores (em caso
de variveis categricas), desvio-padro, medianas, etc.
116
unidade 7
A CONSTRUO E O
SIGNIFICADO DE UMA
representada por H1 ou Ha.
HIPTESE ESTATSTICA
Exemplo 7.1
Uma
ser
Um fabricante afirma que o tempo mdio
construda a partir de alguma teoria sobre
de secagem da tinta de sua marca de 30
determinado
de
minutos. Uma pessoa decide testar se essa
alguma afirmao sobre certo parmetro
afirmao verdadeira. Para isso, marca o
da populao em anlise. No caso do
tempo de secagem de 40 paredes e depois
engenheiro interessado em testar se o
calcula a mdia. Quais seriam as hipteses
tempo mdio de durao de um fusvel
nula e alternativa?
hiptese
estatstica
assunto,
ou
pode
atravs
1.000 horas, a hiptese no se deu atravs

de uma teoria, mas possivelmente em
SOLUO:
A hiptese nula o tempo de secagem, igual
funo da experincia dele com o assunto.
a 30 minutos.
Um teste estatstico tem como objetivo o
fornecimento de evidncias para subsidiar a
deciso de rejeitar ou no rejeitar uma hiptese
sobre algum parmetro de uma populao
atravs de dados obtidos por uma amostra.
A hiptese alternativa o contrrio (ou

o complemento): o tempo de secagem
diferente de 30 minutos. As hipteses so
representadas da seguinte forma:
H0: = 30 minutos
A afirmao sobre a mdia populacional

tida como a hiptese nula. Damos o
nome de hiptese alternativa afirmao
contrria da hiptese nula.
H1: 30 minutos
Alm da definio acerca das hipteses,
o nvel de significncia tambm deve ser
escolhido pelo analista.
CONCEITO
CONCEITO
Hiptese nula: Refere-se a uma afirmao do
Nvel de significncia: Consiste na probabilidade
que queremos provar sobre algum parmetro.
de rejeitar a hiptese nula, dado que ela
Geralmente representada por H0.
verdadeira. Geralmente representado pela letra
Hiptese alternativa: Refere-se a uma afirmao

contrria ao que queremos provar. Geralmente
grega alfa (). O nvel de significncia tambm

conhecido como erro tipo I.
117
unidade 7
Qual seria o significado da expresso ...
varivel assume. No segundo caso so
rejeitar a hiptese nula, dado que ela
comparados os valores de mdia ou
verdadeira? Assim como no exemplo do
proporo entre dois grupos. Alm disso,
tempo de durao do fusvel, em que o
podemos
analista resolve testar se a afirmao de
bilaterais. O prximo tpico aborda o teste
que o fusvel sobrevive por 1.000 horas,
bilateral com uma amostra.
fazer
testes
unilaterais
ou
a operacionalizao do teste ocorre a

partir de dados amostrais. Nesse caso,
pode ser obtida uma amostra muito ou
pouco parecida com a populao. Tanto
TESTES PARA
UMA AMOSTRA
no primeiro como no segundo caso

existem
probabilidades
associadas.
A distribuio da estatstica de teste
Existem chances de coletar uma amostra
tende para o formato de uma distribuio
que d evidncias de que a hiptese seja
normal quando o tamanho da amostra
rejeitada, mesmo quando, na verdade,
relativamente grande (geralmente maior
a hiptese seja verdadeira. O analista
ou igual a 30). Se o tamanho da amostra
sempre corre o risco de tomar uma
for pequeno (menor do que 30) e o desvio-
deciso equivocada no que se refere
padro for desconhecido, a distribuio da
rejeio ou no da hiptese nula, cabendo
estatstica de teste apresenta formato mais
a ele escolher quanto risco aceita correr.
prximo da distribuio t de Student. Essa
Esse risco conhecido como nvel de
informao importante porque definir at
significncia e geralmente estipulado
que valor da estatstica de teste a hiptese
em 10%, 5% ou 1%. Dessa forma, ao
deve ser rejeitada.
efetuar um teste de hipteses com 5% de

significncia, podemos afirmar que exista
5% de probabilidade de rejeitar a hiptese
nula, quando na verdade ela verdadeira,
TESTES DE GRANDES
AMOSTRAS PARA
tipo I.
UMA MDIA
POPULACIONAL
Os testes de hiptese com afirmaes
O exemplo a seguir consiste numa situao
sobre mdias ou propores podem ser
em que feita uma afirmao acerca
feitos principalmente com uma ou duas
do valor de uma mdia (parmetro mais
amostras. No primeiro caso testada
testado quando trabalhamos com variveis
uma afirmao sobre o valor que a
quantitativas).
ou seja, 5% de chance de cometer o erro
118
unidade 7
Suponha que um profissional especializado
Exemplo 7.2
Uma indstria realiza o empacotamento
do produto caf em gros. Um dos
objetivos que a embalagem contenha
500 gramas de caf. natural que em
situaes como essa exista alguma
variao no peso do produto empacotado.
Dessa forma, podem ter pacotes com
498 gramas, com 502 gramas, com 501
gramas, com 499 gramas, ou qualquer
outro valor prximo do especificado.
No
entanto,
indstria
geralmente
trabalha para que exista certa margem

de aceitao tanto para cima quanto para
baixo, devido aos seguintes fatores:

a) pacotes
com
volume
muito
em controle estatstico de processos resolva

fazer esse teste. Nesse caso, o objetivo
testar a hiptese de que o processo esteja
sob controle, ou seja, que o peso mdio
do caf aps empacotamento seja de 500
gramas. Para a operacionalizao do teste,
36 pacotes foram inspecionados (pesados).
Sabendo que a mdia obtida atravs dessa
amostra foi de 502 gramas, e que o desviopadro foi de 3 gramas, podemos afirmar
que o processo est sob controle?
Para operacionalizar esse teste, devemos
seguir as seguintes etapas:
1
etapa:
as
hipteses
de
interesse
alto podem provocar aumento

exagerado de custos;
Estabelea
No caso em estudo, o parmetro2 a ser
b) pacotes com peso muito abaixo
testado a mdia. Temos o interesse em
dos 500 gramas podem provocar
verificar se ela igual a 500 gramas. Ento
sanes indstria junto aos
devemos estabelecer as hipteses nula e
rgos de fiscalizao.
alternativa. Dessa forma, as hipteses so:
Para certificar de que o peso esteja
H0: = 500 gramas
dentro da margem aceitvel, pode ser
H1: 500 gramas
invivel
verificar
todos
os
produtos
embalados (ou seja, toda a populao

de interesse). Nesse contexto, torna-se
interessante utilizar amostras para testar
se o processo encontra-se dentro de
padres aceitveis, ou seja, para testar se
o processo encontra-se sobre controle.
2 - Um parmetro refere-se determinada medida

que caracterize a populao de interesse. Os
parmetros mais frequentemente investigados
atravs dos testes de hipteses so: a
mdia, o desvio-padro, no caso de variveis
quantitativas e a proporo, no caso de variveis
categricas.)
119
unidade 7
Note que o teste refere-se mdia
36, podemos trabalhar com a distribuio
populacional e no amostral. A mdia
normal padronizada. Nomeamos o valor
amostral ser utilizada como base para
obtido da estatstica de teste, que
tomar a deciso sobre rejeio ou no
calculada de acordo com a frmula abaixo:
rejeio da hiptese nula.
-
Z = x
2 etapa: Obteno da estatstica de teste

Essa
frmula
permite
que
mdia
amostral obtida passe de qualquer escala
502 gramas. Ser que esse valor foi obtido
(em gramas, no presente exemplo) para
em funo da variabilidade amostral3 , ou
nmero de desvio-padro. Isso possibilita
seja, o valor obtido de 502 gramas prximo
traar comparaes com os valores de
do valor proposto de = 500 gramas? Para
probabilidade
respondermos a essa questo devemos
padronizada (em que a unidade de medida
verificar qual a probabilidade de obter o
a quantidade de desvio-padro). Sem
valor 502 gramas, levando em considerao
esse procedimento, essa comparao seria
O valor mdio obtido pela amostra foi:
distribuio
das
mdias
amostrais,
ou seja, a possibilidade de obteno de

resultados diferentes de amostra para
amostra. Para isso, utilizamos a distribuio
pequena (geralmente menor do que 30) e o
normal
seguintes itens:
Z: E
score
da
distribuio
normal
padronizada
conhecido ou quando o tamanho da amostra

ou acima de 30). Quando a amostra
distribuio
pouco vivel. A frmula composta dos
normal padronizada quando o valor de

razoavelmente grande (geralmente igual
da
: Mdia obtida atravs da amostra

: Valor da mdia populacional a ser testada
x: Valor do desvio-padro da distribuio
desvio-padro desconhecido, utilizamos
das mdias amostrais.
a distribuio t para avaliar a probabilidade
x = n
em questo. Como no presente exemplo

temos uma amostra de tamanho igual a
Caso no se conhea o desvio-padro

3 - A variabilidade amostral ocorre porque
existem chances de tomarmos tanto amostras
parecidas com a populao de interesse quanto
amostras pouco semelhantes populao.
Qualquer processo de amostragem sujeita-se a
essa situao. Cabe ao pesquisador levar esse
fato em considerao ao construir um teste de
hipteses
populacional (situao muito comum),

podemos utilizar o desvio-padro obtido
atravs da amostra:
120
unidade 7
sx = n
Dessa forma, a estatstica de teste passa a ser:

-
Z = s/n
Com os dados do problema, temos ento:
Z=
502 - 500
= 4,0
s/36
O nmero obtido significa que 502 gramas encontram-se a 4,0 desvios-padro de distncia da
mdia populacional de 500 gramas. Mas esse valor perto ou longe da mdia populacional?
Quando Z = 0, pode-se afirmar que a mdia amostral exatamente igual ao valor
hipottico da mdia populacional.
Quando Z = 1, a probabilidade do valor da mdia amostral ter sido obtido devido
flutuao amostral de aproximadamente 34%, pois 68% dos dados encontram-se a
at um desvio-padro de distncia da mdia, conforme a figura 8.1
FIGURA 8.1: rea da distribuio normal padronizada
de acordo com o nmero de desvios-padro.
Fonte: TRIOLA, 2013, p. 88.
121
unidade 7

flutuao amostral de aproximadamente 5%, pois 95% dos dados encontram-se a
at um desvio-padro de distncia da mdia4.
flutuao amostral de aproximadamente 0,2%, pois 99,8% dos dados encontram-se
a at um desvio-padro de distncia da mdia.
Utilizando o mesmo raciocnio, com o valor de Z = 4,0, depreende-se que a probabilidade do
valor da mdia amostral ter sido obtida devido flutuao amostral seja bem menor que 0,2%.
Dessa forma, o valor de Z = 4 significa que os 502 gramas obtidos pela amostra apresentam
uma grande distncia dos 500 gramas propostos na hiptese nula (a distncia de 2 gramas
corresponde a 4 desvios-padro). O fato dos valores serem tidos como distantes implica
na rejeio da hiptese nula. Para definir quais valores do escore Z so considerados altos,
utiliza-se o desenho da distribuio normal padronizada, conforme o 3 passo.
Os valores acima podem ser obtidos atravs de um software estatstico, ou pela tabela Z.
3 etapa: Obteno da regio de rejeio
Para tomar a deciso de rejeitar ou no a hiptese nula, podemos utilizar o diagrama da figura 8.2:
FIGURA 8.2 - Regies de rejeio da hiptese nula
4 - Observe pela Figura 8.1 que 34% + 13,5% = 47,5%. Ao multiplicarmos esse valor por dois, obtemos os 95%.
122
unidade 7
A figura 8.2 representa a distribuio normal
Devemos procurar na tabela o valor do nvel
padronizada. A rea em vermelho refere-
de significncia dividido por 2, ou seja 2,
se regio de rejeio da hiptese nula.
pois o teste bilateral, o que implica em
Valores menores que - 1,96 desvios-padro
duas regies de rejeio (as caudas direita
ou maiores que + 1,96 desvios-padro so
e esquerda da distribuio, conforme a
considerados demasiadamente afastados
figura 8.3). Observe que a combinao da
quando consideramos uma significncia de
linha com a coluna gera o valor do escore
5% para o teste bilateral (ou seja, podemos
Z = 1,96. O nmero 1,96 foi obtido atravs
considerar que tais valores sejam pontos de
da combinao da coluna e linha formados
corte). Dessa forma, cada uma das reas
pelo valor 0,0250 referente rea da cauda
em vermelho representa 2,5% dos dados. A
direita (ou esquerda) da distribuio normal
rea total abaixo dos dados (soma da rea
padronizada.
verde com a rea vermelha) representa

100% dos dados.
Quando o valor da estatstica de teste
encontra-se
na
regio
em
vermelho,
consideramos pouco provvel que a mdia

amostral (ou outra estatstica) tenha sido
resultado das flutuaes amostrais. Os
valores crticos (- 1,96 e 1,96) foram obtidos
pelo percentil 97,5 da tabela da distribuio
normal padronizada. Podem ser calculados
tambm atravs de softwares estatsticos.
A figura 8.3 indica de onde os dados foram
obtidos.
123
unidade 7
FIGURA 8.3 - Distribuio normal padro
Fonte: BARBETTA, 2010, p. 377
124
unidade 7
4 etapa: Concluso

-
Z = s/n
Com base nos valores obtidos pela estatstica

de teste e pela regio de rejeio, tomamos
uma deciso em relao hiptese nula.
No caso em questo, a deciso rejeit-la,
Z=
pois o valor 4 desvios-padro (relativo aos 2

gramas de distncia entre a mdia amostral
e a mdia populacional proposta na hiptese
nula) pode ser considerado muito longe da

mdia, uma vez que se encontra na parte
vermelha do diagrama. A estatstica de teste
no valor de 4,00 maior do que o valor crtico
de + 1,96 (nmero obtido na tabela da Figura
8.3, que serve de referncia para rejeio ou
no rejeio da hiptese nula).
Exemplo 7.3
Um processo foi delineado para fabricar
bancadas
de
tamanho
igual
120
centmetros. Para verificar se o processo

encontra-se sob controle, um especialista
coletou uma amostra de 64 peas. Foi
obtida uma mdia amostral
= 120,2
centmetros, com desvio-padro s = 1,6

centmetros. Teste a hiptese de que o
processo encontra-se sob controle, ou seja,
que a mdia populacional seja igual a 120
centmetros. Use significncia de 10%.
1
etapa:
Estabelea
as
hipteses
120,2 - 120,0 = 1,0

1,6/64
de
interesse
H0: = 120 centmetros
H1: 120 centmetros
125
unidade 7
FIGURA 8.4 - Regies de rejeio da hiptese nula.
O valor crtico de 1,645 positivo (ou negativo) foi obtido pela combinao da linha e coluna
relativas rea igual a 0,050 (0,100 dividido por 2)5 da tabela da distribuio normal padro da
figura 8.4.
5 - O valor 0,10 refere-se aos 10% escolhidos como nvel de significncia pelo pesquisador. Tal valor consiste
na probabilidade de rejeitar a hiptese nula, dado que ela verdadeira, ou seja, probabilidade de tomar uma
deciso equivocada em relao hiptese.
126
unidade 7
FIGURA 8.5 - Distribuio normal padro
Fonte: BARBETTA, 2010, p. 377
127
unidade 7
4 etapa: Concluso
a hiptese de que a mdia seja igual a 10

milmetros. Use significncia de 5%.
Como o valor de Z = 1,00 obtido pela

estatstica de teste no supera a valor
1
etapa:
nula. No podemos descartar a hiptese de

que a mdia seja 120 centmetros. Portanto,
h indcios de que o processo encontra-se
sob controle.
as
hipteses
de
interesse
crtico de 1,645, ou seja, no pertence

regio crtica, no rejeitamos a hiptese
Estabelea
H0: = 10 milmetros
H1: 10 milmetros
Nesse caso, devemos utilizar o escore t no
lugar do Z:
TESTES DE HIPTESES
PARA AMOSTRAS
PEQUENAS
Nos exemplos 7.2 e 7.3 as amostras tm

tamanho maior que 30. Quando a amostra
for pequena (menor do que 30) e o desviopadro for desconhecido (situao mais
frequente), devemos utilizar a Distribuio t
de Student para realizar o teste.
t=
- = 10,2 - 10,0
0,2/16 = 4,0
s/n

Nesse caso, devemos trabalhar com a
distribuio t:
O exemplo 7.4 consiste num problema de

teste de mdia em que a amostra pequena
e o desvio-padro () desconhecido.
Exemplo 7.4
Um engenheiro acredita que um processo
esteja sob controle produzindo esferas com
10 milmetros de dimetro. Foi coletada
uma amostra com 16 esferas cujo o valor
obtido para a mdia foi X = 10,2 milmetros
e desvio-padro s = 0,20 milmetros. Teste
128
unidade 7
FIGURA 8.6 - Distribuio t de Student
Para saber o valor crtico, devemos consultar a tabela t. Como a amostra conta com 16
elementos, temos 15 graus de liberdade. Como o nvel de significncia igual a 5%, devemos
procurar o escore t na coluna do 0,05 (rea em duas caudas, pois o teste bilateral)
129
unidade 7
FIGURA 8.7 - Tabela da Distribuio t
Fonte: TRIOLA, 2013, p. 614.
4 etapa: Concluso
Como o valor 4,0 obtido pela estatstica de teste supera a valor crtico 2,13 obtido pela
distribuio t, rejeitamos a hiptese de que a mdia seja de 10 milmetros. Portanto, o processo
encontra-se fora de controle.
130
unidade 7
TESTE PARA
firma ficam estressados quando fazem
UMA PROPORO
horas extras durante a madrugada.
Quando
variveis
trabalhadores, dos quais 12 afirmaram
quantitativas, o principal parmetro de
se estressar nessa situao. Teste a
interesse costuma ser a mdia. Alm da
hiptese de que a proporo seja de
mdia, outros parmetros tambm podem
30%. Use significncia de 5%.
trabalhamos
com
Foi coletada uma amostra com 49
ser testados, como, por exemplo, o desviopadro. No caso de variveis categricas,
1
etapa:
Estabelea
as
hipteses
de
interesse
geralmente a medida de interesse a ser

testada uma proporo.
H0: = 0,30
No teste de hipteses, o valor do erro padro
H1: 0,30
da proporo geralmente est baseado no

uso do valor hipottico:
Sp =
Observao
Enquanto
mdia
representada pela letra , a proporo
(1n -)
representada pela letra grega (pi).
A frmula para o clculo de Z para testar

uma hiptese voltada para o valor da
proporo da populao :
Z=
1:
Observao 2: Para representarmos os

30% propostos na hiptese nula, utilizamos
a escala decimal. Dessa forma, o valor
utilizado nos clculos 0,30 (ou seja, 30
dividido por 100).
p-
Sp

O exemplo 7.5 consiste num teste de
proporo.
Antes de obtermos o escore padronizado

Z, devemos calcular o desvio-padro da
proporo populacional, dado pela frmula
Exemplo 7.5
a seguir:
Um engenheiro acredita que 30% dos

trabalhadores
de
uma
determinada
131
unidade 7
Sp =
= 0,00428 = 0,0655
(1n -) = 0,30 (149- 0,30) = 0,21
49
O escore padronizado ento :

Z=
p-
0,0655
0,2653 - 0,3000 - 0,0347

=
= -0,53
0,0655
0,0655

Como o teste bilateral e com 5% de significncia, obtemos atravs da tabela Z o valor crtico
igual a - 1,96.
FIGURA 8.8 - Distribuio normal padronizada
4 etapa: Concluso
O valor - 0,53, obtido pela estatstica de teste, encontra-se fora da regio de rejeio, sendo
prximo de zero e longe do valor crtico de -1,96. Dessa forma, no rejeitamos a hiptese
nula. Portanto, no h indcios de que a proporo de trabalhadores estressados na empresa
estudada seja diferente de 30%.
No prximo tpico voc ver situaes em que o pesquisador tem como interesse comparar
os valores dos parmetros de duas amostras.
132
unidade 7
TESTES PARA DUAS OU
O numerador apresenta as mdias das
MAIS AMOSTRAS
duas amostras, enquanto o denominador
Nos tpicos anteriores aprendemos a
padro
delinear testes de hipteses bilaterais
tamanhos de amostras. No exemplo 7.6
em que uma afirmao numrica feita
feito um teste em que so comparadas as
sobre uma mdia ou uma proporo para
mdias de duas amostras.
consiste na raiz da soma dos desviosdivididos
pelos
respectivos
uma amostra. Em algumas situaes o

pesquisador tem interesse em comparar
Exemplo 7.6
tais valores em dois grupos. Nesse caso,

podemos afirmar que temos um teste
Um engenheiro resolveu comparar o tempo
de hiptese para a comparao de duas
de secagem de duas marcas diferentes de
mdias ou de duas propores.
tintas para determinado tipo de parede.

Para a marca A foram verificados os tempos
de secagem de 50 paredes. O tempo mdio
TESTE PARA A
COMPARAO
DE DUAS MDIAS EM
obtido foi
= 80 minutos, com desvio-
padro s1 = 6 minutos. Para a marca B,

foram verificadas 40 paredes, com tempo
AMOSTRAS
INDEPENDENTES
mdio
= 88 minutos e desvio-padro
s2 = 10 minutos. Teste a hiptese de que

no existe diferena entre as mdias. Use
Em vrias situaes devemos decidir se
significncia 1%.
uma diferena observada entre as mdias

de dois grupos pode ser atribuda ao acaso
1
Etapa:
Estabelea
as
hipteses
interesse
ou se h indcios de que os valores obtidos

de fato provm de populaes com mdias
diferentes. Quando desejamos comparar
as mdias obtidas por duas amostras
independentes,
utilizamos
estatstica de teste:
Z=
seguinte
H0: A = B
H1: A B
2 Etapa: Obteno da estatstica de teste
s s22
+
n1 n2
2
1
Aplicando a frmula, temos:
133
unidade 7
de
Z=
s s
+
n1 n2
2
1
2
2
80 - 88
6 10
+
50 40
2
-8
36 100
+
50 40
-8
-8
-8
= 1,7944 = -4,46
3,22
0,72 + 2,5
=
3 Etapa: Obteno da regio de rejeio.

relativas rea igual a 0,005 (0,010 dividido por 2) da tabela da distribuio normal padro.
4 Etapa: Concluso
Como o valor de Z = - 4,46 bem inferior ao valor crtico - 2,33, obtido pela tabela da
distribuio normal padronizada, rejeitamos a hiptese nula. No h indcios de que o tempo
mdio de secagem das tintas seja diferente.
TESTE PARA A COMPARAO
DE DUAS PROPORES
Quando se deseja testar a hiptese de que as propores em duas populaes so iguais, o
procedimento anlogo ao teste para a comparao de mdias. A frmula a seguinte:
134
unidade 7
1 - p
2
p
Z=
p (1 - p) + p (1 - p)
n1
n2
= x1 e p2 = x2 (propores amostrais)
Onde p
n2
n1
x1 + x2
p = n1 + n2 (proporo amostral combinada)
Exemplo 7.7
Um especialista acredita que a proporo de trabalhadores com estresse ocupacional no
turno da manh seja estatisticamente diferente do turno da tarde. Uma amostra de 100
trabalhadores foi estudada, sendo 50 pela manh e 50 a tarde. No turno da manh contou-se
10 trabalhadores nessa situao. No turno da tarde contou-se 15. Teste a hiptese de que as
propores sejam diferentes nos respectivos turnos. Nvel de significncia: 5%.
1 Etapa: Estabelea as hipteses de interesse
H0: p1 = p2
H1: p1 p2
2 Etapa: Obteno da estatstica de teste
Aplicando a frmula, temos:
x1 + x2 10 + 15
25
p = n1 + n2 = 50 + 50 = 100 = 0,25
10
1 =
p
50 = 0,20
15
2 =
p
50 = 0,30
Z=
1 - p
2
p
p (1 - p) + p (1 - p)
n1
n2
- 0,10
0,25 (0,75) + 0,25 (0,75)

50
50
0,20 - 0,30
0,25 (1 - 0,25) + 0,25 (1 - 0,25)

50
50
- 0,10
0,0075
- 0,10
0,0866 = -1,15
135
unidade 7
3 Etapa: Obteno da regio de rejeio.

relativas rea igual a 0,025 (0,050 dividido por 2) da tabela da distribuio normal padro.
4 Etapa: Concluso
O Z calculado de - 1,15 encontra-se fora da regio crtica. No rejeitamos a hiptese nula.
Portanto, no h diferena na proporo de trabalhadores com estresse entre os turnos da
manh e tarde.
APLICAO
PRTICA
Os testes de hiptese so extremamente teis na engenharia, principalmente no delineamento

de experimentos. Em vrias situaes busca-se a otimizao de processos. Espera-se que os
insumos sejam combinados da melhor maneira possvel, de forma a obter produtos de qualidade
ao menor custo possvel. Nesse contexto, diversos fatores podem determinar o sucesso de um
processo de produo de produtos ou servios.
Num processo produtivo em que determinada mercadoria embalada de forma manual por um
trabalhador, diversos fatores (ou seja, diversas variveis) exercem influncia sobre o desempenho
136
unidade 7
desse trabalhador, como, por exemplo, a
unidade focaram em testes bilaterais.
iluminao, a temperatura, o nmero de horas

trabalhadas, e talvez at a altura de uma
Para definir o tipo de teste a ser utilizado,
bancada. Dessa forma, a execuo de um
levamos em considerao o tamanho
experimento com diversas combinaes de
da amostra e o conhecimento ou no do
valores que as variveis possam assumir pode
desvio-padro
ser til para a otimizao do processo. Por
desconhecemos o desvio-padro e a
exemplo: o desempenho dos trabalhadores
amostra tem tamanho inferior a 30,
melhor quando a temperatura de um galpo
utilizamos o teste t. No caso de conhecer o
de 22 graus celsius, de 23 ou de 24? Como um
desvio-padro populacional ou a amostra
experimento desse tipo depende da utilizao
igual ou superior a 30, utilizamos o teste
de amostras, torna-se fundamental o uso
Z. O nome do teste ocorre em funo
de testes de hipteses para obteno de
da distribuio da estatstica de teste,
concluses acerca do processo.
que construda atravs do conjunto de
populacional.
Quando
possveis amostras, o que conhecido

como distribuio amostral.
REVISO
Nessa
unidade
aprendemos
os
Os testes podem ser utilizados para
fundamentos dos testes de hipteses. O
verificar
principal objetivo deles contrapor uma
amostra, sobre duas amostras ou sobre
hiptese de interesse, conhecida como
mais de duas amostras. Os dois primeiros
hiptese nula, a uma hiptese contrria,
casos foram abordados nessa unidade.
conhecida
como
hiptese
uma
afirmao
sobre
uma
alternativa,
em relao a um parmetro de interesse
A grande utilidade do teste de hipteses
(geralmente a mdia, no caso de variveis
para o engenheiro ocorre no delineamento
quantitativas e a proporo, no caso de
de experimentos e no controle estatstico
variveis categricas).
de processos.
As hipteses podem ser unilaterais ou

bilaterais. No primeiro caso, a hiptese
nula de igualdade contrape-se hiptese
alternativa, em que o sinal de menor
ou maior. No caso dos testes bilaterais,
na hiptese alternativa temos o sinal
de diferente. Todos os exemplos dessa
137
unidade 7
PARA SABER
MAIS
LEVINE, David; BERENSON, Mark; STEPHAN,

David. Estatstica: teoria e aplicaes - usando
o Microsoft Excel em portugus. 6 ed. LTC, 2011,
812 p.
MOORE, David. A estatstica bsica e sua prtica.
TRIOLA,
Mrio.
Introduo
Estatstica:
Atualizao da Tecnologia. 11 ed. LTC, 2013.

VitalBook file.
Para uma fundamentao matemtica mais
aprofundada sobre o assunto, consulte a
seguinte obra:
MONTGOMERY,
Estatstica
Douglas;
aplicada
RUNGER,
George
probabilidade
para
engenheiros. 3 ed. Rio de Janeiro: LTC, 2009.
138
unidade 7
UNIDADE
ANLISE DE CORRELAO E
REGRESSO
o analisar um conjunto de dados, podemos ter interesse no relacionamento

entre duas variveis quantitativas. Dessa forma, poderamos traar o seguinte
questionamento: um aumento no valor da varivel X se relaciona a um aumento
na varivel Y? Qual seria a magnitude dessa relao? As tcnicas de anlise de correlao

e anlise de regresso podem ser utilizadas para estudos desse tipo.
A relao entre variveis quantitativas pode ser modelada atravs de anlise de correlao e
regresso. Com a evoluo da informtica nos ltimos 20 anos, essas tcnicas tm sido cada
vez mais utilizadas no ambiente empresarial.
Nesta unidade, voc aprender a desenvolver clculos para correlao e regresso tanto
passo a passo como atravs do software Microsoft Excel.
140
unidade 8
ANLISE DE
CORRELAO
Quando temos interesse em investigar o quanto duas variveis quantitativas esto associadas,
podemos utilizar uma medida conhecida como coeficiente de correlao.
CONCEITO
O coeficiente de correlao mede o grau de intensidade do relacionamento linear entre duas variveis
quantitativas.
DIAGRAMA DE
DISPERSO
Antes de calcular a correlao entre duas variveis, interessante representar os dados num
diagrama de disperso.
CONCEITO
Diagrama de disperso: Consiste na representao grfica de duas variveis quantitativas no plano
cartesiano.
A figura 8.1 se refere a uma pesquisa com anncios de vendas de 58 imveis. As variveis so:
REA DO IMVEL (em metros quadrados) e VALOR DO IMVEL (em R$ mil).
141
unidade 8
FIGURA 8.1 - rea do imvel x valor do Imvel

800
Valor do imvel (R$ mil)
700
600
500
400
300
200
100
0
50
100
150
200
250
300
rea (em metros quadrados)

Atravs do grfico de disperso possvel visualizar graficamente alguns aspectos relativos

ao comportamento conjunto das variveis, como: direo, forma e fora da relao.
No que se refere direo, a figura 8.1 apresenta indcios de que as variveis (REA e VALOR)
estejam positivamente relacionadas, ou seja, parece que a direo ascendente. H situaes
em que as variveis apresentam associao negativa6 como por exemplo o PREO e a
QUANTIDADE DEMANDADA (para a maioria das mercadorias, quanto maior o preo, menor a
quantidade demandada).
Em relao forma, na figura 8.1 podemos observar que a relao entre as variveis parece
ser linear. Observe a reta que resume a associao. Existem situaes em que duas variveis
se encontram associadas, porm de forma no linear, como na figura 8.2.
6 - Associao negativa: Duas variveis apresentam associao negativa quando o crescimento de uma se
associa diminuio da outra, ou o contrrio, a queda em uma se associa ao acrscimo da outra.
142
unidade 8
FIGURA 8.2 - Relao no linear entre as variveis X e Y

80
70
60
Y
50
40
30
20
10
0
0
10
15
20
X
Outro aspecto de grande importncia ao observar o diagrama de disperso a fora da

relao. Na figura 8.1, o VALOR DO IMVEL se relaciona REA, mas a intensidade da relao
no parece to extrema.
A figura 8.3 mostra um diagrama de disperso onde as variveis apresentam ausncia de
relao.
FIGURA 8.3: Ausncia de relao entre as variveis X e Y
15
14
14
13
13
12
12
11
11
10
0
10
X
143
unidade 8
15
20
O grau de intensidade da relao linear entre duas variveis quantitativas dado pelo
coeficiente de correlao de Pearson.
COEFICIENTE DE
CORRELAO DE PEARSON
O coeficiente de correlao linear de Pearson consiste na medida do grau de intensidade
da relao linear entre duas variveis quantitativas, podendo assumir valores entre -1 e 1.
Podemos afirmar que duas variveis esto positivamente correlacionadas se elas caminham
no mesmo sentido, ou seja, quando uma delas aumenta de valor, o valor da outra tambm
aumenta. Nesse caso, quanto mais prxima de 1, maior a intensidade da associao entre
as variveis.
Quando as variveis caminham em sentidos opostos, dizemos que elas
esto negativamente correlacionadas. Quanto mais prxima de -1, maior a intensidade da

associao, porm a relao inversa.
importante destacar que o fato de duas variveis estarem associadas no significa,
necessariamente, que exista uma relao de causa e efeito. Por exemplo: geralmente crianas
mais novas apresentam menor peso, entretanto isso no significa que o envelhecimento
causa aumento de peso. mais provvel que a criana aumente o peso pelo fato de aumentar
a altura.
A anlise de correlao tem objetivo exploratrio servindo como elemento auxiliar na anlise
da relao entre variveis. Dessa forma, em muitas ocasies o estudo da correlao utilizado
como um recurso a mais na anlise dos dados.
O coeficiente de correlao de Pearson dado pela frmula:
Cor ( X, Y ) = r =
( x -x ) ( y - y )
sxsy ( n - 1)
O numerador da frmula se refere ao somatrio do produto dos desvios da varivel X e da

varivel Y em relao s suas respectivas mdias. No denominador, encontra-se o produto
dos desvios padro de cada uma das duas variveis multiplicado pelo tamanho da amostra
menos uma unidade.
144
unidade 8
Exemplo 8.1 (adaptado de HINES et al, 2006)

Um engenheiro qumico est estudando o efeito da temperatura de operao do processo
sobre o resultado da produo. O estudo resultou nos seguintes dados:
X - Temperatura ( Celsius) 100 110 120 130 140 150 160 170 180 190
Y - Resultado (porcentagem) 45
51
54
61
66
70
74
78
85
89
Calcule o coeficiente de correlao entre as variveis.

Soluo:
Ao realizar uma anlise de correlao, interessante construir o diagrama de disperso para
ter uma ideia sobre a associao entre as variveis:
FIGURA 8.4 - Resultado do processo (em %) em funo da temperatura (em C)
100
90
Y - Resultado (%)
80
70
60
50
40
30
20
10
0
0
50
100
150
200
X - Temperatura ( C)
Fonte: HINES et al (2006), pag.369
A figura 8.4 apresenta indcios de que as variveis esto fortemente associadas. Para
confirmar essa suspeita, podemos calcular o coeficiente de correlao, conforme a tabela 8.1:
145
unidade 8
TABELA 8.1 - Dados para o clculo do coeficiente

de correlao entre temperatura (X) e resultado (Y)
X
Y
100
45
110
51
120
54
130
61
140
66
150
70
160
74
170
78
180
85
190
89
Mdia (X) = 145
Mdia (Y) = 67,3
Desv. Pad (X) = 30,3 Desv. Pad (Y) = 14,7
( )
100 - 145 = -45
110 - 145 = -35
120 - 145 = -25
130 - 145 = -15
140 - 145 = -05
150 - 145 = +05
160 - 145 = +15
170 - 145 = +25
180 - 145 = +35
190 - 145 = +45
( )
45 - 67,3 = -22,3
51 - 67,3 = -16,3
54 - 67,3 = -13,3
61 - 67,3 = -06,3
66 - 67,3 = -01,3
70 - 67,3 = +02,7
74 - 67,3 = +06,7
78 - 67,3 = +10,7
85 - 67,3 = +17,7
89 - 67,3 = +21,7
( )( )
(-45) (-22,3) = 1003,5
(-35) (-16,3) = 570,5
(-25) (-13,3) = 332,5
(-15) (-6,3) = 94,5
(-5) (-1,3) = 6,5
(5) (2,7) = 13,5
(15) (6,7) = 100,5
(25) (10,7) = 267,5
(35) (17,7) = 619,5
(45) (21,7) = 976,5
= 1
( )( ) =
3985
Cor ( X, Y ) = r =
3985
3985
=
= + 0,99
( 30,3) (14,7) (10 -1) 4008,7
O valor + 0,99 obtido pelo coeficiente de correlao confirma que as variveis esto fortemente
associadas, conforme indcio dado pelo diagrama de disperso (figura 8.4).
O exemplo 8.2 se refere a uma situao em que as variveis apresentam correlao negativa.
Exemplo 8.2
O quadro abaixo representa o PREO (em R$) e a QUANTIDADE DEMANDADA de uma
determinada mercadoria.
Preo (X)
Quantidade (Y)
10
11
12
13
14
15
16
17
18
19
200 171 168 165 170 147 120 130 105 124
Soluo:
Antes de calcular o coeficiente de correlao, interessante construir o diagrama de disperso
para ter uma ideia da direo e da forma da associao entre as variveis.
146
unidade 8
FIGURA 8.5 - Quantidade x preo

220
Y - Quantidade
200
180
160
140
120
100
8
10
12
14
16
18
20
X - Preo
Para o clculo do coeficiente de correlao, temos:

TABELA 8.2 - Dados para o clculo do coeficiente de correlao entre preo (X) e quantidade (Y)
Preo (X)
Quantidade (Y)
10
200
11
171
12
168
13
165
14
170
15
147
16
120
17
130
18
105
19
124
Mdia (X) = 14,5
Mdia (Y) = 150
Desv. Pad (X) = 3,0 Desv. Pad (Y) = 29,6
( )
-4,5
-3,5
-2,5
-1,5
-0,5
0,5
1,5
2,5
3,5
4,5
( )
-225
-73,5
-45
-22,5
-10
-1,5
-45
-50
-157,5
-117
( )(
) =
-747
=1
Cor ( X, Y ) = r =
50
21
18
15
20
-3
-30
-20
-45
-26
( )( )
-747
=
( 3,0) (29,6) (10 -1)
-747
= - 0,93
799,2
Portanto, as variveis apresentam forte correlao negativa, conforme indcio do diagrama de

disperso.
Observaes importantes sobre o coeficiente de correlao de Pearson:
147
unidade 8
O valor da correlao independe da

unidade de medida dos dados. Por
exemplo, se tivermos interesse em
medir a correlao entre ALTURA
e PESO de um grupo de pessoas,
USO DA TECNOLOGIA
PARA O CLCULO DO
COEFICIENTE DE
CORRELAO
tanto faz a ALTURA entrar nos
O clculo do coeficiente de correlao no
clculos em centmetros ou em
Excel dado pela funo:
metros;
A correlao no se aplica a mais
de duas variveis;
= CORREL (matriz1;matriz2)
Onde os parmetros (matriz1 e matriz2)
A correlao no faz distino

sobre qual varivel se projeta em
se referem aos dados das duas variveis.

Observe a figura 8.6.
cada eixo do plano cartesiano.

Dessa forma, Cor (X,Y) = Cor (Y,X);
As
variveis
quantitativas.
devem
coeficiente
ser
de
correlao linear de Pearson no se

aplica a variveis categricas;
A correlao mede o grau de
associao linear. Dessa forma,
se duas variveis quantitativas se
relacionam de forma quadrtica
ou exponencial, o coeficiente de
correlao linear no indicado,
uma vez que matematicamente tem
a capacidade de captar relaes
lineares.
148
unidade 8
FIGURA 8.6 - Coeficiente de correlao no Excel
REGRESSO
LINEAR SIMPLES
A regresso linear simples tem como objetivo estimar uma equao que relacione
matematicamente duas variveis, sendo que uma delas explicada pela outra. A varivel
explicada geralmente denominada varivel resposta ou varivel dependente. A varivel
explicativa denominada varivel explanatria ou varivel independente.
A anlise de regresso mltipla tem por objetivo estimar uma equao que relacione
matematicamente uma varivel resposta a duas ou mais variveis explicativas.
A figura 8.7 reapresenta os dados relativos figura 8.1 onde a varivel resposta VALOR se
correlaciona REA DO IMVEL.
149
unidade 8
FIGURA 8.7 - Valor do imvel x rea do imvel
Observe que os pontos do diagrama no caem exatamente sobre a reta de regresso, mas a
reta capaz de resumir o padro geral de comportamento dos dados. Uma das tcnicas mais
utilizadas para obteno dessa reta conhecida como mtodo dos mnimos quadrados.
CONCEITO
Mtodo dos mnimos quadrados: uma tcnica estatstica utilizada para resumir um conjunto de
variveis quantitativas numa equao. Ela se baseia na minimizao da distncia quadrtica de cada
ponto em relao reta.
A equao que representa o modelo de regresso linear simples :

Y1 = 0 + 1 X1 + 1
150
unidade 8
Onde:
^ =
^0 +
^ 1X
Y
Yi = valor da varivel dependente na i-sima

A anlise de regresso se distingue da
tentativa, ou observao;
correlao por supor uma relao de

0 = primeiro parmetro da equao de
causalidade entre as variveis resposta e
regresso, o qual indica o intercepto
explanatria. A anlise geralmente se baseia
no eixo Y, ou seja, o valor de Y quando
numa referncia terica, que justifique uma
X = 0;
relao matemtica de causalidade.
1= segundo parmetro da equao de
^
^
A estimativa dos parmetros 0 e 1
coeficiente
do modelo se d a partir das seguintes
regresso,
chamado
angular, que indica a inclinao da reta
frmulas:
de regresso;
^
XY - nXY
1 =
X2 - nX2
i = o valor do erro, que significa a diferena

entre o valor verdadeiro e o valor
^
o = Y - 1X
previsto pela equao de regresso (

a letra grega psilon). Aps a estimao
da equao de regresso, o erro passa a
ser denominado resduo.
Os parmetros 0 e 1 no modelo de
regresso linear so estimados pelos
valores 0 e 1 que se baseiam nos dados
amostrais. O chapu sobre as letras indica
que foi feita uma estimativa dos parmetros
do modelo com base em dados obtidos
atravs de uma amostra.
Exemplo 8.3
Um professor acredita que a NOTA na
prova de estatstica esteja relacionada ao
nmero de HORAS DE ESTUDO dos alunos.
Para tentar convencer os estudantes dessa
relao, o professor resolve fazer a pesquisa
levantando dados de sete estudantes,
conforme o quadro abaixo.
Dessa forma, a equao de regresso linear

baseada nos dados da amostra que usada
para estimar um simples valor da varivel
dependente, onde o chapu sobre o Y
indica que ele um valor estimado, :
151
unidade 8
QUADRO 8.1 -Dados para a estimao da reta de regresso

que relaciona nota na prova de estatstica (Y) e horas de estudo (X)
Estudante
1
2
3
4
5
6
7
Horas de
estudo (X)
20
15
35
26
30
24
18
Nota na
prova (Y)
72
62
87
77
90
83
68
[a] Determine a equao da reta de regresso para os dados da tabela.

[b] Use a eq uao de regresso para estimar a nota de um estudante que tenha dedicado 20
horas de estudo para a prova.
Soluo:
[a] Podemos incluir mais duas colunas na tabela para facilitar a operacionalizao dos
clculos:
QUADRO 8.2 - Clculos para a estimao da reta de regresso
que relaciona nota na prova de estatstica (Y) e horas de estudo (X)
Estudante
1
2
3
4
5
6
7
Horas de
estudo (X)
20
15
35
26
30
24
18
MDIA (X) = 24
Nota na
prova (Y)
72
62
87
77
90
83
68
MDIA(Y) = 77
X.Y
400
225
1225
676
900
576
324
2
X = 4.326
1440
930
3045
2002
2700
1992
1224
XY = 13.333
Na penltima coluna foram obtidos os valores da varivel X ao quadrado. Na ltima coluna os

valores de X foram multiplicados pelos valores de Y para cada estudante. Em seguida, foram
obtidas as mdias de cada varivel e, finalmente, o somatrio das duas ltimas colunas.
Colocando os dados obtidos nas frmulas, temos:
152
unidade 8
^ 1 = XY - nXY
X2 - nX2
13.333 - 7 . 24. 77
13.333 -12.936
397
=
=
= 1,35
2
4.326 - 4.032
294
4.326 - 7.24
^ o = 77 - (1,35) . (24) = 77 - 32,4 = 44,6
A equao estimada foi:

Y^ = 44,6 + 1,35 . X
Para calcular o valor estimado da nota (Y) com base no nmero de horas estudadas (X), basta
inserir o valor de X na equao. Considerando X = 20, temos:
Y^ = 44,6 + 1,35 . 20 = 44,6 + 27 = 71,6
Portanto, estima-se que um estudante que tenha dedicado 20 horas de estudo obtenha
aproximadamente 72 pontos na prova. Observe abaixo o diagrama da figura 8.8:
FIGURA 8.8 - Previso da NOTA (Y) com base no nmero de HORAS DE ESTUDO (X)
153
unidade 8
INTERPRETAO DO RESULTADO DA REGRESSO

Alm de permitir a previso de uma varivel resposta em funo de uma varivel explanatria,
a anlise de regresso tambm mede a variao de Y quando variamos X. A partir da equao
obtida pelos dados do exemplo 8.3, podemos afirmar que o aumento de uma unidade na
varivel X (nmero de horas estudadas) aumenta, em mdia, 1,35 unidades na varivel Y
(pontos na prova de estatstica).
USO DA TECNOLOGIA PARA A ESTIMAO DA REGRESSO
Com a evoluo da informtica, a tcnica de regresso mltipla passou a ser cada vez mais
utilizada pelas organizaes e pelos cientistas, pois os clculos se tornaram menos tediosos.
No exemplo 8.4, os dados do exemplo 8.3 foram rodados no Excel.
Exemplo 8.4
Estime a equao de regresso com os dados do exemplo 8.2 utilizando o Excel.
Soluo:
DADOS > ANLISE DE DADOS > REGRESSO > OK
FIGURA 8.9 - Comandos utilizados no Excel para anlise de regresso
Nos intervalos de entrada e sada, insira o endereo das variveis explanatria (X horas de
estudo) e resposta (Y nota na prova), respectivamente. Em seguida, aperte OK.
154
unidade 8
FIGURA 8.10 - Comandos utilizados no Excel para anlise de regresso
Aps rodar a regresso, o Excel apresenta trs quadros. O primeiro mostra, dentre outras
estatsticas, o valor do R-quadrado. No exemplo em questo, o valor observado igual a 0,843.
Isso significa que o modelo explica aproximadamente 84,3% da variabilidade em Y a partir da
variao em X.
TABELA 8.3 - Estatsticas para anlise de regresso
Estatstica de regresso
R mltiplo
0,918
R-Quadrado
0,843
R-quadrado ajustado
0,811
Erro padro
4,470
Observaes
7
A tabela 8.4 diz respeito ao teste de significncia do modelo, conhecido como teste F, que
produziu uma estatstica igual a 26,8, que implica num valor p prximo de zero. Dessa forma,
rejeitamos a hiptese de que o modelo no se ajusta bem aos dados. Portanto, o modelo
estatisticamente significativo.
155
unidade 8
TABELA 8.4 - Resultados do teste de adequao do modelo de regresso simples (teste F)

ANOVA
gl
Regresso
Resduo
Total
SQ
MQ
F
Valor p
1 536,085 536,085 26,8271 0,00353
5 99,915 19,983
6
636
A outra sada se refere a valores p dos testes dos coeficientes 0 e 1.

As hipteses para o intercepto so:
H0: 0 = 0
H0: 0 0
As hipteses para a varivel explanatria so:
H0: 1 = 0
H0: 1 0
Os valores p iguais a zero para o intercepto e para a varivel X1 implicam na rejeio da
hiptese de que os valores sejam no significativos. Portanto os coeficientes ( 0 e 1 ) so
significativos com base no teste t para cada um separadamente.
TABELA 8.5 - Coeficientes da regresso e estatsticas de interesse
Interseo
Varivel X 1
Coeficientes Erro padro

44,59
6,48
1,35
0,26
Stat t
6,88
5,18
valor-P
0,00
0,00
A equao estimada :
= 44,6 +1,35 . X1
Y
Dessa forma, o modelo se mostra til tanto para analisar o impacto que a varivel explanatria
exerce sobre a varivel resposta, quanto para previso.
156
unidade 8
A interpretao do coeficiente da varivel X1 : o aumento de uma unidade na varivel X (ou

seja, a cada hora a mais de estudo) consiste no aumento de 1,35 unidades na varivel Y (1,35
pontos na prova de estatstica)
Para um estudante que tenha dedicado 30 horas ao estudo, o valor previsto pela equao 85:
= 44,6 + 1,35 x 30 = 44,6 + 40,5 = 85
Y
REGRESSO
LINEAR MLTIPLA
Na regresso linear simples, uma varivel resposta pode ser explicada por uma varivel
explanatria. Na figura 8.7, o valor do imvel pode ser previsto com base no seu tamanho
(em metros quadrados). O valor obtido para o R2 foi de 0,45. Isso significa que a varivel
explanatria X explica 45% da variao na varivel Y. No exemplo em questo, outras variveis
tambm podem ser utilizadas para explicar melhor a variao de Y (preo do imvel), como
por exemplo a idade do imvel, o preo do condomnio, o nmero de banheiros, etc.
Dessa forma, na regresso mltipla, uma varivel resposta se relaciona a duas ou mais
variveis explanatrias. O objetivo tambm predizer os valores de Y com base nas variveis
explanatrias.
Na maioria das vezes, uma varivel resposta se relaciona a mais de uma varivel explanatria.
Nessa situao, tambm podemos utilizar o mtodo dos mnimos quadrados para obter uma
equao que relacione as variveis. Nesse caso, temos uma regresso mltipla:
Yi = 0 + 1 X1 + 2 X2 + + k Xk + i
Onde:
Yi = varivel resposta (varivel dependente);
0 = intercepto (valor assumido por Y quando todas as demais variveis assumem valor igual
a zero);
1, 2,..., k = coeficientes angulares;
k = nmero de variveis explanatrias (variveis independentes).
157
unidade 8
A estimao da equao de regresso linear mltipla tambm se d atravs do mtodo dos

mnimos quadrados. O objetivo obter o hiperplano que melhor se ajuste ao conjunto de
dados atravs da minimizao dos desvios quadrticos.
Com a evoluo da informtica, a tcnica de regresso mltipla passou a ser cada vez mais
utilizada pelas organizaes e pelos cientistas, pois os clculos se tornaram menos tediosos.
No exemplo 8.5, o preo do imvel estimado com base em duas variveis: REA DO IMVEL
e NMERO DE QUARTOS.
Exemplo 8.5
Estime a equao de regresso relacionando o VALOR DO IMVEL s variveis: REA do
apartamento e NMERO DE QUARTOS.
158
unidade 8
Axis Title
Chart Title
800.000,00
700.000,00
600.000,00
500.000,00
400.000,00
300.000,00
200.000,00
100.000,00
-
y = 1868,2x + 239876
R = 0,55094
Series1
Linear (Series1)
50
100
150
200
Axis Title
159
unidade 8
250
300
Soluo
DADOS > ANLISE DE DADOS > REGRESSO > OK
Nos intervalos de entrada e sada, insira o endereo das variveis explanatria e dependente,
respectivamente, assim como foi feito para a regresso simples. Em seguida, aperte OK.
Aps rodar a regresso mltipla, o Excel produz tabelas. Segue a primeira:
TABELA 8.7 - Resultados do teste de adequao do modelo de regresso mltipla (teste F)
ANOVA
Regresso
Resduo
Total
gl
2
55
57
SQ
MQ
557.278.841.710 278.639.420.855
360.283.037.601
6.550.600.684
917.561.879.310
F
42,5
Valor p
0,000
A sada da ltima coluna se refere aos valores p do teste dos coeficientes da regresso. A
hiptese nula de que cada coeficiente igual a zero, individualmente, versus a hiptese
alternativa de que seja diferente de zero, respectivamente.
TABELA 8.8 - Coeficientes de regresso e estatsticas de interesse
Interseo
Varivel X 1
Varivel X 2
Coeficientes
86.873
1.335
67.719
Erro padro
60.689
285
24.091
Stat t
1,43
4,68
2,81
valor-P
0,16
0,00
0,01
A equao estimada :
Y = 86.873 + 1.335X1 + 67.719X2
Na ltima coluna temos os valores p, que mostram que as variveis so significativas e o
intercepto no, conforme os testes t para cada coeficiente separadamente. O intercepto no
caso no tem significado prtico nesse exemplo.
160
unidade 8
Dessa forma, o modelo se mostra til tanto para analisar o impacto que cada uma das variveis
explanatrias exerce sobre a varivel resposta, mantendo constantes as outras variveis,
quanto para previso.
A interpretao do coeficiente da varivel X1 : a cada uma unidade de aumento na REA (ou

seja a cada metro quadrado a mais) a varivel Y (VALOR) aumenta em R$ 1.335,00, se mantida
constante a varivel X2 (NMERO DE QUARTOS).
A interpretao do coeficiente da varivel X2 : a cada uma unidade de aumento na varivel
X2 (NMERO DE QUARTOS), a varivel Y (VALOR) aumenta em mdia R$ 67.719, se mantida
constante a varivel X1 (REA).
Para um apartamento que tenha 80 metros quadrados e trs quartos, o valor previsto pela
equao :
Y = 86.873 + 1.335 80 + 67.719 3=
= 86.873 + 106.800 + 203.157 = R$ 396.830
Y
APLICAO
PRTICA
Os exemplos de anlise de regresso utilizados nesta unidade contm uma varivel explicativa, no caso
da regresso simples, ou duas variveis explicativas, no caso da regresso mltipla. Tais situaes
ilustram a utilizao dos modelos de regresso para situaes mais simples. Na verdade, esses modelos
podem ser utilizados com um nmero bem maior de variveis explicativas.
Por exemplo, para prever o preo de revenda de um automvel, o analista de dados pode utilizar diversas
variveis, como: idade, nmero de quilmetros rodados, presena de vidros eltricos, presena de ar
condicionado, consumo de combustvel na estrada, consumo de combustvel na cidade, estado de
conservao dos pneus, estado de conservao da pintura, etc.
Nesse sentido, os modelos de regresso se mostram muito teis para a realizao de previses. Outro
exemplo: imagine o gestor de uma empresa de varejo de alimentos que tem que tomar a deciso sobre a
quantidade de itens em estoque. Nesse caso, ele no pode estocar muito, pois os produtos podem perder
161
unidade 8
validade, alm do custo do espao utilizado para
o estudo da relao entre duas variveis
guardar as mercadorias. Ao mesmo tempo,
a regresso simples, muito til para fazer
estocar uma quantidade insatisfatria pode
previses. Alm da regresso simples, a
implicar na falta de produtos para a venda.
regresso mltipla tambm bastante
Nesse caso, de grande valia a utilizao de
utilizada, pois na maioria das situaes
modelos de previso para estimar a quantidade
as variveis previstas so associadas a
de mercadorias que sero comercializadas num
diversas
certo espao de tempo.
quantitativas quanto categricas.
Um terceiro exemplo do uso de modelos de

regresso se refere deciso dos bancos
sobre conceder ou no um emprstimo para
determinado candidato. Para isso, o banco
geralmente levanta diversas variveis para
estimar a probabilidade de o cliente ser ou no
um bom pagador.
variveis
explanatrias,
tanto
Para que o modelo de regresso seja til,

o analista depende do conhecimento da
teoria acerca do assunto e de alguma
experincia prtica capaz de auxiliar na
escolha das melhores variveis candidatas
e explicativas.
A utilizao dos modelos de regresso na
engenharia muito importante, uma vez
REVISO
que vrios experimentos so delineados na
A presente unidade tratou do tema relao
otimizao de processos de produo.
entre duas ou mais variveis quantitativas.

Foi demonstrado que, para o estudo de duas
variveis
quantitativas
PARA SABER
simultaneamente,
MAIS
faz-se interessante o uso de diagramas de

disperso com o objetivo de inspecionar
visualmente se elas apresentam associao.
Para estudar mais sobre os modelos de
Devemos observar, principalmente, a forma,
regresso, consulte as seguintes obras:
a intensidade e a direo da relao entre as

variveis. Alm disso, tambm importante
DOANE, David, SEWARD, Lori. Estatstica
o clculo do coeficiente de correlao, que
Aplicada Administrao e Economia.
fornece um valor entre 0 e 1, podendo ser
ArtMed, 2010. VitalBook file.
negativo no caso de relacionamento linear

inverso entre as variveis.
FREUND, John, SIMON, Gary. Estatstica

Aplicada:
Outra tcnica bastante interessante para
Economia,
Administrao
e Contabilidade. 9 Ed. Porto Alegre:
162
unidade 8
Bookman, 2007.
LEVINE, David; BERENSON, Mark; STEPHAN,
David. Estatstica: teoria e aplicaes usando o Microsoft Excel em portugus. 6
ed.Rio de Janeiro: LTC, 2011, 812 p.
MONTGOMERY, Douglas, RUNGER, George.
Estatstica aplicada e probabilidade para
engenheiros. 3.ed. Rio de Janeiro: LTC,
2009.
MOORE, David. A estatstica bsica e sua
prtica. Rio de Janeiro: LTC, 2014.
TRIOLA, Mrio. Introduo Estatstica. 10
ed. Rio de Janeiro: LTC. 2008. 722p.
163
unidade 8
REFERNCIAS
FREUND, John. Estatstica Aplicada Economia.
BARBETTA, Pedro Alberto, REIS, Marcelo

Menezes,
BORNIA,
Antnio
Cezar.
Estatstica: Para Cursos de Engenharia e

Informtica. 3 ed. Atlas, 2010. VitalBook file.
BAILAR III, John.C.; MOSTELLER, Frederick.
Medical uses of statistics. 2. ed. Boston:
NEJM Books, 1992.
CARVALHO, Danilo Heraldo; COUTO, Brulio
Roberto Gonalves Marinho. Levantamentos
por amostragem ou pesquisas de survey.
Relatrio tcnico DCET, N 3/2003. 107p
aplicaes usando Microsoft Excel em

portugus. 3 ed. Rio de Janeiro: LTC, 2000
que ajudou a mudar o mundo. 18 fev. 2013. In:

Site TecMundo. Disponvel em: <http://www.
tecmundo.com.br/tecnologia/36697-lotus1-2-3-o-software-que-ajudou-a-mudar-omundo.htm>. Acesso em: 15 abr. 2015
GRIFFITHS, Dawn. Use a cabea! Estatstica.
Rio de Janeiro: Altabooks, 2009.
HINES, William, MONTGOMERY, Douglas,
Dave,
BORROR,
Connie.
Probabilidade e Estatstica na Engenharia. 4

ed. Rio de Janeiro: LTC, 2006. VitalBook file.
KAZMIER, Leonard. Estatstica Aplicada
DOANE, David, SEWARD, Lori. Estatstica

Aplicada Administrao e Economia.
ArtMed, 2010. VitalBook file.
Administrao e Economia. Bookman, 2007.

LEVINE, David M. et al. Estatstica - teoria
e aplicaes: usando Microsoft Excel em
DOWNING, Douglas. Estatstica Aplicada.

Trad. Alfedro Alves de Farias: 2ed So Paulo:
Saraiva, 2003
portugus. 6 ed. Rio de Janeiro: LTC, 2012. 804 p

MAGALHES, Marcos Nascimento; LIMA,
Antnio
FIELD, Andy. Descobrindo a Estatstica

Usando o SPSS. 2 ed. Porto Alegre:
ARTMED, 2009. 688p
Carlos
Acesso
Pedroso.
Noes
de
Probabilidade e Estatstica. 6. ed. So Paulo:

Editora da Universidade de So Paulo, 2007.
MALHOTRA,
FORMULRIO GOOGLE DOCS. Disponvel em:

em: 15 abr. 2015
GAZZARRRINI, Rafael. Lotus 1-2-3: o software
GOLDSMAN,
DAVID M. et al. Estatstica: teoria e
<https://docs.google.com/forms>.
11 ed. Bookman, 2006. VitalBook file.
Naresh
K..
Pesquisa
de
marketing: uma orientao aplicada. trad.

Lene Belon Ribeiro, Monica Stefani. rev. tc.
Janana de Moura Engracia Giraldi. Porto
Alegre: Bookman, 2012.
164
McCLAVE, James T.; BENSON, George;
VELLEMAN. Paul. Estatstica Aplicada -
SINCICH,
Administrao, Economia e Negcios. Porto
Terry.
Estatstica
para
administrao e economia. trad. Fabrcio
Alegre: Bookman, 2011.
Pereira Soares e Fernando Sampaio Filho;

rev. tc. Galo Carlos Lopez Noriega. So
SOARES,
Jos
Francisco;
SIQUEIRA,
Paulo: Pearson Prentice Hall, 2009.
Armanda Lcia. Introduo Estatstica

Mdica. Belo Horizonte: UFMG, 2002. 300p
MONTGMOMERY,
Douglas
C;
RUNGER,
George C. Estatstica aplicada e probabilidade
STEVENSON, William. Estatstica Aplicada
para engenheiros. trad. e rev. tc. Vernica
Administrao. ed 2001. So Paulo:
Calado. Rio de Janeiro: LTC, 2009.
Harbra, 1981.
MOORE, David. A estatstica bsica e sua
TRIOLA, Mario Farias. Introduo Estatstica:
prtica. Rio de Janeiro. LTC, 2014.
traduo de Vera Regina Lima de Farias e

Flores, reviso tcnica Ana Maria Lima de
NETO, Antnio Peli. Intervalos de confiana,
Farias. 10 ed. Rio de Janeiro: LTC, 2008
Intervalos de Predio e Campo de Arbtrio

nas
Avaliaes
Urbanos.
TRIOLA, Mario F. Introduo Estatstica:
Associao Brasileira dos Engenheiros
Atualizao da Tecnologia, 11 ed. LTC,
Civis - Departamento da Bahia. Bahia, 2010.
03/2013. VitalBook file.
Disponvel
em:
de
Imveis
<http://goo.gl/6uFFSt>.
Acesso em 16 jun. 2015.
WERKEMA,
Maria
Cristina
Catarino;
AGUIAR, Silvio. Planejamento e anlise de

REIDEL, Adilson et al. Utilizao de efluente de
experimentos: Como Identificar as principais
frigorfico, tratado com macrfita aqutica, no
variveis influentes em um processo. Belo
cultivo de tilpia do Nilo. R. Bras. Eng. Agrc.
Horizonte:
Ambiental, Campina Grande, v.9, (Suplemento),
Escola de Engenharia da UFMG, 1996.
Fundao
Cristiano
Ottoni,
p.181-185, 2005. Disponvel em: <http://goo.

gl/TQP0re>. Acesso em: 21 jan. 2015
WALPOLE,
Ronald.
Probabilidade
estatstica para engenharia e cincias. So

SILVA,
Nilza
Nunes.
Amostragem
Paulo: Pears, 2008
probabilstica. 2 ed. So Paulo: Editora da

Universidade de So Paulo, 2001. 120p
SHARP,
Norean,
DE
VEAUX,
Richard,
165
www.animaeducacao.com.br

Livro Estatística Probabilidades EAD

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Livro Estatística Probabilidades EAD

Încărcat de

Drepturi de autor:

Formate disponibile

Estatstica e

Brulio Roberto Gonalves Marinho Couto

Brulio Roberto Gonalves Marinho Couto

doutor em Bioinformtica, mestre em Cincia

mestre em Estatstica e graduada

da Computao, especialista em Estatstica,

em Licenciatura em Matemtica com

bacharel em Engenharia Qumica e tcnico

Habilitao em Fsica. Possui experincia

em Qumica. Atuante nas reas de Estatstica,

como docente na rea de Matemtica

Clculo Numrico, Informtica em Sade,

Epidemiologia Hospitalar e Bioinformtica.

mdio. Experincia com orientao de

Professor do Centro Universitrio de Belo

Octvio Alcntara Torres bacharel em

Reinaldo Carvalho de Morais mestre

Estatstica e mestre em Demografia. Possui

e bacharel em Administrao Pblica,

experincia nas reas de probabilidade e

graduado em Estatstica e especialista

estatstica, regresso e correlao, anlise

em Gesto Financeira. Possui experincia

estatstica multivariada e controle estatstico

em pesquisas sobre economia e finanas

de processo. reas de interesse: projees

pblicas mineiras, bem como docncia nas

populacionais, projees de mo de obra

disciplinas de estatstica, de economia,

qualificada, pesquisa de mercado, estatstica

de engenharia econmica, de matemtica

financeira e de administrao da produo.

A ideia usar ferramentas como o Excel

Tecnologia so profissionais que resolvem

para construir tabelas e grficos, como

problemas. E como isso ocorre? Pela

histograma, diagrama de disperso, Pareto

aplicao eficiente do mtodo cientfico.

e calcular valores como mdia, mediana,

Pois bem, disso que se trata essa

desvio padro, e coeficiente de variao.

Na Unidade 3 so introduzidos conceitos

estatsticas que possibilitaro a voc

bsicos de probabilidades, cruciais para

que se entenda o processo de tomada

qualquer rea do conhecimento e, portanto,

de deciso na presena de incerteza. A

apto a resolver problemas. A disciplina

Unidade 4 uma continuao da terceira

dividida em oito unidades cujo objetivo

unidade, so apresentados os modelos

introduzir o aluno na rea da Estatstica

probabilsticos mais importantes para se

e Probabilidades, tornando-o capaz de

modelar problemas de pequeno e mdio

planejar e de executar experimentos de

porte na rea de Engenharia e Tecnologia.

pequeno e mdio porte nas reas de

A partir da Unidade 5 caminhamos para

fazer a anlise exploratria dos dados e de

a rea nobre da Estatstica, que envolve

realizar inferncias, por meio da tomada de

as inferncias, isto , o processo de

deciso na presena de incerteza.

a) consiste na totalidade das unidades de

b) conjunto de elementos que formam o

e) o universo a ser amostrado;