1

SEBASTIO

GAZOLA

professor

lotado

no

Departamento de Estatstica da Universidade Estadual

de Maring UEM. Mestre em Engenharia de
Produo pela UFSC e doutor em Agronomia pela
UEM. Ministra disciplinas de estatstica nos diversos
cursos de graduao da UEM.

IVANI APARECIDA BASSO DA SILVA professora

lotada no Departamento de Estatstica da Universidade
Estadual de Maring UEM. Mestre em Estatstica
pela UEL. Ministra disciplinas de estatstica nos
diversos cursos de graduao da UEM.

Apresentao do livro
Este livro de Introduo Estatstica tem o objetivo de servir como apoio didtico
aos alunos iniciantes no estudo de estatstica. Consideramos que o texto pode ser usado de
maneira eficaz como um curso bsico para qualquer estudante interessado nas aplicaes
dos mtodos estatsticos.
A leitura do texto no exige conhecimento de matemtica alm do nvel dos cursos
do ensino mdio.
Estruturalmente, iniciamos o livro com alguns conceitos bsicos no captulo 1 e
com uma introduo s tcnicas de amostragem no captulo 2. Prosseguimos o texto com a
anlise descritiva dos dados realizada por meio da apresentao dos dados no captulo 3 e
das medidas descritivas no capitulo 4.
Uma introduo teoria de probabilidade e alguns modelos probabilsticos, que so
necessrios para o desenvolvimento dos captulos posteriores, so apresentados no capitulo
5.
Para um conhecimento inicial da inferncia estatstica apresentamos as
distribuies amostrais e a estimao de parmetros no capitulo 6 e no captulo 7 alguns
testes de hipteses.
Ao final foram citadas as referncias utilizadas para o desenvolvimento deste
material as quais recomendamos como complementao do contedo apresentado.
No anexo esto algumas tabelas necessrias para as aplicaes da metodologia.

Sumrio
Captulo 1: Introduo ..........................................................................

00

1.1 Conceitos Bsicos ..............................................................................

Captulo 2: Tcnicas de Amostragem ...................................................

2.1 Amostragem Probabilstica ................................................................
2.1.1 Amostragem Aleatria Simples ..................................................
2.1.2 Amostragem Aleatria Sistemtica ............................................
2.1.3 Amostragem Aleatria Estratificada ..........................................
2.2 Amostragem No-Probabilstica ...................................................

Captulo 3: Apresentao de Dados ......................................................

3.1 Tabelas e Grficos de dados Qualitativos .........................................
3.2 Tabelas e Grficos de dados Quantitativos .......................................

Captulo 4: Medidas Descritivas ..........................................................

4.1 Medidas de Posio ou Tendncia Central .......................................
4.2 Medidas de Disperso ........................................................................
4.3 Medidas de Simetria ...........................................................................

Captulo 5: Noes de Probabilidade E Principais Distribuies ......

5.1 Definies Bsicas .............................................................................
5.2 Introduo Probabilidade ................................................................
5.3 Distribuies Tericas de Probabilidade ............................................
5.3.1 Variveis Aleatrias ...................................................................
5.3.2 Distribuies de Probabilidade ...................................................
5.3.3 Distribuio Binomial ................................................................
5.3.4 Distribuio de Poisson ..............................................................
5.3.5 Distribuio Normal ...................................................................

Captulo 6: Distribuies Amostrais e Estimao de Parmetros ....

6.1 Distribuies Amostrais .....................................................................

6.1.1 Distribuio Amostral da Mdia ................................................

6.1.2 Distribuio Amostral da Diferena de Mdias .........................
6.1.3 Distribuio Amostral da Proporo ..........................................
6.2 Estimao por Ponto ..........................................................................

6.3 Estimao por Intervalo .....................................................................

6.3.1 Intervalos de Confiana para a Proporo (p) Populacional ....
6.3.2 Intervalos de Confiana para a Mdia Populacional com Varincia Conhecida
................................................................
6.3.3 Intervalos de Confiana para a Mdia Populacional com Varincia
Desconhecida ...........................................................

Captulo 7: Testes de Hipteses ............................................................

7.1 Construo de um Teste de Hipteses para o Parmetro ...............
7.2 Construo de um Teste de Hipteses para o Parmetro P ...............
7.3 Teste para Comparao de Varincias de duas Populaes .............
7.4 Teste para a Comparao de duas Mdias Populacionais para Amostras
Independentes ..................................................................
7.5 Teste para a Comparao de duas Mdias Populacionais para Dados Emparelhados
(Amostras Dependentes) ...........................................
7.6 Teste de Associao Qui-quadrado ...................................................

Anexos:
Tabela de Nmeros Aleatrios
Tabelas de distribuies de probabilidade

Captulo 1

INTRODUO

A estatstica tem grande aplicao na maioria das reas do conhecimento humano,

como por exemplo, rea de Cincias Biolgicas, Cincias da Sade, Cincias Sociais
Aplicadas, Cincias Agrrias e outras. Quando necessitamos tomar decises com base em
conjuntos de dados, a estatstica ensina como coletar, organizar, analisar e interpretar esses
dados para tirar concluses adequadas. Dentre as diversas definies de estatstica,
citamos:

Estatstica uma parte da Matemtica Aplicada que fornece mtodos

para a coleta, a organizao, a descrio, a anlise e a interpretao de
dados, visando a tomada de decises (CRESPO, 1995, p. 13).

Estatstica a cincia dos dados. Envolve a coleta, a classificao, o

resumo, a organizao, a anlise e a interpretao da informao
numrica. (VIEIRA, 1999).

A Estatstica envolve tcnicas para coletar, organizar, descrever, analisar

e interpretar dados, ou provenientes de experimentos, ou vindo de
estudos observacionais (BARBETTA; REIS; BRNIA, 2004 p. 11).

A Estatstica pode ser didaticamente classificada em duas reas: a estatstica

descritiva e a inferencial.
A estatstica descritiva a parte da estatstica que tem por objetivo coletar,
descrever e analisar dados de determinada populao, sem pretender concluses de carter
extensivo. Utiliza mtodos numricos e grficos para resumir e mostrar o comportamento
dos dados.
A estatstica inferencial, fundamentada na teoria matemtica das probabilidades, a
parte da estatstica que, baseando-se em resultados obtidos na anlise de amostras da
populao, procura inferir ou estimar leis de comportamento da populao da qual a
amostra foi retirada.

1.1 CONCEITOS BSICOS

Populao: o conjunto de elementos sobre o qual desejamos obter informaes. A

populao pode ser FINITA ou INFINITA. Representamos por N o nmero de
elementos da populao.

Censo: o processo utilizado para levantar as caractersticas observveis, abordando todos

os elementos de uma populao. Exemplo: Desejamos conhecer a faixa-etria dos alunos
do curso de Cincias Biolgicas Ensino a Distncia. Qual a populao de interesse?
Todos os alunos matriculados no curso de Cincias Biolgicas a Distncia.

Parmetros: So caractersticas numricas obtidas da populao. Exemplo: mdia da

altura dos alunos do Curso de Cincias Biolgicas Educao a Distncia.

Amostra: um subconjunto retirado de uma populao, obtido atravs de tcnicas de

amostragem. O nmero de elementos da amostra representamos por n. Exemplo: Em
uma pesquisa de opinio para saber o resultado das eleies para presidente do Brasil, qual
a populao de interesse? Qual seria a amostra? A populao constituda de todos os
eleitores do Brasil. A amostra seria um subconjunto (por exemplo, de n=2.000 eleitores) da
populao.

Amostragem: o processo de se extrair ou obter amostras.

Estatsticas: So caractersticas numricas obtidas da amostra. Exemplo: mdia da altura

obtida de uma amostra dos alunos do Curso de Cincias Biolgicas Educao a
Distncia.

Varivel: a caracterstica que est sendo analisada em cada elemento de uma populao.
Exemplo: Na populao de alunos do Curso de Cincias Biolgicas Educao a
Distncia, podemos estudar as variveis peso, idade, sexo, etc. As variveis podem ser
classificadas conforme o quadro 1.

Quadro 1: Classificao das variveis

Qualitativas:

Quando seus valores so expressos por atributos (no numricas).

Podem ser:

- Nominais

(sexo, estado civil, etc.)

- Ordinais

(Grau de escolaridade)

Quantitativas:
- Contnuas:

So as inerentemente numricas. Podem ser:

Quando podem assumir valores num intervalo. (peso, altura,
etc.)

- Discretas:

Quando assumem valores pontuais, geralmente de nmeros

inteiros. (nmero de filhos de um casal, nmero de aparelhos
de TV vendidos no ms, etc.)

Em geral, as medies do origem s variveis contnuas e as contagens ou

enumeraes, as variveis discretas.

Captulo 2

TCNICAS DE AMOSTRAGEM

10

Para que um conjunto de dados produza resultados teis necessrio fazer um

planejamento para a coleta destes dados. As decises do dia-a-dia esto direta ou
indiretamente baseadas em dados observados. Os dados observados devem produzir
informaes que atendam nossas indagaes e que sejam confiveis. Para tal, a coleta dos
dados e a anlise devem ser realizadas com critrios.
Em geral, os parmetros de uma populao so desconhecidos, pois na prtica nem
sempre possvel observar toda a populao. Ento, muito comum observarmos apenas
uma amostra de seus elementos e, a partir dos resultados dessa amostra, obter valores
aproximados, ou estimativas, para as caractersticas populacionais de interesse. Este tipo de
pesquisa usualmente chamado de levantamento por amostragem.
Num levantamento por amostragem, a seleo dos elementos que sero observados
deve ser feita sob uma metodologia adequada, de tal forma que os resultados da amostra
sejam informativos para avaliar caractersticas de toda a populao. Assim, antes de
selecionarmos uma amostra, preciso conhecermos as tcnicas de amostragem.
As amostras devem ser to grandes quanto possvel, pois quanto maior o tamanho
da amostra, maior a confiana nos resultados. As amostras muito pequenas, em geral, no
do boas estimativas. Como se determina o tamanho da amostra ser ensinado no captulo
de inferncia.

Quadro 2.1 Vantagens em realizar o censo e a amostragem.

Censo

Amostragem

- Populao pequena

- Populao infinita

- Tamanho da amostra grande em relao

populao

- Tempo limitado

- Exigncia de preciso completa

- Teste destrutivo
- Custo muito alto

CLCULO DO NMERO DE AMOSTRAS: Dada uma populao qualquer de N

elementos, o nmero de amostras de tamanho n, possveis, dado por:
Nn - Quando feita a reposio do elemento sorteado, amostragem com reposio.
N
- Quando no feita a reposio do elemento sorteado, amostragem sem reposio.
n

Exemplo: Considere a populao {1,2,3,4,5,6}. O nmero de amostras possveis de

tamanho n=2, :

11

Com reposio: Nn = 62 = 36

N
6
- Sem reposio: = = 15
n 2

TAMANHO DA AMOSTRA: As amostras devem ser to grandes quanto possvel, pois

quanto maior o tamanho da amostra, maior a confiana que se tem nos resultados. As
amostras muito pequenas, em geral, no do boas estimativas. Por outro lado, amostras
muito grande, porm mal feitas, so piores porque do idia de conter uma verdade que
no contem. Como se determina o tamanho da amostra ser ensinado no captulo 6.

2.1. AMOSTRAGEM PROBABILSTICA

A amostragem probabilstica ou aleatria aquela em que cada elemento da

populao tem a mesma probabilidade p (dada por n/N) conhecida, 0<p<1, de pertencer
amostra.
2.1.1 Amostragem Aleatria Simples

Esta amostragem feita atravs de sucessivos sorteios. Para selecionarmos uma

amostra aleatria simples necessrio termos uma lista de todos os elementos da
populao. A amostra pode ser realizada com reposio (quando o elemento sorteado volta
para a populao, ou seja, pode ser sorteado de novo) ou sem reposio (quando o
elemento sorteado no pode ser sorteado de novo).
Para populaes pequenas numeramos todos os elementos da populao e
efetuamos sucessivos sorteios, sem reposio, at completarmos o tamanho da amostra.
Para populaes grandes, usamos a tabela de nmeros aleatrios (Tabela 1 do
anexo) ou os nmeros aleatrios fornecidos por uma calculadora ou um software
computacional.

Exemplo 2.1 Com o interesse de conhecermos algumas caractersticas dos alunos de uma
turma de graduao com 45 alunos, vamos extrair uma amostra aleatria de 6 alunos.

a) Numeramos todos os elementos da populao. Os nmeros devem ter a mesma quantia

de algarismos. Assim temos:
01 Ariane, 02 Bernardo, ..., 45 Viviane.

12

b) Tomamos n=6 nmeros aleatrios do conjunto {01, 02, ... , 45}, desprezando os
nmeros que esto fora do conjunto e os que se repetem. Os nmeros podem ser
tomados da tabela de nmeros aleatrios, de uma calculadora que contenha a funo
nmeros aleatrios ou ainda usando um software computacional.
c) Verificamos quais os alunos que correspondem aos nmeros selecionados
aleatoriamente. Estes so os alunos que formam a amostra aleatria simples.

2.1.2 Amostragem Aleatria sistemtica

O processo consiste em sortearmos o primeiro elemento de um intervalo

denominado intervalo de amostragem e selecionarmos sistematicamente os demais.
mais utilizada quando os elementos da populao esto numerados. Para selecionarmos os
elementos sistematicamente preciso:
a) Calculamos o intervalo de amostragem, dado por, K=N/n, desprezando as decimais (K
deve ser arredondado para cima).
b) Sorteamos um nmero entre os nmeros 1,2, ...,K.
c) Selecionamos o elemento de cada intervalo de amostragem, correspondente ao nmero
sorteado.

Exemplo 2.2 Vamos supor uma populao de 800 alunos de certa Faculdade, j
numerados, de onde se quer extrair uma amostra de 50 alunos.
a) Determinamos o intervalo de amostragem:
K=N/n=800/50=16
b) Selecionamos 1 (um) nmero aleatrio de 1 a 16, usando uma calculadora ou a tabela de
nmeros aleatrios. Tomamos os nmeros da posio correspondente ao nmero sorteado a
cada intervalo de amostragem de 16 elementos. Supomos que o nmero sorteado seja 7. Os
nmeros que faro parte da amostra so: 7, 23, 39, 55, ..., 775, 791.
c) Verificamos quais os alunos correspondentes a estes nmeros e ento temos a amostra.

2.1.3 Amostragem Aleatria Estratificada

Consiste em dividir uma populao heterognea em subpopulaes (ou subgrupos)

mais ou menos homogneas. As subpopulaes so chamadas de estratos, dos quais so
extradas amostras do tipo aleatria simples ou sistemtica, independentes de estrato para
13

estrato. A amostra final obtida atravs da unio das amostras de cada estrato. Geralmente,
os estratos so de tamanhos diferentes em funo de buscarmos a homogeneidade dentro
de cada estrato com relao caracterstica em estudo. Assim, a amostragem estratificada
pode ser obtida de duas formas:

Amostragem Estratificada Proporcional: O tamanho da amostra de cada estrato

proporcional ao tamanho de cada estrato em relao populao. Desta forma, cada
elemento da populao tem a mesma probabilidade de pertencer amostra.

Exemplo 2.3 Desejamos fazer um estudo dos alunos do ensino mdio de uma escola
pblica para investigar o uso de bebidas alcolicas. A escola tem trs turmas de 1 srie
(125 alunos), duas de 2 (75 alunos) e uma de 3 srie (50 alunos) num total de 250 alunos.
Desejamos realizar um levantamento por amostragem, de tamanho n=50 alunos.

a) Determinamos os estratos por srie e o tamanho da amostra proporcional a cada estrato.

Tabela 2.1 Clculo do tamanho proporcional da amostra por estrato.

Estrato A

Estrato B

Estrato C

(1 srie)

(2 srie)

(3 srie)

NA=125

NB=75

NC=50

Proporo

pA=125/250=0,5

pB=75/250=0,3

pC=50/250=0,2

Amostra

nA==0,5.(50)=25

nB=0,3.(50)=15

nC=0,2.(50)=10

N. de alunos

b) Para cada estrato selecionamos a amostra usando a amostragem aleatria simples ou a

sistemtica. No necessrio utilizar a mesma tcnica em todos os estratos.
c) A amostra final composta pelas amostras dos trs estratos.

Amostragem Estratificada Uniforme: O tamanho da amostra de cada estrato o mesmo.

E usada quando desejamos comparar os diversos estratos. No exemplo 2.1, para obtermos
uma amostra aleatria estratificada uniforme de tamanho n=30, devemos selecionar 10
alunos de cada estrato.

14

2.1.4 Amostragem de Conglomerados

Conglomerado um agrupamento de elementos da populao. Por exemplo, num

carregamento de laranjas, as caixas de laranjas so os conglomerados. A amostragem
consiste em selecionarmos aleatoriamente algumas caixas de laranja e analisarmos toda a
caixa ou ainda, fazer uma nova seleo aleatria de elementos (laranjas) de cada caixa.

2.2. AMOSTRAGEM NO-PROBABILSTICA

A amostragem no-probabilstica aquela em que os elementos da populao no

tm todos a mesma probabilidade de pertencer amostra. Isto pode ocorrer em situaes
tais como a inacessibilidade a toda a populao, populao formada por material contnuo
(lquido ou slido). Em tais situaes mais adequada uma amostragem no-aleatria.
Porm procuramos gerar amostras que representam razoavelmente bem a populao.

15

EXERCCIOS

1) Uma clnica veterinria possui os registros dos animais que atende organizados em um
arquivo. Descreva o procedimento para obter uma amostra aleatria sistemtica de
tamanho igual a 1/3 do total de animais atendidos.

2) Um pesquisador tem 5 gaiolas que contm, cada uma, 4 ratos. Descreva a maneira de
selecionar 1 rato de cada gaiola, para compor uma amostra de tamanho n=5.

3) Dada uma populao de 10 alunos {Aline, Beatriz, Carlos, Darlei, Eliane, Fabola,
Geraldo, Hlio, Isabela e Joo}. Obtenha todas as possveis amostras distintas, do tipo
sistemtica, de 5 elementos.

4) Dada uma populao de 125 alunos, estabelea uma forma de obter uma amostra casual
simples de 10 alunos.

5) Os dados abaixo se referem aos pesos (em gramas) de animais de laboratrio.

250
276
295
310
269
306
305
281
260
274

272
295
320
275
276
318
290
295
305
283

276
285
312
312
284
291
291
297
312
296

257
277
255
265
291
267
275
313
303
302

363
261
281
315
273
298
260
290
293
318

298
299
315
288
294
305
271
298
285
320

281
310
306
305
288
286
259
265
288
251

260
318
296
265
299
257
289
271
255
262

a) Selecione uma amostra aleatria de tamanho n=8, atravs de uma amostragem aleatria
simples.
b) Selecione uma amostra aleatria de tamanho n=8, atravs de uma amostragem aleatria
sistemtica.
c) Divida a populao em dois estratos: Estrato A: pesos menores que 300 gramas e Estrato
B: pesos maiores ou iguais a 300 gramas. Selecione uma amostra estratificada proporcional
de tamanho n=16, atravs de uma amostragem sistemtica, considerando os estratos.

16

Captulo 3

APRESENTAO DE DADOS

17

A apresentao de dados estatsticos pode ser feita por meio de tabelas ou grficos.
A tabela o resumo de um conjunto de observaes, dispostos ordenadamente em
linhas e colunas. As tabelas so constitudas por:
Cabealho: a parte superior da tabela, apresentando as variveis envolvidas e indicando
as respostas numricas.
Corpo da tabela: a distribuio numrica das observaes em relao varivel.
Coluna indicadora: a coluna da varivel principal e suas variaes. As respostas so
colocadas em ordem alfabtica e apenas a primeira letra maiscula.
Total: optativo, mas quando utilizado deve aparecer em destaque, ou seja, deixar um
espao de uma varivel antes de inserir o total.

Quanto s informaes:
Ttulo: a indicao que precede a tabela e que contm a designao do fato observado, o
local e a poca em que foi registrado. (o que? onde? quando?).
Fonte: a indicao da entidade responsvel pelo fornecimento dos dados ou pela sua
elaborao.
Notas: so informaes de natureza geral, destinados a conceituar ou esclarecer o
contedo das tabelas, ou a indicar a metodologia utilizada no levantamento ou na
elaborao dos dados.
Chamadas: so informaes de natureza especfica sobre determinada parte da tabela,
destinadas a conceituar ou esclarecer dados.

Quanto sua diviso:

Traos horizontais: separam o cabealho e aparece no final da tabela. Salientamos ainda
que o primeiro trao e o ltimo devem ser mais fortes ou duplos.

Traos verticais: s aparecem para destacar a coluna indicadora do corpo da tabela. Os

demais traos verticais se necessrio devem ser feitos apenas no cabealho.
O grfico estatstico produz, no pblico em geral, uma impresso rpida e viva do
fenmeno em estudo. Os grficos so constitudos por:
Ttulo: acima do grfico, completo, claro e conciso;
Fonte: abaixo do grfico;
Legenda: no deve prejudicar a leitura do grfico.

18

Forma: a altura do grfico deve ter, aproximadamente, 75% da largura, de modo que,
incluindo o ttulo, legenda e o rodap, a moldura do grfico assuma mais ou menos, a
forma quadrada.

Tipos de grficos: Os grficos mais utilizados na estatstica so os diagramas e

esteriogramas. Daremos maior enfoque ao aprendizado dos diagramas, dentre os quais se
destacam:

Grficos de Colunas: a representao de dados por meio de retngulos, dispostos

verticalmente.
Grficos em Barras: a representao de dados por meio de retngulos, dispostos
horizontalmente.
Grficos de Linhas: a representao de dados por meio de uma linha.
Grficos de Setores: a representao de dados com base em um crculo, e empregado
sempre que se deseja ressaltar a participao de uma parte em relao ao total.
Grficos Comparativos: a representao de mais de uma varivel em um mesmo
grfico.

3.1 TABELAS E GRFICOS DE DADOS QUALITATIVOS

As variveis qualitativas so aquelas em que seus valores so expressos por

atributos (no numricas), por exemplo, sexo, estado civil, graus de escolaridade, etc.
Temos dois tipos de tabelas:
a) Tabela simples: a representao de valores de uma nica varivel.

Tabela 3.1: Grau de escolaridade de uma amostra de moradores do Bairro Sanenge,

Maring PR, 2004.
Grau de escolaridade
Nmero
Percentual
1 a 4 srie
23
22,5
5 a 8 srie
22
21,6
2 grau
44
43,1
3 grau
6
5,9
Sem escolaridade
7
6,9
Total geral
102
100,0
Fonte: Alunos do ensino mdio do Colgio Estadual Silvio M. Barros.

19

Sem escolaridade

6,9

3 grau

5,9

2 grau

43,1

5 a 8 srie

21,6

1 a 4 srie

22,5
0,0

5,0

10,0

15,0

20,0

25,0

30,0

35,0

40,0

45,0

50,0

Percentagem

Figura 3.1 Grau de escolaridade de uma amostra dos moradores do Bairro Sanenge,
Maring PR, 2004.
b) Tabela de dupla entrada ou de contingncia: a representao, em uma nica tabela,
de valores de mais de uma varivel, isto , a conjugao de duas tabelas.
Tabela 3.2 Grau de escolaridade versus sexo de uma amostra de moradores
Sanenge, Maring - PR, 2004.
Grau de escolaridade
Sexo
5 a 8 s.
2 grau
3 grau
Sem esc.
1 a 4 s.
5
10
3
1
Masculino
10
17
34
3
6
Feminino
13
22
44
6
7
Total
23

do bairro
Total
29
73
102

Fonte: Alunos do ensino mdio do Colgio Estadual Silvio M. Barros.

40

Masculino
34

35

Feminino

Frequncia

30
25
20

17
13

15
10

10

10

0
1 a 4 srie

5 a 8 srie

2 grau

3 grau

Sem esc.

Figura 3.2 Grau de escolaridade versus sexo dos moradores do bairro Sanenge, Maring PR, 2004.

20

3.2 TABELAS E GRFICOS DE DADOS QUANTITATIVOS

Muitas vezes, ns trabalhamos com variveis quantitativas com muitos valores

distintos, de forma que sua anlise fica cansativa e no possvel visualizar a distribuio
dos dados.
As tabelas para variveis quantitativas discretas ou contnuas so construdas
levando em considerao a frequncia com que os dados aparecem no conjunto, ou seja, o
nmero de vezes em que ele se repete. Estas tabelas so chamadas de distribuio de
frequncias. H dois tipos de tabelas de distribuio de frequncias: de varivel discreta e
de varivel contnua.

3.2.1 Distribuio de Frequncias para Variveis Discretas

Quando temos poucos resultados diferentes para a varivel fazemos a contagem
dos dados para cada valor.

Exemplo 3.1: Vamos supor que foram contados os filhos de 138 famlias da cidade de
Maring, em 2004. A tabela de distribuio de frequncias (Tabela 3.3) do nmero de
filhos das famlias construdo atravs da contagem das repeties dos resultados
observados.

Tabela 3.3 Distribuio de frequncias do nmero de filhos de 138 famlias que residem
em Maring, 2004.
N0 de Filhos
N0 de Famlias
0
5
1
30
2
55
3
30
4
10
5
5
6
3
Total
138
Fonte: Dados fictcios

A representao grfica pode ser feita de duas maneiras, por hastes verticais sobre
os valores observados (Figura 3.3) ou retngulos justapostos e com a mesma largura
(Figura 3.4).

21

60

55

Nmero de famlias

50
40
30

30

30
20
10
10

0
0

Nmero de filhos

Figura 3.3 Distribuio de frequncias do nmero de filhos de 138 famlias que residem
em Maring-PR, 2004.
60

55

Nmero de famlias

50
40
30

30

30
20
10
10

0
0

3
Nmero de filhos

Figura 3.4 Distribuio de frequncias do nmero de filhos de 138 famlias que residem
em Maring-PR, 2004.
Quando temos muitos valores diferentes da varivel devemos criar classes de
valores de ocorrncia de modo anlogo ao que feito para variveis contnuas que veremos
a seguir.

3.2.2 Distribuio de Frequncias para Variveis Contnuas

22

Quando a varivel do tipo contnua, os valores observados dificilmente se

repetem, ento, a forma apropriada de resumir os dados atravs da distribuio de
frequncias em classes ou intervalos.
Exemplo 3.2: Supe-se que foram coletados os pesos de 100 alunos. A tabela de
distribuio de frequncias (Tabela 3.4) do peso dos alunos construda atravs da
contagem dos valores observados em cada intervalo.

Tabela 3.4 Distribuio de frequncias dos pesos dos alunos da disciplina de estatstica
da UEM, 2004.
Peso em kg
Freqncia
50 55
55 60
60 65
65 70
70 75
75 80
80 85
85 90
90 95
95 100
TOTAL

2
3
10
14
30
18
11
7
4
1
100

Fonte: Dados fictcios

Construo da Tabela de Distribuio de Frequncias em Classes.

a) Crtica dos dados: a verificao que se deve fazer nos dados, aps sua coleta, a
procura de possveis falhas, imperfeies e erros.
b) Dados brutos (xI): o conjunto de dados numricos obtidos aps a crtica dos valores
coletados x1, ..., xn (se amostrais) e x1, ..., xN (se populacionais).
c) Rol: o arranjo dos dados brutos em ordem crescente ou decrescente.
d) Amplitude total (AT): a diferena entre o maior e o menor valor dos dados
observados. AT = xmx-xmn.
e) Nmero de Classes (k): A sintetizao dos dados em tabelas nos leva a separ-los em
subconjuntos segundo k classes de valores. Existem diversas maneiras para se encontrar
o nmero de classes (k), uma delas a raiz quadrada do nmero de elementos
(k =

ou

k = N ). Na realidade, a prtica do pesquisador que vai determinar se o

nmero de classes razovel, levando em conta a amplitude total (AT) e o nmero de

elementos (n ou N). Recomendamos (5 k 12).

23

f) Amplitude das classes (h): o intervalo de valores estabelecido para cada classe, que
dado por h = AT/k. h tem que ter o mesmo nmero de casas decimais que os escores e deve
ser arredondado somente para um valor maior.
g) Limites de classes (li ou Li): So os valores extremos de cada intervalo de classe
representados por: li = limite inferior e

Li = limite superior

Notaes entre os limites de classes:

inclui os dois limites na classe.

inclui somente o limite inferior.

inclui somente o limite superior.

no inclui nenhum do limites.

h) Frequncias absolutas de classes (FI ): o nmero de dados cujos valores pertencem a

cada classe. O limite superior da ltima classe pode ser obtido por: LK = l1 + h.K

Colunas complementares na tabela de distribuio de frequncias

i) Ponto mdio de classe ( xi ): o valor que representa os elementos de uma classe dado
por: xi=(Li+li)/2
j) Frequncias absolutas acumuladas (Fai): Consiste em acumular o nmero de dados de
uma dada classe acrescido de todos os dados das classes anteriores.
k) Frequncias relativas (fi ou fi %): a proporo ou percentual de dados em cada
classe, dada pela expresso: fi=Fi/n ou fi%=(Fi/n).100
l) Frequncias absolutas acumuladas percentuais (Fai %): Traduzem a percentagem de
dados acumulados at a classe i : Fai%=(Fai/n).100
Exemplo 3.3 Vamos construir a tabela de distribuio de frequncias para os pesos (kg) de
28 alunos de certa universidade.
58
49
65
79
73
84
81
76
67
63
52
61
48
55
63
75
81
52
66
68
74
70
69
72
58
67
67
60
a) Colocamos os dados em ordem crescente (rol).
48
55
61
66
49
58
63
67
52
58
63
67
52
60
65
67

68
69
70
72

73
74
75
76

79
81
81
84

b) Calculamos a amplitude total (AT): AT = xmx-xmn=84-48=36 kg

c) Definimos o nmero de classes (k): k = n = 28 = 5, 29 .

24

Podemos considerar 5 ou 6 classes. Vamos usar 6 classes.

d) Determinamos o tamanho da classe (h): h = AT/k=36/6=6.
e) Construmos a tabela de distribuio de frequncias e determinamos as frequncias
absolutas de classes (FI): Por exemplo, na primeira classe existem 4 valores: 48, 49, 52, 52.
Tabela 3.5 Distribuio de frequncias para os pesos (kg) de 28 alunos de uma certa
universidade.
Peso em kg
Frequncia (FI)
48 54
54 60
60 66
66 72
72 78
78 84

4
3
5
7
5
4
Total

28

Colunas complementares na tabela de distribuio de frequncias:

f) Calculamos o ponto mdio de cada classe (xi): x1=(L1+l1)/2=(54+48)/2=51. Assim,

procedemos para cada classe.
g) Calculamos as frequncias absolutas acumuladas (Fai): o valor acumulado da primeira
classe consiste no valor da frequncia absoluta, o valor acumulado da segunda classe a
soma dos valores das frequncias absolutas da primeira e segunda, e, assim,
sucessivamente se acumula o nmero de dados de uma dada classe acrescido de todos os
dados das classes anteriores.

Tabela 3.6 Distribuio de frequncias e colunas complementares para os pesos

28 alunos de uma certa universidade.
Frequncia
Ponto
Peso em kg
Fai
fi
fi%
(FI)
Mdio (xi)
4
51
4 0,143 14,3
48 54
3
57
7 0,107 10,7
54 60
63
12 0,179 17,9
5
60 66
7
69
19 0,250 25,0
66 72
5
75
24 0,179 17,9
72 78
4
81
28 0,143 14,3
78 84
Total
28
1,000 100,0

(kg) de
Fai%
14,3
25,0
42,9
67,9
85,8
100,0

25

h) Calculamos as frequncias relativas (fi ou fi %): f1=F1/n=4/28=0,143, ...

f6=F6/n=4/28=0,143. Em percentual, multiplicamos por 100 a fi.
i)

Calculamos

as

frequncias

absolutas

Fa1%=(Fa1/n)100=(4/28)100=14,3% ...

acumuladas

percentuais

(Fai%):

Fa6%=(Fa6/n)100=100,0%

Construo de Grficos de Distribuio de Frequncias em Classes.

A representao grfica feita de trs formas:

Histogramas: As classes da distribuio de frequncias so representadas por colunas
justapostas, cujas alturas so definidas pelas respectivas frequncias absolutas (Fi). O
histograma construdo sobre os intervalos de classe e as reas dos retngulos que o
compem representam proporcionalmente os dados cujos valores ocorrem em cada classe.

Polgonos de frequncias: um grfico de rea construdo unindo-se os pontos (xi ; Fi)

onde xi so os pontos mdios dos intervalos de classe e Fi so as frequncias absolutas das
classes. Cria-se no eixo das abcissas um ponto mdio aqum do menor valor de xi e outro
alm do maior valor de xi, para que o polgono fique definido e tenha equivalncia de rea
com o histograma da mesma distribuio. Suavizando a linha poligonal que define o
polgono obtm-se uma curva que visualiza a tendncia de variao dos dados.

Polgonos de frequncias acumuladas ou ogivas: As ogivas (mais utilizadas) so

construdas unindo os pontos (Li ; Fai) ou (Li ; Fai%), onde Li so os extremos superiores
dos intervalos de cada classe.

Para a tabela 3.4 os grficos so apresentados nas Figuras 3.5, 3.6 e 3.7.
35

29

Freqncia

30
25

18

20

15

15

11

10

10
5

0
50

55

60

65

70

75
80
Peso em kg

85

90

95

100

26

Figura 3.5 Histograma de frequncias dos pesos dos alunos da disciplina

de estatstica da UEM, 2004.

35

Frequencia

30
25
20
15
10
5
102,5

97,5

92,5

87,5

82,5

77,5

72,5

67,5

62,5

57,5

52,5

47,5

Peso em kg

Figura 3.6 Polgono de frequncias dos pesos dos alunos da disciplina de

estatstica da UEM, 2004.
120
Frequncia

100
80

99 100

95

88
77

60

59

40
29

20
0
50

55

15

60

65

70 75 80
Peso em kg

85

90

95

100

Figura 3.7 Polgono de frequncias acumuladas dos pesos dos alunos da

disciplina de estatstica da UEM, 2004.

27

EXERCCIOS

1) Numa pesquisa por amostragem, realizada com 25 pessoas em um supermercado,

levantaram-se as seguintes informaes:
Aluno

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

Nmero de
pessoas na
famlia
3
2
4
3
5
2
1
1
2
2
5
3
7
4
6
6
5
4
2
3
3
3
4
3
4

Sexo

Grau de
escolaridade

Idade

M
F
F
M
M
M
F
F
M
F
M
F
M
M
F
M
F
F
M
F
F
M
M
F
F

Fundamental
Mdio
Fundamental
Fundamental
Mdio
Superior
Superior
Superior
Mdio
Fundamental
Superior
Fundamental
Mdio
Superior
Fundamental
Mdio
Mdio
Superior
Superior
Fundamental
Mdio
Superior
Mdio
Superior
Mdio

32
45
38
35
41
40
39
33
36
35
33
40
42
45
36
40
36
38
43
38
41
35
40
34
41

Renda
familiar
(R$)
1200
1500
1000
950
750
1800
2200
1100
1600
2000
1250
1400
1800
1700
1700
1500
2000
1700
1800
2100
2000
1300
1500
1200
1500

a) Classificar o tipo de cada varivel.

b) Construir uma tabela de distribuio de frequncias adequada para cada varivel.
b) Construir os grficos adequados para cada varivel.

28

Captulo 4

ANLISE DE DADOS

29

4.1 MEDIDAS DE POSIO OU DE TENDNCIA CENTRAL

So medidas que objetivam representar, atravs de um s nmero, caractersticas

quantitativas dos dados. So elas: a mdia, a mediana e a moda.

a) Mdia. Representa o ponto de equilbrio de um conjunto de dados. Seja (x1,...,xn ) um

conjunto de dados.
Mdia da amostra:

x=

Mdia da populao:

Para obtemos a mdia em tabelas de distribuio de frequncias usamos a seguinte

expresso:

x=

x F
F
i

- Para tabelas sem intervalos de classe, xi so os valores da varivel.

- Para tabelas com intervalos de classe, xi corresponde ao ponto mdio do intervalo.
Algumas propriedades da mdia:
1) A soma algbrica dos desvios (di) tomados em relao a mdia nula.
k

di = xi - x e

di = 0
i =1

2) Somando ou subtraindo uma constante (c) a todos os valores de uma varivel, a mdia
do conjunto fica aumentada ou diminuda dessa constante.
yi = xi c

y = x c

3) Multiplicando ou dividindo todos os valores de uma varivel por uma constante (c), a
mdia do conjunto fica multiplicada ou dividida por essa constante.
yi = xi . c y = x . c e

yi =

xi
x
y=
c
c

b) Moda. o valor que ocorre com maior frequncia em um conjunto de dados. Existem
sries em que nenhum valor aparece mais vezes que outros (sries amodais). Em outros
casos, pode aparecer dois (bimodal), trs (trimodal), ou mais valores de concentrao.
Para localizar o valor da moda, usamos os dados em rol.
A moda de dados de tabelas de distribuio de frequncias apurada, geralmente,
pela expresso de Czuber.

30

Mo = li +

h.(Fi Fi 1 )
(i representa a classe de maior frequncia).
(Fi Fi 1) + (Fi Fi +1)

c) Mediana. A mediana de um conjunto de valores ordenados segundo uma ordem de

grandeza a medida que ocupa a posio central do conjunto de dados, ou seja, ela divide
o conjunto em duas partes iguais, 50% dos valores esto abaixo e 50% esto acima do
valor da mediana.
Se a srie tiver um nmero mpar de termos, a Md o valor que est no centro da
srie. Neste caso, determina-se a mediana da seguinte forma:
Md = xp onde p=(n+1)/2 a posio do elemento central.
Se a srie tiver um nmero par de termos, temos dois elementos ocupando o centro
da srie, ento, a mediana a mdia aritmtica destes elementos, calculada da seguinte
forma:
Md =

x p + x p+1
2

(p=n/2 a posio do primeiro elemento central da srie).

A mediana de dados de tabelas de distribuio de frequncias em classes

calculada por:
M d = li +

h.(p Fa i 1 )
. ( p = n / 2 e i representa a classe que contm o menor valor de Fai ,
Fi

para o qual Fain/2).

A mediana divide um conjunto de dados em duas partes iguais, assim, a mediana
uma medida separatriz. Existem outras separatrizes, que no so medidas de tendncia
central, mas tem similaridade com a mediana. Uma medida separatriz que muitas vezes
de interesse do pesquisador o Quartil.

Quartis (Qi): Denominamos quartis os valores de uma srie que a divide em quatro
partes iguais. O primeiro quartil (Q1) delimita os 25% menores valores, o terceiro quartil
(Q3) delimita os 25% maiores valores e o segundo quartil a prpria mediana que separa
os 50% menores dos 50% maiores valores.

Para calcularmos os quartis, organizamos os dados em ordem crescente.

Obtemos a mediana, que o segundo quartil.

31

Obtemos o primeiro quartil, procedendo como se fosse calcular a mediana dos

dados menores que a mediana j calculada.

Obtemos o terceiro quartil, procedendo como se fosse calcular a mediana dos dados
maiores que a mediana j calculada.

Os quartis para dados de tabelas de distribuio de frequncias em classes so

calculadas da seguinte forma:
h.(p-Fa i-1 )
Fi
Onde: - i a classe que contm o quartil ( Q1 , Q2 , Q3 )
-K a ordem do quartil: K = 1, 2, 3
-p a posio do quartil desejado e calculado pela expresso:
n
p= .K
4
Q k =li +

Exemplo 4.1 Obtenha as medidas de posio para os dados do exemplo 3.3.

a) mdia:
x=

x
n

= (48+49+ ... +84)/28=66,179 kg

O peso mdio dos alunos de 66,179 kg, que representa o ponto de equilbrio do
conjunto de dados.

b) moda: A moda o valor da srie que ocorre com maior frequncia. O valor 67 kg
ocorreu trs vezes, a moda da srie. Mo=67 kg.

c) mediana: Como a srie tem nmero par de termos, temos dois elementos ocupando o
centro da srie. Ento, a mediana a mdia aritmtica destes elementos, calculada da
seguinte forma:
p=n/2=28/2=14,

assim: M d =

x p + x p+1
2

x14 + x15 67 + 67
=
= 67
2
2

Logo, 50% dos alunos tm peso abaixo de 67 kg.

d) quartis:
Primeiro quartil: i=1/4(28+1)=7,25 , temos ento que o primeiro quartil :
32

Q1=x7,25= x7+0,25(x8-x7)=58+0,25(60-58)=58,5

Terceiro quartil: i=3/4(28+1)=21,75 , temos ento que o terceiro quartil :

Q3=x21,75= x21+0,75(x22-x21 )=73+0,75(74-73)=73,75

Exemplo 4.2 Obtenha as medidas de posio dos dados da tabela 3.5 de distribuio de
frequncias.

a) mdia: x =

x F = (51.4+ ... +81.4)/28=66,857 kg

F
i

O peso mdio dos alunos obtido da distribuio de frequncias de 66,857 kg.

b) moda: Mo = li +

h.(Fi Fi 1 )
(i representa a classe de maior frequncia).
(Fi Fi 1) + (Fi Fi +1)

A classe de maior frequncia absoluta i=4. Assim, temos:

Mo = l4 +

h.(F4 F41 )
6.(7 5)
= 66 +
= 69
(F4 F41 ) + (F4 F4+1 )
(7 5) + (7 5)

A moda obtida da distribuio de frequncias de 69 kg.

c) mediana: M d = li +

h.(p Fa i 1 )
. (p=28/2=14 e i=4 representa a classe que contm o
Fi

menor valor de Fai=19>14).

Assim: M d = li +

h.(p Fa i 1 )
h.(p Fa 4 1 )
6.(14 12)
= l4 +
= 66 +
= 67, 714
Fi
F4
7

A mediana obtida da distribuio de frequncias de 67,714 kg.

d) quartis:
Primeiro quartil:
Posio: p=(n/4).k =28/4.1=7. A posio do quartil desejado e a classe 2.
h.(p-Fa i-1 )
h.(p-Fa 2-1 )
6.(7-4)
= l2 +
= 54+
= 60
Fi
F2
3
Terceiro quartil:
Q k =li +

Posio: p=(n/4).k =28/4.3=21. A posio do quartil desejado e a classe 5.

Q k =li +

h.(p-Fa 5-1 )
h.(p-Fa i-1 )
6.(21-19)
= l5 +
= 72+
= 74, 4
Fi
F5
5

33

4.2 MEDIDAS DE DISPERSO

So medidas estatsticas que visam fornecer o grau de variabilidade ou disperso

dos dados pesquisados, utilizando como referncia uma medida de tendncia central
(geralmente utilizamos a mdia). As medidas de disperso so importantes em termos de
anlise, pois dois ou mais conjuntos de dados podem estar centrados em um mesmo valor
(medidas de tendncia central), mas seus valores podero estar muito mais dispersos num
conjunto do que no outro. As medidas de disperso que nos interessam so: a amplitude
total, a varincia, o desvio-padro e o coeficiente de variao.

a) Varincia e desvio padro. A varincia e o desvio padro so medidas que avaliam a

disperso dos dados de forma a complementar as informaes contidas na mdia.

A varincia a medida que fornece o grau de variabilidade ou disperso dos dados em

torno da mdia, na unidade quadrtica.

Dados originais
Amostral

Populacional

(x
=

n 1

(x
=

Distribuio de frequncias

x Fi

n 1

(x
=

(x
=

) Fi
2

O desvio-padro a medida que fornece o grau de variabilidade ou disperso dos dados em

torno da mdia na unidade dos dados.

Amostral

Populacional

s = s2

= 2

b) Coeficiente de variao. O coeficiente de variao (CV) mede a variao ou disperso

dos dados em termos relativos, pois ao dividir o desvio-padro pela mdia, a unidade de
medida cancelada. Assim, o coeficiente de variao muito til quando se quer comparar
as variaes de diferentes unidades de medida. Quanto mais prximo de 0 ou 0%, menor a

34

variabilidade dos dados. Para valores do cv 50%, a mdia representativa dos dados.
Quanto mais prximo de 1 ou 100%, maior a variabilidade dos dados. Neste caso, cv >
50%, a mdia no representa bem o conjunto de dados.
Populacional; CV%=(/).100

Amostral: CV%=(s/ x ).100

Exemplo 4.3 Obtenha as medidas de disperso para os dados do exemplo 3.3.

a) varincia: s

(x
=

n 1

(x
=

n 1

) = ( 48 66,179)
2

+ (49 66,179)2 + ... + (84 66,179)2

28 1

= 97, 707

a disperso dos dados em relao a mdia, na unidade quadrtica.

b) desvio padro: s = s 2
s = s 2 = 97,707 = 9,885
a disperso dos dados em relao a mdia na unidade original.

c) coeficiente de variao: CV%=(s/ x ).100=(9,885/66,179).100=14,94%.

Como o valor do CV<50%, a mdia representativa do conjunto de dados.

Exemplo 4.4 Obtenha as medidas de disperso para os dados da tabela 3.5.

a) varincia :
s

(x
=

x Fi

n 1

( 51 66,857 ) .4 + ... + (81 66,857) .4 = 93,901

2

28 1

b) desvio padro: s = s 2 = 93,901 = 9, 690

c) coeficiente de variao: CV%=(s/ x ).100=(9,690/66,857).100=14,49%.

4.3 MEDIDAS DE SIMETRIA

Tem por objetivo bsico medir o quanto uma distribuio se afasta da condio de
simetria. Pode ser:

35

a) Simtrica: Quando a mdia e a mediana coincidem.

b) Assimtrica negativa: Quando a mdia menor que a mediana.
c) Assimtrica positiva: Quando a mdia maior que a mediana.

Uma medida possvel para quantificar a assimetria de uma distribuio a dada

pelo primeiro coeficiente de assimetria de Pearson.

Populacional::

As =

Mo

Amostral: A s =

x Mo
s

Onde: As = 0 ( distribuio simtrica ).

As > 0 ( assimtrica positiva ).
As < 0

( assimtrica negativa ).

Exemplo 4.5 Analisar a simetria para os dados do exemplo 3.3.

Temos que: mdia=66,179<67=moda<67,7=mediana.

Calculo do coeficiente de assimetria de Pearson: A s =

x M o 66,179 67
=
= 0, 083 =
s
9,885

Logo, os dados tm assimetria negativa.

Exemplo 4.6 Analisar a simetria dos dados da tabela 3.5 de distribuio de frequncias.

Temos que: mdia=66,643< mediana=67,7<moda=70.

Calculo do coeficiente de assimetria de Pearson: A s =

x M o 66, 643 70
=
= 0,356 =
s
9, 429

Logo, os dados tm assimetria negativa.

36

EXERCCIOS

1) Numa pesquisa realizada com 46 alunos, levantaram-se as seguintes informaes:

Nmero de filhos nas famlias

Nmero de famlias

17

15

a) Construir uma tabela de distribuio de frequncias.

b) Construir os grficos adequados.
a) Calcular e interpretar as seguintes medidas: mdia; mediana; moda; varincia; desvio
padro; coeficiente de variao e coeficiente de assimetria.

2) O quadro abaixo mostra o nmero de faltas de 30 alunos nas aulas de certa disciplina,
durante todo o curso.
Aluno
1
2
3
4
5
6
7
8
9
10

N de
faltas
3
1
8
1
5
1
4
3
2
6

Aluno
11
12
13
14
15
16
17
18
19
20

N de
faltas
1
2
2
1
5
7
1
5
6
1

Aluno
21
22
23
24
25
26
27
28
29
30

N de
faltas
5
2
1
2
1
4
5
6
1
3

a) Construir uma tabela de distribuio de frequncias.

b) Calcular e interpretar as seguintes medidas: mdia; mediana; moda; varincia; desvio
padro; coeficiente de variao e coeficiente de assimetria.

3) Para os dados da varivel nmero de pessoas na famlia do exerccio 1 do captulo 3,

calcule as seguintes medidas: mdia; mediana; moda; varincia; desvio padro; coeficiente
de variao e coeficiente de assimetria.

4) Para os dados da varivel idade e renda familiar do exerccio 1 do captulo 3,

calcule:
a) nos dados em rol: mdia; mediana; moda; varincia; desvio padro; coeficiente de
variao e coeficiente de assimetria.
37

b) nos dados da tabela de distribuio de frequncias: mdia; mediana; moda; varincia;

desvio padro; coeficiente de variao e coeficiente de assimetria.

5) A tabela abaixo mostra a distribuio de frequncias das notas de 40 alunos.

Nota do aluno
0 2
2 4
4 6
6 8
8 10
Total

Freqncia
2
4
9
15
10

Ponto mdio
1,0
3,0
5,0
7,0
9,0

40

----

Calcular e interpretar as seguintes medidas descritivas: mdia; mediana; moda; varincia;

desvio padro e coeficiente de variao.

38

Captulo 5

NOES DE PROBABILIDADE
E
PRINCIPAIS DISTRIBUIES

39

Em suas origens, a estatstica teve por funo principal a organizao e a

apresentao de dados coletados empiricamente.
O desenvolvimento da teoria das probabilidades permitiu estatstica, a criao de
tcnicas mais adequadas de amostragem e formas de relacionar as amostras e as
populaes de onde provieram essas amostras.
Nos tpicos anteriores, foi visto que a distribuio das frequncias das observaes
de um fenmeno recurso poderoso para entender a variabilidade do mesmo. Com a teoria
da probabilidade pode-se criar um modelo terico que reproduza muito bem a distribuio
das frequncias quando o fenmeno observado diretamente. Tais modelos so chamados
modelos de probabilidades ou distribuies de probabilidades e so consideradas a
espinha dorsal da teoria estatstica, pois todos os processos inferenciais so aplicaes de
tais modelos ou distribuies.

5.1 DEFINIES BSICAS

Experimento Probabilstico: todo experimento em que verificamos as condies:

a) Podemos repetir indefinidamente, sempre nas mesmas condies;
b) Antes de realiz-lo no podemos prever o resultado que ser obtido;
c) O resultado obtido pertence a um conjunto conhecido de possveis resultados.

Espao Amostral: o conjunto de todos os resultados possveis de um experimento

probabilstico e , geralmente, representado por S.

Exemplo 5.1 Como exemplo consideremos os experimentos:

a) Jogar um dado e observar o nmero mostrado na face de cima.
b) Jogar uma moeda e observar a face voltada para cima.
c) Escolher um aluno de uma escola e verificar seu tipo sanguneo
Para esses experimentos, temos, respectivamente, os seguintes espaos amostrais:
a) S={1, 2, 3, 4, 5, 6}
b) S={c , k}, onde c denota cara e k denota coroa.
c) S={A, B, O, AB}
O espao amostral de um experimento probabilstico pode ser finito ou infinito.

40

Evento: qualquer subconjunto de resultados possveis, ou seja, qualquer subconjunto do

espao amostral.

Exemplo 5.2 Para o exemplo 5.1 acima, podemos definir os eventos:

a) A={2,4,6}={ocorre nmero par} ; B={5,6}={ocorre nmero maior que 4}
b) A={c}={ocorre cara} ; B={k}={ocorre coroa}
c) A={O}={aluno com sangue tipo O}

O prprio S, espao amostral, um evento chamado evento certo, o conjunto vazio

tambm um evento, chamado evento impossvel. Eventos com apenas um elemento do
espao amostral chamado evento simples.

Dois eventos A e B so mutuamente exclusivos se no possuem elementos

comuns, ou seja, A B= .

Operaes Com Eventos: Seja S um espao amostral e sejam A e B subconjuntos ou

eventos de S. Assim temos:
a) Unio: O evento A B formado pelos pontos do espao amostral que pertence a pelo
menos um dos eventos, ou seja, A B ocorre quando ou A, ou B, ou ambos ocorrem.
b) Interseco: O evento A B formado pelos pontos do espao amostral que
pertencem simultaneamente aos dois eventos, ou seja, A B ocorre quando A e B
ocorrem simultaneamente.
c) Complementao: O evento complementar Ac formado pelos pontos do espao
amostral que no pertencem ao evento A, ou seja, Ac o evento que ocorre se A no
ocorre.

Exemplo 5.3

No lanamento de duas moedas, sejam, A={sada de faces iguais} e

B={sada de cara na primeira moeda}. Ento:

O espao amostral

S={(c , c) , (c , k) , (k , c), (k , k)}

A = {(c , c) , (k , k)} e B = {(c , c) , (c , k)}

A B = {(c , c) , (c , k) , (k , k)}, A B = {(c , c)} e Ac = {(c , k) , (k , c)}

41

5.2 INTRODUO PROBABILIDADE

Definio: A cada evento A de um espao amostral S, associamos um nmero real P(A)

denominado probabilidade de A, tal que:

0P(A)1

P(S)=1

Esta definio no nos diz como calcular P(A). Apenas nos d algumas
propriedades gerais que P(A) deve ter. Antes de aprendermos como calcular P(A), vejamos
outras propriedades:

Propriedades:
a) P()=0
b) P(Ac)=1-P(A)
c) P(A B)=P(A)+P(B)-P(AB). Se A e B forem mutuamente excludentes ento P(A
B)=P(A)+P(B)
d) Se S for finito, ento a soma das probabilidades de todos os resultados possveis igual
a 1.
e) P(AcBc)=P((AB)c) =1 P(AB).

Resultados Igualmente Provveis (Definio clssica): Seja A um evento qualquer de

um espao amostral S. Se os eventos simples de S tm todos a mesma probabilidade de
ocorrncia, ou seja, so equiprovveis, podemos calcular a probabilidade do evento A
como:
P(A)=

N(A)
,
N(S)

onde N(A), o nmero de elementos de A e N(S) o nmero de elementos de S.

Exemplo 5.4 Consideremos o exemplo em que um dado lanado e o evento B que

ocorrer se, e somente se, um nmero maior que 4 aparecer, isto , B={5,6}.
Consequentemente, P(B)=2/6=1/3 j que S={1,2,3,4,5,6} um espao equiprovvel.

42

Exemplo 5.5 Para o experimento do lanamento de uma moeda o espao amostral S

tambm equiprovvel. Assim, para os eventos A={c} e B={k}, temos P(A) = P(B) = .

Frequncia Relativa como Aproximao da Probabilidade (Definio frequentista):

Na maioria das situaes prticas, os eventos simples do espao amostral no so
equiprovveis e no podemos calcular probabilidades usando a definio clssica. Uma
forma de lidar com essas situaes obter alguns dados empricos na tentativa de estimar
as probabilidades. Para isso, usamos o conceito de frequncia relativa como estimativa de
probabilidade da seguinte forma:
Seja E um experimento e A um evento. Se aps n realizaes do experimento E,
com n suficientemente grande, forem observados x resultados favorveis ao evento A,
ento um estimativa da probabilidade P(A), dada pela frequncia relativa:
fA=x/n,

ou seja,

P(A) ~ fA

muito importante saber que fA e P(A) no so a mesma coisa. Ns apenas

utilizaremos fA para aproximar P(A), ou seja, se ns identificarmos fA com P(A),
deveremos compreender que estaremos to somente substituindo o valor de P(A) por uma
aproximao obtida experimentalmente. A qualidade desta estimativa depende do nmero
de repeties do experimento. Quanto maior o nmero de repeties, a estimativa mais se
aproxima do verdadeiro valor da probabilidade, ou seja,
P(A)= lim f A
n

Exemplo 5.6

Uma amostra de 6800 pessoas de uma determinada populao foi

classificada quanto cor dos olhos e cor dos cabelos conforme tabela a seguir.

Tabela 5.1 Distribuio conjunta de frequncias da cor dos olhos e dos cabelos.
Cor dos cabelos
Cor dos olhos

TOTAL
Loiro

Castanho

Preto

Ruivo

Azul

1768

807

189

47

2811

Verde

937

1139

485

53

2614

Castanho

115

438

288

16

857

248

261

518

2829

2632

1223

116

6800

Preto
TOTAL

43

Consideremos o sorteio de uma pessoa dessa amostra e suponhamos que os eventos

de interesse sejam:
A={a pessoa tem olhos azuis}; C={a pessoa tem cabelos castanhos}.

Assumindo que o nmero de repeties do experimento grande, podemos usar a

frequncia relativa como aproximao da probabilidade desses eventos ocorrerem, ou seja:
P(A) =
P(C) =

nmero de pessoas de olhos azuis 2811

= 0,4134
=
nmero de pessoas na amostra
6800

nmero de pessoas de cabelos castanhos

2632
=
= 0,3871
nmero de pessoas na amostra
6800

Vamos supor agora que queremos saber a probabilidade da pessoa ter olhos azuis e
cabelos castanhos.
O evento {a pessoa tem olhos azuis e cabelos castanhos} chamado de evento
interseo e representado por AC. Assim,
P(AC) =

807
= 0,1187
6800

O evento {a pessoa tem olhos azuis ou cabelos castanhos} chamado de evento

unio e representado por AC. A probabilidade do evento unio nesse caso ser.
P(AC)=P(A)+P(C)-P(AC) = 0,4134 + 0,3871 - 0,1187 = 0,6818
A probabilidade do evento {a pessoa no tem olhos azuis} a probabilidade do
evento Ac:
P(Ac)=1-P(A) = 1 - 0,4134 = 0,5866

Exemplo 5.7 Supomos que em uma universidade 50% dos alunos falam ingls, 20% falam
espanhol e 5% falam os dois idiomas. Qual a probabilidade de um aluno falar pelo menos
um desses idiomas?
Consideremos os eventos A={o aluno fala ingls}, B={o aluno fala espanhol} e
AB={o aluno fala ingls e espanhol}.
Temos que P(A)=0,5, P(B)=0,2 e P(A C)=0,05.
O evento {o aluno fala pelo menos um desses idiomas} corresponde ao evento A ou
B, ou seja, AB.
Logo P(AB)=P(A)+P(B)-P(AB) = 0,5 + 0,2 - 0,05 = 0,65.
Assim, a probabilidade de o aluno falar pelo menos um desses idiomas de 65%.

44

Probabilidade Condicional e Independncia: A probabilidade de um evento A ocorrer,

sabendo que um outro evento B j ocorreu, chamada de probabilidade condicional de A
dado B. Essa probabilidade representada por P(A/B) e calculada por:
P(A/B) =

P(A B)
P(B)

Esta expresso pode ser reescrita na forma chamada regra do produto:

P(A B) = P(A/B)P(B).
Dois eventos so independentes quando a ocorrncia de um no interfere na
probabilidade de ocorrncia do outro, ou seja,
P(A/B)=P(A).
Assim, se A e B so independentes, da regra do produto temos:
P(AB)=P(A)P(B)
A probabilidade de um evento Ac ocorrer, sabendo que um outro evento B j
ocorreu, isto , P(Ac/B) e calculada por:
P(Ac/B) = 1 - P(A/B)

Exemplo 5.8 Para o exemplo 5.6 a probabilidade do evento {a pessoa tem olhos azuis
sabendo que possui cabelos castanhos}, :
P(A/C) =

P ( A C)
0,1187
=
= 0,3066
P ( C)
0,3871

Por outro lado, a probabilidade do evento {a pessoa no tem olhos azuis sabendo
que possui cabelos castanhos}, :
P(Ac/C) = 1 - P(A/C) = 1 - 0,3066 = 0,6934

Exemplo 5.9 Um casal deseja ter 2 filhos. Qual a probabilidade de ambos serem do sexo
masculino?
Os eventos M={nascer uma criana do sexo masculino} e F={nascer uma criana
do sexo feminino} so equiprovveis. Logo, P(M) = P(F) = .
Por outro lado, a ocorrncia do evento A={o primeiro filho do sexo masculino}
no altera a probabilidade de ocorrncia do evento B={o segundo filho do sexo
masculino}. Assim, A e B so independentes e a probabilidade do evento AB={o
primeiro filho do sexo masculino e o segundo filho do sexo masculino} ser dada por:
P(AB)=P(A)P(B)=(1/2)(1/2)=1/4
45

Teorema da Probabilidade Total: Considere um espao amostral particionado em k

eventos, C1, C2, ... Ck e satisfazendo as seguintes propriedades:
a) CjCj) para todo i j;
b) C1C2 ... Ck = e
c) P(Cj) > 0 para todo i.
Seja E um evento de interesse do espao amostral. Ento:
F=(FC1)(FC2) ... (FCk). Onde os eventos (FCi) (i=1,...,n) so mutuamente
exclusivos entre si.
k

A probabilidade de ocorrer o evento B dada por: P(F)= P(Ci ).P(F/Ci )

i =1

Exemplo 5.10: Supomos que uma caixa 1 tem duas bolas brancas e duas bolas pretas, a
caixa 2 tem duas bolas brancas e uma bola preta e a caixa 3 tem uma bola branca e trs bolas
pretas. Se selecionarmos ao acaso uma bola, qual a probabilidade de ela ser branca?

Se soubermos de qual caixa a bola selecionada, a resposta seria simples. Como

voc no sabe qual a caixa, o teorema da probabilidade total permite solucionarmos esse
problema.
Sejam os eventos C1 ,

C2

C3 (representando as caixas) e o evento B

(representando bola branca).

Os eventos Ci so mutuamente exclusivos.
O evento B tem interseco com todos os Ci.
Supomos a mesma probabilidade para todas as caixas: P(C1)= P(C2)= P(C3)=1/3.
A probabilidade de bola branca para cada caixa : P(B/C1)=1/2, P(B/C2)=2/3 e
P(B/C3)=1/4.
A probabilidade de bola branca dada por: P(B)= P(C1) e P(B/C1) ou P(C2) e
P(B/C2) ou P(C3) e P(B/C3) = P(C1).P(B/C1) + P(C2).P(B/C2) + P(C3).P(B/C3)= 1/3.1/2 +
1/3.2/3+1/3.1/4=1/6+2/9+1/12=17/36.

46

Teorema da Bayes. O teorema de Bayes est relacionado com teorema da Probabilidade

Total. As condies so as mesmas, eventos mutuamente exclusivos e exaustivos e um
evento qualquer.
O teorema de Bayes permite obter a probabilidade de um evento ocorrer sabendo-se
que um outro evento ocorreu.
Para o caso das trs caixas possvel calcular: Qual a probabilidade da bola ser da
caixa B sabendo-se que ela branca?
Usando a expresso da probabilidade condicional P(A/B) =

P (A B)
e a regra do
P (B)

produto P(AB) = P(B).P(A/B), pode-se escrever o teorema de Bayes:

P(CI/F) =

P(C I ).P(F/CI )
P(F)

Onde P(F)= P(Ci ).P(F/Ci )

i =1

Exemplo: Sabendo-se que a bola branca, qual a probabilidade dela ser da caixa 2?
Temos, calculado no exemplo anterior, que a probabilidade da bola ser branca :
P(B)= P(C1) e P(B/C1) ou P(C2) e P(B/C2) ou P(C3) e P(B/C3) = P(C1).P(B/C1) +
P(C2).P(B/C2) + P(C3).P(B/C3)= 1/3.1/2 + 1/3.2/3+1/3.1/4=1/6+2/9+1/12=17/36.
Suponha a mesma probabilidade para todas as caixas, P(C1)= P(C2)= P(C3)=1/3.
A probabilidade de bola branca para a caixa 2 P(B/C2)=2/3.
Ento P(C2/B) =

P(C 2 ).P(B/C2 ) 1/3.2/3

=
=2/9.36/17=8/17
P(B)
17/36

5.3 DISTRIBUIES TERICAS DE PROBABILIDADE

Uma distribuio de probabilidade um modelo probabilstico aplicvel aos

fenmenos cujos resultados exatos em cada experimento futuro so imprevisveis. O
estudo de tais modelos o objetivo da teoria de probabilidade e sua aplicao s possvel
nas situaes em que h incerteza quanto ocorrncia ou no dos eventos estudados. Em
todo modelo matemtico essencial o conceito de varivel, assim tambm no modelo
probabilstico que por estar associado a fenmenos aleatrios sua varivel recebe o nome
especial de varivel aleatria.

47

5.3.1 Variveis Aleatrias

uma funo definida no espao amostral S, que costuma ser representada por X, e
cujo valor um nmero real determinado pelo resultado de uma experincia aleatria. As
variveis aleatrias podem ser de dois tipos:
a) Discretas: quando assume valores num conjunto finito ou infinito, mas numervel.
b) Contnuas: quando assume qualquer valor real num conjunto infinito no enumervel.

Exemplo 5.11: So exemplos de variveis aleatrias:

a) No de caras no jogo de duas moedas.
b) N de glbulos brancos por unidade de volume de sangue humano
c) Peso dos alunos de certa universidade.

5.3.2 Distribuio de Probabilidade

Quando associamos a cada ponto do espao amostral a correspondente

probabilidade de ocorrncia do evento, obtemos a distribuio das probabilidades do
experimento. Se alm disso, associamos a esses mesmos pontos uma varivel aleatria
indicadora obtemos uma distribuio que pode ser entendida como a distribuio das
probabilidades das variveis aleatrias associadas aos pontos do espao amostral. A
distribuio assim obtida nos mostra como a probabilidade total se divide pelos diversos
resultados possveis do experimento.

Distribuio ou Funo de Probabilidade Discreta: a funo P(X=x)=p(x) que atribui

a cada valor da varivel aleatria a sua probabilidade de ocorrncia e que satisfaz as
seguintes condies:
a) p(x) 0 , x

p( x ) = 1

b)

Se X uma varivel discreta e x1, x2, ... , so seus valores, a distribuio de X pode
tambm ser representada pela tabela abaixo:

Valores de X

x1

x2

P(X=xi)

p(x1)

p(x2)

...
...

Total
1

48

Exemplo 5.12 Na jogada de duas moedas, o espao amostral S = { cc, ck, kc, kk }, onde
c=cara e k = coroa. Seja X a varivel aleatria que represente o nmero de caras. A
distribuio de probabilidade de X :

Valores de X

Total

P(X=xi)

0,25

0,5

0,25

1,0

Distribuio ou Funo Densidade de Probabilidade Contnua: a funo f(x) que

satisfaz as seguintes condies:

a) f(x) 0 , x R

b)

f (x )dx = 1

c) P(aXb) = P(aX<b) = P(a<Xb) = P(a<X<b) = f ( x )dx

a

Note que P(a X b) igual rea sob a curva f(x) do segmento horizontal (a , b):
a

P(X=a) = f ( x )dx = 0
a

Mdia e Varincia de uma Varivel Aleatria: Tal como a distribuio de frequncias

de uma varivel qualquer, tambm uma distribuio de probabilidade pode ser descrita
usando uma medida de tendncia central e uma medida de disperso.
A mdia ou valor esperado de uma varivel aleatria uma medida do centro de
uma distribuio, representada por E(X) e dada por:
a) E(X) =

x i p(x i ) para variveis aleatrias discretas

b) E(X) =

xf (x )dx

para variveis aleatrias contnuas

Uma medida de disperso em relao ao valor mdio, dada pela varincia que
pode ser representada por 2 ou Var(X):

2 = Var(X) = E[(X-E(X))2] = E(X2) - [E(X)]2 .

O desvio padro dado por: = 2 =DP(x)= Var(x)
Onde:

E(X 2 ) = x 2i p(x i )

para varivel discreta.

E(X 2 ) = x 2 f (x)dx para varivel contnua.

49

Exemplo 5.13 Para o experimento do exemplo 5.12, a mdia ou valor esperado :

Mdia: E(X) =

x i p(x i ) =0.0,25+1.0,5+2.0,25=1,0.

Varincia: E(X2) =

x p(x ) =0 .0,25+1 .0,5+2 .0,25=1, 5.

2

2
i

2 = Var(X) = E(X2) - [E(X)]2 =1,5 (1)2=0,5.

Desvio padro: = 2 = Var(x) = 0,5 =0,707 .

Quadro 5.1 Propriedades da mdia e da varincia.

mdia

varincia

a) E(a)=a

a) Var(X)0

b) E(a+bX)=a+bE(X)

b) Var(a) = 0

c) E(X+Y)=E(X)+E(Y)

c) Var(aX+b)=(a)2Var(X)

d) Se X e Y forem independentes d) Se X
E(XY)=E(X).E(Y)

forem

independentes

Var(X+Y)=Var(X)+Var(Y)

5.3.3 Distribuio Binomial

Uma das mais importantes distribuies (ou modelos) de probabilidades para

variveis aleatrias discretas a distribuio Binomial.
O modelo Binomial se aplica a toda situao em que um conjunto de provas
repetidas satisfaz as seguintes condies:
a) As diversas provas se realizam sob condies idnticas;
b) Cada prova comporta apenas dois resultados possveis, mutuamente exclusivos,
designados por sucesso (representado por 1) e falha (representado por 0);
c) A probabilidade de sucesso, representada por p a mesma em cada prova, e
permanece constante durante todo o experimento. A probabilidade de falha representada
por q tambm constante, e q=(1-p), de modo que (p+q)=1.
d) As provas so independentes umas das outras. O conhecimento do sucesso (ou
falha) de uma delas no modifica a probabilidade de sucesso (ou falha) nas provas
subsequentes.
Uma varivel que comporta somente uma nica repetio do experimento e dois
resultados possveis como na condio (b) acima se chama varivel de Bernoulli.

50

Seja ento um experimento que consiste em um nmero fixo n de repeties

independentes de Bernoulli, com probabilidade p (constante) de sucesso em cada repetio.
X ser a varivel aleatria que d o nmero x de sucessos em n ensaios.
A distribuio de probabilidade da varivel aleatria X chamada distribuio
binomial com n repeties e probabilidade p de sucesso. Designa-se por b(n,p), onde n e
p so os parmetros da distribuio. Naturalmente, os valores possveis da varivel
aleatria X so os inteiros 0, 1, 2, ... n.
Como cada repetio s comporta dois resultados distintos - sucesso ou falha mutuamente exclusivos, a ocorrncia de k sucessos em n ensaios deve ser acompanhada
de n-k falhas. Sendo p a probabilidade de sucesso e (1-p)=q a probabilidade de falha,
temos que a probabilidade de ocorrncia de k sucessos e n-k falhas, numa dada ordem, ,
pelo princpio fundamental da contagem, pkqn-k .
Mas como s interessa o nmero de sucesso e falhas, e no a ordem que ocorrerem,
n
h disposies possveis daquelas ocorrncias.
k
Finalmente, a funo de probabilidade de X :
n
P(X=k)= pkqn-k , k= 0, 1, ... , n.
k

Mdia e Varincia da Distribuio Binomial: Se X a varivel aleatria com

distribuio binomial e parmetros n e p, ento:
E(X)=np

Var (X)=npq

Exemplo 5.13 Determine a probabilidade de obtermos um nico 6 em trs jogadas de um

dado. Em dezoito jogadas quantas vezes podemos esperar que saia o nmero 6?
Neste caso, sucesso obter o nmero 6 e como n=3, os valores possveis de X
sero: 0, 1, 2, 3. Alm disso, a probabilidade de sucesso em cada jogada p=1/6 e como
queremos a probabilidade de se obter apenas um (1) sucesso, temos:

()

3 1 5
= 0,35 .
1 6 6

P(X=1) =

O nmero mdio ou esperado de ocorrncia do nmero 6 em n=18 jogadas :

E(X)=np=18.1/6=3

51

Exemplo 5.14 Em uma prova com 10 questes do tipo verdadeiro ou falso, qual a
probabilidade de um aluno acertar por palpite ao menos oito?
Neste caso, a probabilidade do aluno acertar (sucesso) igual probabilidade de
errar (falha), ou seja, p = q = 0,5.
Alm disso, n=10 e os valores possveis de X so: 0, 1, 2,...,10.
A probabilidade do aluno acertar ao menos oito questes a soma das
probabilidades de acertar 8, 9 ou 10 questes.
P( X8)= P(X=8) + P(X=9) + P(X=10)

10
10
10
P(x 8) = 0,58 .0,510-8 + 0,59 .0,510-9 + 0,510 .0,510-10 =0,0547
8
9
10
A probabilidade de um aluno acertar ao menos oito questes de 5,47%.

5.3.4 Distribuio de Poisson

Esta distribuio muito usada quando desejamos obter a probabilidade de

ocorrncia de eventos em intervalos de tempo, ou superfcie, ou volume, tais como:
a) nmero de chamadas telefnicas durante um intervalo de tempo.
b) nmero de falhas de um computador em um dia.
c) nmero de acidentes de trabalho em uma empresa num determinado ms.

De modo geral, dizemos que a varivel aleatria X tem uma distribuio de Poisson
com parmetro >0 se:

e k
P(X = k) =
, k = 0, 1, 2, ... .
k!

Mdia e Varincia da Distribuio de Poisson: Podemos facilmente demonstrar que:

E(X) = VAR(X) =
Assim, representa o nmero mdio de tais eventos ocorrendo no intervalo
considerado.

Exemplo 5.15 Suponhamos que 10.000 bactrias movam-se independente e aleatoriamente

em um volume de 20000 cm3. a) Qual a probabilidade de um cm3 escolhido ao acaso no
conter bactrias? b) Qual a probabilidade de um cm3 escolhido ao acaso conter mais de

52

uma bactria? Ou ainda, c) qual a probabilidade de dois cm3 escolhidos ao acaso conterem
duas bactrias?
Se X a v.a. que representa o nmero de bactrias presentes em um cm3, temos:
a) O nmero mdio de bactrias por cm3 : E(X) = = (10000/20000) = 0,5
0,5
e-0,5 .(0,5)0
= e
= 0,6065. Assim, a probabilidade de um cm3 escolhido ao
P(X = 0) =
0!

acaso no conter bactrias 60,65%.

b) P(X > 1) = 1 (P(X = 0) + P(X = 1)) = 1 (0,6065 +

e-0,5 (0,5)1
) = 1 0,9097 = 0,0903.
1!

Assim, a probabilidade de um cm3 escolhido ao acaso conter mais de uma bactria

9,03%.
Se Y a v.a. que representa o nmero de bactrias presentes em dois cm3, temos:
c) O nmero mdio de bactrias por 2cm3 : E(Y) = = 2(0,5) = 1 e, portanto:
P(Y = 2) =

e 1 (1) 2
= 0,1839. Assim, a probabilidade de dois cm3 escolhidos ao acaso
2!

conterem duas bactria 18,39%.

Aproximao da Binomial pela Poisson

Para n grande e p pequeno, podemos aproximar a distribuio Binomial pela

distribuio de Poisson. Ou seja, se X tem distribuio binomial, b(n,p), tal que np7,
ento:
P(X = k)

e np (np) k
k!

Exemplo 5.16: Se a probabilidade de um indivduo sofrer uma reao nociva, resultante da

injeo de um determinado soro 0,001, determinar a probabilidade de, entre 2000
indivduos, exatamente 3 sofrerem essa reao.
Se X a varivel que representa o nmero de indivduos que sofrem a reao,
temos: n = 2000; p = 0,001; np = 2. Assim, a aproximao pela Poisson pode ser usada:
e-2 (2)3
P(X = 3) =
= 0,1804. Assim, a probabilidade de, entre 2000 indivduos,
3!
exatamente 3 sofrerem essa reao 18,04%.
53

5.3.5 Distribuio Normal

A distribuio normal surgiu no sculo XVIII ligada ao estudo de erros de

medies repetidas de uma mesma quantidade. As suas propriedades matemticas foram
estudadas por DeMoivre, Laplace e Gauss, sendo por este fato, conhecida por distribuio
de Gauss. As principais razes da sua importncia se devem ao fato de muitas variveis
biomtricas serem aproximadamente normais e possibilidade de que mesmo as variveis
no normais possam ser aproximadas pela normal.
A distribuio normal tem sua funo de densidade dada por:
1 x-

-
1
f(x)=
e 2
2

onde e so os parmetros da distribuio e -<x<.

- .

+ .

Figura 5.1 Curva normal tpica:

A funo f(x) possui as seguintes caractersticas:

A mdia da distribuio e o desvio padro .
A curva simtrica em relao a um eixo vertical passando por x=.
A moda ocorre em x = .
A curva tem inflexes nos pontos x = .
A curva normal assinttica ao eixo horizontal em ambas as direes.
A rea total sob a curva e acima do eixo x 1.
Para mesma mdia e diferentes desvios padro , a distribuio apresenta-se
mais achatada para quem possui maior desvio padro e pico mais acentuado e maior
concentrao em torno da mdia para quem tem menor desvio padro.

54

Para mdias diferentes e mesmo desvio padro , a distribuio apresenta-se a

mesma, mas muda a localizao, quanto maior a mdia, mais direita est a curva.

=10

= 5

=20

=5

Verificao da Adequao do Modelo

A maneira mais simples de verificarmos atravs de uma amostra se a varivel em

estudo pode ser adequadamente descrita pelo modelo normal consiste em examinarmos
graficamente a distribuio dos dados, por exemplo, atravs do histograma. Se o grfico
apresentar razovel simetria e forma aproximada da curva normal, temos indicao de
adequacidade do modelo aos dados.
Alm disso, importante verificarmos as propores de observaes em
determinados intervalos que envolvam a mdia. Para uma distribuio normal com mdia
e desvio padro , os intervalos ( - ; + ), ( -2 ; + 2), ( -3 ; +3 ),
compreendem respectivamente 68,3%, 95,4% e 99,7% da distribuio. Em geral, tanto
quanto so desconhecidos, mas com uma amostra razoavelmente grande, digamos n
30, de se esperar que a mdia amostral x esteja prxima de e que o desvio padro s
esteja prximo de . Podemos ento, com base nos dados amostrais, calcular x e s , e
contar o nmero de observaes nos intervalos ( x - s ; x + s), ( x - 2s ; x +2 s), ( x - 3s ;
x +3 s). Dividindo essas contagens por n, obtemos as frequncias relativas observadas que
devem ser comparadas com as probabilidades tericas (0,683; 0,954 e 0,997). Grandes
discrepncias entre as frequncias relativas observadas e as probabilidades acima indicam
uma possvel falta de adequao ao modelo normal.

55

Existem outros critrios mais precisos para se verificar se h uma boa aderncia ao
modelo normal. Um deles o grfico denominado Q-Q plot, disponvel nos programas de
computador. construdo de tal forma que se h boa aderncia dos dados ao modelo
normal, as observaes estaro alinhadas em torno de uma reta.

Exemplo 5.17 Os alunos de uma turma de 60 estudantes do sexo masculino mediram a

presso sistlica (mmHg), uns dos outros, obtendo os resultados abaixo.

142

142

134

110

98

130

136

120

146

122

130

118

128

114

138

104

116

110

100

128

116

132

112

128

152

118

140

128

116

110

138

132

114

120

102

118

130

130

118

120

128

108

120

124

120

132

94

110

130

116

140

118

122

128

124

140

124

108

118

108

O histograma desses dados (Figura 5.2), embora ligeiramente assimtrico, tem

aproximadamente a forma da curva normal. razovel pensarmos que a presso sistlica
possa ser descrita pela distribuio normal.
Para esses dados temos ainda: x =122,7 e s=12,21.
Nas faixas ( x - s ; x + s) = (110,49 ; 134,91), ( x - 2s ; x +2 s) = (98,28 ; 147,12)
e ( x - 3s ; x +3 s) = (86,07 ; 159,33) temos respectivamente, 63,3%, 95% e 100% dos
dados. Como no h grande discrepncia entre essas porcentagens e as probabilidades
tericas, concluimos que o modelo normal para esta varivel adequado.

18
16

N. de alunos

14
12
10
8
6
4
2
0
94

102

110

118

126

134

142

150

158

P re s s o

Figura 5.2 Histograma para a presso sistlica de 60 alunos.

56

Notao e Clculo de Probabilidades

A varivel aleatria normal X com mdia e varincia 2 denotada por X
N(,2).

Exemplo 5.18 Para a varivel X: presso sistlica, do exemplo 5.17, temos:

XN(122,7 ; 12,212)
Como a v. a. contnua, a probabilidade da varivel aleatria normal X estar
entre a e b dada por
1 x

(
)2
1
2

P(a X b) =
e
dx
a 2
b

e igual a rea sob a curva do segmento (a; b), conforme Figura 5.3:

Figura 5.3 rea sob a curva normal de a a b

Varivel Normal Reduzida ou Padro

O clculo de probabilidade da v.a. X estar entre a e b envolvendo a distribuio
normal implica em resolver a seguinte integral:
1 x

(
)2
1
2

P(a X b) =
e
dx
a 2
b

Para isto, necessrio utilizarmos recursos de clculo infinitesimal, que no um

processo elementar. Por isso, os resultados das integrais foram tabelados, o que permite
obter diretamente o valor da probabilidade desejada. Para que as probabilidades da varivel
aleatria normal pudessem ser tabeladas foi necessrio fazer uma mudana, transformando
a v.a. X em uma v.a. Z, assim definida:

Z=

X-

57

A transformao Z tem distribuio normal com mdia 0 (zero) e varincia 1 (um),

( Z N(0,1)). Essa nova varivel chama-se: Varivel Normal Reduzida ou Padro.

Com a transformao, a nova origem zero, o desvio padro a unidade de

medida e no alteramos a forma da distribuio, conforme mostra a figura acima.

Tabela da Distribuio Normal Padro: Por meio da distribuio normal padronizada

foram construdas tabelas para se obter as probabilidades associadas a todas as
distribuies N( ; 2 ). A tabela da distribuio normal que utilizamos aqui fornece a
probabilidade de Z tomar um valor no superior a z0 : P(Zz0). Tal probabilidade a rea
hachurada na figura 5.4.

z0
Figura 5.4 Probabilidade P(Z z0)
Exemplo (a) Represente graficamente e calcule P(Z 1,72).

P(Z 1,72)=0,9573. Logo a probabilidade 95,73%.

58

Exemplo (b) Represente graficamente e calcule P(Z 1,8).

P(Z1,8)=1-P(Z1,8)=1-0,9641=0,0359. Logo a probabilidade 3,59%.

Exemplo (c) Represente graficamente e calcule P(-0,6 Z 1,3).

-0,6

1,30

P(-0,6 Z 1,3)=P(Z1,3)P(Z-0,6)=0,90320,2743=0,6289. Logo, a probabilidade

62,89%

Exemplo 5.19 A mdia de peso dos alunos de certa universidade 67,5 kg e o desvio
padro 12,3 kg. a) Qual a probabilidade de encontrarmos um aluno com peso superior a
75 kg? b) Qual a probabilidade de encontrarmos um aluno com peso entre 70 e 72 kg? c)
Determinar o valor do peso, abaixo do qual esto 25% das pessoas.
A mdia de peso X uma varivel aleatria normal com = 67,5 e = 12,3, ou
seja, X N(67,5 ; 12,32). Neste caso, a varivel aleatria precisa ser padronizada: Z=
a) Para X=75 z=

X-

x- 75-67,5
=
=0,61 . Assim, P(X > 75 ) = P(Z > 0,61) = P(Z < -0,61)

12,3

= 0,729. A probabilidade de encontrar um aluno com peso superior a 75 kg 72,9%.

b) Para X=70 z= x- = 70-67,5 =0,20 , para X=72 z= x- = 72-67,5 =0,365 .

12,3

12,3

Assim, P(70<X<72)=P(0,20<Z<0,365)=P(Z<0,365)-P(Z<0,20)=
=0,642-0,579=0,063. A probabilidade de encontrar um aluno com peso entre 70 e 72 kg
6,3%.

59

c) Queremos o valor de x tal que P(X<x) = 0,25. Para isso, devemos procurar na tabela o
valor de z correspondente rea 0,25. Esse valor z = -0,67. Portanto, como, z =
segue que -0,67 =

x-67,5
,
12,3

x-67,5
x = 59,26 kg. 25% dos alunos tem peso inferior a 66,76 kg.
12,3

Aproximao da Binomial pela Normal: Os problemas relacionados com a distribuio

binomial so relativamente simples de resolver desde que o nmero de repeties do
experimento no seja muito grande. Caso contrrio, os clculos necessrios resultam
excessivamente laboriosos. Neste caso, uma aproximao simples binomial por uma
outra distribuio pode ser muito til. Essas aproximaes existem na forma da
distribuio Normal.
Lembrando que se X v.a. com distribuio binomial ento E(X)=np

V(X)=npq resulta evidente que a curva normal mais adequada ser aquela cuja mdia e
varincias sejam estas. Assim, se n suficientemente grande e X tem distribuio
binomial, ento, podemos tomar:
X N(np , npq)
Na prtica, consegue-se uma boa aproximao se np5 e nq5.

60

EXERCCIOS

1) Lancemos uma moeda honesta duas vezes.

a- Qual o espao amostral?
b- Qual a probabilidade de aparecer duas caras (C)?
c- Qual a probabilidade de aparecer pelo menos uma cara (C)?
d- Qual a probabilidade de aparecer uma coroa (K)?

2) Jogam-se dois dados.

a) Qual a probabilidade do produto dos nmeros das faces superiores estarem entre 11 e 16?
b) Qual a probabilidade da soma ser 8?

3) Consideremos trs caixas com as seguintes bolas: Uma caixa 1 tem duas bolas brancas(B)
e duas bolas pretas(P), a caixa 22 tem duas bolas brancas(B) e uma bola preta(P) e a caixa 3
tem uma bola branca(B) e trs bolas pretas(P). Resolva os exerccios de 3 a 6.
a) Tira-se uma bola de cada caixa. Determine a probabilidade de serem todas brancas.
b) Escolhe-se uma caixa ao acaso e tira-se uma bola. Qual a probabilidade de ser branca?
c) Escolhe-se uma caixa ao acaso e tira-se uma bola. Qual a probabilidade de ter sido
escolhida a caixa 1 sabendo-se que a bola extrada branca?
d) Sabendo-se que ao retirar uma bola ela da cor preta, qual a probabilidade dela ser da
a caixa 3?

04) Consideremos a jogada de um dado.

a) Construir o espao amostral e a distribuio de probabilidade.
b) Calcular o valor esperado, a varincia e o desvio-padro.

05) Seja X a varivel aleatria que representa o nmero de caras na jogada de duas
moedas.
a) Construir o espao amostral e a distribuio de probabilidade.
b) Calcular o valor esperado, a varincia e o desvio-padro.

06) Sabemos que 10% dos alunos do Curso de Cincias Biolgicas Ensino a Distncia,
tem idade acima de 40 anos. Tomando-se ao acaso 6 alunos, qual a probabilidade de:
a) Exatamente dois terem idade acima de 40 anos?

61

b) Nenhum ter idade superior a 40 anos?

C) Pelo menos 2 terem idade acima de 40 anos?

07) Supomos que a probabilidade de um aluno de certa universidade contrair o vrus A1N1
de 0,001. Se a universidade tem 20.000 alunos, qual a probabilidade de exatamente 5
contrarem o vrus? Qual a probabilidade de no mximo 3 contrarem o vrus?

08) Supomos que certo tipo de preservativo tem probabilidade de falha de 0,0002. Se
10.000 pessoas usaram este preservativo, qual a probabilidade de falhar para trs pessoas?
Qual a probabilidade de no falhar?

09) Supomos que a mdia da altura dos alunos do Curso de Cincias Biolgicas Ensino a
Distncia, de 1,70 metros e o desvio-padro de 0,20 metros. Sabendo-se que a
distribuio das alturas normal, calcule a probabilidade de um aluno ter:
a) Altura inferior a 1,60 metros.
b) Altura superior a 1,60 metros.
c) Altura entre 1,65 e 1,75 metros.

10) Na prova de Bioestatstica de certa turma, supomos que a mdia foi de 7,0 e o desviopadro 0,7. Se as notas tm distribuio normal, calcule a probabilidade de um aluno obter:
a) Nota inferior a 5,0.
b) Nota superior a 9,0.
c) Nota entre 6,0 e 8,0.

11) Supomos que o peso mdio dos alunos do Curso de Cincias Biolgicas Ensino a
Distncia de 67,0 kg e o desvio-padro de 8,0 kg e que tem distribuio
aproximadamente normal. Se 20 estudantes tm peso acima de 80 kg, quantos estudantes
tm no curso?

12) Supomos que o tempo de vida (em dias) de um animal de laboratrio tem distribuio
N(50, 36). Qual a probabilidade de um animal durar mais de 55 dias? Qual a probabilidade
de um animal durar no mximo 50 dias? 25% dos animais duram mais de quantos dias?

62

Captulo 6

DISTRIBUIES AMOSTRAIS
E
ESTIMAO DE PARMETROS

63

Quando estamos interessados em estudar certas caractersticas de uma populao,

lanamos mo de uma amostra extrada dessa populao, estudamos seus elementos e
procuramos, atravs dessa amostra, estimar o parmetro populacional. Lembremos que o
parmetro uma medida usada para descrever uma caracterstica da populao e uma
estatstica uma combinao dos elementos da amostra usada para estimar um parmetro,
tambm chamada de estimador. Aos valores numricos assumidos pelos estimadores,
denominamos de estimativas.

Quadro 6.1 Exemplos de parmetros e estatsticas.

PARMETROS

ESTATSTICAS

= mdia da populao

X = mdia da amostra

2 = varincia da populao

S2 = varincia da amostra

= desvio padro da populao

S = desvio padro da amostra

p = proporo da populao

p = proporo da amostra

A estatstica obtida de uma amostra aleatria uma varivel aleatria e sua

distribuio de probabilidade chamada de distribuio amostral.

6.1 DISTRIBUIES AMOSTRAIS

O problema da Inferncia Estatstica fazermos afirmaes sobre parmetros da

populao atravs da amostra. Suponhamos que tal afirmao deva ser feita sobre um
parmetro da populao (mdia, varincia ou qualquer outra medida). Vamos supor que
escolhemos uma amostra casual simples ( X1 , X 2 ,..., X n ) , com reposio, sorteados na
populao, com Xi (i=1, ..., n), identicamente distribudos. Faremos nossa deciso,
baseados na estatstica T, que ser uma funo da amostra ( X1 , X 2 ,..., X n ) , e, portanto
uma varivel aleatria. Colhida uma amostra, temos um particular valor de T, digamos t 0 ,
e baseado nesse valor que a afirmao sobre deve ser feita.

A validade de nossa resposta ser melhor compreendida se soubermos o que

acontece com a estatstica T quando retiramos todas as amostras da populao, segundo o
plano amostral adotado. Isto , se soubermos qual a distribuio de probabilidade da

64

estatstica T. Esta distribuio chamada distribuio amostral da estatstica T e

desempenha papel fundamental na teoria de Inferncia Estatstica. Assim, definimos:

Uma Distribuio Amostral uma distribuio de probabilidade que indica at

que ponto uma estatstica amostral tende a variar devido a variaes casuais na
amostragem aleatria.

Uma vez que a estatstica amostral uma varivel aleatria, estaremos interessados
no apenas no seu modelo probabilstico, mas tambm na sua mdia ou valor esperado e
sua varincia.

6.1.1 Distribuio Amostral da Mdia

Consideremos uma populao X com parmetros e . Se tirarmos uma amostra
aleatria de tamanho n e calcularmos a sua mdia, temos um valor x1 . Tirando uma
segunda amostra temos uma nova mdia, x 2 , em geral diferente de x1 , e assim, para cada
diferente amostra de tamanho n temos um diferente valor da mdia amostral, X . Temos,
portanto, que a mdia amostral, uma varivel que muda de valor, de amostra em amostra.
Tem, portanto, sentido falar da "distribuio de mdias amostrais", uma vez que X uma
varivel aleatria.

Para facilitar o entendimento dos resultados que sero apresentados, iniciamos com
um exemplo.

Exemplo 6.1

Seja uma populao constituda por 5 funcionrios de uma pequena

lanchonete e consideremos o conjunto {2 , 3 , 4 , 4 , 5} dos salrios (dados em salrios

mnimos) de cada um. Defina a varivel X: salrio do funcionrio da lanchonete.
a) Encontre a distribuio da v.a. X.
b) Calcule a mdia (), a varincia (2) e o desvio padro () da v.a. X.
c) Determine todas as amostras possveis de tamanho n=2, com reposio, da populao
dos salrios.
d) Encontre a distribuio da v.a. mdia amostral, X
e) Calcule a mdia (E( X )), a varincia (Var( X )) e o desvio padro (DP( X )) da v.a. mdia
amostral.

65

f) Construa o grfico da distribuio da v.a. X e compare com o grfico da distribuio

normal. O que podemos concluir?

Consideremos ento a varivel X com valores: 2, 3, 4, 5.

a) A distribuio de probabilidade de X :
X

p(x)

1/5

1/5

2/5

1/5

b) = 3,6 ; 2 = 1,04 ; = 1,02

c) Amostras: (X1 , X2) = {(2 , 2) ; (2 , 3) ; (2 , 4) ; (2 , 4) ; (2 , 5) ; (3 , 2) ; (3 , 3) ; (3 , 4) ;
(3 , 4) ; (3 , 5) ; (4 , 2) ; (4 , 3) ; (4 , 4) ; (4 , 4) ; (4 , 5) ; (4 , 2) ; (4 , 3) ; (4 , 4) ; (4 , 4); (4 ,
5) ; (5 , 2) ; (5 , 3) ; (5 , 4) ; (5 , 4) ; (5 , 5)}.
d) Valores da v.a. X : { x 1=2; x 2=2,5; x 3=3; x 4=3; x 5=3,5; x 6=2,5; x 7=3; x 8=3,5;
x 9=3,5; x 10=4; x 11=3; x 12=3,5; x 13=4; x 14=4; x 15=4,5; x 16=3; x 17=3,5; x 18=4; x 19=4;
x 20=4,5; x 21=3,5; x 22=4; x 23=4,5; x 24=4,5; x 25=5}

Distribuio de probabilidade de X :
X

2,5

3,5

4,5

p( x )

1/25

2/25

5/25

6/25

6/25

4/25

1/25

e) E( X ) = 3,6 ; Var( X ) = 0,52 ; DP( X ) = 0,72.

Assim, E( X )==3,6 e

Var( X )=

1 2
=1,4/2=0,52
n

f) O grfico da distribuio da v.a. X apresentado na Figura 6.1.

Figura 6.1 Grfico da distribuio da v.a. X .

66

Podemos concluir que X N( ,

2
)
n

Generalizando, seja uma populao infinita identificada pela v.a. X com mdia e
varincia conhecida 2, e seja (X1, X2, ..., Xn ) uma amostra casual simples de tamanho n.
Ento, se

X=

X1 + X 2 + ... + X n
, temos:
n

Valor esperado da mdia amostral: E( X )=

2
Varincia da mdia amostral: V( X ) = .

O desvio padro da mdia amostral: DP( X ) =

.
n

Para amostragem sem reposio e populao finita, N<20.n, usamos:

2
V( X ) = . N n ,

N 1

onde N o nmero de elementos da populao e o fator

Nn
N 1

chamado de fator de

correo para populao finita. Uma regra prtica que a correo insignificante e pode
ser omitida sempre que o tamanho da amostra for menor que 5% do tamanho da populao.

A forma da distribuio amostral de X , dada por um importante teorema de

probabilidade.

Teorema do Limite Central: Seja {Xn} uma sucesso de n variveis aleatrias

igualmente distribudas e independentes, com valor mdio e varincia 2 (finita). A
varivel aleatria X =(Xi)/n tem distribuio assintoticamente normal, com parmetros
e 2/n. Ou seja, para um valor de n suficientemente grande, a distribuio de X N( ,
2/n), e escreve-se
X ~ N( , 2/n).

67

Teorema: Seja {Xn} uma sucesso de n variveis aleatrias normalmente distribudas,

com valor mdio e varincia 2 (finita). A varivel aleatria X =(Xi)/n tem distribuio
normal, com parmetros e 2/n. Ou seja, para qualquer valor de n, teremos X ~ N( ,
2/n).

Nas condies destes teoremas segue que,

Z=

X
/ n

N(0 , 1)

6.1.2 Distribuio Amostral da Diferena de Mdias ( X1 -X 2 )

Sejam duas populaes X 1 e X 2 (normais) com parmetros 1 , 12 e 2 , 22 ,

respectivamente. Retirando todas as possveis amostras (independentes) das duas
populaes e considerando todas as combinaes possveis dessas amostras das duas
populaes, podemos obter uma distribuio das diferenas das mdias X1 X 2 , chamadas

Distribuio Amostral das Diferenas das Mdias.

Sendo

X1 N(1 ;

12
2
) e X 2 N( 2 ; 2 ), a mdia e a varincia de X1 -X 2 ,
n1
n2

denotadas respectivamente por E( X1 -X 2 ) e V( X1 -X 2 ) so dadas por:

E( X1 -X 2 ) = 1 - 2

V( X1 -X 2 ) =

12 22
+ ,
n1 n 2

assim,

2 2
(X -X )-(1 - 2 )
(X1 -X 2 )~N 1 - 2 , 1 + 2 e Z= 1 2
~N(0,1)
n1 n 2
12 22

+
n1 n 2
Caso X1 e X2 no tenham distribuio normal, os resultados continuam sendo
vlidos para n1 e n2 suficientemente grandes.

6.1.3 Distribuio Amostral da Proporo

Consideremos uma populao X em que a proporo de elementos com uma

determinada caracterstica p.

68

X uma varivel aleatria

Valores de X

X segue uma distribuio de Bernoulli

0

Valores de X

Caracterstica possui no possui Probabilidade

1-p

A proporo de indivduos portadores da caracterstica na amostra

p =

que equivale a uma mdia aritmtica. Assim, a distribuio da proporo amostral p tem
as seguintes propriedades:

Mdia da Proporo amostral: E(p)=p

p(1-p)
Varincia da proporo amostral: V(p)=
, onde (1-p)=q.

p(1-p)
Desvio padro da proporo amostral: DP(p)=
.

Para amostragem sem reposio e populao finita, N<20.n, usamos:

=
V (p)

p(1-p) N n
.
n
N 1

Se o tamanho da amostra for suficientemente grande a distribuio da proporo

amostral segue uma distribuio normal.
Logo p N( p ;

pq
) . Assim a varivel normal padronizada dada por:
n
Z =

- p
p q
n

6.2 ESTIMAO POR PONTO

Uma forma de fazermos inferncia atravs da Estimao de Parmetros, que

consiste em utilizarmos dados amostrais para obtermos os valores dos parmetros
populacionais desconhecidos. Assim, nesse processo, assumimos que alguma caracterstica
da populao desconhecida e podemos tomar uma amostra de n elementos e, com base
nos resultados dessa amostra, fornecermos um valor para esse parmetro. Isto , se o

69

parmetro de interesse, os mtodos de estimao nos fornecem uma estatstica , chamada

de estimador de , baseando-nos em n observaes amostrais. Os mtodos mais comuns
de obtermos os estimadores so o da mxima verossimilhana e o de mnimos
quadrados.

Propriedades de um Estimador

As principais propriedades desejveis de um estimador so que ele seja no-viesado

e eficiente.
Dizemos que um estimador no-viesado (ou no-tendencioso) se em mdia ele
igual ao parmetro que desejamos estimar, ou seja, E( )=. Por exemplo:

A mdia X um estimador no-tendencioso de , pois:

E( X )=.
Uma estimativa pontual no-viesada para a mdia populacional obtida pela
expresso:

1 n
X= Xi
n i=1
A varincia amostral

2
2 um estimador tendencioso de 2, pois E( ) =

n 1 2
.
n

Para tornar o estimador no tendencioso, definimos a varincia amostral S2 por:

1 n
S =E( )= (Xi -X)2
n-1 i=1
2

Uma estimativa pontual no-viesada para a varincia populacional 2 obtida pela

expresso:

1 n
S = (Xi X)2
n-1 i=1
2

Com relao propriedade de eficincia, dizemos que 1 mais eficiente que 2 se

1 e 2 forem no tendenciosos com Var( 1 )<Var( 2 ).

70

6.3 ESTIMAO POR INTERVALO

Na estimao por pontos, o objetivo usar a informao amostral como sendo um

valor que seria, em certo sentido, nossa melhor avaliao do verdadeiro valor do
parmetro.
Esse procedimento, no entanto, no permite julgar qual a possvel magnitude do
erro que estamos cometendo nessa estimativa. Da surge a ideia da estimao por intervalo,
que consiste em usar a mesma informao amostral com o propsito de se produzir um
intervalo I = (L1 , L2) que contenha o valor verdadeiro do parmetro, com alguma
probabilidade de acerto.
Esta probabilidade de acerto, representada por (1-)%, chamada nvel de
confiana (ou grau de certeza), pr-estabelecida pelo pesquisador e significa que,
retiradas todas as amostras da populao e construdos todos os intervalos de confiana,
podemos dizer que (1-)% destes intervalos contero o parmetro, ou em outras palavras,
cada intervalo tem (1-)% de probabilidade de conter o parmetro.
Da mesma forma, podemos dizer que para cada intervalo (L1 , L2), teremos % de
probabilidade de que o mesmo no contenha o parmetro. Essa a probabilidade que
temos de errar a estimativa e chamada de nvel de significncia.
A amplitude (tamanho) do intervalo, =L2 L1, nos confere a preciso da
estimativa. Quanto menor for melhor (mais precisa) a estimativa. Quando o intervalo
for centrado no valor amostral a metade da amplitude, e= /2, chamada de margem de
erro ou erro mximo da estimativa e depende do nvel de confiana e do tamanho n da
amostra.
fcil perceber que quanto maior o nvel de confiana, maior ser a amplitude do
intervalo. Sendo conveniente, o nvel de confiana pode ser aumentado at prximo de
100%, mas isso resultar em intervalos de amplitude cada vez maiores, o que significa
perda de preciso na estimativa. Para amostras de tamanho n fixo, preciso e estimativa
variam em sentidos opostos.
Do exposto acima, vemos que para encontrar um intervalo de confiana para um
determinado parmetro , devemos obter um intervalo [a, b] tal que:
P(a b) = 1 -

71

6.3.1 Intervalo de Confiana para a Proporo Populacional (p).

Sejam p e p as propores (ou frequncias relativas) populacionais e amostrais,
respectivamente. Para amostras suficientemente grandes (n p 5) a distribuio de p
segue uma distribuio normal:
p(1-p)
)
n
Assim, a varivel normal padronizada dada por:
p N(p,

Z=

p -p
N(0 , 1)
p(1-p)/n

Desta forma, sendo a amostra suficientemente grande e considerando que p o

estimador de p, o intervalo de confiana para p ser:

{-Z /2 Z Z /2 } = ( 1 )

P -Z

/2

{p -Z /2

p -p
Z
/2
p (1 -p ) /n

p (1 -p )/n p p + Z

/2

= (1 )

p ( 1 -p )/n

} = (1 )

O intervalo pode ser escrito na forma:

/2 .
IC(p,(1-)%)=pZ

onde, e=z /2

p(1-p)
n

p(1-p)
o erro mximo da estimativa. Logo, podemos escrever:
n

IC(p,(1-)%)=pe

Como e est em funo do parmetro desconhecido, temos um obstculo para

efetuar o seu clculo. Podemos resolver este problema de duas maneiras:

a) Podemos simplesmente substituir p por sua estimativa p . Tal se justifica com boa
aproximao, pois, sendo a amostra j suficientemente grande para satisfazer a

72

aproximao pela Normal, a estimativa deve ser razoavelmente prxima do valor real do
parmetro. Assim, temos:

DP(p)=

p(1-p)
.
n

O desvio padro amostral chamado de erro padro da proporo amostral p .

Assim, o intervalo de confiana para a proporo populacional p, com nvel de
confiana de (1-)%, fica definido como:
/2 .
IC(p,(1-)%)=pZ

onde, e=Z /2 .

p(1-p)
,
n

p(1-p)
, o erro mximo da estimativa.
n

b) Uma outra maneira de estimarmos o valor de p usando o fato de que p(1-p)1/4, pois,
sendo 0p1, vemos que p(1-p) a expresso de uma parbola cujo ponto de mximo
p=1/2 com valor 1/4.
Assim temos

p(1 p)
1
1

donde podemos escrever: e=Z/2

,
4n
n
4n

e o intervalo pode ser tambm escrito na forma:

/2 .
IC(p,(1-)%)=pZ

1
4n

Quando o tamanho da populao conhecido, o erro padro da proporo amostral

p estimado usando o fator de correo:
=
DP(p)

p(1-p)
n

Nn
.
N 1

Tamanho da Amostra na Estimativa da Proporo Populacional

Temos que: e = Z

/2

p q
n

ou

e= Z

/2

1
4n

Fixando
e e podemos determinar o tamanho da amostra para a confiana e
preciso desejados:

73

/2
n =p(1-p).
0
e
0

2
ou

1 Z
n = . /2
0 4 e
0

OBS: Quando o tamanho da populao N finito, devemos usar o fator de correo, ento
o tamanho da amostra dado por: n=

N.n 0
N+n 0 -1

Exemplo 6.1 Vamos supor que os alunos do Curso de Cincias Biolgicas - Educao a
Distncia, desejam estimar a percentagem de estudantes que favorecem a constituio de
um Centro Acadmico. Propomos selecionar uma amostra de 100 estudantes. Se o
resultado fornecer p =80% , encontre o intervalo de confiana, com 95%, para a verdadeira
proporo p.

Dados:
n = 100

p =80%=0,8

IC(p, (1- )%) = p Z / 2 .

p)

p(1
n

IC(p,95%) = 0,80 1,96.

0,80(1 0,80)
100

1-p=1-80%=0,2
=5%=0,05

IC(p,95%) = 0,80 1,96.0, 04

/2=2,5%=0,025

IC(p,95%)=0,800,08

Z/2=1,96

IC(p,95%) = (0,72;0,88)

Resposta: Podemos afirmar, com 95% de confiana, que o intervalo (72% ; 88%) ,
contm a verdadeira proporo populacional p do percentual de estudantes que favorecem
a constituio de um CA estudantil.

6.3.2 Intervalo de Confiana para a Mdia Populacional (

) com Varincia
Populacional (
2) Conhecida
Consideremos uma populao X com varincia (2) conhecida e uma amostra
aleatria de tamanho n, retirada desta populao.
A distribuio da mdia amostral X normal quando a populao normal ou
quando a populao no normal, mas n suficientemente grande (n30). Nestas

74

condies, Z=

X-
(chamado de erro padro
N(0,1) , onde E(X)= e DP(X)=
/ n
n

da mdia amostral X ). Se a populao for finita, devemos usar o fator de correo ao

estimar o desvio padro:
DP(X)=

N-n
N-1

Escolhendo Z/2 para o nvel de confiana (1-)% desejado, temos:

{-Z /2 Z Z /2 } = ( 1 )

P - Z

Z
= (1 )
/2
/2

P X - Z
.
X+Z
= (1 )
/2
/2
n
n

Assim, fica definido o intervalo de confiana para , com o desvio padro

populacional conhecido e com nvel de confiana de (1-), como:

IC = ( , (1 )%) = XZ
,
/2 n
onde e = Z

/2

, o erro mximo da estimativa..

Tamanho da Amostra na Estimativa da Mdia Populacional com Varincia

Conhecida
O tamanho n da amostra pode ser obtido da expresso para a margem de erro,
fixando-se o nvel de confiana e o mximo de margem de erro, e, pretendida, ou seja, o
tamanho mnimo da amostra para estimar a mdia com varincia 2 conhecida e
populao Normal pode ser obtido por:

75

e=z /2

De onde determinamos o tamanho da amostra para a confiana e preciso

desejadas:

Z .
n 0 = /2

e0

Exemplo 6.2 Vamos supor que o desvio padro da altura dos alunos do Curso de Cincias
Biolgicas Educao a Distncia seja 10,5 cm. Consideremos a distribuio normal e
uma amostra de 30 alunos, que forneceu mdia 168,5 cm. Vamos encontrar uma estimativa
com 95% de confiana para a altura mdia desses alunos. Que tamanho de amostra
devemos tomar para se ter uma margem de erro de 2 cm e 95% de confiana?

Soluo:
Estimativa para a mdia:

Clculos:

Dados:

IC(, (1- )%) = Z/2 .

IC(,95%) = 168,5 1,96.

10,5
30

n = 30

= 10,5 e X = 68,5

=5%=0,05
/2=2,5%=0,025

IC(,95%) = 168,5 3, 76

Z/2=1,96

IC(,95%) = (164,74;172,26)

Resposta:

Podemos

afirmar,

com

95%

de

confiana,

que

intervalo (164,74;172,26) , contm a verdadeira mdia populacional da

altura dos alunos do Curso.
Tamanho da amostra:
2

Z .
1 ,9 6 .1 0 ,5
n 0 = /2
=
=106
2

e0

Resposta: O tamanho necessrio da amostra para termos erro mximo de 2

cm e confiana de 95% de aproximadamente 106 alunos.

76

6.3.3 Intervalo de Confiana para a Mdia Populacional (

) com Varincia
Populacional (
2) Desconhecida
Na prtica, nem sempre o desvio padro conhecido. Neste caso, o desvio padro
populacional substitudo pelo desvio padro amostral S.
Podemos demonstrar que se a populao tiver distribuio normal a estatstica
( X -)/(S/ n ) tem distribuio t de Student com (n-1) graus de liberdade, ou seja:
X
t (n 1)
s/ n
A distribuio t de Student tem forma parecida com a da normal e tambm est
tabelada. Porm, tem disperso maior que a normal e esta disperso varia com o tamanho
da amostra. Quanto maior o tamanho da amostra menor a disperso e ela se aproxima cada
vez mais da normal.
Assim, para construirmos um intervalo de confiana para a mdia populacional
quando desconhecido, usamos a expresso:

IC = ( , (1 )%)= X t
onde e = t / 2

S
/2 n

s
, o erro mximo da estimativa.
n

Quando o tamanho da populao finito o erro padro da mdia amostral X

estimado usando o fator de correo:
DP( X ) =

S
n

Nn
.
N 1

Se o tamanho da amostra for grande, n30, podemos usar a expresso:

S
IC = ( , (1 )%)= X Z
/2 n

Tamanho da Amostra na Estimativa da Mdia Populacional com Varincia

Desconhecida.

Temos que e=t /2

t .S
S . Da vem que
n 0 = /2
n
e0

77

Sem amostra no temos S. Ento, colhe-se uma amostra piloto de tamanho n:

Se n0 n a amostra j ter sido suficiente.
Se n0 n completa-se a amostra at o tamanho calculado.
Exemplo 6.3 Para estimar a nota mdia dos alunos do Curso de Cincias Biolgicas
Educao a Distncia, foram selecionados 28 alunos. A mdia da nota obtida na amostra
foi de 7,60 e o desvio padro 1,9. Consideremos a distribuio aproximadamente normal e
um nvel de confiana de 90%. Vamos obter o intervalo de confiana .

Soluo:
Dados:

Clculos:

n = 28

IC(, (1- )%) = t /2 .

S= 1,9

X = 7,60
=10%=0,10
/2=5%=0,05

IC(,90%)=7,61,7.

S
n

1,90
28

IC(,90%)=7,600,61

gl=(28-1)=27
t/2=1,70

IC(,90%) = (6,99;8,21)

Resposta: Podemos afirmar, com 90% de confiana, que o intervalo (6,99 ; 8,21), contm a
verdadeira mdia populacional da nota dos alunos.

78

EXERCCIOS

01) Uma amostra aleatria de 40 lmpadas de certa marca forneceu vida mdia de 1500
horas e desvio padro de 100 horas. Admitindo que o tempo de durao das lmpadas
tenha distribuio normal, qual o intervalo com 95% de confiana de para a vida mdia da
populao de lmpadas?

02) Uma amostra aleatria de 150 copos do tipo descartvel revelou que 7% apresentavam
algum tipo de defeito. Construir um intervalo de confiana para a proporo populacional
de defeituosos, com um nvel de confiana de 99%.

03) Desejamos estimar o tamanho da amostra para realizar uma pesquisa eleitoral.
Aceitando um erro percentual de 3% e desejando uma confiana de 95%, qual deve ser o
tamanho da amostra?

04) Os dados a seguir se referem a uma amostra de 20 tempos gastos (em minutos), por
veculos de passeio ao se deslocarem de Maring para Londrina: 76, 74, 80, 84, 72, 78, 90,
75, 76, 70, 78, 75, 74, 80, 74, 72, 80, 72, 74 e 75. Admitindo que a distribuio dos tempos
tenha distribuio normal, determine o intervalo de confiana com 95%.

05) Em uma universidade, de 500 alunos entrevistados, 45 esto desempregados.

Determinar o intervalo de confiana para a proporo de alunos desempregados na
universidade, com 95% de confiana.

06) Uma amostra aleatria de 29 copos de certo suco mostrou um contedo mdio do
lquido de 195 ml com desvio padro de 9 ml. Estimar com 95% de confiana o contedo
mdio de lquido nos copos deste tipo de suco.

07) Ao fazer uma promoo de rao para animais, uma loja de produtos agropecurios
anotou a venda diria durante 10 dias, cujos valores, em reais foram: 8500, 8300, 7500,
7100, 7200, 8000, 8800, 7600, 7000 e 7400. Admitindo que as vendas tm distribuio
normal, qual o intervalo de confiana de 95% para a verdadeira mdia de vendas?

79

08) Uma amostra de 15 pacotes de certa marca de caf apresentou peso mdio de 496 g e
desvio padro de 7 g. Admitindo que o peso tem distribuio normal, estime com 95% de
confiana a mdia de peso deste produto.

09) Vamos supor que o peso de recm nascidos tenha distribuio normal com desvio
padro 0,75 kg. Em uma amostra aleatria de 100 recm nascidos de uma regio,
obtivemos um peso mdio de 3 kg. Estime com 95% de confiana o peso mdio dos recm
nascidos daquela regio. Que tamanho de amostra devemos tomar para que tenhamos um
erro mximo de 0,12 kg com a mesma confiana?

80

Captulo 7

TESTES DE HIPTESES

81

Frequentemente devemos tomar decises estatsticas sobre populaes com base

em informaes amostrais. Para tais decises formulamos suposies ou hipteses sobre
a populao. O objetivo do teste de hiptese fornecer ferramentas que permitam
validar ou rejeitar uma hiptese utilizando os resultados da amostra.
A seguir alguns conceitos para testes de hipteses paramtricos:

Teste de Hipteses: um processo mediante o qual nos permitido, rejeitar ou no

determinada hiptese sobre um parmetro desconhecido da populao em estudo, atravs
de informaes da amostra desta populao.

Hiptese Estatstica: uma hiptese formulada sobre os parmetros desconhecidos da

populao em estudo.

Para realizao de um teste de hipteses necessrio especificarmos duas

hipteses, denominadas de hiptese nula (H0) e hiptese alternativa (H1), e um critrio para
a rejeio da hiptese nula.
Hiptese nula (H0): sugere um valor 0 para o parmetro populacional , ou a
igualdade de dois parmetros 1 e 2.
Hiptese alternativa (H1): sugere a no igualdade (>, < ou ) do valor 0 para o
parmetro populacional , ou a no igualdade de dois parmetros 1 e 2 (>, < ou ).
Estatisticamente, a forma correta de se formular tais hipteses, para um parmetro
:

H 0 :=0
H 0 :=0
ou

H1: 0
H1: > 0

ou

H 0 :=0

H1: < 0

E para a comparao de dois parmetros 1 e 2 :

H 0 :1 =2

H1:1 2

ou

H 0 :1 =2
ou

H1:1 > 2

H 0 :1 =2

H1:1 < 2

Para estes conjuntos de hipteses, os testes so denominados de bilateral, unilateral

direita e unilateral esquerda, respectivamente. Observemos que H0 uma hiptese do
tipo simples, enquanto que H1 do tipo composta, isto , h mais de um valor a ser testado.

82

Por exemplo, se estamos interessados na nota mdia, , dos alunos do curso de

Cincias Biolgicas - Educao a Distncia, podemos testar as seguintes hipteses:
hiptese nula: a mdia 70? hiptese alternativa: a mdia diferente de 70 ou maior que
70 ou menor que 70?

H 0 :=70

H1: 70

ou

H 0 :=70

H1: > 70

ou

H 0 :=70

H1: < 70

Nosso problema consiste em rejeitar ou no a hiptese nula com base numa

amostra aleatria, convenientemente selecionada.
Como vamos tomar decises baseadas em uma amostra, estaremos sujeitos a
cometer dois tipos de erros que, comparados podem ser mais ou menos graves.
Erro tipo I: Ocorre se a hiptese nula rejeitada quando verdadeira. A probabilidade
deste tipo de erro denotada por: = P(erro tipo I) = P(rejeitar H0/H0 verdadeira).
Erro tipo II: Ocorre se a hiptese nula no rejeitada quando falsa. A probabilidade
deste tipo de erro denotada por: = P(erro tipo II) = P(no rejeitar H0/H0 falsa).
A probabilidade de se cometer o erro tipo I, ou seja, de rejeitar a hiptese H0
quando ela verdadeira denominado de nvel de significncia do teste. Geralmente,
adota-se o nvel de 5%, isto =0,05, porm, dependendo das exigncias do pesquisador,
pode-se adotar 1% ou 10% ou outros valores.

A construo de um teste de hipteses se faz, em geral, na seguinte sequncia:

1) Formulao das hipteses.
2) Escolha da Estatstica do teste.
3) Fixando o nvel de significncia e usando a distribuio de probabilidade da estatstica
de teste obtemos a Regio Crtica (RC: regio de rejeio de H0).
4) Tomada de deciso com base no critrio:
- Se o valor da estatstica do teste pertencer regio crtica RC, rejeitamos a hiptese
H0 ao nvel de significncia.
- Se o valor da estatstica do teste no pertencer regio crtica RC, no podemos
rejeitar a hiptese H0 ao nvel de significncia.

83

7.1 CONSTRUO DE UM TESTE DE HIPTESES PARA A MDIA

POPULACIONAL

1) Definio das hipteses, que podem ser:

H
a)

: = 0

H1 : > 0

H 0 : = 0
H1 : 0

b)

c) H 0 : = 0
H1 : <

Como o teste feito com base em uma amostra e sabemos que essa amostra vai nos
trazer informaes sobre a populao, e no o seu comportamento exato, no fundo o que
se quer testar se h, ou no, uma diferena estatisticamente significativa entre a
informao ( x ), que a amostra traz sobre a mdia da populao, e o verdadeiro valor
( 0 ) dessa mdia, a ponto de rejeitar, ou no, a hiptese nula H0.
Assim, o critrio de deciso consiste em no rejeitar a hiptese H0 se forem
estatisticamente no significativas essas diferenas ( x 0 ); bem como rejeitar H0 se
essas diferenas forem estatisticamente significativas. Para medir essas diferenas, usamos
a estatstica do teste obtida da distribuio de X , que o estimador de .

2) Estatstica do teste:
a) Para varincia populacional, 2, conhecida: Pelo teorema do limite central sabemos
que X N(, 2/n), para qualquer tamanho de amostra n se a populao tiver distribuio
normal e para n suficientemente grande (n30) se a populao no tiver distribuio
normal. Nestas condies, a estatstica do teste :
Z=

X-
N(0 , 1).
/ n

b) Para varincia populacional, 2, desconhecida: Se a varincia populacional 2 for

desconhecida e supondo populao com distribuio Normal, a estatstica do teste :
T=

X-
t(n-1)
s/ n

84

Em um teste estatstico admitimos sempre que H0 verdadeira, para a partir da,

desenvolver o critrio de deciso para rejeitar ou no tal hiptese. Assim, sob H0, e com as
informaes obtidas na amostra, o valor da estatstica do teste dado por:
z calc =

x- 0
/ n

ou

t calc =

x- 0
s/ n

3) Regio crtica ou de rejeio:

A deciso de rejeitar ou no H0, ou seja, decidir se a diferena ( x 0 ) ou no
significativa, tomada com base na regio crtica RC (ou regio de rejeio de H0) que
construda de modo que P( X RC/H0 verdadeira) = , onde o nvel de significncia
do teste. A construo da RC depende tambm do tipo de teste que estamos realizando e
est relacionada com a hiptese definida no item 1. A figura a seguir apresenta as regies
crticas, que so as reas hachuradas, para cada tipo de teste. Os valores de E e E/2 so
obtidos das tabelas das distribuies de probabilidade da estatstica do teste, que pode ser Z
ou T, para o nvel de significncia considerado.

4) Deciso: Se o valor da estatstica do teste zcal ou tcal pertencer regio crtica RC,
rejeitamos a hiptese H0 ao nvel de significncia. Caso contrrio, no podemos rejeitla.

Uma outra forma de realizar o teste fazendo uso da Probabilidade de

Significncia. A probabilidade de significncia (ou p-valor), denotada por p, a
probabilidade da estatstica do teste fornecer um valor alm (mais distante) do valor
fornecido pela amostra. A Figura a seguir retrata a situao.

85

Ecal o valor da estatstica do teste, calculado usando os dados amostrais. Nesta

situao, o valor da probabilidade de significncia p a probabilidade da estatstica do
teste dar um valor alm do valor Ecal e representada pelas reas hachuradas na figura.
Observemos que o valor de p varia de acordo com as hipteses previamente
definidas, podendo ser:
a) A rea da direita mais a da esquerda (p=P(x<-Ecal) + P(x>Ecal), ou ainda como existe
simetria, p=2.P(x<-Ecal)).
b) Somente a rea da direita (p=P(x>Ecal).
c) Somente a rea da esquerda (p=P(x<-Ecal)).
Deciso: Se o valor de p< rejeitamos a hiptese H0 ao nvel de significncia. Caso
contrrio, no podemos rejeit-la.

Exemplo 7.1 Estamos desconfiados de que a mdia dos alunos do Curso de Cincias
Biolgicas - Ensino a Distncia, na disciplina de Bioestatstica 7,0. Tomamos uma
amostra aleatria de 25 alunos que forneceu mdia 6,5 e desvio padro 1,6. Se as notas dos
alunos tm distribuio normal, vamos testar ao nvel de significncia de 5% se a
verdadeira nota dos alunos 7,0.

Soluo:
Dados: =7,0,

n=25,

x =6,5

s=1,6

=5%

1) Definio das hipteses:

H 0 :=7,0 (a nota dos alunos nao difere de 7,0)

H1: 7,0 (a nota dos alunos difere de 7,0)

2) Identificao da estatstica do teste adequada: Como 2 desconhecido e a populao
tem distribuio normal, a estatstica, com (n-1) graus de liberdade, :
T=

X-
.
s/ n

Com base nos dados amostrais, e sob H0 verdadeira o valor da estatstica :

t cal =

x- 0
s/ n

6,5-7,0
= 1, 56
1,6/ 25

86

3) Obteno da Regio Crtica: Da tabela T com =5% e gl=(n-1)=24, temos, t0,025=2,06.

4) Deciso: Como tcal=-1,56 no pertence regio crtica, no rejeitamos a hiptese H0.

Logo, pelos dados amostrais, no existe evidncia de que a nota mdia dos alunos
diferente de 7,0, a um nvel de significncia de 5%.

Fazendo uso da Probabilidade p de Significncia, temos:

Como o teste bilateral, p=2.P(x<-tcal))=2.0,066=0,132.

Deciso: Como p-valor=13,2% > =5%, o teste no significativo. No rejeitamos a
hiptese H0. Logo, pelos dados amostrais, no existe evidncia de que a nota mdia dos
alunos diferente de 7,0, a um nvel de significncia de 5%.

7.2 CONSTRUO DE UM TESTE DE HIPTESES PARA A PROPORO

POPULACIONAL

Se p a proporo populacional e p a proporo amostral, sabemos que, se np5,

podemos aproximar a distribuio amostral de p pela distribuio normal, ou seja, p N(p
, pq/n). Isso nos permite realizar testes para a proporo populacional de forma anloga aos
testes para mdia.

1) Definio das hipteses:

87

H : p = p0
a) 0
H1 : p > p0

H : p = p0
b) 0
H1 : p p0

H : p = p0
c) 0
H1 : p < p0

2) Estatstica do teste:
Se np5 temos que p N(p , pq/n). Nestas condies, a estatstica do teste ser:
Z=

p -p
N(0,1)
p(1-p)
n

O valor da estatstica do teste ser dado por: z cal =

p -p 0
p 0 (1-p 0 )
n

3) Regio crtica ou de rejeio corresponde s reas hachuradas da figura abaixo para cada
tipo de teste:

4) Deciso: Se o valor da estatstica do teste zcal pertencer regio crtica RC, rejeitamos a
hiptese H0 ao nvel de significncia. Caso contrrio, no podemos rejeit-la.

Exemplo 7.2 Um produtor afirma que a proporo de ps de laranja contaminados com

certa doena em sua propriedade de apenas 12%. Em um estudo com uma amostra com
100 elementos, selecionados aleatoriamente, 18 apresentaram a doena. Existe evidncia
amostral para contestar a afirmao do produtor, ao nvel de significncia de 5%?.
Soluo:
Dados:
Proporo de plantas doentes na populao, p=0,12 e proporo de plantas doentes na
amostra, p =0,18. Tamanho da amostra, n=100 e =5%

1) Hipteses:

88

H 0 :p=0,12

H1:p>0,12
2) A estatstica do teste adequada :
Z=

p -p
N(0,1)
p(1-p)
n

Com base nos dados amostrais, e sob H0 verdadeira o valor da estatstica :

z cal =1,85

3) Obteno da Regio Crtica: Da tabela N(0;1) com =5% temos:

4) Deciso: Como zcal=1,85 pertence regio crtica, rejeitamos a hiptese H0. Logo, pelos
dados amostrais, existe evidncia amostral para contestar a afirmao do produtor, ao nvel
de significncia de 5%.

89

EXERCCIOS

01) Supomos que a verdadeira proporo de estudantes que no estudam nos finais de
semana seja de 75%. Em um inqurito realizado entre 100 estudantes de certa
Universidade, verificamos que 65% no estudam nos finais de semana. Teste a hiptese ao
nvel de significncia de 1%.

02) Um fabricante afirma que 5% dos copos que ele fornece apresentam defeitos. Em 120
copos selecionados aleatoriamente, encontramos 7 copos com defeitos. Ao nvel de
significncia de 5% podemos concluir que a proporo de copos com defeitos superior a
que o fabricante afirma?

03) Uma amostra aleatria de 29 copos de certo suco mostrou um contedo mdio do
lquido de 195 ml, com desvio padro de 9 ml. Supondo populao normal, teste a hiptese
de que a mdia inferior a 200 ml, ao nvel de 5% de significncia.

04) Ao fazer uma promoo de rao para animais, uma loja de produtos agropecurios
anotou a venda diria durante 10 dias, cujos valores, em reais foram: 8500, 8300, 7500,
7100, 7200, 8000, 8800, 7600, 7000 e 7400. Supondo distribuio normal e se a venda
mdia diria da loja de 7500 reais, verifique ao nvel de significncia de 5%, se a
promoo foi vlida ou no.

05) Desconfiamos que o peso dos pacotes de certa marca de caf est abaixo do
especificado na embalagem que de 500 g. Uma amostra de 15 pacotes apresentou mdia
de 496 g. Supondo distribuio normal com desvio padro 7,0 g para os pesos dos pacotes,
h evidencia amostral para confirmar a suspeita, ao nvel de 5% de significncia?

90

7.3 TESTE PARA COMPARAO DE VARINCIAS DE DUAS POPULAES

Suponhamos duas amostras independentes retiradas de populaes normais com

varincias 12 e 22 . Estamos interessados no estudo da comparao entre as varincias
dessas populaes. Ser que duas amostras independentes de dimenso n1 e n2 , e
varincias s12 e s 22 , respectivamente, provm de populaes com mesma varincia? Em
outras palavras, h evidncia amostral de que as varincias populacionais 12 e 22 so
iguais?

O desenvolvimento para testar tal hiptese anlogo ao anterior.

1) Definio das hipteses, que podem ser:

H 0 : 12 = 22
a)
2
2
H 1 : 1 2

H 0 : 12 = 22
b)
2
2
H 1: 1 > 2

H : 2 = 22
c ) 0 12
2
H 1: 1 < 2

2) Estatstica do teste: Sob a hiptese de normalidade e independncia das populaes, a

estatstica

S12 / 12
tem uma distribuio F com (n1-1, n2-1) graus de liberdade. Sob a
S 22 / 22

hiptese nula de homogeneidade (igualdade) das varincias, o quociente entre as varincias

dever ter um valor aproximadamente igual a 1. Desvios significativos deste valor
dificilmente podero ser explicados por erros aleatrios indicando que a hiptese nula deve
ser rejeitada.
A estatstica do teste

S12 / 12
S 22 / 22

~ F(n 1 1, n 2 1)

Assim, sob H0, e com as informaes obtidas na amostra, o valor da estatstica do

teste ser:
Fcal =

s12
s 22
2
2
,
se
s

s
ou
F
=
, se s 22 s12
1
2
cal
s 22
s12

Os graus de liberdade da distribuio F devem ser tomados de tal forma que o grau
de liberdade do numerador deve ser sempre citado primeiro.

91

3) Regio crtica ou de rejeio de H0: Se n e m so os graus de liberdade do numerador e

do denominador, respectivamente, as regies de rejeio da hiptese nula sero dadas pelas
reas hachuradas da figura a seguir para cada teste. Os valores de F(n,m) so obtidos da
tabela F.

4) Deciso: Se o valor da estatstica do teste Fcal pertencer regio crtica RC, rejeitamos a
hiptese H0 ao nvel de significncia. Caso contrrio, no podemos rejeit-la.

Exemplo 7.3 (Analyst 1982, 107, 1047, D. Ballinger, A. Lloyd, A. Morrish) Um mtodo
proposto para a determinao do consumo qumico de oxignio em guas residuais foi
comparado com o mtodo de referncia (mtodo do sal de mercrio). Os resultados
seguintes foram obtidos para uma amostra de esgotos. Foram feitas 8 determinaes.
Podemos concluir que a preciso do mtodo proposto significativamente maior do que o
mtodo padro? Considerar nvel de significncia = 5%.

Mtodo

Mdia

Desvio padro

Standard

72

3,31

Proposto

72

1,51

Para responder a questo, temos que decidir se a varincia do mtodo padro

significativamente maior que a do mtodo proposto.
H : =
As hipteses a serem testadas so 0 1 2 ,
2

H 1 : 1 > 2

onde, 12 a varincia do mtodo padro e 22 a do mtodo proposto e o valor da

estatstica do teste Fcal =

s12 (3,31) 2
=
=4,8
s 22 (1,51) 2

A regio crtica de F tal que: F0,05(7 , 7)=3,78.

92

Deciso: Como o valor observado excede ao valor crtico da distribuio (4,8 > 3,79)
rejeitamos a hiptese nula ao nvel de 5%. A preciso do mtodo proposto
significativamente maior.

7.4 TESTE PARA A COMPARAO DE DUAS MDIAS POPULACIONAIS

PARA AMOSTRAS INDEPENDENTES

A questo que trataremos agora pode ser colocada da seguinte forma: Ser que duas
amostras independentes de dimenso n1 e n2, com mdias x1 e x 2 , e varincias s12 e s 22 ,
respectivamente, provm de populaes com mesma mdia? Em outras palavras, h
evidncia amostral de que as mdias populacionais 1 e 2 so iguais? Para verificar isso
consideremos duas populaes X1 e X2 independentes tais que X1 N( 1 , 12 ) e X2 N( 2
, 22 ).

1) Definio das hipteses:

H 0 : 1 = 2
a)
H 1 : 1 2

H : = 2
b) 0 1
H 1 : 1 > 2

H : = 2
c) 0 1
H 1 : 1 < 2

2) Identificao da estatstica do teste adequada:

a) Se as varincias populacionais 12 e 22 forem conhecidas, a estatstica :
Z=

(X 1 -X 2 )-(1 - 2 )
21
n1

22

N(0,1)

n2

Sob H0 verdadeira, o valor da estatstica dado por: z cal =

(X 1 -X 2 )
21
n1

22
n2

b) Se as varincias populacionais 12 e 22 no so conhecidas, porm iguais

(homogeneidade de varincias) a estatstica :
(n -1)S2 +(n -1)S2
(X1 -X 2 )-(1 - 2 )
1
1
2
2
t=
t (n1 +n 2 -2) , onde S =
p
n +n -2
1 1
1 2
Sp .
+
n1 n 2

93

Sob H0 verdadeira, o valor da estatstica dado por: t cal = (X1 -X 2 )

Sp .

1 1
+
n1 n 2

c) Se as varincias populacionais 12 e 22 no so conhecidas e diferentes

(heterogeneidade de varincias) a estatstica :
S2 S2
1 + 2
n
n
1
2
(X1 -X 2 )-(1 - 2 )

t=
t v , onde v=
2
2
2
2
s1 s 2
S2 n
S2 n
+
1 1
2 2
n1 n 2
+
n -1
n -1
1
2

) (

Sob H0 verdadeira, o valor da estatstica dado por: t cal = (X1 -X 2 )

2
2

s1 s 2
+
n1 n 2

A determinao da regio crtica e o critrio de deciso so como os descritos para

o parmetro .

Para a construo da regio crtica podemos substituir a tabela t pela tabela N(0,1)
sempre que o grau de liberdade for maior que 30.

Exemplo 7.4 Vamos supor duas turmas (T1 e T2) de Bioestatstica. Desejamos comparar as
turmas com relao mdia na disciplina. Uma amostra de tamanho 11, da turma 1,
forneceu valores para a mdia e varincia respectivamente 7,6 e 6,5. Uma amostra de
tamanho 13, da turma 2, forneceu valores 7,0 para a mdia e 4,5 para a varincia. Supondo
normalidade das populaes, podemos concluir com 5% de significncia, que a turma 1
tem mdia maior que a turma 2?

Como devemos usar um teste de comparao de mdias com varincias

populacionais desconhecidas, vamos inicialmente testar se estas varincias so iguais ou
no.

94

Teste para varincias:

H : 2 = 2
0
1
2
1) Hipteses:
H1 : 12 22

Onde 12 a varincia da turma 1 e 22 da turma 2.

2) O valor da estatstica do teste :

Fcal =

s12 6,5
=
=1,44
s 22 4,5

3) A regio crtica corresponde aos valores de F(10 , 12) tais que:

F(10 , 12) >F(10 , 12 , 0,025) = 3,37

4) Deciso: Como o valor observado no excede ao valor crtico da distribuio (1,44 <
3,37) no rejeitamos a hiptese nula ao nvel de 5%. H homogeneidade das varincias.

Assim devemos realizar o teste para as mdias considerando varincias

populacionais iguais.

Teste para mdias:

H 0 : 1 = 2
1) Hipteses:
onde 1 a mdia da turma 1 e 2 a mdia da turma 2.
H 1 : 1 > 2

2) Como as varincias populacionais so desconhecidas e iguais, o valor da estatstica de

teste :

t cal =

(7,6-7,0)
(11-1)6,5+(13-1)4,5 1 1
+
11+13-2
11 13

=0,65

3) A regio de rejeio RC, corresponde aos valores de t tais que t>t(22)=1,717

95

4) Deciso: Como 0,65<1,717 no rejeitamos a hiptese de igualdade das mdias ao nvel

de 5% de significncia. Portanto, a mdia da turma 1 no maior que a mdia da turma 2.

7.5 TESTE PARA A COMPARAO DE DUAS MDIAS POPULACIONAIS

PARA DADOS EMPARELHADOS (AMOSTRAS DEPENDENTES)

Em muitas situaes queremos comparar duas mdias populacionais em que as

observaes ocorrem em pares. Um caso tpico constitudo pelo teste antes e depois
nos quais os integrantes das duas amostras so os mesmos. Por exemplo, se determinamos
o peso para um conjunto de 12 animais, e logo depois de uma dieta voltamos a medir seu
peso, nas duas amostras teremos os mesmos animais. Queremos verificar se existe
diferena significativa entre as duas medies, ou seja, se a dieta afetou o peso.
Se denotarmos por X a primeira medio e por Y a segunda, estudaremos o
comportamento da diferena D = X Y. Desta forma, em vez de duas populaes teremos
uma populao de diferenas, a qual, se X e Y forem normais, ser tambm normal. Esta
populao ter uma mdia D e uma varincia 2D , ou seja, DN(D , D2 ). evidente que
se a primeira medio (xi) for igual segunda (yi) teremos di=0 e a formulao do
problema pode ser posta da seguinte maneira:
Dado um conjunto de pares (xi , yi), o valor da diferena di = xi-yi , entre cada par
de observaes ter uma distribuio com valor mdio zero?
X

x1 x2 x3 ................xn

y1

y2

y3 ................yn

D=X-Y

d1

d2

d3 ................dn

Testar a hiptese de que a diferena entre as mdias das duas populaes

emparelhadas seja igual, equivale a testar a hiptese de que a mdia de todas as diferenas
seja igual a zero, o que decorre diretamente das propriedades da mdia e o problema fica
reduzido ao teste de uma nica mdia.

96

1) Definio das hipteses:

H 0 : D =0
a)
H1: D 0

H 0 : D =0
b)
H1: D >0

H 0 : D =0
c)
H1: D <0

2) Neste caso, a varincia populacional desconhecida e ento, a estatstica que ser

utilizada para testar a hiptese H0 t de Student com (n-1) graus de liberdade:
n

D- D ,
t=
s n

onde D=

i=1

Sob H0 verdadeira, o valor da estatstica dado por: t cal = d

s

A determinao da regio crtica e o critrio de deciso so como os descritos para

o parmetro .

Exemplo 7.5 Vamos supor que dez aves foram submetidas a um tratamento com uma
rao especial para o aumento de peso. Os pesos, em gramas, no princpio e no fim de uma
semana, esto abaixo. Ao nvel de 1% de significncia, podemos concluir que o uso da
rao contribuiu para o aumento do peso mdio das aves?
Aves

10

Antes(X)

1635

1704

1662

1560

1603

1745

1650

1515

1603

1659

Depois(Y)

1640

1744

1692

1568

1620

1750

1700

1585

1635

1682

40

30

17

50

70

32

23

Di

Considerando a diferena D=Y-X, temos: d =28 e s=21,12

1) Hipteses.
H0: D =0 ( No houve aumento de peso)
H1: D >0 ( Houve um aumento significativo de peso)

2) Identificao e clculo da estatstica do teste adequada: t= D- D

s

t cal =

d
s

28
= 4,19
21,12 10

3) Regio crtica: ao nvel de significncia de 0,01, o valor tabelado t=2,82.

4) Deciso: como o valor de tcal= 4,19 > t = 2,82, a deciso rejeitarmos a hiptese nula,
ao nvel de confiana de 1%. Logo, pelos dados amostrais, podemos dizer que houve
aumento de peso, ou seja, o tratamento foi significativo.
97

EXERCCIOS

06) Um estudo sobre a produo de leite de duas raas de animais forneceu os seguintes
resultados da produo diria (em kg). Desconfiamos que as raas A e B diferem quanto
produo mdia diria de leite. Supondo populaes normais, qual a concluso ao nvel de
5% de significncia?

Raa

10

11

12

13

21

19

22

18

20

23

25

21

18

19

22

23

20

18

21

20

19

22

23

19

18

22

24

23

21

20

07) Para comparar as mdias de duas populaes (I e II) em um estudo, amostras aleatrias
foram obtidas. Os resultados so apresentados abaixo. Teste a hiptese de que a mdia da
populao I maior que a da populao II, considerando um nvel de 10% de significncia
e populaes normais.

Amostra (I)

30

35

50

75

80

60

80

Amostra (II)

70

90

35

82

61

55

69

08) Para testarmos a eficincia de determinada rao para o aumento de peso (em gramas)
em ratos, selecionamos 10 animais. O peso antes do tratamento e aps 12 dias de uso do
produto so apresentados abaixo. Supondo populao normal, qual a concluso sobre a
eficincia do produto ao nvel de 5% de significncia?

Animais

10

Incio

10

Final

11

12

11

12

13

10

14

12

13

09) Um estudo sobre a eficincia de determinado hormnio no aumento de peso foi

realizado usando 10 animais. O peso (em kg) foi observado inicialmente e aps trinta dias
do tratamento com o hormnio. Supondo populao normal, qual a concluso sobre a
eficincia do hormnio ao nvel de 5% de significncia?

98

Animais

10

Incio

21

19

20

18

20

20

18

21

18

20

Aps 30 dias

21

24

22

19

25

23

19

22

23

24

10) Uma mquina empacota caf em embalagens de 500 g, com variabilidade praticamente
constante. Duas amostras retiradas em duas semanas consecutivas forneceram os seguintes
resultados: n1=10 ; x 1 = 501; s1=5; n2=15; x 2 = 495; s2=6,0. Desconfiamos que a
regulagem da mquina quanto ao peso mdio fornecido possa ter sido modificada entre a
coleta das duas amostras. Qual a concluso, ao nvel de 5% de significncia, considerando
populaes normais?

99

7.6 TESTE DE ASSOCIAO QUI-QUADRADO

Estes testes se referem a outros aspectos que no os parmetros, ou seja, no

dependem dos parmetros populacionais e nem de suas estimativas.
Quando existem duas ou mais variveis qualitativas de interesse, a representao
tabular das frequncias observadas pode ser feita atravs de uma tabela de dupla entrada,
cada entrada relativa a uma das variveis. O teste qui-quadrado permite que analisemos a
associao entre essas variveis.
Neste teste, usamos a estatstica 2v que tem aproximadamente uma distribuio
qui-quadrado com v graus de liberdade. Tal como no caso da distribuio t de Student,
existe uma famlia de distribuies 2v indexada pelo nmero de graus de liberdade.
A construo deste teste de hipteses semelhante aos anteriores:

1) Hipteses.
H0: As variveis so independentes.
H1: As variveis no so independentes, ou seja, elas apresentam algum grau
de associao entre si.
2) Estatstica do teste: A estatstica

(O ij -E ij ) 2

i= 1

j=1

E ij

2
v

, que tem

aproximadamente distribuio qui-quadrado se Eij5 (para o caso de Eij<5, ver Barbetta,

(2006) , onde:

v=(r-1).(s-1) o grau de liberdade.

r o nmero de linhas.

s o nmero de colunas corpo da tabela.

Oij a frequncia observada da linha i com a coluna j.

Eij a frequncia esperada da linha i com a coluna j, calculada pela expresso:

E ij =

f i .f j
n

n o nmero total de elementos da amostra.

Sob H0 verdadeira e usando as informaes amostrais, o valor da estatstica do teste

:

100

2
cal

(O ij -E ij ) 2

i= 1

j= 1

E ij

3) Regio crtica: fixando e usando a distribuio 2v , a regio crtica corresponde rea

hachurada na figura abaixo.

4) Deciso: Se o

c2a l est na regio crtica, rejeitamos a hiptese H0, ou seja, as variveis

apresentam algum grau de associao entre si.

Exemplo 7.6

Vamos supor que em uma amostra de 670 alunos do Ensino Mdio

obtivemos os resultados de sexo e tipo sanguneo, conforme dados abaixo. As variveis

envolvidas so ou no independentes? Usar um nvel de significncia de 1%.

Tipo Sanguneo

Sexo
O

AB

Total

Masculino

132

160

20

320

Feminino

160

130

30

10

330

Total

292

290

50

18

650

1) Hipteses.
H0: Sexo e tipo sanguneo so variveis independentes.
H1: As variveis no so independentes, ou seja, elas apresentam algum grau
de associao entre si.
r

2) Estatstica teste: A estatstica =

(O ij -E ij ) 2

i= 1

j=1

E ij

2
v

101

Assim, o valor da estatstica :

2
cal

(O ij -E ij ) 2

i= 1

j= 1

E ij

3) Regio crtica: =0,01, v=(2-1).(3-1)=3, logo

4) Deciso:

=31,14

2
3:0
, 0 1 = 7,81.

c2a l =31,14 est na regio crtica, ento rejeitamos a hiptese H0, ou seja, as

variveis sexo e tipo sanguneo apresentam algum grau de associao.

102

EXERCCIOS

1) Para estudar a associao entre sexo e tabagismo, numa certa populao, foi observada
uma amostra aleatria de 300 pessoas adultas dessa populao. Os dados esto
apresentados na tabela abaixo. As variveis faixa-etria, sexo e tabagismo so ou no
independentes? Usar um nvel de significncia de 5%.

Sexo

Tabagismo

Total

Masculino

Feminino

Fumante

92

38

130

No-fumante

108

62

170

Total

200

100

300

Fonte: BARBETTA (2006).

2) Com base nos dados fictcios, abaixo, teste a hiptese de independncia entre as
variveis condio e sexo, ao nvel de significncia de 5%.

Condio

Sexo

Total
Masculino

Feminino

Alcolatra

50

10

60

No-alcolatra

2150

1190

3340

Total

2200

1200

3400

103

REFERNCIAS

ANDRADE D. F.; OGLIARI, P. J. Estatstica para as Cincias Agrrias e Biolgicas. 2.

ed. Florianpolis: Editora UFSC, 2010.
BARBETTA, P. A. Estatstica aplicada s Cincias Sociais. 5. ed. Florianpolis: Editora
da UFSC, 2002.
BARBETTA, P. A.; REIS, M. M.; BORNIA, A. C. Estatstica para cursos de
engenharia e informtica. So Paulo: Atlas, 2004.
COSTA NETO, P. L. O. Estatstica. 2. ed. So Paulo: Editora Edgard Blucher, 2002.
CRESPO, A. A. Estatstica fcil. 13. Ed. So Paulo: Editora Saraiva, 1995.
MAGALES, A. N.; LIMA, A. C. P. Noes de Probabilidade e Estatstica. 4. ed. So
Paulo: Edusp, 2002.
MORETTIM, L. G. Estatstica bsica: Probabilidade e inferncia. So Paulo: Pearson,
2010.
VIEIRA, S. Introduo Bioestatstica. 4. ed. Rio de Janeiro: Campus, 1986.
VIEIRA, S. Princpios de Estatstica. So Paulo: Pioneira, 1999.

104

TABELA DE NMEROS ALEATRIOS

1

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

37 38 39 40 L/C

50

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

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

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

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

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

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

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

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

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

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

L/C

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

L/C
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

37 38 39 40 L/C

105

D IS TR IB U I O NO R M A L PAD R ON IZA DA
f(x) = 1/[(2 ) 1/2 * ] * e **{-1/2*[(x- )/ ] 2 }

z
-3,0
-2,9
-2,8
-2,7
-2,6
-2,5
-2,4
-2,3
-2,2
-2,1
-2,0
-1,9
-1,8
-1,7
-1,6
-1,5
-1,4
-1,3
-1,2
-1,1
-1,0
-0,9
-0,8
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0

0,00
0,0013
0,0019
0,0026
0,0035
0,0047
0,0062
0,0082
0,0107
0,0139
0,0179
0,0228
0,0287
0,0359
0,0446
0,0548
0,0668
0,0808
0,0968
0,1151
0,1357
0,1587
0,1841
0,2119
0,2420
0,2743
0,3085
0,3446
0,3821
0,4207
0,4602
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987

0,01
0,0013
0,0018
0,0025
0,0034
0,0045
0,0060
0,0080
0,0104
0,0136
0,0174
0,0222
0,0281
0,0351
0,0436
0,0537
0,0655
0,0793
0,0951
0,1131
0,1335
0,1562
0,1814
0,2090
0,2389
0,2709
0,3050
0,3409
0,3783
0,4168
0,4562
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975
0,9982
0,9987

0,02
0,0013
0,0018
0,0024
0,0033
0,0044
0,0059
0,0078
0,0102
0,0132
0,0170
0,0217
0,0274
0,0344
0,0427
0,0526
0,0643
0,0778
0,0934
0,1112
0,1314
0,1539
0,1788
0,2061
0,2358
0,2676
0,3015
0,3372
0,3745
0,4129
0,4522
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,9987

0,03
0,0012
0,0017
0,0023
0,0032
0,0043
0,0057
0,0075
0,0099
0,0129
0,0166
0,0212
0,0268
0,0336
0,0418
0,0516
0,0630
0,0764
0,0918
0,1093
0,1292
0,1515
0,1762
0,2033
0,2327
0,2643
0,2981
0,3336
0,3707
0,4090
0,4483
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977
0,9983
0,9988

0,04
0,0012
0,0016
0,0023
0,0031
0,0041
0,0055
0,0073
0,0096
0,0125
0,0162
0,0207
0,0262
0,0329
0,0409
0,0505
0,0618
0,0749
0,0901
0,1075
0,1271
0,1492
0,1736
0,2005
0,2296
0,2611
0,2946
0,3300
0,3669
0,4052
0,4443
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
0,9838
0,9875
0,9904
0,9927
0,9945
0,9959
0,9969
0,9977
0,9984
0,9988

0,05
0,0011
0,0016
0,0022
0,0030
0,0040
0,0054
0,0071
0,0094
0,0122
0,0158
0,0202
0,0256
0,0322
0,0401
0,0495
0,0606
0,0735
0,0885
0,1056
0,1251
0,1469
0,1711
0,1977
0,2266
0,2578
0,2912
0,3264
0,3632
0,4013
0,4404
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
0,9842
0,9878
0,9906
0,9929
0,9946
0,9960
0,9970
0,9978
0,9984
0,9989

0,06
0,0011
0,0015
0,0021
0,0029
0,0039
0,0052
0,0069
0,0091
0,0119
0,0154
0,0197
0,0250
0,0314
0,0392
0,0485
0,0594
0,0721
0,0869
0,1038
0,1230
0,1446
0,1685
0,1949
0,2236
0,2546
0,2877
0,3228
0,3594
0,3974
0,4364
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,9989

0,07
0,0011
0,0015
0,0021
0,0028
0,0038
0,0051
0,0068
0,0089
0,0116
0,0150
0,0192
0,0244
0,0307
0,0384
0,0475
0,0582
0,0708
0,0853
0,1020
0,1210
0,1423
0,1660
0,1922
0,2206
0,2514
0,2843
0,3192
0,3557
0,3936
0,4325
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,9989

0,08
0,0010
0,0014
0,0020
0,0027
0,0037
0,0049
0,0066
0,0087
0,0113
0,0146
0,0188
0,0239
0,0301
0,0375
0,0465
0,0571
0,0694
0,0838
0,1003
0,1190
0,1401
0,1635
0,1894
0,2177
0,2483
0,2810
0,3156
0,3520
0,3897
0,4286
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980
0,9986
0,9990

0,09
0,0010
0,0014
0,0019
0,0026
0,0036
0,0048
0,0064
0,0084
0,0110
0,0143
0,0183
0,0233
0,0294
0,0367
0,0455
0,0559
0,0681
0,0823
0,0985
0,1170
0,1379
0,1611
0,1867
0,2148
0,2451
0,2776
0,3121
0,3483
0,3859
0,4247
0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
0,9990

106

DISTRIBUIO T DE STUDENT
f(x) = [( +1)/2]/ ( /2) * ( * )[-1/2] * [1 + (x2/ )][-( +1)/2]

UNICAUDAL

0,005

0,01

BICAUDAL
NVEL DE SIGNIFICNCIA PARA TESTE UNILATERAL
0,015 0,02 0,025 0,03 0,035 0,04 0,05 0,1 0,15

Graus de
NVEL DE SIGNIFICNCIA PARA TESTE BILATERAL
Liberdade
0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,10 0,20 0,30
gl
1
63,66 31,82 21,20 15,89 12,71 10,58 9,06 7,92 6,31 3,08 1,96
2
9,92 6,96 5,64 4,85 4,30 3,90 3,58 3,32 2,92 1,89 1,39
3
5,84 4,54 3,90 3,48 3,18 2,95 2,76 2,61 2,35 1,64 1,25
4
4,60 3,75 3,30 3,00 2,78 2,60 2,46 2,33 2,13 1,53 1,19
5
4,03 3,36 3,00 2,76 2,57 2,42 2,30 2,19 2,02 1,48 1,16
6
3,71 3,14 2,83 2,61 2,45 2,31 2,20 2,10 1,94 1,44 1,13
7
3,50 3,00 2,71 2,52 2,36 2,24 2,14 2,05 1,89 1,41 1,12
8
3,36 2,90 2,63 2,45 2,31 2,19 2,09 2,00 1,86 1,40 1,11
9
3,25 2,82 2,57 2,40 2,26 2,15 2,06 1,97 1,83 1,38 1,10
10
3,17 2,76 2,53 2,36 2,23 2,12 2,03 1,95 1,81 1,37 1,09
11
3,11 2,72 2,49 2,33 2,20 2,10 2,01 1,93 1,80 1,36 1,09
12
3,05 2,68 2,46 2,30 2,18 2,08 1,99 1,91 1,78 1,36 1,08
13
3,01 2,65 2,44 2,28 2,16 2,06 1,97 1,90 1,77 1,35 1,08
14
2,98 2,62 2,41 2,26 2,14 2,05 1,96 1,89 1,76 1,35 1,08
15
2,95 2,60 2,40 2,25 2,13 2,03 1,95 1,88 1,75 1,34 1,07
16
2,92 2,58 2,38 2,24 2,12 2,02 1,94 1,87 1,75 1,34 1,07
17
2,90 2,57 2,37 2,22 2,11 2,02 1,93 1,86 1,74 1,33 1,07
18
2,88 2,55 2,36 2,21 2,10 2,01 1,93 1,86 1,73 1,33 1,07
19
2,86 2,54 2,35 2,20 2,09 2,00 1,92 1,85 1,73 1,33 1,07
20
2,85 2,53 2,34 2,20 2,09 1,99 1,91 1,84 1,72 1,33 1,06
21
2,83 2,52 2,33 2,19 2,08 1,99 1,91 1,84 1,72 1,32 1,06
22
2,82 2,51 2,32 2,18 2,07 1,98 1,90 1,84 1,72 1,32 1,06
23
2,81 2,50 2,31 2,18 2,07 1,98 1,90 1,83 1,71 1,32 1,06
24
2,80 2,49 2,31 2,17 2,06 1,97 1,90 1,83 1,71 1,32 1,06
25
2,79 2,49 2,30 2,17 2,06 1,97 1,89 1,82 1,71 1,32 1,06
26
2,78 2,48 2,30 2,16 2,06 1,97 1,89 1,82 1,71 1,31 1,06
27
2,77 2,47 2,29 2,16 2,05 1,96 1,89 1,82 1,70 1,31 1,06
28
2,76 2,47 2,29 2,15 2,05 1,96 1,88 1,82 1,70 1,31 1,06
29
2,76 2,46 2,28 2,15 2,05 1,96 1,88 1,81 1,70 1,31 1,06
30
2,75 2,46 2,28 2,15 2,04 1,95 1,88 1,81 1,70 1,31 1,05
40
2,70 2,42 2,25 2,12 2,02 1,94 1,86 1,80 1,68 1,30 1,05
50
2,68 2,40 2,23 2,11 2,01 1,92 1,85 1,79 1,68 1,30 1,05
60
2,66 2,39 2,22 2,10 2,00 1,92 1,84 1,78 1,67 1,30 1,05
120
2,62 2,36 2,20 2,08 1,98 1,90 1,83 1,77 1,66 1,29 1,04

2,58 2,33 2,17 2,05 1,96 1,88 1,81 1,75 1,64 1,28 1,04

0,2

0,25

0,40
1,38
1,06
0,98
0,94
0,92
0,91
0,90
0,89
0,88
0,88
0,88
0,87
0,87
0,87
0,87
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,85
0,85
0,85
0,85
0,85
0,85
0,84
0,84

0,50
1,00
0,82
0,76
0,74
0,73
0,72
0,71
0,71
0,70
0,70
0,70
0,70
0,69
0,69
0,69
0,69
0,69
0,69
0,69
0,69
0,69
0,69
0,69
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,67

107

Distribuio Qui-Quadrado
f(x) = {1/[2 /2* ( /2)]} * [x( /2)-1 * e-x/2]

Graus de
Liberdade gl

0,5%

1,0%

2,0%

2,5%

4,0%

5,0%

10,0% 15,0%

20,0%

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
50

7,88
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
46,93
48,29
49,64
50,99
52,34
53,67
55,00
56,33
57,65
58,96
60,27
61,58
62,88
64,18
65,48
66,77
79,49

6,63
9,21
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,72
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
52,19
53,49
54,78
56,06
57,34
58,62
59,89
61,16
62,43
63,69
76,15

5,41
7,82
9,84
11,67
13,39
15,03
16,62
18,17
19,68
21,16
22,62
24,05
25,47
26,87
28,26
29,63
31,00
32,35
33,69
35,02
36,34
37,66
38,97
40,27
41,57
42,86
44,14
45,42
46,69
47,96
49,23
50,49
51,74
53,00
54,24
55,49
56,73
57,97
59,20
60,44
72,61

5,02
7,38
9,35
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98
48,23
49,48
50,73
51,97
53,20
54,44
55,67
56,90
58,12
59,34
71,42

4,22
6,44
8,31
10,03
11,64
13,20
14,70
16,17
17,61
19,02
20,41
21,79
23,14
24,49
25,82
27,14
28,44
29,75
31,04
32,32
33,60
34,87
36,13
37,39
38,64
39,89
41,13
42,37
43,60
44,83
46,06
47,28
48,50
49,72
50,93
52,14
53,34
54,55
55,75
56,95
68,80

3,84
5,99
7,81
9,49
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,68
25,00
26,30
27,59
28,87
30,14
31,41
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
44,99
46,19
47,40
48,60
49,80
51,00
52,19
53,38
54,57
55,76
67,50

2,71
4,61
6,25
7,78
9,24
10,64
12,02
13,36
14,68
15,99
17,28
18,55
19,81
21,06
22,31
23,54
24,77
25,99
27,20
28,41
29,62
30,81
32,01
33,20
34,38
35,56
36,74
37,92
39,09
40,26
41,42
42,58
43,75
44,90
46,06
47,21
48,36
49,51
50,66
51,81
63,17

1,64
3,22
4,64
5,99
7,29
8,56
9,80
11,03
12,24
13,44
14,63
15,81
16,98
18,15
19,31
20,47
21,61
22,76
23,90
25,04
26,17
27,30
28,43
29,55
30,68
31,79
32,91
34,03
35,14
36,25
37,36
38,47
39,57
40,68
41,78
42,88
43,98
45,08
46,17
47,27
58,16

2,07
3,79
5,32
6,74
8,12
9,45
10,75
12,03
13,29
14,53
15,77
16,99
18,20
19,41
20,60
21,79
22,98
24,16
25,33
26,50
27,66
28,82
29,98
31,13
32,28
33,43
34,57
35,71
36,85
37,99
39,12
40,26
41,39
42,51
43,64
44,76
45,89
47,01
48,13
49,24
60,35

108

109

110

111

112