EST Ebook

ESTATÍSTICA
ESTATÍSTICA
Copyright © UVA 2020
Nenhuma parte desta publicação pode ser reproduzida por qualquer
meio sem a prévia autorização desta instituição.
Texto de acordo com as normas do Novo Acordo Ortográfico

da Língua Portuguesa.
AUTORIA DO CONTEÚDO PROJETO GRÁFICO

Adriana Maria Balena Tostes UVA
REVISÃO DIAGRAMAÇÃO
Janaina Vieira UVA
Lydianna Lima
T716 Tostes, Adriana Maria Balena.

Estatística [recurso eletrônico] / Adriana Maria Balena Tostes. – Rio de
Janeiro: UVA, 2021.
1 recurso digital (3621 KB)
Formato: PDF
ISBN 978-65-5700-089-2

1. Estatística. 2. Probabilidades. I. Universidade Veiga de Almeida. II.
Título.
CDD – 519.5
Bibliotecária Adriana R. C. de Sá CRB 7 – 4049.

Ficha Catalográfica elaborada pelo Sistema de Bibliotecas da UVA.
SUMÁRIO
Apresentação 6
Autor 7
UNIDADE 1
Introdução ao estudo estatístico 8

• A estatística no Brasil e no mundo
• Elaboração e análise de gráficos e tabelas
• Medidas de posição e de dispersão
UNIDADE 2
Probabilidade 93
• Introdução à probabilidade
• Conceitos de probabilidade
• Probabilidade condicional
SUMÁRIO
UNIDADE 3
Distribuições de Probabilidade 166

• Variáveis aleatórias e distribuições de probabilidade
• Distribuições de probabilidades discretas
• Distribuição de probabilidade normal
UNIDADE 4
Intervalos de confiança e Relação entre variáveis 228

• Intervalos de confiança
• Correlação
• Regressão linear
APRESENTAÇÃO
O mundo em que vivemos está repleto de uma quantidade extraordinária de informa-

ções. Sozinhas, essas informações podem gerar grandes confusões ou simplesmente
podem não ter significado algum.
Para coletar, organizar, analisar, apresentar, interpretar e tirar conclusões sobre elas preci-
samos de um ramo poderoso da Matemática Aplicada, que denominamos de Estatística.
A Estatística é ferramenta essencial para fazer o tratamento de informações, que deno-

minamos de tratamento dos dados. É considerada disciplina-chave da Teoria de Infor-
mação, tendo como objetivo principal subsidiar o processo decisório. Ela é indispensável
para qualquer profissional que necessita analisar informações em suas tomadas de de-
cisão diárias, seja no campo profissional ou na vida pessoal.
Não podemos escapar dos dados, assim como não podemos evitar o
uso de palavras. Tal como palavras os dados não se interpretam a si
mesmos, mas devem ser lidos com entendimento. Da mesma maneira
que um escritor pode dispor as palavras em argumentos convincentes
ou frases sem sentido, assim também os dados podem ser convincen-
tes, enganosos ou simplesmente inócuos. A instrução numérica, a capa-
cidade de acompanhar e compreender argumentos baseados em dados,
é importante para qualquer um de nós. O estudo da estatística é parte
essencial de uma formação sólida. (MOORE, 2000)
Seja qual for a área ou o objeto de estudo do pesquisador, este poderá utilizar conceitos
de Estatística. É difícil encontrar uma situação real em que não se utilize a Estatística para
solucionar problemas, gerenciar qualidade, comparar metodologias, testar hipóteses, evi-
denciar tendências, diminuir riscos e, principalmente, auxiliar na tomada de decisões.
6
AUTOR
ADRIANA MARIA BALENA TOSTES
Graduada em Engenharia Civil pela Universidade Federal de Juiz de Fora – UFJF, licen-
ciada em Matemática pela Universidade Federal de Santa Catarina – UFSC e mestra em
Educação Matemática pela Universidade Severino Sombra – USS. Iniciou sua trajetória
docente no Ensino Superior em 1991, ingressando como professora da Universidade Vei-
ga de Almeida – UVA em 2010. Ministra aulas de Cálculo Elementar, Cálculo I, Cálculo
II, Matemática I, Matemática II, Matemática Financeira e Estatística, para os cursos de
Engenharias, Administração e Ciências Contábeis.
7
UNIDADE 1
Introdução ao estudo estatístico

INTRODUÇÃO
Nesta unidade apresentaremos os principais conceitos da Estatística, bem como os plane-

jamentos para coleta de dados, organização por meio de tabelas, apresentação a partir de
gráficos e cálculo das medidas de resumo, tanto as medidas de posição quanto as medidas
de dispersão, os quais compõem a estatística descritiva. O que veremos nos tópicos, a saber:
• Tópico 1: um breve histórico enfocando a relevância da Estatística no mundo em

que vivemos e algumas situações que exemplificam o mau uso dessa área do co-
nhecimento humano. Seu estudo se desenvolverá ancorado em conceitos básicos
como dados, população e amostra, censo e amostragem, parâmetros e estatísticas,
tipos de variáveis, tipos de amostragens, índices e indicadores.
• Tópico 2: a organização e a visualização dos conjuntos de dados, utilizando tabe-
las, sejam elas com ou sem intervalos de classes, e gráficos de diversos tipos, como
os histogramas, os polígonos de frequências, a Ogiva de Galton, além dos gráficos
de barras, colunas, setores e linhas, associando o uso de tecnologia para essa ela-
boração. Esses conhecimentos e habilidades são fundamentais para o desenvol-
vimento de competências associadas à resolução de problemas que envolvam a
tomada de decisão a partir da organização, apresentação e análise de dados.
• Tópico 3: medidas descritivas, divididas em medidas de posição, que são a média,
a moda e a mediana, e as medidas de dispersão, que são a amplitude, a variância, o
desvio-padrão e o coeficiente de variação, fundamentais para resumir as informações.
OBJETIVO
Nesta unidade você será capaz de:
• Realizar a coleta, a organização, a descrição e a análise dos dados referentes a

uma pesquisa.
9
A estatística no Brasil e no mundo
Podemos pensar que os conceitos de Estatística nasceram no mundo contemporâneo, em

que valorizamos cada vez mais a rapidez e a quantidade de informações, quando o avan-
ço tecnológico é incessante. Entretanto, sabemos que a utilização dos conceitos da Esta-
tística como suporte para a tomada de decisões é verificada também no mundo antigo.
O primeiro registro disponível acerca de um levantamento estatístico refere-se à solicita-

ção de Heródoto que, em 3050 a.C., no Egito, promoveu um estudo populacional com a
intenção de quantificar a disponibilidade de recursos humanos e econômicos para a cons-
trução das pirâmides. Determinados autores apontam ainda que anos antes, em 5000
a.C., já havia ocorrido um levantamento para quantificar os egípcios presos de guerra.
Podemos dividir a evolução da Estatística em três fases. São elas:
Ocorre na Idade Média, quando as coletas de informações ti-

1ª fase
nham finalidades tributárias ou bélicas.
Por volta do século XVI iniciam-se as primeiras análises siste-

2ª fase máticas dos fatos sociais, tais como casamentos, óbitos, nas-
cimentos, migração, entre outros.
No século XVIII a Estatística foi batizada por Godofredo Achen-

3ª fase wall como nova ciência, estabelecendo, assim, seus objetivos e
relacionamentos com as demais ciências
Agora veremos a evolução da estatística no Brasil até o momento atual. Observe a tabela
a seguir.
Destaques no Brasil
1585 Padre José de Anchieta registra os habitantes de algumas capitanias.
10
Primeiro censo geral da população brasileira feito por José Maria da Silva
1872
Paranhos, conhecido como Visconde do Rio Branco.
Criação do Conselho Superior de Estatística, com vistas à padronização de

1907
conceitos e apuração de resultados em todo o território nacional.
Criação do Instituto Nacional de Estatística, que só passou a existir de fato em

1936, mudando em 1938 para Instituto Brasileiro de Geografia e Estatística –
1934
IBGE, que traz uma série de informações referentes à população, economia e
uma variedade de indicadores sociais.
Criação do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio

Teixeira – INEP (www.inep.gov.br), que apresenta uma vasta quantidade de
1937
informações referentes à área educacional, trazendo resultados de censos
escolares, avaliações institucionais; sinopses estatísticas e microdados.
Iniciaram os “modernos censos” decenais, não ocorrendo apenas o de 1990

1940 (foi adiado para 1991), devido à “falta de recursos” alegada pelo governo Collor.
Antes disso ocorreram os de 1872, 1890, 1900 e 1920.
1947 Primeiro curso de Inferência dado no Brasil baseado no livro de Cramer.
Duas escolas iniciaram o Ensino de Estatística no Brasil: uma no Rio de Janeiro,

1953 a Escola Nacional de Ciências Estatística (ENCE) e a outra conhecida como
Escola de Estatística da Bahia.
11
O Brasil teve a honra de receber Sir Ronald Aylmer Fisher para participar do 2°
1955
Congresso Internacional de Biometria, realizado em Campinas.
Criação do Instituto de Pesquisa Econômica Aplicada – IPEA (www.ipea.gov.br),

1964
que possui muitos indicadores e dados referentes à área econômica e financeira.
Iniciou-se a formação de grupos de pesquisa em probabilidades, propiciando

1970
um dos grandes passos para a criação de outros cursos nessa área.
Registram-se 25 universidades em todo o país com cursos de graduação e

1992
pós-graduação em Estatística.
Podemos notar um aumento significativo na oferta de cursos. Existem 56

2020 cursos de graduação, 115 pós-graduações Lato Sensu e nove cursos de
mestrado e doutorado em Estatística no Brasil.
Como podemos observar os conceitos da Estatística estão presentes na vida do homem

desde a Antiguidade, no entanto, atualmente a utilização da Estatística expandiu-se para
muito além de suas origens. Indivíduos e organizações usam a estatística para compreen-
der dados e tomar decisões bem informadas em ciências biológicas, ciências exatas, ciên-
cias sociais, ciências humanas, em negócios e em inúmeras áreas do conhecimento. Com
o surgimento dos computadores e de softwares estatísticos específicos para trabalhar
com dados, o estudo ficou muito mais dinâmico e interessante, de forma exata e precisa.
12
Conceitos fundamentais
Agora, vamos conhecer alguns conceitos fundamentais da Estatística.
1. Variáveis
É a característica que será observada em uma pesquisa.
Exemplo
Sexo, idade, massa corporal, grau de instrução.
2. Dados
São as observações coletadas a respeito de uma determinada variável.
Exemplo
Feminino, masculino, 20 anos, 65 Kg, superior completo.
3. População e Amostra
Em alguns casos seria impossível entrevistar todos os elementos para coletarmos os

dados, pois levaria muito tempo para concluir o trabalho ou até mesmo seria inviável fi-
nanceiramente. Dessa forma, com técnicas robustas de amostragem, escolhemos uma
parte significativa para fazer a coleta desses dados.
Você já imaginou se, ao fazer uma pesquisa eleitoral em nosso país, ti-
véssemos que entrevistar todos os eleitores do Brasil?
Quando fazemos a coleta dos dados em situações em que todos os elementos são ana-
lisados, estamos trabalhando com uma “população”.
13
Quando fazemos a coleta dos dados em situações em que uma parte ou subgrupo é
considerado, estamos trabalhando com uma “amostra”.
Entenda melhor esses conceitos.
População:
É o conjunto de todos os elementos sobre o qual desejamos obter informação.
Amostra:
É um subconjunto de elementos retirados da população para obter-se a infor-
mação desejada.
Ao referirmo-nos a uma população fazemos um recenseamento e o dado estatístico é con-

siderado parâmetro. No caso de uma amostra, fazemos uma pesquisa por amostragem
e o dado estatístico é denominado estatística, como podemos observar na figura a seguir.
Amostra Amostragem Estatística
População Censo Parâmetro
Ampliando o foco
O Censo é uma pesquisa realizada no Brasil pelo IBGE,

em que todos os domicílios brasileiros são visitados
para que se possa saber o número de brasileiros,
quem são, onde vivem e como vivem.
Para saber mais sobre o recenseamento visite o Portal

do IBGE.
14
Ao realizar uma pesquisa com amostras é importante ter muito cuidado com a repre-
sentatividade delas. É importante assegurar que a parte escolhida da população seja
suficientemente adequada para estimar o comportamento do todo.
Podemos minimizar a possibilidade de erro melhorando a qualidade dos instrumentos de

pesquisa, determinando criteriosamente o tamanho da amostra e melhorando a habilida-
de dos pesquisadores.
No planejamento da pesquisa é essencial estudar as técnicas de amostragens. São elas:
1. Amostragens probabilísticas: aleatória simples, sistemática, estratificada, por

conglomerado e múltipla.
2. Não probabilísticas: inacessibilidade, a esmo, por material contínuo, intencionais,

por voluntários, por quotas, bola de neve.
Ainda é cedo para apresentarmos as técnicas de determinação do tamanho da amostra,

mas, ao final desse curso, você já terá condições de compreender as fórmulas utilizadas
para o cálculo do tamanho de uma amostra representativa.
O uso inadequado da estatística
O uso inadequado da estatística induz a erro. Isso ocorre quando:
• Utilizamos amostras tendenciosas ou de tamanho pequeno.

• Há uso ambíguo de conceitos.
• Há apresentação equivocada de variáveis.
• Há erros na representação gráfica (intervalos em escalas desiguais).
• Há omissão de dados reveladores.
Veja algumas dessas situações a seguir.
Situação 1
Afirmativa: Cerca de 68% dos entrevistados defendem a pena de morte como solução
para a violência no país. Isso equivale a mais da metade dos brasileiros.
Pensamento correto: Se não for informado o número de entrevistados isso pode ser fal-
so. Suponhamos que apenas 3 pessoas deram essa opinião, em que 2 foram favoráveis
e 1 contra. O tamanho da amostra não foi suficiente para ser representativa.
15
Situação 2
Afirmativa: Melhoramos o nosso serviço de delivery em 100%.
Pensamento correto: Se o serviço de entrega era péssimo, melhorar em 100% significa

que ele ficou pior.
Situação 3
Afirmativa: O quadro de funcionários de nossa empresa é composto de 100 funcionários

com o salário médio de R$ 5.000,00.
Pensamento correto: Essa informação não é suficiente para saber se nessa empresa
todos recebem bons salários. Suponhamos que o presidente da empresa receba R$
401.000,00 e 99 funcionários recebam R$ 1.000,00.
Situação 4
Afirmativa: A pesquisa revelou que 9 em cada 10 pessoas preferem o nosso produto.
Pensamento correto: Essa pesquisa pode ter sido feita baseada em amostras de 10 pes-
soas que já tinham afinidade com a marca e foram especialmente selecionadas para dar
esse resultado.
Tipos de erros
1. Erros amostrais: diferença entre o resultado da amostra e o verdadeiro valor da

população. Ocorre quando as amostras são aleatórias.
2. Erros não amostrais: ocorrem quando os dados amostrais são coletados incor-
retamente, devido a uma amostra tendenciosa, instrumento de medida defeituoso,
anotações erradas, erro do pesquisador. Não devem existir ou devem ser minimiza-
dos com cuidado, atenção e planejamento.
16
Tipos de variáveis
Observe o esquema a seguir, que ilustra os tipos de variáveis de maneira geral.
Nominal
Qualitativa
(atributo)
Ordinal
Variável
Discreta
Quantitativa
(números)
Contínua
Agora, com base na figura anterior, vamos apresentar cada uma delas. Preste atenção!
Qualitativas
A resposta a ser anotada é uma qualidade ou atributo, ou seja, será anotada com uma
palavra ou um código numérico.
As variáveis qualitativas podem dividir-se em duas categorias:
• Qualitativa nominal: não existe uma hierarquia ou uma ordenação nas possíveis
respostas.
Exemplo: profissão, sexo, estado civil, CPF, RG, senha.
• Qualitativa ordinal: existe certa ordem nas possíveis respostas.

Exemplo: grau de instrução, classe social.
17
Quantitativas
A resposta a ser anotada é uma medição ou contagem, ou seja, será anotada com
um número.
As variáveis quantitativas podem dividir-se em duas categorias:
• Quantitativa discreta: os números a serem anotados são inteiros.

Exemplo: número de filhos, idade.
• Quantitativa contínua: os números a serem anotados são reais.

Exemplo: massa corporal, estatura.
Vamos a um exemplo prático.
Exemplo
O trecho a seguir foi extraído da página do IBOPE na internet.
Inquérito domiciliar para monitorar a soroprevalência da infecção pelo

vírus SARS-CoV-2 em adultos no município de São Paulo
Estudo transversal com amostragem probabilística realizado no Município de

São Paulo entre os dias 15 e 24 de junho de 2020 (16 semanas após o primeiro
caso registrado na cidade).
Para medir a soroprevalência no Município de São Paulo foram analisadas

1.183 coletas de sangue dos participantes em 115 setores censitários sendo
12 residências foram sorteadas em cada setor censitário.
Sumário da Metodologia: o Município de São Paulo tem uma população de

8.407.202 habitantes com 18 anos ou mais. Foram criados dois estratos na
cidade: distritos com maior renda e distritos com menor renda, sendo que
cada um deles corresponde a cerca de metade da população pesquisada.
Após responderem um questionário, uma amostra de sangue foi colhida por
punção venosa dos participantes. A quantidade de anticorpos anti-SARS-
-CoV-2 (IgG e IgM) foi medida usando um método de quimiluminescência.
18
Tabulação dos dados coletados:
Fonte: ibopeinteligencia.com
Observe a metodologia da pesquisa e poderemos verificar que:
População e Amostra
População: 8.407.202 habitantes com 18 anos ou mais do município de São Paulo.
Amostra: 1.183 indivíduos com 18 anos ou mais moradores no município de São Paulo.
Variáveis pesquisadas, classificando-as como qualitativas nominais, qualitativas or-

dinais, quantitativas discretas, quantitativas contínuas
Sexo: qualitativa nominal.
Idade: quantitativa discreta.
19
Escolaridade: qualitativa ordinal.
Raça/cor: qualitativa nominal.
Nº de pessoas no domicílio: quantitativa discreta.
Considerações gerais:
• As diferentes prevalências de anticorpos anti-SARS-CoV-2 refletem a desigualda-

de social do município de São Paulo.
• A soroprevalência diminui com o aumento do nível educacional, sendo 4,5 vezes
maior entre os indivíduos que não completaram o ensino fundamental quando com-
parada com os que terminaram o ensino superior (22,9% versus 5,1%),
• A soroprevalência é 2,5 vezes maior entre os participantes que se identificam
como pretos do que nos brancos (19,7% versus 7,9%),
• Participantes que vivem em habitações com 5 ou mais indivíduos apresentam
uma soroprevalência quase 2 vezes maior do que aqueles que habitam com 1 ou
dois indivíduos (15,8% versus 8,1%),
Exemplo 2
Observe a tabela com as informações e veja o posicionamento das variáveis envolvidas
no esquema apresentado, de acordo com a classificação a que ela pertence.
Informações sobre nome, estado civil, grau de instrução, número de filhos, salário, idade,
procedência, altura e massa corporal de 10 funcionários da Universidade Veiga de Almeida.
Estado Grau de Nº de Salário Idade Altura Massa

Nome Procedência
Civil Instrução filhos R$ (anos) (m) (kg)
Superior
Eduardo Casado 3 12.534,72 30 capital 1,87 85
completo
Superior
Cláudia Casada 2 18.145,78 56 interior 1,65 62
completo
Ensino
Carlos Solteiro 0 3.456,78 18 capital 1,91 95
médio
Superior
Paola Solteira 0 4.567,89 20 Interior 1,68 55
Incompleto
Superior
Maria Casada 1 6.789,10 48 capital 1,60 65
completo
Fonte: Elaborada pela autora. Dados fictícios.
20
• Nome
• Estado civil • Grau de instrução
Qualitativa Qualitativa
• Procedência nominal ordinal
• Salário
• Número de filhos Quantitativa Quantitativa
discreta contínua • Altura
• Idade
• Massa
Exemplo 3
Observe possíveis respostas de uma pesquisa sobre os tipos de amostragens, tanto pro-
babilísticas quanto não probabilísticas, com um exemplo para cada tipo pesquisado.
Tipo Amostragem Descrição Exemplos
Consideremos uma população

de 1.000 elementos. Assim, po-
demos numerá-la de 000 a 999.
Processo mais elementar
Em seguida, escolhemos um
e muito utilizado. Equivale
ponto de uma tabela de números
a um sorteio. Numera-se
aleatórios e agrupamos de 3 em
Aleatória a população de 1 a n e,
3; assim, vamos selecionando os
Simples em seguida, realiza-se um
elementos da amostra.
(ou casual) sorteio aleatório de ele-
mentos dessa numeração
Considerando a hipotética linha
que serão os elementos
123456789012345678901,
pertencentes à amostra.
selecionaríamos os elementos:
Amostragens 123 – 456 – 789 – 012 – 345
Probabilísticas -678 – 901.
Seja uma população formada

por 100 estudantes, sendo 40%
Classifica a população em
do sexo feminino e 60% do sexo
pelo menos duas subpo-
masculino. Resolve-se selecionar
pulações (ou estratos) que
Estratificada uma amostra de 10 elementos. De
possuem as mesmas ca-
(ou proporcional) acordo com essa técnica deve-
racterísticas, para, assim,
mos manter a mesma proporção
extrair proporcionalmente
de representatividade de cada
amostras de cada estrato.
grupo, portanto a amostra deve
conter 4 mulheres e 6 homens.
21
Deseja-se obter uma amostra
Quando a população em composta de 80 famílias resi-
estudo já encontra-se dentes em determinada rua, que
ordenada de acordo com conta com 2.000 casas. Assim,
algum critério específico, nosso intervalo seria dado por
como fichários, prontuá- 2.000/80, que resulta em 25. Con-
rios, listas, calculamos siderando os critérios aleatórios,
um intervalo de amostra- devemos escolher um número
Sistemática gem, também conhecido entre as casas 0 e 25 e, a partir
com intervalo de seleção, daí, contar de 25 em 25 casas
que definirá quais ele- para inclusão na amostra. Consi-
mentos participarão da derando que o número sorteado
pesquisa. O cálculo dele foi 5, selecionaremos a família
Amostragens é dado pelo tamanho da da referida casa para participar
Probabilísticas população dividido pelo da amostra, e depois aqueles
tamanho da amostra. residentes nas casas 5, 30, 55, 80,
105, até atingirmos 80 casas.
Divide-se a área da po-

pulação em seções (ou
conglomerados), depois Ex.: pesquisa pré-eleitoral. Selecio-
selecionam-se aleatoria- nam-se aleatoriamente 30 zonas
Por
mente algumas dessas eleitorais e realiza-se a pesquisa
conglomerado
seções e, finalmente, com todos os elementos das
consideram-se todos os zonas selecionadas.
elementos dos conglome-
rados selecionados.
Os indivíduos escolhidos
nessa pesquisa estão
Acidental prontamente disponíveis Pesquisas de opinião em
ou casual e não porque foram sele- supermercados.
cionados por meio de um
critério estatístico.
Intencionalmente é
Amostragens Para um estudo sobre auto-
escolhido o grupo de ele-
não Intencional móveis, o pesquisador procura
mentos que irá compor a
probabilísticas apenas oficinas.
amostra.
Assemelha-se ao método
de amostragem estrati- Deseja-se entrevistar apenas
ficada, diferindo apenas indivíduos da classe A, que repre-
Por quotas
pelo fato de a escolha sentam 12% da população. Esta
não seguir critérios de será a quota para o trabalho.
aleatoriedade.
22
Ao entrevistar imigrantes de um
país específico, pode-se iniciar
buscando pessoas conhecidas e
Cada indivíduo entrevis- pedir novos contatos de conter-
Amostragens
tado indica uma ou mais râneos conhecidos delas. Esse
não Bola de neve
pessoas para a próxima processo continua até que o
probabilísticas
entrevista. pesquisador tenha todas as en-
trevistas de que necessita ou até
que todos os contatos tenham
sido atingidos.
Indicadores e Índices
O indicador é uma medida quantitativa que auxilia na tomada de decisões. É obtido re-
lacionando-se as variáveis. Muito usado para avaliar tendências e performances. É um
excelente feedback, já que permite demonstrar, de forma clara e objetiva, o desempenho
de um processo em um determinado intervalo de tempo.
Índice é o valor numérico assumido por um indicador em determinado momento.
Exemplo
Para entender melhor esses conceitos vamos supor que uma organização utili-
ze como indicador o número de colaboradores com nível superior completo di-
vidido pelo número total de colaboradores. Se a empresa apurar esse indicador
em um determinado período e alcançar 0,5 ou 50% esse será o seu índice de
escolaridade de nível superior dos funcionários.
Os indicadores e índices são muito usados nas áreas de sustentabilidade, meio ambiente,
economia, entre outras.
23
Observe a tabela a seguir com os indicadores e índices mais usados.
Indicadores mais utilizados Índices mais utilizados
IDH – Índice de desenvolvimento Hu-

mano - Proposto pela ONU, calculado no
nosso país a partir dos dados censitários
PIB – Produto Interno Bruto - É um dos do IBGE. Calculado como sendo a média
indicadores mais utilizados em macroe- geométrica de três índices, educação,
conomia. Seu objetivo é quantificar a ati- renda e saúde. É mais representativo do
vidade econômica de uma região. que o PIB, já que este só se importa com
a economia, sem preocupação com as
condições da população; por isso, pode
mascarar a desigualdade existente.
Tabela Fipe - Expressa preços médios de

IBOVESPA – Índice da Bolsa de Valores
veículos anunciados por vendedores, no
de São Paulo – É um índice de desempe-
mercado nacional, servindo como parâ-
nho das ações negociadas na Bovespa.
metro para negociações.
IPC - Índice de Preços ao Consumidor,

IQA - Índice de qualidade do ar - É um in-
apurado pela FGV (Fundação Getúlio Var-
dicador padronizado do nível de poluição
gas). É um índice para avaliação do poder
do ar em uma determinada região.
de compra do consumidor.
IPCA – Índice de Preços ao Consumidor

Amplo - Medido mensalmente pelo IBGE
Indicador social - Usado para informar
(Instituto Brasileiro de Geografia e Estatís-
algo sobre determinado aspecto da reali-
tica), foi criado com o objetivo de oferecer
dade social, para fins de pesquisa ou ava-
a variação dos preços no comércio para o
liação de políticas públicas.
público final. O IPCA é considerado o índi-
ce oficial de inflação do país.
IGP-M – Índice Geral de Preços do Mer-

cado - Medido pela FGV (Fundação Ge-
túlio Vargas), é um indicador de variação
dos preços na economia brasileira. Como
o Brasil é um país fortemente impactado
pela inflação, ele serve para verificar as
mudanças quanto ao valor da moeda e
nas alterações de preços.
24
INCC - Índice Nacional de Custo da
Construção - Mede a variação de preços
que faz parte do setor da construção civil
na economia brasileira.
Ampliando o foco
Tenha em mente que tanto os indicadores quanto os índices são de grande utili-
dade para o planejamento estratégico de uma empresa e também para o nosso
dia a dia. Neste material apresentaremos apenas alguns desses indicadores e
índices, contudo existe uma variedade deles.
Para saber mais é importante que você pesquise sobre indicadores e índices
ligados à sua área de interesse.
Divisões da Estatística
Observe o esquema a seguir para conhecer as divisões da Estatística.
Ferramentas para coleta, organização, apresenta-

Estatística ção, análise, interpretação dos dados, bem como
descritiva para o cálculo de medidas de posição e dispersão.
Análise de situações, que lidam com incertezas

Probabilidade
ou com o acaso.
Estatística
Ferramentas usadas para estimar, induzir ou inferir
Estatística leis de comportamento de uma população, basean-
indutiva do-se em resultados obtidos em uma pesquisa feita
com uma amostra retirada dessa população.
Estatística A partir da segunda metade do século XX teve um

computacional forte impacto na prática da estatística.
25
Softwares estatísticos
Muitos softwares fazem integração entre informática e estatística. Contudo, neste mate-
rial listaremos os softwares mais usados. Veja a seguir uma breve descrição sobre cada
um deles.
1. SPSS – Software comercial de análises estatísticas. Fornece um conjunto robusto de

recursos que permitem extrair informações dos dados. Possui versão demo.
2. MINITAB – Software comercial de análises estatísticas. Possui um ambiente comple-

to para a análise de dados. Sua interface intuitiva permite que o usuário trabalhe, simulta-
neamente, com planilhas eletrônicas de dados, tabelas estatísticas, gráficos e textos em
forma de “janelas”. Possui versão demo.
3. R for Windows – É um dos softwares estatísticos mais usados no mundo. Gratuito.

Disponível para Windows e Unix.
4. STATISTICA – Software comercial de análises estatísticas. Possui versão demo.
5. Excel – Na planilha eletrônica da Microsoft encontramos várias funções estatísticas,

de fácil utilização e amplamente comercializadas.
6. Bioestat – Software para estudantes de fácil uso para iniciantes, voltado sobretudo
para a área de Ciências Biológicas, mas pode ser usado em qualquer área. É gratuito e
tem versão em português.
MIDIATECA
Na midiateca você encontra os links com os endereços para fazer o download

da versão “demo” dos softwares comerciais.
26
Elaboração e análise de gráficos e tabelas
Um dos objetivos da Estatística é fazer a síntese e a organização dos valores que a variável
de estudo pode assumir. Para alcançar esse propósito lançamos mão das tabelas e dos
gráficos que viabilizarão informações rápidas e seguras a respeito da variável em estudo.
Neste tópico abordaremos como fazer a coleta dos dados, a organização em tabelas de
distribuição de frequências e algumas representações gráficas.
Coleta dos dados
Dentre diversas maneiras para se coletarem dados, a amostragem é a mais frequente.

Pode ser feita a partir da aplicação de um questionário, que deverá ser respondido pelo
entrevistado fisicamente, por meio do telefone ou, ainda, pela internet. Podem também
ser obtidos por meio de gravação de entrevistas ou por um levantamento dos dados que
já tenham sido disponibilizados por outro pesquisador.
São importantes alguns cuidados para coletar os dados. São eles:
• Identificação: o entrevistado só deve ser identificado nos casos em que realmen-

te seja necessário, pois sem identificação ele ficará mais à vontade para responder
às questões propostas.
• Palavras adequadas: a comunicação deve ser feita de acordo com o público-alvo,
tomando-se o cuidado com palavras muito rebuscadas ou termos vulgares.
• Perguntas impróprias: somente perguntas relevantes devem ser feitas ao entre-
vistado.
• Perguntas com duplo sentido: averiguar se o que foi perguntado está sendo
compreendido.
• Perguntas sem sentido estatístico: evitar perguntas que não serão necessárias
ao estudo. Questionários muito longos cansam o entrevistado e ele tende a não res-
ponder ou a responder de qualquer maneira.
• Testar antes de aplicar: faça um projeto piloto antes de sair para sua entrevista.
Aplique o questionário a uma pequena quantidade de pessoas e certifique-se de que
realmente o que você está perguntando está sendo bem compreendido. Só depois
desse teste é que o pesquisador deve ir a campo.
27
Organização dos dados coletados em tabelas
A elaboração de tabelas obedece à Resolução nº 886, de 26 de outubro de 1966, do

Conselho Nacional de Estatística, sendo que, a partir de 1993, o IBGE também passou a
normatizar a apresentação de tabelas.
E quais elementos uma tabela deve conter?
Observe os elementos a seguir. São eles:
1. Título: conjunto de informações, as mais completas possíveis, respondendo às

seguintes perguntas:
• O quê (referente ao fato).

• Onde (relativo ao lugar).
• Quando (corresponde à época).
2. Cabeçalho: parte superior da tabela que especifica o conteúdo das colunas.
3. Coluna indicadora: parte da tabela que especifica o conteúdo das linhas.
4. Classes: são as linhas do corpo da tabela.
5. Corpo: conjunto de linhas e colunas que contêm informações sobre a variável

em estudo.
6. Casa ou célula: espaço destinado a um só número.
7. Fonte e notas: colocadas, preferencialmente, no rodapé.
28
Exemplo de uma tabela com os elementos.
Os 10 números mais sorteados na Mega-sena desde o concurso Título

nº 1 (de 11/03/1996) até o concurso nº 2281 (de 18/07/2020)
Quantidade de vezes
Número Cabeçalho
que foi sorteado
1ª Classe 53 261 Casa ou
10 260 célula
23 254
5 254
33 248 Corpo
4 248
27 245
54 244
9ª Classe 24 244
42 244
Total 2.502
Fonte: https://www.somatematica.com.br/megasenaFrequentes.php Rodapé
Considerações:
- A tabela não é delimitada à esquerda e nem à direita (deve ficar aberta lateralmente).
- A tabela é limitada superiormente e inferiormente por uma linha grossa ou dupla.
- Os elementos “fonte” e “título” são obrigatórios.
- Devemos colocar um traço horizontal (–) quando o valor é zero.
- Quando não temos os dados sinalizamos com três pontos (...).
- Um ponto de interrogação (?) deve ser usado quando temos dúvida quando à exatidão
de determinado valor.
- O zero (0) deve ser usado quando o valor é muito pequeno para ser expresso pela uni-
dade utilizada.
Elaboração de uma tabela de distribuição de frequências
Uma tabela de distribuição de frequências é uma tabela-resumo que mostra classes,

frequências absolutas, frequências relativas e frequências acumuladas.
• Dados brutos: são os dados originais na forma como foram coletados, sem ne-
nhuma organização.
• Rol estatístico: é a organização dos dados brutos em ordem crescente, decres-

cente ou alfabética.
29
• Frequência absoluta ou frequência simples ou simplesmente frequência: é a
quantidade de vezes que cada valor é observado.
• Frequências relativas: obtidas pela divisão entre a frequência e o total ou pela

frequência acumulada e o total. Geralmente são expressas em %.
• Frequências acumulada: é a soma de cada frequência com as anteriores ou a

soma de cada frequência relativa com as anteriores.
Vamos a um exemplo prático.
Exemplo
O SINCOM realizou uma pesquisa sobre os preços de um modelo de computador em 20
lojas de informática, na cidade de Juiz de Fora, em julho de 2020. Foram coletados os
valores a seguir em reais:
2000 2500 2000 2600 2000 2600 2600 2500 2500 2000
2000 2000 2500 2600 2600 2600 2600 2600 2600 2600
Observe como organizam-se os dados brutos em uma tabela de distribuição de frequências.
1º passo: confeccionar o rol, ou seja, precisamos organizar os dados brutos em ordem

crescente ou decrescente.
2000 2000 2000 2000 2000 2000 2500 2500 2500 2500
2600 2600 2600 2600 2600 2600 2600 2600 2600 2600
2º Passo: com o rol confeccionado iniciamos a contagem para preencher a coluna da

frequência absoluta:
Rol
2000 2000 2000 2000 2000 2000 2500 2500 2500 2500
2600 2600 2600 2600 2600 2600 2600 2600 2600 2600
30
Tabela: Preço do microcomputador modelo X, em 20 lojas de JF – Julho 2020.
Frequência Frequência Frequência Frequência

Preço absoluta relativa acumulada relativa acumulada
(fi) (fri%) (Fi) (Fri%)
2000 6
2500 4
2600 10
Total 20
Fonte: SINCOM (2020).
A frequência relativa será obtida dividindo-se a frequência absoluta pelo total. Para ex-
pressarmos o resultado em porcentagem temos que multiplicar o resultado por 100.

2000 6 6/20 = 0,30 ou 30%
2500 4 4/20=0,2 ou 20%
2600 10 10/20 = 0,5 = 50%
Total 20 100%
A frequência acumulada será a soma de todas as frequências absolutas que estão na

classe (linha) ou acima dela. Veja a tabela a seguir:
31

2000 6 6/20 = 0,30 ou 30% 6
2500 4 4/20=0,2 ou 20% 6 + 4 = 10
2600 10 10/20 = 0,5 = 50% 6 + 4 + 10 = 20
Total 20 100%
A frequência acumulada relativa será a soma de todas as frequências relativas que estão
na classe(linha) ou acima dela:

2000 6 6/20 = 0,30 ou 30% 6 30%
2500 4 4/20=0,2 ou 20% 6 + 4 = 10 30% + 20% = 50%
2600 10 10/20 = 0,5 = 50% 6 + 4 + 10 = 20 50% + 50% = 100%
Total 20 100%
32
Tabela de distribuição de frequência COM intervalos de
classe
Quando os dados obtidos assumem muitos valores diferentes, é costume, em vez de lis-
tar as respostas uma a uma, apresentar as tabelas em intervalos, chamados de classes.
Veja um exemplo de uma tabela de distribuição de frequências com intervalo de classe:
Tabela: População feminina residente no Brasil por idade, em 2019.
Frequência
Idade Frequência Frequência Frequência
Acumulada
(anos) Absoluta Relativa Acumulada
Relativa
0 I---- 4 4991 4,6% 4991 4,6%
4 I---- 6 2638 2,4% 7629 7,0%
6 I--- 10 5516 5,1% 13145 12,1%
10 I--- 15 7167 6,6% 20312 18,7%
15 I--- 18 4624 4,3% 24936 23,0%
18 I--- 25 11063 10,2% 35999 33,2%
25 I--- 30 7674 7,0% 43673 40,2%
30 I--- 40 17011 15,7% 60684 55,9%
40 I--- 60 29168 26,9% 89852 82,8%
60 anos ou mais 18658 17,2% 108510 100,0%
Total 108510 100,0%
Fonte: IBGE - Pesquisa Nacional por Amostra de Domicílios Contínua anual (2020).
33
Elementos de uma distribuição de frequências com intervalos de classe:
Uma distribuição de frequência com intervalos de classe apresenta alguns elementos.
São eles:
Limites Intervalo Amplitude

Classe
das classes das classes amostral
Amplitude de um Ponto médio Frequências

intervalo de classe de uma classe de cada classe
Agora vamos conhecer mais um pouco sobre eles.
1. Classes
São os intervalos da variável quantitativa.
Exemplo:
Na tabela 2, temos:
1ª classe: 0 I---- 4
2ª classe: 4 I---- 6
3ª classe: 6 I---- 10
4ª classe: 10 I---- 15
5ª classe: 15 I---- 18
6ª classe: 18 I---- 25
7ª classe: 25 I---- 30
8ª classe: 30 I---- 40
9ª classe: 40 I---- 60
10ª classe: 60 anos ou mais
2. Como calcular o número de classes: (k)
Temos três formas que podem ser usadas para calcular o número de classes de uma
tabela de distribuição de frequências em função da quantidade de dados (n):
Sejam:
k = número de classes
n = quantidade de dados
34
~
• Primeira forma: Fórmula de Sturges: k = 1 + 3,3 · log n
• Segunda forma: k = n
• Terceira forma: o bom senso do pesquisador. A familiaridade do pesquisador com

os dados é que deve indicar quantas classes devem ser construídas. As fórmulas são
apenas sugestões. Cabe ao pesquisador analisar o resultado e tomar a decisão de
quantas classes deverão ser adotadas. A orientação é que o número de classes deve
estar entre 5 e 20. Tabelas com poucas classes perdem a precisão dos dados e com
muitas classes ficam cansativas.
3. Limites da classe
São os valores extremos de cada classe. O menor número é o limite inferior da classe (Li)
e o maior número, o limite superior (LS) da classe.
Exemplo:
Na tabela 2 temos:
Na primeira classe: Li = 0 LS = 4
Na quinta classe: Li = 15 LS = 18
Na décima classe: Li = 60 LS = -
4. Tipos de intervalos e representações mais usadas
a) Fechado à esquerda e fechado à direita: I----I ou -------- ou [ , ]

b) Fechado à esquerda e aberto à direita: : I---- ou -------- ou [ , [
c) Aberto à esquerda e fechado à direita: : ----I ou -------- ou ] , ]
d) Aberto à esquerda e aberto à direita: ---- ou -------- ou ] , [
É muito importante entender essa simbologia para determinar corretamente as frequên-

cias absolutas.
Veja o exemplo a seguir.
35
Exemplo
1º) Considere o seguinte levantamento sobre o número de salários mínimos recebidos
pelos funcionários de uma empresa:
Funcionário Nº de S.M
Funcionário 1 1
Funcionário 2 4
Funcionário 3 4,2
Funcionário 4 3,9
Funcionário 5 5
Funcionário 6 2,5
Funcionário 7 (voluntário) 0
Funcionário 8 3
Funcionário 9 4,1
2º) Organize os dados em ordem crescente, ou seja, confeccione o ROL:
0; 1; 2,5; 3; 3,9; 4; 4,1; 4,2; 5
3º) Suponha que vamos preencher a coluna da frequência absoluta da seguinte tabela
de distribuição:
Nº de Frequência
Explicação
salários Absoluta
Como o intervalo é fechado à esquerda, o limite

inferior será considerado e, como o intervalo é
fechado à direita, o limite superior também deve
0 I----I5
ser considerado.
ou
0 ---- 5 9
Então, fazendo a contagem no rol temos:
ou
0; 1; 2,5; 3; 3,9; 4; 4,1; 4,2; 5
[0 , 5]
Portanto, 9 funcionários recebem de zero até,

inclusive, cinco salários mínimos.
36
4º) Modifique o intervalo e faça a contagem da frequência absoluta:
Nº de Frequência
Explicação
salários Absoluta
Como o intervalo é fechado à esquerda, o limite

inferior será considerado e, como o intervalo é
aberto à direita, o limite superior NÃO deve ser
0 I----5
considerado.
ou
0 ---- 5 8
Então, fazendo a contagem no rol temos:
ou
0; 1; 2,5; 3; 3,9; 4; 4,1; 4,2
[0,5[
Portanto, 8 funcionários recebem de zero até

antes de 5 salários mínimos.
5º) Modifique, novamente o intervalo e faça a contagem:
Nº de Frequência
Explicação
salários Absoluta
Como o intervalo é aberto à esquerda, o limite

inferior NÃO será considerado e, como o interva-
lo é fechado à direita, o limite superior deve ser
0 ----I5 considerado.
ou
0 ---- 5 8 Então, fazendo a contagem no rol temos:
ou 1; 2,5; 3; 3,9; 4; 4,1; 4,2; 5
]0 , 5]
Portanto, 8 valores satisfazem essa condição, ou
seja, ganham mais de 0 salários até inclusive 5
salários mínimos.
37
Por fim, modificando novamente o intervalo e fazendo a contagem teremos:
Nº de Frequência
Explicação
salários Absoluta
Como o intervalo é aberto à esquerda, o limite

inferior NÃO será considerado e, como o intervalo
é aberto à direita, o limite superior também NÃO
0 ----5 deve ser considerado.
ou
0 ---- 5 7 Então, fazendo a contagem no rol temos:
ou 1; 2,5; 3; 3,9; 4; 4,1; 4,2
]0 , 5[
Portanto, 7 funcionários satisfazem essa condi-
ção, ou seja, recebem entre zero e cinco salários
mínimos.
5. Amplitude amostral: (AA)
É a diferença entre o maior valor e o menor valor do rol.
AA = xmáximo – xmínimo
6. Amplitude de um intervalo de classe: (hi)

É a diferença entre o limite superior e o limite inferior da classe.
hi = Lsi – Lii
Como vimos na tabela População feminina residente no Brasil por idade, em 2019, que
apresenta a população feminina residente no Brasil por idade em 2019, temos:
Amplitude da primeira classe (0 I---- 4) → h1 = Ls1 – Li1 = 4 – 0 = 4
Amplitude da quarta classe (10 I---- 15) → h4 = Ls4 – Li4 = 15– 10 = 5
Amplitude da décima classe (60 anos ou mais) → h10 = Ls10 – Li10 = ???
(não pode ser determinada, já que o limite superior não foi especificado)
38
Quando a tabela ainda não foi criada, para calcular o intervalo de cada classe devemos
dividir a amplitude total (AT) pelo número de classes(k). Então:
AA
h=
k
A amplitude de um intervalo de classe pode ser igual em toda tabela (que é preferível,
sempre que possível) ou diferente em algumas classes.
7. Ponto Médio de uma classe: (Xi)

É o valor que representa a classe, calculado como sendo a média aritmética entre os
limites da classe.
Lii + Lsi
Xi =
2
Na tabela que apresenta a população feminina residente no Brasil por idade em 2019,
temos:
Li1 + Ls1 0+4

Ponto médio da primeira classe (0 I---- 4) → X1 = = =2
2 2
Li1 + Ls1 4+6

Ponto médio da segunda classe (4 I---- 6) → X2 = = =5
2 2
Calculamos da mesma maneira para todas as classes que possuem limite inferior e limi-
te superior.
Ponto médio da décima classe (60 anos ou mais) → (não pode ser determinado, já que o
limite superior não foi especificado)
39
8. Frequências de cada classe
As frequências absolutas, relativas e acumuladas são calculadas exatamente iguais ao
cálculo das frequências para tabelas de distribuição de frequência sem intervalos de
classe. São elas:
• Frequência absoluta ou frequência simples ou simplesmente frequência: é a

quantidade de vezes que cada valor é observado.
• Frequências relativas: obtida pela divisão entre a frequência e o total ou pela fre-
quência acumulada e o total. Geralmente são expressas em %.
• Frequências acumulada: é a soma de cada frequência com as anteriores ou a

soma de cada frequência relativa com as anteriores.
Vamos lembrar o cálculo das frequências relativas?
Para isso, é preciso efetuar uma divisão e o resultado deve ser arredondado.
Critério de arredondamento de dados
De acordo com a Resolução nº 886/1966 do IBGE:
I) Se o primeiro algarismo a ser abandonado for menor do que 5, ou seja quando o pri-
meiro algarismo a ser abandonado for 0,1,2,3 ou 4, ficará inalterado o último algarismo
que permanece.
Exemplo: Arredondar com 1 casa decimal os números seguintes:

53,24 passa para 53,2.
II) Se o primeiro algarismo a ser abandonado for maior do que 5, ou seja, quando o pri-
meiro algarismo a ser abandonado é o 6,7,8, ou 9, aumenta-se em uma unidade o alga-
rismo que permanece.
Exemplos:
40
III) Quando o algarismo a ser abandonado for igual a 5 existem dois critérios e você deve
adotar o que achar mais conveniente, sem nenhum problema.
Se, após o 5 seguir em qualquer casa um algarismo diferente de zero, aumenta-se uma
unidade ao algarismo que permanece. (Esse critério é adotado por calculadoras e com-
putadores.)
Exemplos:
45,6501 passa para 45,7.
86,250002 passa para 86,3.
Outro critério quando o dígito a ser abandonado for o 5:
Se o 5 for o último algarismo ou após o 5 só se seguirem zeros, o último algarismo a ser

conservado só será aumentando de uma unidade se for ímpar.
Exemplos:
18,75 passa para 18,8
29,65 passa para 29,6
37,75000 passa para 37,8
49,8500 passa para 49,8
Observação: Nunca devemos fazer arredondamentos de sucessivos. O arredondamento

deve ser feito apenas na resposta final.
Veja alguns exemplos práticos para entender melhor. Vamos lá!
Exemplo 1
Em julho de 2020 foi feita uma pesquisa sobre a idade de 50 funcionários da UVA. Os
dados estão apresentados a seguir:
31 43 44 44 45 48 45 46 47 45
49 50 51 53 54 54 56 58 26 65
18 20 20 21 22 24 25 25 62 27
29 34 30 30 41 31 32 33 29 35
36 36 37 37 40 37 38 38 38 37
41
Como devemos construir a tabela completa de distribuição de frequências, com o intervalo
fechado à esquerda?

Resolução:
Sete passos devem ser seguidos para confeccionarmos a tabela de distribuição de fre-
quências com intervalos de classe:
1- Confeccionar o Rol Estatístico.

2- Determinar o número de classes (k).
3- Calcular a amplitude dos intervalos de classe (h).
4- Determinar o limite inferior da primeira classe (Li).
5- Determinar o limite superior da primeira classe (Ls).
6- Determinar os dos limites inferiores e superiores das demais classes.
7- Determinar a frequência absoluta de cada classe e, a partir daí, calcular as frequências
relativas e acumuladas.
1º passo: confecção do Rol.
18 20 20 21 22 24 25 25 26 27
29 29 30 30 31 31 32 33 34 35
36 36 37 37 37 37 38 38 38 40
41 43 44 44 45 45 45 46 47 48
49 50 51 53 54 54 56 58 62 65
2º passo: determinação do número de classes (k).
~
k= 1 + 3,3 · log n
~
k = 1 + 3,3 · log 50
~
k= 1 + 3,3 · 1,6989970004
~
k = 1 + 5,606601014
~
k= 6,606601014
~
k = 7 classes
Se tivéssemos optado pelo método da raiz quadrada de determinação das classes teríamos:
k= n
k = 50
~
k = 7,071067812 = 7 classes
42
3º passo: cálculo da amplitude dos intervalos de classe (h).
AA
h=
k
65 – 18 ~
h= = 6,714285714 = 7
7
4º passo: determinação do limite inferior da primeira classe (Li).
Normalmente, o limite inferior da primeira classe será o menor valor da amostra, ou um

número menor do que ele.
No nosso caso, adotaremos Li = 18
5º passo: determinar o limite superior da primeira classe (Ls).
Para determinar o limite superior da primeira classe basta adicionar a amplitude da clas-
se ao limite inferior, ou seja:
1ª classe: Li = 18 Ls = 18 + 7 = 25
6º passo: determinar os dos limites inferiores e superiores das demais classes.
O limite superior da primeira classe será o limite inferior da segunda classe e assim su-
cessivamente, até que o maior valor pesquisado esteja contido na última classe.
2ª classe: Li = 25 Ls = 25 + 7 = 32
3ª classe: Li = 32 Ls = 32 + 7 = 39
4ª classe: Li = 39 Ls = 39 + 7 = 46
5ª classe: Li = 46 Ls = 46 + 7 = 53
6ª classe: Li = 53 Ls = 53 + 7 = 60
7ª classe: Li = 60 Ls = 60 + 7 = 67 (67 > 65 → ok!)
7º passo: determinar a frequência absoluta de cada classe e, a partir daí, calcular as

frequências relativas e acumuladas da mesma maneira que foram calculadas para as
distribuições de frequências sem intervalos de classe.
43
Tabela: Idade de 50 funcionários da Universidade Veiga de Almeida em Julho de 2020.
Idade (anos) fi fri % Fi Fri%
18 | ---- 25 6 12% 6 12%

25 | ---- 32 10 20% 16 32%
32 | ---- 39 13 26% 29 58%
39 | ---- 46 8 16% 37 74%
46 | ---- 53 6 12% 43 86%
53 | ---- 60 5 10% 48 96%
60 | ---- 67 2 4% 50 100%
Total 50 1
Interpretação da tabela
Uma amostra com 50 dados, coletados em julho de 2020, informam as idades de cola-
boradores da Universidade Veiga de Almeida – UVA.
Após a organização desses dados pode-se observar que aproximadamente 26% dos fun-
cionários apresentam idade igual ou superior a 32 anos e inferior a 39 anos. Em seguida,
com um percentual de 20%, estão os colaboradores que apresentam idade de 25 até
antes de 32 anos. Percebe-se que 4% dos empregados estão acima de 60 anos e 12%
estão abaixo de 25 anos. Mais da metade dos colaboradores, aproximadamente 58%,
têm idade abaixo de 39 anos.
Você pode perceber que outras informações ainda podem ser retiradas da tabela?
Exemplo 2
Os dados coletados pela Secretaria do Meio Ambiente e já ordenados referem-se aos
níveis de ruído em decibéis de algumas áreas residenciais da cidade do Rio de Janeiro.
55,00 55,89 56,03 56,67 59,36 60,14 60,22 60,32

60,74 60,96 61,49 61,89 61,92 62,57 62,69 63,14
63,29 64,00 64,17 64,43 64,71 64,78 65,08 65,70
65,81 66,01 66,16 66,84 70,00 71,46 71,52 72,99
Como poderíamos organizá-los em uma distribuição de frequências com intervalos de

classes?
44
Resposta:
Tabela: Níveis de ruído de algumas áreas residenciais da cidade
do Rio de Janeiro, em julho de 2020.
Frequência
Nível de ruido Frequência Frequência Frequência
Acumulada
(dB) absoluta Relativa Acumulada
Relativa
55 I---- 58 4 12,5% 4 12,5%

58 I---- 61 6 18,8% 10 31,3%
61 I---- 64 7 21,9% 17 53,2%
64 I---- 67 11 34,3% 28 87,5%
67 I---- 70 0 0,0% 28 87,5%
70 I---- 73 4 12,5% 32 100,0%
Total 32 100,0%
Fonte: Secretaria do Verde e do Meio Ambiente do Rio de Janeiro (2020).
Representação gráfica de uma distribuição de frequências
As tabelas de distribuição de frequências podem ser representadas graficamente. Sua

finalidade principal é fornecer informações analíticas de maneira mais rápida e verificar o
comportamento da distribuição. Apresentaremos três tipos de representações gráficas
das distribuições: histogramas, polígonos de frequências e polígonos de frequências
acumuladas (Ogiva de Galton).
Histograma
Antes de começarmos observe a tabela a seguir.
Tabela: Idade de 50 funcionários da Universidade Veiga de Almeida em Julho de 2020.
Idade (anos) fi fri % Fi Fri%
18 | ---- 25 6 12% 6 12%

25 | ---- 32 10 20% 16 32%
32 | ---- 39 13 26% 29 58%
39 | ---- 46 8 16% 37 74%
46 | ---- 53 6 12% 43 86%
53 | ---- 60 5 10% 48 96%
60 | ---- 67 2 4% 50 100%
Total 50 1
45
Para representá-la graficamente vamos utilizar um tipo de gráfico que se chama Histograma.
Para construir um polígono de frequência acumulada é necessário:
1- Traçar um eixo horizontal e marcar em escala os limites inferiores e superiores das

classes.
2- Traçar um eixo horizontal e marcar as frequências (podem ser frequência absoluta,
acumulada ou relativa).
3- Traçar um retângulo em que a base corresponde à classe e a altura seja igual à fre-
quência.
4- Colocar o título no gráfico e identificar as variáveis nos eixos.
Gráfico: Idade de 50 funcionários da UVA, em Jul/2020
fi
14
12
10
8
6
4
2
0
18 25 32 39 46 53 60 67 Idade
(anos)
Fonte: Elaborado pela autora. Dados fictícios.
Ampliando o foco
Na planilha eletrônica Excel, versão 2016, existe o comando que gera automa-
ticamente o histograma. Basta selecionar a base de dados e clicar em Inserir
– Gráficos -Histograma.
Polígono de frequência
Para construir um polígono de frequência é necessário:
a. Marcar os pontos no gráfico, sendo que no eixo horizontal você marca os pontos mé-
dios das classes e no eixo vertical as frequências.
46
b. Relacionar cada ponto médio com sua respectiva frequência.
c. Marcar metade das distâncias dos pontos médios no eixo horizontal antes da primeira
classe e depois da última classe.
d. Traçar os segmentos de retas que ligam os pontos marcados.
e. Colocar o título e o nome das variáveis nos eixos.
Idade de 50 funcionários da UVA, em Jul/2020 Idade de 50 funcionários da UVA, em Jul/2020
fi fi
14 14
12 12
10 10
8 8
6 6
4 4
2 2
0 0
18 25 32 39 46 53 60 67 Idade 18 25 32 39 46 53 60 67 Idade
(anos) (anos)
Fonte: Elaborados pela autora. Dados fictícios.
Polígono de frequência acumulada (Ogiva de Galton)
Para construir um polígono de frequência acumulada é necessário:
1- Marcar os limites das classes no eixo horizontal.

2- Marcar os pontos que correspondem aos limites superiores das classes e as respecti-
vas frequências acumuladas de cada classe.
3- Traçar os segmentos de retas que ligam os pontos marcados.
4- Ligar os pontos marcados.
5- Colocar o título e o nome das variáveis nos eixos.
47
Figura: Ogiva de Galton da Idade de 50 funcionários da UVA, em julho de 2020.
Idade de 50 funcionários da UVA, em Jul/2020
Frequência
Acumulada
50
48
43
37
29
16
0 18 25 32 39 46 53 60 67 Idade
(anos)
Fonte: Elaborado pela autora. Dados fictícios.
Outros tipos de gráficos
Os gráficos têm a capacidade de comunicar os dados de forma visual eficaz e atraen-

te. Os requisitos fundamentais para um bom gráfico devem ser simplicidade, clareza
e veracidade.
Existem diversos tipos de gráficos: colunas, barras, linhas ou segmentos, setores ou piz-
za, pictogramas e muitos outros tipos. Com auxílio de computadores podemos represen-
tá-los em terceira dimensão e com movimentos, o que enriquece muito a visualização.
Observe na tabela a seguir os gráficos mais utilizados.
48
Tipo/Características Representação
1. Gráfico de
colunas
Representação
de uma série por
meio de retân-
gulos de mesma
base e alturas
proporcionais aos
respectivos dados.
Utilizado quando
apresentamos as
categorias com
palavras curtas.
2. Gráfico
de barras
Representação
de uma série por
meio de retân-
gulos de mesma
altura e bases
proporcionais aos
respectivos dados.
Utilizado quando
apresentamos as
categorias com
palavras extensas
49
3. Colunas
justapostas
Descreve simulta-
neamente duas ou
mais categorias
para uma variável.
4. Setores
Também conheci-
do como gráfico
de pizza. É utili-
zado sempre que
desejamos ressal-
tar a participação
do dado no total.
Cada setor é ob-

tido por meio de
uma regra de três
simples e direta,
lembrando que
100% corresponde
a 360º.
5. Gráfico de
linha ou gráfico
de segmentos
Marcamos todos
os pares ordena-
dos corresponden-
tes à série estatís-
tica e os unimos a
partir de uma linha
poligonal traceja-
da ou contínua.
50
6. Diagrama
de dispersão
(scatterplot) e
linha de tendência
O diagrama de dis-
persão, também
conhecido como
scatterplot, é a
representação do
relacionamento
entre duas variá-
veis quantitativas.
A linha de tendên-
cia é a linha que
faz uma aproxima-
ção dessa relação.
7. Box Plot
É um gráfico
que possibilita
interpretar rapi-
damente o com-
portamento da
distribuição em
cada ¼ ou 25%
(quartis). É muito
útil para observar-
mos a existência
de valores discre-
pantes (outliers)
e a simetria da
distribuição.
MIDIATECA
Na midiateca encontram-se alguns links que direcionam para apresentações

com gráficos dinâmicos. São gráficos interessantes que se movimentam. Vale
a pena conferir!
51
Para construir um gráfico é preciso saber que:
• Todo gráfico deve ter título e escala.

• O título deve ser escrito acima do gráfico.
• As variáveis devem ser identificadas nos eixos coordenados, inclusive com as uni-
dades convenientes.
• As linhas auxiliares (grade) são opcionais, mas ajudam na leitura.
• A fonte é opcional nos gráficos.
Ampliando o foco
Para colocar em prática o conteúdo visto, faça os exercícios da seção 2.1 do

livro LARSON, R.; FARBER, B. Estatística aplicada. São Paulo: Pearson, 2010,
disponível na Biblioteca Virtual.
Confira as respostas que estão no final do livro e, se tiver alguma dúvida, fale
com o seu tutor pelo Fórum de Dúvidas – Fale com o Tutor.
52
Medidas de posição e de dispersão
Neste tópico apresentaremos as medidas de posição e as medidas de dispersão, que

também nos auxiliam na tarefa de resumir os dados.
Medidas de posição
São medidas usadas para resumir um conjunto de dados em um único valor. As medidas
de posição mais importantes são as medidas de tendência central, que recebem esse
nome pelo fato de que os dados observados tendem, em geral, a se agrupar em torno de
um valor localizado no centro da distribuição de uma série de observações.
• Medidas de tendência central: a média, a mediana e a moda.

• Medidas de posição (separatrizes): os quartis, os decis e os percentis e a própria
mediana.
Para calcularmos as medidas de posição poderemos encontrar os dados organizados de

três maneiras, a saber:
Dados agrupados Dados agrupados

Dados não agrupados. em tabelas SEM em tabelas COM
intervalos de classes. intervalos de classe.
Para cada situação acima temos uma metodologia de cálculo diferente. Por isso, antes
de calcularmos as medidas de posição, primeiro temos que identificar como os dados
foram apresentados.
Agora vamos conhecer cada metodologia.
1. Média Aritmética: (x ou )
É a medida de posição mais conhecida e mais utilizada, embora nem sempre seja a mais
representativa.
Se os dados referirem-se a uma amostra, indicamos a média por x quando trabalhamos

com a população indicamos pela letra grega μ.
53
Nas fórmulas estatísticas é comum representar a primeira observação da variável “x” por
x1, o valor da segunda observação por x2 e assim sucessivamente. Em geral o valor da
i-ésima observação é indicado por xi.
E quais as vantagens e desvantagens na utilização da média?
É fortemente influenciada por valores

Facilidade de se calcular.
extremos e por isso só deve ser utilizada
em distribuições simétricas.
É a mais conhecida e mais utilizada.
Não pode ser calculada para

É usada para compararmos conjuntos
distribuições de frequências com
semelhantes.
limites indefinidos.
Tabela: Cálculo da média aritmética.
Em que:
Σxi
x =
n x – média aritmética amostral.
xi – valores da variável.
Para dados n – número de entradas em uma amostra
Ou
não agrupados
ou
Σxi μ – média aritmética populacional.
μ=
N xi – valores da variável.
N – número de entradas em uma população.
Em que:
Σxi . fi
x =
n x – média aritmética amostral.
Para dados
agrupados em ou fi – frequência da classe.
tabelas sem n – número de entradas em uma amostra
intervalos ou
de classes
Σxi . fi
μ= μ – média aritmética populacional.
N
(média ponderada) fi – frequência da classe.
N – número de entradas em uma população.
54
Σxi . fi Em que:
x =
Para dados n
x – média aritmética amostral.
agrupados em
ou μ – média aritmética populacional.
tabelas com
intervalos Xi – pontos médios das classes.
de classes fi – a frequência da classe.
Σxi . fi n – número de entradas em uma amostra.
μ=
N N – número de entradas em uma população.
Fonte: Elaborada pela autora (2020).
Observe alguns exemplos práticos.
Exemplo 1
Para dados não agrupados.
Suponha que a Central de Estágios da nossa universidade tenha enviado um questionário

em julho de 2020, a uma amostra de 10 recém-graduados no curso de Engenharia Civil,
solicitando-lhes informações acerca dos salários mensais iniciais. Os dados coletados
foram os seguintes:
R$ 5.800,00 R$ 6.800,00 R$ 8.000,00 R$ 8.200,00 R$ 8.000,00
R$ 7.300,00 R$ 7.300,00 R$ 7.900,00 R$ 7.900,00 R$ 7.900,00
Vamos calcular a média aritmética dos salários mensais dos engenheiros.
55
Podemos observar que os dados não estão agrupados em tabelas. Utilize a fórmula de
cálculo de média para amostras de dados não agrupados:
Σxi
x=
n
5800 + 6800 + 8000 + 8200 + 8000 + 7300 + 7300 + 7900 + 7900 + 7900
x=
10
75100
x= = 7510
10
Interpretação do resultado: os salários mensais dos engenheiros civis pesquisados gi-

ram em torno de R$ 7.510,00.
Exemplo 2
Para dados agrupados em tabelas sem intervalo de classes.
Suponha que as anotações dos salários vieram organizadas em uma tabela sem interva-
los de classes. Vamos calcular a média dos salários dos engenheiros.
Tabela: Salário mensal de 10 engenheiros civis em julho de 2020.
Salário Quantidade de pessoas (fi)
5800 1
6800 1
7300 2
7900 3
8000 2
8200 1
Total 10
Fonte: Central de Estágios da UVA. Dados fictícios.
56
Utilizando a fórmula para cálculo da média para dados agrupados em tabelas sem in-
tervalo de classes temos:
Σxi . fi
x=
n
5800 . 1 + 6800 . 1 + 7300 . 2 + 7900 . 3 + 8000 . 2 + 8200 . 1

x=
10
5800 + 6800 + 14600 . 2 + 23700 . 3 + 16000 . 2 + 8200 . 1

x=
10
75100
x= = 7510
10
Exemplo 3
Para dados agrupados em tabelas com intervalo de classes.
Agora, vamos supor que as anotações dos salários vieram organizadas em uma tabela
com intervalos de classes. Vamos calcular a média dos salários dos engenheiros.
5000 I---- 6000 1
6000 I--- 7000 1
7000 I--- 8000 5
8000 I--- 9000 3
Total 10
57
Primeiramente, antes de calcular a média, temos que calcular o ponto médio de cada
classe.
Salário Quantidade de pessoas (fi) Ponto médio da classe (Xi)
5000 + 6000
5000 I---- 6000 1 = 5500
2
6000 + 7000
6000 I--- 7000 1 = 6500
2
7000 + 8000
7000 I--- 8000 5 = 7500
2
8000 + 9000
8000 I--- 9000 3 = 8500
2
Total 10
Agora podemos calcular a média dos salários:
Σxi . fi
x=
n
5500 . 1 + 6500 . 1 + 7500 . 5 + 8500 . 3

x=
10
5500 + 6500 + 37500 + 25500

x=
10
75000
x= = 7500
10
58
Note que, ao agruparmos os dados com intervalos de classes, perdemos um pouco a
precisão das medidas. Por isso, devemos, sempre que possível, usar entre 5 e 20 classes.
Na midiateca você encontra o endereço para pesquisar mais sobre os salários médios e
medianos das categorias profissionais.
1. Mediana
Muitas vezes encontramos nas distribuições assimétricas valores discrepantes (valores

muito grandes ou muito pequenos) e que faz com que a média seja muito influenciada.
Veja um exemplo a seguir.
Exemplo
Suponha que as notas dos alunos sejam as seguintes: 0; 5; 5; 5.
Sem fazer nenhum cálculo podemos observar que as notas giram em torno de
5, porém se calcularmos a média obtemos como resposta o valor 3,75.
Nesses casos, em que temos alguns valores muito altos ou muito baixos em
relação aos outros valores, é mais conveniente usarmos outra medida de posi-
ção, a mediana.
A mediana é o valor central do rol, ou seja, o valor que divide um grupo de valo-
res ordenados em duas partes com o mesmo número de termos, como mostra
a imagem a seguir:
50% 50%
Mínimo Mediana Máximo
E quais as vantagens e desvantagens na utilização da mediana?
59
A mediana flutua mais de amostra para
amostra do que a média aritmética,
portanto é menos confiável.
Sua determinação é rápida e fácil,
sem necessitar de cálculos complexos.
Não utiliza todos os dados.
Não é influenciada por valores extremos.

Não é possível para todos os dados.
Pode ser calculada quando temos

Não é possível calcular a mediana
limites de classes indefinidos, pois
de um grupo total a partir das medianas
só depende do tamanho da amostra
de dois subgrupos.
ou da população.
Não é levada em consideração na

maioria dos testes estatísticos.
Tabela: Cálculo da Mediana.
1 – Ordenar os dados numéricos, ou seja, confeccionar o rol.
2 – Se o tamanho da amostra ou da população for um número ím-

Para dados não
par, a mediana é o valor que estiver no centro do rol.
agrupados
3 – Se o tamanho da amostra ou da população for um número par, a

mediana é a média aritmética dos dois valores centrais do rol.
60
1 – Calcular a posição ocupada mediana, que denominamos de
Posto da Mediana.
a) Se a quantidade de dados for “par” usamos:
Σfi
P=
2
Para dados
agrupados b) Se a quantidade de dados for “ímpar” usamos:
em tabelas
sem intervalos
de classes 1 + Σfi
P=
2
2 – Calcula-se as frequências acumuladas.
3 – Identifique na coluna das frequências acumuladas, a primeira

classe que contenha o posto da mediana. O valor dessa classe, será
o valor da mediana.
1) Calcular o posto da mediana

Em que:
Σfi
P=
2 Md = mediana.
Li = limite inferior do Posto da
2) Identificar a primeira classe Mediana.
que contenha o posto da me- h = amplitude da classe que
Para dados
agrupados diana. contém o posto da mediana.
em tabelas Σfi = tamanho da amostra ou
com intervalos 3) Utilizar a fórmula de igualda- da população.
de classes de dos quocientes: Fa.ant = frequência acumulada
da classe anterior a classe que
contém o posto da mediana.
Σfi
– Fa.ant fi = frequência absoluta da
2
Md = Li + h · classe que contém o posto da
mediana.
fi
61
Observe alguns exemplos práticos.
Exemplo 1
Para dados não agrupados
Voltemos aos dados dos salários dos engenheiros recém-formados coletados pela Cen-
tral de Estágios em julho de 2020:
R$ 5.800,00 R$ 6.800,00 R$ 8.000,00 R$ 8.200,00 R$ 8.000,00
R$ 7.300,00 R$ 7.300,00 R$ 7.900,00 R$ 7.900,00 R$ 7.900,00
Vamos determinar a mediana dos salários mensais dos engenheiros. Para isso:
1º ) Confeccione o Rol.
5800 6800 7300 7300 7900 7900 7900 8000 8000 8200
Como o tamanho da amostra é igual a 10 (par) não encontramos um valor no centro do

rol e sim dois valores. Devemos, então, fazer a média aritmética desses dois valores:
7900 + 7900
Md = 7900
2
Exemplo 2
Para dados agrupados em tabelas sem intervalo de classe.
Agora vamos determinar a mediana para dados agrupados em tabelas sem intervalo
de classe:
5800 1
6800 1
62
7300 2
7900 3
8000 2
8200 1
Total 10
1º) Calcule o posto da mediana:
Σfi
P=
2
10
P= =5
2
2º) Determine as frequências acumuladas:
Salário Quantidade de pessoas (fi) Frequência Acumulada
5800 1 1
6800 1 2
7300 2 4
7900 3 7
8000 2 9
8200 1 10
Total 10
63
3º) Procure na coluna da frequência acumulada a primeira classe que contém o posto da
mediana, que nesse exemplo foi igual a 5.
Frequência Acumulada
Quantidade de
Salário (é nessa coluna que faremos a análise,
pessoas (fi)
mas não é aqui que estará o valor da mediana)
1
5800 1
(não contém, pois é menor do que 5)
2
6800 1
(não contém, pois é menor do que 5)
4
7300 2
não contém, pois é menor do que 5)
7
(ok! A frequência acumulada 7 é maior do que
7900 3
5)
essa é a classe da mediana
8000 2 9
8200 1 10
Total 10
Logo, a mediana será igual ao valor da variável que estiver na classe selecionada, a pri-
meira classe em que encontramos o valor da frequência acumulada maior do que o valor
do posto. Então: Md = 7900
Exemplo 3
Para os dados agrupados em tabelas com intervalos de classes.
Finalmente, vamos calcular a mediana para os dados agrupados em tabelas com inter-
valos de classes.
64
Vamos continuar trabalhando com o exemplo dos salários dos engenheiros, porém ago-
ra agrupados em uma tabela com intervalos. Observe a tabela a seguir.
5000 I---- 6000 1
6000 I--- 7000 1
7000 I--- 8000 5
8000 I--- 9000 3
Total 10
1º) Calcule o posto da mediana:
Σfi
P=
2
10
P= =5
2
2º) Determine as frequências acumuladas:
5000 I---- 6000 1 1
6000 I--- 7000 1 2
7000 I--- 8000 5 7
8000 I--- 9000 3 10
Total 10
65
3º) Procure na coluna da frequência acumulada a primeira classe que contém o posto da
mediana, que nesse exemplo foi igual a 5.

5000 I---- 6000 1 1 (1<5)
6000 I--- 7000 1 2 (2<5)
7000 I--- 8000 5 7 (7>5 ok!)
8000 I--- 9000 3 10
Total 10
Fonte: Central de Estágios da UVA (dados fictícios).
Observando a classe do Posto da Mediana, temos:
Limite inferior da classe: Li = 7000

Amplitude da classe: h = 8000 – 7000 = 1000
Frequência absoluta da classe: fi = 5

Frequência acumulada da classe anterior: Fa.ant = 2
Metade dos dados:
Σfi 10
= =5
2 2
Substituindo os valores na fórmula, temos:
Σfi
– Fa.ant
Md = Li + h · 2
fi
5–2
Md = 7000 + 1000 ·
5
Md = 7000 + 1000 · 0,6
Md = 7000 + 600 = 7600
66
Ampliando o foco
Os fractis são números que dividem um conjunto de dados ordenados em par-

tes iguais, ou seja, em partes que contêm a mesma quantidade de elementos
da série.
A mediana é um fractil porque divide o rol em duas partes iguais.
Os quartis Q1, Q2, e Q3 dividem, aproximadamente, um conjunto de dados orde-

nados em quatro partes iguais.
Os percentis dividem, aproximadamente, um conjunto de dados ordenados em

100 partes iguais.
E assim por diante: Decis (10 partes) Quintis (5 partes).
2. MODA
É o valor, ou valores, da distribuição que ocorrem com a maior frequência, ou seja, o valor,
ou valores que mais se repetem dentro de uma série de observações. De maneira geral:
• Se todos os valores repetem-se a mesma quantidade de vezes, dizemos que não

há moda, ou seja, a distribuição é amodal.
• Se um valor ocorre com maior frequência, chamamos a distribuição de unimodal.
• Se dois valores repetem-se com a mesma quantidade e com maior frequência,
chamamos a distribuição de bimodal.
• Três valores, então trimodal.
• Mais de três valores, dizemos que a distribuição é multimodal ou polimodal.
Vantagens e desvantagens na utilização da moda:
Pode ser usada quando trabalhamos com variáveis qualitativas (categóricas).

Não é influenciada por valores extremos.
Pode ser calculada para distribuições com limites indefinidos.
Não leva em consideração todos os valores do conjunto de dados.
67
Tabela: Cálculo da Moda.
Para dados não

Basta verificar qual é o valor que mais se repete.
agrupados
Para dados agrupados Basta observar a classe, ou classes, de maior frequência ab-
em tabelas sem
soluta.
intervalos de classes
Em que:
Mo = moda.
Classe modal= classe de maior

- Moda bruta: frequência.
É o ponto médio da clas-
se de maior frequência. Li = limite inferior da classe mo-
dal.
- Moda pelo processo
de Czuber: D1 = diferença entre a frequên-
cia absoluta da classe modal e
D1 a frequência da classe anterior
Mo = Li + ·h a ela.
Para dados agrupados D1 + D 2
em tabelas com
D2 = diferença entre a frequên-
intervalos de classes - Moda pelo processo cia absoluta da classe modal e
(Vamos abordar quatro de King:
processos diferentes) a frequência da classe poste-
rior a ela.
fpost
Mo = Li + ·h h = amplitude da classe modal.
fant + fpost
fant =frequência simples da clas-
- Moda pelo processo
se anterior à classe modal.
de Pearson
fpost =frequência simples da
Mo = 3 · Md – 2 · x classe posterior à classe mo-
dal.
Md = mediana.
x ou μ =média.
68
Exemplo 1
Para dados não agrupados.
tral de Estágios em julho de 2020:
R$ 5.800,00 R$ 6.800,00 R$ 8.000,00 R$ 8.200,00 R$ 8.000,00
R$ 7.300,00 R$ 7.300,00 R$ 7.900,00 R$ 7.900,00 R$7.900,00
Vamos determinar a moda dos salários mensais dos engenheiros. Observamos no con-
junto de dados que o valor que mais se repetiu foi R$ 7.900,00. Portanto, esse valor é o
valor da moda.
Exemplo 2
Agora vamos determinar a moda para dados agrupados em tabelas sem intervalo de
classe.
5800 1
6800 1
7300 2
7900 3
8000 2
8200 1
Observamos que a 4ª classe apresenta a maior frequência absoluta. Logo, a média será
o valor da variável nessa classe, ou seja, R$ 7.900,00.
69
Exemplo 3
Para dados agrupados em tabelas com intervalo de classe
Vamos continuar trabalhando com o exemplo dos salários dos engenheiros, porém ago-
ra agrupados em uma tabela com intervalos.
5000 I---- 6000 1
6000 I--- 7000 1
7000 I--- 8000 5
8000 I--- 9000 3
Total 10
Classe Modal → classe de maior frequência: 3ª classe: 7000 I--- 8000
Li = 7000
D1 = 5 – 1 = 4
D2 = 5 – 3 = 2
h = 8000 – 7000 = 1000
fant = 1
fpost = 3
Md = 7600
x = 7500
7000 + 8000
– Moda bruta: Mo = = 7500
2
70
Moda pelo processo de Czuber
D1
Mo = Li + ·h
D1 + D 2
4
Mo = 7000 + · 1000
4+2
Mo = 7000 + 0,66667 · 1000
Mo = 7000 + 666,67
Mo = 7666,67
Moda pelo processo de King
fpost
Mo = Li + ·h
fant + fpost
3
Mo = 7000 + · 1000
1+3
Mo = 7000 + 0,75 · 1000
Mo = 7000 + 750
Mo = 7750
Moda pelo processo de Pearson
Mo = 3 · Md – 2 · x
Mo = 3 · 7600 – 2 · 7500
Mo = 22800 – 15000
Mo = 7800
71
Relações entre média, mediana e moda
Ao traçar o histograma e o polígono de frequências de uma distribuição podemos verifi-

car, visualmente, qual é o comportamento dos dados.
Agora vamos relacionar a imagem dos gráficos às medidas de posição.
Se média = mediana = moda Se média > mediana > moda Se média < mediana < moda
Distribuição Distribuição assimétrica Distribuição assimétrica

simétrica positiva negativa
A forma da distribuição pode interferir na escolha da medida de tendência central. Ou seja:
• Se a distribuição for aproximadamente simétrica, a média aritmética é a mais in-

dicada, mesmo porque esta poderá ser utilizada em estatística mais avançada e é
uma medida mais estável.
• Se a pretensão for uma medida descritiva, rápida e simples ainda que grosseira, e
se a distribuição for unimodal, o pesquisador deve escolher a moda.
• Se a pretensão for uma medida exata, ele poderá optar entre a média e a mediana.
Ampliando o foco
Para colocar em prática o conteúdo visto, faça os exercícios da seção 2.3 do

livro LARSON, R.; FARBER, B. Estatística aplicada. São Paulo: Pearson, 2010,
disponível na biblioteca virtual.
72
Medidas de dispersão ou de variabilidade
Suponha que temos três turmas diferentes, cada uma com 10 alunos, para as quais foi
aplicada uma avaliação com valor de 10 pontos.
As notas foram as seguintes:
Notas
N1 N2 N3 N4 N5 N6 N7 N8 N9 N10 Total
Turmas
Turma “A” 5 5 5 5 5 5 5 5 5 5 50
Turma “B” 0 0 0 5 5 5 5 10 10 10 50
Turma “C” 1 2 3 4 5 5 6 7 8 9 50
Se calcularmos a média, a moda e a mediana para cada turma teremos:
Turmas Média Mediana Moda
Turma “A” 5 5 5
Turma “B” 5 5 5
Turma “C” 5 5 5
O que podemos concluir?
Analisando somente as medidas de posição, concluímos que essas três turmas são idên-
ticas, o que seria um grande erro.
Para verificar o comportamento dos dados e o grau de dispersão em torno da média,

precisamos de outras medidas estatísticas, que são as Medidas de Dispersão ou Varia-
bilidade, ou seja:
• A Amplitude.
• O Desvio Médio.
• A Variância, o Desvio-Padrão e o Coeficiente de Variação.
73
Agora veremos com mais detalhes cada uma delas. Vamos lá!
Amplitude (Range)
É a diferença entre o maior e o menor valor do conjunto.
Voltando ao exemplo das notas das três turmas, temos:
• Turma A: 5 – 5 = 0 (nenhuma dispersão, turma homogênea).

• Turma B: 10 – 0 = 10 (dados muito dispersos, turma heterogênea).
• Turma C: 9 -1 = 8 (dados muito dispersos, turma heterogênea, porém mais homo-
gênea do a turma B).
Para dados agrupados com intervalos de classe a amplitude total é:
A diferença entre o limite superior da última classe e o limite inferior da primeira classe.
A amplitude é muito pouco usada, pois tem uma grande desvantagem que a é de levar
em conta apenas dois valores, desprezando todos os outros.
Desvio: (D)
É a diferença entre cada valor observado e a média destes valores.
D = xi – x
Propriedade importante: a soma dos desvios em relação à média é sempre igual a zero.
Desvio médio: (Dm)
É a média aritmética dos módulos dos desvios.
Σ|xi – x|
• Para dados não agrupados: Dm =
n
Σ|xi – x| · fi
• Para dados agrupados: Dm =
n
74
Variância: (s2 ou σ2)
É a média aritmética dos quadrados dos desvios em relação à média da distribuição.
Tabela: Cálculo da Variância para dados não agrupados, dados agrupados em tabelas de distribuição
sem intervalos de classes e em tabelas de distribuição com intervalos de classes.
Amostras População Em que:
Para dados não Σ(xi – x)2 Σ(xi – μ)2 s2 ou σ2 = variância

s =2
σ = 2
agrupados. n–1 N n = tamanho da
amostra
Para dados N = tamanho da
agrupados em Σ(xi – x)2 . fi Σ(xi – μ)2 . fi população
tabelas sem s2 = σ2 =
n–1 N x = média amostral
intervalos de
classes. μ = média popula-
cional
Para dados
xi = valor observado
agrupados em Σ(Xi – x)2 . fi Σ(Xi – μ)2 . fi
tabelas com s =
2
σ = 2 Xi = ponto médio da
intervalos de n–1 N classe
classes.
Observe:
• Os denominadores são diferentes. Para amostras usamos “n - 1” e para população

usamos “n”.
• Como no cálculo da variância eleva-se o desvio ao quadrado, a unidade de medi-
da resultante sempre será a unidade de medida original elevada ao quadrado. Por
exemplo, seriam reais (dinheiro) ao quadrado.
• Como esse tipo de unidade de medida não faz sentido, o que ocorre em muitos
casos é extrair a raiz quadrada da variância, obtendo um valor que tem a mesma
unidade de medida que os dados originais — o desvio-padrão.
75
Desvio-padrão: (s ou σ)
É a raiz quadrada da variância.
s = s2 para amostras
ou
σ = σ2 para população
Coeficiente de Variação
É o quociente entre o desvio-padrão e a média de uma distribuição.
Normalmente, multiplicamos o resultado por 100 para expressarmos essa medida em

porcentagem.
Para saber se uma dispersão é muito grande em relação à média ou para comparar o
grau de dispersão relativa entre as distribuições de duas ou mais variáveis é preciso utili-
zar uma medida de dispersão relativa, que se chama Coeficiente de Variação.
O coeficiente de variação é útil para comparar a variabilidade de observações com dife-
rentes unidades de medida, como:
s
CV = para amostras
x
ou
σ
CV = para população
μ
Veja a interpretação dos valores dos coeficientes de variação. A saber:
• Dispersão baixa: quando CV inferior a 10%.

• Dispersão média: quando CV estiver entre 10% e 20%.
• Dispersão alta: quando CV estiver entre 20% e 30%.
• Dispersão muito alta: quando CV for superior a 30% (pequena representatividade
da média).
76
Exemplo 1
Para dados não agrupados
tral de Estágios em julho de 2020.
R$ 5.800,00 R$ 6.800,00 R$ 8.000,00 R$ 8.200,00 R$ 8.000,00
R$ 7.300,00 R$ 7.300,00 R$ 7.900,00 R$ 7.900,00 R$7.900,00
Vamos determinar a variância, o desvio-padrão e o coeficiente de variação dos salários

mensais dos engenheiros.
1º) Calcule a média aritmética da distribuição.
Σxi
x=
n
5800 + 6800 + 8000 + 8200 + 8000 + 7300 + 7300 + 7900 + 7900 + 7900
x=
n
75100
x= = 7510
10
2º) Calcule os desvios em relação à média e depois eleve cada desvio ao quadrado.
desvio desvio2
5800 - 7510 = -1710 2924100
6800 - 7510 = -710 504100
7300 - 7510 = -210 44100
7300 - 7510 = -210 44100
77
7900 - 7510 = 390 152100
7900 - 7510 = 390 152100
7900 - 7510 = 390 152100
8000 - 7510 = 490 240100
8000 - 7510 = 490 240100
3º) Some de todos os desvios elevados ao quadrado.
desvio desvio2
5800 - 7510 = -1710 2924100
6800 - 7510 = -710 504100
7300 - 7510 = -210 44100
7300 - 7510 = -210 44100
7900 - 7510 = 390 152100
7900 - 7510 = 390 152100
7900 - 7510 = 390 152100
8000 - 7510 = 490 240100
8000 - 7510 = 490 240100
8200 - 7510 = 690 476100
4929000
78
Como estamos trabalhando com uma amostra, para calcular a variância devemos
dividir esse somatório por “n-1”:
Σ(xi – x)2 4929000

s2 = = = 547666,67
n–1 10 – 1
O desvio-padrão será a raiz quadrada da variância:
s = 547666,67 = 740,05
O coeficiente de variação é a divisão entre o desvio-padrão e a média.
740,05
CV = = 0,0985
7510
Expressando em porcentagem temos:
CV = 0,0985 . 100 = 9,85% (baixa dispersão)
Exemplo 2
Agora vamos determinar as medidas de dispersão para dados agrupados em tabelas

sem intervalo de classe.
5800 1
6800 1
7300 2
7900 3
79
8000 2
8200 1
Total 10
1º) Calcule a média.
Σxi . fi
x=
n
5800 . 1 + 6800 . 1 + 7300 . 2 + 7900 . 3 + 8000 . 2 + 8200 . 1

x=
10
5800 + 6800 + 14600 + 23700 + 16000 + 8200

x=
10
75100
x= = 7510
10
2º) Determine os desvios em relação à média.
Quantidade de
Salário desvio = xi-média
pessoas (fi)
5800 1 5800 - 7510 = -1710
6800 1 6800 - 7510 = -710
7300 2 7300 - 7510 = -210
7900 3 7900 - 7510 = 390
80
8000 2 8000 - 7510 = 490
8200 1 8200 - 7510 = 690
Total 10
3º)Eleve o desvio ao quadrado.
Quantidade de
Salário desvio = xi-média desvio²
pessoas (fi)
5800 1 5800 - 7510 = -1710 2924100
6800 1 6800 - 7510 = -710 504100
7300 2 7300 - 7510 = -210 44100
7900 3 7900 - 7510 = 390 152100
8000 2 8000 - 7510 = 490 240100
8200 1 8200 - 7510 = 690 476100
Total 10
81
4º) Multiplique os quadrados dos desvios pelas respectivas frequências absolutas e fazer
o somatório.
Quantidade de
Salário desvio = xi-média desvio² desvio² . fi
pessoas (fi)
5800 1 5800 - 7510 = -1710 2924100 2924100 . 1 = 2924100
6800 1 6800 - 7510 = -710 504100 504100 . 1 = 504100
7300 2 7300 - 7510 = -210 44100 44100 . 2 = 88200
7900 3 7900 - 7510 = 390 152100 152100 . 3 = 456300
8000 2 8000 - 7510 = 490 240100 240100 . 2 = 480200
8200 1 8200 - 7510 = 690 476100 476100 . 1 = 476100
Total 10 4929000
Como estamos trabalhando com uma amostra, para calcular a variância, devemos
Σ(xi – x)2 4929000

s2 = = = 547666,67
n–1 10 – 1
s = 547666,67 = 740,05
740,05
CV = = 0,0985
7510
82
Expressando em porcentagem temos:
CV = 0,0985 . 100 = 9,85% (baixa dispersão)
Exemplo 3
Para dados agrupados em uma tabela de distribuição com intervalos de classes.
Finalmente vamos calcular as medidas de dispersão para os dados agrupados em uma

tabela de distribuição com intervalos de classes.
Voltemos ao exemplo.
Salário Quantidade de pessoas (fi) Ponto médio da classe (Xi)
5000 + 6000
5000 I---- 6000 1 = 5500
2
6000 + 7000
6000 I--- 7000 1 = 6500
2
7000 + 8000
7000 I--- 8000 5 = 7500
2
8000 + 9000
8000 I--- 9000 3 = 8500
2
Total 10
1º) Calcule a média dos salários com a fórmula dos dados agrupados com intervalos.
Σxi . fi
x=
n
83
5500 . 1 + 6500 . 1 + 7500 . 5 + 8500 . 3
x=
10
5500 + 6500 + 37500 + 25500

x=
10
75000
x= = 7500
10
2º) Calcule o desvio de cada ponto médio em relação à média, fazendo a diferença entre
o valor do ponto médio e a média.
Quantidade de Ponto médio da Desvio =

Salário
pessoas (fi) classe (Xi) = Ponto Médio - Média
5000 I---- 6000 1 5500 5500 - 7500 = -2000
6000 I--- 7000 1 6500 6500 - 7500 = -1000
7000 I--- 8000 5 7500 7500 - 7500 = 0
8000 I--- 9000 3 8500 8500 - 7500 = 1000
Total 10
3º) Eleve os desvios ao quadrado.
Desvio =
Quantidade de Ponto médio
Salário = Ponto Médio - Desvio²
pessoas (fi) da classe (Xi)
Média
5000 I---- 6000 1 5500 5500 - 7500 =-2000 4000000
6000 I--- 7000 1 6500 6500 - 7500 = -1000 1000000
84
7000 I--- 8000 5 7500 7500 - 7500 = 0
8000 I--- 9000 3 8500 8500 - 7500 = 1000000
Total 10
4º) Multiplique o quadrado do desvio pela respectiva frequência absoluta e fazer o soma-
tório dessa coluna.
Ponto
Quantidade de Desvio = Ponto
Salário médio da Desvio² Desvio² . fi
pessoas (fi) Médio - Média
classe (Xi)
5500 - 7500 = 4000000 . 1
5000 I---- 6000 1 5500 4000000
-2000 = 4000000
6500 - 7500 =
6000 I--- 7000 1 6500 1000000 1000000
-1000
7500 - 7500 =
7000 I--- 8000 5 7500 0 0.5=0
0
8500 - 7500 = 1000000 . 3

8000 I--- 9000 3 8500 1000000
1000 = 3000000
Total 10 8000000
Como estamos trabalhando com uma amostra, para calcular a variância devemos
Σ(xi – x)2 8000000

s2 = = = 888888,89
n–1 10 – 1
85
s = 888888,89 = 942,81
942,81
CV = = 0,126
7500
Expressando em porcentagem, temos:
CV = 0,126 . 100 = 12,5% (média dispersão)
Mais uma vez notamos que os dados agrupados perdem um pouco a precisão, principal-
mente se forem agrupados em poucas classes.
Ampliando o foco
Para praticar o conteúdo visto, faça os exercícios da seção 2 do livro LARSON,

R.; FARBER, B. Estatística aplicada. São Paulo: Pearson, 2010, disponível na
Biblioteca Virtual.
Confira as respostas que estão no final do livro e, se tiver alguma dúvida, entre
em contato com o seu tutor pelo Fórum de Dúvidas – Fale com o Tutor.
Estatísticas descritivas usando a planilha eletrônica Excel
O Excel oferece funções para calcular as medidas estatísticas. Contudo, serve apenas
para dados não agrupados.
Suponha que os dados estejam digitados nas células B1 até a célula B50, como mostra
a tabela a seguir.
Comando
Frequência absoluta =CONT.SE

Média =MEDIA(B1:B50)
86
Mediana =MED(B1:B50)
Moda =MODO(B1:B50)
Variância amostral =VAR.A(B1:B50)
Variância populacional =VAR.P(B1:B50)
Desvio-padrão amostral =DESVPAD.A(B1:B50)
Desvio-padrão populacional = DESVPAD.P(B1:B50)
MIDIATECA
Para ampliar o seu conhecimento veja o material complementar da Unidade 1,

disponível na midiateca.
NA PRÁTICA
No portal do Conselho Regional de Estatística da 3ª Região (SP), publicado no

dia 23 de maio de 2020 por Camila Soares, encontramos uma série de entre-
vistas com profissionais que falam sobre o uso da estatística no cotidiano e
mostram como ela é fundamental na tomada de decisões, além de contribuir
com outras ciências e com o mercado de trabalho dessa área.
Veja alguns trechos dessa reportagem:
Exemplos da utilização da Estatística em Customer Relationship Manage-

ment CRM
O que é Customer Relationship Management (CRM)? O CRM é um termo que
designa o gerenciamento do relacionamento com clientes, em geral por meio
de um sistema.
87
Como funciona na prática? Não basta ter um banco de dados ou conjunto de
dados com informações dos clientes. Também não basta fazer alguns cálculos
em cima desses bancos de dados. É preciso entender a estratégia de negócios
da empresa e como opera o mercado. Além disso, é necessário dispor de técni-
cas para analisar os dados. É nessa parte que a formação em Estatística é mui-
to relevante quanto ao uso de técnicas para analisar esses bancos de dados.
Isso ajuda a empresa a alcançar melhores resultados.
Exemplo da utilização em Analytics

O que é Analytics? Habilidade de utilizar dados, análises e raciocínio sistemáti-
co para conduzir um processo de tomada de decisão mais eficiente.
Como funciona na prática? Uma unidade hospitalar que cuida de bebês pre-
maturos utiliza uma análise em tempo real com base em gravação de cada
respiração e cada batimento cardíaco de todos os bebês em sua unidade. Em
seguida, analisa os dados para identificar padrões. Com base na análise do sis-
tema é possível prever infecções 24 horas antes de o bebê apresentar sintomas
visíveis. Isso permite uma intervenção precoce e tratamento, o que é vital em
bebês prematuros.
Exemplos da utilização da Estatística na área de Meio Ambiente

Como funciona na prática? Por meio dos conhecimentos é possível fazer uma
avaliação do efeito do uso do ar-condicionado no consumo de combustível e
nas emissões dos automóveis. Também são os estatísticos que auxiliam na
criação de escore para divulgação de dados de qualidade da areia das praias.
Exemplos da utilização da Estatística na área de Qualidade

Como funciona na prática? Toda empresa, seja pequena ou grande, indústria
ou serviço quer oferecer um trabalho de qualidade. Nesse ponto, o estatístico
pode atuar em diversas etapas dos processos de uma empresa para garantir
a qualidade e para isso é fundamental conhecer o negócio e suas metas. A
empresa deve ter claro o que considera qualidade, qual o nível de qualidade
esperado e a qual custo. O estatístico pode auxiliar nestas decisões por meio
de indicadores de negócio, pesquisas de satisfação, entre outros. Além disso,
pode medir a qualidade no processo de fabricação do produto, na qualidade
dos fornecedores, na logística, nos sistemas de medição a partir de técnicas
específicas para cada tipo de atividade. Dessa maneira, os gestores poderão
fazer os ajustes necessários nos processos em questão. Alguns exemplos de
metodologias são: CEP (controle estatístico do processo), MSA (Análise do sis-
88
tema de medição), modelos de otimizações na logística da empresa, os proje-
tos de seis sigma, planejamentos e experimentos. Os testes de confiabilidade
de produtos também têm papel importante na qualidade. Muitas empresas se
certificam em normas técnicas de qualidade e o estatístico pode tornar-se au-
ditor, aplicando metodologias e raciocínio estatístico para testar se a empresa
está atuando conforme a norma estabelece.
Fonte: http://www.conre3.org.br/portal/dia-do-estatistico-profissionais-falam-sobre-
-o-uso-da-estatistica-no-cotidiano/. Acesso em: 5 jul. 2020. Acesso em: 5 jul. 2020.
89
Resumo da Unidade 1
Iniciamos o Tópico 1 com um histórico sobre a Estatística no mundo e no Brasil. A seguir

apresentamos conceitos importantes para o bom entendimento da disciplina.
No Tópico 2 abordamos as formas de coletar, organizar e apresentar os dados pesqui-

sados por meio de tabelas e gráficos. Conhecemos dois tipos importantes de tabelas
estatísticas, com intervalos e sem intervalos de classes e suas representações gráficas
nos histogramas, polígonos de frequência e Ogiva d Galton.
No Tópico 3 aprendemos a calcular as medidas estatísticas, tanto as medidas de posição

média, mediana e moda, quanto as medidas de posição amplitude, desvio médio, variân-
cia, desvio-padrão e coeficiente de variação. Fizemos os mesmos cálculos para as três
situações possíveis: dados agrupados, dados agrupados em tabelas sem intervalo de
classes e dados agrupados em tabelas com intervalos de classes.
Também vimos os softwares estatísticos mais usados e algumas funções do Excel que
auxiliam na Estatística descritiva.
Por fim, mostramos que tabelas e gráficos de dados podem ser encontrados com gran-
de frequência no nosso dia a dia, relatórios anuais, artigos de jornais, revistas e estudos
de pesquisa. Sendo assim, é muito importante entender como eles são organizados e,
principalmente, como são interpretados.
90
Referências
ATIVOS DIGITAIS. Envato Elements. Disponível em: https://elements.envato.com/pt-br/.

Acesso em: 28 jul. 2020.
BRASILEIRÃO de 1959 a 2019. Esporte Interativo. Disponível em: https://www.esporte-

interativo.com.br/futebolbrasileiro/GRAFICO-So-Paulo-lideraria-ranking-de-Brasileiro-de-
-todos-os-tempos-20200407-0040.html. Acesso em: 28 jul. 2020.
BOLETIM da Receita Federal – Impactos da Covid-19. Disponível em: http://www.receita.

economia.gov.br/dados/boletim-da-receita-federal_impactos-da-covid-19/boletim-da-
-receita-federal-impactos-da-covid-19z. Acesso em: 28 jul. 2020.
CONHEÇA o Brasil – População – Quantidade de homens e mulheres. IBGE Educa –

Jovens. Disponível em: https://educa.ibge.gov.br/jovens/conheca-o-brasil/populacao/
18320-quantidade-de-homens-e-mulheres.html. Acesso em: 28 jul. 2020.
GLOBAL Coronavirus cases. YouTube. Disponível em: https://youtu.be/Ovb2zc5M21g.

Acesso em: 30 jul. 2020.
INQUÉRITO domiciliar para monitorar a soroprevalência da infecção pelo vírus SARS-

-CoV-2 em adultos no município de São Paulo. Ibobe. Disponível em: https://www.ibo-
peinteligencia.com/arquivos/Apresentação%20SoroEpi%20-%20resultados%20fase%20
2%20-%20FINAL.pdf. Acesso em: 18 jul. 2020.
KOKOSKA, S. Introdução à estatística: uma abordagem por resolução de problemas.

Rio de Janeiro: LTC, 2013.
LARSON, R.; FARBER, B. Estatística aplicada. São Paulo: Pearson, 2010.
MOORE, D. A Estatística Básica e sua prática. Rio de Janeiro: Ed. LTC, 2000.
NORMAS de apresentação tabular. Fundação Instituto Brasileiro de Geografia e Estatísti-

ca . Rio de Janeiro: IBGE, 1979. Disponível em: https://biblioteca.ibge.gov.br/visualizacao/
livros/liv82498.pdf. Acesso em: 18 jul. 2020.
91
NÚMERO de matrículas na Educação Superior: 2008 – 2018. Inep. Disponível em: http://
download.inep.gov.br/educacao_superior/censo_superior/documentos/2019/censo_da_
educacao_superior_2018-notas_estatisticas.pdf. Acesso em: 28 jul. 2020.
NÚMEROS mais sorteados da Mega-Sena. Só Matemática. Disponível em: https://www.

somatematica.com.br/megasenaFrequentes.php. Acesso em: 20 jul. 2020.
PAÍSES por números de homicídios. YouTube. Disponível em: https://youtu.be/Hyuv-

jXHoUi4. Acesso em: 20 jul. 2020.
PERCENTUAL do número de funções docentes em exercício, por organização acadêmi-

ca, segundo o grau de formação. Brasil, 2017. Disponível em: http://download.inep.gov.br/
educacao_superior/censo_superior/resumo_tecnico/resumo_tecnico_censo_da_educa-
cao_superior_2017.pdf. Acesso em: 28 jul. 2020.
PORTAL do IBGE: Disponível em: https://www.ibge.gov.br/. Acesso em: 20 jul. 2020.
RANKING de desenvolvimento humano – 2015. Folha de São Paulo. Disponível em:

http://arte.folha.uol.com.br/graficos/vunXC/. Acesso em: 28 jul. 2020.
SALÁRIOS: cargos e salários. Salário. Disponível em: https://www.salario.com.br. Acesso

em: 20 jul. 2020.
SOARES, C. Profissionais falam sobre o uso da Estatística no Cotidiano. CONRE-3.

23/05/2020. Disponível em: http://www.conre3.org.br/portal/dia-do-estatistico-profis-
sionais-falam-sobre-o-uso-da-estatistica-no-cotidiano/. Acesso em: 28 jul. 2020.
SPIEGEL, Murray R.; STEPHENS, Larry J. Estatística. 4. ed. Porto Alegre: Bookman, 2009
SWEENEY, Dennis J.; WILLIAMS, Thomas A.; ANDERSON, David R. Estatística aplicada
à administração e economia. 3. ed. São Paulo: Cengage Learning, 2013.
92
UNIDADE 2
Probabilidade
INTRODUÇÃO
O mundo em que vivemos exige tomada de decisão, capacidade de lidar com o impre-
visto e respostas para perguntas ainda desconhecidas. O estudo das teorias das pro-
babilidades é de grande importância como suporte para tomadas de decisão, quando
operamos com incertezas.
Se algo pode ter vários resultados e não sabemos ao certo qual ocorrerá, podemos usar
a probabilidade para descrever a chance numérica de cada um dos resultados possíveis.
Se soubermos que amanhã terá 95% de chance de chover, não vamos nos programar
para passar o dia na praia. Seja na vida cotidiana ou nos negócios, ter meios de quanti-
ficar numericamente possibilidades é uma ferramenta extremamente importante para
decidirmos os passos apropriados a serem tomados.
A teoria das probabilidades possui aplicação nos estudos relacionados às ciências

exatas, biológicas e humanas, bem como em qualquer área que envolva o conceito de
chance. Nesta unidade vamos estudar a definição e os conceitos básicos para o estudo
das probabilidades.
O que veremos nos tópicos, a saber:
• Tópico 1 – Os conceitos fundamentais, como experimentos aleatórios, experi-

mentos determinísticos, espaço amostral e os tipos de eventos mais usuais. Tam-
bém vamos recordar algumas técnicas de contagem da análise combinatória.
• Tópico 2 – O conceito e os cálculos das probabilidades abordando três situações:
a probabilidade teórica ou clássica para eventos equiprováveis, a probabilidade para
eventos não equiprováveis e a visão frequencialista.
• Tópico 3 – Os conceitos da probabilidade condicional e o notável Teorema de Bayes.
O estudo das probabilidades também será muito importante para entendermos os con-
ceitos da Estatística Inferencial, que iremos estudar nas próximas unidades.
94
OBJETIVO
• Utilizar o conceito de probabilidade e seus axiomas e teoremas na análise de

situações de cunho prático.
95
Introdução à probabilidade
No dia a dia frequentemente tomamos decisões quando temos dúvidas.
Como será aceitação de um produto lançado no mercado?

Qual será a previsão do tempo na próxima semana?
Qual a chance de acertar os seis números da Mega-Sena?
Qual a possibilidade de obter bons lucros no mercado de ações?
Qual o risco que vou correr ao efetuar certo procedimento cirúrgico?
É conveniente, então, possuirmos uma medida numérica. Sim, um número que revele a
incerteza presente em cada um destes e de muitos outros questionamentos. Essa medi-
da numérica é a probabilidade.
Ampliando o foco
A palavra probabilidade deriva do latim probare, que significa “testar”.
Iniciaremos o tópico apresentando os conceitos básicos que auxiliam nos cálculos

das probabilidades.
Experimento
É todo o fenômeno que acontece ou toda ação que iremos realizar.
De acordo com a natureza do fenômeno que pretendemos estudar, podemos classificá-lo

como aleatório ou determinístico.
1. Experimento aleatório
• Cada experimento poderá ser repetido, sob as mesmas condições, indefinidamente.

• O resultado particular de cada experimento aparecerá ao acaso, mas pode-se
descrever todos os possíveis resultados.
• Quando o experimento for repetido muitas vezes, aparecerá regularidade
nas respostas.
96
Exemplo
Sejam os experimentos:
a) Lançamento de um produto no mercado.

Podemos prever quais são os possíveis resultados: ser bem aceito, não ser
bem aceito, ser indiferente.
Porém, não sabemos antecipadamente se esse produto será bem

aceito ou não.
Se fizermos o lançamento desse produto no mercado inúmeras vezes, pode-

mos perceber regularidade na resposta.
b) Fazer um contato de vendas: possíveis resultado  Vender ou não vender.
c) Jogar uma partida de futebol: possíveis resultados  Ganhar, perder
ou empatar.
d) Lançar um dado e observar a face de cima: possíveis resultados  1, 2, 3, 4, 5, 6.
2. Experimento determinístico
• É exatamente o contrário do experimento aleatório.

• Nos experimentos determinísticos já conhecemos o resultado da experiência, pois
ele será sempre o mesmo, desde que as mesmas condições e parâmetros iniciais
sejam mantidos.
• Os experimentos determinísticos não são estudados pela Teoria das Probabilidades,
já que não se trata de incertezas.
Exemplo
Soma dos ângulos internos de um triângulo  Sabemos que o resultado será

sempre 180º. Se repetirmos a experiência de escolher vários triângulos, medir-
mos os três ângulos internos e efetuarmos a soma, o resultado será sempre
igual a 180º.
97
Espaço amostral: (s ou Ω)
São todos os resultados possíveis de acontecer, quando se realiza um experimento.

É representado pela letra S (space) ou pela letra grega Ω (ômega). Cada resultado do
espaço amostral é considerado um ponto amostral.
O conceito de espaço amostral é muito importante, pois, na maioria dos casos, será
a ferramenta principal para efetuarmos o cálculo das probabilidades.
Observe alguns exemplos na tabela a seguir.
Veja o experimento na coluna esquerda da tabela e especifique todos os elementos do

espaço amostral. Depois confira a sua resposta na coluna à direita.
Espaço amostral (s ou Ω)
Experimento
Possíveis resultados
Ser defeituosa.
Selecionar uma peça para ser inspecionada.
Não ser defeituosa.
Céu ensolarado.
Céu nublado.
Ventania.
Verificar a previsão do tempo. Chovendo.
Chuva com trovões.
Granizo.
Neve.
Ser bem-sucedido.
Realizar um procedimento cirúrgico.
Não ser bem-sucedido.
Congestionado.
Com lentidão.
Verificar as condições do trânsito.
Com retenções.
Boas condições de tráfego.
98
Ganhar.
Jogar uma partida de futebol. Perder.
Empatar.
Efetuar a venda.
Fazer um contato de vendas.
Não efetuar a venda.
Sair o número 1.
Sair o número 2.
Sair o número 3.
Lançar um dado e observar a face superior.
Sair o número 4.
Sair o número 5.
Sair o número 6.
Evento
Todas as perguntas que formulamos a respeito do experimento são denominadas

“eventos”, que são denotados por letras maiúsculas.
Vejamos alguns tipos de eventos. São eles:
• Evento elementar ou evento simples: é aquele formado por um único elemento

do espaço amostral.
• Evento composto: é aquele formado por dois ou mais elementos do
espaço amostral.
• Evento certo: é aquele que ocorre sempre, ou seja, os resultados favoráveis ao
evento apresentam os mesmos elementos do espaço amostral.
• Evento impossível: é aquele que nunca ocorre, ou seja, os resultados favoráveis
ao evento serão um conjunto vazio.
• Evento soma ou união: é aquele em que pelo menos um dos eventos ocorre, “Um
ou outro”.
• Evento produto ou interseção: é aquele em que os eventos ocorrem simultanea-
mente, “Um e outro”.
• Eventos mutuamente exclusivos, ou mutuamente excludentes: são eventos em
que "Um ou outro" não poderá acontecer.
99
• Evento complementar: são eventos mutuamente exclusivos, que unidos têm
os mesmos elementos do espaço amostral. É denotado com uma barra acima do
nome do evento.
• Eventos equiprováveis: são eventos em que todos os elementos do espaço
amostral têm a mesma probabilidade de ocorrência.
• Eventos não equiprováveis: são eventos em que os elementos do espaço amos-
tral não têm a mesma probabilidade de ocorrência.
• Eventos independentes: dois eventos são independentes quando a ocorrência de
um evento não influência a ocorrência do outro.
• Eventos condicionados: são aqueles em que o acontecimento de um está condi-
cionado ao acontecimento de outro, ou seja, acontece um se o outro já aconteceu.
Agora que já conhecemos os conceitos básicos da probabilidade, apresentaremos alguns

exemplos ligando esses quatro conceitos na tabela a seguir.
Experimento Espaço Amostral Evento Tipo de Evento
Quais são as chances, ao lançar

um dado, de observarmos na
face superior um número maior
do que 5?
Evento
Ω = {1,2,3,4,5,6} A = face superior maior do que 5 Elementar
(Escolhemos no espaço amos- ou simples
tral os elementos que são favo-
ráveis ao evento).
Jogar um A={6}
dado
Quais são as chances, ao lan-

çar um dado, de observarmos
na face superior um número
primo?
Evento
Ω = {1,2,3,4,5,6}
composto
B = face superior ser um nú-
mero primo
B = {2,3,5}
100
menor ou igual a 6?
Ω = {1,2,3,4,5,6} Evento certo
C=face superior ser um núme-
ro menor ou igual a 6
C={1,2,3,4,5,6}

maior do que 6?
Evento
Ω = {1,2,3,4,5,6}
impossível
D=face superior ser um núme-
ro maior do que 6
Jogar um
D={ }
dado
(a partir daqui vamos omitir

a pergunta e já escrever o
evento)
E=observar na face superior

um número maior do que 4
E={5,6}
Ω = {1,2,3,4,5,6}
Evento união
Ω = {1,2,3,4,5,6}
ou
F=observar na face superior

um número menor do que 3
F={1,2}
G=E ∪ F = {1,2,5,6}
101
H=observar na face superior
um número maior do que 2
H={3,4,5,6}
e
Ω = {1,2,3,4,5,6} Evento
Ω = {1,2,3,4,5,6} interseção
I=observar na face superior
I={1,2,3,4}
J=H ∩ I = {3,4}
K= observar na face superior

Evento
mutuamente
K={1,2}
exclusivos
L= observar na face superior

Jogar um Ω = {1,2,3,4,5,6} (a interseção
uma face maior do que 3
dado Ω = {1,2,3,4,5,6} é nula,
mas juntos
L={4,5,6}
não formam
o espaço
K ∩ L ={ }
amostral).
K ∪ L = {1,2,4,5,6}
M= observar na face superior

um número par
Eventos
complemen-
M={2,4,6}
tares
= observar na face superior

Ω = {1,2,3,4,5,6} (a interseção
uma face ímpar
Ω = {1,2,3,4,5,6} é nula,
e juntos
= {1,3,5}
formam
o espaço
M∩ ={ }
amostral).
M ∪ = {1,2,3,4,5,6} = Ω
102
Para apresentarmos exemplos de eventos equiprováveis, não equiprováveis, independen-
tes e condicionados precisamos primeiro estudar como calculamos as probabilidades, o
que veremos a seguir.
Regras de contagem, combinações e permutações
Para calcularmos as probabilidades, muitas vezes será necessário identificar e contar o

número de elementos do espaço amostral.
Vamos apresentar três modos de contagem muito usados, que são: experimentos em
múltiplas etapas, arranjos, combinação e permutação.
1. Experimentos em múltiplas etapas
Se um experimento pode ser descrito como uma sequência de dois estágios sucessivos
e independentes, em que o primeiro estágio pode ocorrer de “m” modos distintos, em
seguida o segundo estágio pode acontecer de “n” modos distintos. Nessas condições,
dizemos que “o número de maneiras distintas de ocorrer esse acontecimento é igual ao
produto m . n”.
Veja um exemplo:
Um estudante recebeu o resultado do seu desempenho no Enem e deve escolher um cur-

so e o tipo de faculdade que deseja cursar. Sabe-se que ele tem preferência por cinco cur-
sos: Medicina (M), Nutrição (N), Odontologia (O), Biomedicina (B) e Veterinária (V). Cada
curso pode ser feito em três tipos de faculdades: particular (P), estadual (E) ou federal (F).
Qual é o número de opções que o estudante poderá escolher para fazer sua matrícula?
Resolução:
De acordo com o princípio fundamental da contagem, o número total de opções que o

estudante pode fazer é 5 . 3 = 15 .
Se quisermos ilustrar as 15 opções podemos lançar mão de um recurso muito útil, que
se chama “árvore de possibilidades”.
103
Figura: Árvore das Possibilidades.
Curso Faculdade Resultado
P MP
M E ME
F MF
P NP
N E NE
F NF
P OP
O E OE
F OF
P BP
B E BE
F BF
P VP
V E VE
F VF
Fazendo a contagem das respostas anteriores temos também as 15 possibilidades.
Podemos generalizar o princípio fundamental da contagem. Quando um

acontecimento é composto por “k” estágios sucessivos e independentes,
com, respectivamente, n1, n2, n3, n4, ..... , nk modos distintos de ocorrên-
cia, o número total de maneiras distintas de ocorrer esse acontecimento é
n1. n2 . n3 . n4 . ..... . nk.
104
Veja mais alguns exemplos:
Exemplo 1
Um casal planeja ter três filhos.

a) De quantas maneiras diferentes a família poderá ser formada, considerando-se
que nascerá um filho em cada gestação.
b) Quais são essas possibilidades?
Resolução:
a) Para responder de quantas maneiras diferentes serão, basta usar o princípio fun-
damental da contagem:
1ª gestação: 2 opções – O filho ser do sexo masculino ou do sexo feminino.
Logo: 2 . 2. 2 = 8 maneiras.
b) Para responder quais são as possibilidades vamos desenhar a árvore
de possibilidades:
Vamos simbolizar: M  sexo masculino e F  sexo feminino
Figura: Árvore das Possibilidades
1ª Gestação 2ª Gestação 3ª Gestação Resultado
M MMM
M
F MMF
M
M MFM
F
F MFF
M FMM
M
F FMF
F
M FFM
F
F FFF
105
Exemplo 2
Quantos números diferentes e de três algarismos distintos existem no sistema decimal

de numeração?
Resolução:
Classes C D U
Supondo que Supondo que

escolhemos escolhemos
1, 2, 3, 4, 5, 6, 7,
o algarismo “1” o algarismo “2”
8, 9
para as centenas, para as dezenas,
Lembrando que
ele não poderá ser ele não poderá ser
o algarismo das
usado aqui, usado aqui,
centenas tem que
já que os algaris- já que os algaris-
ser diferente de
mos são distintos. mos são distintos
zero para que
Logo, na casa das Logo, na casa das
o número tenha
dezenas podem ser unidades podem
três dígitos.
os dígitos: 0, 2, 3, 4, ser os dígitos:
5, 6, 7, 8, 9 0, 3, 4, 5, 6, 7, 8, 9
Total de
9 9 8
possibilidades
Pelo princípio fundamental da contagem temos: 9 . 9 . 8 = 648 possibilidades.
Exemplo 3
Em uma indústria, uma peça deve passar por três estações para receber sua classificação.
Estação 1: classifica em ruim, bom ou excelente.
Estação 2: classifica em atrasado ou no prazo.
Estação 3: classifica em esteira 1, esteira 2, esteira 3 ou esteira 4.
Calcule o número de classificações completas que a peça pode receber.
106
Resolução:
Pelo princípio fundamental da contagem temos: 3 . 2 . 4 = 24
Cálculos que envolvam fatorial
O fatorial de um número natural “n” é representado por n! (lê-se n fatorial) e definido por:
1) n! = n . (n – 1) . (n – 2) . (n – 3) .... . 2 . 1, para n ≥ 2
2) 1! = 1
3) 0! = 1
Para ilustrar, veja um exemplo.
Exemplo
a) 4! = 4 . 3 . 2 . 1 = 24
8! 8.7.6.5!
b) = como estamos multiplicando os fatores no
5!.3! 5!.3.2.1
numerador e no denominador, podemos parar de escrever a qualquer momento,

colocar o símbolo de fatorial (!) e depois efetuar a simplificação, não havendo
necessidade de desenvolver até o 1.
8! 8.7.6.5!
= = 56
5!.3! 5!.3.2.1
2. Arranjos simples
Usados em problemas de contagem em que os agrupamentos são considerados dis-

tintos quanto a ordem e natureza de seus elementos. Por exemplo: vamos considerar o
número formado pelos algarismos 1 e 2. Seja o número 12. Se invertermos a ordem o
número será 21, que é diferente de 12, ou seja, formamos agrupamentos diferentes quan-
do invertemos a ordem dos elementos.
Fórmula a ser usada:
n!
An,k =
(n – k)!
107
Veja alguns exemplos a seguir:
Exemplo 1
Cinco cavalos disputam um páreo. Quantos são os possíveis resultados para as

três primeiras colocações.
Resolução: Vamos formar um agrupamento com três cavalos escolhidos em

um total de cinco cavalos.
Como a ordem importa nesse agrupamento, pois, se invertemos a posição

dos cavalos mudamos o sentido do agrupamento, vamos usar a fórmula
dos arranjos.
n!
An,k =
(n – k)!
5! 5.4.3.2.1
A5,3 = = = 60
(5 – 3)! 2.1
Exemplo 2
A senha de um cofre é composta por uma sequência de três dígitos diferentes.

Calcule o número máximo de tentativas para que a senha seja descoberta.
Resolução: Vamos formar um agrupamento de três dígitos distintos, escolhidos

nos 10 dígitos disponíveis no nosso sistema de numeração.
Como a ordem importa nesse agrupamento, já que ao invertemos os dígi-

tos, as senhas ficam diferentes, vamos usar a fórmula do arranjo simples.
n!
An,k =
(n – k)!
10! 10 . 9 . 8 . 7!
A10,3 = = = 720
(10 – 3)! 7!
108
Importante
1 - Quando o tamanho do agrupamento é igual ao número de elementos, em

vez de arranjo chamamos de Permutação.
n!
An,k =
(n – k)!
2 - Qualquer problema que envolva permutações ou arranjo simples pode ser

resolvido diretamente pelo princípio fundamental da contagem.
3. Combinação simples
Usadas em problemas de contagem em que os agrupamentos são considerados dis-

tintos quanto a ordem e natureza. A ordem dos elementos não altera o agrupamento.
Vamos selecionar seis números para jogar na Mega-Sena. Se alterarmos a ordem que
vamos marcar no cartão de jogos, a aposta será a mesma, ou seja, formamos agrupa-
mentos iguais quando invertemos a ordem dos elementos.
Fórmula a ser usada:
n!
Cn,k =
(n – k)!
109
Exemplo
Quantos cartões diferentes podemos marcar na Mega-Sena?
Sabemos que a ordem que você marca no cartão dos números escolhidos não
importa nesse agrupamento. Logo, dos 60 números disponíveis, vamos esco-
lher seis deles e calcular a combinação, já que a ordem não importará.
n!
Cn,k =
k! . (n – k)!
60!
C60,6 =
6! . (60 – 6)!
60! 60.59.58.57.56.55.54
C60,6 = =
6! . 54! 6.5.4.3.2.1.54!
60.59.58.57.56.55
C60,6 = = 50.063.860
6.5.4.3.2.1
Ampliando o foco
Para colocar em prática o conteúdo visto nesta unidade visite a Biblioteca Vir-
tual, escolha um livro de Estatística, selecione e faça alguns exercícios do livro
para reforçar o conhecimento.
110
Conceitos de probabilidade
Neste tópico vamos apresentar conceitos importantes para efetuarmos o cálculo

das probabilidades.
Seja um experimento aleatório e “Ω” um espaço amostral associado a esse experimento.

A cada evento “A” associamos um número real, representado por P(A) e denominado
probabilidade de A.
Podemos efetuar o cálculo das probabilidades considerando três cenários diferentes.

São eles:
• 1º cenário: probabilidade teórica ou clássica com eventos equiprováveis.

• 2º cenário: probabilidade teórica com eventos não equiprováveis.
• 3º cenário: probabilidade empírica ou estatística, usando frequência relativa.
Probabilidade teórica ou clássica com eventos equiprováveis
Na definição clássica de probabilidade trabalhamos apenas com eventos equiprováveis,

que, como vimos, são os eventos em que todos os elementos do espaço amostral têm
a mesma chance de ocorrer.
Para calcular a probabilidade basta efetuar a divisão entre o número de elementos dos
casos favoráveis ao evento “A” pelo número de elementos possíveis representados no
espaço amostral “Ω”.
números de casos favoráveis n(A)

P(A) = =
números de casos possíveis n (Ω)
Podemos apresentar o resultado das probabilidades de três maneiras, a saber:
1. Como uma fração.

2. Como um número racional, se efetuarmos a divisão entre o numerador e o deno-
minador da fração.
3. Como uma porcentagem, se multiplicarmos por 100 o resultado da divisão.
111
Exemplo 1
Em um lote de 12 peças, quatro são defeituosas. Sendo retirada uma peça para inspeção, calcu-
le a probabilidade de essa peça ser defeituosa.
Antes de iniciar o cálculo

precisamos seguir Respostas
as seguintes etapas:
1 - Qual é o
Avaliar defeitos em peças produzidas.
experimento?
Ω = { D, D, D, D, D,D,D,D,D,D,D,D}
onde:
2 - Qual é o espaço D = peça defeituosa
amostral?
D = eça não defeituosa
12 peças, sendo 4 defeituosas e 8 perfeitas
12 elementos, então: n (Ω) = 12
3 - Qual é o evento? A = retirar uma peça defeituosa
4 - Retire do espaço D, D, D, D 4 peças defeituosas; 4 elementos, então:

amostral os elementos
favoráveis ao evento. n (A) = 4
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?
(Se a resposta for

Sim, pois não há nenhuma informação de que alguma peça
“Sim”, então vamos
tenha maior chance de ser selecionada do que outra.
calcular
a fórmula da
probabilidade clássica.
Se for “Não”, iremos
usar o cálculo empírico
ou frequencial.)
6 - Fazer o cálculo
números de casos favoráveis n(A) 4
usando o método P(A) = = = = 0,333 = 33%
números de casos possíveis n (Ω) 12
apropriado.
112
Exemplo 2
No lançamento de um dado “honesto”, qual a probabilidade de obter um número par na

face superior?
Etapas Respostas
1 - Qual é o
Lançamento de um dado.
experimento?
2 - Qual é o espaço As faces {1, 2, 3, 4, 5, 6}, portanto são seis elementos, então:
amostral? n (Ω) = 6
3 - Qual é o evento? A = observar na face superior um número par.
4 - Retirem do espaço
amostral os elementos A = {2, 4, 6}, portanto são três elementos, então: n (A) = 3
favoráveis ao evento.
5 - Todos os elemen-
tos do espaço amostral
têm a mesma chance
de ocorrência?
(Se a resposta for “Sim”, Sim, pois temos a informação de que o dado é honesto, ou
então vamos calcular seja, todas as faces têm a mesma probabilidade de sair.
a fórmula da
ou frequencial.)
6 - Fazer o cálculo usan-

do o método P(A) = = = = 0,5= 50%
apropriado.
113
Exemplo 3
Dois dados honestos são lançados e a face superior é observada. Determine a probabili-
dade de a soma das duas faces superiores ser igual a oito.
Etapas Respostas
1 - Qual é o
Lançar dois dados.
experimento?
Ω = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),

(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
2 - Qual é o espaço
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
amostral?
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}
n (Ω) = 36
A = soma dos números das duas faces superiores

3 - Qual é o evento?
ser igual a 8.
A = {(2,6), (3,5), (4,4), (6,2)}, portanto são quatro elementos,
então: n (A) = 4
têm a mesma chance
de ocorrência?
(Se a resposta for “Sim”,

Sim, pois os dados são honestos.
então vamos calcular
a fórmula da
ou frequencial.)

do o método P(A) = = = = 0,11 = 11%
apropriado.
114
Exemplo 4
Determine a probabilidade de pelo menos uma face “cara” aparecer, na face superior, no lança-
mento de duas moedas “não viciadas”.
Etapas Respostas
1 - Qual é o
Lançamento de duas moedas .
experimento?
2 - Qual é o espaço Ω = {(cara, cara), (cara, coroa), (coroa, cara), (coroa, coroa)}
amostral? n (Ω) = 4
3 - Qual é o evento? A = observar pelo menos uma cara na face superior
A = {(cara, cara), (cara, coroa), (coroa, cara)}, portanto são 3
elementos, então: n (A) = 3
têm a mesma chance
de ocorrência?
Sim, pois temos a informação que as moedas não

são “viciadas”, ou seja, as duas faces têm a mesma
probabilidade de sair.
a fórmula da
ou frequencial.)

do o método P(A) = = = = 0,75 = 75%
apropriado.
115
Exemplo 5
A equipe de professores do Departamento de Estatística é composta de 12 pessoas, sendo 9

mulheres e 3 homens. Dessas pessoas, vamos selecionar aleatoriamente duas para participar do
Congresso de Estatística. Qual a probabilidade de a comissão ser formada por duas mulheres.
Etapas Respostas
1 - Qual é o Selecionar dois professores do sexo feminino para partici-

experimento? par do Congresso de Estatística.
Para calcular o número de elementos do espaço amostral,

devemos considerar um grupo de 12 pessoas, das quais se-
rão retirados dois elementos, sem importar a ordem, o que
condiz com a combinação de 12 elementos, tomados dois
a dois.
2 - Qual é o espaço n!
amostral? Cn,k =
k! . (n – k)!
12!
C12,2 =
2! . 10!
12.11.10!
C12,2 = = 66
2.1.10!
3 - Qual é o evento? A = escolher duas mulheres
Para calcular o número de elementos favoráveis, vamos re-

tirar das nove mulheres possíveis, um agrupamento de dois,
logo, como não importa a ordem, vamos calcular a combi-
4 - Retirem do espaço nação de nove tomados dois a dois.
9! 9.8.7!
C9,2 = = = 36
2!.7! 2.1.7!
116
têm a mesma chance
de ocorrência?
Sim, pois todas as mulheres têm a mesma chance de ser

selecionadas. Não há nenhuma informação sobre uma pes-
soa ser predileta para a escolha.  probabilidade clássica.
a fórmula da
ou frequencial.)

do o método P(A) = = = = 0,5455 = 54,55%
apropriado.
Exemplo 6
Calcule a probabilidade de um jogador acertar os seis números da Mega-Sena marcando um

cartão com seis números.
Etapas Respostas
1 - Qual é o
Jogar um cartão com 6 números na Mega-Sena .
experimento?
Para calcular o número de elementos do espaço amostral,

devemos considerar um grupo de números, dos quais se-
rão escolhidos seis, sem importar a ordem em que serão
marcados no cartão, o que condiz com a combinação de 60
elementos, tomados seis a seis.
amostral?
n!
Cn,k =
k! . (n – k)!
60!
C60,6 =
6! . 54!
117
60.59.58.57.56.55.54!
C12,2 = = 50.063.860
6.5.4.3.2.1.54!
Sim, pode acreditar! Existem 50.063.860 cartões diferen-

tes que podem ser marcados escolhendo seis números de
00 a 60.
3 - Qual é o evento? A = marcar os seis números que serão sorteados.
amostral os elementos P1 cartão.
têm a mesma chance
de ocorrência?
(Se a resposta for “Sim”, Sim, pois todos os números têm a mesma chance de serem
então vamos calcular sorteados.  probabilidade clássica.
a fórmula da
ou frequencial.)
6 - Fazer o cálculo usan- números de casos favoráveis n(A) 1

P(A) = = = = 0,00000002 = 0,00
do o método números de casos possíveis n (Ω) 50.063.860
apropriado.
118
Probabilidade teórica com eventos não equiprováveis
São usadas quando pelo menos um elemento do espaço amostral tiver diferentes proba-
bilidades de ocorrência dos demais.
Veja um exemplo:
Considere a roleta indicada na figura.
Vamos supor que vamos dar um impulso na seta e desejamos conhecer a probabilidade
de ela vir parar no setor circular com o número 2.
Podemos visualizar que a área do setor circular com os números 2 é diferente da área
dos setores 1 e 3. Logo, essa probabilidade deverá ser calculada para eventos com espa-
ços amostrais não equiprováveis.
Seja Ω o espaço amostral, então: Ω = {1, 2, 3} . Este espaço amostral para não será ade-
quado para resolver esse tipo de problema, já que os elementos não são equiprováveis.
Uma boa estratégia para calcular a probabilidade seria redefinir um novo espaço amos-
tral adequado, dessa vez com eventos equiprováveis.
Seja Ω1 = {1, 2, 2, 3} o novo espaço amostral, desta vez com todos os elementos equipro-
váveis e n(Ω1) = 4 elementos
119
Agora sim, poderemos utilizar o conceito clássico da probabilidade para eventos
equiprováveis. Então:
Seja o evento A = seta parar no número 2  n(A)=2
n (A) 2
P (A) = = = 0,5 = 50%
n (Ω1 ) 4
Probabilidade empírica, ou estatística, usando

frequência relativa
A frequência relativa de uma tabela de distribuição de frequências, que apresentamos na

Unidade 1, pode ser usada para determinarmos a probabilidade de um evento.
Se um experimento for repetido um número muito grande de vezes, percebemos uma

tendência nos resultados. A proporção de ocorrência dos resultados tenderá a probabili-
dade teórica. Isso é chamado de Lei dos Grandes Números.
Logo, para calcular a probabilidade de o evento “A” ocorrer temos:
número de vezes que o evento ocorreu

P (A) =
número de repetições do experimento
Essa fórmula é exatamente o que fizemos em estatística descritiva ao organizar os da-

dos em uma tabela de distribuição de frequências. A coluna da frequência relativa indica
a probabilidade de ocorrência de cada resultado observado.
Vejamos um exemplo.
Seja um experimento de lançar um dado “honesto” várias vezes e observar a face supe-
rior. A tabela a seguir apresenta os resultados do número de vezes em que o número 6
foi observado na face superior.
120
Lançamento do dado
Quantidade de vezes em
Cálculo da frequência
Número de repetições que apareceu o número 6
relativa
na face superior
0
1 0 = 0%
1
0
2 0 = 0%
2
0
3 0 = 0%
3
1
4 1 = 25%
4
1
5 1 = 20%
5
2
6 2 = 33,3%
6
3
20 3 = 15%
20
16
100 16 = 16%
100
165
1000 165 = 16,5%
1000
1677
10000 1667 = 16,67%
1000
Seja o evento A=observar a face superior igual a 6 no lançamento de um dado.
Pela probabilidade clássica temos:
1
P (A) = = 0,1667 = 16,67%
6
121
Pela probabilidade empírica, observamos que, à medida que o número de repetições au-
menta, a frequência relativa aproxima-se da probabilidade clássica.
Quando n=10000  fr = 16,77%
Importante
Se o número de repetições for pequeno, haverá grandes oscilações da frequên-

cia relativa. À medida que o número de repetições aumenta consideravelmente,
as oscilações tendem a ser menores e tendem a estabilizar em um valor cons-
tante, que pode ser avaliado como probabilidade. A dificuldade existente nessa
definição é que o número limite real pode não existir na realidade. Sendo assim,
a definição obedece à teoria matemática do limite.
Relações básicas de probabilidades
Veremos a seguir algumas relações básicas de probabilidades. Aqui, vamos estudar as

probabilidades complementares e a probabilidade na união de eventos.
Probabilidade complementar
Dois eventos, A e B, são complementares se sua intersecção é vazia e sua união é o es-
paço amostral Ω. Isto é:
A∩B=Ø
e
A ∪ B = Ω.
O complementar de um evento A é representado por A ou AC
• Cálculo das probabilidades complementares
Se A é o complementar de A, então a soma das probabilidades de um evento com seu

evento complementar é sempre igual a 100%, ou seja, igual a 1:
P(A) + P(A) = 1 ... P(A) = 1 - P(A) ou P(A) = 1- P(A)
122
Exemplo 1
Qual a probabilidade de não sair a face 4 no lançamento de um dado?
Etapas: Respostas
1 - Qual é o
Lançamento de um dado.
experimento?
2 - Qual é o espaço As faces {1, 2, 3, 4, 5, 6}, portanto são seis elementos.

amostral? Então: n (Ω) = 6
Qual a probabilidade de não sair a face 4 no lançamento de

um dado?
Evento A= sair a face 4
Evento A = não sair a face 4
(Lembrando que a barra acima do nome do evento significa
a negação.)
amostral os elementos A = {4}  n(A) = 1
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?

Sim  probabilidade clássica.
a fórmula da
ou frequencial.)
Usando o conceito de eventos complementares:
6 - Fazer o cálculo usan- 1 5

P ( A ) = 1 − P(A) = 1 − = = 0,8333 = 83,33%
do o método 6 6
apropriado.
Logo, existe uma probabilidade de aproximadamente 83%
de não sair a face 4 no lançamento de um dado.
123
Exemplo 2
A probabilidade de uma dona de casa escolher uma determinada marca de café é de 65%. Qual
a probabilidade que em um determinado dia ela escolha outra marca?
Etapas: Respostas
1 - Qual é o
Dona de casa escolher uma marca de café.
experimento?
Vamos supor 100 pessoas.
amostral?
Evento A= escolher determinada marca de café.

Evento A = não escolher essa determinada marca, ou seja,
3 - Qual é o evento? escolher outra marca
(lembrando que a barra acima do nome do evento, significa
a negação)
amostral os elementos n(A) = 65
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?

a fórmula da
ou frequencial.)
6 - Fazer o cálculo usan- Undo o conceito de eventos complementares:

do o método
apropriado. P( A ) = 1 − P(A) = 1 − 0,65 = 0,35 = 35%
A propriedade complementar é muito usada quando precisamos calcular a probabilidade

de “pelo menos” alguma ocorrência.
124
Exemplo 3
Em um lote de 12 peças, quatro são defeituosas e oito são boas. A probabilidade de retirarmos
duas peças boas em uma inspeção é igual a 42%. Qual a probabilidade de pelo menos uma apre-
sentar defeito quando retiramos duas peças para inspeção?
Etapas: Respostas
1 - Qual é o
Retirar duas peças para inspeção
experimento?
2 - Qual é o espaço Não será preciso definir, pois vamos usar o conceito de pro-
amostral? babilidade complementar.
A= retirar pelo menos uma peça defeituosa
3 - Qual é o evento? A = não retirar alguma peça defeituosa, ou seja, retirar as

duas peças boas. Se não retiramos duas peças boas, então
pelo menos uma será defeituosa.
Não será preciso, pois vamos usar o conceito de probabili-
dade complementar.
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?

Sim
a fórmula da
ou frequencial.)
6 - Fazer o cálculo usan- Undo o conceito de eventos complementares:

do o método
apropriado. P( A ) = 1 − P(A) = 1 − 0,42 = 0,58 = 58%
125
União de eventos (μ)
Sejam dois eventos A e B:
A B
Na união, consideramos os elementos da parte rosa, da parte verde e da parte branca.
União  U  palavra usada OU  operação (+)
P(A) ∪ (B) = P(A) + P(B)  eventos mutuamente exclusivos
P(A) ∪ (B) = P(A) + P(B) − P(A ∩ B)  eventos não exclusivos
P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∪ B ∪ C)  3 eventos

não exclusivos
126
Exemplo 1
Retirando uma carta de um baralho comum de 52 cartas, qual é a probabilidade de ocor-

rer uma dama ou uma carta de copas?
Etapas: Respostas
1 - Qual é o
Retirar uma carta de um baralho de 52 cartas.
experimento?
W = {A♣, 2♣, 3♣, 4♣, 5♣, 6♣, 7♣, 8♣, 9♣, 10♣, J♣, Q♣, K♣,
A♠, 2♠, 3♠, 4♠, 5♠, 6♠, 7♠, 8♠, 9♠,10♠, J♠, Q♠, K♠,
A♦, 2♦, 3♦, 4♦, 5♦, 6♦, 7♦, 8♦, 9♦, 10♦, J♦, Q♦, K♦,
amostral?
A♥, 2♥, 3♥, 4♥, 5♥, 6♥, 7♥, 8♥, 9♥, 10♥, J♥, Q♥, K♥}; n (W)
= 52
Evento A: retirar uma dama.

Evento B: retirar uma carta de copas.
4 - Retirem do espaço A= { Q♣, Q♠, Q♦, Q♥}; n(A) = 4

amostral os elementos B={ A♥, 2♥, 3♥, 4♥, 5♥, 6♥, 7♥, 8♥, 9♥, 10♥, J♥, Q♥, K♥}; n(B)=13
favoráveis ao evento. Elementos comuns em A e B  A ∩ B = { Q♥} ; n (A ∩ B) = 1
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?

Sim
a fórmula da
ou frequencial.)
127
Calculando a probabilidade de A ou B temos:
P(A) ∪ (B) = P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
n (A) n (B) n(A ∩ B)

P(A ∪ B) = = =
n (Ω) n (Ω) n (Ω)
do o método apropriado.
4 13 1 16 4
P(A ∪ B) = + - = = = 0,3077 = 30,77%
52 52 52 52 13
Logo, temos aproximadamente 31% de chance de retirar

uma dama de copas no baralho.
Exemplo 2
Observando a cor dos olhos e a cor do cabelo de um grupo de 100 pessoas temos:
Cabelo louro Cabelo castanho Total
Olho azul 10 20 30
Olho castanho 30 40 70
Total 40 60 100
Escolhendo uma pessoa ao acaso, qual a probabilidade de ser uma pessoa com cabelo
louro e olhos castanhos ou cabelo castanho e olhos azuis?
Etapas: Respostas
1 - Qual é o
Escolher uma pessoa em um grupo de 100 pessoas.
experimento?
Como o número é elevado, não precisamos enumerar cada

ponto amostral, basta determinar o número de elementos
do espaço amostral:
amostral?
n(W) = 100
128
Evento A: escolher uma pessoa com cabelo louro e olhos
castanhos.
Evento B: escolher uma pessoa com cabelo castanho e
olhos azuis.
n(A)=30
4 - Retirem do espaço n(B)= 20
favoráveis ao evento. Elementos comuns de A e B 
A ∩ B = { } ; n(A ∩ B) = 0
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?

a fórmula da
ou frequencial.)
P(A ∪ B) = P(A) + (B) − P(A ∩ B)
n (A) n (B) n(A ∩ B)

P(A ∪ B) = = =
n (Ω) n (Ω) n (Ω)
do o método
3 20 0 50
apropriado. P(A ∪ B) = + - = = 0,5 = 50%
100 100 100 100
Logo, temos 50% de chance de escolher uma pessoa

com cabelo louro e olhos castanhos ou cabelo castanho
e olhos azuis.
129
Exemplo 3
Em um grupo de 60 pessoas, 10 são torcedoras do Botafogo, cinco do Fluminense e o

restante torce para o Flamengo. Escolhendo ao acaso um torcedor, qual a probabilidade
de ser torcedor do Botafogo ou do Fluminense? Aproveite esse resultado e determine a
probabilidade de o torcedor ser flamenguista.
Etapas: Respostas
1 - Qual é o
Escolher um torcedor em um grupo de 60 pessoas.
experimento?
60 pessoas  n(W) =60
amostral?
Experimento A: ser torcedor do Botafogo.

Experimento B: ser torcedor do Fluminense.
n(A) = 10
4 - Retirem do espaço n(B) = 5
favoráveis ao evento. Elementos comuns de A e B 
A ∩ B = { } ; n(A ∩ B) = 0
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?

Sim
a fórmula da
ou frequencial.)
130
P(A ∪ B) = P(A) + (B) − P(A ∩ B)
n (A) n (B) n(A ∩ B)

P(A ∪ B) = = =
n (Ω) n (Ω) n (Ω)
10 5 0 15
P(A ∪ B) = + - = = 0,25 = 25%
60 60 60 60
Como os eventos dos torcedores do flamengo, do Botafogo

ou do Fluminense são complementares, para determinar a
probabilidade de selecionar um torcedor do flamengo, pode-
do o método
apropriado. mos usar o conceito de probabilidades complementares, ou
seja, basta diminuir 100% - 25% = 75%.
Se quisermos confirmar podemos fazer:
C= torcedor do Flamengo  n(C)=45
45
P(C) = = 0,75 = 75%
60
Logo, a probabilidade de selecionar um torcedor do Botafo-

go ou do Fluminense é igual a 25%. Já a chance do torcedor
ser flamenguista é igual a 75%.
Exemplo 4
Uma pesquisa, em uma agência de turismo, sobre o tipo de viagem nos últimos 12 meses, re-
velou que 45,8% dos clientes viajaram por razões comerciais, 54% por razões pessoais e 30%
viajaram por razões pessoais e comerciais.
a) Qual é a probabilidade de que um viajante, selecionado aleatoriamente, tenha viajado
nos últimos 12 meses por razões comerciais ou pessoais?
b) Qual é a probabilidade de que um viajante, selecionado aleatoriamente, não tenha via-
jado nos últimos 12 meses por razões comerciais ou pessoais?
Etapas: Respostas
1 - Qual é o Selecionar um cliente de uma agência de turismo que tenha

experimento? viajado nos últimos 12 meses.
131
Vamos considerar 100 pessoas, em que 45,8% dos clientes
viajaram por razões comerciais, 54% por razões pessoais e
amostral?
30% viajaram por razões pessoais e comerciais.
A = tenha viajado nos últimos 12 meses, por razões comer-

ciais.
B= tenha viajado nos últimos 12 meses, por razões pes-
soais.
A ∩ B= tenha viajado nos últimos 12 meses, por razões co-
merciais e pessoais.
A ∩ B= tenha viajado nos últimos 12 meses, por razões co-
merciais ou pessoais.
A ∪ B = não tenha viajado nos últimos 12 meses, por razões
comerciais ou pessoais.
A B
15,8% 30% 24%

30,2%
n(A) = 45,8
n(B) = 54
n(A ∩ B) = 30
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?

Sim, pois o cliente foi escolhido aleatoriamente.
a fórmula da
ou frequencial.)
132
a)
n (A) n (B) n(A ∩ B)

P(A ∪ B) = = =
n (Ω) n (Ω) n (Ω)
45,8 54 30 69,8 0,5 =
do o método apropriado. P(A ∪ B) = + - = =
100 100 100 100 50%
b)
P(A ∪ B) = 1 − P(A ∪ B) = 1 − 0,698 = 30,2%
Exemplo 5
Em um levantamento com 1.000 pessoas sobre a aquisição de um produto lançado no mercado,

em três versões, A, B e C, constatou-se que:
470 compraram o produto A.
420 compraram o produto B.
315 compraram o produto C.
110 compraram os produtos A e B.
220 compraram os produtos A e C.
140 compraram os produtos B e C.
75 compraram os três produtos.
Escolhendo-se ao acaso uma pessoa entrevistada, qual é a probabilidade de que ela tenha ad-
quirido pelo menos uma versão do produto?
Etapas: Respostas
1 - Qual é o Selecionar uma pessoa e perguntar qual foi a versão do pro-

experimento? duto adquirido.
1000 entrevistados  n(Ω) = 1000
amostral?
133
E= escolher pelo menos uma versão do produto.
Podemos dividir o evento E em três partes:
A = escolher o produto A.
B = escolher o produto B.
C = escolher o produto C.
Logo, E= A ∪ B ∪C
4 - Retirem do espaço n(A)=470

amostral os elementos n(B)=420
favoráveis ao evento. n(C)=315
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?

a fórmula da
ou frequencial.)
P(E) = P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B

∩ C) + P(A ∪ E)
470 420 315

P(E) = P(A ∪ B ∪ C) = + + -
6 - Fazer o cálculo usan- 1000 1000 1000
do o método
110 220 140 75 810
apropriado. - - + = = 0,81 = 81%
1000 1000 1000 1000 1000
Logo, haverá 81% de chance de uma pessoa comprar pelo

menos uma das versões do produto lançado no mercado.
134
Poderíamos resolver esse problema de outra maneira utilizando o conceito da
probabilidade complementar.
Uma boa estratégia para resolver esse problema é representar as informações

do exercício no diagrama de Veen.
A B
35
215 245
75
145 65
30
C
190
Vamos começar pela interseção das 3 versões: A ∩ B ∩ C = 75
Depois, passamos para a interseção de duas versões:

A ∩ B = 110 (como já colocamos 75 na interseção das 3 versões, restam agora
110–75=35)
A ∩ C = 220 (como já colocamos 75 na interseção das 3 versões, restam agora
220-75=145)
B ∩ C = 140 (como já colocamos 75 na interseção das 3 versões, restam agora
140–75=65)
Agora vamos descontar as respostas que já foram posicionadas.

A = 470 – 35 – 75 – 145 = 215
B= 420 – 35 – 75 – 65 = 245
C= 315 – 145 – 75 – 65 = 30
135
Por fim, calculamos das 1.000 pessoas aquelas que não compraram nenhuma
versão do produto:
1000 – 215 - 35 – 75 – 145 – 245 – 65 – 30 = 190
Se fizermos o complementar das pessoas que não compraram nenhuma ver-

são do produto, vamos obter como resultado as pessoas que compraram pelo
menos uma versão do produto. Logo:
C= pessoas que compraram pelo menos uma versão do produto
C = pessoas que não compraram o produto  n ( C ) = 190
P (C) = 1 − P ( C )
190 810
P(C) = 1 − = = 0,81 = 81%
1000 1000
Exemplo 6
Um jogo de dominó é composto por 28 peças, sendo que em cada peça são representadas duas
quantidades de bolinhas, que variam de zero a seis.
Se selecionarmos uma peça aleatoriamente, qual é a probabilidade de possuir ao menos um 3

ou 5 em sua face?
Etapas: Respostas
1 - Qual é o
Retirar uma peça do dominó.
experimento?
Ω = {(0,0), (0,1), (0,2), (0,3), (0,4), (0,5), (0,6), (1,1), (1,2), (1,3),
(1,4), (1,5), (1,6), (2,2), (2,3), (2,4), (2,5), (2,6), (3,3), (3,4), (3,5),
amostral?
(3,6), (4,4), (4,5), (4,6), (5,5), (5,6), (6,6)}  n (Ω) = 28
136
Evento A: Saírem 3 bolinhas.
3 - Qual é o evento? Evento B: Saírem 5 bolinhas.
A ∪ B : sair 3 OU 5 bolinhas
A={(0,3), (1,3), (2,3), (3,3), (3,4), (3,5), (3,6)}  n(A) = 7

B={(0,5), (1,5), (2,5), (3,5), (4,5), (5,5), (5,6)}  n(B) = 7
favoráveis ao evento. Verificando a existência da interseção  A ∩ B = {(3,5)} 
n (A ∩.B) =1
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?

Sim
a fórmula da
ou frequencial.)
Calculando a probabilidade do evento A ou B ocorrem:
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

7 7 7 13
do o método P(A ∪ B) = + + = = 0,464=46,4%
28 28 28 28
apropriado.
Logo, haverá 81% de chance de uma pessoa comprar pelo
menos uma das versões do produto lançado no mercado.
Ampliando o foco
Para colocar em prática o conteúdo visto nesta unidade visite a Biblioteca Vir-
137
Probabilidade condicional
Neste tópico continuaremos os estudos abordando mais algumas relações básicas das
probabilidades: a probabilidade para eventos condicionados, a probabilidade para eventos
independentes e a interseção de eventos. Também apresentaremos o Teorema de Bayes.
Probabilidade condicional
Dados dois eventos “A” e “B” de um espaço amostral Ω ≠ Ø, chamamos de probabilidade

de “B” condicionada a “A”, a probabilidade de ocorrer “B”, sabendo que “A” já ocorreu.
Representação: P(B|A) ou P(B/A)
Dizemos: “probabilidade de “B” ocorrer, sabendo que “A” já ocorreu.
Cálculo:
n (A∩B) P (A∩B)
P(B|A) = ou P(B|A) =
n(A) P(A)
Exemplo1:
Para oferecer uma promoção do tipo “fale grátis de seu móvel para seu fixo”, escolhe-se
aleatoriamente uma pessoa de uma base de dados com 15.000 usuários de telefonia,
dos quais 10.000 possuem telefones fixos, 8.000 telefones móveis e 3.000 têm telefones
fixos e móveis.
Pergunta-se:
a) Já sabendo que a pessoa selecionada tem um telefone móvel, qual a probabilida-

de de ela ter telefone fixo também?
138
Etapas: Respostas
1 - Qual é o Escolher aleatoriamente uma pessoa em uma base

experimento? de dados.
15.000 usuários de telefonia, dos quais 10.000 possuem te-

lefones fixos, 8.000 telefones móveis e 3.000 têm telefones
amostral?
fixos e móveis.
A= selecionar uma pessoa com telefone móvel.

B= selecionar uma pessoa com telefone fixo.
B|A= selecionar uma pessoa com telefone fixo sabendo que
ela tem um telefone móvel.
4 - Retirem do espaço n(A) = 8.000

amostral os elementos n(B) = 10.000
favoráveis ao evento. n(A ∩ B) = 3.000
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?
Sim, pois a pessoa é escolhida aleatoriamente. Temos
que observar que uma condição já aconteceu nesse
evento, ou seja, já sabemos que a pessoa possui uma li-
nha de telefonia móvel, por isso vamos usar o conceito
a fórmula da
de probabilidade condicional.
ou frequencial.)
n (A∩B)
P(B|A) =
n(A)
6 - Fazer o cálculo usan- 3000

do o método P(B|A) = = 0,375 = 37,5%
8000
apropriado.
Portanto, é provável que 37,5% dos usuários de telefonia da
base consultada tenham um telefone fixo, sabendo que ela
já possuía um telefone móvel.
139
b) Já sabendo que ela tem um telefone fixo, qual a probabilidade de ela ter telefone
móvel também?
Etapas: Respostas
1 - Qual é o Escolher aleatoriamente uma pessoa em uma base

experimento? de dados.
15.000 usuários de telefonia, dos quais 10.000 possuem te-

lefones fixos, 8.000 telefones móveis e 3.000 têm telefones
amostral?
fixos e móveis.
A= selecionar uma pessoa com telefone móvel.

B= selecionar uma pessoa com telefone fixo.
A|B= selecionar uma pessoa com telefone móvel sabendo
que ela tem um telefone fixo.
4 - Retirem do espaço n(A) = 8.000

amostral os elementos n(B) = 10.000
favoráveis ao evento. n(A ∩ B) = 3.000
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?
Sim, pois a pessoa é escolhida aleatoriamente. Temos
que observar que uma condição já aconteceu nesse
evento, ou seja, já sabemos que a pessoa possui uma li-
nha de telefonia fixo, por isso vamos usar o conceito
a fórmula da
de probabilidade condicional.
ou frequencial.)
n (A∩B)
P(B|A) =
n(B)
6 - Fazer o cálculo usan- 3000

do o método P(B|A) = = 0,3 = 30%
10000
apropriado.
Portanto, é provável que 30% dos usuários de telefonia da
base consultada tenham um telefone móvel, sabendo que
ela já possuía um telefone fixo.
140
Exemplo 2:
Em uma escola com 100 alunos, 60 estudam Estatística, 50 estudam Inglês e 20 es-
tudam Estatística e Inglês. Sabendo que um aluno escolhido aleatoriamente já estuda
Estatística, qual a probabilidade de ele estudar Inglês?
Etapas: Respostas
1 - Qual é o
Escolher aleatoriamente um aluno .
experimento?
2 - Qual é o espaço 100 alunos, 60 estudam Estatística, 50 estudam Inglês e 20

amostral? estudam Estatística e Inglês.
A= escolher um aluno que estude Estatística.

B= escolher um aluno que estude Inglês.
B|A= escolher um aluno que estude Inglês, sabendo que
esse aluno já estuda Estatística.
E I
40 20 30
favoráveis ao evento. 10
n(A) = 60
n(B) = 50
n (A ∩ B)= 20
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?
Sim, pois a pessoa é escolhida aleatoriamente. Temos que
(Se a resposta for “Sim”, observar que uma condição já aconteceu nesse evento, ou
então vamos calcular seja, já sabemos que a pessoa escolhida estuda Estatística,
a fórmula da por isso vamos usar o conceito de probabilidade condicional.
ou frequencial.)
141
n (A∩B)
P(B|A) =
n(A)
20
6 - Fazer o cálculo usan- P(B|A) = = 0,33 = 33%
do o método apropriado. 60
Portanto, é provável que 30% dos usuários de telefonia da

base consultada tenham um telefone móvel, sabendo que
ela já possuía um telefone fixo.
Probabilidade para eventos independentes
Dois eventos A e B são independentes se, e somente se:
P(A|B) = P(A) ou P(B|A) = P(B)
P (A∩B) P (A∩B)
Substituindo P(B|A) = P(B) em: P(B|A) = temos: P(B)
P(A) P(A)
Logo: P(A ∩ B) = P(A). P(B)
Analogamente,
P (A∩B) P (A∩B)
Substituindo P(B|A) = P(A) em: P(B|A) = temos: P(A)
P(B) P(B)
Logo: P(A ∩ B) = P(A). P(B)
Exemplo 1
O quadro a seguir apresenta o resultado de uma pesquisa sobre a primeira razão para a
escolha de uma determinada Instituição de Ensino Superior – IES:
142
Custo da Qualidade
Outros Total
mensalidade do ensino
Ensino presencial 393 421 76 890
Ensino a distância 593 400 46 1039
Total 986 821 122 1929
a) Se selecionarmos um aluno aleatoriamente e observarmos que ele optou por en-

sino presencial, qual a probabilidade de a qualidade de ensino ser a primeira razão
para a escolha da IES?
Etapas: Respostas
1 - Qual é o
Selecionar aleatoriamente um aluno entrevistado.
experimento?
Está representado no quadro no enunciado da questão.
amostral?
A= aluno ser do ensino presencial.

3 - Qual é o evento? B= aluno responder que a qualidade de ensino é a primeira
razão para a escolha da IES.
4 - Retirem do espaço n(A) = 890

amostral os elementos n(B) = 821
favoráveis ao evento. n (A ∩ B)= 421
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência? Sim, pois o aluno foi escolhido aleatoriamente.
(Se a resposta for “Sim”, Porém, temos que prestar atenção, pois uma condição já
então vamos calcular aconteceu nesse evento, ou seja, já sabemos que a pessoa
a fórmula da escolhida frequenta o ensino presencial e por isso vamos
probabilidade clássica. usar o conceito de probabilidade condicional.
ou frequencial.)
143
n (A∩B)
P(B|A) =
n(A)
421
6 - Fazer o cálculo usan- P(B|A) = = 0,473 = 47,3%
do o método 890
apropriado. Logo, existe aproximadamente 47,3% de probabilidade
de que o aluno que estuda presencialmente tenha esco-
lhido a qualidade do ensino como primeira razão para
escolher a IES.
b) Se um aluno selecionado aleatoriamente optou por ensino a distância, qual a pro-

babilidade de o custo da mensalidade ser a primeira razão para escolha da IES?
Etapas: Respostas
1 - Qual é o
Selecionar aleatoriamente um aluno entrevistado.
experimento?
Está representado no quadro, no enunciado da questão.
amostral?
A= aluno ser do ensino a distância.

3 - Qual é o evento? B= aluno responder que o custo da mensalidade é a primei-
ra razão para escolha da IES.

favoráveis ao evento. n (A ∩ B) = 593
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência? Sim, pois o aluno foi escolhido aleatoriamente.
(Se a resposta for “Sim”, Porém, temos que prestar atenção, pois uma condição já
então vamos calcular aconteceu nesse evento, ou seja, já sabemos que a pessoa
a fórmula da escolhida é do EAD e por isso vamos usar o conceito de
probabilidade clássica. probabilidade condicional.
ou frequencial.)
144
n (A∩B)
P(B|A) =
n(A)
593
6 - Fazer o cálculo usan- P(B|A) = = 0,571 = 57,1%
do o método apropriado. 1039
Logo, existe aproximadamente 57,1% de probabilidade de

que o aluno que estuda a distância tenha escolhido o custo
da mensalidade como primeira razão para escolher a IES.
c) Considere os eventos: A=estudante ser do ensino presencial e B=qualidade do en-

sino como a primeira razão de escolha da IES. Os eventos A e B são independentes?
A= ser do ensino presencial  n((A) = 890
B = qualidade de ensino  n(B) = 821
n(A ∩ B) = 421
n (Ω) =1929
ser do presencial 890 = 0,461 =

P(A) = =
total de alunos 1929 46,1%
qualidade de ensino 821

P(B) = = = 0,426 = 42,6,%
total de alunos 1929
qualidade de ensino n(A ∩ B) 421

P(A∩B) = = = = 0,218 = 21,8,%
total de alunos n (Ω) 1929
Se os eventos forem independentes, temos: P(A ∩ B) = P(A) . P(B)
Comparando 0,218 com 0,461. 0,426
0,218 ≠ 0,196
Como P(A ∩ B) ≠ P(A) . P(B) os eventos não são independentes.
145
Interseção de eventos (U)
Sejam dois eventos A e B:
U
A B
Na interseção, consideramos somente os elementos da parte branca.
Interseção ∩ palavra usada “E”  operação (x)
P(A ∩ B) = P(A). P(B)  eventos independentes
P(A ∩ B) = P(A). P(B/A)  eventos condicionados
P(A ∩ B) = P(A). P(A/B)  eventos condicionados
Vejamos alguns exemplos.
Exemplo 1
Suponha que a probabilidade de a fábrica de respiradores entregar a mercadoria no prazo

seja 99,4%. Suponha que duas entregas de respiradores sejam selecionadas ao acaso.
Qual a probabilidade de:
a) Ambos os respiradores serem entregues no prazo.
b) Exatamente um dos respiradores for entregue no prazo.
c) Ambos os respiradores forem entregues com atraso.
Resolução:
Sejam:
Evento A: entregar o respirador 1 no prazo  P(A) = 0,994
Evento A: não entregar o respirador 1 no prazo  P(A) = 1-0,994 = 0,006
146
Evento B: entregar o respirador 2 no prazo  P(B) = 0,994
Evento B : não entregar o respirador 2 no prazo  P(B) = 1-0,994 = 0,006
a) O respirador 1 foi entregue no prazo E o respirador 2 foi entregue no prazo.
A palavra-chave aqui é o “E”, significando a interseção (multiplicação) dos eventos.

Logo:
P(A ∩ B) = P(A). P(B)
P(A ∩ B) = 0,994 . 0,994 = 0,988 = 98,8%
b) O respirador 1 foi entregue no prazo E o respirador 2 não foi entregue no prazo

OU o respirador 1 não foi entregue no prazo E o respirador 2 foi entregue no prazo.
A palavra-chave aqui é o “E”, significando a interseção (multiplicação) dos eventos e

também o ”OU” significando a união (soma) dos eventos. Logo:
P(A ∩ B) ou P(A ∩ B) = P(A) . P(B) + P(A) . P(B) = 0,994 . 0,006 + 0,006 . 0,994 = 0,012 = 1,2%
c) Ambos os respiradores forem entregues com atraso, logo o respirador 1 foi entre-
gue com atraso E o respirador 2 foi entregue com atraso.
P(A ∩ B) = P(A) . P(B)
P(A ∩ B) = 0,006 . 0,006 = 0,000036 = 0,0036%
Exemplo 2
Em um lote de 12 peças selecionadas para inspeção, quatro apresentam defeitos. Três

peças são retiradas ao acaso, uma após a outra, sem reposição. Calcule a probabilidade
de as três peças selecionadas não apresentarem defeitos.
Etapas: Respostas
1 - Qual é o
Retirar três peças para serem inspecionadas.
experimento?
12 peças, sendo quatro defeituosas e oito sem defeitos.
amostral?
147
A= selecionar para inspeção a primeira peça sem defeito.
B= selecionar para inspeção a primeira peça sem defeito.
3 - Qual é o evento? C= selecionar para inspeção a primeira peça sem defeito.

D= selecionar a primeira peça sem defeito para inspeção
E selecionar a segunda peça sem defeito para inspeção E
selecionar a terceira peça sem defeito para inspeção.

favoráveis ao evento. n(C) = 6
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?
(Se a resposta for “Sim”, Sim, pois todas as peças têm a mesma chance de serem
então vamos calcular selecionadas para inspeção.
a fórmula da
ou frequencial.)
P(D) = P(A) . P(B) . P(C)

do o método 8 7 6 336
P(D) = = = = = 0,25 = 25%
apropriado. 12 11 10 1320
Resumindo
Símbolo Palavra Operação
∪ ou adição
∩ e Multiplicação
A não P(A) = 1 - P(A)
148
P(A ∪ B) = P(A) + P(B) 
É o evento que ocorre se A eventos mutuamente exclusivos
A∪B ocorre, ou se B ocorrer ou
se A e B ocorrerem P(A ∪ B) = P(A) + P(B) - P(A ∩ B) 
eventos não exclusivos
P(A ∩ B) = P(A) . P(B/A)

É o evento que ocorre se
A∩B
A e B ocorrem
P(A ∩ B) = P(A) . P(B/A)
Axiomas das probabilidades
A probabilidade clássica P(A) satisfaz aos seguintes axiomas:
A1) A probabilidade é um número maior ou igual a zero e menor ou igual a 1.

0 ≤ P(A) ≤ 1
A2) A soma das probabilidades de todos os resultados possíveis em um espaço amostral

é igual a 1 ou 100%.
P(Ω) = 1
A3) Se os eventos forem, dois a dois mutuamente exclusivos então:

P(E) = P(E1) + P(E2) +...+ P(En)
Teoremas do cálculo das probabilidades para eventos

equiprováveis
T1) Se “A” e “B” são eventos equiprováveis quaisquer, então:

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Para três eventos, temos:

P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∪ B ∪ C)
T2) Se A é o complementar de A, então a soma das probabilidades de um evento com seu

evento complementar é sempre igual a 100%, ou seja, igual a 1:
P(A) + P(A) = ∴ P(A) = 1− P(A) ou P(A) = 1 − P(A)
T3) Se A ⊂ B, então:
P(A) ≤ P(B).
149
Vejamos um exemplo que ilustra o conceito apresentado.
Exemplo
Um número é escolhido entre os cinco primeiros números naturais. Considere os eventos

a seguir e encontre a probabilidade de que o número escolhido seja:
a) A= Menor do que 5.
b) B= Maior do que 5.
c) C= Igual a zero.
d) D= Igual a 1.
e) E= Igual a 2.
f) F= Igual a 3.
g) G= Igual a 4.
h) H= Igual a 1 ou igual a 3.
i) I= Par ou primo.
j) J= Diferente de 1.
k) K=um número par.
l) L=um número ímpar.
m) M= um número par ou ímpar.
Resolução:
Primeiramente vamos definir:
Experimento: escolher um número entre os cinco primeiros números naturais

Espaço Amostral: Ω ={0,1,2,3,4} , logo o número de elementos do espaço amostral será:
n(Ω) = 5
A seguir vamos calcular as probabilidades solicitadas:
a) A= nº menor do que 5  A={0,1,2,3,4}, logo, o número de elementos do evento A

será: n(A) = 5 então:
n(A) 5
P(A) = = = 1 = 100%
n(Ω) 5
150
Observamos que o número de elementos do evento A é igual ao número de
elementos do espaço amostral. Esse é o maior número de elementos que po-
demos retirar do espaço amostral, portanto essa será a maior probabilidade
que poderá ocorrer. É um exemplo do evento certo.
b) B= Maior do que 5  B={ }, não existe nenhum elemento no espaço amostral

maior do que 5, logo o número de elementos do evento B será: n(B) = 0 então:
n(B) 0
P(B) = = = 0 = 0%
n(Ω) 5
Observamos que o número de elementos do evento é o menor número de

elementos que podemos escolher no espaço amostral, portanto essa será a
menor probabilidade que poderá ocorrer. É um exemplo do evento impossível.
Concluímos então, observando os eventos A e B, que a probabilidade de ocor-

rência de um evento, é um número maior ou igual a zero e menor ou igual a 1,
conforme afirma o axioma 1:
0 ≤ P(A) ≤ 1
c) C= Igual a zero  C={0}, logo, o número de elementos do evento C será: n(C)=1 então:
n(C) 1
P(C) = = = 0,2 = 20%
n(Ω) 5
d) D= Igual a 1  D={1}, logo, o número de elementos do evento D será: n(D)=1 então:
n(D) 1
P(D) = = = 0,2 = 20%
n(Ω) 5
e) E= Igual a 2  E={2}, logo, o número de elementos do evento E será: n(E)=1 então:
n(E) 1
P(E) = = = 0,2 = 20%
n(Ω) 5
151
f) F= Igual a 3  F={3}, logo, o número de elementos do evento F será: n(F)=1 então:
n(F) 1
P(F) = = = 0,2 = 20%
n(Ω) 5
g) G= Igual a 4  G={4}, logo, o número de elementos do evento G será: n(G)=1 então:
n(G) 1
P(G) = = = 0,2 = 20%
n(Ω) 5
Se somarmos as probabilidades dos eventos C, D, E, F e G estamos somando

as probabilidades de todos os elementos do espaço amostral. Logo, vamos
obter: 0,2+0,2+0,2+0,2+0,2 = 1 ou 100%, o que afirma o axioma 2, ou seja: a
soma das probabilidades de todos os resultados possíveis de um espaço
amostral é igual a 1 ou 100%.
h) H= o número igual a 1 ou o número igual a 4 ou um número primo.  H={1,4,2,3},

logo, o número de elementos do evento H será: n(H)=4 então:
n(H) 4
P(H) = = = 0,8 = 80%
n(Ω) 5
2ª Temos outra maneira de calcular essa probabilidade. Pode ser a seguinte:
Observamos que podemos dividir o evento H em 3 eventos: H1= o número igual a 1, H2=
o número igual a 4 e H3= um número primo. Vamos buscar no espaço amostral os ele-
mentos dos eventos.
H1={1}
H2={4}
H3={2,3}
Vamos observar, dois a dois, as interseções dos elementos dos eventos:

H1 ∩ H2={ }
H1 ∩ H3={ }
H2 ∩ H3={ }
Como a interseção entre os elementos dos eventos dois a dois é vazia, concluímos que
são eventos mutuamente exclusivos.
152
Logo, para calcular a probabilidade H= o número igual a 1 ou o número igual a 4 ou um
número primo, basta calcular cada probabilidade separadamente e efetuar a soma das
probabilidades.
Então:
n(H1) n(H2) n(H3) 1 1 2 4

P(H) = = = = + + = = 0,8 = 80%
n(Ω) n(Ω) n(Ω) 5 5 5 5
Com esse item podemos verificar o que diz no axioma 3: se os eventos forem
dois a dois mutuamente exclusivos, então: P(E) = P(E1) + P(E2) +...+ P(En)
i) I=Par ou primo  I={0,2,3,4}, logo, o número de elementos do evento I será: n(I)=4 então:
n(I) 4
P(H) = = = 0,8 = 80%
n(Ω) 5
Observamos que podemos dividir o evento I em 2 eventos: I1= número par, I2= número
primo. Vamos buscar no espaço amostral os elementos dos eventos:
I1={0,2,4} n(I1) = 3
I2={2,3} n(I2) = 2
Vamos observar, dois a dois, as interseções dos elementos dos eventos:

I1 ∩ I2={ 2 } ∴ n(I1 ∩ I2) =
Nesse caso, observamos um elemento na interseção dos eventos. Logo, os eventos não
são mutuamente excludentes. Precisamos de, em vez de usar o axioma 3 para calcular a
probabilidade, devemos usar o teorema 1, que diz:
(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Logo:
P(I1 ∪ I2) = P(I1) + P( I2) - P(I1 ∩ I2)
153
n(I1) n(I2) n(I1 ∩ I2)
P(I1 ∪ I2) = = =
n(Ω) n(Ω) n(Ω)
3 2 1 4
P(I1 ∪ I2) = + - = = 0,8 = 80%
5 5 5 5
j) J= Diferente de 1  I={0,2,3,4}, logo, o número de elementos do evento I será: n(I)=4 então:
n(I) 4
P(I) = = = 0,8 = 80%
n(Ω) 5
Outra maneira de calcular a probabilidade pedida seria utilizando o teorema 2, que diz:
se A é o complementar de A, então a soma das probabilidades de um evento com seu
evento complementar é sempre igual a 100%, ou seja, P(I) + P(I ) = 1 ∴ P(I ) + 1 - P(I) ou
P(I) = 1 - P(I )
Se “J” é o evento de escolha do número diferente de 1, então seria escolha do número

igual a 1. Nós já calculamos, na letra “d” deste exercício, que a probabilidade de retirar o
número 1 cujo resultado foi igual a 0,2, ou seja, P(I ) = 0,2 então, a probabilidade de não
retirar o número 1 seria: P(I) = 1 - P(I ) = 1- 0,2 = 0,8
Teorema de Bayes
Também conhecido como Teorema da Probabilidade das Causas ou dos Antecedentes,

ou ainda Teorema da Probabilidade a posteriori.
Esse teorema preocupa-se em responder à seguinte pergunta:
Supondo que o evento B já tenha ocorrido, qual a probabilidade que este

evento tenha provindo do evento AI?
O Teorema de Bayes é importante porque inverte probabilidades condicionais. Ele nos dá

a probabilidade de uma causa ocorrer, desde que um evento já tenha ocorrido.
O teorema diz: “Se “n” eventos A1, A2, A3, ... , são dois a dois mutuamente exclusivos, tais
que, A1 ∪ A2 ∪ A3 ∪ ... An = Ω, e P(Ai) > 0 então:
154
P(Ai) . P(B\ Ai)
P(Ai\B) =
Σi P(Ai) . P(B\ Ai)
Para entendermos melhor o assunto, vejamos alguns exemplos práticos.
Exemplo 1
Em uma fábrica de produção de aparelhos celulares, as linhas de montagem I, II e III

respondem respectivamente por 50, 40 e 10 por cento da produção. Alguns aparelhos
saem destas linhas com defeitos. A porcentagem de celulares defeituosos é de 1%, 2%
e 3%, respectivamente, para as linhas I, II e III. Para evitar que os aparelhos defeituosos
saiam da empresa e cheguem ao mercado, o controle de qualidade realiza inspeções
individuais em todos os celulares fabricados e os que apresentam algum defeito são
enviados para uma linha especial de recuperação. Você, como responsável pelo controle
de qualidade, precisa intervir na linha de montagem mais problemática. Por qual linha de
montagem você iniciaria seus trabalhos?
Para ajudar nessa decisão será preciso conhecer:
a) Qual a probabilidade de o celular defeituoso ter sido produzido na linha de

montagem I?
b) Qual a probabilidade de o celular defeituoso ter sido produzido na linha de
montagem II?
c) Qual a probabilidade de o celular defeituoso ter sido produzido na linha de
montagem III?
Etapas: Respostas
1 - Qual é o
Retirar um aparelho defeituoso para inspeção.
experimento?
Linha de Linha de Linhade

produção 1 produção 2 produção 3
50% 40% 10%

amostral?
1% 2% 3%
DEFEITOS
155
Determinar a probabilidade de um aparelho celular defei-
tuoso encontrado na inspeção final ter sido produzido na
linha de produção I, na linha de produção II e na linha de
produção III.
A1 = aparelho ter sido produzido na linha de produção I.

A2 = aparelho ter sido produzido na linha de produção II.
A3 = aparelho ter sido produzido na linha de produção III.
B= aparelho com defeito.
B\A1= aparelho defeituoso sabendo que foi produzido na li-

nha de produção I
B\A2 = aparelho defeituoso sabendo que foi produzido na
linha de produção II
B\A3= aparelho defeituoso sabendo que foi produzido na li-
3 - Qual é o evento? nha de produção III
O que queremos investigar:
A1\B= aparelho ter sido produzido na linha de montagem I

sabendo que ele é defeituoso
A2\B = aparelho ter sido produzido na linha de montagem II
sabendo que ele é defeituoso
A3\B = aparelho ter sido produzido na linha de montagem III,
sabendo que ele é defeituoso.
Ou seja, precisamos usar o teorema de Bayes para calcular

a probabilidade condicional invertida.
P(Ai) . P(B\ Ai)

P(Ai\B) =
Σ i P(Ai) . P(B\ Ai)
156
P(A1) = 50% = 0,5
P(A2) = 40% = 0,4
P(A3) = 10% = 0,1
P(B\A1) = 1% = 0,01
amostral os elementos P(B\A2) = 2% = 0,02
favoráveis ao evento. P(B\A3) = 3% = 0,03
P(A1\B) = ??? é o que queremos determinar
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?
(Se a resposta for “Sim”, Sim, pois todos os aparelhos têm a mesma chance de se-
então vamos calcular rem selecionados para inspeção.
a fórmula da
ou frequencial.)
P(Ai) . P(B\ Ai)

P(Ai\B) =
Cálculo da probabilidade da peça defeituosa ter sido produzida

na linha I:
P(A1) . P(B\ A1)

P(A1\B) =
6 - Fazer o cálculo usan- P(A1) . P(B\ A1) + P(A2) . P(B\ A2) + P(A3) . P(B\ A3)
do o método
apropriado.
0,5 . 0,01
P(A1\B) =
0,5 . 0,01 + 0,4 . 0,02 + 0,1 . 0,03
0,005 0,005
P(A1\B) = = = 0,3125 = 31,5%
0,005 + 0,008 + 0,003 0,016
157
P(Ai) . P(B\ Ai)
P(Ai\B) =

na linha II:
P(A2) . P(B\ A2)

P(A2\B) =
P(A1) . P(B\ A1) + P(A2) . P(B\ A2) + P(A3) . P(B\ A3)
0,4 . 0,02
P(A2\B) =
0,5 . 0,01 + 0,4 . 0,02 + 0,1 . 0,03
0,005 0,008
P(A2\B) = = = 0,5 = 50%
0,005 + 0,008 + 0,003 0,016

na linha III:
P(A3) . P(B\ A3)

P(A3\B) =
P(A1) . P(B\ A1) + P(A2) . P(B\ A2) + P(A3) . P(B\ A3)
0,1 . 0,03
P(A3\B) =
0,5 . 0,01 + 0,4 . 0,02 + 0,1 . 0,03
0,005 0,003
P(A3\B) = = = 0,1875 = 18,75%
0,005 + 0,008 + 0,003 0,016
Logo, você deve escolher a linha de produção II para fazer

a intervenção.
158
Exemplo 2
Um viajante usa os serviços da companhia aérea “A” em 20% das viagens, 30% da com-
panhia “B” e no restante do tempo ele utiliza a companhia “C”. Sabe-se que a porcen-
tagem dos voos que decolam com atraso é de 10%, 6% e 3% respectivamente para as
companhias “A”, “B” e “C”. Suponha que o voo do viajante teve atraso.
Qual a probabilidade de que ele tenha utilizado a companhia “C” nessa viagem?
Etapas: Respostas
1 - Qual é o Verificar a probabilidade de um viajante ter utilizado a com-

experimento? panhia aérea "A', sabendo que ela teve um atraso no voo.
CIA "A" CIA "B' CIA "C"

20% 30% 50%
amostral?
10% 6% 3%
ATRASOS
A1 = viajante ter escolhido a cia aérea “A” para viajar.

A2 = viajante ter escolhido a cia aérea “B” para viajar.
A3 = viajante ter escolhido a cia aérea “C” para viajar.
B= o voo decolou atrasado.
B\A1 = voo atrasado sabendo que a cia escolhida foi a “A”
3 - Qual é o evento? B\A2 = voo atrasado sabendo que a cia escolhida foi a “B”
B\A3 = voo atrasado sabendo que a cia escolhida foi a “C”
O que queremos investigar:

A3\B = a cia escolhida foi “C” sabendo que o voo decolou
com atraso.
Ou seja, precisamos usar o teorema de Bayes para calcular

a probabilidade condicional invertida.
159
P(A1) = 30% = 0,2
P(A2)= 20% = 0,3
4 - Retirem do espaço P(A3)= 50% = 0,5

amostral os elementos P(B\A1 )= 10% = 0,1
favoráveis ao evento. P(B\A2 )= 6% = 0,06
P(B\A3 ) = 3% = 0,03
5 - Cada elemento
do espaço amostral
tem a mesma chance
de ocorrência?

Sim.
a fórmula da
ou frequencial.)
P(Ai) . P(B\ Ai)

P(Ai\B) =

na linha I:
P(A3) . P(B\ A3)

P(A3\B) =
6 - Fazer o cálculo usan- P(A1) . P(B\ A1) + P(A2) . P(B\ A2) + P(A3) . P(B\ A3)
do o método
apropriado.
0,5 . 0,03
P(A3\B) =
0,2 . 0,01 + 0,3 . 0,06 + 0,5 . 0,03
0,015 0,015
P(A3\B) = = = 0,283 = 28,3%
0,002 + 0,018 + 0,015 0,053
160
Ampliando o foco
Para colocar em prática o conteúdo visto nesta unidade, visite a Biblioteca Vir-
161
MIDIATECA

NA PRÁTICA
Foi realizada uma pesquisa de mercado com 500 consumidores com o objetivo
de conhecer a aceitação de um novo produto — chamado Sampler — lançado
no mercado.
Resultado da pesquisa de satisfação com 500 consumidoresdo produto Sampler
Sexo Aprovou Não aprovou Total
Masculino 140 100 240
Feminino 200 60 260
Total 340 160 500
Fonte: Dados fictícios.
Você precisa fazer um relatório para enviar ao CEO da empresa em que traba-
lha dando a ele feedback sobre a aceitação do produto do mercado. Pense em
como o conteúdo desta unidade pode lhe auxiliar na elaboração do relatório.
É interessante apresentar no relatório algumas probabilidades calculadas a par-

tir dos dados pesquisados. Por exemplo:
Se uma pessoa for selecionada ao acaso qual a probabilidade de:

a) Ser do sexo masculino?
b) Ser do sexo feminino?
c) Não tenha aprovado o produto.
162
d) Ser do sexo feminino ou ter aprovado o produto.
e) Sabendo que a pessoa selecionada aprovou o produto, qual a probabilidade
de ser do sexo masculino?
f) Dado que a pessoa selecionada seja do sexo feminino, qual a probabilidade
de que ela não tenha aprovado o produto?
Vamos considerar:
A = a pessoa selecionada é do sexo masculino.

A =a pessoa selecionada não é do sexo masculino, ou seja, é do sexo feminino.
B = a pessoa selecionada aprovou o produto lançado.
B = a pessoa selecionada não aprovou o produto lançado.
240
a) P(A) = = 0,48 = 48%
500
b) P(A) = 1- P(A) = 1 - 0,48 = 0,52 = 52%
160
c) P(B) = = 0,32 = 32%
500
260 340 340 400

d) P(A ∪ B) = P(A ) + P(B) - P(A ∩ B) = + - = = 0,8= 80%
500 500 500 500
P(A ∩ B) 140
e) P(A\B) = = = 0,41= 41%
P(B) 340
P(B ∩ A) 60
e) P(B\A) = = = 0,23= 23%
P(A) 260
163
Resumo da Unidade 2
Nesta unidade vimos os conceitos básicos da Teoria das probabilidades e determinamos

situações práticas às quais ela se aplica. Também revisamos as técnicas de contagem
e abordamos algumas definições importantes, necessárias para o entendimento do cál-
culo de probabilidades.
Apresentamos o cálculo das probabilidades considerando cenários diferentes. Estuda-

mos as relações básicas de probabilidades, como probabilidades complementares e pro-
babilidade na união de eventos.
Por fim, abordamos a Probabilidade Condicional e a Probabilidade na Interseção de even-

tos. Tratarmos igualmente de alguns axiomas e teoremas de probabilidade — probabili-
dade condicional e teorema de Bayes — com a utilização de exemplos práticos e desen-
volvidos passo a passo.
164
Referências

MEGA-SENA: a loteria que paga milhões para o acertador. CEF – Loterias. Disponível
em: http://loterias.caixa.gov.br/wps/portal/loterias/landing/megasena. Acesso em: 18
ago. 2020.
O PROBLEMA de Monty Hall. YouTube. Disponível em: < https://www.youtube.com/wat-

ch?v=6_mMLdAzUCE. Acesso em: 12 ago. 2020.
PROBABILIDADES Teóricas e Experimentais. Khan Academy. Disponível em: < https://

pt.khanacademy.org/math/probability/probability-geometry/probability-basics/v/compa-
ring-theoretical-to-experimental-probabilites. Acesso em: 12 ago. 2020.
SPIEGEL, M. R.; STEPHENS, L. J. Estatística. 4. ed. Porto Alegre: Bookman, 2009
SWEENEY, D. J.; WILLIAMS, T. A.; ANDERSON, D. R. Estatística aplicada à administra-

ção e economia. 3. ed. São Paulo: Cengage Learning, 2013.
165
UNIDADE 3
Distribuições de Probabilidade
INTRODUÇÃO
Nesta unidade continuaremos o estudo da teoria das probabilidades, apresentando os

conceitos de variáveis aleatórias e de distribuições de probabilidades.
As distribuições teóricas de probabilidades são aquelas que foram submetidas a estudos

prévios e têm propriedades conhecidas. Por isso, nos ajudam na modelagem matemá-
tica de fenômenos aleatórios. Sendo assim, é mais uma ferramenta poderosa e muito
utilizada para os cálculos de probabilidades.

• Tópico 1: variáveis aleatórias, discretas e continuas e a função de distribuição de
probabilidades.
• Tópico 2: algumas distribuições discretas de probabilidades — adistribuição bino-
mial e a distribuição de Poisson.
• Tópico 3: algumas distribuições contínuas de probabilidades — a distribuição Nor-
mal e a distribuição Normal padronizada.
OBJETIVO
• Utilizar as distribuições de probabilidades em situações inerentes à inferência

estatística.
167
Variáveis aleatórias e distribuições de
probabilidade
Ao determinarmos os elementos de um espaço amostral eles podem ter uma natureza

quantitativa ou qualitativa, como podemos observar no exemplo a seguir.
Exemplo
Notas dos alunos de Estatística  Ω =[0 ; 10]  quantitativa

Sexo dos alunos de Estatística  Ω ={feminino, masculino}  qualitativa
Quando trabalharmos com variáveis aleatórias qualitativas ficamos impossibilitados de

operar matematicamente em alguns casos, porque seus valores não são numéricos. As
variáveis aleatórias vêm auxiliar-nos, principalmente quando necessitamos atribuir um
valor numérico para todos os elementos do espaço amostral, mesmo que esses elemen-
tos sejam qualitativos.
Variável aleatória
Uma variável aleatória é uma função que associa a cada elemento do espaço amostral
um único número real. Normalmente escolhemos letras maiúsculas do nosso alfabeto
para representá-las, sendo as mais usuais o “X” e o “Y”.
Apesar da terminologia “variável aleatória”, ela é uma função cujo domínio sempre é for-
mado pelos elementos do espaço amostral e o contradomínio o conjunto dos números
reais. Tais funções são chamadas aleatórias, porque seus valores não podem ser deter-
minados com certeza antes que o experimento seja realizado.
Para entendermos melhor a aplicabilidade deste conceito vejamos o exemplo a seguir.
168
Exemplo
A produção de aparelhos celulares de uma determinada fábrica pode ter duas

classificações quanto à qualidade: Defeituoso ou Perfeito, ou seja, temos um
experimento em que os elementos do espaço amostral não são números e sim
atributos, que vamos representar como “D”=defeituoso e “P”=perfeito.
Exemplo
Suponha que três aparelhos sejam retirados aleatoriamente para inspeção. Seja a variá-
vel aleatória “X” definida como o número de aparelhos danificados.
Então:
1) O experimento consiste em observar as condições da qualidade de três

aparelhos celulares.
Espaço amostral: {PPP, PPD, PDP, PDD, DPP, DPD, DDP, DDD}, lembrando que
“D” = defeituoso e “P” = perfeito.
2) A variável aleatória “X” representa o número de aparelhos danificados, podendo

assumir os seguintes valores, como mostra a tabela a seguir.
Resultado X=nº de aparelhos danificados
PPP 0
PPD 1
PDP 1
PDD 2
DPP 1
DPD 2
DDP 2
DDD 3
3) O importante é que agora não estamos interessados na ordem e sim na quantidade.
169
Uma variável aleatória pode ser classificada como discreta ou contínua, dependendo do
número de possíveis valores que a variável pode assumir.
Variável aleatória discreta
A variável aleatória é discreta quando o conjunto de todos os valores que ela pode as-
sumir são associadas aos números naturais, 0, 1, 2, ... Normalmente, são oriundas
de contagens.
Exemplo
Experimento Variável aleatória Valores possíveis
Inspecionar uma re- X=nº de celulares 0,1,2,3,4,5

messa de 5 celulares. defeituosos. (finito)
Classificar os 160
X=nº de alunos do 0,1,2,..,160
alunos de Estatística
sexo feminino. (finito)
quanto ao sexo.
Observar o fluxo de X=nº de carros que

carros que passam passam no pedá- 0,1,2,3,...
no pedágio, num in- gio, num intervalo (infinito numerável)
tervalo de 1 hora. de 1 hora.
Variável aleatória contínua
A variável aleatória é contínua quando os conjuntos de todos os valores que ela pode
assumir pertencem a um intervalo real ou a um conjunto de intervalos não numeráveis.
Normalmente, são oriundas de medições.
170
Exemplo
Experimento Variável aleatória Valores possíveis
Observar o tempo X=tempo, em minutos, en-

de espera na fila tre a chegada e a saída do X≥0
do banco. cliente na agência bancária.
Altura dos alunos X= altura, em metros, dos

0≤X≤3
de Estatística. alunos de Estatística.
Pesar um carrega-
X= número de quilos do
mento de um de- X≥0
carregamento.
terminado produto.
X= Porcentagem de con-
Construção de um
clusão do projeto depois 0 ≤ X ≤ 100
apartamento.
de 1 ano.
Função ou Distribuição de Probabilidade
Seja “X” uma variável aleatória discreta, sejam x1, x2, x3, … , xn os possíveis valores que
a variável pode assumir.
Associamos a cada resultado “x” a probabilidade de ocorrência de tal forma que:
a) P(xi) ≥ 0 , ou seja, a probabilidade de ocorrência de resultado xi é maior ou

igual a zero.
n
b) ∑ i=1, P(xi)=1, ou seja, a soma das probabilidades de todos os valores possíveis de
“X” é igual a 1.
A Função de Probabilidade pode ser apresentada na forma de uma lista, de

uma tabela, de um gráfico ou ainda de uma função matemática.
171
Para entendermos melhor a explicação, vamos retomar o exemplo anterior usado na
variável aleatória.
Exemplo
A produção de aparelhos celulares de uma determinada fábrica pode ter duas classifica-
ções quanto à qualidade: Defeituoso ou Perfeito, ou seja, temos um experimento em que
os elementos do espaço amostral não são números e sim atributos, que vamos repre-
sentar como “D”=defeituoso e “P”=perfeito.
Suponha que três aparelhos sejam retirados aleatoriamente para inspeção. Seja a variá-
vel aleatória “X” definida como o número de aparelhos danificados.
Determine a função de probabilidade para a variável aleatória X.
Então:
1) O experimento consiste em observar as condições da qualidade de três aparelhos

celulares.
Espaço Amostral: {PPP, PPD, PDP, PDD, DPP, DPD, DDP, DDD}, sendo “D”=defeituoso
e “P”=perfeito
2) A variável aleatória “X” representa o número de aparelhos danificados, podendo
assumir os seguintes valores: 0,1,2 ou 3
3) Distribuição de probabilidade: associação, a cada resultado “x” a probabilidade

de ocorrência.
172
Devemos, então, calcular a probabilidade de ocorrência de cada valor que é variável aleatória:
PPP
PPD
0 Calculando as probabilidades, temos:
PDP
1
PDD
1 1
DPP P (x = 0) =
3 8
DPD
DDP
DDD 3
P (x = 1) =
8
Número de elementos do espaço
amostral  n(Ω)= 8
3
P (x = 2) =
Se X=0 1 ocorrência 8
Se X=1 3 ocorrências
1
P (x = 3) =
Se X=2  3 ocorrências 8
Se X=3  1 ocorrência
Distribuição de Probabilidade, expressa por uma tabela:
Valores de “X” 0 1 2 3
Probabilidade de 1 3 3 1
ocorrência p(X=xi) 8 8 8 8
173
Distribuição de Probabilidade expressa por um gráfico:
P(X = xi) Distribuição de Probabilidade
1/2
3/8
1/8
0
0 1 2 3 xi
Fonte: Elaborado pela autora (2020).
Esperança Matemática ou Média: E(X)
A Esperança Matemática, também chamada de média, é o valor em torno do qual estão

concentrados os resultados da variável aleatória em uma amostra suficientemente grande.
Seu cálculo é obtido pela fórmula:
E(X) = μ = ∑ x i. P(xi)
Onde:
xi = valor da variável aleatória
P(xi) = respectiva probabilidade
Ampliando o foco
Em Estatística Descritiva, o valor em torno do qual os dados estão concentra-

dos são chamamos de média e os representamos pelo símbolo X.
Em Estatística Indutiva, o valor em torno do qual os resultados da variável alea-

tória estão concentrados é chamado de Esperança Matemática e os represen-
tamos pelo símbolo μ.
174
Variância (σ2)
Avalia o grau de dispersão dos valores da variável aleatória em torno da média. Seu cál-
culo é obtido pela fórmula:σ
σ2 = ∑ (xi – μ)2 · p(xi)
Em que:
xi = valor da variável aleatória
μ = Valor esperado
P(xi) = respectiva probabilidade
Desvio-padrão (σ)
É a raiz quadrada da variância.
σ = σ2
Ampliando o foco
Em Estatística Descritiva, a variância é representada por s² e o desvio-

-padrão por “s”.
Em Estatística Indutiva, a variância é representada por σ 2 e o desvio-padrão por σ.
Coeficiente de Variação (CV)
É o quociente entre o desvio-padrão e a esperança matemática. Normalmente, é

expresso em %.
σ
CV = · 100
E(X)
175
Se:
CV < 10% Baixa dispersão.
10% ≤ CV < 20% Média dispersão.
20% ≤ CV < 30% Alta.
CV ≥ 30% Muito alta (pequena representatividade da média).
Agora, vejamos um exemplo para entendermos a aplicação dos conceitos abordados

na prática.
Exemplo
O número de chamadas telefônicas recebidas por minuto em uma empresa de telemar-

keting e suas respectivas probabilidades está representado na tabela a seguir:
Número de chamadas 0 1 2 3 4 5
Probabilidades 0,18 0,39 0,24 0,14 0,04 0,01
a) Qual o número esperado de chamadas recebidas em um minuto?
E(X) = 0 · 0,18 + 1 · 0,39 + 2 · 0,24 + 3 · 0,14 + 4 · 0,04 + 5 · 0,01
E(X) = 0 + 0,39 + 0,48 + 0,42 + 0,16 + 0,05 = 1,5
Espera-se, aproximadamente, 1,5 chamadas por minuto.
b) A média é uma medida confiável para essa distribuição?
Para responder essa questão devemos verificar o coeficiente de variação, pois, se

ele for maior do que 30%, há uma alta dispersão, então não devemos confiar na mé-
dia, já que ela é afetada por valores discrepantes.
- Calculando a variância:
σ2 = ∑ (xi – μ)2 · p(xi)
176
Número de
0 1 2 3 4 5 ∑
chamadas (xi)
Probabilidades P(xi) 0,18 0,39 0,24 0,14 0,04 0,01
(xi – μ)2 2,25 0,25 0,25 2,25 6,25 12,25
(xi – μ)2 · p(xi) 0,405 0,0975 0,06 0,315 0,25 0,1225 1,25
Como podemos observar na tabela, (xi – μ)2 · p(xi) = 1,25, logo:
σ2 = ∑ (xi – μ)2 · p(xi)
então, σ 2 = 1,25
- Calculando o desvio-padrão:
σ = σ2
σ = 1,25 1,118
- Calculando o Coeficiente de Variação:
σ
CV = · 100
E(X)
1,118
CV = · 100 = 74,53%
1,5
Como o coeficiente de variação é muito elevado, pois é maior do que 30%, os dados
estão muito dispersos, então a média não é uma boa medida representativa para
essa distribuição.
177
Função Densidade de Probabilidade (ou simplesmente
Função Densidade)
Seja “X” uma variável aleatória contínua pertencente a um intervalo numérico.
Define-se a função densidade, a função cuja área sob a curva entre dois valores “a” e “b”
nos revela a probabilidade de que a variável aleatória X assuma um valor entre “a” e “b”
(a<b), de tal forma que:
a) f(x) ≥ ∀ x ∈ , ou seja, a função assume apenas valores positivos ou nulo, assim o

gráfico fica sobre o eixo-x, ou acima dele.
+∞
b) ∫- ∞ f(x) dx = 1, ou seja, a área total sob a curva de densidade é sempre igual a 1
+∞
c) ∫- ∞ f(x) dx = P(a ≤ X ≤ b) ∀ a < b, ou seja, a probabilidade de ocorrência de um evento
no intervalo [a,b] é a área entre “a” e “b”.
A forma do gráfico
de uma função desnidade
pode variar consideravelmente,
mas a área sob a curva
sempre será igual a 1
O gráfico da função desnidade se estende infinitamente para - ∞ e + ∞ x
No caso das variáveis aleatórias contínuas, não estaremos mais interessados em saber
a probabilidade de um determinado resultado, como fazemos com as variáveis aleatórias
discretas, mas sim em determinar a probabilidade de o resultado estar em um determi-
nado intervalo.
Como não há probabilidade associada a um ponto único, é indiferente o uso dos símbo-
los < ou ≤ para menor que ou > ou ≥ para maior que, ou seja:
∫- ∞+ ∞f(x) dx = P(a ≤ X ≤ b) = P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b)
178
Curva densidade de probabilidade e a determinação das probabilidades
P(a ≤ X ≤ b) P(X ≤ a) P(X ≥ b)
a b x a x b x
Figura 1 Figura 1 Figura 1

a área sombreada é a área sombreada é a área sombreada é
P(a ≤ X ≤ b) P(X ≤ a) P(X ≥ b)
Então, como vimos, para encontrar a probabilidade precisamos determinar a área sob
uma curva e isso pode ser feito por integral, geometria, tabelas e o uso de tecnologias
computacionais.
Medidas estatísticas
As medidas estatísticas Esperança Matemática, também chamada de Valor Esperado ou

Média e variância, são definidas de forma semelhante ao que estudamos para as variá-
veis aleatórias discretas, porém substituímos o somatório por integral.
+∞
Esperança Matemática, Valor Esperado ou Média: E(X) = ∫- ∞ x · f(x)dx
+∞
Variância: σ2 = ∫- ∞ (x - E(X))2 · f(x)dx
Ampliando o foco praticando
179
Distribuições de probabilidades discretas
No Tópico 1 apresentamos a definição geral das distribuições de probabilidade. Porém,

existem variáveis aleatórias que apresentam certos padrões de comportamento. Para es-
sas variáveis foram desenvolvidos modelos de distribuições específicos, com a finalidade
de auxiliar no cálculo das probabilidades, bem como a esperança matemática e a variância.
Para determinarmos as probabilidades, a esperança e a variância, basta identificarmos

qual é a distribuição teórica que a variável aleatória pertence e usar as fórmulas pró-
prias da distribuição identificada.
Vamos iniciar o estudo pelos modelos de distribuições discretas, apresentando dois

modelos entre vários existentes e que são muito utilizados: a distribuição binomial e a
distribuição de Poison.
Modelo de Distribuição Binomial
A distribuição de probabilidade binomial é uma distribuição discreta de probabilidade que

tem inúmeras aplicações no mundo real. A principal característica desse modelo é que
conhecemos o número finito de repetições do experimento.
Condições para modelagem:
1. O experimento consiste em um número finito de tentativas idênticas.

2. Cada tentativa pode resultar apenas um de dois resultados possíveis: o “sucesso”
(se acontece o evento) ou um “fracasso” (se o evento não acontece).
3. A probabilidade de sucesso de cada prova é constante e igual a “p” e a probabili-
dade do fracasso “q=1-p”.
4. Os resultados das provas são independentes.
Exemplos:
Experimento Variável aleatória X Resultados possíveis
Sucesso  a face
Lançar uma moeda seis observada é cara
vezes e observar a face X = sair a face cara
superior. Fracasso  a face
observada é coroa
180
Sucesso  a criança
Observar o sexo de 100 X= a criança ser do é menina
partos de uma maternidade. sexo feminino Fracasso  a criança
é menino
Sucesso  não
Perfurar uma série de poços X= não encontrar se encontra petróleo
de petróleo. petróleo Fracasso  encontra-se
petróleo
Sucesso  o aluno
Responder aleatoriamente acerta a questão
X=acertar
10 questões de uma
a resposta correta Fracasso  o aluno
prova objetiva.
erra a questão
Sucesso  o aluno
Responder aleatoriamente erra a questão
10 questões de uma X=errar a resposta
prova objetiva. Fracasso  o aluno
acerta a questão
Observar 10 animais Sucesso  o animal apre-

que foram submetidos a X= apresentar a senta a doença
uma injeção com efeitos doença Fracasso  o animal não
cancerígenos. apresenta a doença
Parâmetros de uma distribuição binomial: X ~ B(n,p)
São valores definidores de uma distribuição binomial. Uma variável aleatória binomial
fica completamente determinada quando conhecemos o número de tentativas e a pro-
babilidade de um sucesso.
Em que:
n = número total de ensaios.
p = probabilidade de sucesso em cada ensaio.
Fórmulas da Distribuição Binomial
Se soubermos os parâmetros “n” e “p” seremos capazes de responder qualquer pergunta

sobre a probabilidade de X, o valor esperado e a variância. Para isso, basta aplicarmos as
fórmulas da distribuição binomial, que são:
181
Cálculo das Probabilidades Cálculo do Valor Esperado Cálculo da Variância
P(X=xi) = ( xn ) · px · q(nx) μ=n·p σ2 = n · p · q
Em que:
X= número de eventos discretos em um número finito de repetições.
n = número de repetições do experimento.
x = número de sucessos.
p = a probabilidade de sucesso em cada prova.
q = a probabilidade de fracasso em cada prova.
n!
( xn ) = = número de combinações de “n” elementos tomados x a x.
x! (n - x)!
Vejamos um exemplo prático.
Exemplo 1
Um professor de Estatística elaborou uma avaliação de múltipla escolha, que consiste em

10 questões, cada uma com cinco alternativas para resposta e apenas uma dessas alter-
nativas tem a resposta correta. Suponha que os estudantes que irão a fazer a prova não
frequentaram as aulas e não estudaram para a avaliação. Sendo assim, eles irão marcar
a resposta aleatoriamente, o que informalmente chamamos de “chute”. Para ser aprova-
do, o aluno deve acertar no mínimo sete questões. Um estudante é selecionado ao acaso.
a) Qual é a probabilidade de ele “chutar” as 10 questões e acertar 7?

b) Qual é a probabilidade de ele ser aprovado?
c) O valor esperado de acertos nessas condições.
d) O que podemos concluir de um aluno que não estuda e “chuta” as questões
da avaliação.
Resolução:
1º) Definir a variável aleatória, pois será essa definição que vai determinar quem terá o
sucesso e o fracasso.
182
Seja a variável aleatória X=número de acertos na avaliação.
Logo: Sucesso  acertar a questão

Fracasso  errar a questão
2º) Verificar as hipóteses a serem atendidas para o uso das fórmulas da distribuição
binomial. São elas:
1 - Existe um número finito de repetições?

Sim  o aluno “chuta” 10 vezes, logo, n=10
2 - Só há 2 possíveis resultados para cada tentativa?

Sim acerto ou erro
3- Cada “chute” é independente?

Sim, pois um “chute” não influencia no resultado do outro.
4 - A probabilidade de sucesso em cada tentativa é constante?

Sim, em cada questão a probabilidade de acerto é igual a:
número de opções corretas em cada questão 1

p= = = 0,2
número de opções em cada questão 5
Logo, a probabilidade do fracasso é q = 1 - p = 1 - 0,2 = 0,8
Como todas as hipóteses foram verificadas, então: X ~ B(10 ; 0,2), ou seja, a variável alea-
tória X obedece a uma distribuição binomial, com parâmetros n=10 e p=0,2.
Com isso, podemos fazer o cálculo das probabilidades pedidas, usando as fórmulas da
distribuição binomial, como mostramos a seguir.
a) Um estudante é selecionado ao acaso. Qual é a probabilidade de ele “chutar”

as 10 questões e acertar 7?
P(X=xi) = ( xn ) · px · q(n–x)
P(X=7) = ( 10
7 ) · (0,2) · (0,8)
7 (10-7)
183
10!
P(X=7) = · (0,2)7 · (0,8)(10-7)
7! 3!
10!
P(X=7) = · (0,2)7 · (0,8)3
7! (10-x)!
P(X=7) = 120 · 0,0000128 · 0,512 = 0,000078643 0,0786%
b) Um estudante é selecionado ao acaso. Qual é a probabilidade de ele ser aprovado?

Para ser aprovado, o aluno tem que acertar pelo menos sete questões. Logo:
P(X ≥ 7) = P(X=7) + P(X=8) + P(X=9) + P(X=10)
Analogamente ao cálculo de P(X=7), vamos fazer P(X=8), P(X=9) e P(X=10), obtendo

como resultado:
P(X ≥ 7) = 0,00078643 + 0,00007373 + 0,00000410 + 0,00000010 = 0,00086436 =

0,086436%
c) E(x)=n . p = 10 . 0,2 = 2 questões

Espera-se que um aluno que “chuta” 10 questões em uma avaliação, acerta 2.
Logo, com base nas respostas anteriores podemos concluir que vai ser muito difícil um es-
tudante ser aprovado em Estatística sem assistir às aulas e sem estudar para avaliações.
Modelo de Distribuição de Poisson
Esse modelo será utilizado para modelar experimentos discretos em que o número de
repetições não é conhecido.
A variável aleatória de Poisson é definida como o número de sucessos em certo intervalo

fixo e contínuo, que pode ser de tempo, comprimento, área, volume, massa e outros, sen-
do essa a principal característica desse modelo.
Exemplos:
1. Número de carros que passam em um pedágio em uma hora.
2. Número de vezes em que o corpo de bombeiros é chamado por dia para comba-
ter incêndios em uma cidade.
3. Número de acidentes de trabalho por semana em uma empresa industrial.
184
4. Número de reparos em uma rodovia em um trecho de 100 km.
5. Número de automóveis que chegam ao campus entre 7 e 10 horas da manhã.
6. Número de microrganismos por cm³ de água contaminada.
7. Número de vazamentos em 100 Km de tubulação.
Condições para modelagem
1. Acertos individuais ocorrerão aleatoriamente e independentemente dentro um in-

tervalo fixo de observação.
2. O número de ocorrências de certo evento de interesse neste intervalo é uma variável

discreta com valores possíveis 0, 1, 2, 3... . Observe que x não possui limite máximo.
3. Uma distribuição de Poisson modela bem eventos “raros”. Fenômenos raros são
aqueles que ocorrem com pouca frequência para qualquer intervalo de observação.
Por exemplo, o número de automóveis da linha Gol que passam por um radar na
estrada em um intervalo de uma hora e o número de automóveis Porsche Cayenne
que passam nesse mesmo radar, nesse mesmo intervalo de uma hora. Certamente,
o modelo de Poisson deverá ser mais adequado para o automóvel Porsche.
Parâmetros de uma distribuição de Poisson: X ~ P(μ)
A média μ é o único parâmetro para a distribuição de Poisson.

μ=λ.t
Em que:
μ = média de eventos discretos em “t” unidades de medida.
λ = taxa de frequência ou coeficiente de proporcionalidade por unidade de medida.
t = unidade de medida.
Fórmulas da Distribuição de Poisson
Se soubermos a taxa de frequência por unidade de medida (λ) e a unidade de medida (t),
seremos capazes de responder qualquer pergunta sobre a probabilidade de X, o valor es-
perado e a variância. Basta para isso aplicarmos as fórmulas da distribuição de Poisson,
que são:
Cálculo das Probabilidades Cálculo do Valor Esperado Cálculo da Variância
e -μ · μx
P(X=xi) = μ=λ·t σ2 = λ · t
x!
185
Em que:
X: número de eventos discretos em t unidades de medida.
λ: taxa de frequência ou coeficiente de proporcionalidade por unidade de medida.
t: unidade de medida.
μ = λ t: média de eventos discretos em t unidades de medida.
e = constante de Euler 2,71828.
Exemplo 1
Intervalo de tempo
A administradora de pedágios de uma rodovia está interessada em conhecer o número

de carros que chegam a uma determinada cabine em um intervalo de tempo de 15 mi-
nutos. Sabe-se que:
• Em qualquer período de igual duração a probabilidade de chegar um carro no pe-

dágio é a mesma.
• O evento chegada de um carro na cabine do pedágio é independente da chegada
de outro carro em qualquer período.
• Observando dados históricos da rodovia, podemos estimar o número médio de
carros que chegam em uma cabine desse pedágio como 10 carros no período de
15 minutos.
Pede-se:
a) Determine a probabilidade de chegarem exatamente 5 carros nessa cabine em
um período de 15 minutos.
b) Determine a probabilidade de chegar exatamente 1 carro nessa cabine em um
período de 3 minutos.
.
Resolução:
Letra a)
Podemos verificar no enunciado que os pressupostos para a modelagem por Poisson
foram satisfeitos. Logo, usaremos esse modelo para responder às questões propostas.
1) Definição da variável aleatória X:

Seja X= número de carros que chegam em uma cabine de pedágio de uma rodovia
em um intervalo de tempo de 15 minutos.
Nesse caso, buscamos determinar a probabilidade que o número de carros que
186
chega em uma cabine de um pedágio de uma rodovia, em um intervalo qualquer de
tempo de 15 minutos, seja exatamente igual a 5, ou seja, X=5
2) Intervalo de tempo: t = 15 minutos.
10
3) Frequência nesse intervalo de tempo: λ = 10 carros a cada 15 minutos =
15
10
4) Média: μ = λ · t = · 15 = 10 carros
15
Então,
X ~ P(10), ou seja, a variável aleatória X obedece à distribuição de Poisson, com média
igual a 10.
Estando com o parâmetro definido, vamos substituí-lo no modelo de Poisson:
e-10 · 105 4,539992976

P(X=5) = = = 0,0378 = 3,78%
5! 120
Letra b)
Observamos que o intervalo de tempo agora modificou-se para três minutos. Logo:
1) Definição da variável aleatória X:

Seja X= número de carros que chegam em uma cabine de pedágio de uma rodovia
em um intervalo de tempo qualquer de três minutos.
Nesse caso, buscamos determinar a probabilidade que o número de carros que che-
ga em uma cabine de pedágio de uma rodovia, em um intervalo qualquer de tempo
de três minutos seja exatamente igual a 1, ou seja, X=1.
2) Intervalo de tempo: t = 3 minutos.
10
3) Frequência nesse intervalo de tempo: λ= 10 carros a cada 15 minutos =
15
10
4) Média: μ = λ · t = · 3 = 2 carros
15
5) Então: X ~ P(2)
Então,
X ~ P(2), ou seja, a variável aleatória X obedece à distribuição de Poisson, com média
igual a 2. Estando com o parâmetro definido, vamos substituí-lo no modelo de Poisson:
187
e-μ · μx
P(X=xi) =
x!
e-2 · 21 0,2707
P(X=1) = = = 0,2797 = 27,07%
1! 1
Portanto, a probabilidade de que exatamente cinco carros cheguem em um período de

15 minutos nessa cabine é aproximadamente igual a 3,78%, enquanto a probabilidade
de que exatamente um arro chegue em um período de três minutos nessa cabine é
igual a 27,07%.
Exemplo 2
Intervalo de comprimento
Suponhamos que, após um mês de obras de recapeamento de um trecho de uma rodo-

via, a administradora dessa rodovia esteja interessada em verificar o número de defeitos
graves na pavimentação desse trecho. Sabe-se que:
• Em quaisquer dois intervalos de mesma extensão nessa rodovia a probabilidade

de ocorrência de ocorrer um defeito grave é a mesma.
• Os eventos defeitos graves em uma rodovia são independentes, ou seja, a ocor-
rência de um defeito grave em um intervalo não tem nenhuma dependência com a
existência ou não de outro defeito em outro intervalo qualquer.
• A quantidade de defeitos graves por Km pertence ao intervalo [0, +∞[.
• Sabe-se que defeitos graves ocorrem um mês após as obras de recapeamento à
taxa de dois defeitos por quilômetro.
Pede-se:
a) A probabilidade de não haver nenhum defeito grave em um trecho de 3 km
de rodovia.
b) A probabilidade de existir pelo menos um defeito grave em um trecho de 3 km de
rodovia.
Resolução:
Letra a)
Pelo enunciado verificamos que as hipóteses para a modelagem com a Distribuição de
Poisson estão satisfeitas.
188
Primeiramente, vamos definir a variável aleatória de Poisson X.
X= número de defeitos graves em uma rodovia que aconteceram um mês após o reca-
peamento em um trecho de 3 km.
Podemos notar que estamos trabalhando em um intervalo de comprimento de 3km.
t = 3 km
Agora, vamos determinar a taxa de frequência nesse intervalo de tempo.
2 defeitos
λ= 2 defeitos a cada km =
1 km
2
Logo, a média será: μ = λ · t = · 3 = 6 defeitos
1
Para calcular a probabilidade pedida basta usar a fórmula da distribuição de Poisson.
e-μ · μx
P(X=xi) =
x!
e-6 · 20 0,0025 · 1
P(X=1) = = = 0,0025 = 25%
0! 1
Logo, existe uma probabilidade bem pequena, em torno de 0,25%, de não se encontrar ne-
nhum defeito grave em um trecho de 3Km de uma rodovia, um mês após o recapeamento.
Letra B)
Qual a probabilidade de existir pelo menos um defeito grave em um trecho de 3 km
de rodovia?
P(X ≥ 1) = P(X=1) + P(X=2) + P(X=3) + …
Como não sabemos o número final de defeitos, temos que determinar essa probabilida-
de utilizando o conceito de probabilidade complementar, ou seja:
P(X ≥ 1) = 1 - P(X=0)
Sabemos que P(X=0) = 0,0025, pois calculamos na letra a) desse exemplo.
Logo:
P(X ≥ 1) = 1 - 0,0025 = 0,9975 = 99,75%
189
Então, existe uma probabilidade de 99,75% de ocorrer pelo menos um defeito grave em
um trecho de 3 km da rodovia.
Ampliando o foco
190
Distribuição de probabilidade Normal
Neste tópico apresentaremos duas distribuições contínuas de probabilidades — distribui-

ção Normal e distribuição Normal Padronizada, que nos auxiliam nos cálculos das pro-
babilidades, oferecendo-nos, já tabelado, o cálculo das áreas sob a curva. É fundamental
entendermos os conceitos que serão apresentados, pois assim teremos a alternativa
de resolver os cálculos de probabilidades sem que seja preciso resolver as integrais que
aparecem quando trabalhamos com as variáveis aleatórias contínuas.
Distribuição de probabilidade Normal ou Gausseana
A distribuição de probabilidade é:
• Considerada a distribuição de probabilidade mais importante em toda Estatística

para descrever uma variável aleatória contínua.
• Usada na modelagem dos dados provenientes de fenômenos naturais, industriais
e pesquisas em geral.
• Amplamente usada em inferência estatística.
• Desenvolvida por Moivre em 1733 e posteriormente por Laplace, usada por Gauss
na derivação das equações do estudo de erros em repetições de medidas de um
mesmo objeto, por isso é também conhecida como gausseana.
Temos algumas propriedades da distribuição Normal de probabilidade.
Propriedades da distribuição Normal
Modelo Matemático
A curva Normal apresenta o seguinte modelo matemático:
1 (x – μ)2
– ,
f(x) = e 2 σ2
σ 2π
x μ ∈ ( - ∞; + ∞) e σ2 > 0
Em que:
191
μ = média
σ = desvio padrão
σ 2 = variância
e = 2,71828...
π = 3,14159...
Formato da curva
O formato da curva normal assemelha-se à forma de um sino.
μ
média = mediana = moda
Abrangência em função do desvio-padrão
Cerca de 68,26% da probabilidade total está entre a média e 1 desvio-padrão.

Cerca de 95,44% da probabilidade total está entre a média e 2 desvios-padrão.
Cerca de 99,73% da probabilidade total está entre a média e 3 desvios-padrão.
Observe graficamente:
99, 73%
95,44%
68,26%
- 3σ - 2σ - 1σ μ + 1σ + 2σ + 3σ
Normal
192
Área sob a curva
Quando calculamos a área total sob a curva normal sempre encontramos

resultado igual a 1.
Isso significa 100% quando estamos investigando as probabilidades.
área total = 1
Simetria
A curva é simétrica em relação à média, portanto 50% da probabilidade

está antes da média, que chamamos de ramos esquerdo,
e 50% depois da média, denominado ramo direito.
0,5 0,5
Parâmetros
Lembrando que a distribuição fica completamente definida por seus parâmetros

e a distribuição Normal tem como parâmetros a média μ e a variância σ2.
193
Notação
X ~(N μ σ2 )
Lê-se: A variável aleatória “X” obedece a uma distribuição Normal,

com parâmetros μ e σ2, sendo μ = média e σ2 = variância.
Simetria
As medidas de posição, média, mediana e moda são coincidentes na curva Normal.

Assíntodas
A curva normal é assintótica em relação ao eixo-x, ou seja,

tende a zero para valores tendendo a mais infinito ou menos infinito.
194
Pontos de Inflexão
A curva normal apresenta dois pontos de inflexão,

invertendo a concavidade quando x = +1σ e x = -1σ.
- 1σ μ + 1σ
Como calcular as probabilidades com o modelo de distribuição Normal?
Seja uma variável aleatória normal com média igual a 5 e a variância igual a 4. Suponha-
mos que desejamos calcular a probabilidade de a variável aleatória estar entre 3 e 6.
Como vimos, para determinar essa probabilidade basta determinarmos o valor da área
sob a curva no intervalo considerado.
σ=2
3 5 6
1
e- (x-5) .
6 2
Para calcular essa área e se resolvermos a integral: ∫3
2 2π 2·4
E coloquemos como reposta 0.532807.
Logo, P(3<X<6) 53,28%
Como o cálculo dessa integral não é nada trivial, já que ela não pode ser resolvida analiti-
camente, temos outra opção para determinarmos a área sob a curva, que irá fornecer-nos
a probabilidade. Vamos, então, fazer uma padronização na curva Normal e determinar a
195
área sob a curva usando simplesmente uma tabela, em vez de calcularmos essa integral
pelo desenvolvimento em série. Para isso, vamos fazer uma transformação linear da va-
riável aleatória Normal para variável aleatória padronizada.
Distribuição Normal Padrão ou Curva Normal Padronizada
Também chamada de Standartizada ou reduzida, é a distribuição Normal com média

igual a zero (μ = 0), variância igual a 1, (σ2= 1) ,e consequentemente o desvio-padrão igual
a 1 (σ =1).
Seja X uma variável aleatória com distribuição N (μ, σ2).
Consideremos a transformação linear de X para Z-score:
X-μi
Z=
σ
Com isso, pode-se demonstrar que a média é sempre igual a zero e a variância
sempre igual a 1.
μ = 0 e σ 2= 1
Logo, o modelo matemático ficha reduzido a:

1 Z2
f(x) = e -
2π 2
Z ∈ (-∞ + ∞)
Sendo assim, o formato da curva:
Figura: Curva Normal Padronizada.
σ=1
μ= 0
196
Com o intuito de auxiliar no cálculo das áreas sob a curva, que, como já vimos, são de difí-
cil resolução, usaremos a distribuição Normal Padrão. Nessa distribuição as áreas sob a
curva já foram calculadas e estão apresentadas em tabelas. Serão essas as tabelas que
nos auxiliarão nos cálculos das probabilidades.
Existem vários tipos de tabelas, porém as mais utilizadas são as que oferecem a área
para valores de z-score até a média e também que mostram a área cumulativa. Para esse
Tabela
estudo escolhemos utilizar dadisponibilizada
a tabela Distribuiçãoa seguir.
Normal
DISTRIBUIÇÃO NORMAL – ÁREA DE 0 até K => probabilidade da variável z estar entre 0 e k
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
1,9
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,2
0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,3
0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,4
0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,5
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,7
0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,8
0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
2,9
0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3
0,4990 0,4991 0,4991 0,4991 197
0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,1
0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,2
0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,5
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,7
0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,8
0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
2,9
0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3
0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,1
0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,2
0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,3
0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,4
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,6
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8
0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
3,9
4 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
Fonte: http://ead.uva.br///recurso/DEF/EST/u3_c3_r1/anexo/Tabela-da-Distribuicao-Normal.pdf
Importante
Ao escolher uma tabela precisamos estar atentos ao tipo de probabilidade que

ela apresenta.
Existem tabelas que fornecem a área:
1- de 0 a k
2- de - ∞ a k
3- de k a + + ∞
Normalmente, essa informação vem no cabeçalho da tabela.
Os nossos exercícios Tabela

serão resolvidos com a tabela
da Distribuição do tipo 1, conforme pode-
Normal
mos ver no cabeçalho:
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
Como devemos 0,1179
usar a tabela
0,1217 0,1255
de0,1293
distribuição
0,1331
Normal
0,1368
padrão?
0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
1º Calcular
0,5 o0,1915
valor de Z com
0,1950 a fórmula
0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
X 0,6
-μ 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
Z= 0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
σ 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
arredondando com 0,3186
0,9 0,3159 a precisão 0,3212 de0,3238
duas 0,3264
casas decimais.
0,3289 0,3315 Algumas
0,3340 tabelas
0,3365 não apresen-
0,3389
tam valores
1 negativos
0,3413 0,3438 para Z, porém
0,3461 0,3485 como
0,3508 a 0,3531
curva 0,3554
Normal0,3577 é simétrica
0,3599 em relação à
0,3621
0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
média, o sinal não terá nenhuma relevância e poderá ser desprezado.
1,1
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5 198
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
2º Identificar a parte inteira e a primeira casa decimal, na primeira coluna da tabela.
3º Identificar a segunda casa decimal, na primeira linha com valores na tabela.
4º Fazer o cruzamento da linha com a coluna e buscar o valor da área sob a curva de
zero até z.
Vejamos um exemplo a seguir.
Exemplo
Considere X ≥ 800, μ =850, σ 45
1 - Calculando o Z-score:
X-μ 80 - 8500
Z= = = -1,111111
σ 45
pela simetria da curva Normal = 1,111111. Com precisão de duas casas decimais vamos
considerar Z=1,11
2 - Vamos buscar na primeira coluna da tabela o valor 1,1
Primeira Tabela da Distribuição Normal

coluna
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
3 - Na 1,5
primeira0,4332 linha com valores
0,4345 0,4357 na tabela,
0,4370 identificamos
0,4382 0,4394 a segunda
0,4406 0,4418 casa decimal,
0,4429 0,4441 no
caso 0,01
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
1,9
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2
2,1 0,4821 0,4826 0,4830 0,4834 0,4838
199 0,4842 0,4846 0,4850 0,4854 0,4857
0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,2
0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
Tabela da Distribuição Normal
Primeira DISTRIBUIÇÃO NORMAL – ÁREA DE 0 até K => probabilidade da variável z estar entre 0 e k
linha z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
de valores 0 0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
Logo, temos este
1,5 Tabela
resultado:
0,4345 da Distribuição
0,4332
0,4357 0,4370 0,4382 Normal
0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
DISTRIBUIÇÃO 1,8 0,4641
NORMAL – Á0,4649 0,4656
REA DE 0 até K0,4664 0,4671 0,4678
=> probabilidade da 0,4686 0,4693
variável z estar 0,4699
entre 00,4706
e k
0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
z 0 1,9
0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
0 2
0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,1
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1 2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
0,2 0,0793 0,0832 0,4893

0,0871 0,4896 0,0910
0,4898 0,0948
0,4901 0,0987
0,4904 0,1026 0,4909
0,4906 0,1064 0,4911 0,1103
0,4913 0,1141
0,4916
2,3
0,1179 0,1217 0,1255 0,4920 0,1293
0,4922 0,1331 0,1368 0,1406 0,4931
0,1443 0,4932 0,1480 0,1517
0,3 2,4 0,4918 0,4925 0,4927 0,4929 0,4934 0,4936
0,4 0,1554 2,5 0,4938

0,1591 0,1664 0,4940 0,1664
0,4941 0,1700
0,4943 0,4945
0,1736 0,4946
0,1772 0,4948
0,1808 0,4949 0,1844
0,4951 0,4952
0,1879
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,7
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6 2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
0,2580 0,2611 0,4981
0,2642 0,4982 0,2673 0,2704 0,2734 0,2764 0,4985
0,2794 0,4985 0,2823 0,2852
0,7 2,9 0,4982 0,4983 0,4984 0,4984 0,4986 0,4986
0,2881 0,2910 0,2939 0,4987 0,2967

0,4987 0,2995 0,3023 0,3051 0,4989
0,3078 0,4989 0,3106 0,3133
0,8 3 0,4987 0,4988 0,4988 0,4989 0,4990 0,4990
0,9 0,3159 3,1 0,4990

0,3186 0,3212 0,4991 0,3238
0,4991 0,4991
0,3264 0,4992
0,3289 0,4992
0,3315 0,4992
0,3340 0,4992 0,3365
0,4993 0,4993
0,3389
0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
0,3413 3,2
0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,3
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,4
0,3849 0,3869 0,4998
0,3888 0,4998 0,3907 0,3925 0,3944 0,3962 0,4998
0,3980 0,4998 0,3997 0,4015
1,2 3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
0,4032 0,4049 0,4066 0,4998 0,4082

0,4999 0,4099 0,4115 0,4131 0,4999
0,4147 0,4999 0,4162 0,4177
1,3 3,6 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999
1,4 0,4192 3,7 0,4999

0,4207 0,4222 0,4999 0,4236
0,4999 0,4251
0,4999 0,4999
0,4265 0,4999
0,4279 0,4999
0,4292 0,4999 0,4306
0,4999 0,4999
0,4319
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
0,4332 3,8
0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
3,9
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
4 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
1,9
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,2
0,4893 0,4896 0,4898 0,4901 0,4904
200 0,4906 0,4909 0,4911 0,4913 0,4916
2,3
0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,4
4 - Fazemos o cruzamento da linha com a coluna e identificamos o valor da área sob a
curva de zero até z.
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665
0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
Logo a0,4332
área de 0,4345
zero até0,4357
z=1,11 será
0,4370 a mesma
0,4382 área de zero
0,4394 até Z=-1,11
0,4406 0,4418 que é 0,3665
0,4429 0,4441
1,5
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
Como
1,7 calcular
0,4554 a probabilidade
0,4564 0,4573 de qualquer
0,4582 0,4591 distribuição
0,4599 Normal?
0,4608 0,4616 0,4625 0,4633
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
Para
1,9 determinar
0,4719 0,4726 utilizando
0,4732 a distribuição
0,4738 0,4744 Normal,0,4756
0,4750 devemos seguir
0,4761 os se-
0,4767
guintes
2 passos:0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
0,4772
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 1º)0,4861
Determine0,4864 os valores
0,4868 da média0,4875
0,4871 μ e do 0,4878
desvio-padrão
0,4881 σ0,4884
e nomeie a distribuição
0,4887 0,4890
2,3 Normal:
0,4893 X~N(μ,
0,4896 σ 2)0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,4
2,5 2º)0,4938
Enuncie 0,4940 0,4941
a probabilidade 0,4943
pedida.0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 3º)0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971

Transforme a variável aleatória Normal para Normal padronizada através
0,4972 0,4973 0,4974
2,8 da0,4974
fórmula:
0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
2,9
X-μ
3 Z0,4987
= 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
0,4990
σ 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,1
0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,2
4º)0,4995
Esboce0,4995
o gráfico das curvas
0,4995 0,4996 e destaque
0,4996 a região0,4996
0,4996 cuja área será investigada
0,4996 0,4996 para
0,4997
3,3
determinar
0,4997 0,4997 pedida.0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
0,4997
3,4
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,6
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7
201
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8
0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
3,9
Importante
Este passo é o mais importante, pois com o desenho não precisamos ficar de-
corando se devemos somar 0,5, diminuir 0,5, ou não fazer nada. Apenas com-
paramos o desenho da área obtida na tabela e o desenho do que queremos
determinar para concluirmos o que temos que fazer.
5º) Utilize a tabela da distribuição Normal padronizada e busque o valor da área.
6º) Finalize com o valor da área sob a curva e o desenho do item 4, faça os ajustes
necessários e determine a probabilidade solicitada.
Vejamos alguns exemplos com os passos apresentados. É importante observar que

cada exemplo mostra uma região da curva diferente. E, em cada região, os cálculos são
diferentes. Por isso, há um número grande de exemplos apresentados.
Essa parte é importante, pois a maioria dos problemas de probabilidades poderão ser
resolvidos ou aproximados pela distribuição Normal.
Exemplo 1
Exemplifica o cálculo da probabilidade na qual a variável aleatória Normal padrão (z-score)

é menor ou igual a um determinado valor negativo.
Enunciado: Em agosto de 2020, um brasileiro passou em média 77 horas conectado à

internet navegando em redes sociais. Suponha que os tempos estejam normalmente
distribuídos e que o desvio-padrão seja de 20 horas.
Pergunta-se:
Qual é a probabilidade de um brasileiro, escolhido aleatoriamente, ter passado menos de
50 horas conectado à internet em agosto de 2020?
Resolução:
1º) Determine os valores da média μ e do desvio-padrão σ e nomeie a distribuição

Normal: neste caso  X~N(77,202).
202
2º) Enuncie a probabilidade pedida: P(X ≤ 50) = ?
3º) Transforme a variável aleatória Normal para Normal padronizada a partir

da fórmula:
X-μ 50 - 77
Z= = = - 1,35
σ 20
4º) Desenhe as curvas e destaque a região cuja área será investigada para determinar
a probabilidade pedida.
σ=20 σ=1
50 μ=77 -1,35 0
Distribuição Normal Distribuição Normal Padronizada
P(X ≤ 50) = P(Z ≤ -1,35)

Para Z=1,35  A=0,4115 Tabela da Distribuição Normal
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115
0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5
1,6 0,4452 0,4463 0,4474 0,4484 203
0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
σ=1
Área tabelada
Área a ser determinada
-1,35 0
Distribuição Normal Padronizada
6º) Faça alguns ajustes para chegar à reposta correta, porque a área a ser determi-
nada é diferente da área tabelada. Como vimos, a área total sob a curva Normal é
igual a 1 e, pela simetria da curva, 0,5 antes da média e 0,5 depois da média.
Verificamos que:
Área a ser determinada + área tabelada =0,5

Área a ser determinada = 0,5 – área tabelada
Área a ser determinada = 0,5 – 0,4115 = 0,0885
Logo, a probabilidade pedida será igual à área a ser determinada:
P(X ≤ 50) = P(Z ≤ -1,35)= 0,0885 = 8,85%
Podemos concluir que a probabilidade de que uma pessoa selecionada ao aca-

so tenha ficado menos de 50 horas nas redes sociais no mês de agosto de 2020
é igual a 8,85%.
Exemplo 2
Exemplifica a probabilidade na qual z-score é menor ou igual a um determinado

valor positivo.
Enunciado: Suponhamos que o tempo médio que os alunos da Universidade Veiga de

Almeida levam para sair de casa e chegar à universidade é igual a 58 minutos. Considere
que a distribuição do tempo gasto nesse percurso seja normal, com desvio-padrão igual
a 12 minutos. Determine a probabilidade de um aluno selecionado aleatoriamente ter
demorado menos de 76 minutos para chegar à faculdade.
204
Resolução:

Normal: X~N(58;122)
2º) Enuncie a probabilidade pedida: P(X ≤ 76) = ?
3º) Transforme a variável aleatória Normal para Normal padronizada a partir

da fórmula:
X-μ 76 - 58
Z= = = 1,5
σ 12
4º) Desenhe as curvas e destaque a região cuja área será investigada para determi-
nar a probabilidade pedida.
σ=12 σ=1
μ=58 76 0 1,5
P(X ≤ 76) = P(Z ≤ 1,5)

Para Z=1,50 temos A=0,4332
205
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
0,4332
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 Área a0,4756
0,4750 ser determinada
0,4761 0,4767
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2 Área tabelada σ=1
2,1 0,4821 0,4826 A = 0,4332
0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,2
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4332
0,5 0,4913 0,4916
0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,4
0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,5
μ=0 1,5 0,4957 μ=0 0,4963 1,5
2,6 0,4953 0,4955 0,4956 0,4959 0,4960 0,4961 0,4962 0,4964
Distribuição Normal Padronizada Distribuição Normal0,4973
Padronizada
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4974
0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,8
0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
2,9 Fonte: Elaborada pela autora (2020).
0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3
0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,1
6º) Como a área a ser determinada é diferente da área tabelada precisamos fazer
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
alguns ajustes para chegar à reposta correta.
0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,3
0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,4
Verificamos
0,4998 que:
0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,5
0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,6
Área
3,7 a ser determinada
0,4999 0,4999 0,4999 = 0,5 + área0,4999
0,4999 tabelada 0,4999 0,4999 0,4999 0,4999 0,4999
Área
0,4999 0,4999 0,4999 = 0,5 +0,4332
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
Área
0,5000 0,5000 0,5000 = 0,9332
0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
4 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
206
P( X ≤ 76) = P(Z ≤ 1,5) = 0,9332 = 93,32%
Podemos concluir que a probabilidade de um aluno levar menos de 76 minutos para

chegar na universidade é igual a 93,32%
Exemplo 3
Exemplifica o cálculo da probabilidade em que a z-score é maior ou igual a um determi-

nado valor negativo.
Enunciado: Os “pesos” (massa corporal) dos frequentadores de uma academia de ginás-

tica são normalmente distribuídos, com média de 65,3kg e desvio-padrão 5,5.
Um frequentador é selecionado ao acaso. Determine a probabilidade de seu peso ser

maior do que 63,2 kg.
Resolução:

Normal: X~N(65,3;5,52)
2º) Enuncie a probabilidade pedida: P(X ≥ 63,2) = ?
3º) Transforme a variável aleatória Normal para Normal padronizada a partir da fórmula:
X-μ 63,2 - 65,3
Z= = = - 0,38
σ 5,5
4º Desenhe as curvas e destaque a região cuja área será investigada para determi-
207
σ=5,5 σ=1
63,2 μ=65,3 - 0,38 μ=0

P( X ≥ 63,2) = P(Z ≥ -0,38)
Para Z = -0,38 usaremos z = 0,38, pois as áreas são idênticas para os dois valores.
A = 0,1480
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480

0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
Área tabelada
0,6 0,2257 0,2291 σ=1
0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 σ=1
0,2517 0,2549
A =0,7
0,1480 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 Área
0,2852 a ser
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 determinada
0,3133
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,1480
0,3577 0,5
0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
- 0,38 μ=0 - 0,38 μ=0
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
Distribuição Normal Padronizada Distribuição Normal Padronizada
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
6º) Faça alguns ajustes para chegar à reposta correta, porque a área a ser0,4767
determi-
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761
nada é diferente
0,4772 0,4778
da0,4783
área tabelada.
0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,2
0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,3
0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,4 208
0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,5
Verificamos que:
Área a ser determinada = 0,5 + área tabelada

Área a ser determinada = 0,5 +0,1480
Área a ser determinada = 0,6480
P( X ≥ 63,2) = P(Z ≥-0,38) = 0,6480 = 64,8%
Podemos concluir que a probabilidade que um frequentador da academia seleciona-

do ao acaso tenha seu peso superior a 63,2kg é igual a 64,8%.
Exemplo 4
Exemplifica o cálculo da probabilidade na qual z-score é maior ou igual a um determi-

nado valor positivo.
Enunciado: Em 2019 o valor médio de gastos das famílias brasileiras é de R$ 5.700,00

por mês. Suponha que os gastos mensais tenham uma distribuição normal e que o des-
vio-padrão seja igual a R$ 1.500,00. Uma família é selecionada ao acaso. Determine a
probabilidade dessa família ter um gasto mensal superior a R$ 7.000,00.
Resolução:

Normal: X~N(5700;15002)
2º) Enuncie a probabilidade pedida: P(X ≥ 7000) = ?
X-μ 7000 - 5700
Z= = = 0,87
σ 1500
209
σ=1500 σ=1
μ=0 5700 μ=0 0,87

P( X ≥ 7000) = P(Z ≥ 0,87)

Para Z=0,87  A=0,3078
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8 0,3078
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 Área tabelada
0,3729 0,3749 = 0,30780,3790
0,3770 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
Área a ser
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3 determinada
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
μ=0 0,87
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
0,4713 0,4719 0,4726 Distribuição
0,4732 Normal 0,4744
0,4738 Padronizada
0,4750 0,4756 0,4761 0,4767
1,9
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2 Fonte: Elaborada pela autora (2020).
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,2
2,3 0,4893 0,4896 0,4898 0,4901 210
0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,4
6º) Como a área a ser determinada é diferente da área tabelada precisamos fase
alguns ajustes para chegar à reposta correta.
Verificamos que:
Área a ser determinada+ área tabelada = 0,5

Area a ser determinada = 0,5 – área tabelada
Área a ser determinada = 0,5 – 0,3078 = 0,1922
Logo, a probabilidade pedida será igual a área a ser determinada:

P( X ≥ 7000) = P(Z ≥ 0,87) = 0,1922= 19,22%
Podemos concluir que a probabilidade que uma família selecionada ao acaso tenha
gasto mensal superior a R$ 7.000,00 é igual a 19,22%.
Exemplo 5
Exemplifica o cálculo da probabilidade em que a z-score está entre dois valores determi-
nados antes da média.
Enunciado: A quantia média anual que os moradores da cidade do Rio de Janeiro gastam
por ano em aplicativos de transportes individuais R$ 1.649,00. Suponha que a quantia
gasta tenha uma distribuição normal com desvio-padrão igual a R$ 843,00.
Determine a probabilidade de uma pessoa selecionada ao acaso gastar entre R$ 1.042,00

e R$ 1.568,00
Resolução:

Normal: X~N(1649;8432)
2º) Enuncie a probabilidade pedida: P(1042 < X <1 568) = ?
X-μ 1042 - 1649

Para X = 1042  Z1 = = = - 0,72
σ 843
211
X-μ 1568 - 1649
Para X=1568  Z2 = = = - 0,10
σ 843
σ=843 σ=1
1042 1568 - 0,72 - 0,10

μ=1649 μ=0
P(1042 < X < 1568) = P(-0,72 < Z <-0,10)
5º) Utilize a tabela da distribuição Normal padronizada e busque o valor das áreas.
Primeiramente para Z=-0,72 ou Z=0,72 já que as duas áreas são idênticas para esses
valores  A = 0,2642Tabela da Distribuição Normal
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7 0,2642
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3 212
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
Agora para Z = -0,10 ou Z = 0,10 já que as duas áreas são idênticas para esses valo-
res A = 0,0398
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1 0,0398
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
Área tabelada Área tabelada 0,1772 Área0,1808
a ser
0,4 0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1844 0,1879
para Z = 0,72 para Z = 0,10 determinada
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
A =0,5
0,2642 A = 0,0398
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6 σ=1 σ=1 σ=1
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
- 0,72 - 0,10 - 0,72 - 0,10 - 0,72 - 0,10
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
μ=0 μ=0 μ=0
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3 Distribuição Normal Distribuição Normal Distribuição Normal
1,4 Padronizada
0,4192 0,4207 0,4222 0,4236 Padronizada
0,4251 0,4265 0,4279 0,4292 Padronizada
0,4306 0,4319
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
6º) 0,4641
Observe0,4649
o colorido
0,4656 a área A1. Se
0,4664 apagarmos
0,4671 0,4678 em A1 a área
0,4686 0,4693 A2, 0,4699
vamos ficar
0,4706 exa-
1,8
tamente
1,9 0,4713 com a área
0,4719 a ser determinada.
0,4726 0,4732 0,4738 Portanto:
0,4744 0,4750 0,4756 0,4761 0,4767
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2
Área
2,1 a ser determinada=
0,4821 0,4826 0,4830 área tabelada
0,4834 0,4838 1 - área
0,4842 tabelada
0,4846 2 0,4850 0,4854 0,4857
Area
0,4861 0,4864 0,4868 = 02642
0,4871 – 0,4875
0,0398 0,4878 0,4881 0,4884 0,4887 0,4890
Área
0,4893 0,4896 0,4898
= 0,2244
0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,4
0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,5
Logo, a probabilidade pedida será igual a área a ser determinada:
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,7
P(1042 < X < 1568) = P(-0,72 < Z<-0,10) = 0,2244 = 22,44%
0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,8
0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
2,9
Então, a probabilidade
0,4987 0,4987
de uma
0,4987
pessoa
0,4988
selecionada
0,4988 0,4989
ao acaso0,4989
0,4989
gastar entre
0,4990
R$0,4990
1.042,00
3
e R$ 1.568,00
0,4990 em aplicativos
0,4991 0,4991 de transporte
0,4991 0,4992 é igual a0,4992
0,4992 22,44% 0,4992 0,4993 0,4993
3,1
0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,2
Exemplo 6
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,4
Exemplifica
3,5 0,4998 o cálculo
0,4998 da0,4998
probabilidade
0,4998 em que a0,4998
0,4998 z-score0,4998
está entre
0,4998 dois0,4998
valores0,4998
determi-
nados
3,6 que contenham a média.
0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8
0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
3,9 213
4 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
Vamos resolver o exemplo que apresentamos no início do estudo da distribuição Normal,
que foi determinado com a resolução da integral. Agora, vamos resolvê-lo com o uso da
tabela da distribuição normal padronizada.
Enunciado: Supondo que uma variável aleatória Normal apresente a média igual a 5 e a
variância igual a 4, determine a probabilidade de a variável aleatória estar entre 3 e 6.
Resolução:

Normal: X~N(5;22)
2º) Enuncie a probabilidade pedida: P(3 ≤ X ≤ 6) = ?
X-μ 3-5
Para X = 3  Z1 = = =-1
σ 2
X-μ 6-5
Para X = 6  Z2 = = = - 0,5
σ 2
σ=1
-1 μ=0 0,5
5º) Utilize a tabela da distribuição Normal padronizada e busque o valor das áreas.
Primeiramente para Z=-1 ou Z=1. Com duas casas decimais Z = 1,00  A=0,3413
214
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
1,3
Agora para0,4049
0,4032 Z=0,5 . Com Tabela
0,4066 duas da
casas
0,4082 Distribuição
decimais
0,4099 Z=Normal
0,4115 0,50  A=0,1915
0,4131 0,4147 0,4162 0,4177
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
DISTRIBUIÇÃO N ORMAL – Á REA D E 0 a té K = > p robabilidade d a v ariável z e star e ntre 0 e k
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
1,7 0,4554
0
0,4564
0,0040
0,4573
0,0080
0,4582
0,0120
0,4591
0,0160
0,4599
0,0199
0,4608
0,0239
0,4616
0,0279
0,4625
0,0319
0,4633
0,0359
0
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
0,2 0,0793
0,4772
0,0832
0,4778
0,0871
0,4783
0,0910
0,4788
0,0948
0,4793
0,0987
0,4798
0,1026
0,4803
0,1064
0,4808
0,1103
0,4812
0,1141
0,4817
2
0,3 0,1179
0,4821
0,1217
0,4826
0,1255
0,4830
0,1293
0,4834
0,1331
0,4838
0,1368
0,4842
0,1406
0,4846
0,1443
0,4850
0,1480
0,4854
0,1517
0,4857
2,1 0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,2 0,1915
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,3 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,4 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,5 Área tabelada 0,3078 Área tabelada
0,8 0,2881
0,4953
0,2910
0,4955
0,2939
0,4956
0,2967
0,4957
0,2995
0,4959
0,3023
0,4960
0,3051
0,4961 0,4962
0,3106
0,4963
0,3133
0,4964
2,6 para z = -10,3186 para
0,3365 z = 0,5
0,9 0,3159
0,4965 0,4966
0,3212
0,4967
0,3238
0,4968
0,3264
0,4969
0,3289
0,4970
0,3315
0,4971
0,3340
0,4972 0,4973
0,3389
0,4974
2,7 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
1,2 0,3849 0,3869
0,4987 0,3413
0,4987
0,3888
0,4987
0,3907
0,4988
0,3925
0,4988
0,3944
0,4989
0,3962
0,4989
0,3980
0,4989 0,1915
0,3997
0,4990
0,4015
0,4990
3
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
3,2 0,4993
-1
0,4993
μ=0 0,5
0,4994 0,4994 0,4994 0,4994 0,4994 0,4995
0,4406 -1 0,4418
μ=0 0,4429
0,4995 0,4995
0,5 0,4441
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
1,6 0,4452
0,4997
0,4463
0,4997
0,4474
0,4997
0,4484
0,4997
0,4495
0,4997
0,4505
0,4997
0,4515
0,4997
0,4525
0,4997
0,4535
0,4997
0,4545
0,4998
Distribuição Normal
3,4 Padronizada 0,4599 Distribuição Normal0,4625 Padronizada
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4608 0,4616 0,4633
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
3,6 0,4998 0,4998 0,4999
Fonte:
0,4999
Elaborada
0,4999
0,4738 pela 0,4744
0,4999 0,4999
autora (2020).
0,4999 0,4999 0,4999
1,9 0,4713 0,4719 0,4726 0,4732 0,4750 0,4756 0,4761 0,4767
3,7 0,4999
0,4772
0,4999
0,4778
0,4999
0,4783
0,4999
0,4788
0,4999
0,4793
0,4999
0,4798
0,4999
0,4803
0,4999
0,4808
0,4999
0,4812
0,4999
0,4817
2
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
2,2 0,4861
0,5000
0,4864
0,5000
0,4868
0,5000
0,4871
0,5000
0,4875
0,5000
0,4878
0,5000
0,4881
0,5000
0,4884
0,5000
0,4887
0,5000
0,4890
0,5000
4
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,4
215
0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,5
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
Área a ser determinada
0,3413 0,1915
-1 μ=0 0,5
P( 3 ≤ X ≤ 6) = P(-1 ≤ Z ≤ 0,5)
6º) Como a área a ser determinada é exatamente a soma das duas áreas tabeladas
temos:
Área a ser determinada= área tabelada 1 + área tabelada 2

Area a ser determinada = 0,3413 +0,1915
Área a ser determinada = 0,5328
Logo, a probabilidade pedida será igual a área a ser determinada.
P(3 ≤ X ≤ 6) = P(-1 ≤ Z ≤ 0,5) = 0,5328 = 53,28%
Obtivemos o mesmo valor encontrado resolvendo a integral definida,
6 1 (x-5)2
∫3 e– 2 · 4
2 2π
porém com o cálculo de apenas uma adição de duas áreas. As tabelas simplificam sig-
nificativamente os cálculos.
Esse mesmo raciocínio do exemplo 6 será usado, caso seja preciso fazer o cálculo da
probabilidade em que a z-score está entre dois valores determinados depois da média.
Exemplo 7
É um exemplo inverso. Nesse caso, sabemos a probabilidade pela qual queremos deter-
minar o valor da variável aleatória.
216
Enunciado: As notas dos alunos de Estatística estão normalmente distribuídas com mé-
dia igual a 80 pontos e desvio-padrão igual a 5 pontos. A universidade vai premiar 10%
dos alunos que obtiverem as maiores notas na disciplina. Qual deve nota um aluno deve
obter para que seja premiado?
Resolução:
Observe que agora conhecemos a área sob a curva e precisamos determinar o z-score e
consequentemente o valor da variável aleatória.
Observe o desenho da situação:
σ=5 σ=1
10% ou 0,1 10% ou 0,1
μ=80 μ=0
??????? ???????
Como sabemos que a curva tem 50% das probabilidades antes da média e 50% depois
da média, então:
40% ou 0,4 40% ou 0,4
σ=5 σ=1
10% ou 0,1 10% ou 0,1
μ=80 μ=0
??????? ???????
217
Vamos buscar no corpo tabela de distribuição Normal padronizada o valor de z que gera
uma área igual a 0,4.
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2 0,3997
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
Com
1,4 isso, descobrimos o valor do z-score, Z=1,28
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5
0,4452 0,4463 0,4474 0,4484 0,4495 0,4505
1,6 determinarmos o valor da variável aleatória X, basta substituir os valores na fórmula: 0,4515 0,4525 0,4535 0,4545
Para
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
X-μ
Z1,9
= 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2
σ
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 X-
0,4861 800,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
1,28 =
2,3 0,4893
5 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,4
0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,5
1,28 · 5 = X - 80
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
6,42,7
= X - 80
0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,8
0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
2,9
6,4 + 800,4987
=X 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3
0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,1
86,4 = X0,4993
3,2 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,3
Logo,
3,4 podemos
0,4997 concluir0,4997
0,4997 que os 0,4997
estudantes0,4997 com notas iguais
0,4997 0,4997 ou superiores
0,4997 0,4997 a 86,4 serão
0,4998
premiados pela 0,4998

3,5 0,4998 universidade.
0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,6
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8
3,9 0,5000 0,5000 0,5000 0,5000 218
0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
4 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
Distribuições de Probabilidades com o Excel
A planilha eletrônica Excel tem a capacidade de calcular probabilidades de diversas dis-

tribuições de probabilidade. Apresentaremos, na tabela a seguir, os comandos das distri-
buições que foram estudados nesta unidade.
Distribuição Sintaxe Descrição
x: número de tentativas
bem-sucedidas.
n: número de repetições.
p = probabilidade de sucesso
Binomial = DISTRBIONOM (x; n; p; cumulativo) em cada tentativa.
Cumulativo: usado para acumular

as probabilidades. Tem valor
lógico 0 ou 1:
0  probabilidade pontual
1  probabilidade acumulada.
x: número de eventos.
μ: valor numérico esperado.
Poisson = POISSON (x; μ; cumulativo) Cumulativo: usado para acumular

lógico 0 ou 1:
0 probabilidade pontual.
x: valor cuja distribuição você

deseja obter.
μ: média aritmética da
distribuição.
Normal = DIST.NORM.N (x; μ; σ; cumulativo) σ = desvio-padrão da distribuição
Cumulativo: usado para acumular

lógico 0 ou 1:
0 probabilidade não acumulada.
219
Agora, com o auxílio da planilha eletrônica Excel resolveremos alguns dos exemplos prá-
ticos apresentados anteriormente.
Exemplo 1
Um professor de Estatística elaborou uma avaliação de múltipla escolha, que consiste

em 10 questões, cada uma com cinco alternativas para resposta e apenas uma dessas
alternativas tem a resposta correta. Suponha que os estudantes que irão a fazer a prova
não frequentaram as aulas e não estudaram para a avaliação. Sendo assim, eles irão
marcar a resposta aleatoriamente, o que informalmente chamamos de “chute”. Para ser
aprovado, o aluno deve acertar no mínimo sete questões. Um estudante é selecionado
ao acaso.
a) Qual é a probabilidade de ele “chutar” as 10 questões e acertar 7?
Sabemos que: X ~B(10,2)

Desejamos saber: P(X=7)
COMANDO RESPOSTA
= DISTRBINOM (7;10;0,2;0) 0,00078643
b) Qual é a probabilidade de ele ser aprovado?
Desejamos saber P(X ≥ 7)
COMANDO RESPOSTA
= DISTRBINOM (7;10;0,2;0) + DISTRBINOM (8;10;0,2;0) +

0,000864
DISTRBINOM (9;10;0,2;0) + DISTRBINOM (10;10;0,2;0)
Outra opção (usando a opção acumulada)
= 1- DISTRBINOM (6;10;0,2;1) 0,000864
c) Qual é o valor esperado de acertos nessas condições.
COMANDO RESPOSTA
= 10.0,2 2
220
d) O que podemos concluir de um aluno que não estuda e “chuta” as questões
da avaliação?
COMANDO RESPOSTA
Isso o Excel não faz. As conclusões ainda dependem da

?????
interpretação humana.
Exemplo 2
Intervalo de tempo
Uma concessionária de rodovias está interessada em modelar o número de carros que

chegam em uma determinada cabide de um pedágio em um período de 15 minutos. Para
isso, verifica-se que a chegada dos carros satisfaz às seguintes hipóteses:
• A probabilidade de um carro chegar ao pedágio é a mesma para dois períodos
quaisquer de igual duração.
• O fato de carros chegarem ou não em qualquer período independe da chegada ou
não de outro carro em qualquer período.
• Segundo dados históricos o número médio de carros que passam por esse trecho
da estrada é de 10 carros no período de 15 minutos.
Determine a probabilidade de:
a) Exatamente cinco carros chegarem em um período de 15 minutos nessa cabine.

b) Exatamente um carro chegar em um período de três minutos nessa cabine.
a) Como vimos na resolução analítica do exercício: X ~ P(10)

Desejamos saber P(X=5)
COMANDO RESPOSTA
= POISSON (5;10;0) 0,03783327
b) Como vimos na resolução analítica do exercício: X ~ P(2)

Desejamos saber P(X=1)
COMANDO RESPOSTA
= POISSON (1;2;0) 0,270671
221
Exemplo 3
Em agosto de 2020, um brasileiro passou em média 77 horas conectado à internet na-

vegando em redes sociais. Suponha que os tempos estejam normalmente distribuídos e
que o desvio-padrão seja de 20 horas.
Qual é a probabilidade de um brasileiro, escolhido aleatoriamente, ter passado menos

de 50 horas conectado à internet em agosto de 2020?
Sabemos que: X ~ N (77,202)

Desejamos saber P(X ≤ 50)
COMANDO RESPOSTA
= DIST.NORM.N (50;77;20;1) 0,08850799
Exemplo 4
Os “pesos” (massa corporal) dos frequentadores de uma academia de ginástica são

normalmente distribuídos, com média de 65,3kg e desvio-padrão 5,5. Um frequentador é
selecionado ao acaso.
Determine a probabilidade de seu peso ser maior do que 63,2 kg.
Sabemos que: X ~ N (65,3;5,52)

Desejamos saber P(X ≥ 63,2)
COMANDO RESPOSTA
= 1 - DIST.NORM.N (63,2;65,3;5,5;1) 0,64870188
Exemplo 5
Supondo que uma variável aleatória Normal apresente a média igual a 5 e a variância
igual a 4.
Determine a probabilidade de a variável aleatória estar entre 3 e 6.
Sabemos que X ~ N (5;22)

Desejamos saber: P(3 ≤ X ≤ 6) = ?
222
COMANDO RESPOSTA
= DIST.NORM.N (6;5;2;1) - DIST.NORM.N (3;5;2;1) 0,53280721
Ampliando o foco praticando
Para colocar em prática o conteúdo visto nesta unidade, visite a Biblioteca

Virtual, escolha um livro de Estatística, selecione e faça alguns exercícios do
livro para reforçar o conhecimento.
223
MIDIATECA

NA PRÁTICA
O problema da Grear Tire Company
Suponha que a Grear Tire Company tenha desenvolvido um pneu radial com
cinturão de aço, que será vendido por meio de uma cadeia nacional de discount
stores. Uma vez que esse tipo de pneu é um novo produto, os gerentes da Grear
acreditam que a durabilidade (em termos de milhas rodadas) oferecida com o
pneu será um fator importante na aceitação do produto. Antes de definirem os
termos do contrato de garantia de durabilidade do pneu, os gerentes da Grear
desejam obter informações de probabilidade a respeito do número de milhas
que os pneus durarão.
A partir dos testes reais de estrada com os pneus, a equipe de engenharia da

Grear estima que a durabilidade média dos pneus é μ = 36.500 milhas (58.741
km) e que o desvio-padrão é σ = 5000 milhas. Além disso, os dados coletados
indicam que a distribuição Normal é uma suposição razoável.
Qual a porcentagem de os pneus possivelmente durarem mais de 40.000

milhas (64.373 km)?
Utilizando os conceitos da distribuição Normal chegamos facilmente à reposta,

ou seja 24,2% dos pneus terão durabilidade maior do que 40.000 milhas.
Imagine que a Grear esteja considerando a possibilidade de dar uma garantia

que concede um desconto na troca de pneus se os originais não resistirem ao
número de milhas estipulado na garantia.
224
Qual deve ser o número de milhas coberto pela garantia, levando-se em conta
que a Grear quer que não mais do que 10% dos pneus sejam habilitados à
garantia do desconto?
Utilizando os conceitos da distribuição Normal chegamos à reposta: uma ga-

rantia de 30.100 milhas cumprirá o requisito de que aproximadamente 10% dos
pneus se habilitem à garantia. Talvez com essa informação, a empresa possa
fixar a garantia de durabilidade de seis pneus em 30 mil milhas. Logo, consta-
tamos o importante papel que as distribuições de probabilidade desempenham
em termos de produzir informações para a tomada de decisões. Ou seja, assim
que uma distribuição de probabilidade é estabelecida para uma aplicação em
particular, ela pode ser usada rápida e facilmente para se obter informações a
respeito do problema.
A probabilidade não determina a recomendação de uma decisão diretamente,

mas fornece informações que ajudam o tomador de decisão a entender melhor
os riscos e as incertezas associadas ao problema. Por fim, essas informações
podem auxiliá-lo a tomar uma boa decisão.
(Texto extraído do livro citado na fonte a seguir.)
Fonte:
SWEENEY, D. J.; WILLIAMS, T. A.; ANDERSON, D. R. Estatística aplicada à ad-
ministração e economia. 3. ed. São Paulo: Cengage Learning, 2013.
225
Resumo da Unidade 3
Nesta unidade ampliamos o estudo da Teoria das probabilidades. Apresentamos os mo-

delos matemáticos que auxiliam na determinação das probabilidades de maneira fácil e
metódica.
Abordamos as distribuições de probabilidades para variáveis aleatórias discretas e para

variáveis aleatórias continuas. A principal diferença conceitual entre as distribuições dis-
cretas e continuas é que as distribuições discretas nos revelam a probabilidade de a
variável aleatória assumir valores pontuais. Já as distribuições continuas fornecem a pro-
babilidade a partir do cálculo da área sob a curva.
Também estudamos as distribuições discretas: a Binomial e a de Poisson, enquanto as

distribuições continuas apresentadas foram a Normal e a Normal Padronizada. Vimos
que a distribuição Normal tem grande importância para a Estatística e será utilizada tam-
bém em inferência estatística.
Por fim, apresentamos os comandos para utilizar as distribuições de probabilidades com

a planilha eletrônica Excel, que facilitam ainda mais a determinação das probabilidades.
226
Referências
COMO usar as tabelas da Distribuição Normal. YouTube. 08/10/2013. Disponível em:

https://youtu.be/ec9HWoY2kt8. Acesso em: 6 set. 2020.
CURVA Normal. Disponível em: https://www.geogebra.org/m/whcbqg3r Acesso em:

3 set. 2020.
DISTRIBUIÇÃO binomial de probabilidade. YouTube. 25/09/2013. Disponível em: https://

www.youtube.com/watch?v=V2sfnVikFXA. Acesso em: 6 set. 2020.
KOKOSKA, S. Introdução à estatística: uma abordagem por resolução de problemas. Rio

de Janeiro: LTC, 2013.
SWEENEY, D. J.; WILLIAMS, T. A.; ANDERSON, D. R. Estatística aplicada à administração

e economia. 3. ed. São Paulo: Cengage Learning, 2013.
TABELA da Distribuição Normal padronizada. UVA. Disponível em: http://ead.uva.br///recur-

so/DEF/EST/u3_c3_r1/anexo/Tabela-da-Distribuicao-Normal.pdf Acesso em: 5 set. 2020.
VARIÁVEIS aleatórias. Khan Academy. Disponível em: https://pt.khanacademy.org/math/

statistics-probability/random-variables-stats-library. Acesso em: 4 set. 2020.
227
UNIDADE 4
Intervalos de confiança e
Relação entre variáveis
INTRODUÇÃO
Iniciamos os estudos desta disciplina falando da Estatística Descritiva, com suas técni-
cas para resumir um conjunto de dados por meio de tabelas, criar e apresentar gráficos
e ainda para calcular as medidas de posição e dispersão. Depois, vimos a teoria da pro-
babilidade e os modelos probabilísticos, discretos ou contínuos.
Agora, nesta unidade, esses conhecimentos serão utilizados no estudo de um significativo

ramo da Estatística, denominado de Inferência Estatística. A Inferência tem como objetivo
fornecer as ferramentas necessárias para fazermos generalizações sobre uma população,
a partir de evidências fornecidas por uma amostra representativa, retirada desta população.
Tópico 1 – Intervalos de Confiança para médias e proporções e cálculo do tamanho da

amostra.
Tópico 2 – Conceitos de Correlação, medindo o grau de associação entre duas variáveis.
Tópico 3 – Concepções da Regressão Linear buscando a determinação de um modelo
matemático que descreva o relacionamento entre duas variáveis aleatórias.
Com os conceitos de Intervalos de Confiança, Correlação e Regressão Linear seremos

capazes de aplicar os conhecimentos adquiridos em projetos de pesquisa científica e
na solução de problemas de nossa área de atuação com mais eficiência.
OBJETIVO
• Utilizar os conceitos da inferência estatística para a resolução de problemas

práticos.
229
Intervalos de confiança
Antes de apresentarmos os princípios dos Intervalos de Confiança, definiremos alguns

conceitos importantes para um melhor entendimento do conteúdo, que são: parâmetros,
estimadores e estimativas.
Parâmetros
São as características numéricas de uma população. Geralmente são representadas por

letras gregas, tais como, θ, μ , σ, ρ entre outras. Em nossos estudos adotaremos “θ” para
simbolizarmos parâmetros, “μ” para representarmos a média populacional, “σ” quando
nos referirmos ao desvio-padrão populacional, “σ²” para variância populacional e “ρ” para
o coeficiente de correlação populacional, entre outros.
Estimadores
Também chamados de “estatística” de um parâmetro, são as características numéricas

determinada na amostra. Geralmente representamos por θ̂ (teta chapéu). São exemplos
de estimadores: a média amostral (( X̅ )) , a variância amostral (s²), o desvio-padrão amos-
tral (s), o coeficiente de correlação amostral (r), entre outros.
Entre várias características que os estimadores possuem devemos escolher estimado-

res que sejam:
• Estimadores Não viciados, ou não tendenciosos ou, como dizemos em estatís-

tica, não viesados: são aqueles em que o seu valor esperado é igual ao parâmetro
estimado.
• Estimadores consistentes: são aqueles que à medida que o tamanho da amostra
aumenta, o estimador aproxima-se cada vez mais do parâmetro da população.
• Estimadores eficientes: são aqueles que são não enviesados e possuem variân-
cia mínima.
Estimativa
É valor numérico assumido por um estimador. Pode ser por ponto (um único valor) ou in-
tervalar (um intervalo de valores possíveis) de um parâmetro populacional desconhecido.
230
Agora que já entendemos sobre os conceitos basilares falaremos de Intervalo de Confiança.
Intervalo de confiança
É um intervalo numérico aberto, de modo que podemos estar seguramente certos ou

confiantes de que o verdadeiro valor do parâmetro pertencerá a esse intervalo. Para ini-
ciarmos a determinação de um intervalo de confiança devemos escolher qual o nível de
confiança que iremos trabalhar. Temos dois níveis. São eles:
É a porcentagem de que o intervalo de confiança contenha o

Nível de
parâmetro em amostragens repetidas. Os níveis de confiança
confiança
mais utilizados são: 90%, 95% e 99%.
Representado pela letra grega a, é o complementar do nível de

Nível de confiança, ou seja, se o nível de confiança for 90%, o nível de
significância significância será 10%; para 95% de confiança, 5% de significân-
cia e 99% de confiança, 1% de significância.
Intervalos de confiança para Média
Temos dois casos a considerar quando queremos construir um intervalo de confiança

para a média populacional.
1º caso: Intervalo de confiança para média populacional quando o desvio-padrão po-

pulacional é conhecido.
Para construirmos esse intervalo de confiança devemos seguir cinco passos. Vejamos:
1º) Verificar se a população obedece aos princípios de uma distribuição normal, ou asse-
gurar que o tamanho da amostra seja suficientemente grande, ou seja, n > 30.
2º) Identificar o valor numérico do desvio-padrão populacional (σ); da média amostral

( X̅ ) e o tamanho da amostra (n).
3º) Calcular, então, o desvio-padrão da média com a utilização da fórmula:
231
σ
σx =
n
Em que:
σ x = desvio-padrão da média
σ = desvio-padrão populacional
n = tamanho da amostra
4º) Determinar com auxílio da tabela de distribuição normal padronizada o valor de Z-s-
core em função do nível de confiança. Como vimos na Unidade 3, existem vários tipos
de tabela normal padronizada e por isso temos que ter bastante cuidado nessa etapa.
Na tabela disponibilizada em nosso curso, buscamos a metade no nível de confiança, no
corpo da tabela, para determinar Z-score.
5º) Substituir os valores já conhecidos na fórmula do intervalo de confiança:
IC = X̅ ± Zscore ∙ σ x
Vejamos alguns exemplos práticos a seguir.
Exemplo 1:
Considere que a altura dos alunos de Estatística estejam normalmente distribuídas com
o desvio-padrão populacional igual a 15 cm. Foi retirada uma amostra aleatoriamente,
composta de 100 alunos, e obteve-se a média amostral igual a 1,75 cm.
Determine o intervalo com 95% de confiança que contenha a verdadeira altura média
dos alunos de Estatística.
Resolução:
Vamos, então, determinar os cinco passos para construir esse intervalo de confiança, para
média μ, ao nível de confiança de 95%, com o desvio-padrão populacional conhecido:
Etapas Respostas
1º) Verificar se a população obedece

No enunciado verificamos que a popula-
aos princípios de uma distribuição
ção formada pela medida da altura dos
normal, ou assegurar que o tama-
alunos de Estatística está normalmente
nho da amostra seja suficientemente
distribuída.
grande, ou seja, n > 30;
232
σ = 15 cm
2º) Identificar o valor numérico do desvio-pa-
drão populacional (σ); da média amostral ( X̅ ) X̅ = 175 m
e o tamanho da amostra (n);
n = 100
3º) Calcular o desvio-padrão da mé-

dia com a utilização da fórmula: 15
σ σx = =1,5
σx = 100
n
Se o desvio-padrão populacional é co-

nhecido e o tamanho da amostra é maior
do que 30, vamos usar a tabela normal
padronizada para determinar o valor de
Z-score.
Verificamos que o nível de confiança soli-

citado foi de 95%.
Como nossa tabela oferece os valores de

zero até z, temos que dividir esse nível de
confiança por 2, ou seja,
4º) Determinar com o auxílio da ta-
bela de distribuição normal padroni-
zada o valor de Z-score em função 95% 47,5%
= 47,5% = = 0,475
do nível de confiança. Como vimos 2 100
na Unidade 3, existem vários tipos de
tabela normal padronizada e por isso Buscamos então, no corpo da tabela de
temos que ter bastante cuidado nes- distribuição normal padronizada
Tabela da Distribuição Normal esse valor:
sa etapa. Na tabela disponibilizada DISTRIBUIÇÃO NORMAL – ÁREA DE 0 até K => probabilidade da variável z estar entre 0 e k
em nosso curso, buscamos a meta- z

0
0
0
0,01 0,02
0,0040
0,03
0,0080
0,04
0,0120 0,0160
0,05 0,06
0,0199
0,07
0,0239
0,08
0,0279
0,09
0,0319 0,0359
de no nível de confiança, no corpo da 0,1

0,2
0,0398
0,0793
0,0438
0,0832
0,0478
0,0871
0,0517
0,0910
0,0557
0,0948
0,0596
0,0987
0,0636
0,1026
0,0675
0,1064
0,0714
0,1103
0,0753
0,1141
tabela, para determinar Z-score. 0,3

0,4
0,1179
0,1554
0,1217
0,1591
0,1255
0,1664
0,1293
0,1664
0,1331
0,1700
0,1368
0,1736
0,1406
0,1772
0,1443
0,1808
0,1480
0,1844
0,1517
0,1879
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
1,9
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,2
0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,3
Fonte: http://ead.uva.br///recurso/DEF/EST/u3_
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
c3_r1/anexo/Tabela-da-Distribuicao-Normal.pdf
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,7
0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,8
0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
2,9
0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3
0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,1
0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,2
233 3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,4
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,6
Depois de identificado o valor da metade do
nível de confiança no corpo da tabela, de-
terminamos o Z-score usando na primeira
coluna correspondente o valor da parte in-
teira e da primeira casa decimal (1,9) e na
primeira linha o valor da segunda casa de-
cimal (0,06): Tabela da Distribuição Normal
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
1,9
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,2
0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,3
0,4918 0,4920 0,4922 Logo,
0,4925 Z0,4927 = 1,960,4931
2,4 score 0,4929 0,4932 0,4934 0,4936
0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,5
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,7
0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,8
0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
2,9
0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3
3,1
3,2
0,4990
0,4993
0,4991
0,4993
IC = X̅ ± Zscore ∙ σx
0,4991
0,4994
0,4991
0,4994
0,4992
0,4994
0,4992
0,4994
0,4992
0,4994
0,4992
0,4995
0,4993
0,4995
0,4993
0,4995
0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,3
0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,4
3,5 0,4998
0,4998
IC = 175 ± 1,96 ∙ 1,5
0,4998
0,4998
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
5º) Substituir os valores já conhecidos

3,6
3,7 0,4999 0,4999
IC = 175 ± 2,94
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
na fórmula do intervalo de confiança:

0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8
3,9 0,5000
IC = 175 - 2,94 = 172,06
0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
4 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
IC = 175 - 2,94 = 177,94

Podemos afirmar, com 95% de confian-
ça, que o intervalo ]172,06;177,94[ con-
tém o verdadeiro valor da altura média
dos alunos.
Exemplo 2:
Deseja-se estimar a quantia que cada cliente gasta para jantar em um famoso restauran-
te do Rio de Janeiro. Para isso, foram coletados dados de uma amostra de 40 clientes,
cuja média de gastos foi igual a R$ 173,88. Sabe-se que há dados históricos que nos
permitem obter uma boa estimativa do desvio-padrão populacional, que, neste caso, é
igual a R$ 10,00.
234
Construa um intervalo de confiança de 99% para o verdadeiro valor dos gastos mé-
dios dos clientes desse famoso restaurante por jantar, sabendo que esses gastos
estão normalmente distribuídos.
Etapas Respostas

Sim, os gastos estão normalmente distri-
aos princípios de uma distribuição
buídos.
normal, ou assegurar que o tama-
A amostra é igual a 40 clientes, logo,
nho da amostra seja suficientemente
maior do que 30.
2º) Identificar o valor numérico do

σ = 10
desvio-padrão populacional (σ); da
X̅ = 173,88
média amostral (X̅ ) e o tamanho da
n = 40
amostra (n);

dia com a utilização da fórmula:
10
σx = = 1,58113883
σ 40
σx =
n
Se o desvio-padrão populacional é co-

nhecido e o tamanho da amostra é maior
do que 30, vamos usar a tabela normal
4º) Determinar com auxílio da tabela
padronizada para determinar o valor de
de distribuição normal padronizada o
Z-score.
valor de Z-score em função do nível
de confiança. Como vimos na Unida-
de 3, existem vários tipos de tabela
citado foi de 99%.
normal padronizada e por isso temos
que ter bastante cuidado nessa eta-
Como nossa tabela oferece os valores de
pa. Na tabela disponibilizada em nos-
zero até z, temos que dividir esse nível de
so curso, buscamos a metade no ní-
confiança por 2, ou seja,
vel de confiança, no corpo da tabela,
para determinar Z-score.
99% 49,5%
= 49,5% = = 0,495
2 100
235
Buscamos, então, no corpo da tabela de
distribuição normal padronizada
Tabela da Distribuição Normal esse valor:
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
1,9
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,2
0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,3
2,4 Fonte:
0,4918 http://ead.uva.br///recurso/DEF/EST/u3_
0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,5
2,6 c3_r1/anexo/Tabela-da-Distribuicao-Normal.pdf
0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,7
0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,8
Não
2,9
3
encontramos o valor exato 0,495. En-
0,4981
0,4987
0,4982
0,4987
0,4982
0,4987
0,4983
0,4988
0,4984
0,4988
0,4984
0,4989
0,4985
0,4989
0,4985
0,4989
0,4986
0,4990
0,4986
0,4990
tão, vamos escolher os valores mais pró-

3,1 0,4990
0,4993
0,4991
0,4993
0,4991
0,4994
0,4991
0,4994
0,4992
0,4994
0,4992
0,4994
0,4992
0,4994
0,4992
0,4995
0,4993
0,4995
0,4993
0,4995
3,2
ximos
3,3 pela falta e pelo excesso, que são
0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
0,4949 e 0,4951.
0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,4
3,5
0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,6
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
0,4999
3,7
0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
z 3,8 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
0 3,9 0 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
4 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,1
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,3
0,1554 0,1591 0,1664 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,4
0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,5
0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,6
0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,7
0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,8
0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
0,9
0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,2
0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,3
0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,4
0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,5
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,7
0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,8
0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
1,9
0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,2
0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,3
0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,4
0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,5
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,7
0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,8
0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
2,9
0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3
Depois de identificado o valor da metade

3,1
3,2
0,4990
0,4993
0,4991
0,4993
0,4991
0,4994
0,4991
0,4994
0,4992
0,4994
0,4992
0,4994
0,4992
0,4994
0,4992
0,4995
0,4993
0,4995
0,4993
0,4995
do nível de confiança no corpo da tabela,

3,3 0,4995
0,4997
0,4995
0,4997
0,4995
0,4997
0,4996
0,4997
0,4996
0,4997
0,4996
0,4997
0,4996
0,4997
0,4996
0,4997
0,4996
0,4997
0,4997
0,4998
3,4
determinamos o Z-score buscando na pri-
3,5 0,4998
0,4998
0,4998
0,4998
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
0,4998
0,4999
3,6
meira coluna correspondente o valor da
3,7 0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
3,8
parte inteira e da primeira casa decimal
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
4 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
236
(2,5) e na primeira linha os dois valores
da segunda casa decimal e calculamos a
média desses dois valores. (0,08 e 0,07,
cuja média é 0,075):
Logo, Zscore = 2,575.
IC = 173,88 ± 2,575 ∙ 1,58113883

5º) Substituir os valores já conheci- IC = 173,88 ± 4,0714
dos na fórmula do intervalo de con- IC = 173,88 - 4,0714 = 169,81
fiança: IC = 173,88 + 4,0714 = 177,95
Podemos afirmar, com 95% de confiança
que o intervalo (169,81;177,95) contém o
verdadeiro valor dos gastos médios dos
clientes.
2º caso: Intervalo de confiança para média populacional quando o desvio-padrão po-

pulacional é desconhecido.
Temos duas situações a considerar:
1ª Situação: se o desvio-padrão populacional não é conhecido, a população está nor-

malmente distribuída e estamos trabalhamos com grandes amostras, ou seja, se n > 30,
para determinar o intervalo de confiança para a média, procedemos da mesma forma
que no 1º caso.
2ª Situação: se o desvio-padrão populacional não é conhecido, a população está normal-

mente distribuída e estamos trabalhamos com pequenas amostras, ou seja, se n ≤ 30, para
determinar o intervalo de confiança para a média, devemos seguir os seguintes passos:
1º) Verificar se a população obedece aos princípios de uma distribuição normal, ou asse-
gurar que o tamanho da amostra seja suficientemente pequeno, ou seja, n ≤ 30.
237
2º) Identificar o valor numérico do desvio-padrão amostral (s); da média amostral ( X̅ ) e
o tamanho da amostra (n);
3º) Calcular o desvio-padrão da média com a utilização da fórmula:
s
Sx =
n
Em que:
Sx = desvio-padrão amostral da média

s = desvio-padrão amostral
4º) Determinar, com auxílio da tabela de distribuição t-Student, o valor de t-score em

função do nível de significância. Na tabela t-Student buscamos a metade no nível de
significância, juntamente com (n-1) graus de liberdade, sendo “n” o tamanho da pequena
amostra para determinar t-score.
Vejamos aqui, uma de muitas configurações da tabela t-Student.
t‧α 25% 10% 5% 2,5% 1% 0,5%

2
Grau de
liberdade
1 1,0000 3,0777 6,3138 12,7062 31,8207 63,6574
2 0,8165 1,8856 2,9200 4,3027 6,9646 9,9248
3 0,7649 1,6377 2,3534 3,1824 4,5407 5,8409
4 0,7407 1,5332 2,1318 2,7764 3,7469 4,6041
5 0,7267 1,4759 2,0150 2,5706 3,3649 4,0322
6 0,7176 1,4398 1,9432 2,4469 3,1427 3,7074
7 0,7111 1,4149 1,8946 2,3646 2,9980 3,4995
8 0,7064 1,3968 1,8595 2,3060 2,8965 3,3554
238
9 0,7027 1,3830 1,8331 2,2622 2,8214 3,2498
10 0,6998 1,3722 1,8125 2,2281 2,7638 3,1693
11 0,6974 1,3634 1,7959 2,2010 2,7181 3,1058
12 0,6955 1,3562 1,7823 2,1788 2,6810 3,0545
13 0,6938 1,3502 1,7709 2,1604 2,6503 3,0123
14 0,6924 1,3450 1,7613 2,1448 2,6245 2,9768
15 0,6912 1,3406 1,7531 2,1315 2,6025 2,9467
16 0,6901 1,3368 1,7459 2,1199 2,5835 2,9208
17 0,6892 1,3334 1,7396 2,1098 2,5669 2,8982
18 0,6884 1,3304 1,7341 2,1009 2,5524 2,8784
19 0,6876 1,3277 1,7291 2,0930 2,5395 2,8609
20 0,6870 1,3253 1,7247 2,0860 2,5280 2,8453
21 0,6864 1,3232 1,7207 2,0796 2,5177 2,8314
22 0,6858 1,3212 1,7171 2,0739 2,5083 2,8188
23 0,6853 1,3195 1,7139 2,0687 2,4999 2,8073
24 0,6848 1,3178 1,7109 2,0639 2,4922 2,7969
25 0,6844 1,3163 1,7081 2,0595 2,4851 2,7874
26 0,6840 1,3163 1,7056 2,0555 2,4786 2,7787
27 0,6837 1,3137 1,7033 2,0518 2,4727 2,7707
28 0,6834 1,3125 1,7011 2,0484 2,4671 2,7633
29 0,6830 1,3114 1,6991 2,0452 2,4620 2,7564
30 0,6828 1,3104 1,6973 2,0423 2,4573 2,7500
239
Student é o pseudônimo do químico e matemático inglês William Sealy Gos-
set (1876-1937), funcionário da cervejaria irlandesa Guinness Brewing Com-
pany, em Dublin, no início do século XX, criador da Distribuição t.
Fonte: http://ead.uva.br////recurso/DEF/EST/u4_c1_r1/index.htm
Observe que, para utilizarmos essa tabela, precisamos da metade do nível de signifi-
cância e dos graus de liberdade.
Para determinarmos metade do nível de significância basta fazer 100% - Nível de Con-
fiança e dividir por 2.
Quanto aos graus de liberdade, basta diminuirmos 1 do tamanho da amostra.
5º) Substituir os valores já conhecidos na fórmula do intervalo de confiança:
IC = X̅ + t score ∙ Sx
Importante
Chamamos de “margem de erro” o produto: Zscore ∙ σ x ou Tscore ∙ Sx .
Vejamos um exemplo que aborda o conteúdo visto em questão de concurso público.
Exemplo
Concurso: Colégio Pedro II - 2017
(Fonte: https://www.tecconcursos.com.br/questoes/720037).
A taxa de propagação de mensagens via torpedo eletrônico é uma importante característica

da velocidade de uma operadora. Suponha que a taxa de envio seja considerada uma variá-
vel aleatória com distribuição Normal. Certa operadora garante que sua taxa de transmis-
são média é de 54 mensagens por segundo. Para checar a validade da informação alegada
pela operadora, a agência controladora de telefonia decide, então, realizar um experimento.
240
Para isso, ela coleta uma amostra com 25 mensagens e observa uma média de 52,4
mensagens por segundo e um desvio-padrão de 2,1 mensagens por segundo. O intervalo
de confiança de 95% para a taxa média e a conclusão da agência controladora foram:
a) [51,577;53,223] - não existem evidências de que a operadora esteja falando a verdade.

b) [51,53;53,27] - não existem evidências de que a operadora esteja falando a verdade.
c) [53,18;54,82] - não se pode rejeitar a afirmação da operadora.
d) [53,13;54,87] - não se pode rejeitar a afirmação da operadora.
Etapas Respostas

aos princípios de uma distribuição Sim, no enunciado verificamos que que a
normal, ou assegurar que o tama- taxa de envio é considerada uma variável
nho da amostra seja suficientemente aleatória com distribuição Normal.
σ = desconhecido
S = 2,1
2º) Identificar o valor numérico do X̅ = 52,4

desvio-padrão populacional (σ) ou n = 25
amostral (S), da média amostral (X̅ )

Se o desvio-padrão populacional não é
e o tamanho da amostra (n);
conhecido e o tamanho da amostra é me-
nor do que 30, vamos usar a tabela t-S-
tudent para determinar o valor de t-score.

dia com a utilização da fórmula:
2,1
Sx = = 0,42
S 25
Sx =
n

citado foi de 95%.
4º) Determinar, com auxílio da tabela
t-Student, o valor de t-score.
Logo, o nível de significância será: α =
100% - 95% = 5%
241
Então, a metade do nível de significância
é igual a
5%
= 2,5%
2
Para determinarmos os graus de liberda-

de, basta diminuir 1 no tamanho da amos-
tra. Então: GL = 25 - 1 = 24
Procuramos a metade do nível de signi-

ficância na primeira linha da tabela e os
graus de liberdade na primeira coluna da
tabela e fazemos o cruzamento desses
dois dados, obtendo o valor de t-score.
t‧α 25% 10% 5% 2,5% 1% 0,5%

2
Grau de
liberdade
1 1,0000 3,0777 6,3138 12,7062 31,8207 63,6574
2 0,8165 1,8856 2,9200 4,3027 6,9646 9,9248
3 0,7649 1,6377 2,3534 3,1824 4,5407 5,8409
4 0,7407 1,5332 2,1318 2,7764 3,7469 4,6041
5 0,7267 1,4759 2,0150 2,5706 3,3649 4,0322
6 0,7176 1,4398 1,9432 2,4469 3,1427 3,7074
7 0,7111 1,4149 1,8946 2,3646 2,9980 3,4995
8 0,7064 1,3968 1,8595 2,3060 2,8965 3,3554
9 0,7027 1,3830 1,8331 2,2622 2,8214 3,2498
10 0,6998 1,3722 1,8125 2,2281 2,7638 3,1693
11 0,6974 1,3634 1,7959 2,2010 2,7181 3,1058
12 0,6955 1,3562 1,7823 2,1788 2,6810 3,0545
13 0,6938 1,3502 1,7709 2,1604 2,6503 3,0123
14 0,6924 1,3450 1,7613 2,1448 2,6245 2,9768
15 0,6912 1,3406 1,7531 2,1315 2,6025 2,9467
16 0,6901 1,3368 1,7459 2,1199 2,5835 2,9208
17 0,6892 1,3334 1,7396 2,1098 2,5669 2,8982
18 0,6884 1,3304 1,7341 2,1009 2,5524 2,8784
19 0,6876 1,3277 1,7291 2,0930 2,5395 2,8609
20 0,6870 1,3253 1,7247 2,0860 2,5280 2,8453
21 0,6864 1,3232 1,7207 2,0796 2,5177 2,8314
22 0,6858 1,3212 1,7171 2,0739 2,5083 2,8188
23 0,6853 1,3195 1,7139 2,0687 2,4999 2,8073
24 0,6848 1,3178 1,7109 2,0639 2,4922 2,7969
25 0,6844 1,3163 1,7081 2,0595 2,4851 2,7874
Logo, tscore = 2,0639.
242
IC = X̅ ± tscore ∙ Sx
IC = 52,4 ± 2,0639 ∙ 0,42

IC = 52,4 - 0,866838 = 51,53
IC = 52,4 + 0,866838 = 53,27
[51,53;53,27] -
5º) Substituir os valores já conheci-
dos na fórmula do intervalo de con- Podemos afirmar, com 95% de confiança,
fiança: que o intervalo (51,53;53,27) contém o
verdadeiro valor da taxa média de propa-
gação das mensagens por segundo.
IC = X̅ ± tscore ∙ ∙ Sx
Verificamos que esse intervalo não con-
tém a taxa média de 54 mensagens envia-
das por segundo que foi anunciada pela
operadora. Logo, não existem evidências
de que essa afirmação seja verdadeira.
Portanto, a alternativa correta é a letra B.
Importante
O nível de confiança é a frequência com a qual esperamos que o intervalo ob-

servado contenha o valor correto para o parâmetro de interesse quando o expe-
rimento é repetido várias vezes.
Logo, um nível de confiança de 90% significa que 90% dos intervalos de confian-
ça, construídos a partir das amostras aleatórias, contêm o valor verdadeiro do
parâmetro, ou seja, se retirarmos inúmeras amostras da população, em 90% des-
sas amostras encontraremos o verdadeiro valor do parâmetro nesse intervalo.
Um intervalo de confiança de 90% não significa que há a probabilidade de 90%

do parâmetro da população pertencer ao intervalo.
243
Não é somente para as médias que podemos estabelecer estimativas intervalares.
Agora, vejamos o Intervalo de Confiança para proporção:
Muito utilizados, os intervalos de confiança para proporção são construídos de maneira

muito semelhante aos intervalos de confiança para médias.
As etapas continuam as mesmas, entretanto, no caso das proporções, utilizaremos sem-

pre como referência a Distribuição Normal e o cálculo do desvio-padrão das proporções,
que é dado por:
p ∙ (1 – p)
px =
n
Sendo, então, o intervalo de confiança:
IC = p ± Zscore ∙ px
Em que:
p = proporção
px = desvio-padrão da proporção
Podemos construir ainda intervalos de confiança para a variância, para o desvio-padrão

e para operações como soma, subtração e quociente de medidas estatísticas. São cons-
truídos de maneira muito similar aos que foram apresentados aqui.
244
Ampliando o foco
para reforçar o conhecimento sobre a construção de intervalos de confiança.
Tamanho da amostra
É importante em qualquer pesquisa determinar o tamanho da amostra para que ela seja
representativa da população.
• Amostra pequena: corremos o risco de errar fortemente na inferência.

• Amostra grande: caímos no desperdício de tempo e dinheiro.
Como já vimos a tabela normal, agora podemos apresentar os conceitos para o cálculo
do tamanho da amostra.
- Cálculo do tamanho da amostra para estimar a média de uma população infinita

Uma população é considerada infinita quando 5% do número de seus elementos for
maior do que 1.000. Nesse caso, se a variável for quantitativa, o tamanho da amostra é
dado por:
Zscore ∙ σ
n=
ε
Em que:
n = tamanho da amostra aleatória simples a ser selecionada da população em estudo.

Zscore= valor encontrado na tabela normal padronizada em função do nível de confiança.
σ = desvio-padrão populacional. Que pode ser obtido, pelo menos, de quatro maneiras:
1. A partir de especificações técnicas.

2. A partir de conjecturas com base em amostras-piloto.
245
3. Comparação com estudos semelhantes.
4. A partir de dados históricos.
ε = erro amostral. É a máxima diferença que o pesquisador admite que ocorra entre a
média populacional (μ) e a média amostral (X). É expresso em decimais.
- Cálculo do tamanho da amostra para estimar a média de uma população finita

Uma população é considerada finita quando 5% do número de seus elementos for menor
do que 1.000. Nesse caso, se a variável for quantitativa, o tamanho da amostra é dado por:
Zscore2 ∙ σ2 ∙ ∙ N
n=
ε2 ∙ (N – 1) + Zscore2 ∙ σ2
Em que:
n = tamanho da amostra aleatória simples a ser selecionada da população em estudo.

Zscore = valor encontrado na tabela normal padronizada em função do nível de confiança.
σ = desvio-padrão populacional.
ε = erro amostral.
N = tamanho da população
- Cálculo do tamanho da amostra para estimar a proporção (p) de uma população infinita
Se a variável escolhida for qualitativa, ordinal ou nominal, e a população considerada infi-
nita, o tamanho da amostra será calculado por meio da fórmula:
Z 2 ∙p̂ ∙ q̂
n=
ε2
Em que:
n = tamanho da amostra aleatória simples a ser selecionada da população.

Zscore = valor encontrado na tabela normal padronizada.
ε = erro amostral. É a máxima diferença que o pesquisador admite que ocorra entre a
média populacional (μ) e a média amostral (X). É expresso em decimais.
246
p̂ = estimativa da verdadeira proporção, expresso em decimais. Caso não se tenham es-
timativas prévias para p, admitimos, então, p̂ = 0,5.
q̂ = 1 - p̂
- Cálculo do tamanho da amostra para estimar a proporção (p) de uma população finita
Se a variável escolhida for qualitativa, ordinal ou nominal e a população considerada fini-
ta, o tamanho da amostra será calculado por meio da fórmula:
Z 2 ∙ p̂ ∙ q̂ ∙ N
n=
ε2 (N – 1) + Z 2 ∙ p̂ ∙ q̂
Em que:
n = tamanho da amostra aleatória simples a ser selecionada da população.

Zscore = valor encontrado na tabela normal padronizada .
ε = erro amostral.
p̂ = estimativa da verdadeira proporção, expresso em decimais. Caso não se tenham es-
timativas prévias para p̂, admitimos, então, p̂ = 0,5
q̂ = 1 - p̂
N = tamanho da população.
Vejamos alguns exemplos práticos.
Exemplo 1
Determine o tamanho da amostra que devemos obter para estimar a média da altura
de todos os estudantes da Universidade Veiga de Almeida, com 95% de confiança e a
tolerância de 2cm para mais ou para menos. Sabe-se, por estudos anteriores, que o des-
vio-padrão da altura dos estudantes é igual a 20cm.
Resolução:
Sabemos que:
n=?
Zscore – buscando no corpo da tabela a metade do nível de confiança, ou seja, 0,95/2 =
0,475.
247
Obtemos:
Zscore= 1,96
σ =20 cm
ε = 2cm
Logo, substituindo na fórmula do cálculo do tamanho da amostra para estimar a média

de uma população infinita, temos:
2 2
Zscore ∙ σ 1,96 ∙ 20
n= = = 385 alunos
ε 2
Exemplo 2
Uma empresa administradora de cartões de crédito deseja estimar a proporção de clien-
tes que não fizeram o pagamento integral da fatura no final de um mês. Suponha que a
margem de erro desejada seja de três pontos percentuais, com 98% de confiança.
Determine o tamanho da amostra: deve ser selecionado para estimar essa proporção?
Resolução:
Sabemos que:
n=?
Zscore = buscando no corpo da tabela a metade do nível de confiança, ou seja, 0,98/2 =
0,49,
obtemos, Zscore ≅ 2,33

ε = 3% = 0,03
p̂ = vamos admitir p̂ =0,5, já que não temos estimativas prévias dessa proporção.
q̂ = 1 - p̂ = 1 – 0,5 = 0,5
Logo, substituindo na fórmula do cálculo do tamanho da amostra para estimar a propor-

ção (p) de uma população infinita, temos:
Z2 ∙ p̂ ∙ q̂ 2,332 ∙ 0,5 ∙ 0,5

n= = ≅ 1509 clientes
ε2 (0,03)2
248
Correlação
É um termo estatístico que indica a relação entre duas ou mais variáveis. Um dos propó-
sitos dos pesquisadores é verificar a associação entre as variáveis estudadas. A possível
existência de um relacionamento entre variáveis é fundamental para análises e conclu-
sões do estudo que está sendo realizado. Intuitivamente, muitas vezes consideramos
que há uma relação de associação entre o comportamento de variáveis, como:
Tempo de estudo x nota na avaliação.
Investimento em publicidade x vendas.
Manutenção preventiva x manutenção corretiva.
Neste tópico vamos apresentar um indicador que nos revela o quão forte ou fraca é essa
associação entre as variáveis, chamado de coeficiente de correlação do produto de
momentos de Pearson ou simplesmente coeficiente de correlação de Pearson. Além
de representar graficamente o relacionamento entre duas variáveis, por meio do diagra-
ma de dispersão, para visualmente inferirmos sobre a correlação existente.
Coeficiente de correlação de Pearson
Representado pela letra “r” tendo como uma das suas fórmulas:
n ∙ ∑(xi ∙ y i) – (∑xi) ∙ (∑y i)

r=
[n ∙ ∑xi2 – (∑xi)2 ] ∙ [n ∙ ∑y i2 – (∑y i)2 ]
Em que:
n = tamanho da amostra.
∑(xi ∙ y i) = somatório do produto das variáveis.
∑xi = somatório dos valores da variável independente x.
∑y i = somatório dos valores da variável dependente y.
(∑x i)2 = quadrado do somatório dos valores da variável independente x.
(∑yi)2 = quadrado do somatório dos valores da variável dependente y.
249
∑x i2 = somatório dos quadrados dos valores da variável independente x.
∑yi2 = somatório dos quadrados dos valores da variável independente y.
Considerações sobre o coeficiente de correlação de Pearson
• O valor do coeficiente de correlação de Pearson pertence ao intervalo [-1;1].

• O coeficiente de correlação de Pearson é adimensional, ou seja, não tem unidade
de medida.
• Nos casos em que o coeficiente de correlação linear for igual a zero não indica
ausência de correlação e sim ausência de correlação linear, mas as variáveis podem
estar correlacionadas exponencialmente, polinomialmente ou logaritmicamente.
Como interpretar o coeficiente de correlação de Pearson:
- Observando o sinal de “r”, temos:
• Se r > 0, correlação positiva, indicando uma reta crescente, isto é, à medida que os
valores de uma variável aumentam, os valores da outra também aumentam.
• Se r < 0, correlação negativa, indicando uma reta decrescente, isto é, à medida que
os valores de uma variável aumentam, os valores da outra variável diminuem.
- Observando o valor de “r”, temos:
• 0 ≤ |r| < 0,3 → a correlação entre as variáveis é muito fraca.

• 0,3 < |r|< 0,6 → a correlação entre as variáveis é média.
• 0,6 < |r|≤ 1 → a correlação entre as variáveis é forte.
Importante
É importante que saibamos que a existência de correlação não necessariamen-

te implica uma relação de causalidade. São coisas distintas, sendo responsabi-
lidade do coeficiente de correlação apenas sinalizar o quanto associados estão
os comportamentos de duas variáveis.
250
Vejamos:
Exemplo 1
horas de estudo X notas
Queremos verificar o quanto estão associadas as variáveis notas das avaliações em Es-
tatística e o tempo de estudo em horas dos alunos. Para isso, coletamos as informações
com uma amostra composta de 22 alunos, que estão apresentadas na tabela a seguir:
Aluno Horas de Estudo Notas
1 7,5 8,5
2 2 1
3 9 5
4 1,5 3
5 6 7
6 8,5 9
7 3 2
8 4,5 5
9 3,5 4
10 10 9,5
11 8 9
12 4 5
13 5,5 7
14 6,5 7
15 5,5 5,5
251
16 1 2
17 3 2
18 5 8
19 2 1
20 4 3
21 5 6
22 7 8
Resolução
Vamos definir:
X = número de horas de estudo.
Y= rendimento na avaliação.
Devemos, então, calcular os somatórios presentes na fórmula do coeficiente de cor-

relação linear de Pearson:
Horas de
Aluno Notas (Y) X.Y X² Y²
Estudo (X)
1 7,5 8,5 63,75 56,25 72,25
2 2 2 4 4 4
3 9 9 81 81 81
4 1,5 2 3 2,25 4
5 6 7 42 36 49
6 8,5 8 68 72,25 64
7 3 3 9 9 9
252
8 4,5 5 22,5 20,25 25
9 3,5 4 14 12,25 16
10 10 9,5 95 100 90,25
11 8 9 72 64 81
12 4 5 20 16 25
13 5,5 5 27,5 30,25 25
14 6,5 7 45,5 42,25 49
15 5,5 6 33 30,25 36
16 1 1 1 1 1
17 3 2 6 9 4
18 5 7 35 25 49
19 2 1 2 4 1
20 4 3 12 16 9
21 5 5,5 27,5 25 30,25
22 7 8 56 49 64
Total (∑) 112 117,5 739,75 705 788,75
n ∙ ∑(xi ∙ y i) – (∑xi) ∙ (∑y i)

r=
[n ∙ ∑xi2 – (∑xi)2 ] ∙ [n ∙ ∑y i2 – (∑y i)2]
22 ∙ 739,75 – 112 ∙ 117,5

r=
[22 ∙ 705 – 1122 ] ∙ [22 ∙ 788,75 – 117,52]
16274,50 – 13160
r=
2966 ∙ 3546,25
253
3114,5
r=
10518177,5
3114,5
r=
3243,173985
r ≅ 0,96
Exemplo 2
massa muscular X idade
Acredita-se que, com o passar dos anos, as mulheres vão perdendo massa muscular sig-
nificativamente. Para avaliar essa hipótese foi feita uma pesquisa em uma amostra de 30
pacientes do sexo feminino, quando foi observada a massa muscular e a idade. O cálculo
da massa muscular pode ser feito pela avaliação das dobras cutâneas e também pela
fórmula da área muscular do braço. O resultado está apresentado na tabela seguinte.
Calcule o coeficiente de correlação de Pearson e verifique se realmente o índice de

massa muscular está correlacionado com a idade da paciente.
Paciente Idade Massa muscular
1 45 97
2 56 90
3 65 74
4 58 80
5 49 105
6 62 68
7 51 83
8 53 79
9 71 68
254
10 69 73
11 58 95
12 73 63
13 53 100
14 45 116
15 76 65
16 69 68
17 74 65
18 67 65
19 56 82
20 63 92
21 44 102
22 72 65
23 78 77
24 68 78
25 67 88
26 39 105
27 51 102
28 64 71
29 60 87
30 40 119
255
Resolução
Vamos definir:
X = idade da paciente.
Y= massa muscular.
Devemos, então, calcular os somatórios presentes na fórmula do coeficiente de correla-

ção linear de Pearson, como mostra a tabela a seguir.
Massa
Paciente Idade x. y x² y²
muscular
1 45 97 4365 2025 9409
2 56 90 5040 3136 8100
3 65 74 4810 4225 5476
4 58 80 4640 3364 6400
5 49 105 5145 2401 11025
6 62 68 4216 3844 4624
7 51 83 4233 2601 6889
8 53 79 4187 2809 6241
9 71 68 4828 5041 4624
10 69 73 5037 4761 5329
11 58 95 5510 3364 9025
12 73 63 4599 5329 3969
13 53 100 5300 2809 10000
14 45 116 5220 2025 13456
15 76 65 4940 5776 4225
256
16 69 68 4692 4761 4624
17 74 65 4810 5476 4225
18 67 65 4355 4489 4225
19 56 82 4592 3136 6724
20 63 92 5796 3969 8464
21 44 102 4488 1936 10404
22 72 65 4680 5184 4225
23 78 77 6006 6084 5929
24 68 78 5304 4624 6084
25 67 88 5896 4489 7744
26 39 105 4095 1521 11025
27 51 102 5202 2601 10404
28 64 71 4544 4096 5041
29 60 87 5220 3600 7569
30 40 119 4760 1600 14161
Total (∑) 1796 2522 146510 111076 219640
n ∙ ∑(xi ∙ y i)–(∑xi) ∙ (∑y i)

r=
[n ∙ ∑xi2 – (∑xi)2 ] ∙ [n ∙ ∑y i2 – (∑y i)2]
30 ∙ 146510 – 2522 ∙ 1796

r=
[30 ∙ 111076 – (1796)2 ] ∙ [30 ∙ 219640 – (2522)2]
–134212
r=
106664 ∙ 228716
257
–134212
r=
24395763424
r ≅ –0,86
Como o valor de “r” foi maior do que 0,6 podemos concluir que há forte correlação li-
near entre as variáveis massa muscular e idade. Ainda observando o sinal negativo de
“r”, podemos dizer que à medida que a idade da paciente aumenta, sua massa muscu-
lar diminui.
Exemplo 3
Pesquisas sugerem que o tamanho do cérebro de uma pessoa pode estar relacionado
com seu grau de inteligência. Para investigar essa hipótese foi feita uma pesquisa com
uma amostra aleatória de 40 alunos de um curso autodidata de matemática. A tabela
a seguir mostra o tamanho do cérebro em cm³, obtido por ressonância magnética, que
será representada pela variável independente (x) e seu respectivo escore de Quociente de
Inteligência (QI), que será representado pela variável dependente (y).
Determine o coeficiente de correlação linear de Pearson e verifique se há alguma

evidência que possa corroborar essa hipótese. Observe a tabela a seguir.
Volume cerebral
Observação Escores de QI
(cm³)
1 1270 131
2 1341 138
3 1265 137
4 1233 131
5 1310 135
6 1242 97
7 1251 136
258
8 1337 90
9 1302 87
10 1347 131
11 1238 130
12 1339 139
13 1346 133
14 1344 138
15 1228 94
16 1340 81
17 1278 130
18 1303 98
19 1336 99
20 1326 78
21 1200 81
22 1329 95
23 1282 133
24 1348 137
25 1347 89
26 1267 139
27 1237 83
28 1318 101
259
29 1238 75
30 1329 128
31 1240 131
32 1308 142
33 1320 101
34 1306 88
35 1341 81
36 1280 131
37 1348 138
38 1241 86
39 1266 79
40 1299 87
Resolução
Vamos definir:
X = volume cerebral.
Y = Coeficiente de inteligência.
Devemos, então, calcular os somatórios presentes na fórmula do coeficiente de correla-

ção linear de Pearson, como mostra a tabela a seguir.
volume
Observação QI (Y) X.Y X² Y²
cerebral (X)
1 1270 131 166370 1612900 17161
2 1341 138 185058 1798281 19044
260
3 1265 137 173305 1600225 18769
4 1233 131 161523 1520289 17161
5 1310 135 176850 1716100 18225
6 1242 97 120474 1542564 9409
7 1251 136 170136 1565001 18496
8 1337 90 120330 1787569 8100
9 1302 87 113274 1695204 7569
10 1347 131 176457 1814409 17161
11 1238 130 160940 1532644 16900
12 1339 139 186121 1792921 19321
13 1346 133 179018 1811716 17689
14 1344 138 185472 1806336 19044
15 1228 94 115432 1507984 8836
16 1340 81 108540 1795600 6561
17 1278 130 166140 1633284 16900
18 1303 98 127694 1697809 9604
19 1336 99 132264 1784896 9801
20 1326 78 103428 1758276 6084
21 1200 81 97200 1440000 6561
22 1329 95 126255 1766241 9025
23 1282 133 170506 1643524 17689
261
24 1348 137 184676 1817104 18769
25 1347 89 119883 1814409 7921
26 1267 139 176113 1605289 19321
27 1237 83 102671 1530169 6889
28 1318 101 133118 1737124 10201
29 1238 75 92850 1532644 5625
30 1329 128 170112 1766241 16384
31 1240 131 162440 1537600 17161
32 1308 142 185736 1710864 20164
33 1320 101 133320 1742400 10201
34 1306 88 114928 1705636 7744
35 1341 81 108621 1798281 6561
36 1280 131 167680 1638400 17161
37 1348 138 186024 1817104 19044
38 1241 86 106726 1540081 7396
39 1266 79 100014 1602756 6241
40 1299 87 113013 1687401 7569
Total (∑) 51820 4458 5780712 67207276 519462
n ∙ ∑(x i ∙ yi)–(∑x i) ∙ (∑yi)

r=
[n ∙ ∑x i2 – (∑x i)2 ] ∙ [n ∙ ∑yi2 – (∑yi)2]
40 ∙ 5780712 – 51820 ∙ 4458

r=
[40 ∙ 67207276-518202 ] ∙ [40 ∙ 519462-44582 ]
262
214920
r=
2978640 ∙ 904716
214920
r=
2694823266240
214920
r=
1641591,687
r = 0,13
Observamos que existe uma fraca correlação entre o volume cerebral e a inteligência,
pois o valor de r < 0,3.
Ampliando o foco
Philipp Koellinger destaca que, além da questão do tamanho, que conta apenas
2% para a inteligência, existirão vários fatores que explicam os outros 98% na
variação de desempenho.
Com a colaboração de três investigadores, Gideon e Philipp incluíram também

outras variáveis no estudo, como sexo, idade, altura, estatuto socioeconômico.
A altura, por exemplo, está associada a melhores resultados nos testes, mas
também a um cérebro maior.
A correlação estudada pelos investigadores já tem vindo a ser investigada há

algum tempo, mas com amostras pequenas. Ao incluir mais participantes, am-
bos esperavam ir além dos estudos já feitos. Dessa forma, recorreram aos da-
dos do Biobank, um banco de dados que contém informações de mais de meio
milhão de pessoas do Reino Unido.
As conclusões acabam por ir ao encontro do senso comum: se a pessoa tem

mais neurônios, isso permite-lhe ter uma memória melhor, ou realizar mais ta-
refas em simultâneo.
Existem, no entanto, muitos outros fatores associados, pelo que os investigado-

res reconhecem que são necessários mais estudos. Relativamente ao sexo, por
263
exemplo, parece existir uma diferença significativa no tamanho do cérebro en-
tre homens e mulheres, mas isso não se traduz em diferenças no desempenho.
Fonte: https://www.dn.pt/vida-e-futuro/tamanho-do-cerebro-conta-pouco-para-a-in-
teligencia-10267115.html
Cálculo do coeficiente de correlação de Pearson com auxílio da planilha

eletrônica Excel
=PEARSON(INÍCIO DA VARIÁVEL INDEPENDENTE : FIM DA VARIÁVEL INDEPENDENTE;

INÍCIO DA VARIÁVEL DEPENDENTE : FIM DA VARIÁVEL DEPENDENTE)
Gráfico de Dispersão (Scatter Plot)
Podemos verificar visualmente o relacionamento entre duas variáveis a partir dos gráfi-
cos de dispersão, também conhecidos como Scatter Plot.
Para traçar um gráfico de dispersão, vamos marcar, no eixo das abscissas, as horas de
estudo e, no eixo das ordenadas, a nota na avaliação. Marcamos um ponto cartesiano
para cada aluno, relacionando suas horas de estudo com seu rendimento na avaliação.
Vejamos alguns tipos de correlação a seguir.
Correlação linear positiva Correlação linear negativa
Dispersão "Horas de Estudo" x "Nota" Dispersão "demanda" x "preço"

10
25
9
8 20
7
6 15
4 10
3
5
2
1
0
0 0 5 10 15 20 25
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 7 7,5 8 8,5 9 9,5 10 10,5
264
Podemos verificar que os dados apresen-
Podemos verificar que os dados apresen-
tam uma tendência de alinhamento em
tam uma tendência de alinhamento em
torno de uma reta crescente, indicando
torno de uma reta decrescente, indicando
que, à medida que o valor de uma variável
que, à medida que o valor de uma variável
aumenta, o valor da outra variável tam-
aumenta, o valor da outra variável diminui.
bém aumenta.
Correlação não linear Não há correlação
Dispersão "unidade" x "grau de compactação" Dispersão "estatura" x "sucesso profissional"

12
16 10
12,8 8
9,6 6
6,4 4
3,2 2
0
1,45 1,55 1,65 1,75 1,85 1,95
0 5 10 15 20 25 30 35 40 45
Não podemos observar uma tendência

de alinhamento em torno de uma reta, Não podemos observar nenhuma ten-
mas observamos um alinhamento em dência de alinhamento entre os dados,
torno de uma parábola, o que indica que a sugerindo não haver correlação entre as
correlação entre as variáveis não é linear variáveis.
e sim parabólica.
Agora, usando os exemplos anteriores, traçaremos os gráficos de dispersão com base

no estudo de correlação.
265
Exemplo 1: horas de estudo x notas
Horas de
Aluno Notas
Estudo (X)
1 7,5 8,5
2 2 2
3 9 9
4 1,5 2
5 6 7
6 8,5 8
7 3 3
8 4,5 5
9 3,5 4
10 10 9,5
11 8 9
12 4 5
13 5,5 5
14 6,5 7
15 5,5 6
16 1 1
17 3 2
18 5 7
19 2 1
20 4 3
21 5 5,5
22 7 8
266
Dispersão "Horas de Estudo" x "Nota"
10
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 7 7,5 8 8,5 9 9,5 10 10,5
Analisando o comportamento do gráfico podemos verificar que os pontos estão prati-

camente alinhados em uma reta crescente, indicando que, à medida que uma variável
aumenta, a outra também aumenta.
Exemplo 2: idade x massa muscular
Paciente Idade Notas
1 45 97
2 56 90
3 65 74
4 58 80
5 49 105
6 62 68
7 51 83
8 53 79
9 71 68
10 69 73
11 58 95
267
12 73 63
13 53 100
14 45 116
15 76 65
16 69 68
17 74 65
18 67 65
19 56 82
20 63 92
21 44 102
22 72 65
23 78 77
24 68 78
25 67 88
26 39 105
27 51 102
28 64 71
29 60 87
30 40 119
Dispersão Idade x Massa Muscular

90
80
70
60
50
40
30
20
10
0
40 60 80 100 120 140
268
Analisando o comportamento do gráfico podemos verificar que os pontos estão alinha-
dos em uma reta decrescente, o que indica que, `s medida que uma variável aumenta, a
outra irá diminuir.
Exemplo 3: volume cerebral x QI
Volume cerebral
Observação Escores de QI
(cm³) (X)
1 1270 131
2 1341 138
3 1265 137
4 1233 131
5 1310 135
6 1242 97
7 1251 136
8 1337 90
9 1302 87
10 1347 131
11 1238 130
12 1339 139
13 1346 133
14 1344 138
15 1228 94
16 1340 81
17 1278 130
18 1303 98
19 1336 99
20 1326 78
21 1200 81
22 1329 95
23 1282 133
269
24 1348 137
25 1347 89
26 1267 139
27 1237 83
28 1318 101
29 1238 75
30 1329 128
31 1240 131
32 1308 142
33 1320 101
34 1306 88
35 1341 81
36 1280 131
37 1348 138
38 1241 86
39 1266 79
40 1299 87
Dispersão volume cerebral x QI

160
140
120
100
80
60
40
20
0
1180 1200 1220 1240 1260 1280 1300 1320 1340 1360
Analisando o comportamento do gráfico podemos verificar que os pontos não estão ali-
nhados, o que indica que as variáveis não estão correlacionadas linearmente.
270
Ampliando o foco
Para construir um gráfico de dispersão com auxílio da planilha eletrônica Ex-

cel, você deve selecionar os valores da variável independente (x) e da variável
dependente (y), nessa ordem, e simultaneamente ir em Inserir – Gráfico – Dis-
persão X Y.
Verifique na midiateca desta unidade um tutorial para construir um gráfico de

dispersão com auxílio da planilha eletrônica Excel, adicionando a linha de ten-
dência e o quadrado do coeficiente de correlação de Pearson.
Verificação da Normalidade dos Dados
Encontramos nos softwares estatísticos testes que verificam a hipótese de normalida-

de dos dados, como os testes de Kolmogorov-Sminorv, Shapiro-Wilk, Anderson-Darling,
Ryan-Joiner, entre outros. Entretanto, vamos apresentar aqui três métodos simples que
também nos auxiliam na verificação da normalidade dos dados. São eles:
1) Análise do histograma: basta examinar a forma da distribuição, que deve ser

semelhante à forma de um sino para que a normalidade pareça razoável.
2) Regra empírica ao contrário: com a média e o desvio-padrão, calcule a propor-

ção real das observações em cada intervalo e compare com os percentuais:
∑fi
[X̅ – S ; X̅ + S] → ≅ 0 ,68
n
∑fi
[X̅ – 2 ∙ S ; X̅ + 2 ∙ S] → ≅ 0,95 para amostras
n
∑fi
[X̅ – 3 ∙ S ; X̅ + 3 ∙ S] → ≅ 0,997
n
ou
∑fi
[μ – σ ; μ + σ] → ≅ 0,68
n
∑fi
[μ – 2 ∙ σ ; μ + 2 ∙ σ] → ≅ 0,95 para população
n
∑fi
[μ – 3 ∙ σ ; μ + 3 ∙ σ] → ≅ 0,997
n
271
Se os resultados estiverem próximos desses valores, então a normalidade parece razoável.
3) Gráfico de Probabilidade Normal: diagrama de dispersão de cada observação

versus seu escore normal padronizado correspondente. Se os pontos ficarem ali-
nhados sobre uma reta, então a normalidade parece razoável.
Vejamos um exemplo prático com base nos conceitos apresentados.
Exemplo:
Feita uma pesquisa sobre os gastos mensais com transporte com 20 alunos da Universi-
dade Veiga de Almeida, as respostas já ordenadas estão apresentadas a seguir. Verifique
se os dados obtidos obedecem a uma distribuição normal.
23 29 30 31 35 39 41 42 42 46 47 47 49 50 50 51 56 56 64 67
5 5 0 0 6 9 6 1 7 5 6 7 8 3 9 9 0 8 5 0
Resolução:
1) Análise do histograma:
Vamos agrupar os dados em uma tabela de distribuição de frequências:
Gastos R$ Frequência
200 I--- 300 2

300 I--- 400 4
400 I--- 500 7
500 I--- 600 5
600 I--- 700 2
Total 20
272
Histograma
8
7
6
5
4
3
2
1
0
200 300 400 500 600 700
Observando o histograma podemos verificar que se aproxima da forma de um sino.
Histograma
8
7
6
5
4
3
2
1
0
200 300 400 500 600 700
Pelo formato do histograma parece razoável dizer que os dados seguem uma distribui-
ção normal.
2) Regra empírica ao contrário: com a média e o desvio-padrão, calcule as diferenças:

Para a amostra apresentada, podemos calcular o valor da média e do desvio-padrão
amostral, obtendo como resultados: X̅ = 452 e S = 116. Logo,
∑fi
[X̅ – S ; X̅ + S] → ≅ 0 ,68
n
273
∑fi
[X̅ – 2 ∙ S ; X̅ + 2 ∙ S] → ≅ 0,95
n
∑fi
[X̅ – 3 ∙ S ; X̅ + 3 ∙ S] → ≅ 0,997
n
14
[452 – 116 ; 452 + 116] = [336;568] → = 0,7 ≅ 0,68
20
20
[452-2 ∙116 ; 452 + 2 ∙ 116] = [220;684] → = 1 ≅ 0,95
20
20
[452 – 3 ∙ 116 ; 452 + 3 ∙ 116] = [104;800] → = 1≅ 0,997
20
Como os quocientes estão próximos dos valores desejáveis, podemos dizer que parece
razoável admitir a normalidade dos dados.
3) Gráfico de Probabilidade Normal:
Observação Zscore = (X – X̅ )/σ

(eixo-y) (eixo-x)
235 -1,89
295 -1,37
300 -1,32
310 -1,23
356 -0,83
399 -0,46
416 -0,31
421 -0,27
427 -0,22
465 0,11
274
476 0,21
477 0,22
498 0,40
503 0,44
509 0,50
519 0,58
560 0,94
568 1,01
645 1,68
670 1,90
Dispersão Z-score X observação

800
700
600
500
400
300
200
100
0
-2,50 -2,00 -1,50 -1,00 -0,50 0,00 0,50 1,00 1,50 2,00 2,50
Observando o gráfico concluímos que não há evidência de não normalidade.
Podemos concluir que todos os três métodos nos mostram que não há evidências para
rejeitar a normalidade. Isso não significa que podemos dizer com certeza que os dados
sejam provenientes de uma distribuição normal.
275
Ampliando o foco
para reforçar o conhecimento sobre o cálculo do coeficiente de correlação li-
near de Pearson.
Confira as respostas que estão no final do livro e se tiver alguma dúvida fale
276
Regressão linear
A análise de regressão é uma ferramenta estatística usada para prever os valores fu-
turos com base no comportamento de valores passados. Para isso, vamos construir
um modelo matemático capaz de descrever o relacionamento entre duas ou mais
variáveis quantitativas, de maneira que possamos estimar o valor de uma variável a
partir das outras.
Podemos aplicar os modelos de regressão em diversas áreas: engenharia, administra-

ção, economia e finanças, marketing, ciências físicas, biologia, ciência ambiental, geogra-
fia, saúde pública, nutrição, entre muitas outras áreas de estudo e pesquisa.
Variável independente (X) e variável dependente (Y)
Um conceito importante na análise de regressão é o de variável dependente ou variável

independente.
A variável dependente é aquela por meio da qual desejamos realizar a previsão

e que, portanto, sofre influência do comportamento da variável independente.
Regressão Linear Simples
O caso mais simples de regressão é quando temos duas variáveis e a relação entre elas
pode ser representada por uma linha reta. Essa reta é chamada de modelo de Regres-
são Linear Simples, cujo modelo matemático será representado por:
y = ax + b + εi
Em que:
y = variável dependente, ou seja, o valor que queremos estimar.

x = variável independente, ou seja, aquela que influencia a previsão da variável y.
a = coeficiente angular da reta de regressão.
277
b = também chamado de intercepto com o eixo-y, é o coeficiente linear da reta.
εi = erro aleatório de “y” para a observação i. É uma variável aleatória com valor esperado
igual a zero.
Importante
Antes de determinar os coeficientes para o modelo de regressão linear, é mui-

to conveniente traçar o diagrama de dispersão para verificar visualmente se o
relacionamento entre as variáveis aproxima-se de uma reta e também fazer o
cálculo do coeficiente de correlação de Pearson para garantir que as variáveis
estão correlacionadas e poderão ser ajustadas por um modelo linear.
Determinação dos coeficientes “a” e “b”:
Para construirmos o modelo de regressão linear devemos determinar os valores dos

coeficientes “a” e “b” de modo que a reta ajuste-se ao conjunto de pontos visualizados
no gráfico de dispersão.
O método dos mínimos quadrados utiliza dados amostrais para determinar os valores de
“a” e “b”, que minimizam a soma dos quadrados dos desvios entre os valores observados
e os valores estimados da variável dependente.
Usando os conceitos do cálculo diferencial pode-se demonstrar que:
n ∙ ∑(x i ∙ yi) – (∑x i) ∙ (∑yi)

a= b = y̅ - a ∙ x̅ εi = vamos admitir = 0
n ∙ ∑x i2 – (∑x i)2
Logo, substituindo-se os valores de “a” e “b” e “εi “ vamos obter o modelo de

regressão linear simples: y = ax + b
Em que:
n = tamanho da amostra.
∑(x i ∙ yi) = somatório do produto das variáveis.
278
∑x i= somatório dos valores da variável independente x.
∑yi = somatório dos valores da variável dependente y.
(∑x i)2 = quadrado do somatório dos valores da variável independente x.
∑x i2 = somatório dos quadrados dos valores da variável independente x.
y̅ = média dos valores da variável dependente.
x̅ = média dos valores da variável independente.
Uma forma alternativa para o coeficiente angular “a”, temos:
∑(x i – x̅ ) ∙ (∑yi – y̅ )
a=
∑(x i – x̅ )2
Como verificar se um modelo de Regressão Linear está adequado?
Algumas ferramentas estatísticas nos auxiliam na verificação da adequação de um mo-

delo de regressão linear, como o gráfico dos resíduos e o coeficiente de determinação
(r²), que nos indica o percentual de eficácia do modelo. Quanto mais próximo de 1 (100%)
mais bem ajustado poderá estar o modelo. Para maior confiança, é preciso analisar o
valor de r² juntamente com o gráfico de resíduos.
Determinação do modelo de regressão linear com auxílio do Excel
Para determinar rapidamente o modelo de regressão linear com auxílio da planilha ele-
trônica Excel, basta clicar nos pontos do gráfico de dispersão; com o botão direito do
mouse clicar em “adicionar linha de tendência” e no menu “formatar linha de tendência”
selecionar “exibir equação no gráfico”.
Vejamos alguns exemplos práticos a seguir.
Exemplo 1
Voltemos ao Exemplo 1 usado no Tópico 2: horas de estudo X notas.
Queremos verificar o quanto estão associadas as variáveis notas das avaliações em Es-
tatística e o tempo de estudo em horas dos alunos. Para isso, coletamos as informações
com uma amostra composta de 22 alunos, que estão apresentadas na tabela a seguir:
279
Aluno Horas de Estudo Notas
1 7,5 8,5
2 2 2
3 9 9
4 1,5 2
5 6 7
6 8,5 8
7 3 3
8 4,5 5
9 3,5 4
10 10 9,5
11 8 9
12 4 5
13 5,5 5
14 6,5 7
15 5,5 6
16 1 1
17 3 2
18 5 7
19 2 1
20 4 3
21 5 5,5
22 7 8
Determine o modelo de regressão linear para as variáveis notas das avaliações em Esta-
tística e o tempo de estudo em horas dos alunos.
280
Resolução
a) Como já verificamos, as variáveis estão fortemente relacionadas pois, ao calcularmos

o coeficiente de correlação de Pearson, encontramos o valor de r = 0,96, portanto r>0,6
indicando uma forte correlação entre as variáveis.
Logo, podemos determinar o modelo de regressão linear y = ax + b.
Precisamos, então, calcular o coeficiente angular e o coeficiente linear da reta. Pelo mé-
todo dos mínimos quadrados temos:
n ∙ ∑(x i ∙ yi) – (∑x i) ∙ (∑yi)

a=
n ∙ ∑x i 2 – (∑x i)2
b = y̅ – a ∙ x̅
Calculando o coeficiente angular “a”:
Horas de
Aluno Notas (Y) X.Y X² Y²
Estudo (X)
1 7,5 8,5 63,75 56,25 72,25
2 2 2 4 4 4
3 9 9 81 81 81
4 1,5 2 3 2,25 4
5 6 7 42 36 49
6 8,5 8 68 72,25 64
7 3 3 9 9 9
8 4,5 5 22,5 20,25 25
9 3,5 4 14 12,25 16
10 10 9,5 95 100 90,25
281
11 8 9 72 64 81
12 4 5 20 16 25
13 5,5 5 27,5 30,25 25
14 6,5 7 45,5 42,25 49
15 5,5 6 33 30,25 36
16 1 1 1 1 1
17 3 2 6 9 4
18 5 7 35 25 49
19 2 1 2 4 1
20 4 3 12 16 9
21 5 5,5 27,5 25 30,25
22 7 8 56 49 64
Total (∑) 112 117,5 739,75 705 788,75
n ∙ ∑(x i ∙ yi) – (∑x i) ∙ (∑yi)

a=
n ∙ ∑x i 2 – (∑x i)2
22 ∙ 739,75 – 112 ∙ 117,5 3114,5

a= = = 1,0501
22 ∙ 705 – 1122 2966
Calculando o coeficiente linear “b”.
b = y̅ – a ∙ x̅
117,5 112
b= – 148,5 ∙
22 22
282
b = 5,34090909 – 1,0501 ∙ 5,09090909
b = 5,34090909 – 5,345797734 = 0,049
Logo o modelo de regressão y = ax + b será y = 1,0501x + 0,049.
Exemplo 2
Voltemos ao Exemplo 2 do Tópico 2: massa muscular X idade.
Acredita-se que, com o passar dos anos, as mulheres vão perdendo massa muscular
significativamente. Para avaliar essa hipótese foi feita uma pesquisa em uma amostra de
30 pacientes do sexo feminino, quando foram observadas a massa muscular e a idade. O
cálculo da massa muscular pode ser feito pela avaliação das dobras cutâneas e também
pela fórmula da área muscular do braço. O resultado está apresentado na tabela a seguir.
Calcule o coeficiente de correlação de Pearson e verifique se realmente o índice de

massa muscular está correlacionado com a idade da paciente.
Paciente Idade Massa muscular
1 45 97
2 56 90
3 65 74
4 58 80
5 49 105
6 62 68
7 51 83
8 53 79
9 71 68
10 69 73
11 58 95
12 73 63
13 53 100
14 45 116
283
15 76 65
16 69 68
17 74 65
18 67 65
19 56 82
20 63 92
21 44 102
22 72 65
23 78 77
24 68 78
25 67 88
26 39 105
27 51 102
28 64 71
29 60 87
30 40 119
Resolução
b) Como já verificamos, as variáveis estão fortemente relacionadas pois, ao calcularmos

o coeficiente de correlação de Pearson, encontramos o valor de r = -0,86, portanto r>0,6
indicando uma forte correlação entre as variáveis.
Logo, podemos determinar o modelo de regressão linear y = ax + b.
Precisamos, então, calcular o coeficiente angular e o coeficiente linear da reta. Pelo mé-
todo dos mínimos quadrados temos:
n ∙ ∑(x i ∙ yi) – (∑x i) ∙ (∑yi)

a=
n ∙ ∑x i 2 – (∑x i)2
b = y̅ – a ∙ x̅
284
Calculando o coeficiente angular “a”:
Massa
Paciente Idade x. y x² y²
muscular
1 45 97 4365 2025 9409
2 56 90 5040 3136 8100
3 65 74 4810 4225 5476
4 58 80 4640 3364 6400
5 49 105 5145 2401 11025
6 62 68 4216 3844 4624
7 51 83 4233 2601 6889
8 53 79 4187 2809 6241
9 71 68 4828 5041 4624
10 69 73 5037 4761 5329
11 58 95 5510 3364 9025
12 73 63 4599 5329 3969
13 53 100 5300 2809 10000
14 45 116 5220 2025 13456
15 76 65 4940 5776 4225
16 69 68 4692 4761 4624
17 74 65 4810 5476 4225
18 67 65 4355 4489 4225
19 56 82 4592 3136 6724
285
20 63 92 5796 3969 8464
21 44 102 4488 1936 10404
22 72 65 4680 5184 4225
23 78 77 6006 6084 5929
24 68 78 5304 4624 6084
25 67 88 5896 4489 7744
26 39 105 4095 1521 11025
27 51 102 5202 2601 10404
28 64 71 4544 4096 5041
29 60 87 5220 3600 7569
30 40 119 4760 1600 14161
Total (∑) 1796 2522 146510 111076 219640
n ∙ ∑(x i ∙ yi) – (∑x i) ∙ (∑yi)

a=
n ∙ ∑x i 2 – (∑x i)2
30 ∙ 146510 – 1796 ∙ 2522

a=
30 ∙ 111076 – (1796)2
–134212
a= = 1,2583
106664
Calculando o coeficiente linear “b”.
b = y̅ – a ∙ x̅
286
2522 1796
b= –(–1,2583) ∙
30 30
b = 84,066666667 + 1,2583 ∙ 59,8666666667
b = 84,0666666667+75,33022667
b = 159,40
Logo o modelo de regressão y = ax + b será: y = -1,2583x + 159,40.
Ampliando o foco
Para colocar em prática o conteúdo visto nesta unidade, visite a Biblioteca Virtual,
escolha um livro de Estatística, selecione e faça alguns exercícios do livro para
reforçar o conhecimento sobre a determinação do modelo de Regressão Linear.
Confira as respostas que estão no final do livro e se tiver alguma dúvida fale
MIDIATECA

287
NA PRÁTICA
Vamos refletir: Os moinhos de vento são muito barulhentos?
Os moinhos de vento modernos estão se tornando uma alternativa eficiente

e limpa para produção de energia. Embora um moinho de vento eficaz possa
utilizar vento de baixa velocidade, os locais ideais para parques eólicos são ao
longo da costa oceânica ou em áreas montanhosas, onde há uma velocidade
de vento consistente de pelo menos 24 km/h.
Os moinhos de vento não podem ser construídos próximos a cidades devido às

leis que regulam o nível de ruído. Um moinho de vento típico produz aproxima-
damente 56dB a 60 metros de distância. Isso é mais suave do que o som da
fala humana (que está em cerca de 70dB).
Suponha que uma pequena comunidade costeira esteja considerando a cons-

trução de um moinho de vento para gerar eletricidade para a prefeitura. Um ex-
perimento é conduzido para medir o nível de ruído do moinho de vento (em dB)
a várias distâncias (em metros) do local proposto. Os dados estão resumidos
na tabela a seguir.
Distância (m) 3 15 23 37 46 49 61 76 122 150
Nível de Ruído
75 110 73 52 58 77 56 57 28 4
(dB)
Com as técnicas apresentadas nesta unidade podemos verificar facilmente que

há uma relação linear significativa entre a variável independente “distância” e a
variável dependente “nível de ruído”.
288
Título do Gráfico y = -0,542x + 90,546
R2 = 0,7777
120
100
80
60
40
20
0
0 20 40 60 80 100 120 140 160
Também podemos usar a análise de regressão que estudamos nesta unidade

para prever um valor do nível de ruído para uma determinada distância do moi-
nho de vento. Utilizando os dados levantados sobre o nível de ruído e a distância
chegamos ao seguinte modelo matemático:
y = -0,542x + 90,546
Suponhamos que um moinho de vento esteja sendo construído a 100m de sua

residência. Podemos prever, com auxílio do modelo, que, para essa distância, o
nível de ruído está próximo de 36 dB (o que está entre um suave sussurro e um
escritório tranquilo).
Fonte: Adaptado de Kokoska (2013).
289
Resumo da Unidade 4
Nesta unidade aprofundamos nossos conhecimentos na Estatística Indutiva. Iniciamos

apresentando os conceitos de Intervalos de Confiança, em que a partir dos dados cole-
tados em uma amostra foi possível inferir um intervalo sob um certo grau de confiança,
que continha o verdadeiro valor do parâmetro, como se tivéssemos feito nossa pesquisa
com todos os elementos da população.
Já familiarizados com o uso da tabela normal padronizada, conhecemos, então, o tão

esperado cálculo do tamanho de uma amostra. Também apresentamos os conceitos
do coeficiente de correlação linear de Pearson, que nos auxiliou na verificação da força
com que uma variável está relacionada com a outra. Apresentamos, ainda, o modelo de
Regressão Linear, por meio do qual foi possível estimar a equação de uma reta que me-
lhor descreveria a relação entre uma variável dependente e uma variável independente.
Acreditamos, fortemente, que ao chegar até aqui você esteja familiarizado com os con-
ceitos fundamentais, tanto da Estatística Descritiva quanto da Estatística Indutiva. Ainda
temos uma vasta gama de conceitos, mas com as ferramentas adquiridas nesse curso
você conseguirá facilmente assimilar os novos conhecimentos.
Esse foi o pontapé inicial para mergulharmos no fascinante mundo da Estatística.
Saudações!
290
Referências

NEXO Jornal. Como funciona uma pesquisa eleitoral. YouTube. Disponível em: https://
youtu.be/igi7E1OY7gs. Acesso em: 19 set. 2020.
SWEENEY, D. J.; WILLIAMS, T. A.; ANDERSON, D. R. Estatística aplicada à administra-

ção e economia. 3. ed. São Paulo: Cengage Learning, 2013.
TABELA de Distribuição Normal Padronizada. Disponível em: http://ead.uva.br///recurso/

DEF/EST/u3_c3_r1/anexo/Tabela-da-Distribuicao-Normal.pdf. Acesso em: 5 set. 2020.
TABELA T-student. Disponível em: http://ead.uva.br////recurso/DEF/EST/u4_c1_r1/index.

htm. Acesso em: 19 set. 2020.
TEC Concursos. Intervalo de confiança para a média. #720037 Pró-Reitoria GP CP2 - Esta-
tístico (CP II)/2017. Disponível em: https://www.tecconcursos.com.br/questoes/720037.
Acesso em: 5 out. 2020.
291

EST Ebook

Enviado por

Direitos autorais:

Formatos disponíveis

EST Ebook

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

EST Ebook

Enviado por

Direitos autorais:

Formatos disponíveis

ESTATÍSTICA

Texto de acordo com as normas do Novo Acordo Ortográfico

AUTORIA DO CONTEÚDO PROJETO GRÁFICO

T716 Tostes, Adriana Maria Balena.

1 recurso digital (3621 KB)

Bibliotecária Adriana R. C. de Sá CRB 7 – 4049.

Introdução ao estudo estatístico 8

• Elaboração e análise de gráficos e tabelas

• Medidas de posição e de dispersão

Distribuições de Probabilidade 166

• Distribuições de probabilidades discretas

• Distribuição de probabilidade normal

Intervalos de confiança e Relação entre variáveis 228

O mundo em que vivemos está repleto de uma quantidade extraordinária de informa-

A Estatística é ferramenta essencial para fazer o tratamento de informações, que deno-

ADRIANA MARIA BALENA TOSTES

Introdução ao estudo estatístico

Nesta unidade apresentaremos os principais conceitos da Estatística, bem como os plane-

• Tópico 1: um breve histórico enfocando a relevância da Estatística no mundo em

Nesta unidade você será capaz de:

• Realizar a coleta, a organização, a descrição e a análise dos dados referentes a

Podemos pensar que os conceitos de Estatística nasceram no mundo contemporâneo, em

O primeiro registro disponível acerca de um levantamento estatístico refere-se à solicita-

Podemos dividir a evolução da Estatística em três fases. São elas:

Ocorre na Idade Média, quando as coletas de informações ti-

Por volta do século XVI iniciam-se as primeiras análises siste-

No século XVIII a Estatística foi batizada por Godofredo Achen-

1585 Padre José de Anchieta registra os habitantes de algumas capitanias.

Criação do Conselho Superior de Estatística, com vistas à padronização de

Criação do Instituto Nacional de Estatística, que só passou a existir de fato em

Criação do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio

Iniciaram os “modernos censos” decenais, não ocorrendo apenas o de 1990

1947 Primeiro curso de Inferência dado no Brasil baseado no livro de Cramer.

Duas escolas iniciaram o Ensino de Estatística no Brasil: uma no Rio de Janeiro,

Criação do Instituto de Pesquisa Econômica Aplicada – IPEA (www.ipea.gov.br),

Iniciou-se a formação de grupos de pesquisa em probabilidades, propiciando

Registram-se 25 universidades em todo o país com cursos de graduação e

Podemos notar um aumento significativo na oferta de cursos. Existem 56

Como podemos observar os conceitos da Estatística estão presentes na vida do homem

Agora, vamos conhecer alguns conceitos fundamentais da Estatística.

É a característica que será observada em uma pesquisa.

Sexo, idade, massa corporal, grau de instrução.

São as observações coletadas a respeito de uma determinada variável.

Feminino, masculino, 20 anos, 65 Kg, superior completo.

Em alguns casos seria impossível entrevistar todos os elementos para coletarmos os

Entenda melhor esses conceitos.

Ao referirmo-nos a uma população fazemos um recenseamento e o dado estatístico é con-

Amostra Amostragem Estatística

População Censo Parâmetro

O Censo é uma pesquisa realizada no Brasil pelo IBGE,

Para saber mais sobre o recenseamento visite o Portal

Podemos minimizar a possibilidade de erro melhorando a qualidade dos instrumentos de

No planejamento da pesquisa é essencial estudar as técnicas de amostragens. São elas:

1. Amostragens probabilísticas: aleatória simples, sistemática, estratificada, por

2. Não probabilísticas: inacessibilidade, a esmo, por material contínuo, intencionais,

Ainda é cedo para apresentarmos as técnicas de determinação do tamanho da amostra,

O uso inadequado da estatística

O uso inadequado da estatística induz a erro. Isso ocorre quando:

• Utilizamos amostras tendenciosas ou de tamanho pequeno.