1.

Estatística e Análise Exploratória de Dados

0
Algumas razões para estudar Estatística

 Quantidade de informação recolhida cresce tão rapidamente que um processo de seleção e

identificação das variáveis e das relações mais importantes se torna imprescindível, de modo a
tomar decisões corretas.

 Como a informação disponível está geralmente associada a um elevado grau de incerteza a

estatística, demasiado importante no processo de tomada de decisões, permite a extração de
conclusões válidas a partir de informação incompleta.

 Necessidade de planear as ações a empreender no futuro, donde a importância dos métodos

estatísticos de previsão de acontecimentos futuros medindo as variações atuais e estabelecendo
os cenários futuros mais prováveis.

 Na biologia, medicina, genética, meteorologia, balística, economia, etc. a experimentação não é

geralmente possível de ser efetuada de uma forma totalmente rigorosa. Assim não é possível
repetir observações em condições idênticas ou fazendo variar apenas um parâmetro mantendo
fixos os restantes de forma a estudar os efeitos de uma única variação.
1
Propósitos da Estatística

 A estatística é um método de análise numérica de conjuntos constituídos

por um grande número de dados (elementos).

 A estatística fornece métodos de estudo para fenómenos que apresentam

variabilidade e incerteza (modelos aleatórios ou estocásticos em oposição
aos modelos determinísticos).

 A estatística permite extrair informação válida sobre o todo (população),

examinando apenas uma parte (amostra).

2
 O que
Dados fazer?

Estatística

Informação

Decisão

3
Estatística Descritiva e Inferência Estatística

 Estatística Descritiva: consiste na recolha, apresentação, análise e

interpretação dos dados relativos a um dado evento, através de quadros,
gráficos, medidas (para posterior dedução das leis que regem esses
eventos)

 Inferência Estatística: aplicação de métodos científicos para inferir, tirar

conclusões, tomar decisões sobre um conjunto (população) com base na
análise de uma parte (amostra).

4
População e Amostra
 População: conjunto de elementos ou objetos sob estudo com alguma característica
comum, delimitado com precisão, permitindo determinar sem hesitação, se um elemento
observado faz ou não parte do conjunto em estudo. Geralmente é composta por um
número muito elevado de indivíduos, tornando praticamente impossível o acesso a todos
os elementos (indivíduos).

 Indivíduos ou unidades estatísticas ou casos: elementos individuais da população em

estudo.

 Amostra: parte ou subconjunto da população, que deverá ser representativa da mesma. É

a parte da população a que se tem acesso e sobre a qual as observações ou medições, são
efetuadas. Existem várias técnicas de amostragem (escolha dos indivíduos que farão
parte da amostra).

Denomina-se amostragem, ao processo seguido para escolher os elementos da população

a incluir na amostra.
5
 Todo Amostra
+ caro + barato
+ tempo + rápido

Impossível quando a amostragem

leva à destruição das unidades.

Impossível quando a população

é infinita.

6
Alguns aspetos importantes

 As estatísticas tornaram-se um instrumento da sociedade moderna. Elas são usadas para

determinar políticas que afetarão todos os aspetos de nossas vidas. Infelizmente, elas são
frequentemente mal interpretadas.

Considere uma empresa que acabou de escolher 100 novos funcionários, sendo 25% do sexo
feminino e 75% do sexo masculino. Esta parece ser uma seleção tendenciosa de candidatos do sexo
masculino.
No entanto, está-se a ignorar, por exemplo, o conjunto dos candidatos. Se apenas 10% dos candidatos forem
do sexo feminino, então uma percentagem maior de mulheres que se foi selecionada em comparação com a
percentagem de homens.

Imagine um dispositivo de deteção de bandidos. Imagine uma caixa que tenha uma taxa de sucesso
de 99% em identificar corretamente um bandido e 99% de chance de identificar corretamente um
não bandido. Numa população de 1 milhão de pessoas, 100 das quais são bandidas, qual a
probabilidade de a caixa estar correta tendo identificado uma pessoa como bandida?
Há 99% de chance de estar correta? Na realidade, é muito mais próximo de 1%.

7
 A amostragem é a origem de muitos erros e enviesamentos. Uma amostragem correta é
fundamental para não distorcer os resultados.

 Existe sempre uma margem de erro associado, visto a estatística trabalhar com probabilidades
e não com certezas.

 Os tamanhos das amostras recolhidas deverão ter dimensão suficiente para que os resultados
sejam precisos.

o Amostras demasiado pequenas sofrem grandes variações, grandes flutuações.

o Em amostras demasiado grandes, é possível obter resultados estatisticamente significativos

sem qualquer significado prático ou científico.

 Os dados deverão ser medidos sempre de igual modo. Assim, se se quiser comparar pesos
dever-se-á usar sempre a mesma balança e os indivíduos serem todos pesados nas mesmas
condições. De outra forma os resultados e conclusões poderão estar errados.

 As hipóteses deverão ser formuladas previamente à recolha das amostras. De outra forma os
resultados poderão vir enviesados (tendenciosos).
8
 Correlação não implica causalidade. A estatística poderá acusar a existência de uma eventual
associação entre variáveis, mas não revela a possível relação de causalidade.

Exemplo: A correlação estatisticamente significativa entre o número de telemóveis existentes

num determinado país e o número de doenças cardíacas, não implica uma relação de causalidade
entre o uso dos telemóveis e o aumento das doenças cardíacas. Também não implica que não haja.
Essa associação pode ser devida, por exemplo, ao facto de nos países mais ricos as pessoas usarem
mais óleos vegetais para fritar, consumirem mais hidratos de carbono, fumarem mais.
Há aqui uma variável causal escondida.

Exemplo: Num estudo efetuado sobre os efeitos de deixar de fumar, verificou-se que a maioria
dos fumadores que deixavam de fumar morriam mais frequentemente no primeiro ano do que
os que continuavam a fumar.
No entanto, muito dos fumadores deixam de fumar porque já estão ou se sentem doentes, o que
aumenta a probabilidade de morrerem no ano seguinte. Não se controlou o efeito de uma variável
fundamental, ou seja, saber se o fumador já estava doente quando deixou de fumar. Além da idade
ou outras variáveis.

No entanto, o contraponto que muitas vezes passa despercebido é que a correlação levanta
questões sobre a causalidade. Correlação não implica causalidade, mas pede muitas vezes
um estudo mais aprofundado.
9
 Para uma correta aplicação da estatística em estudos observacionais, um bom conhecimento da
matéria em análise, acompanhado dum enquadramento correto do problema é
fundamental, é necessário identificar variáveis escondidas que poderão estar a enviesar os
resultados, tais como variáveis de confundimento. Mas este conhecimento não deve ser
restritivo à capacidade de pensar e questionar do investigador. A ciência está em constante
evolução e mudança.

Exemplo (real):

Taxas de sucesso de dois tipos de tratamento no tratamento de cálculos renais:

Tratamento A Tratamento B
78% (273/350) 83% (289/350)
Conclusão: o tratamento B é mais efetivo.

Tomando em consideração o tamanho dos cálculos renais:

Tratamento A Tratamento B
Pequenos cálculos 93% (81/87) 87% (234/270)
Grandes cálculos 73% (192/263) 69% (55/80)
Conclusão: o tratamento A é mais efetivo, quer para cálculos pequenos quer para cálculos
grandes.
10
 Este exemplo real traduz o conhecido paradoxo de Simpson. O tratamento A é mais eficaz em
cálculos pequenos e também em cálculos grandes. O tratamento B é mais eficaz na generalidade.
Este aparente paradoxo provém do facto de o tratamento A, por ser mais eficaz, ser instituído
essencialmente nos doentes com cálculos grandes, verificando-se o inverso com os doentes com
cálculos pequenos em que o tratamento B é o prevalente. A variável tamanho dos cálculos é uma
variável de confundimento que necessita ser identificada e introduzida no modelo.

Esquema traduzindo o paradoxo de Simpson

Com fundo não colorido, os curados. Com fundo pintado, os não curados.

Tratamento A Tratamento B

Grandes cálculos

Pequenos cálculos

11
Exemplo:

Mães fumadoras e saúde infantil

Para acomodar o número diferente de recém-nascidos em cada grupo de peso, foram usadas taxas
em vez de contagens para fazer as comparações.

Conclusão: A taxa de mortalidade neonatal encontra-se reduzida nas mães fumadoras. A taxa de
sobrevivência é maior nas mães fumadoras.
12
O tabaco interfere com o peso dos recém-nascidos (mães fumadoras têm recém-nascidos menos
pesados). O peso ao nascimento é uma medida da maturidade do recém-nascido, assim como o
tempo de gestação. O tabaco não tem a mesma influência no tempo de gestação como tem no peso
do recém-nascido, embora haja uma taxa mais elevada de partos muito prematuros (20-32
semanas de gestação) nas mães fumadoras, donde uma mais elevada taxa de morte fetal (o estudo
só se concentra na morte neonatal, ou seja, após o nascimento até aos 28 dias).

As taxas não se encontram ajustadas para diversas variáveis interferentes tais como a idade da
mãe e a idade gestacional.

Se as mães fumadoras tenderem a ser mais jovens que as mães não fumadoras, os resultados
podem ser pelo menos em parte explicados pelo facto de as mães mais velhas terem mais
problemas durante a gravidez, quer fumem ou não.

Visto o tabaco interferir essencialmente com o peso e não com a idade gestacional do recém-
nascido, em cada classe de pesos está-se a comparar tendencialmente recém-nascidos com idade
gestacional inferior nas mães não fumadoras com recém-nascidos com idade gestacional superior
nas mães fumadoras.

13
A assunção de que o peso do recém-nascido per se é a principal causa de morte infantil é falsa. A
principal causa é a prematuridade. Sendo a prematuridade a principal causa de morte neonatal os
resultados paradoxais devem-se em grande parte ao não controlo no estudo desta variável.

Prematuridade

Fumar Morte
neonatal

Peso do Idade da mãe

recém-nascido

14
 Na generalidade não se pode provar qualquer facto só com estatísticas, mas suportam-se
conclusões e decisões sobre as mesmas. Muitas vezes as conclusões são desinformação.

 Deve-se sempre questionar o interesse da fonte da informação sobre o que diz (conflitos de
interesse). Mesmo nos casos em que estatísticas e avaliações são creditadas a laboratórios
independentes, números certos podem ter sido escolhidos ou informações importantes podem
ter sido omitidas.

 A linguagem das estatísticas pode ser empregue para inflacionar, confundir e simplificar em
excesso. Métodos estatísticos e termos estatísticos são necessários para descrever resultados de
estudos. As estatísticas e a linguagem estatística podem esconder informação importante ou
aparentemente mostrar informação que não existe. É necessário que as pessoas saibam o que
realmente significam, que identifiquem fontes de enviesamento e que questionem o que falta na
informação disponibilizada antes de tirar conclusões.

15
 Estatísticas são usadas intensivamente na comunicação social, na publicidade, na medicina,
etc., não só por serem capazes de resumir um grande volume de informação, mas também por
poderem ser facilmente manipuladas e expressas da maneira que for mais conveniente,
defendendo qualquer ponto de vista sem se estar tecnicamente a mentir.

Exemplo: A companhia de Aço dos EUA afirmou uma vez que os salários médios semanais dos seus
empregados tinham aumentado 107% em menos de uma década (o valor anterior incluiu um número
grande de pessoas com emprego a tempo parcial que passaram a tempo integral).

Exemplo: Foi amplamente publicitado o caso de uma máquina de sumos como sendo um aparelho
que extrai 26% mais sumo, tal como foi provado por testes laboratoriais e certificado pelo House
Institute (26% mais do que o quê? Na realidade era 26% mais do que o espremedor manual).

Exemplo: Os números publicados num ano mostram um negócio a crescer, visto em Abril as vendas
terem sido superiores à de igual período do ano anterior (falta dizer que a Páscoa foi em Março no
ano anterior e em Abril no corrente ano).

Exemplo: A taxa de mortalidade na Marinha durante a Guerra Hispano-Americana foi de 9 em cada

mil. Essa taxa para os civis em Nova Iorque na mesma altura foi de 16 em cada mil. Os recrutadores
da Marinha usaram esses números para mostrar que era mais seguro estar na Marinha americana do
que ser civil (os grupos não são comparáveis, visto a Marinha ser composta por jovens de boa saúde).
16
Exemplo: Há muitas maneiras de exprimir a mesma coisa para obter o efeito pretendido:

o 1% de retorno sobre as vendas.

o 15% de retorno sobre o investimento.
o Lucro de 10 milhões.
o Decréscimo dos lucros de 60% (em relação ao ano anterior).

 Estatísticas podem ter o mesmo nome, mas não serem equivalentes, logo não comparáveis.
Muitas vezes as terminologias vêm de contextos totalmente diferentes e apresentam critérios e
cálculos distintos.

Exemplo: o índice de desemprego calculado pelo governo da Alemanha pode ser incomparável ao
índice de desemprego estimado pelo governo brasileiro. Os critérios para considerar uma pessoa
desempregada podem ser diferentes: tempo sem emprego necessário para ser considerado
desempregado, a consideração sobre trabalhos autónomos, outras fontes de renda que não a de um
emprego, situação de emprego do cônjuge, se está à procura de trabalho ou não, se tem bolsa de
investigação, entre outros.

 O uso de termos vagos, que podem ser escolhidos por conveniência, podem induzir em erro.

17
Exemplo: muitas vezes a palavra média é usada para referir medidas distintas tais como a média
aritmética, a mediana, a moda ou outra medida. Pode ser usada para influenciar a opinião de quem
lê.

Exemplo: os sindicalistas podem usar a mediana ou a moda como média para defender que a maioria
dos trabalhadores ganha pouco. Os patrões podem usar a média aritmética, que é mais alta devido à
influência de altos salários de uns poucos funcionários, para defender que a média de salários na
fábrica é alta e que reajustes salariais não são necessários.
18
 Por vezes o erro amostral (diferença entre o valor estimado e o valor real) ou a margem de
confiança não são referidos. Existe sempre uma margem de erro associado, visto a estatística
trabalhar com probabilidades e não com certezas.

 A ausência da indicação da variabilidade dos dados ou dos valores máximo e mínimo pode
levar a entendimentos erróneos.

 Estatísticas com resultados muito precisos podem ser usadas para dar uma falsa ideia de
precisão e veracidade. Estes valores não provam e nem indicam a precisão do método estatístico
utilizado. Como se sabe com essa precisão? Que métodos foram empregues? Estes métodos
justificam a divulgação de números com tal resolução?

 O significado da palavra “evidências” não é uniforme e é utilizada muitas vezes de acordo

com as conveniências.

 Referências a unicamente métodos com evidência científica. Quem lê deve questionar a

existência e o interesse das entidades noutros métodos. Muitas vezes o financiamento é só
canalizado para determinados estudos, sendo o mesmo retirado àqueles que pretendem fazer
estudos que visam demonstrar resultados contrários aos aceites oficialmente pelas entidades
competentes, tornando difícil a existência de evidência científica nessas situações.
19
 Exposição dos dados de forma a encobrir efeitos não desejáveis.

Exemplo

20
21
O que são dados?

 Conjunto de valores formados

a partir do cruzamento de
casos com variáveis

Variáveis

Cod Modelo Ano Cilindradas Preço

1 Carango 2005 4000 $4
Casos 2004 6000 $5
2 Fobica
3 Calhambeque 2005 5000 $3
22
O que são variáveis?
 São características observáveis de cada indivíduo (caso), que variam entre os
diferentes indivíduos de uma população.

23
Tipos de variáveis

24
Variáveis qualitativas ou categóricas
Não são passíveis de ser medidas, não é possível efetuar operações algébricas sobre
estas variáveis.

Escalas de medida
Nominais: toma valores que não se podem ordenar. Pode-se atribuir um código numérico a cada
categoria da variável em estudo, mas não faz qualquer sentido calcular medidas quantitativas
como a média ou o desvio padrão.
Exemplos: sexo, estado matrimonial, nacionalidade, profissão, tipo sanguíneo, raça, estado civil,
religião, cor dos olhos, números das camisolas dos futebolistas.

Ordinais: variáveis que se podem ordenar. São variáveis em que as diversas categorias possuem
uma ordem intrínseca com significado. O uso de códigos numéricos deve ter em conta essa ordem.
Exemplos: classificação do peso segundo 3 níveis, pouco pesados, pesados ou muito pesados;
classificação de um determinado produto como sendo, muito fraco, fraco, razoável, bom ou muito
bom; grau de satisfação; nível de ansiedade; resposta a um tratamento; intensidade da dor.
25
Variáveis quantitativas ou numéricas
São passíveis de ser medidas. Podem-se efetuar operações algébricas sobre estas
variáveis. Podem ser discretas ou contínuas.
Variáveis estatísticas discretas: tomam um número finito ou infinito numerável de valores.
Exemplos: número de crianças a cargo de uma família, número de acidentes de trabalho num
determinado estabelecimento, número de vendas de um determinado aparelho, número de
batimentos do coração por minuto, número de filhos por casal, número de cigarros fumados por
dia.

Variáveis estatísticas contínuas: tomam um número infinito não numerável de valores.

Exemplos: a altura, o peso e a idade de um indivíduo, a distância entre dois pontos, o débito duma
canalização, a pressão sanguínea, a pressão intraocular, a dose de um medicamento, a temperatura
corporal.

26
Escalas de medida
Escala de intervalos: são variáveis quantitativas, que além de poderem ser ordenadas, possuem a
propriedade da diferença entre dois valores desta escala poder ser calculada e interpretada, a
distâncias iguais correspondem quantidades iguais. No entanto, não é possível atribuir um
significado à razão entre dois valores e o zero não representa a ausência total da característica que
está a ser medida.
Exemplo: temperatura do ar em graus centígrados ou graus Fahrenheit. Justificação: zero graus
no Porto não representa ausência de temperatura no Porto; 30 graus em Lisboa e 10 graus em
Braga não significa que em Lisboa está três vezes mais calor do que em Braga, 10º C  50º F e
30º C  86º F , mas 30º C 10º C  86º F 50º F .
Exemplo: coeficiente de inteligência.

Escala de rácios: são variáveis quantitativas com as mesmas propriedades duma escala por
intervalos possuindo adicionalmente um zero absoluto como valor mínimo, o zero representa a
ausência total da característica que está a ser medida. Não só é possível atribuir um significado à
diferença entre dois valores como também à razão entre eles.
Exemplos: altura, peso, tempo, volume, número de filhos.
27
Variáveis qualitativas ou categóricas

Já que não faz sentido

operá-las algebricamente …

Resumo Contagem

Tabulação

Construção de tabelas de frequência

28
 Curso em primeira opcao

Cumulative
5 categorias ou modalidades

Frequency Percent Valid Percent Percent

Valid Administracao 179 11,0 11,0 11,0
Psicologia 345 21,2 21,2 32,2
Ciencia da computacao 62 3,8 3,8 36,0
Sistemas de Informacao 202 12,4 12,4 48,4
Direito 840 51,6 51,6 100,0
Total 1628 100,0 100,0

1628 casos

É mais fácil analisar 5 categorias que 1628 casos

29
Variáveis quantitativas contínuas
 Quantitativa
 Contínua
 Apresenta muitos valores diferentes, com poucas repetições
Geralmente alta dispersão dos dados!!!

Obrigatório construir tabelas

agrupando os dados em classes
As diferentes classes devem ser simultaneamente incompatíveis (um
indivíduo não pode pertencer simultâneamente a duas ou mais classes)
e exaustivas (todos os casos estão previstos)
30
 Na prática a distinção entre variáveis estatísticas discretas ou contínuas assenta
essencialmente nos valores serem ou não apresentados agrupados em classes. A precisão
duma medida é sempre limitada e os resultados são apresentados muitas vezes sob a
forma discreta. Inversamente, desde que uma variável estatística discreta possa tomar um
grande número de valores, os valores vizinhos aparecem, relativamente, muito próximos,
e a variável é considerada e tratada como sendo uma variável contínua.

 A escolha do número de classes e da sua amplitude faz-se, geralmente, em função do

número de casos, de forma que o número de efetivos em cada classe seja suficiente para
eliminar as flutuações que se produzem quando se consideram classes com poucos
efetivos (risco que se corre ao considerar um número muito elevado de classes). Pelo
contrário um número muito limitado de classes conduz a uma maior perda de informação.

 Regra geral, escolhe-se a amplitude das classes de forma a que pequenas variações do
número de classes não altere de forma significativa a forma da distribuição. A natureza
do estudo a efetuar também influi no número de classes a escolher.
 Número de classes pelo critério de Sturges  r  1  log 2 n (r = número de classes)
 Número de classes para grandes amostras  r  n
usualmente empregue quando n  25 , sendo n o número de observações
31
 Diferentes escalas de medida necessitam de diferentes métodos estatísticos para
descreverem e analisarem as variáveis.

 Escala por intervalos e escala de rácios são por vezes agrupados numa só categoria
(numérica, quantitativa ou de escala).

 Os dados nominais são os mais limitados em termos de técnicas estatísticas disponíveis

para análise.

 Por vezes os dados ordinais poderão ser analisados com técnicas definidas para dados
em escalas por intervalos.

32
Método Estatístico

Para retirar informação válida, é necessário proceder a um determinado número de operações lógicas
que caracterizam o método estatístico:

1. Identificação correta do problema em análise (estabelecer o objetivo da análise) e formulação de

hipóteses.

2. Definir e planear a experiência. Definir a população em extensão (que indivíduos pertencem ao

estudo) e a informação relevante para o problema que se pretende estudar e para as decisões que
se pretendem tomar, ou seja, que dados, variáveis, se pretende recolher (especificar as variáveis a
medir, tal como preparar o questionário a efetuar). Definir o tamanho e tipo de amostragem
(conceber o procedimento mais adequado para a recolha de dados).

33
3. Recolha dos dados (recolha da informação necessária relevante para o problema em estudo). A
recolha de dados deve ser realizada em tempo útil e tão completa quanto possível. Os dados podem
ser recolhidos diretamente através de inquéritos ou experiências laboratoriais. São os
denominados dados primários. Os dados recolhidos e publicados por pessoas, instituições ou
outras fontes de informação das quais o investigador não depende, dizem-se secundários. A
recolha de dados primários pode ainda ser efetuada recorrendo a processos experimentais e a
processos observacionais. Nos processos experimentais exerce-se um controle direto sobre os
fatores que potencialmente afetam a característica ou o conjunto de características em análise.

4. Descrição, classificação e exploração dos dados para descobrir ou identificar aspetos ou padrões
de maior interesse, eliminando valores estranhos capazes de enviesar futuras conclusões.
Descrição e representação dos dados de maneira a destacar ou chamar a atenção para esses aspetos
ou padrões (para a estatística ser eficaz deve simplificar e abstrair, classificando os dados e
fazendo desaparecer os pormenores menos importantes através de quadros, gráficos e medidas de
estatística descritiva).

5. Inferência. Conclusões. Identificar relações, testar hipóteses, definir modelos com a ajuda de
métodos estatísticos apropriados, quantificando a confiança na inferência efetuada.

6. Tomada de decisões.

34
Exemplo ([Link]

 Identificação do problema

35
 Definindo e planeando a experiência

36
 Recolha da informação

37
38
 Descrição e exploração dos dados

39
 Análise dos dados e inferência

40
 Tomada de decisões

41
Aplicações

 Estudos de mercado: o gerente de uma fábrica de detergentes pretende lançar um novo

produto para lavar a loiça, pelo que, encarrega uma empresa especialista em estudos de
mercado de "estimar" a percentagem de potenciais compradores desse produto.

População: conjunto de todos os agregados familiares do país.

Amostra: conjunto de alguns agregados familiares, inquiridos pela empresa.

Variável: ser ou não comprador (variável dicotómica).

Problema: pretende-se, a partir da percentagem de respostas afirmativas dos inquiridos

sobre a compra do novo produto, obter uma estimativa do número de compradores na
população.

42
 Medicina: pretende-se estudar o efeito de um novo medicamento para curar determinada
doença. É selecionado um grupo de 2000 doentes, administrando-se o novo medicamento
a 1000 desses doentes escolhidos ao acaso e o medicamento habitual aos restantes.

População: conjunto de todos os doentes com a doença que o medicamento a estudar

pretende tratar.

Amostra: conjunto dos 20 doentes selecionados.

Variável: resposta do paciente ao novo e ao habitual medicamento.

Problema: pretende-se, a partir dos resultados obtidos, realizar um teste de hipóteses para
tomar uma decisão sobre qual dos medicamentos é melhor.

43
 Pedagogia: um conjunto de pedagogos desenvolveu uma técnica nova para a
aprendizagem da leitura na escola primária, a qual dizem, encurta o tempo de
aprendizagem relativamente ao método tradicional.

População: conjunto de todos os alunos que entram para a escola primária, sem saber
ler.

Amostra: conjunto de alunos de algumas escolas selecionadas para este estudo. Os

alunos foram separados em dois grupos para se aplicarem as duas técnicas em confronto.

Variável: tempo de aprendizagem da leitura.

Problema: pretende-se saber qual a melhor técnica.

44
 Controlo de qualidade: o administrador de uma fábrica de parafusos pretende assegurar-
se de que a percentagem de peças defeituosas não excede um determinado valor, a partir
do qual uma encomenda poderá ser rejeitada.

População: conjunto de todos os parafusos fabricados ou a fabricar pela fábrica,

utilizando o mesmo processo, a mesma mão de obra, a mesma matéria-prima, a mesma
maquinaria, etc.

Amostra: conjunto de parafusos escolhidos ao acaso de entre o lote de produzidos.

Variável: parafuso produzido ser ou não defeituoso.

Problema: pretende-se, a partir da percentagem de parafusos defeituosos presentes na

amostra, estimar a percentagem de defeituosos em toda a produção.

45