ESTATÍSTICA

PROF. PEDRO ALCEU

BIGATTÃO JUNIOR
 FACULDADE CATÓLICA PAULISTA

Prof. Pedro Alceu Bigattão Junior

ESTATÍSTICA

Marília/SP
2022
Diretor Geral | Valdir Carrenho Junior

“
A Faculdade Católica Paulista tem por missão exercer uma
ação integrada de suas atividades educacionais, visando à
geração, sistematização e disseminação do conhecimento,
para formar profissionais empreendedores que promovam
a transformação e o desenvolvimento social, econômico e
cultural da comunidade em que está inserida.

Missão da Faculdade Católica Paulista

Av. Cristo Rei, 305 - Banzato, CEP 17515-200 Marília - São Paulo.
www.uca.edu.br

Nenhuma parte desta publicação poderá ser reproduzida por qualquer meio ou forma
sem autorização. Todos os gráficos, tabelas e elementos são creditados à autoria,
salvo quando indicada a referência, sendo de inteira responsabilidade da autoria a
emissão de conceitos.
 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

SUMÁRIO
AULA 01 CONCEITOS BÁSICOS 07

AULA 02 SÉRIES ESTATÍSTICAS I 18

AULA 03 SÉRIES ESTATÍSTICAS II 28

AULA 04 MEDIDAS DE TENDÊNCIA CENTRAL I 36

AULA 05 MEDIDAS DE TENDÊNCIA CENTRAL II 44

AULA 06 ESTATÍSTICA UTILIZANDO EXCEL 54

AULA 07 MEDIDAS SEPARATRIZES (QUARTIS) 66

AULA 08 MEDIDAS SEPARATRIZES (DECIS) 76

AULA 09 MEDIDAS SEPARATRIZES (PERCENTIS) 84

AULA 10 MEDIDAS DE DISPERSÃO 92

AULA 11 DESVIO PADRÃO 103

AULA 12 ANÁLISE COMBINATÓRIA 114

AULA 13 PROBABILIDADE I 125

AULA 14 PROBABILIDADE II 135

AULA 15 PROBABILIDADE III 146

FACULDADE CATÓLICA PAULISTA | 5

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

INTRODUÇÃO

Caro (a) aluno (a),

Seja bem-vindo à disciplina de Estatística. Por intermédio da temática que vamos
potencializar o desenvolvimento ao longo das aulas, você irá alcançar conceitos
preliminares sólidos dos conhecimentos sobre a Estatística, assim como suas
operações algébricas, além de ter um contato muito próximo com as construções
gráficas utilizadas nessa área da matemática. Da mesma forma, veremos as definições
dos conceitos envolvidos nas diferentes medidas, como por exemplo de tendência
central, separatrizes e dispersão, e suas concepções algébricas e gráficos, visando
impactar diretamente a profissão para a qual você está se preparando com situações
contextualizadas.
Além disso, iremos relembrar os conceitos de análise combinatória e com isso
interpretar suas definições utilizando situações-problemas de modo a se obter um
alicerce para desenvolvimento de um conhecimento sólido.
Vamos da mesma forma iniciar as definições iniciais de Probabilidade, com o objetivo
de estudar suas concepções utilizando tabelas e combinar todos esses princípios a
profissão para a qual você está se preparando. Além desses conceitos muito importantes
para a Estatística, são diversas as vezes em que eles são aplicados em contextos
da análise matemática. Ainda aprenderemos os conceitos de distribuição binomial e
normal de probabilidades associando aos conhecimentos adquiridos nessas aulas,
com problemas e situações que envolvam as diversas áreas do conhecimento.
Finalizando os conceitos envolvidos nas aulas, estudaremos os testes de hipótese,
explicando todos os tipos, incluindo teste qui-quadrado, a fim de solucionar problemas
envolvendo variância em dados de poucos elementos.
Ao final desse percurso, você será um profissional não só com capacidade técnica
para conseguir bons resultados, mas também com muita competência para refletir
sobre sua prática profissional e os impactos dela na sociedade.
Vamos começar!

FACULDADE CATÓLICA PAULISTA | 6

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 1
CONCEITOS BÁSICOS

Caro (a) aluno (a)!

Nesta aula, você irá identificar o conceito de métodos estatísticos, como organizar
os dados estatísticos, como realizar uma coleta de dados, como realizar a apuração
dos dados, como realizar a apresentação desses dados e analisar e interpretá-los.
Assim, irá compreender as estruturas das relações básicas da estatística. Com essa
ferramenta apresentada você poderá ter uma maior facilidade de compreensão em
conceitos futuros em relação ao estudo dessa Ciência. Bons estudos!

1.1 Introdução

A estatística é uma área da matemática aplicada. As sociedades antigas já

demonstravam suas anotações em registros, anotando os números de indivíduos,
nascimentos e óbitos, elaborando, dessa forma, “estatísticas”. Já na Idade Média, as
pesquisas e investigações passaram a ser tabuladas, com aplicações relacionadas
aos tributos e à guerra. No século. XVI, despontam os primeiros elementos analisados
e organizados de forma sistemática, surgindo as primeiras tabulações e números
relativos. Por último, no século XVIII, essas construções tabulares passaram a ficar
cada vez mais fartas de dados e, por consequência, começaram a aparecer as primeiras
construções gráficas e cálculos envolvendo a probabilidade. Esse conceito estatístico
deixa de ser apenas uma trivial tabulação de elementos numéricos, para se tornar
um conhecimento, de forma a se chegar a resultados conclusivos a respeito de uma
população, começando pela observação e análise de fragmentos dessa população
denominados de amostra.

ISTO ESTÁ NA REDE

Durante a pandemia, os jornais, revistas e outros meios de comunicação traziam

e ainda trazem diariamente diversos dados e informações sobre o Covid-19. É
necessário, sempre, que tenhamos um olhar crítico para esses dados, com o intuito
de não sermos enganados por fake news. A partir disso, percebe-se a importância
da estatística nos tempos atuais.
https://revista.pgsskroton.com/index.php/jieem/article/view/8256

FACULDADE CATÓLICA PAULISTA | 7

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

1.1.1 Método estatístico

O método é a forma mais eficiente para se obter uma estabelecida meta. Os métodos
científicos se caracterizam por ressaltar o método experimental e o método estatístico.
O método experimental, de forma clara, limita-se em apontar um instrumento de
estudo, selecionando os aspectos capazes de influir o objeto e, assim, estabelecer
critérios para controlar e observar todos os efeitos produzidos pela variável no objeto.
Dessa forma, nesse modelo, o cientista contribui efetivamente na pesquisa.
O método estatístico reflete integralmente nas causas que são implicadas nos
procedimentos envolvendo a variável e, assim, procura definir o resultado e as ações que
pertencem a cada uma delas. Por exemplo, podemos pensar em apontar a viabilidade, ou não,
do lançamento de uma certa mercadoria, tendo como exemplo uma pesquisa de mercado.
Por essas situações, podemos pensar que seria impraticável, no instante da
exploração dos dados, preservar essas variáveis de forma regular e constante, como
por exemplo os salários, a sensação do sabor dos clientes, nível global dos índices
de preços de determinadas mercadorias etc.

1.2 A Estatística

É um segmento da área matemática aplicada cujo objetivo é fornecer um dispositivo

de coleta, estruturação, apresentação, exploração e interpretação de informações
visando seu aproveitamento na tomada de decisões.
Essa coleta de informações, estruturação, apresentação, exploração, cálculos,
interpretação e organização mencionada acima faz parte da Estatística descritiva. Por
outro lado, quando falamos em análise e a interpretação dos resultados, relacionado
a uma linha de incerteza, podemos dizer que passam a fazer parte da Estatística
Indutiva ou Inferencial, da mesma forma chamamos como medida da incerteza ou
metodologias que se baseiam na teoria da probabilidade.

“A Estatística, durante muitos séculos, esteve relacionada apenas com

as informações a respeito do Estado. Hoje em dia, o conjunto de teorias,
conceitos e métodos denominado Estatística está associado ao processo
de descrição e inferência, debruçando-se, de modo particular, sobre
questões relativas à sumarização eficiente de dados, planejamento e
análise de experimentos e levantamentos e natureza de erros de medida
e de outras causas de variação em um conjunto de dados” (PIANA, C. F.
B; MACHADO, A. A.; SELAU, L. P. R., 2013, p. 6)

FACULDADE CATÓLICA PAULISTA | 8

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

1.2.1 Processos estatísticos de abordagem

Vamos a alguns conceitos:

● Censo: Avaliação direta de parâmetro; feita com todas as unidades
envolvidas;
● Amostragem (Estimativa): Avaliação indireta de parâmetro, usando apenas
uma pequena parcela da população.

Observe a tabela de comparação entre os dois conceitos apresentados acima.

CENSO ESTIMATIVA

Erro processual: Zero Erro processual: Positivo

Confiabilidade: 100% Confiabilidade: < 100%

Caro Barata

Lento Rápida

Quase sempre desatualizado Atualizado

Nem sempre viável Sempre viável

Tabela 1 - Comparação censo e estimativa
Fonte - Autor

1.3 Ordenação de dados estatísticos

A ordenação dos elementos na disciplina de estatística acontece em todas as

fases do desenvolvimento. Primeiramente é definido o assunto a ser investigado, em
seguida, se analisa a metodologia a ser empregada na coleta dos dados da pesquisa
e, por fim, passamos à efetivação da coleta.

1.3.1 Fases do método estatístico

Na primeira fase, definimos o problema a ser pesquisado conhecendo muito bem

os objetos que se planeja pesquisar. Na segunda fase, para realizar o planejamento
de forma mais assertiva e clara, precisaremos responder alguns questionamentos:
• Como poderemos levantar as informações?
• Que dados poderemos encontrar?
• Qual o levantamento a ser empregado?
• Censo “população”?

FACULDADE CATÓLICA PAULISTA | 9

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

• Por amostragem?
• Quais os custos envolvidos?

Na terceira, chamada de fase operacional, ocorre o registro organizado das

informações, visando um objetivo pré-estabelecido. Para essa fase, se atente aos
seguintes conceitos:
• Dados primários: acontece quando as informações são divulgadas pela respectiva
pessoa ou organização, por exemplo os catálogos do censo demográfico instituído
pelo IBGE.
• Dados secundários: acontece quando as informações são divulgadas por outra
organização, por exemplo o momento em que deliberado jornal divulga alguma
determinada estatísticas relacionada ao censo demográfico extraídas do censo.
OBS: Nestes dois casos podemos afirmar que será mais seguro trabalhar com as
informações primárias, visto que a utilização das fontes secundárias poderá nos
trazer um enorme risco ao erros de registros.

• Coleta direta: quando a coleta é feita direto da fonte, como exemplo podemos
pensar quando a organização empresarial empreende uma pesquisa para
determinar a escolha dos compradores pela sua marca preferida de um
determinado produto.
◦ Coleta contínua: é quando os levantamentos dos dados são realizados
de forma contínuas, como por exemplo registros de imóveis, registros de
empresas, registro de doenças;
◦ Coleta frequente: é quando os levantamentos dos dados são realizados
de forma cíclicas, como por exemplo o recenseamento demográfico, censo
industrial;
◦ Coleta ocasional: é quando os levantamentos dos dados são realizados de
forma esporádica, como exemplo registro de casos de covid 19.
OBS: Os resultados, obtidos pela coleta direta, podem ser realizados por semelhança,
por análise, indícios ou proporcionalidade

A quarta fase podemos chamar de refinamento dos dados, na qual será realizada
uma síntese dessas informações por meio de sua contagem e concentração. Será
nesta fase que realizaremos a solidificação dos dados e sua tabulação.

FACULDADE CATÓLICA PAULISTA | 10

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Na quinta fase, apresentamos as informações, podendo ser representadas de duas

formas, na qual uma não exclui a outra. A primeira representação será em forma
de tabela, ou seja, será uma apresentação numérica das informações em forma de
linhas e colunas distribuídas de maneira ordenada, obedecendo as condutas técnicas
orientadas pelo Conselho Nacional de Estatística. O segundo método de representação
será utilizado a demonstração gráfica das informações, constituindo, assim, uma
demonstração geométrica, possibilitando uma perspectiva mais rápida e clara do
fenômeno em estudo.
Na sexta e última fase, faremos a análise e interpretação das informações e é
considerada a mais relevante e delicada. Esta fase se conecta diretamente ao cálculo
de diversas medidas e coeficientes, os quais têm por finalidade fundamental representar
o fenômeno chamado de estatística descritiva.

1.4 Definições básicas

1.4.1 Fenômeno estatístico

Será todo e qualquer acontecimento que se pretenda estudar, cuja análise seja
possível pela aplicação da metodologia estatística, a qual separamos em três grupos:
• De massa ou coletivo: são os que não são capazes de serem determinados
apenas com uma simples investigação;
• Individuais: são os que irão integrar os acontecimentos de massa;
• De multidão: quando os atributos observados para a massa não se constatam
para o particular.

1.4.2 Dado estatístico

Definimos como sendo as informações numéricas que consideramos como a

matéria-prima em que iremos empregar as metodologias estatísticas.

1.4.3 População

Será o agrupamento de todos os componentes com uma característica comum.

FACULDADE CATÓLICA PAULISTA | 11

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

1.4.4 Amostra

Será a parte que irá representar a população que será estudada com o intuito de
termos conclusões a respeito dessa população.

Título: Definição de amostra e população

Fonte: Autor

1.4.4.1 Técnicas de amostragem

Depois de definido o tipo de pesquisa que vai precisar realizar, é necessário adotar
um critério para a seleção dos elementos que vão participar da pesquisa. Para isso,
é padronizada o tipo de seleção pelo que chamamos de técnicas de amostragem:
• Amostra casual simples: é o tipo de amostragem que o pesquisador seleciona
aleatoriamente, sem estabelecer nenhum critério para a escolha dos elementos
que participaram da pesquisa.
• Amostra sistemática: esse tipo de amostragem seleciona os elementos a partir
de um sistema pré-estabelecido, ou seja, dada alguma informação que segue
uma certa ordenação escolhemos esses elementos com base nessa ordem já
estabelecida. Por exemplo, uma lista telefônica, um arquivo de prontuários etc.
• Amostra estratificada: esse tipo de técnica de amostragem procura selecionar
todas as possíveis variações existentes entre a população que se quer pesquisar,
pois ela busca atender todas as diferenciações existentes dentro de uma certa
população. Ao adotar esse tipo de amostragem, estamos nos preocupando

FACULDADE CATÓLICA PAULISTA | 12

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

basicamente em mediar as informações para que a nossa pesquisa tenha um

resultado mais abrangente.
• Amostra de conveniência: esse tipo de amostragem é realizado quando o
pesquisador utiliza os elementos que dispõe no momento da pesquisa. Dentre
todas as técnicas, essa é sem dúvida a menos confiável, pois os dados tendem
a ser muito tendenciosos, uma vez que não buscam outras fontes de informação
que permitissem algum tipo de variabilidade de dados. Seria como se em
uma pesquisa sobre hábitos alimentares, coletasse informações apenas com
moradores de uma única rua.

1.4.5 Parâmetros

São valores específicos existentes no levantamento de uma população que ajudam

a descrevê-la. Com o intuito de estabelecermos parâmetros, devemos averiguar toda
a população.

1.4.6 Estimativa

Será todo valor característico do parâmetro que será calculado utilizando a amostra.

1.4.7 Variável

Será o conjunto de resultados possíveis de um fenômeno.

“Algumas variáveis, como sexo, educação, estado civil, apresentam

como possíveis realizações uma qualidade (ou atributo) do indivíduo
pesquisado, ao passo que outras, como número de filhos, salário,
idade, apresentam como possíveis realizações números resultantes
de uma contagem ou mensuração. As variáveis do primeiro tipo
são chamadas qualitativas, e as do segundo tipo, quantitativas.”
(MORETTIN, P. A., 2009, p. 12)

A partir da citação acima, conclui-se que há dois tipos de variáveis:

• Variável qualitativa: No momento em que pesquisarmos valores expressos por
atributos como sexo, cor da pele etc.

FACULDADE CATÓLICA PAULISTA | 13

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

• Variável quantitativa: No momento em que os materiais pesquisados são de

caráter nitidamente quantitativo, e os resultados encontrados possuem uma
estrutura numérica, tratando-se, portanto, da estatística com variável dividindo
em:
◦ Variáveis quantitativas discretas: agrupamento de soluções prováveis sendo
finitos. Por exemplo: a quantidade de filhos, estudantes de medicina de uma
universidade etc.
◦ Variáveis quantitativas contínuas: será no momento em que os valores são
evidenciados em um intervalo ou união de números.

Título: Tipos de variáveis

Fonte: Autor (https://app.mindmup.com/map/_free/2021/10/6da5f0f02f7a11ecb2ca7f4603f097cd)

1.5 Gráficos estatísticos

São caracterizações visuais das informações coletadas do estudo estatístico que

visam corresponder aos dados coletados, mas em nenhum momento neutralizar as
tabelas estatísticas. Nesse sentido podemos dizer que seus atributos são a utilização
de escalas, sistema de coordenadas, facilidade, compreensão clara e fidelidade.
Pensando nessas informações, somos capazes de dividir as definições gráficas
em dois grupos:
• De informação: Se caracteriza por aqueles indicados, em especial, ao público em
geral, visando contemplar uma observação mais veloz e nítida. São construções
que dispensam menções explicativas adicionais. As legendas não são obrigatórias,
na hipótese das informações esperadas estejam demonstradas no gráfico.

FACULDADE CATÓLICA PAULISTA | 14

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

• De análise: Se caracteriza pelas construções que possibilitam a prestação mais

adequada ao desenvolvimento de uma pesquisa estatística, oferecendo subsídios
importantes na etapa da avaliação dos dados coletados. Essas construções
gráficas regularmente vêm cercadas por uma tabela estatística. Apresenta-se
frequentemente um texto com as explicações, demandando a atenção para
todos os sinais principais divulgados pelo gráfico.

Podemos classificar os gráficos como sendo diagramas ou pictóricos.

• Diagramas: Se caracteriza pelos gráficos geométricos utilizados em duas
dimensões, além de serem mais utilizados na ilustração de séries estatísticas,
podendo ser:
◦ Barras horizontais: O principal objetivo dessa construção é caracterizar e
representar todas as informações por meio de figuras retangulares, visando
investigar os lançamentos no intervalo determinado.

Título: Exemplo de Barras horizontais

Fonte: Autor

◦ Barras verticais (colunas): Da mesma forma que os gráficos de barras

horizontais, essa construção é a mais utilizada. Os elementos são
demonstrados por uma figura na posição vertical.

Título: Exemplo de Barras verticais

Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 15

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

◦ Linhas ou lineares: A construção gráfica de linha é empregada para certificar uma

sucessão numérica de uma determinada informação ao longo do tempo. O principal
objetivo dessa indicação é validar as evoluções do comportamento dos fenômenos

Título: Exemplo de Linhas

Fonte: Autor

◦ Setores: O principal objetivo será apresentar e esclarecer todas as informações

por meio de uma figura circular fracionada. É uma construção gráfica bastante
utilizada na argumentação de dados percentuais.

Título: Exemplo de Setores

Fonte: Autor

• Pictogramas: São confeccionados com base em imagens que representam

a expressividade do estudo observado. Nesta categoria de construção, existe
o benefício de aguçar o cuidado do público amador. Esses atributos devem
ser autoexplicativos sendo a sua desvantagem a apresentação desses dados
mostrarem apenas uma visão mais geral do estudo.

Título: Exemplo de Pictogramas

Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 16

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

1.6 Conclusão

Nesta aula, aprendemos sobre os conceitos básicos de estatística, como por exemplo
como organizar os dados estatísticos, como realizar uma coleta de dados e entre
outros. Os conceitos básicos são fundamentais para a compreensão de conceitos
mais elaborados que veremos mais para frente nas próximas aulas.

1.7 Referências

MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]

PIANA, C. F. B; MACHADO, A. A.; SELAU, L. P. R. Estatística Básica. Pelotas: Universidade
Federal de Pelotas, 2013. Disponível em: https://www.ufrgs.br/probabilidade-estatistica/
extra/material/apostila_de_estatistica_basica.pdf. Acesso em: 20 de outubro.

FACULDADE CATÓLICA PAULISTA | 17

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 2
SÉRIES ESTATÍSTICAS I

Caro (a) aluno (a)!

Nesta aula, você irá identificar o conceito de distribuições, como organizar os
dados estatísticos, como realizar apuração dos dados e como realizar a apresentação
desses dados em forma tabular discreta, analisando e interpretando esses dados na
representação de percentual e porcentagem. Com essa ferramenta apresentada você
poderá ter uma maior facilidade de compreensão em conceitos futuros em relação
ao estudo dessa Ciência. Bons estudos!

2.1 Distribuição de frequência para dados não agrupados

É um modelo de tabela que tem a finalidade de agrupar uma série de informações

conforme as frequências dos dados coletados.
Dizemos que a essas informações coletadas, conhecidas como dados brutos ou
tabela primitiva, é uma associação dos itens que não apresentam-se numericamente
organizados. Dessa forma torna-se difícil termos conclusão ou ideia exata do
comportamento desse levantamento como um todo.

2.1.1 Representação dos dados amostrais ou populacionais

Primeiramente dizemos que os dados brutos são todas as informações numéricas

que ainda não chegaram a ser ordenadas e organizadas de forma crescente ou
decrescente, isto é, estão conforme foram coletadas.
Por exemplo: Pesquisa realizada pesquisando o número de filhos com 50 famílias.
2 3 0 2 1 1 1 3 2 5
6 1 1 0 1 5 6 0 2 4
1 4 1 3 7 6 2 0 1 1
3 1 3 5 7 1 3 1 1 0
3 0 4 1 2 2 2 3 2 1
Tabela 1 - Número de filhos
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 18

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

A organização dos dados brutos em ordem de grandeza crescente ou decrescente

chamamos de ROL. Veja a tabela 2.

0 0 0 0 0 0 1 1 1 1

1 1 1 1 1 1 1 1 1 1

1 1 2 2 2 2 2 2 2 2

2 3 3 3 3 3 3 3 3 4

4 4 5 5 5 6 6 6 7 7
Tabela 2 - Quantidade de filhos
Fonte: Autor

Podemos, com uma simples apuração e exame da primeira tabela das informações
da quantidade de filhos por casais, inferir que não será fácil demonstrar a conduta das
informações coletadas. Dessa forma, devemos, sempre quando coletamos informações,
primeiramente produzir uma tabela de frequência.
Depois disso, precisamos contar o número de elementos que aparecem, chamada
de frequência absoluta e indicada por ni.
Podemos também organizar esses elementos em forma tabular denominada
distribuição de frequência, sem intervalos de classe, na qual respeitará uma simples
concentração dos dados segundo as repetições de seus valores numéricos. Para que
tenhamos um ROL de dimensões bastante razoável, esta distribuição citada acima
passa a ser muito inconveniente, já que irá exigir muito espaço.
Vejamos exemplo:
Filhos Quantidade

0 6

1 16

2 9

3 8

4 3

5 3

6 3

7 2
Tabela 3 - Distribuição de frequência
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 19

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Para elucidar mais o conceito, vamos ver outro exemplo. Nesse levaremos em
consideração os dados aleatórios citados abaixo:
45, 41, 42, 41, 42 43, 44, 41 ,50, 46, 50, 46, 60, 54, 52, 58, 57, 58, 60, 51
Dessa forma, a ordenação desses dados em ordem crescente ou decrescente,
chamada de ROL, ficará:
ROL 41, 41, 41, 42, 42 43, 44, 45 ,46, 46, 50, 50, 51, 52, 54, 57, 58, 58, 60, 60
Com base no ROL, podemos montar a distribuição de frequência. Observe a tabela 4.
Dados Frequência

41 3

42 2

43 1

44 1

45 1

46 2

50 2

51 1

52 1

54 1

57 1

58 2

60 2

Total 20
Tabela 4 - Distribuição de frequência
Fonte: Autor

Vejamos então mais um exemplo relacionado a notas referentes a uma determinada

sala da Universidade Alpha.
0 1,5 2 2,5 3 3 4 4 4 4,5 5 5 5,5 5,5 6 6 6 6 6 6,5

6,5 6,5 7 7 7 7,5 8 8 8 8 8 8,5 9 9 9 9 9 9 10 10

Tabela 5 - Notas
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 20

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Podemos montar uma tabela baseada na frequência de cada nota:

Notas (Xi) Frequência (Fi)

0 1

1,5 1

2 1

2,5 1

3 2

4 3

4,5 1

5 2

5,5 2

6 5

6,5 3

7 3

7,5 1

8 5

8,5 1

9 6

10 2

Total 40
Tabela 6 - Distribuição das notas e frequência
Fonte: Autor

Observamos, então, que a construção tabular de nosso levantamento de notas é

muito extensa. Dessa maneira, quando passarmos a realizar cálculos mais avançados,
será muito impraticável trabalhar com essa categoria de tabela, uma vez que o número
de elementos das variáveis é muito grande.
Portanto, dizemos que a distribuição de frequências será toda organização das
informações coletadas com as respectivas repetições de seus valores. A frequência
absoluta denominada por (Fi) não será uma medida muito eficaz na análise das
informações, principalmente nas ocorrências em que se almeja relacionar a distribuição
de uma mesma variável. Dessa forma, necessitamos estabelecer medidas que nos
leve a uma avaliação da quantidade total de observações, como a frequência relativa

FACULDADE CATÓLICA PAULISTA | 21

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

(fi %), definida como sendo a razão entre a frequência absoluta (Fi) e o número total
de observações n.
Obs.: Sempre devemos observar que a soma das frequências relativas deverão ser
100%.

2.1.2 Distribuição de frequências para variável discreta

Com o intuito de demonstrar essa distribuição, vamos trabalhar com a coleta de

pesquisa sobre idades, em anos, de uma classe de calouros de uma faculdade que
revelou os seguintes valores:

18 17 18 20 21 19 20 18 17 19

20 18 19 18 19 21 18 19 18 18

19 19 21 20 17 19 19 18 18 19

18 21 18 19 19 20 19 19 19 20

18 19 19 18 20 20 18 18 18 18
Tabela 7 - Idade dos calouros
Fonte: Autor

• Frequência Relativa (ou percentual) - Fr (%): Indica o percentual que uma frequência
de classe representa em relação à frequência total.
Exemplo: A classe 3 de frequência 20, temos Fr = 0,34, pois 20 representa 34% da
Frequência Total que é 50.

Variável idade dos Frequência absoluta Frequência relativa Porcentagem

calouros (Xi) (Fi) (Fr)

17 3 3/50 = 0,06 6%

18 18 18/50 = 0,36 36%

19 17 17/50 = 0,34 34%

20 8 8/50 = 0,16 16%

21 4 4/50 = 0,08 8%

Total 50 1,00 100%

Tabela 8 - Distribuição de frequência discreta
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 22

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Vamos mais um exemplo.

Em um lançamento de um dado 50 vezes, obtivemos os seguintes resultados:

6 5 2 6 4 3 6 2 6 5 1 6 3 3 5 1 3 6 3 4 5 4 3 1 3

5 4 4 2 6 2 2 5 2 5 1 3 6 5 1 5 6 2 4 6 1 5 2 4 3
Tabela 9 - Valores do dado
Fonte: Autor

Construa uma distribuição sem intervalos e complete com a coluna do fr%.

Variável lançamento Frequência absoluta Frequência relativa Porcentagem

de dado (Xi) (Fi) (Fr)

1 6 6/50 = 0,12 12%

2 8 8/50 = 0,16 16%

3 9 9/50 = 0,18 18%

4 7 7/50 = 0,14 14%

5 10 10/50 = 0,20 20%

6 10 10/50 = 0,20 20%

Total 50 1,00 100%

Tabela 10 - Distribuição de frequência discreta
Fonte: Autor

Temos também outros tipos de frequência que podem ser usados na análise dos
dados coletados
• Frequência Acumulada (Fa) - É a soma de todas as frequências, até aquela
especificada.
Exemplo: A classe 3 de frequência 9 tem Fa = 23, pois se somando as frequências
anteriores, temos 6 + 8 + 9 = 23.

• Frequência Acumulada Relativa ou Percentual (FrA %) - Equivale a Frequência

Relativa Fr (%), só que relativa à frequência Acumulada.
Exemplo: A classe 3 de frequências 9 temos Fa = 23, logo FrA (%) = 46, pois 9
representa 46 % da frequência total que é 50.

FACULDADE CATÓLICA PAULISTA | 23

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Veja a tabela 11, com todas as frequências calculadas.

Variável lançamento Frequência Frequência Frequência Frequência acumulada

Porcentagem
de dado (Xi) absoluta (Fi) relativa (Fr) acumulada (Fa) relativa (Fra %)

1 6 6/50 = 0,12 12% 6 12

2 8 8/50 = 0,16 16% 14 28

3 9 9/50 = 0,18 18% 23 46

4 7 7/50 = 0,14 14% 30 60

5 10 10/50 = 0,20 20% 40 80

6 10 10/50 = 0,20 20% 50 100

Total 50 1,00 100%

Tabela 11 - Distribuição de frequência discreta
Fonte: Autor

2.1.3 Distribuição de frequências para variável contínua

No momento em que já tivermos o levantamento das informações e formos realizar

a elaboração e a construção tabular, sempre devemos ter em mente um título, corpo,
cabeçalho e as colunas indicadoras.
O título sempre irá se referir a categoria dos dados apresentados, aludindo-se o
que se trata a tabela, isto é, será o assunto.
As colunas indicarão as representações das variáveis que estão sendo trabalhadas.
O corpo nos mostrará as diversas quantidades demonstradas na construção tabular.
Por fim, o cabeçalho será os nomes que são demonstrados nos topos das colunas.
Notas Frequência (Fi)

0 ├── 2 2

2 ├── 4 4

4 ├── 6 8

6 ├── 8 12

8 ├──| 10 14

Total 40
Tabela 12 - Frequência das notas
Fonte: Autor

Temos então:
Título: Notas referentes a uma sala
Cabeçalho: Notas e frequência
Coluna indicadora: classes das notas
Corpo: valores das frequências

Obs.: a ├── b significa: a ∈ ao intervalo e b ∉.

FACULDADE CATÓLICA PAULISTA | 24

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

A construção tabular acima receberá o nome de Distribuição de Frequências com

Intervalos de Classe.
Na elaboração dessa Distribuição de frequências vamos encontrar:
• A Amplitude total de uma frequência (ou Rol), determinada por At = Xmáx – Xmín,
como podemos observar em nosso exemplo acima At = 10 – 0, logo At = 10.
• O Intervalos de Classe corresponderá a qualquer subdivisão da amplitude total,
a qual caracterizamos pelo símbolo a ├──| b.
◦ a = Limite inferior (Li)
◦ b = Limite superior (Ls)
• Consideramos todos os limites de Classe os extremos de cada intervalo de
classe. Exemplo: 0├─ 2
• Amplitude do intervalo de Classe determinaremos utilizando o cálculo h = Li – li,
isto é, vamos verificar a amplitude realizando a diferença entre os limites superior
e inferior dessa forma, 3 |--- 9 temos Li = 3 e Li = 9, ⸫ h = Li – li = 9 – 3 = 6.
• A Amplitude total da distribuição vamos determinar calculando a diferença entre
o limite superior da última classe e o limite inferior da primeira classe, logo AT
= L(max) - l(min).
Exemplo: Observando a construção tabular acima AT = 10 – 0 = 10.
• Para determinarmos o Ponto Médio de uma Classe, utilizaremos a regra, Pmi
= obtendo seu resultado somando os limites inferior e superior e dividindo
por 2.
Exemplo: Observando a construção tabular acima 8 ├─ 26 temos li = 8 e Li = 26 ⸫
ponto médio (Pmi) Classe = = Pmi = 17.
• O Número de Classes denominaremos pela letra (k).

ANOTE ISSO

Para construirmos uma distribuição de frequências com intervalo, precisamos

utilizar critérios e um deles será o conhecido Critério da Raiz, que visa definir
o número de classes. Esse critério é dado por: k = , no qual, n irá representar o
número de elementos e k deverá ser um número inteiro mais próximo do resultado
da raiz. Em nosso exemplo acima temos n = 40:
k= = 6,325.
Portanto k = 6 classes.

FACULDADE CATÓLICA PAULISTA | 25

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

A amplitude do intervalo de classe (h) é dada pela fórmula: h = . O valor de k

será de 6,325, neste caso, somos capazes de escolher entre três opções:
• Um inteiro mais próximo de 6,325, sendo 6
• Um inteiro anterior imediato a 6
• Um posterior a 6

Portanto, teríamos três opções: 5, 6 ou 7. Vamos testar as três opções, para

determinarmos qual delas melhor se adequa aos valores que temos.
Para k = 5, temos:
h= → daí, h = ↔ h = 2.

Para k = 6, temos:

h= → daí, h = ↔ h = 1,67.

Para k = 7, temos:

h= → daí, h = ↔h=1

Nesse momento, é muito importante contarmos com a experiência do pesquisador.

Em nosso exemplo, utilizamos k = 5 e h = 2, porque esses valores satisfazem
plenamente nossas necessidades, mesmo porque, para a escolha dos valores de k e,
por consequência, o valor de n, adotamos o valor que mais se aproxima do número
inteiro.
Outro método para calcularmos k é usando a Fórmula de Sturges:

k = 1 + 3,3. log n

2.2 Conclusão

Nesta aula, identificamos a regra de construção da variável discreta e suas

representações algébricas pautando-nos no desenvolvimento de suas propriedades
de acordo com o desenvolvimento de suas operações algébricas, tendo em vista
estudar suas definições pensando no futuro todos os elementos da disposição gráfica.

FACULDADE CATÓLICA PAULISTA | 26

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Por fim, essa metodologia irá nos fornecer uma análise de resolução de exemplos
recorrentes nas diversas áreas do conhecimento.

2.3 Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 27

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 3
SÉRIES ESTATÍSTICAS II

Caro (a) aluno (a)!

Nesta aula você irá identificar o conceito de distribuições, como organizar os
dados estatísticos, como realizar apuração dos dados, como realizar a apresentação
desses dados em forma tabular contínua, analisando e interpretando esses dados na
representação de percentual e porcentagem. Com essa ferramenta apresentada você
poderá ter uma maior facilidade de compreensão em conceitos futuros em relação
ao estudo dessa Ciência. Bons estudos!

3.1. Distribuição de freqüências para dados agrupados

Somos capazes de associar as informações quantitativas de uma variável em

intervalos, os quais denominaremos intervalos de classes. Neste sentido, a construção
abaixo chamaremos de distribuição de frequência com intervalos de classe ou variável
contínua.

Variável Frequência
Classes Idades absoluta
Xi Fi

1 06 I---- 16 8

2 16 I---- 26 1

3 26 I---- 36 5

4 36 I---- 46 8

5 46 I---- 56 1

Total 30
Tabela 1 - Distribuição de frequência
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 28

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Nessa etapa vamos elaborar a construção tabular dos dados de forma agrupada,
com intervalos ou variável contínua.
Em nossa construção agora iremos primeiramente determinar a quantidade de
Classes de frequência. Essas classes representamos pela simbologia i, sendo i = 1,
2, 3, …, k, na qual k representa a quantidade total de classes da distribuição.
Em nosso exemplo, observemos o intervalo 36 ├─ 46, que define a quarta classe
(i = 4).
Temos também em nossa construção a definição de Limites de classes, os quais
são os extremos de cada classe (li ├─ Li), sendo:
• li – Chamado de limite inferior da classe, onde começa o intervalo;
• Li – Chamado de limite superior da classe, onde termina o intervalo;

Também temos em nossa construção o intervalo de classe ou amplitude do intervalo,

chamado de (h). Esta medida do intervalo define a classe h = Li – li.
Exemplo: intervalo 46├─ 36, logo h = 46 – 36 = 10
Com essas informações, vamos à construção tabular e ao cálculo.
Uma determinada empresa de carros escolheu ao acaso, uma amostra de 94 lojas
autorizadas em território nacional e anotou em janeiro a quantidade de unidades
adquiridas por essas lojas e obteve os seguintes resultados.

8 24 46 13 38 54 44 20 17 14
15 30 24 20 8 24 18 9 10 18
38 79 15 62 23 13 62 18 8 37
11 17 9 35 23 22 37 36 8 13
10 6 92 16 15 23 37 36 8 13
44 17 9 30 26 18 37 43 14 9
28 41 42 35 35 41 71 50 52 17
19 7 28 23 29 29 58 77 72 34
12 40 25 23 29 29 58 77 72 15
9 16 31 30
Tabela 2 - Unidade de carros adquiridas
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 29

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

ROL das quantidades de unidades adquiridas por essas lojas:

6 7 7 7 8 8 8 8 9
9 9 9 9 10 10 11 12 12 13
13 13 14 14 14 15 15 15 15 16
16 17 17 17 17 18 18 18 18 19
20 20 22 22 22 23 23 23 23 24
24 24 25 26 28 28 29 29 30 30
30 31 32 34 34 34 35 35 35 36
37 37 38 38 40 41 42 42 43 44
44 44 46 50 52 54 58 62 62 71
72 77 79 82
Tabela 3 - ROL da tabela 2
Fonte: Autor

A partir disso, determine a frequência relativa dos dados.

n = 94, k = 9,695
Para k = 9, temos:
h= → daí, h = 10

Variável Frequência
Frequência Frequência Frequência
Aquisição Acumulada
absoluta relativa Porcentagem Acumulada
de carros Relativa
Fi Fi Fac
Xi FrA (%)

06 I---- 16 29 29/94 = 0,30 30% 29 30

16 I---- 26 24 24/94 = 0,24 24% 53 54
26 I---- 36 16 16/94 = 0,17 17% 69 71
36 I---- 46 13 13/94 = 0,14 14% 82 85
46 I---- 56 4 4/94 = 0,07 7% 86 92
56 I---- 66 3 3/94 = 0,03 3% 89 95
66 I---- 76 2 2/94 = 0,02 2% 91 97
76 I---- 86 2 2/94 = 0,02 2% 93 99
86 I---- 96 1 1/94 = 0,01 1% 94 100
Total 94 1,00 100%
Tabela 4 - Distribuição de frequência contínua
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 30

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

ANOTE ISSO

É recomendado, a medida que puder, agrupar os elementos em classes para

evitarmos uma grande extensão da construção tabular.

Veja outro exemplo que leva em conta o levantamento do coeficiente de inteligência

de 70 alunos de uma determinada Universidade, o qual determinou os seguintes dados:

111 76 117 98 125 80 108 100 82 101

128 72 102 87 115 112 107 113 93 78
88 70 61 114 128 126 79 121 116 122
119 112 113 94 90 105 103 123 108 91
103 106 138 105 116 124 116 109 139 119
122 115 99 125 83 118 96 124 92 110
109 114 128 125 79 121 116 122 119 112
Tabela 5 - Coeficiente de inteligência dos alunos
Fonte: Autor

Determinar a frequência relativa dos dados coletados.

Conforme explicações, necessitamos primeiramente definir a quantidade de classes
denominada K:

ANOTE ISSO

Para os cálculos de raiz, vamos desprezar os decimais e trabalhamos apenas com

a parte inteira da raiz de n. Para o resultado de nosso cálculo podemos considerar o
K = 7, 8 ou 9. Qualquer um destes valores é válido desde que o resultado da divisão
seja exato.

Após esse cálculo, vamos definir o número de elementos n. Neste caso, foi dado
na tabela (perceba que o n vale 70)
Subtraia o maior elemento do menor da tabela e depois divida pelo K:

FACULDADE CATÓLICA PAULISTA | 31

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Podemos observar que o resultado foi 78 e que este número dividido por 8 não dá
uma divisão exata, logo devemos mexer nos termos maior e menor da fórmula. Porém
é importante lembrar que, quando mexemos no termo maior devemos sempre subir e
nunca diminuir o número, por exemplo, 139 sobe para 140. Quando mexemos no menor
termo devemos sempre descer e nunca subir o número, exemplo: 61 desce para 60.

ANOTE ISSO
Perceba que 80 é múltiplo de 8 e isso implica uma divisão exata, logo, devemos
definir o K como 8 pois é o único valor que dá uma divisão exata.

Variável Frequência Frequência Frequência Frequência

Q.I absoluta relativa Porcentagem Acumulada Acumulada Relativa
Xi Fi Fi Fac FrA (%)

60 I---- 70 1 1/70 = 0,01 1% 1 1

70 I---- 80 5 5/70 = 0,07 7% 6 8

80 I---- 90 6 6/70 = 0,08 8% 12 16

90 I---- 100 10 10/70 = 0,15 15% 22 31

100 I--- 110 12 12/70 = 0,17 17% 34 48

110 I--- 120 20 20/70 = 0,29 29% 54 77
120 I--- 130 14 14/70 = 0,21 21% 68 98
130 I--- 140 2 2/70 = 0,02 2% 70 100
Total 70 1,00 100%
Tabela 6 - Distribuição de frequência contínua
Fonte: Autor

3.2. Histograma e polígono de frequências

São gráficos específicos para representar uma tabela de valores agrupados em

classes, ou tabela de contingência, pois nesse tipo de gráfico, conseguimos enxergar
a continuidade das classes
• Histograma – é a representação gráfica de uma distribuição de frequência por
meio de retângulos justapostos.

FACULDADE CATÓLICA PAULISTA | 32

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Título: Exemplo de histograma

Fonte: Autor

• Polígono de frequência – é um gráfico em linha, no qual as frequências são

definidas pelas perpendiculares ao eixo x, determinada por meio dos pontos
médios de cada intervalo de classe.

Título: Exemplo de polígono de frequência

Fonte: Autor

• Polígono de frequência acumulada – é delineado determinando-se as frequências

acumuladas pelas perpendiculares ao eixo x, definidas através dos pontos que
correspondem aos respectivos limites superiores dos intervalos de classe.

Título: Exemplo de polígono de frequência acumulada

Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 33

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

3.3. Para treinar...

Para verificar a aprendizagem, agora é com vocês!

Uma empresa fez o levantamento de uma semana de vendas e retirou uma amostra
de 50 notas fiscais. Esta amostra apresentou os seguintes valores:
15.315,00 23.440,00 6.551,00 13.253,00 25.312,00
35.780,00 42.320,00 34.782,00 27.435,00 17.661,00
20.414,00 23.313,00 26.432,00 30.515,00 27.610,00
8.598,00 12.417,00 22.300,00 25.400,00 21.200,00
16.820,00 38.000,00 40.300,00 15.800,00 18.300,00
21.780,00 32.414,00 32.000,00 18.700,00 19.600,00
22.540,00 22.010,00 30.000,00 21.380,00 24.780,00
29.000,00 30.400,00 12.319,00 36.728,00 36.483,00
27.312,00 35.318,00 18.620,00 38.661,00 40.681,00
19302,00 23.300,00 21.350,00 28.412,00 21.313,00
Tabela 7 - Notas fiscais de uma empresa
Fonte: Autor

Faça a tabela de distribuição de frequência contínua.

Solução:
(Pode usar também 6 ou 8)
Maior valor: 42.320,00
Menor valor: 6.551,00

Variável Frequência Frequência Porcentagem Frequência Frequência

Notas fiscais absoluta relativa Acumulada Acumulada Relativa
Xi Fi Fi Fac FrA (%)

6.551 I--- 11.661 2 2/50 = 0,04 4% 2 4

11.661 I-- 16.771 5 5/50 = 0,01 1% 7 5

16,771I--- 21.881 13 13/50 = 0,26 26% 20 31

21.881 I-- 26.991 10 10/50 = 0,20 20% 30 51

26.991 I-- 32.101 9 19/50 = 0,37 37% 39 88

32.101 I- 37. 221 6 6/50 = 0,11 11% 45 99
37,221 I- 42.321 5 5/50 = 0,01 1% 50 100
Total 50 1,00 100%
Tabela 8 - Distribuição de frequência contínua
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 34

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

3.4. Conclusão

Nesta aula, identificamos a regra de construção da variável discreta e suas

representações algébricas pautando-nos no desenvolvimento de suas propriedades
de acordo com o desenvolvimento de suas operações algébricas, tendo em vista
estudar suas definições pensando no futuro todos os elementos da disposição gráfica.
Por fim, essa metodologia irá nos fornecer uma análise de resolução de exemplos
recorrentes nas diversas áreas do conhecimento.

3.5. Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 35

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 4
MEDIDAS DE
TENDÊNCIA CENTRAL I

Caro (a) aluno (a)!

Nesta aula, você irá identificar o conceito de medidas de posição envolvendo média
para variáveis discretas, variável contínua e como determinar a mediana na variável
discreta e variável continua organizando os dados estatísticos em tabelas e calculando
seus respectivos valores.. Com essa ferramenta apresentada você poderá ter uma
maior facilidade de compreensão em conceitos futuros em relação ao estudo dessa
Ciência. Bons estudos!

4.1. Medidas de posição central ou tendência central

Dado um grupo de valores, a medida de posição será um valor específico que

irá fazer a representação de todo esse grupo. Normalmente a medida de posição
ocupa uma posição central dentro da distribuição dos valores, isso quando estes
estão dispostos em uma ordenação.
Temos três valores que representam as medidas de posição: média, mediana e
moda. Teoricamente, quando trabalhamos com o mesmo grupo de valores, deveríamos
ter o mesmo valor da medida de posição, mas como trabalhamos cada uma delas de
forma diferente, acabamos por encontrar valores diferentes para essas três medidas,
porém, normalmente vamos chegar a valores relativamente próximos.

4.1.1. Média Aritmética Simples (Ma)

Observemos a sequência apresentada X = x1 , x2 , x3, ... , xn. A partir disso, para

determinarmos essa medida temos a seguinte regra :

FACULDADE CATÓLICA PAULISTA | 36

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Exemplo:
Dados os elementos X = 1, 2, 3, 4 e 5, determine a média.

O valor encontrado significa aquele que ocupa posição central em uma distribuição.

4.1.2. Média Aritmética Ponderada ( )

Observe a sequência X = x1, x2, x3, x4, ...., xn, com pesos p1, p2, p3, .... , pn , temos :

Exemplo:
Dados os elementos X = 1, 2, 3, 4 e pesos P = 1, 3, 3, 3 então:

4.1.3. Média Geométrica Simples ( )

Seja a sequência numérica X = x1, x2 , x3 , x4 , .... , xn , temos:

Exemplo:
Dados os elementos X = 2 , 4 , 6 , 8, a média geométrica ficará:

4.1.4. Média Geométrica Ponderada ( )

Seja a sequência numérica X = x1 , x2 , x3 , x4 , .... , xn , com pesos p1 , p2 , p4 , .... ,

pn, temos :
, com n = p1 + p2 + p4 + .... + pn.

FACULDADE CATÓLICA PAULISTA | 37

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Exemplo:
Dados os elementos X = 2, 4, 6, 8 → P = 1, 2, 3, 4 → n = 1 + 2 + 3 + 4 = 10, a média
geométrica ponderada ficará:

4.1.5. Média Harmônica Simples ( )

Seja a sequência numérica X = x1 , x2 , x3 , x4 , .... , xn, temos:

Exemplo:
Dados os elementos X = 2, 4, 6, 9, a média harmônica simples ficará:

4.1.6. Média Harmônica Ponderada ( )

Seja a sequência numérica X = x1 , x2 , x3 , x4 , .... , xn , com pesos p1 , p2 , p4 , .... ,

pn, temos :

Exemplo:
Dados os elementos X = 2 , 4 , 6 , 9 e P = 1 , 2 , 3 , 4 → n = 1 + 2 + 3 + 4 = 10,
tem-se que a média harmônica ponderada ficará:

4.2. Cálculo da Média

Seguimos agora para calcular a média de três formas diferentes, de modo a

realizarmos algumas considerações posteriores.

FACULDADE CATÓLICA PAULISTA | 38

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Vamos calcular a média dos seguintes valores: 1, 1, 2, 2, 2, 3, 3, 3, 3, 4.

4.2.1. Por média aritmética

Neste caso deveremos somar todos os elementos e posteriormente dividir pela

quantidade total de valores que foram somados:

4.2.2. Por média ponderada

Agora vamos multiplicar os valores, pelas respectivas quantidades que eles aparecem
e, em seguida, dividir pela soma dos valores que usamos nas multiplicações, ou seja,
pela soma das ponderações:

4.2.3. A chamada média simples ()

Neste caso, utilizamos quando a quantidade de valores que dispomos é relativamente

grande para que utilizemos os processos aritméticos ou ponderados, deveremos colocar
os valores em uma tabela e, chamaremos os valores de xi e as quantidades de vezes
que eles aparecem de Fi.

xi Fi xi.Fi

1 2 2

2 3 6

3 4 12

4 1 4

Σ 10 24
Tabela 1 - Dados aleatórios
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 39

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

ANOTE ISSO

Podemos observar que nos três casos, os valores do cálculo da média foram os
mesmos, então, para qualquer um dos casos, chegamos ao mesmo valor. O que vai
determinar em qual processo de cálculo vamos trabalhar, é a quantidade de valores
que dispomos para o cálculo da média.

EXEMPLO: Calcular a média das seguintes tabelas

a) Dada a tabela, determine a média aritmética dos elementos.

Variável aleatória
Ff xi.. Fi
xi

2 3 2x3=6

3 4 3 x 4 = 12

5 6 5 x 6 = 30

6 5 6 x 5 = 30
8 2 8 x 2 = 16

Σ 20 94
Tabela 2 - Dados aleatórios
Fonte: Autor

b) Em um levantamento em um departamento de peças, verificou-se a quantidade

de 10 peças defeituosas em caixas prontas para serem entregues.

Peças defeituosas Número de caixas xi.. Fi

xi Ff

1 2 1x2=2

2 3 2x3=6

3 4 3 x 4 = 12

4 1 4x1=4

Σ 10 24
Tabela 3 - Peças defeituosas
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 40

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

E para dados agrupados com intervalos temos:

a) Dada a tabela, determine a média aritmética dos elementos.

Dados aleatórios
Classes Fi Pmi xi . Fi
xi

1 2 I--- 5 1 (2 + 5) /2 = 3, 5 1 x 3,5 = 3,5

2 5 I--- 8 10 (5 + 8) /2 = 6, 5 10 x 6,5 = 65

3 8 I--- 11 8 (8 + 11) /2 = 9, 5 8 x 9,5 = 76

4 11 I--- 14 1 (11 + 14) /2 = 12, 5 1 x 12,5 = 12,5

Σ 20 157
Tabela 5 - Dados aleatórios
Fonte: Autor

Portanto,

b) Dada a tabela, determine a média aritmética dos elementos.

Notas
Classes Fi Pmi xi . Fi
xi

1 0 I--- 2 3 (0 + 2) /2 = 1 3x1=3

2 2 I--- 4 5 (2 + 4) /2 = 3 5 x 3 = 15

3 4 I--- 6 18 (4 + 6) /2 = 5 18 x 5 = 90

4 6 I--- 8 14 (6 + 8) /2 = 7 14 x 7 = 98
5 8 I---10 10 (8 + 10) /2 = 9 10 x 9 = 90

Σ 50 296
Tabela 6 - Notas
Fonte: Autor

Portanto,

FACULDADE CATÓLICA PAULISTA | 41

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

c) Dada a tabela determine a média aritmética dos elementos.

Variável aleatória
Classes Fi Pmi xi . Fi
xi

1 5 I--- 10 3 (5 + 10) /2 = 7,5 3 x 7,5 = 22,5

2 10 I--- 15 13 (10 + 15) /2 = 12,5 13 x 12,5 = 162,5

3 15 I--- 20 15 (15 + 20) /2 = 17,5 15 x 17,5 = 262,5

4 20 I--- 25 19 (20 + 25) /2 = 22,5 19 x 22,5 = 427,5

5 25 I---30 26 (25 + 30) /2 = 25,5 26 x 25,5 = 663

Σ 76 1538
Tabela 7 - Variável aleatória
Fonte: Autor

Portanto,

d) Dada a tabela, determine a média aritmética dos elementos.

variável aleatória
Classes Fi Pmi xi . Fi
xi

1 0 I--- 6 3 (0 + 6) /2 = 3 3x3=9

2 6 I--- 12 10 (6 + 12) /2 = 9 10 x 9 = 90

3 12 I--- 18 5 (12 + 18) /2 = 15 5 x 15 = 75

4 18 I--- 24 6 (18 + 24) /2 = 21 6 x 21 = 126

5 24 I---30 2 (24 + 30) /2 = 27 2 x 26 = 52

Σ 26 352
Tabela 8 - Variável aleatória
Fonte: Autor

Portanto,

4.3. Conclusão

Nesta aula, identificamos a regra de construção da variável discreta e suas

representações algébricas pautando-nos no desenvolvimento de suas propriedades
de acordo com o desenvolvimento de suas operações algébricas, tendo em vista
estudar suas definições pensando o futuro todos os elementos da disposição gráfica.

FACULDADE CATÓLICA PAULISTA | 42

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Por fim, essa metodologia irá nos fornecer uma análise de resolução de exemplos
recorrentes nas diversas áreas do conhecimento.

4.4. Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 43

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 5
MEDIDAS DE
TENDÊNCIA CENTRAL II

Caro (a) aluno (a)!

Nesta aula, você irá identificar o conceito de medidas de posição envolvendo moda
para variável discretas, variável contínua e como determinar a mediana na variável
discreta e variável continua organizando os dados estatísticos em tabelas e calculando
seus respectivos valores.. Com essa ferramenta apresentada você poderá ter uma
maior facilidade de compreensão em conceitos futuros em relação ao estudo dessa
Ciência. Bons estudos!

5.1 Moda (Mo)

Da mesma forma conhecida como norma ou simplesmente valor dominante,

definimos essa medida como sendo o valor que representa a maior frequência em
que as informações aparecem.
Exemplo:
Sendo a remuneração mensal da maioria dos trabalhadores de uma determinada
empresa igual a 1.200,00, dizemos então que esse salário passa a ser a moda salarial.
Essa medida é normalmente empregada no momento em que as informações
coletadas são apresentadas de forma nominal.
Exemplo:

Variável
Frequência absoluta
sexo
Fi
xi

Masculino 3

Feminino 18

Total 21
Tabela 1 - Distribuição de frequência para variável sexo
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 44

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Neste exemplo, explicitamos que a moda está sendo representada pelo sexo feminino
porque tem maior frequência.

5.1.1 Moda para dados não agrupados

Com o intuito de resolvermos esse cálculo, teremos que em primeiro lugar realizar
a ordenação dos dados e assim verificar em seguida qual o valor que ostenta uma
maior frequência.
Exemplo:
Determinar o valor da moda nos seguintes dados:
a) X = 2, 3, 3, 4, 4, 4, 4, 5, 5, 6 → Mo = 4 → 0 valor mais frequente.

ANOTE ISSO

Observe a moda encontrada no exemplo anterior. Perceba que há apenas uma

moda e, portanto, podemos chamar de unimodal (apresenta somente uma moda).

b) Y = 0, 1, 1, 1, 2, 2, 2, ,3, 3, 4, 4) → Mo = 1 e Mo = 2 → valores mais aparecem

como frequência.

ANOTE ISSO

Observe a moda encontrada no exemplo anterior. Perceba que há duas modas e,

portanto, podemos chamar de bimodal (apresenta duas modas).

c) Z = 1, 3, 3, 3, 4, 4, 4, 5, 5, 5, 6 → Mo = 3, Mo =43 e Mo = 4 → valores mais

aparecem como frequência.

ANOTE ISSO

Observe a moda encontrada no exemplo anterior. Perceba que há várias modas e,

portanto, podemos chamar de plurimodal (apresenta mais de duas modas).

FACULDADE CATÓLICA PAULISTA | 45

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

d) W = (1, 3, 4, 5, 7, 9) → Não apresenta moda

ANOTE ISSO

Observe a moda encontrada no exemplo anterior. Perceba que não há nenhum

valor que se destaca na frequência e, portanto, podemos chamar de amodal (não
apresenta moda).

5.1.2 Moda para dados agrupados sem classes

Neste caso necessitamos verificar, na construção tabular, os respectivos valores

que se identificam com maior frequência. Nesse primeiro cálculo da moda utilizaremos
o ROL.
A partir da distribuição da quantidade de filhos pesquisados com 50 casais, verificou-
se que o elemento 1 aparece mais vezes. Portanto a moda é igual a 1 (Mo =1)
0 0 0 0 0 0 1 1 1 1
1 1 1 1 1 1 1 1 1 1
1 1 2 2 2 2 2 2 2 2
2 3 3 3 3 3 3 3 3 4
4 4 5 5 5 6 6 6 7 7
Tabela 2 - ROL de quantidade de filhos
Fonte: Autor

Agora para determinarmos o cálculo da moda, utilizaremos a distribuição apresentada

acima, mas utilizando frequências sem classes.
Número de filhos Número de casais
xi Fi
0 6
1 16
2 9
3 8
4 3
5 3
6 3
7 2
Total 50
Tabela 3 - Distribuição de frequência (n° de filhos)
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 46

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Observando a construção acima, conseguimos perceber que a maior frequência é

o valor 1, sendo a Mo = 1

5.1.3 Moda para dados agrupados com classe

Observe a distribuição:
Variável Frequência
Classes Idades absoluta
Xi Fi

1 06 I---- 16 8

2 16 I---- 26 1

3 26 I---- 36 5

4 36 I---- 46 8

5 46 I---- 56 1

Total 30
Tabela 4 - Distribuição de frequências (idades)
Fonte: Autor

Primeiramente vamos identificar a classe com a maior frequência: na construção

acima percebemos que esse valor está sendo representada pela 4ª classe (36 I--- 46)
Segundo passo será aplicar fórmula:

1° processo: Moda bruta

, sendo que
li - limite inferior da classe modal (no caso seria 36)
Ls - limite superior da classe modal (no caso seria 46)
Portanto,

2º processo: A Classe Modal é a classe que exibe a maior frequência. A Moda,

em tal caso, está contida entre os limites da Classe Modal. Há várias maneiras de
determinarmos a Moda, porém iremos focar nossa atenção no Processo de Czuber,
o qual é dado pela fórmula:
, na qual:
lmo - limite inferior da classe

FACULDADE CATÓLICA PAULISTA | 47

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

h - intervalo da classe modal

∆1 - frequência simples da classe modal (frequência simples anterior à da classe
modal)
∆2 - frequência simples da classe modal (frequência simples posterior à da classe
modal)
Pensando no exemplo dado, a classe modal é i = 4, portanto:
• lmo = 36
• ho = 46 – 36 = 10
• ∆1 = 8 – 5 = 3
• ∆2 = 8 – 1 = 5

Exemplo 1:
Observe a distribuição e calcule a moda dos dados.

Temperatura Frequência absoluta

Classes
Xi Fi

1 10 I---- 12 3

2 12 I---- 14 4

3 14 I---- 16 5

4 16 I---- 18 12

18 I---- 20 6
5
20 I---- 22 1

Total 34
Tabela 5 - Distribuição de frequências (dados aleatórios)
Fonte: Autor

Pela tabela, conseguimos perceber que a classe com maior frequência é a 4, portanto
vamos trabalhar com ela.
• lmo = 16
• ho = 18 – 16 = 2
• ∆1 = 12 – 7 = 5
• ∆2 = 12 – 6 = 6

FACULDADE CATÓLICA PAULISTA | 48

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

5.2 Mediana (Md)

Medida de posição cujo resultado encontrado separa as informações dos dados

coletados e ordenados em duas parcelas iguais. Em função disso, essa medida,
chamada de mediana, pode ser avaliada como um parâmetro denominado medida
separatriz. Dessa forma, podemos concluir que se esse resultado encontrado está
localizado no centro desse conjunto numérico ordenados, segundo suas grandezas.

5.2.1 Mediana para dados não agrupados

A coleta de dados pode resultar em um conjunto par ou ímpar e isso interfere no

cálculo da mediana. Portanto, vamos ver os dois casos.

5.2.1.1 Quando a coleta de dados dos valores observados é ímpar

Exemplo 1: Consideremos o conjunto de dados aleatórios

X = 6, 2, 8, 10, 4, 1, 3
Primeiramente vamos ordenar esses valores em ordem crescente ou decrescente:
X = 1, 2, 3, 4, 6, 8, 10
Depois de ordenados, precisaremos encontrar a posição da Mediana dada por
P = (n + 1) / 2, toda as vezes em que a quantidade de elementos da distribuição
for ímpar, então:
P = (7 + 1) / 2
P = 4ª posição
O número que se encontra na 4ª posição é o número 4, logo, a mediana será Md = 4
Exemplo 2: Consideremos o conjunto de dados aleatórios
X: 2, 8, 12, 12, 20, 20, 23 → n = 7, portanto a posição do termo central é:

Logo o 4º termo é 12, mediana Md = 12.

5.2.1.2 Quando a coleta de dados dos valores observados é par.

Exemplo 1: Consideremos o conjunto de dados aleatórios

FACULDADE CATÓLICA PAULISTA | 49

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

X = 4, 3, 9, 8, 7, 2, 10, 6
Primeiramente vamos ordenar esses valores em ordem crescente ou decrescente:
X = 2, 3, 4, 6, 7, 8, 9, 10
Depois de ordenados precisaremos encontrar a posição da Mediana dada por
e , então:
P= = 4ª posição e P = + 1 = 5ª posição
O elemento numérico que representa a 4ª posição é 6 e que representa a 5ª posição
é 7, logo neste caso deveremos tirar uma média aritmética entre esses valores.
Md = Md = Md = 6,5
Exemplo 2: Consideremos o conjunto de dados aleatórios
X:7, 8, 9, 10, 13, 15, 21,23 → n = 8 , portanto as posições dos termos centrais são
e . Portanto, temos:
e , logo tomamos o 4º e o 5º termos:
Md = Md = 11,5.

5.2.2 Medianas para dados agrupados sem classe

Neste caso, precisaremos calcular e somar as Frequência Acumulada ( ) de

modo a determinar a posição do termo central.
Exemplo 1:
Observe os dados coletados em um lançamento de dados.

Variável Frequência
Frequência Frequência Frequência
Lançamento de Acumulada
absoluta relativa Porcentagem Acumulada
dado Relativa
Fi Fr Fa
Xi FrA (%)

1 6 6/50 = 0,12 12% 6 12

2 8 8/50 = 0,16 16% 14 28

3 9 9/50 = 0,17 17% 23 45

4 7 7/50 = 0,13 14% 30 59

10/50 = 0,20
5 10 20% 40 79
11/50 = 0,21
6 11 21% 51 100

Total 51 1,00 100%

Tabela 6 - Distribuição de frequência (lançamento de dados)
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 50

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Em nosso exemplo: , então . Dessa forma

dizemos que a mediana será um valor entre a 25º posição e a 26º posição. A partir
disso, observe o ROL para determinarmos a mediana:
1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5,
5, 5, 5, 5, 5, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6
A partir da tabela e do ROL, temos que o valor da mediana é igual a 4.

5.2.3 Mediana para dados agrupados com classes

Devemos, inicialmente, localizar a Classe Mediana, ou seja, a que contém o elemento

, em seguida, calculamos seu valor usando a fórmula:

, na qual:

• n é total de elementos.
• l md - Limite inferior da classe em que está a mediana.
• Σ f ant - Soma das frequências anteriores à classe mediana.
• h - Amplitude da classe mediana.
• fi - Frequência da classe mediana.
Exemplo 1: Dados aleatórios

Variável Frequência Frequência

aleatória absoluta Acumulada Posições
xi Fi Fa

20 ├── 25 4 4 1º ao 4º

25 ├── 30 8 12 5º ao 12º

30 ├── 35 13 25 13º ao 25º

35 ├── 40 20 45 26º ao 45º

40 ├── 45 15 60 46º ao 60º

45 ├── 50 7 67 61º ao 67º

Σ 67
Tabela 7 - Distribuição de frequência (dados aleatórios)
Fonte: Autor

Para determinar a mediana desta situação, devemos adotar alguns procedimentos:

FACULDADE CATÓLICA PAULISTA | 51

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

• Determina-se a posição da mediana através da relação . Para valores agrupados

em classes, não há a necessidade de verificar se n é par ou ímpar.
• Através da frequência acumulada, localiza-se em que classe está a mediana.
• Aplica-se a fórmula, substituindo seus respectivos valores.

Exemplo 2: Dados aleatórios

Variável Frequência Frequência Frequência Acumulada

aleatória Xi absoluta Acumulada Relativa
Fi Fa FrA (%)
1 |--- 3 6 6 12

3 |--- 5 8 14 28

5 |--- 7 9 23 46

7 |--- 9 6 29 60

9 |--- 11 11 40 80
11 |--- 13 10 50 100
Total 50
Tabela 8 – Distribuição de frequência discreta
Fonte: Autor

= 50 , então a Classe Mediana é a 4ª (7 |--- 9)

lmd = 7.
Fant = 23
Hd = 9 – 7 = 2
Fmd = 6.
Md = 7 Md 7,666

5.3 Conclusão

Nesta aula, identificamos a regra de construção do cálculo das medidas de posição,

moda e mediana na variável discreta e variável contínua e suas representações

FACULDADE CATÓLICA PAULISTA | 52

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

algébricas pautando-nos no desenvolvimento de suas propriedades de acordo com o

desenvolvimento de suas operações algébricas, tendo em vista estudar suas definições
pensando o futuro todos os elementos da disposição gráfica.
Por fim, essa metodologia irá nos fornecer uma análise de resolução de exemplos
recorrentes nas diversas áreas do conhecimento.

5.4 Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 53

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 6
ESTATÍSTICA
UTILIZANDO EXCEL

Caro (a) aluno (a)!

Nesta aula, você irá identificar o conceito do aplicativo Excel, demonstrando como
organizar os dados estatísticos e realizar algumas apurações desses dados, como
realizar a apresentação em forma tabular analisando e interpretando esses dados
na representação de porcentagem e calculando a média. Com essa ferramenta
apresentada você poderá ter uma maior facilidade de compreensão em conceitos
futuros em relação ao estudo dessa Ciência. Bons estudos!

6.1 Introdução

A disciplina de estatística com a utilização do aplicativo EXCEL é informar e praticar

de forma mais prática como utilizar os mecanismos dessa ferramenta.

6.2 Ferramentas

Apresentaremos alguns instrumentos para entendermos como podemos apresentar

os dados.

Objeto de somatória que tem a função de somar as informações numéricas

nas linhas ou colunas;

Objeto destinado a colar uma função como financeira, matemáticas, datas

ou horários, textos, etc;

Objeto destinado à ordenação dos dados em ordem crescente ou decrescente;

Objeto utilizado para construção gráfica;

Objeto destinado a mesclar e/ou centralizar;

FACULDADE CATÓLICA PAULISTA | 54

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Objeto de uso de porcentagem;

Objeto para inserir bordas;

Objeto destinado a aumentar casas decimais;

Objeto destinado a diminuir casas decimais.

6.3 Planilha de informações

Todo levantamento de informações coletadas são capazes de serem organizadas

em uma planilha do aplicativo excel, de forma que toda a informação tem condições
de serem mencionadas nas linhas e quaisquer dados que refletem uma variável em
uma coluna.

Título: Página do Excel

Fonte: Autor

As informações dos dados apresentados abaixo abrangem informações a respeito dos

estudantes de uma escola do ensino médio. Cada coluna compreende uma determinada
informação a respeito de uma variável e cada linha está sendo representada pela
informação de um estudante.
Podemos ver que na primeira célula de cada coluna encontramos o título de cada
variável.
Dessa forma dispomos.
Coluna:A: número de ordem do aluno;
Coluna B: a idade;

FACULDADE CATÓLICA PAULISTA | 55

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Coluna C: o sexo;
Coluna D: As respostas apresentadas à pergunta “Você tem computador?”

Título: Página do Excel

Fonte: Autor

6.3.1 Formatação das células

Em cada célula de uma planilha de elementos é capaz de ser formatada, alterando

a cor do sombreamento das células, seu estilo e cor da fonte. No sentido de formatar
uma ou mais células deveremos acompanhar os próximos passos:
1. Selecione as células que devem ser formatadas e clique no lado direito do mouse
e na janela aberta selecionando Formatar células

Título: Página do Excel

Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 56

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

2. Podemos utilizar todas as alternativas dessa janela Formatar células aberta

com o intuito de alterar a aparência de sua planilha:

Título: Página do Excel

Fonte: Autor

Somos capazes de inserir em todas as células de dados apresentados um comentário,

pressionando o botão direito do mouse na célula que desejamos, escolhendo- se a
opção será Editar ou Inserir comentários.
Temos um sinal que aparece no canto direito superior da cada célula que contém
as informações referentes à variável.
Por exemplo, se posicionamos o cursor na parte superior da célula “sexo” surgirá
o nome da variável e os códigos das categorias da variável surge na tela.

Título: Página do Excel

Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 57

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Agora também somos capazes de excluir esse comentário inserido, iremos proceder
da mesma forma escolhendo excluir comentários. Cada vez que desejamos que o esse
comentário seja observado e ou retificado proceda da maneira similar escolhendo
incluir comentários.

6.3.2 Como inserir ou excluir linhas e colunas

No momento em que estamos elaborando uma determinada planilha e vimos a

necessidade de acrescentar algum item a mais em um determinado lugar, deveremos
proceder da seguinte forma.
Primeiramente precisaremos selecionar o local que desejamos inserir e assim clicar
com o botão direito do mouse e na janela e assim inserir.

Título: Página do Excel

Fonte: Autor

Após realizada essa operação, você poderá selecionar inserir o que se está
pretendendo. Dessa forma, essa ferramenta poderá inserir colunas do lado esquerdo
da célula selecionada ou até inserir ou deslocar as células para baixo ou para cima.

6.4 Ordenação de um conjunto de dados

Todo e qualquer levantamento de dados tem a condição de realizar sua organização

de forma crescente e decrescente e para isso acontecer, necessitamos selecionar
tudo o que queremos ordenar, não se esquecendo do título. Para esse fato acontecer,

FACULDADE CATÓLICA PAULISTA | 58

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

selecione a coluna ou linha que quer organizar e clique com o botão direito do mouse.
Procure por “classificar”.

Título: Página do Excel

Fonte: Autor

No momento em que abrir a opção “classificar”, aparecerá todas as opções de

organização.

6.5 Fórmulas do Excel

SINAL FUNÇÃO SINAL FUNÇÃO

+ SOMAR > MAIOR QUE
- SUBTRAÇÃO < MENOR QUE
* MULTIPLICAÇÃO <> DIFERENTE QUE
/ DIVISÃO >= MAIOR E IGUAL A
% PORCENTAGEM <= MENOR E IGUAL A
= IGUALDADE = IGUAL A
Tabela 1 - Sinais de operação Tabela 2 - Sinais para condição
Fonte: Autor Fonte: Autor

ANOTE ISSO

Toda regra que você for criar, sempre precisa começar com o sinal de igualdade,
caso contrário não funcionará e ao finalizar você deve pressionar a tecla ENTER.

FACULDADE CATÓLICA PAULISTA | 59

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

6.5.1 Fórmula da soma

Exemplo: =SOMA (D1: D4) .

A regra neste caso irá somar todos os valores das células D1 a D4. Esses dois
pontos separando o endereço das células estão indicando até isto , alguns de D1 a
D4. A regra passará ser a mesma sempre, mudando apenas os devidos endereços
que você deseja somar.
Vejamos outro exemplo:
A B C D E
1 15 29 5 32 = SOMA (A1:D1)
2
Tabela 3 - Exemplo de soma
Fonte: Autor

Podemos observar que este exemplo pretendemos realizar a soma de todos os

valores da célula A1 até a célula D1. Essa fórmula terá que ser digitada conforme
exemplo, e ao final teclar entre e assim o resultado irá aparecer.
A outra forma de resolvermos essa situação é utilizarmos o Botão da autosoma.
Este é o botão da autosoma:
Neste caso você deverá fazer seguinte:
1. Selecionar os valores que desejar somar.
2. Depois clique no Botão da Autosoma e ele mostrará o resultado.

Veja mais um exemplo:

Desejamos então somar todos os valores dispostos utilizando uma única regra e
desta vez você terá que digitar.
A B C D E
1 10 25 15 10
2 15 20 25 15
3 14 25 25 25
4 TOTAL =SOMA(A1:D3)
Tabela 4 - Exemplo de soma
Fonte: Autor

Com o intuito de solucionarmos esse fato, basta que você digite o endereço inicial
(em negrito) e o endereço final (em negrito)

FACULDADE CATÓLICA PAULISTA | 60

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Desta forma, somaremos todos os valores em uma única fórmula, é o que chamamos
de Somar Matrizes.
Vejamos mais um exemplo de Soma.
Desta vez você precisa somar números dispostos de maneira alternada, isto é, em
endereços diferentes:
A B C D E
1 Telefone Luz Água Telefone
2 150 35 75 55
3
4 Total de água =A2+C2
5 Total de telefone =B2+D3
Tabela 5 - Exemplo de soma (contas)
Fonte: Autor

Desejamos somar apenas os valores de água, portanto, será necessário digitar o

endereço de cada célula, o endereço do primeiro valor mais o endereço do segundo
valor e dessa forma sucessivamente.
Obs. Lembre-se que sempre devo iniciar o cálculo usando o sinal de igualdade.

6.5.2 Fórmula da subtração

Podemos observar no exemplo a seguir que desejamos saber qual o saldo líquido
de um investidor. Neste caso será simples, basta que você digite o endereço do saldo
bruto menos o endereço do desconto.
De forma mais clara queremos falar que para que isso aconteça, necessitamos
realizar uma operação de subtração no Excel, e você só precisará digitar o endereço
dos respectivos valores, inicial e final acompanhado do sinal de subtração (-).
A B C E
1 Investidor Saldo bruto Desconto Saldo líquido
2 Pedro 800 175 =B2-C2
3
Tabela 6 - Exemplo de subtração
Fonte: Autor

6.5.3 Fórmula da multiplicação

Agora da mesma forma que você subtraiu, iremos multiplicar e será necessário
apenas realizar a troca do sinal pelo sinal da multiplicação (*).

FACULDADE CATÓLICA PAULISTA | 61

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Veja o exemplo.
A B C E
1 PRODUTO VALOR QUANT. TOTAL
2 Feijão 1,50 50 =B2*C2
3
Tabela 7 - Exemplo de multiplicação
Fonte: Autor

6.5.4 Fórmula da divisão

Essa operação irá ocorrer da mesma forma que as outras anteriores e neste caso
você precisará trocar o sinal para dividir (/).
A B C
1 Salário Empregado Valor
2 25.000 15 =A2/B2
3
Tabela 8 - Exemplo de divisão
Fonte: Autor

6.5.5 Fórmula da porcentagem

Esse cálculo irá se desenvolver da mesma forma de uma máquina de calcular, com
a uma diferença que você precisará adicionar os endereços na fórmula.
Por exemplo.
Um determinado consumidor, realizou uma compra de 3.500,00 e você pretende
oferecer a ele um desconto de 10%, como ficaria a fórmula no campo desconto?
A B C E
Total da
1 Freguês Desconto Total a pagar
compra
=B2*10/100
2 Pedro 3.500,00 ou ainda se preferir assim =B2-C2
também:=B2*10%
3
Tabela 9 - Exemplo de porcentagem
Fonte: Autor

Na qual:
B2 – refere-se ao endereço do valor da compra
* - sinal de multiplicação

FACULDADE CATÓLICA PAULISTA | 62

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

10/100 – é o valor do desconto dividido por 100

Neste caso você está multiplicando o endereço do valor da compra por 10 e dividindo
por 100, criando assim o valor do desconto.
Se preferir pode fazer o seguinte exemplo:
Onde:
B2 – endereço do valor da compra
* - sinal de multiplicação
5% - o valor da porcentagem.
Depois, para determinar o valor a se pagar, basta realizar a operação de subtração
do valor da compra – o valor do desconto.

6.5.6 Fórmula do máximo

Nessa regra ia mostrar o valor máximo de uma faixa de células.

Exemplo: Vamos admitir que necessitamos saber qual a maior idade de uma pessoa
em uma tabela de dados.
Veja a fórmula:

A B C D
1 Idade
2 15
3 16
4 25
5 30
6 Maior idade: =MÁXIMO(B2:B5)
7
Tabela 10 - Exemplo de máximo
Fonte: Autor

Na qual:
(B2:B5) – refere-se ao endereço dos valores onde você deseja ver qual é o maior
valor. No caso, a resposta seria 30.

6.5.7 Fórmula do mínimo

Agora irá determinar o valor mínimo de uma faixa de células.

FACULDADE CATÓLICA PAULISTA | 63

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Por exemplo: Suponhamos que desejasse saber qual o peso idade de idosos em
uma tabela de dados. Veja a fórmula no exemplo abaixo:

A B C
1 Peso
2 52
3 33
4 45
5 70
6 Menor peso: =MÍNIMO(A2:A5)
7
Tabela 11 - Exemplo de mínimo
Fonte: Autor

6.5.8 Fórmula da média

Neste caso é utilizada para calcular a média de uma faixa de valores.

Exemplo: Se necessitarmos determinar qual a média de idade em uma tabela,
como proceder.

A B C
1 Idade
2 15
3 16
4 25
5 30
6 MÉDIA IDADE =MÉDIA(A2:A5)
Tabela 12 - Exemplo de média
Fonte: Autor

ISTO ESTÁ NA REDE

Nesta aula é apresentado a você apenas algumas ferramentas que o Excel fornece.
Contudo, essa plataforma é muito ampla e pode ser usada em várias questões
relacionadas à estatística. Para saber mais, acesse o material abaixo.
https://edisciplinas.usp.br/mod/resource/view.php?id=1411061

FACULDADE CATÓLICA PAULISTA | 64

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

6.6 Conclusão

Nesta aula, identificamos os símbolos para aplicação do aplicativo Excel no

aprendizado da disciplina estatística e suas representações pautando-nos no
desenvolvimento de suas propriedades de acordo com o desenvolvimento de suas
operações, tendo em vista estudar suas definições pensando no futuro todos os
elementos da disposição gráfica.
Por fim, essa metodologia irá nos fornecer uma análise de resolução de exemplos
recorrentes nas diversas áreas do conhecimento.

FACULDADE CATÓLICA PAULISTA | 65

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 7
MEDIDAS SEPARATRIZES
(QUARTIS)

Caro (a) aluno (a)!

Estudamos em capítulos anteriores algumas medidas de posição. Porém, existem
outras que, apontadas particularmente, não são medidas de tendência central, mas
podem ser associadas parcialmente à sua particularidade de separar as informações
em duas parcelas que representam a mesma quantidade de elementos numéricos.
Essas medidas denominamos de quartis, decis e percentis. Nesta aula veremos o
conceito de Quartis. Bons estudos!

7.2 Quartis (Q)

Nomeamos de quartis todos os valores numéricos que visam dividir um grupo de

elementos em 4 porções iguais. Dessa forma necessitamos portanto de três quartis
denominados de Q1, Q2 e Q3 para separar as informações em 4 porções iguais.

ANOTE ISSO

Sempre o elemento que irá representar o quartil 2 (Q2) sempre será igual ao valor
da mediana.

Título: Quartil
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 66

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

7.2.1 Quartis em dados não agrupados

A metodologia a ser empregada nesse conceito será aplicar as definições

apresentadas no cálculo da mediana a fim de descobrir os 3 números que representarão
os quartis.
Assim, o primeiro quartil, que indicaremos por Q1, separa a sequência ordenada
deixando 25% de seus valores à esquerda e 75% de seus valores à direita.
O segundo quartil, que indicaremos por Q2, separa a sequência ordenada, deixando
50% de seus valores à esquerda e 50% de seus valores à direita. Note que Q2 é a
mediana da série.
O terceiro quartil, que indicaremos por Q3, separa a sequência ordenada, deixando à
sua esquerda 75% de seus elementos à esquerda e 25% de seus elementos à direita.
A metodologia mais prática a ser utilizada, neste caso, será o cálculo da mediana
para os 3 quartis.
Exemplo 1: Determinar os quartis dos dados 5, 2, 6, 9, 10, 13, 15
Se a série dada tiver número ímpar de termos, o valor mediano será o termo de
ordem dado pela fórmula (n + 1) / 2
Primeiramente necessitamos realizar a ordenação dos elementos de forma crescente
ou decrescente desses dados 2, 5, 6, 9, 10, 13, 15
O número que separa os dados apresentados em duas partes iguais é 9, logo a
mediana desses dados será 9 e por consequência o valor do Q2 = 9
Então agora os dados 2, 5, 6 e 10, 13, 15 estão sendo tomando os dois grupos de
valores iguais compostos pela mediana ou quartil 2. Com o intuito de resolvermos o
cálculo do quartil 1 e do quartil 3 vamos determinar o valor das medianas das partes
iguais.
Então, para os elementos 2, 5, 6 a mediana é igual a 5, isto é, o quartil 1 será igual
a 5 e no segundo grupo de elementos 10, 13, 15 a mediana será igual a 13, isto é, o
quartil 3 será igual a 13.
Exemplo 2: Vamos determinar os quartis dos dados: 1, 1, 2, 3, 5, 5, 6, 7, 9, 9, 10, 13
Se a série dada tiver número par de termos o valor mediano será o termo de ordem
dado pela fórmula [(n/2 + (n/2 + 1)] / 2

FACULDADE CATÓLICA PAULISTA | 67

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

ANOTE ISSO

Obs.: n/2 e (n/2 + 1) são todos os termos encontrados nesses cálculos que
correspondem a ordem e devem ser substituídos pelo valor correspondente.

Dessa forma os elementos já estão ordenados então primeiramente iremos determinar

a posição do Quartil 2 que por sua vez será igual a o valor da mediana. [(12/2 + (12/2
+ 1)] / 2 , o que significa que o número que queremos está entre a sexta e a sétima
posição, isto é (5 + 6) / 2 = 5,5
Logo o valor do quartil 1 será a igual a mediana a esquerda dos dados 1, 1, 2, 3, 5,
5, isto é, Q1 = (2+3) / 2 = 2,5
Agora o quartil 3 será a mediana à direita dos dados 6, 7, 9, 9, 10, 13, isto é, Q3 =
(9+9) / 2 = 9

7.2.2 Quartis para dados agrupados em classes (variável discreta)

O primeiro quartil, que indicaremos por Q1, separa a sequência ordenada deixando
25% de seus valores à esquerda e 75% de seus valores à direita.
O segundo quartil, que indicaremos por Q2, separa a sequência ordenada, deixando
50% de seus valores à esquerda e 50% de seus valores à direita. Note que Q2 é a
mediana da série.
O terceiro quartil, que indicaremos por Q3, separa a sequência ordenada, deixando à
sua esquerda 75% de seus elementos à esquerda e 25% de seus elementos à direita.
Dessa forma para determinarmos esses valores necessitamos:

Identifica-se a posição do primeiro quartil na série por:

Identifica-se a posição do segundo quartil na série por:

Identifica-se a posição do terceiro quartil na série por:

FACULDADE CATÓLICA PAULISTA | 68

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Exemplo: Determinar os quartis da tabela abaixo:

Variável
Frequência Frequência Frequência
Lançamento
absoluta relativa Porcentagem Acumulada
de dado
Fi Fr Fa
xi
1 6 6/50 = 0,12 12% 6 1° ao 6°

2 8 8/50 = 0,16 16% 14 7° ao 14°

3 9 9/50 = 0,18 18% 23 15° ao 23°

4 7 7/50 = 0,14 14% 30 23° ao 30°

5 10 10/50 = 0,20 20% 40 30° ao 40°
6 10 10/50 = 0,20 20% 50 40° ao 50°
Total 50 1,00 100%
Tabela 1 - Distribuição de frequência discreta
Fonte: Autor

Então veremos o cálculo de seus valores.

Primeiro quartil
Observando em nossa distribuição dizemos que o valor do Q1 = 2
Segundo quartil
Observando em nossa distribuição dizemos que o valor do Q2 = 4
Terceiro quartil
Observando em nossa distribuição dizemos que o valor do Q1 = 5
Vamos a mais um exemplo.
Em uma pesquisa de lançamento de um dado 50 vezes obtivemos os seguintes
resultados:

FACULDADE CATÓLICA PAULISTA | 69

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Construa uma distribuição sem intervalos e complete com a coluna do fr%.

Variável
Frequência Frequência Frequência
Idade Mulheres no 1°
absoluta relativa Acumulada
do Ensino Médio
Fi Fr Fa
Xi

14 6 6/50 = 0,12 6 1°ao 6°

15 8 8/50 = 0,16 14 7°ao 14°

16 9 9/50 = 0,18 23 15°ao 23°

17 7 7/50 = 0,14 30 24°ao 30°

18 10 10/50 = 0,20 40 31°ao 40°

19 10 10/50 = 0,20 50 41°ao 50°

Total 50 1,00 100%

Tabela 2 - Distribuição de frequência discreta
Fonte: Autor

Então veremos o cálculo de seus valores.

Primeiro quartil
Observando em nossa distribuição dizemos que o valor do Q1 = 15
Segundo quartil
Observando em nossa distribuição dizemos que o valor do Q2 = 17
Terceiro quartil
Observando em nossa distribuição dizemos que o valor do Q3 = 19

7.2.3 Quartis para dados agrupados em classes (variável contínua)

Para determinarmos essa medida na variável contínua determinamos os mesmos

procedimento adotados para a variável discreta e assim necessitamos:
Identifica-se a posição do primeiro quartil na série por:
Identifica-se a posição do segundo quartil na série por:
Identifica-se a posição do terceiro quartil na série por:

Pela fac identifica-se a classe do primeiro quartil pela posição encontrada e após
aplica-se a fórmula:

FACULDADE CATÓLICA PAULISTA | 70

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Na qual
= É a posição do quatis, daí concluímos a classe.
li = Limite inferior da classe que contém o Quatis.
n = Número de elementos da série.
Fant = Frequência acumulada da classe anterior a classe que contém o Quartis.
Fi = Frequência simples da classe que contém o Quartis.
hi = Amplitude do intervalo da classe que contém o Quartis.
Identifica-se a posição do segundo quartil na série por
Pela fac identifica-se a classe do segundo quartil pela posição encontrada e após
aplica-se a fórmula:

Identifica-se a posição do terceiro quartil na série por

Pela fac identifica-se a classe do terceiro quartil pela posição encontrada e aplica-se
a fórmula:

Exemplo 1: Calcule os quartis da tabela abaixo

Variável Frequência Frequência Frequência Frequência
Aquisição de carros absoluta relativa Porcentagem Acumulada Acumulada Relativa
Xi Fi Fi Fac FrA (%)

06 I---- 16 29 29/94 = 0,30 30% 29 30

16 I---- 26 24 24/94 = 0,24 24% 53 54

26 I---- 36 16 16/94 = 0,17 17% 69 71

36 I---- 46 13 13/94 = 0,14 14% 82 85

46 I---- 56 4 4/94 = 0,07 7% 86 92

56 I---- 66 3 3/94 = 0,03 3% 89 95
66 I---- 76 2 2/94 = 0,02 2% 91 97
76 I---- 86 2 2/94 = 0,02 2% 93 99
86 I---- 96 1 1/94 = 0,01 1% 94 100

Total 94 1,00 100%

Tabela 3 - Distribuição de frequência contínua
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 71

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Então, veremos o cálculo de seus valores.

Primeiro quartil
Observando em nossa distribuição dizemos que o valor do Q1 é um número que
está entre 06 I---- 16
Aplicando a fórmula:

Observando em nossa distribuição dizemos que o valor do

Dessa forma concluímos que 25% da variável estudada aquisição de carros tiveram
um número de vendas menor ou igual a 14,10 e 75% desse estudo é maior que 14,10.
O segundo quartil
Observando em nossa distribuição dizemos que o valor do Q1 é um número que
está entre 16 I---- 26
Aplicando a fórmula:

Observando em nossa distribuição dizemos que o valor do

Dessa forma concluímos que 50% da variável estudada aquisição de carros tiveram
um número de vendas menor ou igual a 23,50 e 50% desse estudo é maior que 23,50.
O terceiro quartil
Observando em nossa distribuição dizemos que o valor do Q1 é um número que
está entre 36 I---- 46

FACULDADE CATÓLICA PAULISTA | 72

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Aplicando a fórmula:

Observando em nossa distribuição dizemos que o valor do

Dessa forma concluímos que 75% da variável estudada aquisição de carros tiveram
um número de vendas menor ou igual a 37,15 e 25% deste estudo é maior que 37,15.
Exemplo 2 – Calcule os quartis da tabela abaixo
Variável Frequência Frequência Porcentagem Frequência Frequência
Q.I absoluta relativa Acumulada Acumulada Relativa
Xi Fi Fi Fac FrA (%)
60 I---- 70 1 1/70 = 0,01 1% 1 1

70 I---- 80 5 5/70 = 0,07 7% 6 8

80 I---- 90 6 6/70 = 0,08 8% 12 16

90 I---- 100 10 10/70 = 0,15 15% 22 31

100 I--- 110 12 12/70 = 0,17 17% 34 48

110 I--- 120 20 20/70 = 0,29 29% 54 77
120 I--- 130 14 14/70 = 0,21 21% 68 98
130 I--- 140 2 2/70 = 0,02 2% 70 100
Total 70 1,00 100%
Tabela 4 - Distribuição de frequência contínua
Fonte: Autor

Então veremos o cálculo de seus valores.

Primeiro quartil
Observando em nossa distribuição dizemos que o valor do Q1 é um número que
está entre 90 I---- 100
Aplicando a fórmula:

FACULDADE CATÓLICA PAULISTA | 73

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Observando em nossa distribuição dizemos que o valor do

Dessa forma concluímos que 25% das pessoas pesquisadas com o coeficiente de
inteligência apresentaram um número de inteligência menor ou igual a 95,50 e 75%
dessas pessoas tiveram um número maior que 95,50.
O segundo quartil
Observando em nossa distribuição dizemos que o valor do Q1 é um número que
está entre 110 I--- 120.
Aplicando a fórmula:

Observando em nossa distribuição dizemos que o valor do

Dessa forma concluímos que 25% das pessoas pesquisadas com o coeficiente de
inteligência apresentaram um número de inteligência menor ou igual a 110,50 e 75%
dessas pessoas tiveram um número maior que 110,50
O terceiro quartil
Observando em nossa distribuição dizemos que o valor do Q1 é um número que
está entre 110 I--- 120
Aplicando a fórmula:

Observando em nossa distribuição dizemos que o valor do

Observando em nossa distribuição dizemos que o valor do

FACULDADE CATÓLICA PAULISTA | 74

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Dessa forma concluímos que 25% das pessoas pesquisadas com o coeficiente de
inteligência apresentaram um número de inteligência menor ou igual a 110,50 e 75%
dessas pessoas tiveram um número maior que 119,25.

7.3 Conclusão

Nesta aula, identificamos a definição da medida separatriz Quartis, identificando seus

cálculos junto a variável discreta e contínua e suas representações algébricas pautando-
nos no desenvolvimento de suas propriedades de acordo com o desenvolvimento de
suas operações algébricas, tendo em vista estudar suas definições pensando o futuro
todos os elementos da disposição gráfica.
Por fim, essa metodologia irá nos fornecer uma análise de resolução de exemplos
recorrentes nas diversas áreas do conhecimento.

7.3 Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 75

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 8
MEDIDAS
SEPARATRIZES (DECIS)

Já estudamos em capítulos anteriores algumas medidas de posição e existem outras

que, são apontadas particularmente, não são medidas de tendência central, porém
podem ser associadas parcialmente à sua particularidade de separar as informações
em duas parcelas que representam a mesma quantidade de elementos numéricos.
Essas medidas denominamos de quartis, decis e percentis.

8.1 Decis - D

Denominamos de decis todos os valores numéricos que separam um grupo de

elementos em dez partes iguais. Dessa forma temos nove decis denominados de D1,
D2, D3, D4, D5, D6, D7, D8 E D9 que separaram as informações.

ANOTE ISSO

Sempre o elemento que irá representar o quartil 2 (Q2) sempre será igual ao valor
da mediana.

Título: Decis
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 76

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

8.1.1 Decis em dados não agrupados

Nessa definição vamos empregar a metodologia aprendida nos cálculos da mediana

de modo descobrir os nove números que representarão essa medida.
Assim, o primeiro decis, que designaremos por D1, separa a sequência ordenada
deixando 10% de seus valores à esquerda e 90% de seus valores à direita. O segundo
decis, que designaremos por D2, separa a sequência ordenada, deixando 20% de seus
valores à esquerda e 80% de seus valores à direita. Note que Q2 é a mediana da série.
O terceiro decis, que designaremos por D3, separa a sequência ordenada, deixando
à sua esquerda 30% de seus elementos à esquerda e 70% de seus elementos à direita
e assim sucessivamente.
Exemplo: Determinar os decis da tabela abaixo:
Variável Frequência Frequência Porcentagem Frequência
Lançamento absoluta relativa Acumulada
de dado Fi Fr Fa
xi
1 6 6/50 = 0,12 12% 6 1° ao 6°

2 8 8/50 = 0,16 16% 14 7° ao 14°

3 9 9/50 = 0,18 18% 23 15° ao 23°

4 7 7/50 = 0,14 14% 30 23° ao 30°

5 10 10/50 = 0,20 20% 40 30° ao 40°

6 6 10/50 = 0,20 20% 50 40° ao 50°
Total 50 1,00 100%
Tabela 1 - Distribuição de frequência
Fonte: Autor

Dessa forma, veremos o cálculo de seus valores.

O primeiro decis
Observando em nossa distribuição dizemos que o valor do D1 = 1
O segundo decil
Observando em nossa distribuição dizemos que o valor do D2 = 2
O quarto quartil
Observando em nossa distribuição dizemos que o valor do D4 = 3
O sétimo decil
Observando em nossa distribuição dizemos que o valor do D7 = 5

FACULDADE CATÓLICA PAULISTA | 77

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Vamos a mais um exemplo.

Dados aleatórios
Fi
xi

2 30 1° ao 30°

3 24 30° ao 54°

5 62 54° ao 116°

5 53 116° ao 169°
8 27 169° ao 196°
9 41 196° ao 237°
Σ 237
Tabela 2 - Frequência de dados aleatórios
Fonte: Autor

Dessa forma, veremos o cálculo de seus valores.

O sexto decis
Observando em nossa distribuição dizemos que o valor do D6 = 5
O segundo decil
Observando em nossa distribuição dizemos que o valor do D2 = 3
O oitavo quartil
Observando em nossa distribuição dizemos que o valor do D8 = 8
O sétimo decil
Observando em nossa distribuição dizemos que o valor do D7 = 5

8.1.2 Decis para dados agrupados em classes (“Variável contínua”)

Agora com o intuito de determinarmos a medida do decis na distribuição da variável

contínua precisaremos primeiramente realizar os mesmos procedimentos adotados
para a distribuição da variável discreta e assim necessitamos:
Identificar a posição do primeiro decil na série por:

Identificar a posição do segundo decil na série por:

Identificar a posição do terceiro decil na série por

Identificar a posição do quarto decil na série por

E assim por diante.

FACULDADE CATÓLICA PAULISTA | 78

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Realizada essa operação, vamos identificar a posição pela coluna da frequência

acumulada e após aplicar a fórmula:

Na qual
= É a posição do decis, daí concluímos a classe.
li = Limite inferior da classe que contém o Decis.
n = Número de elementos da série.
Fant = Frequência acumulada da classe anterior a classe que contém o Decis.
Fi = Frequência simples da classe que contém o Decis.
hi = Amplitude do intervalo da classe que contém o Decis.
Identifica-se a posição do segundo decis na série por
Pela coluna da frequência acumulada identifica-se a classe do segundo decis pela
posição encontrada e após aplica-se a fórmula:

E assim sucessivamente.
Exemplo 1: Calcule os decis da tabela abaixo:

Classes Notas xi Fi Fant

1 0 I--- 2 3 3 1° ao 3°

2 2 I--- 4 5 8 3° ao 8°

3 4 I--- 6 18 26 8° ao 26°
4 6 I--- 8 14 40 26° ao 40°
5 8 I---10 10 50 40° ao 50°
Σ 50 296
Tabela 3 - Frequência de dados aleatórios
Fonte: Autor

Dessa forma, veremos o cálculo de seus valores.

a) O sexto decis
Então vamos aplicar a fórmula:

FACULDADE CATÓLICA PAULISTA | 79

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

li = 6
n = 50
Fant = 26
Fi = 14
hi = 2

Observando em nossa distribuição dizemos que o valor do D6 = 6,57.

Dessa forma concluímos que 60% das notas pesquisadas apresentaram uma nota
menor ou igual a 6,57 e 40% apresentaram nota maior que 6,57.
b) O segundo decil
Então vamos aplicar a fórmula:

O oitavo quartil
Então vamos aplicar a fórmula:

li = 6
n = 50
Fant = 26
Fi = 14
hi = 2

FACULDADE CATÓLICA PAULISTA | 80

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Observando em nossa distribuição dizemos que o valor do D8 = 8.

Dessa forma concluímos que 80% das notas pesquisadas apresentaram uma nota
menor ou igual a 8 e 20% apresentaram nota maior que 2.

Exemplo 2: Levantamento do Quoeficiente de inteligência de 70 alunos de uma

determinada Universidade determinou os seguintes dados:
Variável Frequência Frequência Frequência Frequência
Q.I absoluta relativa Porcentagem Acumulada Acumulada Relativa
Xi Fi Fi Fac FrA (%)
60 I---- 70 1 1/70 = 0,01 1% 1 1

70 I---- 80 5 5/70 = 0,07 7% 6 8

80 I---- 90 6 6/70 = 0,08 8% 12 16

90 I---- 100 10 10/70 = 0,15 15% 22 31

100 I--- 110 12 12/70 = 0,17 17% 34 48
110 I--- 120 20 20/70 = 0,29 29% 54 77
120 I--- 130 14 14/70 = 0,21 21% 68 98
130 I--- 140 2 2/70 = 0,02 2% 70 100
Total 70 1,00 100%
Tabela 4 - Distribuição de frequência contínua
Fonte: Autor

Dessa forma, veremos o cálculo de seus valores.

a) O segundo decis
Então vamos aplicar a fórmula:

li = 90
n = 70
Fant = 12
Fi = 14
hi = 10

FACULDADE CATÓLICA PAULISTA | 81

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Dessa forma concluímos que 20% dos pesquisados apresentaram um Quoeficiente

de inteligência menor ou igual a 92 e 80% apresentaram um Coeficiente maior que 92.
b) O quinto decis
Então vamos aplicar a fórmula:

li = 110
n = 70
Fant = 34
Fi = 20
hi = 10

Dessa forma concluímos que 50% dos pesquisados apresentaram um Quoeficiente

de inteligência menor ou igual a 110,5 e 50% apresentaram um Quoeficiente maior
que 110,5.
c) O nono decis
Então vamos aplicar a fórmula:

li = 120
n = 70
Fant = 54
Fi = 14
hi = 10

FACULDADE CATÓLICA PAULISTA | 82

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Dessa forma concluímos que 90% dos pesquisados apresentaram um Quoeficiente

de inteligência menor ou igual a 126,5 e 50% apresentaram um Quoeficiente maior
que 126,5.

8.2 Conclusão

Nesta aula, identificamos a definição da medida separatriz Decis, identificando seus

cálculos junto a variável discreta e contínua e suas representações algébricas pautando-
nos no desenvolvimento de suas propriedades de acordo com o desenvolvimento de
suas operações algébricas, tendo em vista estudar suas definições pensando o futuro
todos os elementos da disposição gráfica.
Por fim, essa metodologia irá nos fornecer uma análise de resolução de exemplos
recorrentes nas diversas áreas do conhecimento.

8.3 Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 83

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 9
MEDIDAS SEPARATRIZES
(PERCENTIS)

Caro (a) aluno (a)!

Nos dois últimos capítulos aprendemos as definições de Quartis e Decis conhecidas
como sendo medidas de posição e conforme já comentamos existem outras que
quando apontadas em particular não são medidas de tendência central e que poderão
ser associadas parcialmente à sua particularidade de separar os dados coletado sempre
em parcelas que representam a mesma quantidade de elementos numéricos. Nessa
aula, veremos o conceito de percentis. Bons estudos!

9.1 Percentis - p

Essa medida tem por finalidade dividir um grupo de dados estudados em cem
partes iguais.

ANOTE ISSO

O elemento que irá representar o percentil 50 (P50) sempre será igual ao valor da
mediana.

Título: Percentis
Fonte: Autor

9.1.1 Percentis em dados não agrupados

Essa definição irá manter a mesma justificativa e princípios adotados na definição

que apresentamos sobre quartis e decis, com apenas uma modificação nos valores
respectivos de cada porcentagem a serem calculadas. Pensando nesse critério,

FACULDADE CATÓLICA PAULISTA | 84

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

primeiramente empregamos a mesma apresentação do decil, na qual inicialmente

calculamos o valor da posição realizando “i” que multiplica fi dividido por 100, na qual
o valor que irá representar “i” será o número que indicará ordem correspondente do
percentil que queremos determinar.
Dessa forma, podemos representar o primeiro percentil como P1, e tem por finalidade
separar a sequência ordenada deixando 1% de seus valores à esquerda e 99% de seus
valores à direita.
O décimo segundo percentil, que indicaremos por P12, separa a sequência ordenada,
deixando 12% de seus valores à esquerda e 88% de seus valores à direita.
Exemplo: Determinar P8, P25 e P67 da tabela abaixo:
Idade de
Frequência Frequência Frequência
crianças
absoluta relativa Porcentagem Acumulada
vacinadas
Fi Fr Fa
Xi

1 36 36/268 = 0,16 16% 36 1° ao 36°

2 48 48/268 = 0,18 18% 84 33° ao 84°

3 92 92/268 = 0,33 33% 176 85° ao 176°

4 70 70/268 = 0,26 26% 246 177° ao 246°

10/268 = 0,04
5 10 4% 256 247° ao 256°
12/268 = 0,03
6 12 3% 268 257° ao 268°

Total 268 1,00 100%

Tabela 1 - Distribuição de frequência discreta
Fonte: Autor

Então veremos o cálculo de seus valores.

Oitavo percentil será
Observando em nossa distribuição dizemos que o valor do P8 = 1
O vigésimo quinto percentil
Observando em nossa distribuição dizemos que o valor do P25 = 2
O sexagésimo sétimo percentil
Observando em nossa distribuição dizemos que o valor do P67 = 4
Vamos a mais um exemplo: dada uma distribuição sem intervalos, determine P1
e P55.

FACULDADE CATÓLICA PAULISTA | 85

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Variável
Frequência Frequência
Idade Mulheres no 1° Frequência relativa
absoluta Acumulada
do Ensino Médio Fr
Fi Fa
Xi
14 6 6/50 = 0,12 6 1°ao 6°

15 8 8/50 = 0,16 14 7°ao 14°

16 9 9/50 = 0,18 23 15°ao 23°

17 7 7/50 = 0,14 30 24°ao 30°

10/50 = 0,20
18 10 40 31°ao 40°
10/50 = 0,20
19 10 50 41°ao 50°

Total 50 1,00 100%

Tabela 2 - Distribuição de frequência discreta
Fonte: Autor

Então veremos o cálculo de seus valores.

O primeiro percentil
Observando em nossa distribuição dizemos que o valor do P1 = 14
O quinquagésimo quinto percentil
Observando em nossa distribuição dizemos que o valor do P55 = 17.

9.1.2 Percentis para dados agrupados em classes (“Variável contínua”)

Com o intuito de acharmos o valor dessa medida utilizando a variável contínua,

precisamos, da mesma forma que na variável discreta, determinar primeiramente a
posição que se encontra essa medida e, assim, pela coluna fac, identificar a classe
do percentil a ser pesquisado e logo após aplicar a fórmula:

Na qual
= É a posição do percentil, daí concluímos a classe.
li = Limite inferior da classe que contém o percentil.
n = Número de elementos da série.
Fant = Frequência acumulada da classe anterior a classe que contém o percentil.
Fi = Frequência simples da classe que contém o percentil.

FACULDADE CATÓLICA PAULISTA | 86

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

hi = Amplitude do intervalo da classe que contém o percentil.

Exemplo 1: Calcule os P21, e P72 da tabela abaixo:
Variável Frequência Frequência Frequência Frequência
Idade absoluta relativa Porcentagem Acumulada Acumulada Relativa
Xi Fi Fi Fac FrA (%)

06 I---- 16 29 29/94 = 0,30 30% 29 30

16 I---- 26 24 24/94 = 0,24 24% 53 54

26 I---- 36 16 16/94 = 0,17 17% 69 71

36 I---- 46 13 13/94 = 0,14 14% 82 85

46 I---- 56
4 4/94 = 0,07 7% 86 92
56 I---- 66
3 3/94 = 0,03 3% 89 95
66 I---- 76
2 2/94 = 0,02 2% 91 97
76 I---- 86
2 2/94 = 0,02 2% 93 99
86 I---- 96
1 1/94 = 0,01 1% 94 100

Total 94 1,00 100%

Tabela 3 - Distribuição de frequência contínua
Fonte: Autor

Então veremos o cálculo de seus valores.

O vigésimo primeiro percentil
Observando em nossa distribuição dizemos que o valor do P1 é um número que
está entre 06 I---- 16
Aplicando a fórmula:

Observando em nossa distribuição, dizemos que o valor do

Dessa forma concluímos que 21% da variável estudada idade tiveram um número
menor ou igual a 12,81 e 79% deste estudo é maior que 12,81
O septuagésimo segundo percentil

FACULDADE CATÓLICA PAULISTA | 87

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Observando em nossa distribuição dizemos que o valor do P1 é um número que

está entre 26 I---- 36
Aplicando a fórmula:

Observando em nossa distribuição dizemos que o valor do

Dessa forma concluímos que 72% da variável estudada idade tiveram um número
menor ou igual a 25,17 e 28% deste estudo é maior que 25,17.
Exemplo 2 – Calcule o valor de P4 da tabela abaixo
Variável Frequência Frequência Frequência Frequência
Q.I absoluta relativa Porcentagem Acumulada Acumulada Relativa
Xi Fi Fi Fac FrA (%)

60 I---- 70 1 1/70 = 0,01 1% 1 1

70 I---- 80 5 5/70 = 0,07 7% 6 8

80 I---- 90 6 6/70 = 0,08 8% 12 16

90 I---- 100 10 10/70 = 0,15 15% 22 31

100 I--- 110 12 12/70 = 0,17 17% 34 48

110 I--- 120 20 20/70 = 0,29 29% 54 77
120 I--- 130 14 14/70 = 0,21 21% 68 98
130 I--- 140 2 2/70 = 0,02 2% 70 100

Total 70 1,00 100%

Tabela 4 - Distribuição de frequência contínua
Fonte: Autor

Então veremos o cálculo de seus valores.

O Quarto percentil
Observando em nossa distribuição dizemos que o valor do P4 é um número que
está entre 70 I--- 80.
Aplicando a fórmula:

FACULDADE CATÓLICA PAULISTA | 88

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Observando em nossa distribuição dizemos que o valor do . Dessa forma

concluímos que 40% das pessoas pesquisadas com o coeficiente de inteligência
apresentaram um número de inteligência menor ou igual a 73,60 e 60% dessas pessoas
tiveram um número maior que 73,60
Para praticar: Calcule o 40 decil e o 720 percentil da seguinte distribuição:
Frequência Frequência
Variável
absoluta Acumulada
Xi
Fi Fac

4 I---- 9 8 8

9 I---- 14 12 20

14 I---- 19 17 37

19 I---- 24 3 40

Total 40
Tabela 5 - Distribuição de frequência contínua
Fonte: Autor

RESOLUÇÃO
1° passo:
Cálculo do P4: (In)/100 = (4. 40)/10 = 1,60
Cálculo do P72: in/100 = (72. 40)/100 = 28,80
2° passo:
Identifica-se a classe P4 e P72 pela Fac
3° passo:
Para P4:
li = 9;
fac anterior = 8;
n = 40;

FACULDADE CATÓLICA PAULISTA | 89

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

h = 5;
fi = 12

P4 = 6,33
E para P72:
li = 14;
fac anterior = 20;
n = 40;
h = 5;
fi = 17

P72 = 16,59
Logo, nesta distribuição, o valor 12,33 separa nossa amostra em duas partes, sendo
uma com 40% dos elementos e a outra com 60% dos elementos. O valor 16,59 indica
que 72% da distribuição estão abaixo dele e 28% acima.

ISTO ESTÁ NA REDE

Quer saber mais sobre o cálculo de percentis e poder praticar? O site Khan
Academy oferece vídeo aulas e exercícios de forma gratuita, é só acessar e praticar.
https://pt.khanacademy.org/math/statistics-probability/modeling-distributions-of-
data/percentiles/v/calculating-percentile

9.2 Conclusão

Nesta aula, identificamos a definição da medida separatriz Percentis, identificando seus

cálculos junto a variável discreta e contínua e suas representações algébricas pautando-
nos no desenvolvimento de suas propriedades de acordo com o desenvolvimento
de suas operações algébricas, tendo em vista estudar suas definições pensando o
futuro todos os elementos da disposição gráfica. Por fim, essa metodologia irá nos

FACULDADE CATÓLICA PAULISTA | 90

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

fornecer uma análise de resolução de exemplos recorrentes nas diversas áreas do

conhecimento.

9.3 Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 91

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 10
MEDIDAS DE DISPERSÃO

Caro (a) aluno (a)!

Nas últimas aulas vimos os conceitos de medidas separatrizes, especificamente
Quartis, Decis e Percentis. Nesta aula, acompanharemos a explicação de medidas de
dispersão (Amplitude total, Desvio quartil, Desvio médio, Variância e Desvio padrão).
Bons estudos!

10.1 Introdução

Chamamos de variabilidade ou dispersão toda medida superior ou inferior, diferenciada

dos dados apresentados por uma variável ao redor de uma quantia da média ou da
mediana se tornando um ponto a ser enfrentado.
A medida central denominada de média, determinada como sendo um valor que
representa um agrupamento de números, é capaz de evidenciar se os valores que
formam um determinado dado são uniformes ou não.
A partir disso, vamos observar as sequências de dados representadas pelas letras
X, Y e W:
X = 11, 2, 19, 21, 36, 4, 8, 16, 12, 11
Y = 14, 15, 15, 16, 14, 16, 14, 16, 15, 15
W = 13, 13, 13, 13, 13, 13, 13, 13, 13, 13
Podemos observar nessas variáveis apresentadas que todas as três sequências
de dados expõem uma média aritmética idêntica, valendo 13. Porém, observando as
sequências, fica nítido que o conjunto W é totalmente homogêneo em relação aos
outros conjuntos X e Y, uma vez que os seus dados numéricos correspondem à média
aritmética. Por outro lado, os dados apresentados no grupo Y são mais uniformes
quando comparados ao conjunto X.
Desse modo, podemos concluir que o conjunto W expõe uma variabilidade nula,
além dos dados do conjunto Y nos mostrar uma menor dispersão que os dados do
conjunto X.

FACULDADE CATÓLICA PAULISTA | 92

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

10.2 Medidas de dispersão absolutas de dados

As principais medidas de dispersão absolutas são:

• Amplitude total
• Desvio quartil
• Desvio médio
• Variância
• Desvio padrão

10.2.1 Amplitude total

Essa medida será a única que não existe um parâmetro na média aritmética. Quando
os dados numéricos coletados não estiverem agrupados, essa medida será determinada
a partir da subtração do maior e do menor valor da sequência, como mostrado a seguir:
AT = Xmaior - Xmenor
Por exemplo: Observe a sequência de valores 13, 14, 11, 12, 12, 17.
Podemos perceber que na sequência apresentada o valor máximo é 15 e o valor
mínimo é 9, portanto a amplitude total dessa sequência será AT = 17 - 11 = 6
Por outro lado,no momento em que os dados estão agrupados, mas não apresentam
intervalos de classe, teremos:
AT = Xmaior - Xmenor
Exemplo: Encontre a amplitude total da série.
Frequência Frequência
Variável
absoluta Acumulada
Xi
Fi Fac

2 1 1

3 6 7

5 10 17

7 3 20

Total 20
Tabela 1 - Distribuição de frequências
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 93

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Neste caso apresentado verificamos que o maior valor é 7 e o menor é 2, portanto:

AT = 7 - 2 = 5 unidades.
Em contrapartida, quando temos dados agrupados com intervalos de classe, a
amplitude total é determinada considerando como valor máximo, o ponto médio da
última classe e como menor valor da série o ponto médio da primeira classe. Com
base nisso, determine a AT da série a seguir.
Frequência Frequência
Variável
absoluta Acumulada
Xi
Fi Fac

2 I---- 4 8 8

4 I---- 6 12 20

6 I---- 8 17 37

8 I---- 10 3 40

Total 40
Tabela 2 - Distribuição de frequência contínua
Fonte: Autor

Observando a tabela, conseguimos determinar que o ponto médio da última classe,

que representa o valor máximo, é 9 e o ponto médio da primeira classe, que representa
o valor mínimo, é 3, portanto AT = 9 - 3 = 6 unidades.
Essa medida pode ser inconveniente, uma vez que utiliza em seus cálculos apenas
os dois pontos médios das classes extremas da série, esquecendo de mencionar os
dados intermediários. Neste caso, utilizamos essa medida quando queremos determinar
por exemplo a amplitude da temperatura em um certo dia e em uma certa localização.

10.2.2 Desvio quartil (Dq)

Essa medida podemos chamar como amplitude semi-interquartílica e é determinada

utilizando os quartis:
Dq = (Q3 - Q1) / 2
Essa medida expõe como benefício a situação de fácil cálculo e interpretação do
resultado, além de não ser influenciado pelos dados extremos.
Exemplo: Determinar o valor do desvio quartil dos dados 40, 45, 48, 62 e 70

FACULDADE CATÓLICA PAULISTA | 94

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

SOLUÇÃO:
Q1 = (45+40) /2 = 42,5
Q3 = (70+62) /2 = 66

10.2.3 Desvio médio absoluto simples

A dispersão das informações numéricas no que se refere à média pode ser observada
por meio dos desvios de cada dado comparado com a média e indicaremos pela sigla
DMS, ou simplesmente DM, sendo definida como uma média dos desvios de cada
dado da distribuição.

10.2.3.1 Dados brutos ou ROL

Primeiramente devemos definir a média dos dados e em seguida identificar a

distância de cada integrante dessa sequência até a média já calculada. Para um
conjunto numérico x1, x2, x3, . . ., xn de média aritmética , definimos pela fórmula:

Na qual, n é o número total de integrantes da sequência.

Exemplo: Seja a sequência 3, 4, 5, 6, 8, 10 (n = 6), determine o DMS.

Dessa forma:
= | 3 – 6 | + | 4 – 6 | + | 5 – 6 | + | 6 – 6 | + | 8 – 6 | + | 10 – 6 | =
= 3 + 2 + 1 + 0 + 2 + 4 = 12, portanto DMS =
DMS = 2

10.2.3.2 Sem intervalos de classes

Neste caso, o relato de cada dado representará a quantidade de vezes que cada
dado aparece na série, por consequência, teremos repetições dessas distâncias iguais

FACULDADE CATÓLICA PAULISTA | 95

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

de cada dado até a média. Dessa forma, essa média mostrará para estas distâncias
uma média ponderada.
A fórmula para esse cálculo será dada por:

Dm =

Exemplo: Determinar o desvio dos dados abaixo:

Variável Frequência Frequência
Xi absoluta Acumulada
Fi Fac
1 2 2

3 5 7

4 2 9

5 1 10

Total 10
Tabela 3 - Distribuição de frequência
Fonte: Autor

A média dessa série é 3, portanto:

Frequência
Variável
absoluta Xi fi
Xi
Fi

1 2 2 4

3 5 15 0

4 2 8 2

5 1 15 2

Total 10 30 8
Tabela 4 - Distribuição de frequência
Fonte: Autor

O desvio médio será:

FACULDADE CATÓLICA PAULISTA | 96

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

A interpretação desse resultado é que cada elemento da série está se afastando

do valor 3 para 0,8 unidades.

10.2.3.3 Com intervalo de classes

Agora neste caso, por não conhecermos os valores individuais dos dados que
compõem a série, precisaremos substituir estes números da variável Xt pelos pontos
médios das classes.
Dessa forma, o valor do desvio médio será desenvolvido pela fórmula:

Exemplo: Determinar o DMS da série.

Variável Frequência
Classes absoluta Pmi Fi x Pmi
Xi Fi

1 20 I---- 40 15 30 450

2 40 I---- 60 25 50 1250

3 60 I---- 80 30 70 2100

4 80 I---- 100 10 90 900

Total 80 4700
Tabela 5 - Distribuição de frequências
Fonte: Autor

A partir da distribuição de frequências acima temos.

Então:
Para que tenhamos uma melhor visualização, vamos criar mais duas colunas na tabela.
|PMI -| Fi x |PMI -|

28,75 431,25

8,75 218,75

11,25 337,50

31,25 312,50

Total 1300
Tabela 6 - Distribuição de frequência
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 97

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Então,

DMS =

DMS = 16,25 unidades

Dessa forma concluímos que em média, cada elemento da série está se afastando
de 58,75 para 16,25 unidades.

10.2.4 Desvio Padrão (S) e Variância (S2)

Podemos observar no item anterior que a dificuldade de se calcular o DMS se deve

à presença do módulo, para que as diferenças possam ser positivas.
Essa é a medida de dispersão com a maior intensidade de utilização, pois considera
o montante dos dados apresentados. Neste caso passa a ser um parâmetro de variação
muito estável.
A medida denominada desvio padrão se ampara nos desvios ao redor da média e seu
cálculo tem como base a raiz quadrada da média entre desvios elevado ao quadrado.

Título: Fórmula desvio padrão

Fonte: Autor

Essa fórmula sempre será utilizada quando estivermos utilizando uma amostra de
dados não agrupados.
Exemplo: Determinar o desvio padrão dos dados - 4, -3, -2, 3, 5
Variável Frequência absoluta
Xi Fi
-4 1 - 3,8 14,44

-3 1 - 2,8 7,84

-2 1 -1,8 3,24

3 1 3,2 10,24

5 1 5,2 27,04

Total 5 62,80
Tabela 7 - Distribuição de frequências
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 98

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Sabemos que n = 5 e .
A raiz quadrada de 12,56 representa o desvio padrão, S = 3,54.
Temos que observar sempre os dados analisados e caso tenhamos uma análise
partindo de uma população, desejando extrair estimativas concretas para uma
determinada população, será conveniente calcularmos utilizando uma modificação
em nossa fórmula, que corresponde em utilizar o divisor como n - 1, ao invés de n.
Dessa forma nossa fórmula ficará:

Título: Fórmula desvio padrão (estimativas concretas)

Fonte: Autor

Utilizando os dados da sequência - 4, - 3, - 2, 3, 5 e caso fossem representados por

uma amostra, o cálculo do desvio padrão ficará:

Exemplo: Determine o desvio padrão populacional da distribuição abaixo:

Frequência
Variável
absoluta
Xi
Fi

0 2

1 6

2 24

3 21

4 12

Total 5
Tabela 7 - Distribuição de frequência
Fonte: Autor

Variável Xi Fi Xi, fi
0 2 0 2,1 - 2,1 4,41 8,82
1 6 18 2,1 - 1,1 1,21 7,26
2 12 24 2,1 -0,1 0,01 0,12
3 7 21 2,1 0,9 0,81 5,67
4 3 12 2,1 1,9 3,61 10,83
Total 30 63 32,70
Tabela 8 - Distribuição de frequência
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 99

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Desse modo dizemos que a somatória de fi = 30 e 32,7 / 30 = 1,09.

Sendo assim a raiz quadrada de 1,09 terá o desvio padrão igual a 1,044.
Agora se levarmos em consideração os elementos observados da distribuição
consistindo uma amostra, dizemos que o desvio padrão será a raiz quadrada de 32,7
/ (30 -1) e o valor encontrado é 1,062.
Em contrapartida, se tivermos uma distribuição dos dados com intervalo de classes,
por desconhecermos as particularidades dos valores apresentados da série, iremos
substituir nas fórmulas anteriores os valores de xi pelo ponto médio de cada classe.
Desse modo, a representação da variância de uma população será expressada por:

Título: Fórmula desvio padrão (intervalo de classes)

Fonte: Autor

Na qual,
Para praticar: Determine a variância e o desvio padrão para a série representativa
de uma população.
Classes Variável Frequência
absoluta
Xi Fi
1 50 I---- 60 3

2 60 I---- 70 5

3 70 I---- 80 8

4 80 I---- 90 4

Total 20
Tabela 9 - Distribuição de frequência
Fonte: Autor

RESOLUÇÃO:
Xi Fi Pmi Fi x Pmi Fi (mi)²

50 I---- 60 3 55 165 9075

60 I---- 70 5 65 325 21.125

70 I---- 80 8 75 600 45.000

80 I---- 90 14 85 340 28.900

Total 20 1430 104.100

Tabela 10 - Distribuição de frequências
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 100

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Logo:

Se essa distribuição de dados apresentadas acima fossem de uma amostra, a

variância seria indicada por uma fórmula de cálculo:

ISTO ESTÁ NA REDE

Às vezes é muito difícil imaginarmos como que um certo conteúdo pode ser
aplicado na prática, porém a estatística é amplamente usada nos dias de hoje
em todas as áreas do conhecimento. As medidas de dispersão, assim como
as medidas de tendência central, podem ser usadas, e muitas vezes se tornam
fundamentais, nas pesquisas da área da saúde. Leia o artigo abaixo para saber
mais.
https://www.scielo.br/j/rba/a/N5PgBCrzhDkfRbX8QXsctHx/?lang=pt

10.3 Conclusão

Nessa aula, você pode aprender mais sobre medidas de dispersão, as quais são
aplicadas com o intuito de verificar a intensidade da variação presente em um conjunto
de dados. Elas são muito importantes, porque mostram o quanto os dados da amostra
são próximos ou distantes. Por fim, essa metodologia irá nos fornecer uma análise de
resolução de exemplos recorrentes nas diversas áreas do conhecimento.

10.4 Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 101

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,

2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 102

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 11
DESVIO PADRÃO

Caro (a) aluno (a)!

No último capítulo vimos todas as medidas de dispersão, contudo o desvio padrão é
uma medida muito ampla e que deve ser estudada com mais aprofundamento. Portanto,
nessa aula veremos um pouco mais sobre o desvio padrão, como por exemplo sua
interpretação. Além disso, veremos também as medidas de dispersão relativa e todos
os seus coeficientes para cálculo do desvio padrão. Bons estudos!

11.1 Interpretação do desvio padrão

Essa medida é, sem dúvida, a mais significante dentre todas as outras de dispersão.
Será primordial que o pesquisador seja capaz de associar o valor encontrado nessa
medida com os dados apresentados na distribuição.
No momento em que uma curva de frequência, que representa a distribuição dos
dados, for exatamente simétrica da maneira que apresentamos abaixo, somos capazes
de informar que o primeiro intervalo irá compreender, aproximadamente, 68% dos
valores representados da série.

Título: Comportamento de uma distribuição

Fonte: IF-PB 2019 - IDECAN - Professor - Matemática 03

FACULDADE CATÓLICA PAULISTA | 103

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Esses percentuais, 68,26%, 95,44% e 99,73%, que apontamos na figura acima,

poderão ser comprovados quando for estudado o conceito de distribuição normal de
probabilidades. No sentido de compreendermos essa medida inicial, essas informações
são suficientes.
No momento em que a distribuição não for satisfatoriamente simétrica essas
percentagens irão sofrer pequenas alterações para mais ou para menos, de forma que,
ao analisar uma distribuição que apresenta uma média igual a cem e o desvio padrão
igual a cinco, somos capazes de interpretar esses resultados da seguinte maneira:
• Os elementos da sequência encontram-se concentrados perto de cem;
• O intervalo [95,100] abrange aproximadamente 68%, dos elementos da sequência;

Título: Frequência dos eventos

Fonte: Autor

• O intervalo [90,110] abrange aproximadamente 95%, dos elementos da sequência;

Título: Frequência dos eventos

Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 104

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

• O intervalo [85,115] abrange aproximadamente 99%, dos elementos da sequência;

Título: Frequência de eventos

Fonte:

As medidas de dispersão que aprendemos até esse momento são absolutas e são
diretamente proporcional à dispersão.

11.2 Medidas de dispersão relativa

Para melhor visualizarmos a representatividade do Desvio Padrão dentro de uma

distribuição de frequências, usamos os Coeficientes de Variação que é um indicador
percentual de dispersão.

11.2.1 Coeficiente de Variação de Pearson (CVP)

A fórmula que representa o Coeficiente de Variação de Pearson (CVP) é expressa por:

CVP =

ANOTE ISSO

Esse produto, neste contexto, será evidenciado em percentagem, no entanto poderá

ser expresso mediante um número decimal, desconsiderando dessa forma o valor
cem da fórmula.

FACULDADE CATÓLICA PAULISTA | 105

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Exemplo: Sejam as séries obtidas de uma investigação de altura e pesos de um

conjunto de pessoas.
Média Desvio Padrão
Altura 160 cm 8,0 cm
Peso 78 kg 2,0 kg
Tabela 1 - Média e desvio padrão
Fonte: Autor

Qual das grandezas apresentadas apresenta menor variação?

Neste exemplo teremos que determinar os valores do coeficiente de variação dos
dados e assim verificar qual o resultado da menor dispersão ou variabilidade.
CVP (altura) =
CVP (peso) =
Nessa pesquisa, os pesos ostentam menor grau de variação em comparação aos
pesos.

11.2.2 Coeficiente de Variação de Thorndike (CVT)

Essa medida é idêntica a divisão estabelecida pelo desvio padrão e a mediana,

como apresentado a seguir:
CVT = . 100%

11.2.3 Coeficiente Quartílico de Variação (CVQ)

Esse coeficiente é determinado pela fórmula:

CVQ = [(Q3 - Q1) / (Q3 + Q1)] x 100 %.

11.2.4 Desvio quartil reduzido (Dqr)

Esse coeficiente é determinado pela fórmula:

Dqr = [(Q3 - Q1) / 2 Md] x 100 %.

11.3 Medidas de assimetria

Essa medida possibilita determinar o grau de afastamento da sequência em

comparação a simetria. Podemos dizer que a disposição com classes se caracteriza

FACULDADE CATÓLICA PAULISTA | 106

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

como simétrica quando temos a média, mediana e a moda iguais. Porém essa disposição
pode ser também assimétrica à esquerda (denominada também negativa), quando
média for menor que a mediana e esta menor que a moda, ou assimétrica à direita
(chamada de positiva também), quando a média for maior que a mediana e esta for
maior que a moda.

11.3.1 Coeficiente de assimetria de Pearson

Para determinarmos essa medida vamos utilizar a seguinte fórmula:

Sendo:
• Se As equivaler a zero, então a distribuição é simétrica

Título: Distribuição simétrica

Fonte: Autor

• Se As for menor que zero, então a distribuição é assimétrica negativa

Título: Distribuição negativa

Fonte: Autor

• Se As for maior que zero, então a distribuição é assimétrica positiva.

FACULDADE CATÓLICA PAULISTA | 107

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Título: Distribuição positiva

Fonte: Autor

Segundo esse critério, as distribuições são classificadas da seguinte forma:

• Se As for menor ou igual a zero, então a distribuição é assimétrica negativa forte;
• Se As estiver entre menos um e zero, então a distribuição é assimétrica negativa
fraca;
• Se As estiver igual a zero, então a distribuição é simétrica;
• Se As estiver entre zero e um, então a distribuição é assimétrica positiva fraca;
• Se As for maior que um, então a distribuição é assimétrica positiva forte;

11.3.2 Coeficiente de assimetria de Bowley

As = (Q3 + Q1 – 2 Md) / Q3 - Q1
Sendo:
• Se As equivaler a zero, então a distribuição é simétrica
• Se As for menor que zero, então a distribuição é assimétrica negativa
• Se As for maior que zero, então a distribuição é assimétrica positiva.

Segundo esse critério, as distribuições são classificadas da seguinte forma, uma

vez que esse coeficiente varia de – 1 a 1.
E por esse critério, os dados são classificados assim:
• Se As estiver entre - 1 e – 0,3, então a distribuição é assimétrica negativa forte;
• Se As estiver entre – 0,3 e – 0,1, então a distribuição é negativa moderada;
• Se As estiver entre – 0,1 e 0, então a distribuição é assimétrica negativa fraca;
• Se As estiver entre 0 e 0,1, então a distribuição é simétrica
• Se As estiver entre 0,1 e 0,3, então a distribuição é assimétrica positiva moderada;
• Se As estiver entre 0,3 e 1, então a distribuição é assimétrica positiva forte.

FACULDADE CATÓLICA PAULISTA | 108

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Exemplo 1: Classificar, quanto a assimetria, a distribuição segundo o coeficiente

de Pearson.
Frequência
Variável
absoluta
Xi
Fi

1 2

2 10

3 10

4 6

5 4
6 2
7 1

Total 20
Tabela 2 - Distribuição de frequências
Fonte: Autor

SOLUÇÃO:
Frequência
Variável
absoluta Xi. Fi
Xi
Fi

1 2 2 2

2 10 20 40

3 6 18 54

4 4 16 64

5 2 10 50
6 1 12 36

Total 25 72 246
Tabela 3 - Distribuição de frequências
Fonte: Autor

Calculando a moda, temos Mo = 2.

Desvio padrão:

FACULDADE CATÓLICA PAULISTA | 109

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Portanto a assimetria será:

As = (2,88 – 2) / 1,24
As = 0,71
Logo será uma distribuição assimétrica fraca
Exemplo 1: Classificar, quanto a assimetria, a distribuição segundo o coeficiente
de Bowley
Variável Frequência
Classes absoluta
Xi Fi

1 0 I---- 2 2

2 2 I---- 4 5

3 4 I---- 6 12

4 6 I---- 8 15
5 8 I---- 10 1

Total 35
Tabela 4 - Distribuição de frequência
Fonte: Autor

SOLUÇÃO:
Sabemos que para determinar essa medida necessitamos saber:

As = (Q3 + Q1 – 2 Md) / Q3 - Q1

Então:
Cálculo do Q3:

Cálculo do Q1

FACULDADE CATÓLICA PAULISTA | 110

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Mediana:

Portanto:
As = (6,97 + 4,29 – 2. 5,75) / 6,97 – 4,29
As = - 0,09
Essa distribuição é assimétrica negativa fraca.

11.4 Medidas de Curtose

Nomeamos de curtose a intensidade do rebaixamento da curva estabelecida como

variável quando comparado a uma curva padrão, chamada de curva normal.
No momento em que a pesquisa apresentar as informações de uma curva de
frequência mais acentuada que a normal ou mais delgada, ela será denominada
de leptocúrtica, quando apresentar uma curva mais aberta comparada a normal,
será denominada de platicúrtica e por fim a curva estabelecida como normal, será
denominada como mesocúrtica.
Dessa forma segue a construção gráfica representando essas situações.

Título: Tipos de curtose

Fonte: https://estatsite.com.br/tag/curtose/

Para que possamos determinar este coeficiente de curtose iremos utilizar a seguinte
fórmula:
C1 = (Q3 - Q1) / 2(P90 - P10)
Este coeficiente é chamado de percentilílico.

FACULDADE CATÓLICA PAULISTA | 111

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

No que se refere à curva normal, dispomos:

• C1 = 0,263 curva mesocúrtica
• C1 < 0,263 curva leptocúrtica
• C1 > 0,263 curva platicúrtica
Observe a fórmula abaixo (coeficiente C2) que será usado durante nossas pesquisas:

• C2 = 3 curva mesocúrtica
• C2 > 3 curva leptocúrtica
• C2 < 3 curva platicúrtica
Exemplo: Classificar, quanto a curtose, a distribuição;
Classes Variável Frequência
absoluta
Xi Fi
1 3 I---- 5 1

2 5 I---- 7 2

3 7 I---- 9 13

4 9 I---- 11 3
5 11I---- 13 1
Total 35
Tabela 5 - Distribuição de frequência
Fonte: Autor

SOLUÇÃO:

Classes Xi Fi Pmi xi. fi

1 3 I---- 5 1 4 4 282,5761 16,81

2 5 I---- 7 2 6 12 38,8962 8,82

3 7 I---- 9 13 8 104 0,0013 0,13

4 9 I---- 11 3 10 30 39,0963 10,83

5 11I---- 13 1 12 12 231,3441 15,21

Total 20 162 591,914 51,8

Tabela 6 - Distribuição de frequência
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 112

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Cálculo de

Cálculo de

Cálculo = 6,7081
Substituindo esses resultados encontrados, temos:

Portanto a distribuição será leptocúrtica.

11.5 Conclusão

Nesta aula, identificamos a definição da medida dispersão desvio padrão, juntamente

com os seus possíveis cálculos, chamados de coeficientes. Além disso, vimos também
as medidas de assimetria e suas representações gráficas. Por fim, essa metodologia
irá nos fornecer uma análise de resolução de exemplos recorrentes nas diversas áreas
do conhecimento.

11.6 Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 113

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 12
ANÁLISE COMBINATÓRIA

Caro (a) aluno (a)!

Nas outras aulas tivemos os conceitos de estatísticas necessários para entender
a parte mais avançada, a qual vamos nos deparar daqui para frente. A primeira parte
mais aprofundada da estatística é a análise combinatória, que veremos nessa aula.
Bons estudos!

12.1 Introdução

Esse conceito pode ser definido como um agrupamento de procedimentos que tem
por finalidade possibilitar a composição e a construção de conjuntos elaborados por
um número finito de dados de um conjunto.
Neste caso, é importante sabermos dois conceitos essenciais com o intuito
de solucionarmos problemas que envolvem esse conceito denominado análise
combinatória: Fatorial de um número e o Princípio Fundamental da Contagem,
conhecido como árvore de possibilidades. Também necessitamos conhecer os três
principais agrupamentos, permutação, arranjo e combinação, podendo ser simples,
com repetição ou circulares.

12.2 Princípio Fundamental da Contagem (PFC)

Com a demanda de se avaliar a quantidade de possibilidades que possam gerar

em jogos de azar, ocorreu um movimento na criação e desenvolvimento da teoria que
conhecemos como Análise Combinatória.
Essa definição tem por finalidade estudar a metodologia de contagem, visando
fortalecer e permitir sua contagem de forma indireta.
Para exemplificar vamos analisar a seguinte situação:
Uma rede de fast food oferece para seus consumidores somente duas variedades
de lanches:

FACULDADE CATÓLICA PAULISTA | 114

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

• Cachorro-quente
• Pizza.

Também oferece uma sobremesa com três opções:

• Brigadeiro
• Torta de morango
• Mousse de chocolate.

Dessa forma queremos determinar as possibilidades que um cliente pode realizar

suas refeições incluindo um sanduíche e uma sobremesa. Temos as seguintes
combinações:
• Cachorro-quente e brigadeiro
• Cachorro-quente e torta de morango
• Cachorro-quente e mousse de chocolate
• Pizza e brigadeiro
• Pizza e torta de morango
• Pizza e mousse de chocolate

A determinação de tais possibilidades pode ser simplificada por meio de um diagrama,

na qual, na primeira coluna irá ser representada pelas possibilidades de sanduíche e,
na segunda coluna, as possibilidades de escolha das sobremesas.
Essa estrutura é habitualmente chamada de diagrama de árvore, constituindo assim
todas as subdivisões da árvore e assim obtendo as possíveis refeições.
Dessa forma podemos realizar as refeição completas realizando as representações
constituída em duas etapas sucessivas:
• Escolhendo primeiramente qual sanduíche, neste caso existem duas possibilidades
de realizar essa escolha
• Escolhendo posteriormente as sobremesas de modo a compor cada uma das
possibilidades anteriores, neste caso, temos três modos de opção

Dessa maneira, essa operação realizada em duas etapas sucessivas irá permitir a
realização de uma operação matemática de 2 x 3 na qual o resultado obtido, 6, será
a quantidade de modos distintos que podem ser escolhidos nessa combinação.

FACULDADE CATÓLICA PAULISTA | 115

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Essa definição nos mostra que sempre precisaremos realizar a operação de

multiplicação dos números de possibilidades que temos entre as escolhas.
Por exemplo, vamos construir uma máquina computacional optando por três
diferentes modelos de monitores, quatro modelos de teclados e três modelos de
CPU.
No sentido de sabermos a quantidade de possibilidades de máquinas computacionais
a serem montados com esses equipamentos, poderemos apenas realizar a multiplicação
das opções: Quantidade monitores x quantidade de teclados x quantidade de CPU,
ou seja 3 x 4 x 3 = 36.
Dessa forma, vamos obter 36 possibilidades de configurações diferentes.
Exemplo 1: Se as placas dos veículos brasileiros foram confeccionadas utilizando
somente 3 letras e 4 números, qual a quantidade máxima de carros que poderão ser
emplacados?
Primeiramente devemos saber que em nosso alfabeto existem 26 letras e o sistema
de numeração apenas 10 algarismos, e desse modo concluímos que na primeira
posição, existem 26 possibilidades, podendo ter repetição de letras, para a segunda
e terceira similarmente teremos 26 possibilidades. Agora, em relação aos números,
podemos definir que temos 10 possibilidades de utilização para os quatro lugares.
Dessa forma, somos capazes de concluir que a quantidade total de automóveis a
serem emplacados será igual a:
26. 26. 26. 10. 10. 10. 10 = 175.760.000
Exemplo 2: Temos quatro ruas interligando as regiões norte e centro, e três ligando
as regiões leste e oeste. Com essas informações, determine quantas possibilidades
distintas conseguiremos ir da região norte até a região leste, passando pela região
centro.
Para realizarmos essa ida da região norte até a região leste, podemos considerar
uma ação composta por dois ciclos sucessivos, sendo o primeiro para ir da região
norte até o centro com quatro possibilidades e o segundo da região leste para a região
oeste. Para cada uma das variáveis anteriores, existem três modos de chegar a leste
partindo da região centro. Dessa forma a solução que atende o solicitado será 4 x 3
=12.
Para praticar: Considere os algarismos 1, 2, 3, 4, 5 e 6. Quais são as possibilidades
de formar um número de três algarismos distintos?

FACULDADE CATÓLICA PAULISTA | 116

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

SOLUÇÃO:
Como queremos formar um número composto por três algarismos, vamos considerar
que essa ação será elaborada com três etapas sucessivas:
A primeira seleção do algarismo será a das centenas sendo seis possibilidades,
a segunda seleção do algarismo será a das dezenas sendo que não podem ocorrer
repetição de algarismo, dessa forma existem cinco possibilidades e por fim a terceira
e última seleção. escolhendo o algarismo das unidades sendo que necessitamos ter
um números diferente dos dois escolhidos para a centena e para a dezena e, desse
modo, existem quatro possibilidades.
Pelo Princípio fundamental da Contagem, a solução será 6 x 5 x 4 = 120 números.

12.3 Fatorial

Com o intuito de solucionarmos problemas que envolvem o conceito de Análise

Combinatória, somos obrigados a aplicar um conceito matemático denominado de
fatorial.
Determinamos fatorial de n, na qual indicaremos pelo símbolo n!, como sendo:
n! = n. (n-1). (n-2). ...

ANOTE ISSO

Se n = 1, então 1! = 1.
Se n = 0, então 0! = 1.

Exemplos:
a) 6! = 6. 5! = 6. 5. 4. 3. 2. 1 = 720
b) 4! = 4. 3! = 4. 3. 2. 1 = 24
c) 7! = 7. 6! = 7. 6. 5. 4. 3. 2. 1 = 5040
d) 10! = 10. 9. 8. 7. 6. 5. 4. 3. 2. 1 = 3. 628.800
e) 3! = 3. 2. 1 = 6

FACULDADE CATÓLICA PAULISTA | 117

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

ANOTE ISSO

Você pode notar que podemos escrever uma relação de correspondência do fatorial
N! = n. (n – 1)! sendo que o valor de n pertence ao conjunto dos números naturais
excluindo o zero e maior ou igual a dois.

Exemplos de Adição de fatorial

4! + 2! = (4 · 3 · 2 · 1) + (2 · 1)
4! + 2! = 24 + 2
4! + 2! = 26

ANOTE ISSO

Na operação de adição de fatorial, precisamos ficar atentos que não será possível
realizar a operação de soma dos elementos numéricos antes de calcular o fatorial,
ou seja, 4! + 2! ≠ 6!

Exemplo de subtração de fatorial

5! – 3! = (5 · 4 · 3 · 2 · 1) – (3 · 2 · 1)
5! – 3! = 120 – 6
5! – 3! = 114

ANOTE ISSO
Notamos que, como na adição, precisamos ficar atentos que não será possível
realizar a operação de subtração dos elementos numéricos antes de calcular o
fatorial, ou seja, 5! - 3! ≠ 2!

Exemplo de multiplicação de fatorial

2! · 3! = (2 · 1) · (3 · 2 · 1)
2! ·3! = 2 · 6
2! · 3! = 12

FACULDADE CATÓLICA PAULISTA | 118

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

ANOTE ISSO

Percebemos de forma clara que, na operação de multiplicação, da mesma forma 2!

· 3! ≠ 6!

Exemplo de divisão de fatorial

6! : 2! = (6 · 5 · 4 · 3 · 2 · 1) : (2 · 1)
6! : 2! = 720 : 2
6! : 2! = 360

ANOTE ISSO

Por fim, a operação de divisão, vamos seguir a mesma definição uma vez que 6! : 2!
≠ 3!. Dessa forma, em hipótese alguma devemos realizar as operações de calcular o
fatorial.

Visto as operações com fatorial, vamos demonstrar como realizar a simplificação

de fatorial. A todo momento em que encontrarmos uma divisão entre o fatorial de
dois algarismos numéricos, seremos capazes de resolvermos a simplificação. Então,
vamos seguir alguns passos:
• O primeiro passo a realizar é encontrar o maior fatorial na divisão.
• O segundo passo será executar a operação de multiplicação do maior fatorial
até que surja o mesmo fatorial no numerador e no denominador.
• O terceiro passo será realizar a simplificação.

Vejamos, na prática:
Exemplo 1: Simplificar o fatorial
Neste exemplo podemos perceber que o maior fator está no numerador é 6!, dessa
forma, precisaremos realizar a decomposição multiplicando 6 até chegar a 3!.

Agora somo capazes de solucionarmos a simplificação do 3!, que aparece no

numerador e também no denominador e ao realizar essa operação de simplificação,
nos restará apenas a multiplicação 6 · 5 . 4 = 120

FACULDADE CATÓLICA PAULISTA | 119

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Exemplo 2: Simplifique a expressão

12.4 Arranjo simples

Vamos obter um arranjo quando os agrupamentos obtidos tiverem elementos

diferenciados. Veja que, quando quisermos construir números distintos, utilizando
somente os cinco primeiros números ímpares 1; 3. 5; 7 e 9, contaremos com as
seguintes centenas:135; 137;139; 153, 157, e assim por diante.
Se trocarmos a posição dos números de qualquer das centenas, iremos obter outra
centena diferente, como exemplo 137 será diferente de 371 e dessa forma teremos,
então um arranjo com 5 elementos em grupos de três centenas.
Com o intuito de representar a quantidade de elementos de um arranjo de n elementos
tomados k a k, teremos a seguinte fórmula:

Por exemplo vamos resolvendo o problema das centenas citadas acima:

Nesse momento utilizamos os cinco primeiros números ímpares e formaremos 60

centenas diferentes.
Exemplo 1: Observando os elementos 1, 2, 3, 4 escreva todos os arranjos desses
elementos tomados dois a dois.
(1, 2); (1, 3); (1, 4); (2, 1); (2, 3); (2, 4); (3, 1); (3, 2); (3, 4); (4,1); (4, 2); (4, 3)
Exemplo 2: Um cofre possui um círculo marcado com os dígitos 0, 1, 2,3, 4, 5, 6, 7,
8 e 9. Uma pessoa necessita abrir esse cofre com uma combinação de três dígitos
distintos. Quantas tentativas máximas poderão ser realizadas para que o cofre seja
aberto?
Essa sequência será do tipo xyz e para o primeiro número da sequência temos dez
possibilidades, para a segunda temos nove possibilidades, uma vez que os números
deverão ser distintos, e para a terceira possibilidade, temos oito números

FACULDADE CATÓLICA PAULISTA | 120

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Aplicando a definição de arranjos pelo Princípio fundamental da contagem,

chegaremos ao resultado: 10. 9. 8 = 720.
Observe que 720 = A10,3

Exemplo 3: Obter o valor de A4,2 + A7,3.

Logo o valor de A4,2 + A7,3 = 12 + 210 = 222 possibilidades.

Exemplo 4: Em um torneio de copa do mundo de jogos elétricos, a disputa é realizada
por quatro seleções: Brasil, Estados Unidos da América, Portugal e Alemanha. Determine
as possibilidades distintas de termos Brasil, Estados Unidos da América e Portugal
como sendo os três primeiros colocados?
Uma possível solução desse torneio é os EUA sendo campeã, o Brasil em segundo
e Portugal em terceiro. Caso invertemos essa ordem, teremos Brasil campeão, EUA
em segundo e Portugal em terceiro lugar, que é um resultado diferente do anterior.
Cada resultado do torneio é um arranjo das quatro equipes tomadas de três a três.
Dessa forma, o número de possibilidades será:

Para praticar: Em uma determinada instituição financeira, existe um cartão de crédito

que tem a senha formada por duas letras distintas seguidas por algarismos distintos.
Determine quantas senhas poderiam ser elaboradas?

SOLUÇÃO:
Nesse exemplo, na ordem que escolhemos as letras, o número de possibilidades que
escolhemos será dado por A26,2. Analogamente, essa sequência com três algarismos
numéricos distintos poderá ser escolhida de A10,3.

FACULDADE CATÓLICA PAULISTA | 121

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Pelo Princípio fundamental da Contagem, a quantidade de senhas que podemos

confeccionar é: A26,2 x A10,3 = 650 x 720 = 468.000.

12.5 Combinação simples

Chamamos de combinação dos n elementos qualquer conjunto com n elementos

distintos, tomados k a k, a qualquer subconjunto formado por K elementos, ou seja,
vamos obter uma combinação no momento em que esses agrupamentos mantem-se
da mesma forma ao trocar a posição dos seus elementos.
Nesse sentido podemos perceber com esse exemplo.
Caso tenhamos um grupo de cinco pessoas, Márcia, Pedro, Nathália, Thais e Manuela
e queremos formar grupos com três pessoas, o grupo formado por Manuela, Nathália
e Thais é o mesmo grupo formado por Nathália, Manuela e Thais. Dessa forma, temos
uma combinação de cinco elementos em grupos de três.

12.5.1 Cálculo do número de combinações

Vamos pensar na seguinte situação:

Em uma instituição de ensino, temos uma turma constituída por 10 alunos.
Desejamos formar um grupo com três alunos visando que eles atuem como
representantes discentes. Dessa forma necessitamos descobrir quantas possibilidades
de escolha teremos.
Primeiramente vamos determinar o número de triplas ordenadas de alunos:

Admitamos que se os integrantes desse grupos forem A, B e C e estejam entre

os dez integrantes dessa turma. As 720 possibilidades irão incluir, entre outras, os
seguintes arranjos:
(A, B, C), (A, C, B), (B, A, C), (B, C, A), (C, A, B) e (C, B, A)
Podemos perceber que em cada um desses arranjos, estão sendo diferentes apenas
pela sua ordem e os estudantes A, B e C farão parte da comissão. Desse modo, esses
seis arranjos acima passam a ser equivalentes entre si, correspondendo a uma única
combinação, pois determinam sempre a mesma comissão.

FACULDADE CATÓLICA PAULISTA | 122

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Desta forma, aos seis arranjos corresponde uma combinação; então, para os 720
arranjos, teremos x combinações.
Nessa situação podemos perceber que a cada 6 arranjos vamos obter apenas uma
combinação e se temos 720 arranjos. Portanto, quantas combinações teremos?
Realizando uma regra de três vamos obter 120 combinações.
Teoricamente, podemos representar por Cn,k o número total de combinações de n
elementos tomados k a k, temos Fórmula da combinação simples:

Exemplo:
Em uma escola estadual, dos oito alunos classificados em um concurso de redação,
dois foram premiados por um sorteio elaborado pela escola. Os estudantes sorteados
irão receber uma cesta de chocolate. De quantas maneiras distintas a dupla premiada
pode ocorrer?
Estamos calculando a combinação de 8 elementos tomados de 2 em 2.

12.6 Conclusão

Nesta aula, vimos o conceito de análise combinatória e as suas derivações. Vimos

os cálculos de arranjo simples e combinação simples para conseguir descobrir as
possibilidades de arranjos tendo algumas opções de escolha. A análise combinatória
vai ser fundamental para o conceito de probabilidade que será abordado nas próximas
aulas.

12.7 Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 123

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]

SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 124

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 13
PROBABILIDADE I

Caro (a) aluno (a)!

Vamos agora para uma parte fundamental da estatística: Probabilidade. Quando
queremos descobrir a chance de algum fenômeno ocorrer, usamos essa área da
matemática para fins algébricos. Portanto, as aulas a seguir são muito importantes.
Bons estudos!

13.1 Introdução à teoria da probabilidade

No momento em que necessitamos estudar fenômenos coletivos, percebemos a

obrigação de descrever e/ou retratar tal fenômeno por um modelo matemático que
acarrete uma explicação da melhor forma possível deste fenômeno.
Dessa forma a teoria das probabilidade nos permitirá produzir essa modelagem
matemática que explicará uma grande quantidade de elementos desse fenômeno
coletivos que contribuem para a tomada de decisão.
Vamos, então, iniciar nosso estudo da teoria das probabilidades.

13.1.1 Fenômenos aleatórios

Somos capazes de classificar esses experimentos em dois grandes grupos:

• Determinísticos: São aqueles que reproduzem sempre em condições iniciais
levam sempre a um só resultado;
• Aleatórios: Aqueles cujos resultados não podem ser previstos, tais como: resultado
da mega sena, sorteio em rifas etc.

Ao estudar as definições do conceito Probabilidade, iremos tratar os experimentos

aleatórios equiprováveis, ou seja, aqueles nos quais qualquer dos seus resultados irão
possuir a mesma possibilidade de ocorrer. Por exemplo, os lançamentos de dados
ou de moedas.

FACULDADE CATÓLICA PAULISTA | 125

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

13.1.2 Conceitos fundamentais

Nosso objeto de estudo são os experimentos aleatórios e eles admitem diversos

resultados, então necessitamos estabelecer o conjunto de todas as possibilidades de
resultados possíveis do nosso experimento.
Nesse sentido vamos exemplificar esse conceito.
Exemplos 1: Lançamento de um dado, S = {1, 2, 3, 4, 5, 6}; n (S) = 6.
Exemplos 2: Sorteio de uma loteria S = {00, 01, 02, ... , 99 } ; n (S) = 100.
Exemplos 3: Lançamento de dois dados S = {(1,1), (1, 2), ..., (6, 6)}; n (S) = 36.
Dessa forma precisamos definir alguns conceitos essenciais para o entendimento
do conteúdo que envolve probabilidade:
• Experimentos aleatórios;
• Espaço amostral;
• Eventos.

13.1.2.1 Experimento aleatório (E)

Esse conceito envolve todo procedimento aleatório, que tem a finalidade de

produzir diversas observações e seus resultados irão surgir ao acaso, sendo possível
reconhecer repetições no futuro. Todo experimento aleatório apresentará as seguintes
características:
• Seus resultados podem repetir-se n vezes;
• Apesar de não conseguir prever os resultados que poderão ocorrer, poderemos
descrever o conjunto de resultados possíveis;
• No momento em que esses resultados vão aumentando, os números de repetições
irão aparecendo com certa regularidade.

Podemos exemplificar essa situação:

• E1 – lançamento de um dado e observação do número na face superior;
• E2 – lançamento de uma moeda e observação da face superior;
• E3 – lançamento de um dado e uma moeda, observar os resultados nas faces
superiores;
• E4 – o casal pretende ter três filhos e observar o sexo, obedecendo a ordem de
nascimentos.

FACULDADE CATÓLICA PAULISTA | 126

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

13.1.2.2 Espaço amostral (S)

Esse conceito podemos entender como sendo o conjunto de todos os resultados

prováveis de um experimento aleatório. A quantidade de elementos podemos concluir
que podem ser:
• Finito: quando a quantidade de elementos for limitada.

Podemos exemplificar essa situação quando consideramos os experimentos

aleatórios lançamento de um dado e observação do número na face superior;
S = {1, 2, 3, 4, 5, 6}
No lançamento de uma moeda e observação da face superior.
S = {k, c}, na qual k = cara e C = coroa
No lançamento de um dado e uma moeda, observar os valores nas faces superiores.
S = {1k, 2k, 3k, 4k, 5k, 6k, 1c, 2c, 3c, 4c, 5c, 6c}
Na observação, casal pretende ter três filhos e observar o sexo, obedecendo a
ordem de nascimentos
S = {MMM, MMF, MFM, MFF, FMM, FMF, FFM, FFF}
• Infinito: quando a quantidade de elementos for ilimitada.

13.1.2.3 Evento (A)

Definimos esse conceito como sendo qualquer subconjunto do espaço amostral

(S). Podendo ter algumas operações.
Exemplo: Vamos considerar o experimento aleatório de lançamento de um dado e
uma moeda e observar os valores nas faces superiores.
S = {1k, 2k, 3k, 4k, 5k, 6k, 1c, 2c, 3c, 4c, 5c, 6c}.
Queremos determinar os eventos para esse experimento:
A = ocorrência de valor cara (K)
A = {1k,2k, 3k, 4k, 5k, 6k}.
B = ocorrência de valor par
B = {2k, 4k, 6k, 2c, 4c, 6c}.
C = ocorrência de valor coroa (C)
C = {1c, 2c, 3c, 4c, 5c, 6c}.
D = ocorrência de valor ímpar
D = {1k, 3k, 5k, 1c, 3c, 5c,}.

FACULDADE CATÓLICA PAULISTA | 127

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

E = ocorrência de número primo

E = {2k, 3k, 5k,1c, 3c, 5c}.
F = ocorrência de valor maior que 4
F = {5k, 6k, 5c, 6c}.
G = ocorrência de valor menor ou igual a 3
G = {1k, 2k, 3k, 1c, 2c, 3c,}.
H = ocorrência de valor par ou cara (K)
H = {2k, 4k, 6k,, 2c, 4c, 6c}.
I = ocorrência de valor par ou ímpar
I= {1k, 2k, 3k, 4k, 5k, 6k, 1c, 2c, 3c, 4c, 5c, 6c}.

13.1.3 Operações com Eventos

13.1.3.1 União entre conjuntos

A união entre conjuntos é construída pela junção de todos os seus elementos.

Neste caso, vamos utilizar o símbolo “U”, é o evento que irá ocorrer se, e somente se,
A ou B ou ambos ocorrerem.
Exemplo 1 - Utilizando o diagrama de Venn - Euler, essa união entre os conjuntos
A e B será:

Título: Diagrama de Venn

Fonte: Autor

Utilizando o conjuntos, essa união entre os conjuntos A e B será

Dado os conjunto A = {1, 2, 3, 4, 5} e B = {4, 5, 6, 7, 8}
A ∪ B = {1, 2, 3, 4, 5, 6, 7, 8}
Exemplo 2 - Utilizando o diagrama de Venn - Euler, essa união entre os conjuntos
A e B será:

Título: Diagrama de Venn

Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 128

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Utilizando o conjuntos, essa união entre os conjuntos A e B será:

Dado os conjunto A = {1, 2, 3, 4, 5} e B = {6, 7, 8}
A ∪ B = {1, 2, 3, 4, 5, 6, 7, 8}
Exemplo 3 - Utilizando o diagrama de Venn - Euler, essa união entre os conjuntos
A e B será:

Título: Diagrama de Venn

Fonte: Autor

Utilizando o conjuntos, essa união entre os conjuntos A e B será:

Dado os conjunto A = {1, 2, 3, 4, 5} e B = {3, 4, 5}
A ∪ B = {1, 2, 3, 4, 5}

13.1.3.2 Intersecção entre conjuntos

A intersecção entre conjuntos é construída por todos os elementos comuns aos

dois conjuntos. Neste caso, vamos utilizar o símbolo “∩”, é o evento que irá ocorrerá
se, e somente se, A e B ocorrerem simultaneamente.
Exemplo 1 - Utilizando o diagrama de Venn-Euler, essa intersecção entre os conjuntos
A e B será:

Título: Diagrama de Venn

Fonte: Autor

Utilizando o conjuntos, essa intersecção entre os conjuntos A e B será:

Dado os conjunto A = {1, 2, 3, 4, 5} e B = {4, 5, 6, 7, 8}
A ∩ B = {4, 5}
Exemplo 2 – Utilizando o diagrama de Venn - Euler, essa intersecção entre os
conjuntos A e B será:

FACULDADE CATÓLICA PAULISTA | 129

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Título: Diagrama de Venn

Fonte: Autor

Utilizando o conjuntos, essa intersecção entre os conjuntos A e B será::

Dado os conjunto A = {1, 2, 3, 4, 5} e B = {6, 7, 8}
A ∪ B = { }, conjunto vazio
Exemplo 3- Utilizando o diagrama de Venn - Euler, essa intersecção entre os conjuntos
A e B será:

Título: Diagrama de Venn

Fonte: Autor

Utilizando o conjuntos, essa intersecção entre os conjuntos A e B será:

Dado os conjunto A = {1, 2, 3, 4, 5} e B = {3, 4, 5}
A ∩ B = {3, 4, 5}
No momento em que tivermos duas operações a serem desenvolvidas, neste caso
união e intersecção, vamos desenvolver das seguintes formas:
• A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C), distributiva da união em relação a intersecção
• A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C), distributiva da intersecção em relação à união.

13.1.3.3 Diferença entre conjuntos (A - B)

Utilizando o diagrama de Venn-Euler, a diferença entre os conjuntos A e B será a

porção tingida em laranja:

Título: Diagrama de Venn

Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 130

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Exemplo: Considerando os conjuntos A = {0, 1, 2, 3, 4, 5, 6, 7}, B = {0, 1, 2, 3, 4, 6, 7}

e C = { }. Determinar as seguintes diferenças.
• A – B = {5}
• A – C = {0, 1, 2, 3, 4, 5, 6, 7}
• C–A={ }

Nesses exemplos somos capazes de observar que, a diferença entre os conjuntos

A – B, consideramos primeiramente os elementos do conjunto A e subtraímos os
elementos do conjunto B. No segundo exemplo, A – C, consideremos os elementos
do conjunto A e subtraímos o conjunto vazio, isto é, não temos elementos numéricos
a serem retirados. Por fim, C – A, consideremos primeiramente o conjunto vazio e
subtraímos os elementos numéricos do conjunto A, que, no que lhe diz respeito, já
não estavam lá.
Dessa forma a definição da diferença entre dois conjuntos A e B, nesta ordem, será
um subconjunto de todos elementos numéricos de A que não estão no conjunto B.

13.1.3.4 Conjunto complementar

Para explicarmos esse conceito vamos considerar os conjuntos A e B, na qual o

conjunto A está incluído no conjunto B, ou seja, todo elemento numérico ou não do
conjunto A também será elemento de B.
A definição do conceito da diferença entre os conjuntos, como por exemplo B – A,
é denominada complementar de A em relação a B. Melhor dizendo, o complementar
será construído por todo os componentes que não pertence ao conjunto A em relação
ao conjunto B, em que ele está contido.

Exemplo 1: Consideremos os conjuntos A = {0, 1, 2, 3, 4, 5} e B = {0, 1, 2, 3, 4, 5, 6,

7, 8, 9, 10}. Determinar o complementar de A em relação a B é:

Exemplo 2- Considere A = {a, b, c, d, e, f} e B = {d, e, f, g, h, i}. Determinar (A – B) U

(B – A).

FACULDADE CATÓLICA PAULISTA | 131

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Primeiramente precisaremos determinar os conjuntos A – B e B – A e, posteriormente,

realizaremos a união entre eles.
A – B = {a, b, c, d, e, f} – {d, e, f, g, h, i} ↔ A – B = {a, b, c}
B – A = {d, e, f, g, h, i} – {a, b, c, d, e, f} ↔ B – A = {g, h, i}
Portanto, {a, b, c} U {g, h, i} = {a, b, c, g, h, i}

13.2 Probabilidade

Em um experimento aleatório equiprovável com n (S) e n(A), a probabilidade de

que ocorra A será:

Exemplos 1: Lançamento de um dado e o evento é obter um número primo.

RESOLUÇÃO:
S = {1, 2, 3, 4, 5, 6}; n (S) = 6 e A = {2, 3, 5}; n (A) = 3.
P(A) = .

Exemplo 2: Lançamento de uma moeda e o evento é obter cara.

RESOLUÇÃO:
S = {Cara, Coroa}; n (S) = 2.e A = {Cara}; n(A) = 1.
P(A) =

Exemplo 3: Lançamento de duas moedas e o evento é obter pelo menos uma cara.
RESOLUÇÃO:
Sejam k = Cara e c = Coroa
S = {(k, k); (k, c); (c, k); (c, c)}; n (S) = 4.
A = {(k, k); (k, c); (c, k)}; n(U) = 3.
P(A) =

13.2.1 Propriedades

13.2.1.1 Soma das probabilidades

Sejam A e B dois eventos de U, sabemos que n(A ∪ B) = n(A) + n(B) – n(A ∩ B).

FACULDADE CATÓLICA PAULISTA | 132

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Dividindo todos os termos por n(U) temos:

P(A ∪ B) = P(A) + P(B) – P(A ∩ B).

ANOTE ISSO

Obs.: Se A ∩ B ={ }, os eventos são Mutuamente Exclusivos, isto é, P(A ∩ B) = 0,

daí, P(A ∪ B) = P(A) + P(B)

Exemplo: Sorteando ao acaso um número de 1 a 30, qual a probabilidade de que

ele seja par ou múltiplo de 3?
Resolução:
Sejam os eventos A (nº par) e B (múltiplo de 3), temos:
U = {1, 2, 3, 4, ..........., 30}; n(U) = 30
A: {2, 4, 6, 8,.10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30}; n (A) = 15
B: {3, 6, 9. 12, 15, 18, 21, 24, 27, 30}; n(B)= 10
A ∩ B = {6, 12, 18, 24, 30}; n(A ∩ B) = 5
Com n(U) = 30, vem P(A) = , P(B) = e P(A ∩ B) = , então:
P (A ∪ B) =

13.2.1.2 Produto das probabilidades

Sendo A e B eventos independentes (um não influencia no outro), quando um evento

A tem probabilidade p e, em seguida, ocorre o evento B de probabilidade q, então a
probabilidade de que ocorram os eventos A e B na ordem indicada é p. q:
P (A ∩ B) = P (A) . P (B) = p. q
Esta regra pode ser generalizada para n eventos A1, A2, A3, …, An com probabilidades
p1, p2, p3, …, pn respectivamente.
Exemplo: Determinar a probabilidade de sair o número 5 em 2 lançamentos sucessivos
de um dado.
Resolução:
S = {1, 2, 3, 4, 5, 6}; n (U) = 6
A: sair o número 5 no primeiro lançamento ∴ A = {5}; n (A) = 1

FACULDADE CATÓLICA PAULISTA | 133

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

B: sair o número 5 no segundo lançamento ∴ A = {5}; n (B) = 1

Temos:
P(A) = e P(B) = , com A e B independentes.
Logo, a probabilidade indicada na questão é P(A) . P(B) =

ISTO ESTÁ NA REDE

Como pudemos ver nesta aula, a probabilidade é um ramo da matemática muito

importante para a estatística. Isso porque quando lidamos com fenômenos,
devemos saber quais as chances de acontecer. Quer saber mais sobre o
desenvolvimento da probabilidade em conjunto com a estatística? Acesse o link
abaixo e leia o artigo sobre.
https://www.ime.unicamp.br/erpm2005/anais/m_cur/mc02_b.pdf

13.3 Conclusão

Nesta aula podemos ver o conceito de conjunto, o qual é muito importante para o
cálculo de probabilidade, e, posteriormente, vimos como calcular uma probabilidade,
assim como realizar operações com ela também. Nas próximas aulas continuaremos
com o estudo dessa área tão fundamental para a estatística como a probabilidade.

13.4 Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 134

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 14
PROBABILIDADE II

Caro (a) aluno (a)!

Vamos agora para a segunda parte do conteúdo sobre probabilidade. Como dito
anteriormente, essa é uma área fundamental para a estatística e, por isso, deve ser
estudada com profundidade. Bons estudos!

14.1 Valor esperado de uma variável aleatória

Levando em consideração que toda variável aleatória é uma função de valores,

seu valor será definido por aspectos de chance. Esse valor numérico que esperamos
em virtude de um experimento será uma média e será capaz de ser determinado
utilizando a fórmula:

Exemplo 1: Ao jogarmos um dado equilibrado, qual o possível valor esperado em

uma jogada?
RESOLUÇÃO:

Neste caso podemos perceber que o evento será provavelmente impossível apenas
para uma única jogada desse dado, visto que certamente será razoável em termos de
média calcularmos esse valor para uma grande quantidade de jogadas.

Exemplo 2 – Vamos admitir que um departamento comercial tenha compilado os

dados em uma tabela sobre vendas de chocolates. Determine o valor esperado de
vendas de chocolate.

FACULDADE CATÓLICA PAULISTA | 135

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Número vendido(xi) Frequência relativa: P(x)

0 0,20
1 0,30
2 0,30
3 0,15
4 0,05
Total 1,00
Tabela 1 - Frequência relativa de venda de chocolate
Fonte: Autor

RESOLUÇÃO:
0 x (0,20) + 1 x (0,30) + 2 x (0,30) + 3 x (0,15) + 4 x (0,05) =
= 0 + 0,30 + 0,60 + 0,45 + 0,20 = 1,55
Serão vendidos em média 1,55 chocolates.

14.2 Distribuição binomial (ou de Bernoulli)

Neste caso, vamos idealizar um fenômeno, na qual seus resultados somente podem
ocorrer de dois tipos, um deles sendo classificado quanto ao sucesso e o outro como
sendo o insucesso.
Esse acontecimento poderá ser refeito quantas vezes forem necessárias nas mesmas
condições. Esses eventos repetidos devem ser independentes, melhor dizendo, seu
resultado não deverá interferir diretamente nos resultados das sucessivas conclusões.
Ao longo de um experimento, a probabilidade do sucesso, que chamaremos de p, e a
probabilidade do insucesso, que chamaremos de q, na qual o valor de q será q = 1 - p.
Com o intuito de solucionarmos os problemas dessa natureza precisaremos definir
a probabilidade de se obter x sucessos em n tentativas. Nessas condições X será uma
variável aleatória discreta que seguirá uma distribuição binomial.
Sejam P(A) = p e A e eventos complementares, temos:

Como P(A) = p, então a probabilidade do evento A ocorrer exatamente k vezes

em n tentativas independentes e com as mesmas condições, nas quais só ocorram
Ae é:

FACULDADE CATÓLICA PAULISTA | 136

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Sendo;
P(x) a probabilidade de que o evento se realize x vezes em n provas;
n será o número de vezes que o experimento aleatório será repetido;
x será o número de sucessos em n tentativas;
p será a probabilidade de que o evento se realize em uma só prova, igual ao sucesso;
q será a probabilidade de que o evento não se realize no decurso dessa prova, igual
ao insucesso.
será o coeficiente binomial de n sobre x, igual
Média -
Variância -
Desvio padrão -
Obs.: Esse nome binomial é correspondente à fórmula, dado que representamos o
termo geral do desenvolvimento do binômio de Newton.

Exemplos 1: Ao lançarmos uma moeda por cinco vezes seguidas e independentes,

determine a probabilidade de obter três caras.
RESOLUÇÃO:
n=5
x=3
p=½
q = 1 - (1/2) = 1/2

FACULDADE CATÓLICA PAULISTA | 137

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Exemplo 2:Ao lançar um dado quatro vezes, qual será a probabilidade de se obter
o número quatro exatamente três vezes?
RESOLUÇÃO:
p = P(A) =
q=1–p=
1-
n=4
x=3
Portanto:

Exemplo 3 - Uma organização empresarial produz 10% de equipamentos defeituosos.

Esses são embrulhados em caixas contendo doze equipamentos. Determine a
probabilidade de um consumidor adquirir uma caixa contendo:
a) nenhum equipamento defeituoso;
b) um equipamento defeituoso.
RESOLUÇÃO:
O evento será examinar um equipamento defeituoso
P(D) = 0,1
P(N) = 0,9
n = 12 repetições independentes do evento.
FACULDADE CATÓLICA PAULISTA | 138
 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Se convencionamos D sendo o sucesso, dessa forma passamos a se interessar

no item de não ocorrência de 0 sucesso.

Agora no item b, estamos interessados na ocorrência de 1 sucesso.

Exemplo 4 - Ao realizar um levantamento em algumas determinadas contas bancárias

constatou-se que 20% dos boletos eram quitados com um determinado atraso. Agora
ao verificar um dia aleatoriamente foi diagnosticado o pagamento de 20 boletos.
Determine a probabilidade de que no máximo dois sejam pagos com atraso.
RESOLUÇÃO:
O evento será examinado no máximo dois boletos que foram quitados com atraso.
Sem Atraso, chamaremos pela sigla SA, então P(SA) = 0,8
Com Atraso, chamaremos pela sigla CA, então P(CA) = 0,2

FACULDADE CATÓLICA PAULISTA | 139

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

n = 20 quantidade de repetições independentes do evento.

Levando em consideração que o sucesso CA, passamos a nos interessar na
ocorrência de 0,1 ou 2 sucessos e dessa forma.
P [x < 2] = P [0] + P [1] + P [2]
P [x < 2] = (200) (0,2)0 (0,8)20 + (201) (0,2)1 (0,8)19 + (202) (0,2)2 (0,8)18
P [x < 2] = 0,0115 + 20 (0,2) (0,0144) + 190(0,0400) (0,01800)
P [x < 2] = 0,01150 + 0,05760 + 0,13680
P [x < 2] = 0,2059 x 100%
P [x < 2] = 20,59 %

14.3 Distribuição normal de probabilidades

Nas disciplinas de probabilidade e estatística e nos estudos de fenômenos aleatórios,

estudamos a distribuição normal com o intuito de modelar fenômenos naturais. Essa
medida compreende dois parâmetros, a média, isto é, medida que está centralizada
e a sua variância, que mostrará o seu grau de dispersão.

Título: Distribuição normal de probabilidades

Fonte: https://www.inf.ufsc.br/~andre.zibetti/probabilidade/normal.html

ISTO ESTÁ NA REDE

Durante os séculos XVIII e XIX, determinados profissionais, voltados para a área da

matemática e física, descreveram uma função de probabilidade que mensuravam
os erros obtidos por meio de medidas físicas, uma vez que eles perceberam que
qualquer ato de mensurar algo está sujeito a erros. Quer saber mais sobre isso?
Acesse o link abaixo e aprofunde seu conhecimento.
https://www.inf.ufsc.br/~andre.zibetti/probabilidade/normal.html

FACULDADE CATÓLICA PAULISTA | 140

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

14.3.1 Cálculo de probabilidades

A probabilidade de P [a < x < b] será a área da região sob a curva definida pelo
intervalo ] a, b [.
Com o intuito de determinar essa área, necessitamos de termos conhecimento do
conteúdo de cálculo integral que é muito complicado nesse momento.
Na direção a vencer esta adiversidade, uma característica da distribuição normal
z com média μ = 0 e desvio padrão σ(z) =1 foi utilizada uma tabela abrangendo os
valores positivos de z e a área compreendida sob a curva entre 0 e z.
Dessa forma a distribuição a seguir nos mostra parâmetros mais simples.
Podemos também caso tenhamos outra distribuição normal x com uma média μ
e desvio padrão σ, somos capazes de transformar a distribuição normal padrão z,
utilizando a mudança de variável:

Na qual,
Média:
Desvio padrão:
Propriedades da distribuição normal:
• A variável aleatória X pode assumir todo e qualquer valor real.
• A representação gráfica da distribuição normal é uma curva em forma de sino,
simétrica em torno da média, que recebe o nome de curva normal ou de Gauss.
• A área total limitada pela curva e pelo eixo das abscissas é igual a 1, já que essa
área corresponde à probabilidade de a variável aleatória X assumir qualquer
valor real.
• A curva normal é assintótica em relação ao eixo das abscissas, isto é, aproxima-
se indefinidamente do eixo das abscissas sem, contudo, alcançá-lo.
• Como a curva é simétrica em torno da média, a probabilidade de ocorrer valor
maior que a média é igual à probabilidade de ocorrer valor menor do que a
média, isto é, ambas as probabilidades são iguais a 0,5 ou 50%. Cada metade
da curva representa 50% de probabilidade.

Ao conhecer a área especificada na tabela, qualquer outro tipo de área poderá ser
determinado utilizando a simetria da curva.
TABELA Áreas para a Distribuição Normal Padronizada

FACULDADE CATÓLICA PAULISTA | 141

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Cada casa na tabela dá a proporção sob a curva inteira entre z = 0 e um valor

positivo de z. As áreas para os valores de z negativos são obtidas por simetria.
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2518 0,2549
0,7 0,2580 0,2612 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389

1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3354 0,3357 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4606
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767

2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0.4975 0.4976 0.4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986

3,0 0,4986 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4990 0,4990

4,0 0,49997
Tabela 2 - Áreas para a Distribuição Normal Padronizada
Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 142

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Exemplo 01: Determinar a probabilidade de a variável normal padrão z assumir

valores entre 0 e 1.
RESOLUÇÃO:
Perceba que a área entre observada de zero e um o seu valor positivo será
rigorosamente a área fornecida em nossa tabela. Para verificarmos essa informação,
vamos a tabela e na primeira coluna z vai até o 1 têm-se o correspondente na segunda
coluna 0,00.
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3354 0,3357 0,3599 0,3621
Tabela 3 - Áreas para a Distribuição Normal Padronizada
Fonte: Autor

Dessa forma o valor correspondente a z = 1,00 será 0,3413. Portanto, P (0 < z <
1) = 0,3413.

Exemplo 02: Determinar a probabilidade da variável normal padrão z no momento

que assumir valores maiores que 1.
RESOLUÇÃO:
Neste exemplo podemos perceber que o valor na tabela de distribuição normal
padrão será o valor da área entre 0 e 1, ainda sim pela simetria da curva, a área à
direita de zero é igual a 0,5.
Portanto,
P (z > 1) = 0,5 – P (0 < z < 1)
P (z >1) = 0,5 – 0,3413
P (z >1) = 0,1587 x 10%
P (z >1) = 15,87

Exemplo 03: Determine a probabilidade de a variável normal padrão z assumir o

valor 1.
RESOLUÇÃO:
Neste exercício, o intervalo se reduz a um ponto, e dessa forma a área será zero. E
P (z = 1) = 0. De forma geral, a probabilidade de a variável z assumir um único valor
é sempre zero.

Exemplo 04: Calcule a probabilidade de a variável normal padrão z assumir um

valor menor que –1.

FACULDADE CATÓLICA PAULISTA | 143

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

RESOLUÇÃO:
Pela simetria, a área da esquerda –1 é igual à área da direita de 1.
Então,
P (z < - 1) = P (z > 1)
P (z < - 1) = 0,5 – 0,3413
P (z < - 1) = 0,1587 X 100%
P (z < - 1) = 15,87

Exemplo 05: Determinar a probabilidade P ( -2,55 < z < 1,2).

RESOLUÇÃO:
Verifica-se na tabela, com o valor 1,2 na primeira coluna (z) e 0,00 na primeira linha,
verificando o valor 0,3849.
Precisamos lembrar que a propriedade da simetria em relação a z = 0, entra-se
com 2,5 na primeira coluna e 0,05 na primeira linha, obtendo 0,4946.
Logo,
P (-2,55 < z < 1,2) = 0,3849 + 0,4946
P (-2,55 < z < 1,2) = 0,8795

Para praticar: Uma variável aleatória x normal apresenta média 20 e desvio-padrão

3. Determinar P (20 < x < 23).
RESOLUÇÃO:
Utilizando a mudança de variável:

Dessa forma vamos obter os valores de z correspondentes aos pontos 20 e 23:

Então a área entre os pontos 20 e 23 na distribuição de x é a mesma área entre

os pontos 0 e 1 na distribuição de z. desta forma, P (20 < x < 23) = P (0 < z < 1,00).
Este valor é obtido diretamente na tabela consultando-se o valor z = 1,00.
Assim, P (20 < x < 23) = 0,3413.

FACULDADE CATÓLICA PAULISTA | 144

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

14.4 Conclusão

Nesta aula, identificamos a definição de distribuição binomial e distribuição normal,

identificando seus cálculos e suas representações algébricas pautando-nos no
desenvolvimento de suas propriedades de acordo com o desenvolvimento de suas
operações algébricas. Por fim, essa metodologia irá nos fornecer uma análise de
resolução de exemplos recorrentes nas diversas áreas do conhecimento.

14.5 Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 145

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

AULA 15
PROBABILIDADE III

Caro (a) aluno (a)!

Vamos agora para a segunda parte do conteúdo sobre probabilidade. Como dito
anteriormente, essa é uma área fundamental para a estatística e, por isso, deve ser
estudada com profundidade. Bons estudos!

15.1 Teste de hipótese

Caracteriza-se por uma técnica para se determinar a inferência estatística, melhor

dizendo, baseando em um teste de hipóteses, somos capazes de tomar certas decisões
em concordar ou não em relação a essa hipótese, fundamentando-se nos elementos
que da amostra em relação a uma população.
Consideramos como exemplos de hipóteses estatísticas:
• A altura média da população será 1,65m, isto é: H: μ = 1,65m;
• A variância populacional dos salários vale $ 502,, ou seja: H: σ = 502 ;
• A proporção de cariocas com a doença X é 25%, ou seja: H: p = 0,25;
• A distribuição da altura dos estudantes da faculdade é normal;
• A partida de aviões de São Paulo é descrita por uma distribuição de Poisson.

15.1.1 Estatística não paramétrica

São procedimentos flexíveis aos dados qualitativos. Esses testes chamados de

não paramétrica não necessitam de muitos cálculos e são convenientes para análise
de pequenas amostras, menores que trinta elementos.

15.1.1.1 Teste qui-quadrado

Em geral, o teste não paramétrico mais popular é o teste conhecido como qui-quadrado
ou simplesmente teste de adequação do ajustamento. Neste caso adotamos como ε
(“epsilon”) um experimento aleatório que costumamos designar pequenas quantidades.
• Sejam E1, E2, ..., Ek, na qual “K” eventos associados a ε e admitamos que esse
experimento seja realizado “n” vezes.
• Sejam: Fo1, Fo2, ... Fok as frequências que observamos em “K” eventos.

FACULDADE CATÓLICA PAULISTA | 146

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

• Sejam: Fe1, Fe2, ... Fek as frequências que esperamos ou simplesmente as

frequência teóricas dos “K” eventos.

Observando essas situações, desejamos implementar um teste estatístico de

modo a determinar se ocorre adequação de ajustamento entre as frequências em
que observamos e as frequências em que esperamos. Ou seja, se as disparidades Foi
– Fei , onde i = 1, 2, ... K, são pertinentes ao acaso, ou se de fato existir uma distinção
considerável entre as frequências.
Desse modo o procedimento para a resolvermos esse teste será:
1. Determinar H0, que será negativa na existência de diferenças entre a distribuição
de frequência observada e a esperada;
2. Determinar o nível de significância de µ;
3. Determinar qual a região de rejeição de H0.
4. Indicar o valor dos graus de liberdade φ, sendo K – 1, onde K será igual ao
número de categorias e assim encontrar, o valor do Qui-quadrado na tabela;

Título: Tabela de distribuição de X2

Fonte: Autor

FACULDADE CATÓLICA PAULISTA | 147

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

5. Determinar o Qui Quadrado por meio da fórmula

Título: Fórmula qui-quadrado

Fonte: Autor

Exemplo 1 - Um representante comercial vendeu uma mercadoria em sete bairros

residenciais de uma mesma cidade em um mesmo período da semana. Seu supervisor
resolveu acompanhar seu desempenho que alternava em virtude do lugar onde
trabalhava, isto é, se as diferenças eram significativas nos bairros em que trabalhava.
Conforme este estudo o gerente poderia então elaborar uma estratégia comercial
para cada bairro ou manter uma para todos.
Bairro 1 2 3 4 5 Total
Valores Observados 9 11 25 20 15 80
Valores Esperados 16 16 16 16 16 80
Tabela 1 - Dados coletados em uma pesquisa
Fonte: Autor

H0: não há diferenças significativas entre os bairros

H1: as diferenças observadas para os bairros 3 e 4 são significativamente diferentes
para melhor em relação aos demais bairros.
µ = 0,05
g = 5 – 1 = 4, onde Qui quadrado tabelado é igual a 9,49.
Χ2 = (9-16)2 + (11 – 16) 2 + (25-16) 2 + (20 – 16) 2 + (15 – 16) 2/16
Χ2 = 72 + 52 +92 + 42 + 12= 172/16 = 10,75
Concluímos que o Qui quadrado calculado 10,75 é maior do que o tabelado 9,49, rejeita-
se H0 em prol de H1. Portanto, há diferença significativa, ao nível de 0,05, para os bairros
3 e 4. Face ao cálculo o gerente deve elaborar uma estratégia comercial para cada bairro.

ISTO ESTÁ NA REDE

O teste qui-quadrado pode ser usado em muitas áreas do conhecimento e inclusive

na análise de fenômenos recorrentes no cotidiano das sociedades modernas. Um
exemplo dessa aplicação é nos acidentes de trânsito que ocorrem em rodovias. Leia
o trabalho abaixo para entender melhor o uso desse teste nessas situações.
http://dspace.bc.uepb.edu.br/jspui/bitstream/123456789/3980/1/PDF%20-%20
Jo%C3%A3o%20Fernandes%20de%20Ara%C3%BAjo%20Neto.pdf

FACULDADE CATÓLICA PAULISTA | 148

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Exemplo 2- Desejamos testar se a quantidade de acidentes em uma estrada se

distribui igualmente durante os dias da semana. Com esse intuito realizou-se uma
pesquisa que levantou os seguintes dados:
Dia da semana Dom Seg Ter Qua Qui Sex Sáb
Número de acidentes 33 26 21 22 17 20 36
Tabela 2 - Número de acidentes por dia de semana
Fonte: Autor

Vamos adotar α = 5%.

Resolução:
Ho: As frequências são iguais em todos os dias da semana.
H1: As frequências são diferentes.
α = 5%, escolhemos uma variável qui-quadrado (X21) com φ = K –1 = 7 – 1 = 6.
Com o auxílio da tabela X2 determinamos RA e RC
Cálculo do valor da variável:
Foes Fesp
33 25
26 25
21 25
22 25
17 25
36 25
Total 175
Tabela 3 - Frequências
Fonte: Autor

Podemos observar que Fesp = (1 / 7) . 175 = 25

X2 cal = Σ (Foi - Fei)2/ Fei

(33 - 25)2 /25 + (26 - 25)2/25 + (21 - 25)2/25 + (22 - 25)2/ 25 +
+ (17 - 25)2/25 + (20 - 25)2/25 + (36 - 25)2/25 = 12
Conclusão: Como X2cal < 12,6, não se pode rejeitar Ho, logo as frequências de acidentes
não são diferentes para os dias da semana.

Exercício 3: No lançamento de uma moeda, observamos que ocorreram 65 coroas

e 35 cara. Nessas condições, testar a hipótese de a moeda ser honesta, adotando-se
α = 5%.

FACULDADE CATÓLICA PAULISTA | 149

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

Resolução:
Ho: A moeda é honesta
H1: A moeda não é honesta
α = 5%. Escolhe-se uma X21, pois K = 2 e φ = 2 – 1= 1.
Calcular do valor da variável:
Eventos:
• Frequências observadas cara 35
• Frequências observadas coroa 65
• Frequências esperadas cara 50
• Frequências observadas coroa 50
X2 cal = (35 - 50)2/50 + (65 - 50)2/50 = 9
Conclusão: Como X2cal ≥ 3,84, rejeita-se Ho, concluindo-se com risco de 5%, que a
moeda não é honesta.

15.2 Distribuição de Poisson

Quando estudados distribuição binomial, a variável estabelecida referia-se ao número

de sucessos em um determinado intervalo. No entanto, em diversos acontecimentos,
poderemos estar apenas interessados na quantidade de sucessos em um certo intervalo
ou apenas no tamanho da amostra quando se torna muito grande.
Exemplo:
• Quantidade de defeitos por metro em certo tecido;
• Quantidade de defeitos na impressão de uma página;
• Quantidade de pessoas que fazem fila em uma caixa de um supermercado em
um intervalo de tempo de 10 minutos;
• Quantidade de automóveis que transitam por um posto de gasolina em um
intervalo de 30 minutos.

A fórmula é dada por:

Onde:
n . p = : Está sendo representado pelo número médio de eventos ocorrendo no
intervalo considerado
P (x): é a probabilidade de ocorrência do evento desejado

FACULDADE CATÓLICA PAULISTA | 150

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

x = nº de sucessos
e = base do logaritmo natural (2.718281...)
Média -
Variância -
Desvio-padrão -

Exemplos 1: Em um estipulado momento do dia a quantidade média de ligações

telefônicas recebidas no intervalo de um minuto será = 2. Calcule a probabilidade de,
entre as 10 horas e as 10:01 horas, ocorrerem 4 chamadas.
Resolução: Temos que = 2 e X = 4 e dessa forma:

Exemplo 2: Um determinado departamento de assistência técnica autorizada de uma

organização empresarial de veículos importados recebe, em média, cinco ligações por
hora, dessa forma determine a probabilidade de que em uma hora qualquer, selecionada
aleatoriamente, sejam recebidas exatamente três chamadas?
Resolução: Temos que = 5 e X = 3 e dessa forma:

Exercício 3: Em uma organização empresarial verificou-se que dez por cento dos
produtos fabricados por um determinado processo de fabricação apresentaram defeitos,
dessa forma necessitamos determinar a probabilidade de que em uma amostra de
dez produtos, escolhidos ao acaso, exatamente duas sejam defeituosos.
Resolução: A probabilidade de um produto ser defeituosa p = 0,1
λ = n p = 10 (0,1) = 1
P (2 produtos defeituosos em 10)

15.3 Conclusão

Nesta aula, identificamos a definição de teste não paramétrico, mais especificamente

o teste qui-quadrado, e a distribuição de Poisson, identificando seus cálculos e suas

FACULDADE CATÓLICA PAULISTA | 151

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

representações algébricas pautando-nos no desenvolvimento de suas propriedades de

acordo com o desenvolvimento de suas operações algébricas. Por fim, essa metodologia
irá nos fornecer uma análise de resolução de exemplos recorrentes nas diversas áreas
do conhecimento.

15.4 Referências

COSTA, G. Curso de estatística inferencial e probabilidades: teoria e prática. São

Paulo: Atlas, 2012. [Minha Biblioteca]
LOESCH, C. Probabilidade e Estatística. Rio de Janeiro; LTC, 2012. [Minha Biblioteca]
MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. São Paulo: Atlas,
2017. [Minha Biblioteca]
MORETTIN, P. Estatística básica. São Paulo: Saraiva, 2009. [Minha Biblioteca]
SPIEGEL, M. Estatística. Porto Alegre: Bookman, 2015. [Minha Biblioteca]
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2017. [Minha Biblioteca]

FACULDADE CATÓLICA PAULISTA | 152

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

CONCLUSÃO

Caro aluno(a), chegamos ao final da disciplina!

Parabéns por completar mais uma etapa rumo à formação!
Você, estudante da disciplina de Estatística, foi qualificado a expandir, ao longo
do estudo dos conceitos básicos, medidas, análise combinatória e probabilidade,
conceitos matemáticos que servirão para aplicação das novas tecnologias relacionadas
à estatística para atuar no desenvolvimento, projetando, desenvolvendo, implantando
e gerenciando soluções e respostas, abrangendo as ferramentas tecnológicas dessa
área matemática com destino aos desafios da sociedade e empresas e atuando, por
exemplo, nos subcampos da pesquisa socioeconômica e indústria alimentícia.
Na indústria química, o profissional estatístico utilizará os conceitos de amostra,
população e construções gráficas para desenvolver modelos de pesquisa que
estabelecem critérios que consigam determinar as variações na velocidade das reações
e no declínio radioativo.
Também nas áreas que envolvem a saúde, como medicina, enfermagem, farmácia,
a estatística auxilia na percepção de doenças (por exemplo, na contagem de casos),
assim como auxilia na tomada de decisão com relação ao cuidado.
O profissional da Estatística também poderá atuar nas empresas que atuam
diretamente na economia, aplicando os métodos de pesquisa, como testes de hipótese
na determinação da variação dos lucros, contribuindo no fornecimento de conhecimento
para melhorar a lucratividade dos negócios.
Dessa forma, esperamos que a disciplina tenha contribuído para a formação de
profissionais capacitados, técnica e cientificamente, e que possam contribuir com
olhar crítico e atuação eficiente em um campo tão importante dentro das empresas
e ou atuando como empreendedor.
Esperamos você em novas etapas e desafios dessa jornada!
Até breve!

FACULDADE CATÓLICA PAULISTA | 153

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

ELEMENTOS COMPLEMENTARES

LIVRO

Título: Uma senhora toma chá

Autor: David Salsburg
Editora: Zahar
Sinopse: Um grupo de professores ingleses se
reuniu no fim de 1920 para tomar chá numa tarde
de verão. O assunto se voltou para uma pergunta
curiosa: o gosto do chá muda de acordo com a
ordem em que as ervas e o leite são colocados?
Essa simples questão resultou em um estudo
pioneiro na área. Nesse livro instigante, David
Salsburg conta como a estatística transformou
radicalmente os métodos de pesquisa na ciência,
aumentando a credibilidade da investigação em
diversos campos do saber, tais como a medicina,
a política e a publicidade. Tudo de forma leve,
partindo de quadros biográficos como o que inspirou o título dessa edição. O prefácio
foi escrito pelo autor especialmente para a edição brasileira, com os desenvolvimentos
da estatística no país. “Leitura leve, intrigante, e cheia de curiosidades.” Suzana
Herculano-Houzel “Uma descrição fascinante de pessoas que interagiram, colaboraram
e discordaram – e que foram brilhantes para o desenvolvimento da estatística.” Barbara
A. Bailar, National Opinion Research Center
Fonte: https://www.amazon.com.br/Uma-senhora-toma-ch%C3%A1-revolucionou/
dp/853780116X/ref=cm_cr_arp_d_product_top?ie=UTF8

FACULDADE CATÓLICA PAULISTA | 154

 ESTATÍSTICA
PROF. PEDRO ALCEU BIGATTÃO JUNIOR

FILME

Título: O Joga da Imitação

Ano: 2015
Sinopse: Durante a Segunda Guerra Mundial, o
governo britânico monta uma equipe que tem
por objetivo quebrar o Enigma, o famoso código
que os alemães usam para enviar mensagens
aos submarinos. Um de seus integrantes é Alan
Turing (Benedict Cumberbatch), um matemático
de 27 anos estritamente lógico e focado no
trabalho, que tem problemas de relacionamento
com praticamente todos à sua volta. Não
demora muito para que Turing, apesar de sua
intransigência, lidere a equipe. Seu grande projeto
é construir uma máquina que permita analisar
todas as possibilidades de codificação do Enigma em apenas 18 horas, de forma
que os ingleses conheçam as ordens enviadas antes que elas sejam executadas.
Entretanto, para que o projeto dê certo, Turing terá que aprender a trabalhar em equipe
e tem Joan Clarke (Keira Knightley) sua grande incentivadora.
Fonte: https://www.adorocinema.com/filmes/filme-198371/

WEB

A estatística é uma área da matemática muito importante, desde a antiguidade. Porém

no século XX, ela desenvolveu um papel fundamental para a ciência, permitindo a
tomada de decisões em diversos campos de pesquisa. Leia o artigo abaixo para
saber mais.
<https://mecanica.ufes.br/sites/engenhariamecanica.ufes.br/files/field/anexo/nt_06_
importancia_estatistica_tomada_decisao.pdf>

FACULDADE CATÓLICA PAULISTA | 155