Universidade Federal de Santa Catarina

Pró-Reitoria de Ensino de Graduação

Departamento de Ensino de Graduação a Distância
Centro Sócio-Econômico
Departamento de Ciências da Administração

Estatística Aplicada à
Administração

Professor

Marcelo Menezes Reis

2012
2ª edição revisada e atualizada
Copyright  2012. Universidade Federal de Santa Catarina / Sistema UAB. Nenhuma parte deste material poderá ser reproduzida, trans-

mitida e gravada, por qualquer meio eletrônico, por fotocópia e outros, sem a prévia autorização, por escrito, do autor.

1ª edição – 2009.

R375e Reis, Marcelo Menezes

Estatística aplicada à administração / Marcelo Menezes Reis. –
2. ed. rev. atual. – Florianópolis: Departamento de Ciências da Admi-
nistração/UFSC, 2012.
280p. : il.

Inclui bibliografia
Curso de Graduação em Administração, Modalidade a Distância
ISBN: 978-85-7988-149-7

1. Matemática na administração. 2. Administração – Métodos Esta-

tísticos. 3. Probabilidades. 4. Educação a distância. I. Título.
CDU: 51-77: 65

Catalogação na publicação por: Onélia Silva Guimarães CRB-14/071

PRESIDENTA DA REPÚBLICA – Dilma Vana Rousseff
MINISTRO DA EDUCAÇÃO – Aloizio Mercadante
COORDENADOR DE APERFEIÇOAMENTO DE PESSOAL DE NÍVEL SUPERIOR – Jorge Almeida Guimarães
DIRETOR DE EDUCAÇÃO A DISTÂNCIA – João Carlos Teatini de Souza Clímaco

UNIVERSIDADE FEDERAL DE SANTA CATARINA

REITOR – Alvaro Toubes Prata

VICE-REITOR – Carlos Alberto Justo da Silva
PRÓ-REITORA DE ENSINO DE GRADUAÇÃO – Yara Maria Rauh Muller
DIRETOR DE GESTÃO E DESENVOLVIMENTO ACADÊMICO – Carlos José de Carvalho Pinto
COORDENADORA UAB – Eleonora Milano Falcão Vieira

CENTRO SÓCIO-ECONÔMICO

DIRETOR – Ricardo José Araújo Oliveira

VICE-DIRETOR – Alexandre Marino Costa

DEPARTAMENTO DE CIÊNCIAS DA ADMINISTRAÇÃO

CHEFE DO DEPARTAMENTO – Gilberto de Oliveira Moritz

SUBCHEFE DO DEPARTAMENTO – Marcos Baptista Lopez Dalmau
COORDENADOR DE CURSO – Rogério da Silva Nunes
SUBCOORDENADOR DE CURSO – Sinésio Stefano Dubiela Ostroski

COMISSÃO DE PLANEJAMENTO, ORGANIZAÇÃO E FUNCIONAMENTO

Alexandre Marino Costa (Presidente)

Gilberto de Oliveira Moritz
Luiz Salgado Klaes
Marcos Baptista Lopez Dalmau
Maurício Fernandes Pereira
Raimundo Nonato de Oliveira Lima

COORDENADOR DE TUTORIA – Marilda Todescat

COORDENADOR DE POLOS – Luiz Salgado Klaes
SUBCOORDENADOR DE POLOS – Allan Augusto Platt
COORDENADOR ACADÊMICO – Irineu Manoel de Souza
COORDENADOR DE APOIO E ASSESSORAMENTO PEDAGÓGICO – Raimundo Nonato de Oliveira Lima
COORDENADOR FINANCEIRO – Alexandre Marino Costa
COORDENADOR DE AMBIENTE VIRTUAL DE ENSINO-APRENDIZAGEM (AVEA) – Mário de Souza Almeida
COORDENADOR EDITORIAL – Luís Moretto Neto
COMISSÃO EDITORIAL E DE REVISÃO – Alessandra de Linhares Jacobsen
Mauricio Roque Serva de Oliveira
Paulo Otolini Garrido
Claudelino Martins Dias Junior
COORDENAÇÃO DE PRODUÇÃO DE RECURSOS DIDÁTICOS – Denise Aparecida Bunn
DESIGN INSTRUCIONAL – Denise Aparecida Bunn
Patrícia Regina da Costa

PROJETO GRÁFICO E DIAGRAMAÇÃO – Annye Cristiny Tessaro

REVISÃO DE PORTUGUÊS – Mara Aparecida Andrade da Rosa Siqueira
Sergio Meira
ORGANIZAÇÃO DO CONTEÚDO – Marcelo Menezes Reis
POLOS DE APOIO PRESENCIAL

CRUZEIRO DO OESTE – PR
PREFEITO – Zeca Dirceu
COORDENADORA DE POLO – Maria Florinda Santos Risseto

CIDADE GAÚCHA – PR
PREFEITO – Vitor Manoel Alcobia Leitão
COORDENADORA DE POLO – Eliane da Silva Ribeiro

PARANAGUÁ – PR
PREFEITO – José Baka Filho
COORDENADORA DE POLO – Meire A. Xavier Nascimento

HULHA NEGRA – RS
PREFEITO – Carlos Renato Teixeira Machado
COORDENADORA DE POLO – Margarida de Souza Corrêa

JACUIZINHO – RS
PREFEITO – Diniz José Fernandes
COORDENADORA DE POLO – Jaqueline Konzen de Oliveira

TIO HUGO – RS
PREFEITO – Verno Aldair Muller
COORDENADORA DE POLO – Fabiane Kuhn

SEBERI – RS
PREFEITO – Marcelino Galvão Bueno Sobrinho
COORDENADORA DE POLO – Ana Lúcia Rodrigues Guterra

TAPEJARA – RS
PREFEITO – Seger Luiz Menegaz
COORDENADORA DE POLO – Loreci Maria Biasi

SÃO FRANCISCO DE PAULA – RS

PREFEITO – Décio Antônio Colla
COORDENADORA DE POLO – Maria Lúcia da Silva Teixeira
 Apresentação

Caro estudante!
Toda vez que alguém ouve a palavra “Estatística”, as reações
costumam ser de aversão, medo, negação da importância, restrições
ideológicas, inclusive; e, sempre, a noção de que se trata de algo mui-
to complicado... “É matemática braba”, “são muitas fórmulas difí-
ceis”, “pode-se obter qualquer resultado com Estatística”, “métodos
quantitativos são dispensáveis”, “não se aplica à minha realidade”
são algumas das expressões que ouvi nesses anos em que leciono a
disciplina. Talvez você tenha ouvido tais expressões também, mas eu
lhe asseguro que elas são exageradas ou mesmo falsas. É preciso aca-
bar com alguns mitos e mostrar a importância que a Estatística tem
na formação do administrador.
E não se esqueça: o essencial no ato de administrar está em
tomar decisões.
É por isso que esta disciplina faz parte do currículo de Admi-
nistração, afinal, por meio dela você aprende como obter dados
confiáveis (conceitos de planejamento de pesquisa estatística e
amostragem); como resumi-los e organizá-los (análise exploratória de
dados) a fim de empregar técnicas apropriadas (probabilidade apli-
cada e inferência estatística) e, desse modo, generaliza os resultados
encontrados para, então, tomar decisões. Assim, apresento exemplos
concretos de aplicação, que empregam ferramentas computacionais
simples (como as planilhas eletrônicas, conhecidas na disciplina de
Informática Básica).
Você está iniciando a disciplina de Estatística Aplicada à Ad-
ministração e, acredite, o domínio dos métodos estatísticos significará
importante diferencial, pois permitirá tomar decisões acertadas, o que,
em essência, é o objetivo primordial de qualquer organização.
Sucesso em sua caminhada!

Prof. Marcelo Menezes Reis

 Sumário

Unidade 1 – Introdução à Estatística e ao Planejamento Estatístico

Definição e Subdivisões da Estatística. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Conceito de Estatística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

Variabilidade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

Importância da Estatística para o Administrador . . . . . . . . . . . . . . . . . . . . . . . . 17

Planejamento Estatístico de Pesquisa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

Resumindo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

Atividades de aprendizagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

Unidade 2 – Técnicas de Amostragem

Técnicas e Definições de Amostragem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

O que é Amostragem? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

Aspectos Necessários para o Sucesso da Amostragem . . . . . . . . . . . . . . . . . . . 41

Plano de Amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

Cálculo do Tamanho de uma Amostra Probabilística (Aleatória) . . . . . . . . . . . . 55

Resumindo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

Atividades de aprendizagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

Unidade 3 – Análise Exploratória de Dados I

O que é Análise Exploratória de Dados? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

Estrutura de um Arquivo de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

Resumindo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

Atividades de aprendizagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Unidade 4 – Análise Exploratória de Dados II

Medidas de Posição ou de Tendência Central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

Média (0). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

Mediana (Md). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

Moda (Mo). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

Quartis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

Medidas de Dispersão ou de Variabilidade. . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

Cálculo de Medidas de Síntese de uma Variável em Função dos Valores

de Outra. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

Resumindo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

Atividades de aprendizagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

Unidade 5 – Conceitos Básicos da Probabilidade

Probabilidade: conceitos gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

Definições Prévias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

Definições de Probabilidade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

Regra do Produto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

Eventos Independentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

Resumindo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

Atividades de aprendizagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148

Unidade 6 – Variáveis Aleatórias

Conceito de Variável Aleatória . . . . . . . . . . . . . . . . . . . . . . . . . . 153

Distribuições de Probabilidades para Variáveis Aleatórias Discretas . . . . . . . 155

Distribuições de Probabilidades para Variáveis Aleatórias Contínuas . . . . . . 159

Valor Esperado e Variância. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

Resumindo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

Atividades de aprendizagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

Unidade 7 – Modelos Probabilísticos Mais Comuns

Modelos Probabilísticos para Variáveis Aleatórias Discretas . . . . . . . . . . . . . 169

Modelo Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

Modelo de Poisson. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

Modelos para Variáveis Aleatórias Contínuas . . . . . . . . . . . . . . . . . . . . . . . . . . 177

Resumindo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198

Atividades de aprendizagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199

Unidade 8 – Inferência Estatística e Distribuição Amostral

Conceito de Inferência Estatística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205

Parâmetros e Estatísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207

Distribuição Amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209

Resumindo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215

Atividades de aprendizagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217

Unidade 9 – Estimação de Parâmetros

Estimação por Ponto de Parâmetros . . . . . . . . . . . . . . . . . . . . . . . . . . 221

Estimação por Ponto dos Principais Parâmetros . . . . . . . . . . . . . . . . 222

Tamanho Mínimo de Amostra para Estimação por Intervalo. . . . . . . . . . . . . . 233

“Empate Técnico”. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237

Resumindo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239

Atividades de aprendizagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240

Unidade 10 – Testes de Hipóteses

Lógica dos Testes de Hipóteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245

Tipos de Hipóteses . . . . . . . . . . . . . . . . . . . . . . . . . . . 248

Tipos de Testes Paramétricos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249

Testes de Hipóteses sobre a Média de uma Variável em uma População . . . . . 257

Testes de Hipóteses sobre a Proporção de uma Variável em uma População. . . 262

Teste de Associação de Quiquadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265

Resumindo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274

Atividades de aprendizagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275

Referências. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277

Minicurrículo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
Introdução à Estatística
1
UNIDADE
e ao Planejamento
Estatístico


Objetivo
Ao finalizar esta Unidade, você deverá ser capaz de
compreender o conceito de Estatística; de perceber
a importância dela para o administrador; e de
entender os principais aspectos do planejamento
estatístico, que garantem a obtenção de dados
confiáveis.
 1
UNIDADE

12 Curso de Graduação em Administração, modalidade a distância

 Definição e Subdivisões da Estatística 1

UNIDADE
Caro estudante, seja bem-vindo!
Convidamos você a ingressar conosco neste uni-

verso amplo, desafiador e instigante da Estatísti-
ca. A partir da leitura do material, poderemos cons-
truir e socializar saberes, articular teoria e prática.
Portanto, estamos em campo fértil para debates,
por isso teremos muito a discutir. Não esqueça que
dúvidas e indagações são sempre pertinentes, já
que delineadoras do processo a que estamos nos
dispondo, coletivamente, nesta disciplina.

N
ão é possível tomar decisões corretas sem dados confiáveis. Os
governantes do Antigo Egito e da Suméria (seus administrado-
res) já sabiam disso, por essa razão, mandavam seus escribas
registrar e compilar os dados da produção agrícola e dos homens ap-
tos para o serviço militar. Em outras palavras, eles já usavam métodos
estatísticos: a raiz da palavra Estatística vem de Estado. Com o passar
do tempo e diante da expansão do conhecimento, os métodos estatís-
ticos tornaram-se mais sofisticados com a adoção de modelos
probabilísticos e da inferência estatística e, nos últimos 30 anos, ob-
serva-se a utilização de computadores não apenas pelos governos,
mas também por empresas, universidades e pessoas comuns.
A intensiva aplicação da informática possibilitou a
automatização de muitos cálculos e a busca por informações em gi-
gantescas bases de dados, o que vem constituindo o campo de conhe-
cimento de mineração de dados e inteligência empresarial.
Todo administrador, atualmente, precisa usar métodos estatís-
ticos e, para tanto, precisa conhecê-los, a começar por suas defini-
ções e subdivisões, o que veremos nesta Unidade, além de apresen-
tarmos os conceitos de Estatística e de Planejamento Estatístico.

Período 3 13
 1 Conceito de Estatística
UNIDADE

"Estatística é a Ciência que permite obter conclusões a partir

de dados"
(Paul Velleman).

Estatística é a Ciência que parte de perguntas e desafios do

mundo real. Veja os exemplos:

 cientistas querem verificar se uma nova droga consegue

eliminar o vírus HIV;
 uma montadora de automóveis precisa saber a qualidade
de um lote inteiro de peças fornecidas através de uma pe-
quena amostra;
 a um político interessa conhecer o percentual de eleitores
que votarão nele nas próximas eleições;
 um empresário deseja saber se há mercado potencial para
abrir uma casa noturna em determinado bairro da cidade;
e
 aos investidores saber em quais ações devem investir para
obter maior rendimento.

Variabilidade

O principal problema que surge ao tentar responder essas per-

guntas é que todas as medidas feitas para tal, por mais acurados
Variabilidade – diferen- que sejam os instrumentos de medição, apresentarão sempre uma
ças encontradas por suces- variabilidade, ou seja, não há respostas perfeitas. Feliz ou infelizmen-
sivas medições realizadas
em pessoas, animais ou
te, a natureza comporta-se de forma variável: não há dois seres hu-
objetos, em tempos ou si- manos iguais, não há dois insetos iguais, não há dois consumidores
tuações diferentes Fonte: iguais. Mesmo os tão comentados “clones” ou os gêmeos idênticos
Montgomery (2004).
(“clones” naturais) somente apresentam um código genético comum,
pois, se submetidos à experiências de vida diferentes, terão um desen-
volvimento distinto. Sendo assim, variabilidade é inevitável e ine-
rente à vida.

14 Curso de Graduação em Administração, modalidade a distância

tões:
Antes de prosseguir, faça uma reflexão sobre as seguintes ques-
1


UNIDADE
Suas preferências musicais são as mesmas de dez
anos atrás? Sua aparência é a mesma de há dez
anos? Você votaria no mesmo candidato a deputa-
do federal em que votou na última eleição? Você
permanece com o mesmo peso de dez anos atrás?
Imagine, então, as diferenças que existem de pes-
soa para pessoa, de cidade para cidade, de povo
para povo...

A Estatística permite descrever e identificar as fontes e até in-

dicar meios de controlar a variabilidade. Vamos apresentar as suas
subdivisões para que você entenda como isso ocorre.

Subdivisões da Estatística

Os dados são coletados para responder a uma pergunta do mun-

do real. Para respondê-la, é preciso estudar uma ou mais característi-
cas de uma População de interesse.

v
Como o interesse maior está na população, o ideal seria
pesquisá-la na sua integralidade, em suma, realizar um censo (como Para Saber sobre o cen-
o IBGE faz periodicamente no Brasil). Contudo, por razões econômi- so no Brasil, acesse o
cas ou práticas (para obter rapidamente a informação ou evitar a site do IBGE: <http://
extinção ou exaustão da população) nem sempre é possível realizar w w w. i b g e . g o v. b r > .
um censo, entào, torna-se necessário pesquisar apenas uma amostra Acesso em: 18 abr.
2012.
da população, um subconjunto finito e representativo da população.
Às etapas dos parágrafos anteriores, somam-se outros tópicos
que estudaremos mais adiante, para constituir o planejamento es-

!
tatístico da pesquisa.

Lembre-se
Lembre-se: a qualidade de uma pesquisa nunca será
melhor do que a qualidade dos seus dados.

Período 3 15
 1 Uma das principais subdivisões da Estatística é a Amostragem,
que reúne os métodos necessários para coletar adequadamente amos-
tras representativas e suficientes para que os resultados obtidos possam
UNIDADE

ser generalizados para a população de interesse.

Após a coleta dos dados, por censo ou amostragem, a Análise
Exploratória de Dados permite apresentá-los e resumi-los de maneira
que seja possível identificar padrões e elaborar as primeiras conclu-
sões a respeito da população. Em suma, descrever a variabilidade
encontrada. Se a pesquisa foi feita por censo, basta realizar a análise
exploratória de dados para obter as conclusões.
Posteriormente, através da Inferência Estatística, é possível ge-
neralizar as conclusões oriundas dos dados para a população quando
Probabilidade – medi-
da da possibilidade relati- estes forem provenientes de uma amostra utilizando-se a probabili-
va de ocorrência de um dade para calcular a confiabilidade das conclusões obtidas.
evento qualquer relaciona-
A Figura 1 ilustra a subdivisão da Estatística. Veja:
do a certo fenômeno, pode
ser calculada através da
definição de um modelo
probabilístico para o fenô-
meno. Fonte: Lopes
(1999).

Figura 1: Subdivisões da Estatística

Fonte: Elaborada pelo autor deste livro

Importância da Estatística para o Administrador

O administrador precisa tomar decisões. Para tanto, precisa

de informações confiáveis, mas já sabemos que para obtê-las é pre-
ciso coletar dados e resumi-los. Posteriormente é necessário
interpretá-los, levando em conta a variabilidade inerente e inevitável

16 Curso de Graduação em Administração, modalidade a distância

em todos os fenômenos. Como a Estatística fornece os meios para
todas essas etapas, trata-se de um conhecimento indispensável para
o administrador.
1


UNIDADE
Não se esqueça: em qualquer profissão é preciso
analisar dados (verificar a confiabilidade das fon-
tes), relacioná-los ao contexto ao qual estão inseri-
dos e, por várias vezes, compará-los com dados
passados a fim de prever o comportamento futuro.
Veja o exemplo a seguir (Figura 2) extraído de um
jornal de grande circulação.

Figura 2: Variação do IBOVESPA de 11/10/2007 a 16/10/2007

v
Fonte: Adaptada de Diário Catarinense (2007)

Através de um simples gráfico de linhas, podemos observar uma Na Unidade 3, você co-
“queda” no Índice da Bolsa de Valores de São Paulo – Ibovespa, entre nhecerá o tema com
15 e 16 de outubro de 2007, motivada pelo temor da depreciação nas mais detalhes.
bolsas internacionais, por sua vez causada pelo possível agravamento
da crise imobiliária nos EUA. Tal constatação refere-se à situação
contemporânea relacionada ao contexto internacional; e ao mesmo
tempo em que se verifica a queda, sabemos que o Ibovespa nunca
antes havia ultrapassado 60 mil pontos, o que, para a Estatística, re-
presenta, nesse caso, considerar os dados do passado. Os investido-
res em ações negociadas na Bovespa provavelmente tomarão novas
decisões, sobre a compra e a venda de ações, baseadas nessas infor-
mações.

Período 3 17
 1
! O primeiro passo para qualquer análise bem-sucedida
é obter dados confiáveis. Por isso, vamos iniciar o tó-
UNIDADE

pico de Planejamento Estatístico.

Planejamento Estatístico de Pesquisa

O planejamento estatístico de pesquisa é parte do planejamen-

Planejamento estatísti- to geral da pesquisa.
co de pesquisa – con-
junto de métodos cuja Antes de se pensar em qualquer abordagem estatística, é preci-
implementação visa garan- so definir o que se quer pesquisar, em qualquer campo do conheci-
tir a confiabilidade dos da-
mento. “Como poderemos escolher o melhor caminho se não sabemos
dos coletados. Fonte:
Barbetta, Reis e Bornia para onde ir”? Em outras palavras, é preciso definir corretamente a
(2008). “pergunta do mundo real” que queremos responder, porque isso
afetará profundamente as etapas do planejamento estatístico.

v
Para facilitar a compreensão, vamos fazer o planejamento de
uma pesquisa fictícia, mas que muito auxiliará na compreensão do
Essas e outras infor- conteúdo. O Conselho Regional de Administração (CRA) “é um órgão
mações você encontra consultivo, orientador, disciplinador e fiscalizador do exercício da pro-
em: <http:// fissão de Administrador” no qual somente bacharéis em Administra-
[Link]/ ção (graduados em cursos de Administração) podem registrar-se nele.
[Link]?pg=inicial/ O CRA preocupa-se muito com a qualidade dos cursos de Adminis-
[Link]>. Acesso tração e, frequentemente, apresenta sugestões para aperfeiçoar currí-
em: 18 abr. 2012.
culos e disciplinas, visando à melhoria da formação dos profissionais.
Com isso em mente, imagine que o CRA de Santa Catarina
está interessado em conhecer a opinião dos seus registrados sobre o
curso em que se graduaram; desde que tal curso esteja situado em
Santa Catarina. Esta é a “pergunta do mundo real”: qual é a opinião
dos profissionais registrados no CRA-SC, e graduados no Estado, so-
bre o curso em que se formaram. Observe: não se falou em Estatística
ainda, o CRA apenas definiu o que quer pesquisar. Agora, podemos
passar ao planejamento estatístico da pesquisa.

 Para realizar o planejamento estatístico, precisamos

definir o objetivo geral, os objetivos específicos, a
população, as variáveis, o delineamento, a forma de
coleta de dados e o instrumento de pesquisa. Todos
esses tópicos serão temas das próximas seções.

18 Curso de Graduação em Administração, modalidade a distância

 Objetivos da Pesquisa

Como você já sabe, há dois tipos de objetivos: o geral e o espe-

1

UNIDADE
cíficos. A pesquisa pode ter apenas o objetivo geral. Esse objetivo
inclui o propósito que motivou a pesquisa, e a sua justificativa e rele-
vância.
As características que precisam ser pesquisadas para permitir
a consecução do objetivo geral são os objetivos específicos. Trata-
se do detalhamento do objetivo geral, em que explicamos o que quere-
mos medir (preferências, opiniões sobre fatos ou pessoas, resultados
de experimentos, entre outras).
Para o nosso exemplo (pesquisa sobre os cursos de Adminis-
tração de Santa Catarina), podemos enunciar os objetivos:

 Objetivo geral: avaliar a opinião dos registrados no CRA-

SC, graduados no Estado, sobre os seus respectivos cur-
sos.
Propósito: buscar elementos que indiquem os pontos for-
tes e fracos dos cursos.
Relevância: a pesquisa é relevante, pois poderá obter in-
formações úteis para a melhoria da qualidade dos cursos
de Administração. Tal melhoria certamente motivará mais
os atuais e futuros acadêmicos, propiciando-lhes uma for-
mação mais adequada e abrindo-lhes mais oportunidades.
Para a sociedade, o efeito seria benéfico por contribuir para
a formação de profissionais mais qualificados.
 Objetivos específicos:
 Avaliar a opinião dos registrados sobre o corpo do-
cente dos seus cursos.
 Avaliar a opinião dos registrados sobre o currículo
dos seus cursos.
 Avaliar a opinião dos registrados sobre a
infraestrutura dos seus cursos (salas, bibliotecas, la-
boratórios, ventilação, limpeza, iluminação).
 Identificar as razões que levaram os registrados a es-
colher a instituição onde se graduaram.

Período 3 19
 1
 Observe que é necessário “dividir” o objetivo geral
em específicos para que a pesquisa possa ser exe-
UNIDADE

cutada; afinal, é através destes que vamos chegar

às variáveis, tópico que estudaremos mais à fren-
te. O próximo passo consiste em definir quem será
pesquisado, ou seja, a população da pesquisa.

População

Uma parte importante do delineamento de qualquer pesquisa é

a definição da população. Tal definição dependerá obviamente dos
objetivos da pesquisa, das características a mensurar, dos recursos
disponíveis.
“População é o conjunto de medidas da(s) característica(s) de
interesse em todos os elementos que a(s) apresenta(m)”. Se, por exem-
plo, estivéssemos avaliando as opiniões de eleitores sobre os candida-
tos à presidência, a população da pesquisa seria constituída pelas
opiniões declaradas pelos eleitores em questão. A população pode se
referir a seres humanos, animais e mesmo a objetos e o conjunto de
medidas à altura de pessoas adultas do sexo masculino, ao peso de
bois adultos ou ao diâmetro dos parafusos produzidos em uma fábrica.
É muito importante conhecer o tamanho da população. Isso
ajudará a calcular os custos da pesquisa, a área de abrangência, o
tempo necessário para concluí-la e os recursos necessários para fazer
a tabulação e a análise dos resultados.

 Com relação à pesquisa do CRA-SC, qual seria a

população?

 Conjunto das opiniões dos registrados no CRA-SC, gradu-

ados no Estado, sobre os seus cursos.
 Tamanho da população: em 24/10/2007 havia 11.676
registrados no CRA-SC. Destes, por suposição, 9.000 fo-
ram graduados em faculdades catarinenses.

20 Curso de Graduação em Administração, modalidade a distância

 Com esses aspectos definidos podemos partir para
a determinação das variáveis e conhecer o que efe-
tivamente será medido.
 1

UNIDADE
Variáveis

Quando um fenômeno específico é estudado, determinadas ca-

racterísticas são analisadas: as variáveis. Por meio delas é possível
descrever o fenômeno. As variáveis são características que podem ser
observadas ou medidas em cada elemento pesquisado, sob as mes-
mas condições. Para cada variável, para cada elemento pesquisado,
em dado momento, há um e apenas um resultado possível. Os
resultados obtidos permitirão, então, a consecução dos objetivos es-

!
pecíficos da pesquisa.

As variáveis são as medidas que precisam ser realiza-

das para a consecução dos objetivos específicos da
pesquisa.


Tenha em mente que as variáveis precisam ser re-
lacionadas aos objetivos específicos. Faça uma ex-
periência com o seguinte questionamento: qual era
a sua estatura aos 12 anos? Naquela época, ape-
nas um valor possível correspondia a variável altu-
ra. No ano seguinte, outra fase, provavelmente a
altura era diferente; como é diferente da altura que
você apresenta hoje. O importante é perceber que,
em cada momento, ela [altura] teve um único valor.

As variáveis podem ser classificadas de acordo com o seu ní-

vel de mensuração (o quanto de informação cada variável apre-
senta) e seu nível de manipulação (como uma variável relaciona-
se com as outras no estudo). Observe a Figura 3 e entenda a classifi-
cação das variáveis por nível de mensuração.

Período 3 21
 1
UNIDADE

Figura 3: Classificação das variáveis por nível de mensuração

Fonte: Elaborada pelo autor deste livro

As variáveis qualitativas ou categóricas são aquelas cujas

realizações são atributos (categorias) do elemento pesquisado, como
sexo, grau de instrução e espécie. Elas podem ser nominais ou ordinais:

 As qualitativas nominais podem ser medidas apenas quanto

aos itens (a especificação deles) pertencentes a diferentes
categorias, mas não podemos quantificar nem mesmo or-
denar tais categorias. Para ilustrar, podemos dizer que dois
indivíduos são diferentes em relação à variável A (sexo,
por exemplo), mas não podemos dizer qual deles tem mais
da qualidade representada pela variável. Modelos típicos de
variáveis nominais: sexo, naturalidade, cor dos olhos etc.
 As qualitativas ordinais permitem ordenar os itens medi-
dos em relação à quantidade – qual tem mais ou menos –
da qualidade representada pela variável; porém, não é pos-
sível precisar quanto mais. Um modelo típico de uma vari-
ável ordinal é o status socioeconômico das famílias resi-
dentes em uma localidade; sabemos que média-alta é mais
alta do que média, mas não podemos dizer, por exemplo,
que é 18% mais alta.

As variáveis quantitativas são aquelas cujas realizações são

números resultantes de contagem ou mensuração, como número de
filhos, número de clientes, velocidade em km/h, peso em kg, entre ou-
tros. Elas podem ser discretas ou contínuas:

22 Curso de Graduação em Administração, modalidade a distância

  As quantitativas discretas são aquelas que podem assu-
mir apenas alguns valores numéricos, que geralmente po-
dem ser listados (número de filhos, número de acidentes
1

UNIDADE
etc.).
 As quantitativas contínuas são aquelas que podem assu-
mir teoricamente qualquer valor em um intervalo (veloci-
dade, peso etc.).

A predileção dos pesquisadores em geral por variáveis quanti-

tativas explica-se porque elas costumam conter mais informação do
que as qualitativas. Quando a variável peso de um indivíduo é descri-
ta em termos de “magro” e “gordo”, sabemos que o gordo é mais pe-
sado do que o magro, mas não temos ideia de quão mais pesado ele
‘e. Se, contudo, descreve-se o peso de forma numérica, medido em
quilogramas, e um indivíduo pesa 60 kg e outro pesa 90 kg, não so-
mente sabemos que o segundo é mais pesado, mas que é 30 kg mais
pesado do que o primeiro.

Você deve estar se perguntando: por que eu preci-

so saber disso? Deve saber porque a escolha da
forma de medição da variável influenciará na qua-
lidade dos resultados da pesquisa.

Vejamos, na Figura 4, a classificação das variáveis por nível
de manipulação.

Figura 4: Classificação das variáveis por nível de manipulação

Fonte: Elaborada pelo autor deste livro

Variáveis independentes correspondem àquelas que são ma-

nipuladas, enquanto que as dependentes são apenas medidas ou

Período 3 23
 1 registradas como resultado da manipulação das variáveis indepen-
dentes. Essa distinção confunde muitas pessoas, que dizem que “to-
das as variáveis dependem de alguma coisa”. Entretanto, trata-se de
UNIDADE

distinção indispensável!
Os termos variável independente e dependente aplicam-se prin-
cipalmente à pesquisa experimental, em que algumas variáveis são
manipuladas, e, nesse sentido, são “independentes” dos padrões de
reação inicial, intenções e características das unidades experimen-
tais. Espera-se que outras variáveis sejam “dependentes” da manipu-
lação ou das condições experimentais. Portanto, elas dependem do
que as unidades experimentais farão em resposta.
Contrariando a natureza da distinção, esses termos também são
usados em estudos em que não se manipulam variáveis independen-
tes, literalmente falando, mas apenas se designam sujeitos a “grupos
experimentais” (blocos) baseados em propriedades pré-existentes dos
próprios sujeitos.
Muitas vezes, fazemos a pesquisa para tentar identificar a liga-
ção existente entre as variáveis. Em uma pesquisa eleitoral para presi-
dente do Brasil, uma variável independente poderia ser a região do
país e, a dependente, o candidato escolhido pelo eleitor pesquisado.
Vejamos um exemplo para entender esse processo de análise e
observar se há relação entre as variáveis. Para isso, retomamos o exem-
plo da pesquisa com os registrados no CRA-SC, para o qual as variá-
veis a serem medidas devem definir, pelo menos, uma variável para
cada objetivo específico, conforme a seguir:
Tentando identificar o primeiro objetivo específico, vamos ava-
liar a opinião dos registrados sobre o corpo docente dos seus cursos
para definir as variáveis:

 Conhecimento sobre o conteúdo da disciplina;

 habilidade didática;
 forma de avaliação; e
 relacionamento com os estudantes.

24 Curso de Graduação em Administração, modalidade a distância

 Repare que cada um desses quatro aspectos pode
ser segmentado em outros para obtenção de mais
 1

UNIDADE
detalhes. Desse modo, como mensurá-los? Nesse
caso, devemos utilizar uma escala ordinal. Obser-
ve a pergunta:

No que diz respeito ao conhecimento teórico sobre a disci-

plina X, o professor pode ser considerado:

( ) ótimo
( ) bom
( ) satisfatório
( ) insuficiente
( ) horrível.

Atente que para cada acadêmico, em determinado momento,

há apenas um resultado possível (já limitado no enunciado da ques-
tão) para a pergunta. Poderíamos construir perguntas semelhantes para
os outros três itens e para cada objetivo específico.

Passaremos agora à definição do delineamento da

pesquisa, momento em que as preocupações lógi-

cas e teóricas das fases anteriores cedem lugar às
questões mais práticas de verificação.

Delineamento da Pesquisa

Conhecendo os objetivos da pesquisa, a população e as variá-

veis, precisamos definir como ela será conduzida. Há basicamente
dois modos de fazê-lo: levantamento e experimento.
A maioria das pesquisas socioeconômicas é encaminhada por
levantamento, em que o pesquisador usualmente apenas registra os
dados, através de um questionário ou de qualquer outro instrumento
de pesquisa. Procura-se responder às perguntas da pesquisa por meio
da identificação de associações entre as variáveis ou entre grupos de

Período 3 25
 1 elementos da população, mas o pesquisador não tem controle sobre
as variáveis. Por esse motivo, para que os resultados sejam confiáveis,
faz-se necessária a obtenção de grande conjunto de dados.
UNIDADE

 A nossa pesquisa com os registrados no Conselho

Regional de Administração de Santa Catarina, po-
deria ser encamihada por um levantamento, atra-
vés da aplicação de um questionário aos acadêmi-
cos de Administração, conforme a Figura 5:

Figura 5: Pesquisa por levantamento

Fonte: Adaptada de Barbetta (2007)

Quando há absoluta necessidade (e viabilidade) de provar re-

lações de causa e efeito, o delineamento apropriado é o experimen-
to. Nesse tipo de delineamento podemos manipular algumas variá-
veis para observar o efeito em outras, removendo (ou tentando remo-
ver) todas as outras variáveis que poderiam influenciar no resultado
final: assim, se o experimento for adequadamente conduzido, será
possível provar, dentre outras coisas, que a variação nos valores de
uma ou mais variáveis causou as mudanças. Como o pesquisador
tem muito controle sobre o estudo não há necessidade de um grande
conjunto de dados.
No seu dia a dia como administrador você encontrará os dois
tipos de delineamento:

 para pesquisas de opinião, de mercado, de desemprego, de

produção industrial, por exemplo, adota-se o modo por le-
vantamento; e
 para pesquisas na indústria farmacêutica (sobre eficácia e
segurança de medicamentos), na indústria química (quais

26 Curso de Graduação em Administração, modalidade a distância

 fatores irão propiciar maior rendimento nas reações quí-
micas), na indústria siderúrgica (qual a composição ne-
cessária de uma liga de aço para obter a dureza
1

UNIDADE
especificada), por exemplo, adota-se o modo por experi-
mento.

Forma de Coleta de Dados

Há duas formas básicas de coletar os dados: por censo ou por

amostragem.
No censo, a pesquisa é realizada com todos os elementos da
população, o que permite (teoricamente) precisão absoluta. É reco-
mendável quando estamos reunindo dados para tomar decisões de
longo alcance; por exemplo, um grande programa de controle de nata-
lidade, ou incentivo à redução da desigualdade regional. Portanto,
precisamos ter um quadro muito completo da situação atual. É exata-
mente isso que o IBGE faz a cada dez anos no Brasil, com o censo
demográfico. Mas há também outros censos, como o industrial e o
agropecuário.
Obviamente, o censo exige um grande volume de recursos e de
tempo apreciável para a sua realização, consolidação dos dados, pro-
dução dos relatórios e análise dos resultados.
Nas pesquisas por amostragem, apenas uma pequena parte da
população – parte esta considerada representativa – é pesquisada.
Os resultados podem ser, então, generalizados para toda a população,
usualmente através de métodos estatísticos apropriados. A economia
de tempo e de dinheiro é evidente ao se utilizar amostragem, bem
como se torna obrigatório o seu uso em casos em que há destruição
ou exaustão dos elementos pesquisados, como em testes destrutivos:
imagine o indivíduo interessado em testar todos os palitos de uma
caixa de fósforos para ver se funcionam.
A partir de uma amostra de 3.000 eleitores podemos obter um

v
retrato confiável da preferência do eleitorado brasileiro. Contudo, sem-
pre há risco de que a amostra, por maiores que sejam os cuidados na Na Unidade 2 você vai
sua retirada, não seja representativa da população. estudar as formas de
Além da decisão por censo ou amostragem devemos decidir se minimizar tal risco.
utilizaremos dados primários ou secundários.
Os dados secundários são dados existentes, coletados por ou-
tros pesquisadores e disponíveis em relatórios ou publicações. A sua

Período 3 27
 1 utilização pode reduzir muito os custos de uma pesquisa. Se fosse
necessário obter informações demográficas, poderíamos utilizar os re-
latórios do IBGE referentes ao último censo, ou à pesquisa nacional
UNIDADE

por amostragem de domicílios (PNAD) e não haveria a necessidade

de realizar nova pesquisa.
Quando os dados não existem, ou estão ultrapassados, ou não
correspondem exatamente aos objetivos de nossa pesquisa (foram
coletados com outra finalidade), torna-se necessário coletar dados pri-
mários, diretamente dos elementos da população.

 Vamos recordar o que já fizemos na pesquisa com

os registrados no CRA-SC: definimos objetivos (ge-
ral e específicos), população, variáveis e o deline-
amento. Os dados que procuramos existem em al-
gum lugar? Provavelmente não, ou talvez, estejam
ultrapassados, o que exige que levantemos tais ca-
racterísticas diretamente dos elementos da popu-
lação: precisamos obter dados primários. Como há
um número muito grande de registrados, distribuí-
dos por todo o Estado, será muito mais econômico
conduzir a pesquisa por amostragem. Na Unidade
2, vamos apresentar os vários tipos de amostragem.

Quando decidimos coletar dados primários, diretamente dos

elementos da população, precisamos pensar no instrumento de pes-
quisa: onde as variáveis serão efetivamente registradas.

Instrumento de Pesquisa
Instrumento de pesqui-
sa – dispositivo usado para Coletamos os valores das variáveis, os dados da pesquisa, atra-
coletar os valores das variá- vés do instrumento de pesquisa. É importante ressaltar que ele está
veis nos elementos da po-
pulação. Fonte: Barbetta,
intrinsecamente relacionado às variáveis da pesquisa. Portanto, no
Reis e Bornia (2008). seu projeto, precisamos deixar claro qual é a relação existente com as
variáveis, da mesma forma que as variáveis devem ser relacionadas
aos objetivos específicos.
O senso comum confunde instrumento de pesquisa com ques-
tionário, o que não é verdade. O questionário é apenas um tipo de

28 Curso de Graduação em Administração, modalidade a distância

instrumento de pesquisa, e em muitas situações ele não é o mais apro-
priado.
Imagine a situação: queremos registrar o movimento em lojas
1

UNIDADE
de um Shopping Center com a finalidade de saber quais apresentam
clientela suficiente para continuar a merecer a permanência. Não pre-
cisamos aplicar um questionário aos clientes, que poderão se recusar
a responder; ou aos lojistas, que poderão ser “criativos demais” nas
respostas basta registrar em uma planilha quantas pessoas entram
na loja, o horário, se fizeram compras ou não, entre outros aspectos.
Uma outra situação seria uma pesquisa climática, em que são registradas
medidas de temperatura, de umidade relativa do ar, de velocidade do
vento: obviamente, não precisamos de um questionário para isso.
O questionário torna-se quase que indispensável quando pre-
cisamos mensurar ou avaliar atitudes, preferências, crenças e com-
portamentos que exigem a manifestação dos pesquisados. Pesquisas
de mercado, acerca da aceitação de um produto ou de uma propa-
ganda, pesquisas de comportamento, pesquisas de opinião eleitoral,
todas elas envolvem algum tipo de questionário.
O questionário pode ser enviado pelo correio, feito por telefo-
ne, feito com a presença física do entrevistador, ou mesmo via Internet.
Todos eles têm suas vantagens e desvantagens.
O aspecto mais importante do questionário consiste na ob-
tenção das informações sem induzir ou confundir o respondente. As
perguntas precisam ser claras, afirmativas ou interrogativas, evitan-
do-se negações e coerentes com o nível intelectual dos elementos da

!
população.

Em uma cidade de Santa Catarina, foi implementado o

sistema integrado de transporte coletivo. Uma pesquisa
de opinião, por meio de questionário, foi realizada com
os usuários. Uma das questões perguntava se o usuá-
rio estava satisfeito com o itinerário dos ônibus. O
desconhecimento do termo itinerário produziu grande
número de respostas em branco e incoerentes.

Na nossa pesquisa, precisaríamos aplicar alguma espécie de

questionário. O CRA-SC dispõe de várias informações sobre os
registrados, incluindo endereço postal e, talvez, o telefone e o endere-

Período 3 29
 1 ço eletrônico. Poderíamos enviar os questionários por um desses três
meios.
UNIDADE

Saiba mais...
Para saber mais sobre experimentos, consulte: MOORE, David S.; McCABE,
George P.; DUCKWORTH, William M.; SCLOVE, Stanley L. A prática da
estatística empresarial: como usar dados para tomar decisões. Rio de Janeiro:
LTC, 2006.

Para saber mais sobre elaboração de questionários, consulte: BARBETTA,

Pedro A. Estatística Aplicada às Ciências Sociais. 7. ed. Florianópolis: Editora
da UFSC, 2007, Capítulo 2.

30 Curso de Graduação em Administração, modalidade a distância

 Resumindo
r 1

UNIDADE
O resumo desta Unidade está esquematizado na Figura 6.
Observe:

Figura 6: Resumo da Unidade 1

Fonte: Elaborada pelo autor deste livro

Período 3 31
 1 Atividades de aprendizagem
aprendizagem
UNIDADE

 Veja se você obteve bom entendimento acerca do

que tratamos nesta Unidade respondendo às ques-
tões, conforme os conceitos estudados. Ao final,
encaminhe-as para seu tutor através do Ambiente
Virtual de Ensino-Aprendizagem.
Bom estudos! Se precisar de auxílio, não deixe de
fazer contato com seu tutor.

1. A direção do CED (Centro de Educação da UFSC) e os departamen-

tos desse Centro têm interesse em avaliar se a biblioteca setorial está
atendendo convenientemente aos alunos de graduação, de pós-gra-
duação, aos docentes e aos técnicos-administrativos do CED. Há uma
preocupação com o acervo em si (atualização, composição, número
de cópias disponíveis e adequação às necessidades de cada curso) e
com o atendimento aos usuários (número de atendentes, horário,
cortesia). Faça o planejamento da pesquisa estabelecendo:
a) Objetivo geral da pesquisa.
b) Objetivos específicos da pesquisa.
c) Tipo de pesquisa (Levantamento ou Experimento).
d) População da pesquisa.
e) Quais são as variáveis da pesquisa? Por quê? Como serão
medidas? Por quê?
f) Como serão coletados os dados: secundários ou primários,
censo ou amostragem? Por quê?
g) Escolha do instrumento de pesquisa. Justificativa.
h) Elaboração do instrumento de pesquisa. Justificativa dos
itens e opções escolhidas.

32 Curso de Graduação em Administração, modalidade a distância

 1


UNIDADE
Caro estudante,
Fazer com que você entendesse o conceito de Es-
tatística, as suas variabilidades e suas subdivisões
na aplicação de estudos e experimentos foi a pro-
posta desta Unidade. Com esse conhecimento,
você será capaz de obter, de organizar e de anali-
sar dados, determinando as correlações que se apre-
sentem e tirando delas suas consequências para
descrição e explicação do que se passou, além de
aprender a prever e a organizar o futuro.
Leia as indicações de textos complementares, res-
ponda às atividades de aprendizagem e interaja
com a equipe de tutoria. Não fique com dúvidas,
questione!
Saiba que você não está sozinho nesse processo e
pode contar com uma equipe de apoio para a cons-
trução do seu conhecimento.

Período 3 33
 2
UNIDADE
Técnicas de
Amostragem


Objetivo
Ao finalizar esta Unidade, você deverá ser capaz de
compreender o conceito de amostragem; de constatar
suas principais técnicas; de perceber quando devem
ser empregadas; de aprender a definição do plano
de amostragem; e, ainda, capaz de utilizar uma
fórmula simplificada para cálculo do tamanho
mínimo de amostra.
 2
UNIDADE

36 Curso de Graduação em Administração, modalidade a distância

 Técnicas e Definições de Amostragem 2

UNIDADE
Caro estudante,
Conforme vimos na Unidade 1, a amostragem é
uma das formas de coleta de dados e diz respeito
a uma das subdivisões da Estatística, cujo conhe-
cimento é indispensável ao administrador. Tenha
em mente que estamos interessados na obtenção
de dados confiáveis para a tomada de decisões e,
muitas vezes, precisaremos realizar pesquisas para
coletar tais dados. Convidamos você para conhe-
cer um pouco mais sobre essa técnica de pesquisa
e seus diferentes métodos de aplicação.

H
á vários argumentos para justificar a utilização da amostragem
e o administrador precisa conhecê-los para que, confrontando
com os recursos disponíveis e os objetivos da pesquisa, possa
tomar a melhor decisão sobre a forma de coleta de dados. Todavia, há
casos em que o uso da amostragem pode não ser a melhor opção; Censo – forma de coleta de
mas se o administrador decidir por ela precisará delinear o plano de dados em que a pesquisa é
realizada com todos os ele-
amostragem, indicando como esta será implementada e qual será seu mentos da população. Fon-
tamanho, item crucial que influenciará muito nos custos da pesquisa. te: Barbetta, Reis e Bornia
Veremos isso em detalhes nesta Unidade. (2008).

Amostragem – forma de
coleta de dados em que
apenas uma pequena par-
te, considerada representa-
O que é Amostragem? tiva, da população é
pesquisada. Os resultados
podem ser então generali-
zados, usualmente através
Amostragem é uma das subdivisões da Estatística que reúne de métodos estatísticos
apropriados, para toda a
os métodos necessários para coletar adequadamente amostras repre-
população. Fonte: Barbetta
sentativas e suficientes para que os resultados obtidos possam ser ge- (2007).
neralizados para a população de interesse. A pressuposição básica é
que todas as etapas prévias do planejamento da pesquisa já tenham
sido cumpridas e que o administrador, após isso, decidirá se a coleta-
rá dos dados será por censo ou por amostragem.

Período 3 37
 2 O censo consiste simplesmente em estudar todos os elementos
da população e a amostragem pesquisa apenas uma pequena parte
dela, suposta representativa do todo. Para realizar um estudo por
UNIDADE

amostragem de maneira que seus resultados sejam válidos e possam ser

generalizados para a população, algumas técnicas precisam ser empre-
gadas. A essência desse processo é mostrada na Figura 7 a seguir:

Figura 7: Processo de Amostragem e Generalização

Fonte: Elaborada pelo autor deste livro

Testes destrutivos – são

ensaios realizados para ava-
 É importante sabermos avaliar os argumentos a fa-
vor de cada forma de coleta.

liar a durabilidade, resistên-

cia ou conformidade com as
especificações de determi-
nados produtos, que cau- Quando Devemos Usar Amostragem
sam a sua inutilização, im-
pedindo a sua Podemos enumerar basicamente três motivos para usar
comercialização. Muitos
testes destrutivos são pre-
amostragem em uma pesquisa: economia, rapidez de processamento
vistos em legislação espe- e quando há a necessidade e testes destrutivos.
cífica das mais diversas áre-
as. Fonte: Elaborado pelo
autor deste livro.
 Economia: é muito mais barato levantar as característi-
cas de uma pequena parcela da população do que de to-
dos os seus integrantes, especialmente para grandes popu-
lações. O custo do censo demográfico do IBGE é tão co-
lossal que somente pode ser feito a cada dez anos.

38 Curso de Graduação em Administração, modalidade a distância

  Rapidez de processamento: como a quantidade de da-
dos coletada é menor do que a produzida em um censo,
especialmente para grandes populações, o seu
2

UNIDADE
processamento é mais rápido. Os resultados são conheci-
dos em pouco tempo e, por isso, as decisões são tomadas
com agilidade. Tal característica é especialmente impor-
tante em pesquisas de opinião eleitoral, cujo resultado pre-
cisa ser conhecido rapidamente, para que candidatos e
partidos possam reavaliar suas estratégias.
 Testes destrutivos: se para realizar a pesquisa precisa-
mos realizar testes destrutivos (de resistência, tempo de vida
útil, entre outros), o censo torna-se impraticável por exigir
a utilização de amostragem. Em muitos casos, como no
caso de produtos alimentícios e farmacêuticos, há normas
legais que precisam ser cumpridas rigorosamente quando
da realização dos ensaios.

A Figura 8 sintetiza os motivos:

Figura 8: Economia, Rapidez de processamento e Testes destrutivos

Fonte: Clipart Microsoft® Office (2012)

Após conhecer os motivos de se utilizar a

amostragem, pense em algumas situações nas quais
seria recomendável utilizar essa técnica. 
Quando Não Devemos Usar Amostragem

Existem situações em que a utilização de amostragem pode não

ser a melhor opção. Nesse caso, podemos enumerar basicamente quatro

Período 3 39
 2 razões: população pequena, característica de fácil mensuração, exi-
gências políticas e necessidade de alta precisão.
UNIDADE

 População pequena: quando é utilizada uma amostra

probabilística (aleatória) com população pequena (menos
de 100 elementos), o tamanho mínimo de amostra para

v
obter bons resultados será semelhante ao próprio tamanho
da população. Vale a pena, nesse caso, realizar um censo.

Veremos isso mais adi-  Característica de fácil mensuração: a característica

ante, ainda nesta Uni- pode não precisar de mecanismos sofisticados de
dade. mensuração, simplesmente resume-se em uma opinião di-
reta – a favor ou contra uma proposta. Nesse caso, a cole-
ta dos dados seria bastante simples, possibilitando avaliar
todos os elementos da população. Um caso frequente na
indústria se refere aos sistemas automatizados de medição,
por exemplo. Em uma fábrica de cubos de rodas de bicicle-
tas, situada na zona franca de Manaus, os diâmetros de
todos os cubos produzidos são medidos automaticamente
por um sistema de telemetria a laser, dispensando a coleta
por amostragem e um inspetor humano para realizar a
medição.
 Necessidades políticas: muitas vezes, uma proposta irá
afetar dramaticamente todos os elementos da população,
como a adoção de um regime ou forma de governo, por
exemplo, o que pode ensejar a realização de um censo, para
que todos manifestem sua opinião.
 Necessidade de alta precisão: por que o IBGE conduz
um censo a cada dez anos? Porque as informações
demográficas requerem precisão para orientar políticas
governamentais. Somente dessa maneira esse objetivo pode
ser atingido. A Figura 9 sintetiza os motivos:

Figura 9: População pequena, fácil mensuração, necessidades políticas

e alta precisão
Fonte: Clipart Microsoft® Office (2012)

40 Curso de Graduação em Administração, modalidade a distância

 Exercite a mente! Pense em algumas situações em
que seja aconselhável usar um censo. Considere a
pesquisa que esboçamos na Unidade 1: "o CRA-  2

UNIDADE
SC está interessado em conhecer a opinião dos
seus registrados sobre o curso em que se gradua-
ram, desde que tal curso esteja situado em Santa
Catarina". Vimos que o número de registrados no
CRA, com graduação no Estado, foi suposto igual
a 9.000 e há uma listagem com os registrados
para fins de cobrança de anuidade que contém
informações sobre endereço, curso em que se gra-
duou, entre outras. Para conhecer a opinião das Representatividade ou
pessoas precisamos entrevistá-las (via correio, amostra representativa
Internet, telefone ou pessoalmente). Diante disso, – é aquela que traz na sua
composição todas as sub-
você entende que a pesquisa deve ser conduzida divisões da população, pro-
por censo ou por amostragem? Vejamos juntos! curando retratar da melhor
maneira possível a sua va-
riabilidade. Fonte: Elabora-
do pelo autor deste livro.

Aspectos Necessários para o Sucesso da

Suficiência ou amostra
suficiente – é aquela que

Amostragem tem um tamanho tal que

permite representar adequa-
damente a variabilidade da
população. Fonte: Elabora-
do pelo autor deste livro.
Há três aspectos necessários para que uma pesquisa realizada
por amostragem gere resultados confiáveis: representatividade, sufici-
ência e aleatoriedade da amostra.
A representatividade é o mais óbvio. A amostra precisa re-
tratar a variabilidade existente na população e precisa ser uma “có-
pia reduzida” desta. Sendo assim, todas as subdivisões da população
precisam ter representantes na amostra. A chave é avaliar se as sub-
divisões da população (por sexo, classe econômica, cidade, atividade
profissional) podem influenciar nos resultados da pesquisa. Imagine
uma pesquisa eleitoral para governador: deveremos entrevistar eleito-
res em todas as regiões do Estado (assume-se que haja diferenças de
opinião de região para região), pois se escolhermos apenas uma de-
las, e ela for base política de um candidato, o resultado será distorcido. Na Unidade 9, veremos o

v
A suficiência também é um aspecto relativamente óbvio. cálculo de tamanho de
É necessário que a amostra tenha um tamanho suficiente para repre- amostra com detalhes.

sentar a variabilidade existente na população. Quanto mais homogê-

Período 3 41
 2 nea for a população (menor variabilidade), menor poderá ser o tama-
nho da amostra, e quanto mais heterogênea (maior variabilidade),
maior terá que ser o tamanho da amostra para representá-la.
UNIDADE

A aleatoriedade da amostra é o aspecto menos intuitivo, mas

extremamente importante. Significa que os elementos da amostra se-
rão selecionados da população por meio de sorteio não viciado: todos
os elementos da população têm chance de pertencer à amostra. É ne-
cessária uma listagem com os elementos da população, que permita a
atribuição de números a cada um deles, quando é feito o sorteio.
Idealmente, escreveríamos os números dos elementos da população
Amostra aleatória, ca-
em pequenos papéis, depositaríamos em uma urna, misturaríamos e,
sual ou probabilística
– é a amostra retirada por de olhos vendados, escolheríamos os números, selecionando a amos-
meio de um sorteio não vi- tra. Para grandes populações esse procedimento é inviável e contra-
ciado, que garante que cada
producente considerando-se a disponibilidade de recursos
elemento da população terá
uma probabilidade maior do computacionais.
que zero de pertencer à O sorteio pode ser realizado através de tabelas de números ale-
amostra. Fonte: Barbetta,
atórios ou algoritmos de geração de números pseudoaleatórios.
Reis e Bornia (2008).
As tabelas de números aleatórios são instrumentos usados para
Algoritmos de geração
de números pseudoale- auxiliar na seleção de amostras aleatórias. São formadas por sucessi-
atórios – são programas vos sorteios de algarismos do conjunto {0, 1, 2, 3, 4, 5, 6, 7, 8, 9},
computacionais que geram
fazendo com que todo número com a mesma quantidade de algaris-
números aleatórios
(pseudoaleatórios, pois têm mos tenha a mesma probabilidade de ocorrência. Quando o sorteio é
uma regra de formação), realizado “manualmente”, a tabela é, de fato, chamada de tabela de
com o intento de simular os
números aleatórios. Muitos estatísticos realizaram tais sorteios, regis-
sorteios manuais de núme-
ros de 0 a 9. Fonte: Elabo- traram os resultados e os publicaram em livros e periódicos para uso
rado pelo autor deste livro. geral. Se, porém, os números são obtidos mediante simulação

v
computacional, passamos a ter uma tabela de números pseudoalea-
tórios, pois os números são provenientes da execução de um algoritmo
Nesse caso, há sem- matemático, que tem uma lógica e uma lei de formação dos resulta-
pre o risco de os núme- dos. Não obstante, tal problema somente ocorre, caso o algoritmo seja
ros se repetirem caso a bom, após milhões ou bilhões de sorteios, quantidade muitíssimo su-
série seja muito longa, perior àquela usada nas nossas pesquisas. Alguns estatísticos cons-
descaracterizando a truíram tabelas de números pseudoaleatórios e as deixaram disponí-
aleatoriedade. veis para o público em geral.
Nos dias de hoje, com todas as facilidades da informática, é
cada vez mais comum bases de dados armazenadas em meio digital,
desde uma simples planilha do Microsoft Excel®, ou do [Link] Calc®
até grandes bancos de dados.

42 Curso de Graduação em Administração, modalidade a distância

 Então, perguntamos: por que não realizar também
o processo de amostragem, em meio digital, com os
algoritmos citados no parágrafo anterior: os  2

UNIDADE
algoritmos de geração de números pseudoaleatórios?

Trata-se de programas computacionais que procuram simular

os sorteios reais de números. A grande vantagem do seu uso é a pos-
sibilidade de adaptar facilmente o sorteio ao tamanho da população

v
envolvida e, obviamente, à velocidade de processamento. Veja um
exemplo de números aleatórios de quatro dígitos (de 0001 a 9000) Na seção Para saber
gerados pelo [Link] Calc®: mais, vamos disponibi-
lizar um link que expli-
3439 907 5369 8092 7962 8626 131 3667 7769 1248 ca como gerar números
2206 410 292 1478 1977 155 2566 3088 4983 3217 pseudoaleatórios com
esse aplicativo.
3347 3201 8193 4195 3836 2736 8781 7260 8921 2307

No caso da nossa pesquisa para o CRA-SC, em

que há 9.000 registrados graduados em Santa
Catarina, e existe uma listagem da população, re-
flita: como seria o sorteio? No caso mais simples
de amostragem aleatória, o registrado de número
3.439 seria sorteado; seguido pelo número 907;

este pelo número 5.369; e assim por diante, até
completar o tamanho da amostra. Em geral, cria-
se automaticamente uma nova base de dados com
os elementos sorteados.

v
Toda a teoria de inferência estatística pressupõe que a amos- Estudaremos sobre a
tra, a partir da qual será feita a generalização (veja a Figura 10), foi teoria da inferência es-
retirada de forma aleatória. tatística nas Unidades
8, 9 e 10.

Agora que já conhecemos os aspectos principais

para o sucesso da amostragem, podemos detalhar
o plano de amostragem.

Período 3 43
 2 Plano de Amostragem
UNIDADE

Uma vez tendo decidido realizar a pesquisa selecionando uma

amostra da população, é preciso elaborar o plano de amostragem,
que consiste em definir as unidades amostrais, o modo como a amostra
será retirada (o tipo de amostragem) e o próprio tamanho da amostra.
As unidades amostrais são as selecionadas para se chegar
aos elementos da própria população. Podem ser os próprios elemen-
tos da população, quando há acesso direto a eles, ou qualquer outra
unidade que possibilite chegar até eles: selecionar os domicílios como
unidades de amostragem, para chegar até as famílias (que são os ele-
mentos da população); selecionar as turmas como unidades de
amostragem, para chegar até os alunos (que são os elementos da po-
pulação). No caso da pesquisa do CRA-SC, as unidades amostrais
são os próprios elementos da população, uma vez que temos a sua
listagem. No caso da Pesquisa Nacional por Amostragem de Domicí-
lios do IBGE, as unidades amostrais são os domicílios, através dos
quais chegamos às famílias.
O modo como a amostra será retirada é outra decisão impor-
tante, que precisa constar do plano de amostragem. Na Figura 10, a
seguir, observe o resumo dos diversos tipos de amostragem:

Figura 10: Tipos de amostragem

Fonte: Elaborada pelo autor deste livro

44 Curso de Graduação em Administração, modalidade a distância

 Amostragem Probabilística (aleatória)

Amostragem probabilística, aleatória ou casual, é aquela

2

UNIDADE
que garante que cada elemento da população tenha probabilidade de
pertencer à amostra. Para que isso ocorra, é necessário que a amostra
seja selecionada por sorteio não viciado, ou seja, exige-se aleatorie-
dade. A sua importância decorre do fato de que apenas os resultados
provenientes de uma amostra probabilística podem ser generalizados,
estatisticamente, para a população da pesquisa.


Você deve estar se perguntando: o que significa ,
afinal, estatisticamente? Significa que podemos
associar aos resultados a probabilidade de que es-
tejam corretos, ou seja, uma medida da
confiabilidade das conclusões obtidas. Se a amos-
tra não for probabilística não há como saber se há
95% ou 0% de probabilidade de que os resulta-
dos sejam corretos, e as técnicas de inferência es-
tatística, porventura utilizadas, terão validade
questionável.

A condição primordial para o uso da amostragem probabilística

é a de que todos os elementos da população tenham uma probabilida-
de maior do que zero de pertencerem à amostra. Tal condição é mate-
rializada se:

1) Há acesso a toda a população; ou seja, não há teorica-

mente problema em selecionar nenhum dos elementos, to-
dos poderiam ser pesquisados. Concretamente, há uma lista
da população; como no caso da pesquisa do CRA-SC que
dispõe de uma lista com os 9.000 registrados que se gradu-
aram em Santa Catarina.
2) Os elementos da amostra são selecionados por meio de
alguma forma de sorteio não viciado: tabelas de números
aleatórios, números pseudoaleatórios gerados por compu-
tador. Com a utilização de sorteio, elimina-se a ingerência
do pesquisador na obtenção da amostra e garante-se que
todos os integrantes da população podem, por probabili-
dade, pertencer à amostra.

Período 3 45
 2  Agora vamos lhe apresentar os tipos de amostragem
probabilística.
UNIDADE

Amostragem Aleatória (casual) Simples

A amostragem aleatória simples é o tipo de amostragem
probabilística recomendável somente se a população for homogênea
em relação aos objetivos da pesquisa. Por exemplo: quando admiti-
mos que todos os elementos da população têm características seme-
lhantes em relação aos objetivos da pesquisa. Há uma listagem dos
Amostragem aleatória elementos da população, atribuem-se números a eles e, através de al-
simples – é o processo de
amostragem em que todos
guma espécie de sorteio não viciado, por meio de tabelas de números
os elementos da população aleatórios ou números pseudoaleatórios gerados por computador, os
têm a mesma probabilida- integrantes da amostra são selecionados. Nesse tipo de amostragem
de de pertencer à amostra,
e cada elemento é sorteado.
probabilística todos os elementos da população têm a mesma proba-
Fonte: Barbetta, Reis e bilidade de pertencer à amostra. Foi exatamente o que fizemos no fi-
Bornia (2008). nal da seção Aspectos necessários para o sucesso da amostragem para
Ta b e l a s d e n ú m e r o s a nossa pesquisa do CRA-SC.
a l e a t ó r i o s – são instru-
mentos usados para auxili-
ar na seleção de amostras Amostragem Sistemática
aleatórias, formadas por su-
cessivos sorteios de algaris- Quando a lista de respondentes for muito grande, a utilização
mos do conjunto {0, 1, 2,
de amostragem aleatória simples pode ser um processo moroso; ou se
3, 4, 5, 6, 7, 8, 9}, fazen-
do com que todo número o tamanho de amostra for substancial, teremos que realizar um gran-
com a mesma quantidade de número de sorteios: caso estejamos utilizando números
de algarismos tenha a mes-
pseudoaleatórios aumenta o risco de repetição dos números. Utiliza-
ma probabilidade de ocor-
rência. Fonte: Barbetta se então uma variação, a amostragem sistemática, que também supõe
(2007) . que a população é homogênea em relação à variável de interesse, mas
Amostragem sistemáti- que consiste em retirar elementos da população a intervalos regulares,
ca – é a variação da até compor o total da amostra. A amostragem sistemática somente
amostragem aleatória sim-
pode ser retirada se a ordenação da lista não tiver relação com a va-
ples em que os elementos
da população são retirados riável de interesse. Imagine que queiramos obter uma amostra de ida-
a intervalos regulares, até des de uma listagem justamente ordenada dessa forma, nesse caso a
compor o total da amostra,
amostragem sistemática não seria apropriada, a não ser que
sendo o sorteio realizado
apenas no ponto de partida. reordenássemos a lista.
Fonte: Barbetta (2007). Veja a seguir o procedimento para a amostragem sistemática:

 obtém-se o tamanho da população (N);

 calcula-se o tamanho da amostra (n), (veremos isso mais
adiante); e

46 Curso de Graduação em Administração, modalidade a distância

  encontra-se o intervalo de retirada k = N/n:
 se k for fracionário, deve-se aumentar (n) até tornar
o resultado inteiro;
2

UNIDADE
 se (N) for um número primo, excluem-se por sorteio
alguns elementos da população para tornar k inteiro;
 sorteia-se o ponto de partida (um dos k, números do pri-
meiro intervalo) usando-se uma tabela de números aleató-
rios, ou qualquer outro dispositivo (isso precisa ser feito
para garantir que todos os elementos da população tenham
chance de pertencer à amostra); e
 a cada k, elementos da população, retira-se um para fazer
parte da amostra, até completar o valor de (n).

O resumo desse processo é retratado na Figura 11, veja:

Figura 11: Processo de amostragem sistemática

Fonte: Elaborada pelo autor deste livro

O Exemplo, a seguir, ajudará você a entender me-

lhor sobre o processo de amostragem sistemática.
Leia com atenção!

Exemplo 1 – Uma operadora telefônica pretende saber a opi-
nião de seus assinantes comerciais sobre seus serviços na cidade de
Florianópolis. Supondo que há 25.037 assinantes comerciais e a amos-
tra precisa ter no mínimo 800 elementos, mostre como seria organiza-
da uma amostragem sistemática para selecionar os respondentes.

Período 3 47
 2 A operadora dispõe de uma lista ordenada alfabeticamente com
todos os seus assinantes, o intervalo de retirada será: k = N/n =
25037/800 = 31,2965.
UNIDADE

Como o valor de k é fracionário, algo precisa ser feito. Aumen-

tar o tamanho da amostra não resolverá o problema, porque 25.037 é
um número primo. Como não podemos reduzir o tamanho de amos-
tra, devendo permanecer igual a 800, se excluirmos por sorteio 237
elementos da população e refizermos a lista, teremos: k = N/n =
24800/800 = 31.
A cada 31 assinantes um é retirado para fazer parte da amos-
tra. Devemos sortear o ponto de partida: um número de 1 a 31 (do 1º
Amostra representativa ao 31º assinante). Imagine que o sorteio resultasse em 5, então, a
– aquela que representa, na amostra seria (número de assinantes): {5, 36, 67, 98,..., 24.774}.
sua composição, todas as
subdivisões da população,
procurando retratar da me- Amostragem Estratificada
lhor maneira possível a sua
variabilidade. Fonte: Elabo- É bastante comum a população de uma pesquisa ser heterogê-
rado pelo autor deste livro.
nea em relação aos objetivos dela. No caso de uma investigação elei-
A m o s t r a g e m toral para governador, por exemplo, podemos esperar que a opinião
estratificada – é a
amostragem probabilística
seja diferente dependendo da região onde o eleitor mora, sua classe
usada quando a população social e, inclusive, sua profissão. Contudo, podemos supor que haja
for heterogênea em relação certa homogeneidade de opinião dentro de cada grupo e, apesar dis-
aos objetivos da pesquisa
(as opiniões tendem a vari-
so, presumir que haja heterogeneidade entre os estratos, mas
ar muito de subgrupo para homogeneidade em cada estrato; e que eles sejam mutuamente exclu-
subgrupo), e a amostra pre- sivos (cada elemento da população pode pertencer a apenas um es-
cisa conter elementos de
cada subgrupo da popula-
trato). Para garantir que a amostra seja representativa da população,
ção para representá-la ade- precisamos garantir que os diferentes estratos sejam nela representados:
quadamente. Fonte: deve usar a amostragem estratificada, como representa a Figura 12:
Barbetta (2007).

Figura 12: Amostragem estratificada

Fonte: Elaborada pelo autor deste livro

48 Curso de Graduação em Administração, modalidade a distância

 
Veja que a seleção dos elementos de cada estrato
pode ser feita usando amostragem aleatória sim-
ples ou sistemática.
2

UNIDADE
A amostragem estratificada pode ser:

 proporcional, quando o número de elementos selecionados

de cada estrato é proporcional ao seu tamanho na popula-
ção (por exemplo, se o estrato representa 15% da popula-
ção, 15% da amostra deverá ser retirada dele); e
 uniforme, quando os mesmos números de elementos são
selecionados de cada estrato.

A amostragem estratificada proporcional possibilita resultados

melhores, mas exige conhecimento da população (para saber quantos
são e quais são os tamanhos dos estratos). A amostragem estratificada
uniforme é mais utilizada em estudos comparativos.

No caso da pesquisa do CRA-SC, você acredita

que a população é heterogênea em relação aos

objetivos da pesquisa? Aspectos como: a região do
Estado onde estudaram ou se oriundos de faculda-
de pública ou de particular, podem influenciar na
opinião dos registrados sobre os cursos em que se
graduaram?

Amostragem por Conglomerados Amostragem por con-

glomerados – é a
amostragem probabilística
Teoricamente, a amostragem estratificada proporcional apre-
em que a população é sub-
senta os melhores resultados possíveis. Sua grande dificuldade de uso dividida em grupos defini-
deve-se ao grau de conhecimento necessário sobre a população, que dos por conveniência (usu-
almente geográfica), e al-
geralmente não existe ou é impraticável de se obter. Uma alternativa
guns desses grupos são se-
consiste no uso de conglomerados. lecionados por sorteio, e
Os conglomerados também são grupos mutuamente exclusivos elementos dos grupos sor-
teados podem também ser
de elementos da população, mas são definidos de forma mais arbitrá-
sorteados para compor a
ria do que os estratos: é bastante comum definir os conglomerados amostra. Fonte: Barbetta
(2007).

Período 3 49
 2 geograficamente. Por exemplo, os bairros de uma cidade, que consti-
tuiriam conglomerados de domicílios.
O procedimento para a amostragem por conglomerados ocorre
UNIDADE

da seguinte forma:

 divide-se a população em conglomerados;

 sorteiam-se os conglomerados (usando tabela de números
aleatórios ou qualquer outro método não viciado); e
 pesquisam-se todos os elementos dos conglomerados sorte-
ados, ou sorteiam-se elementos deles.

A utilização de amostragem por conglomerados permite uma

redução substancial nos custos de obtenção da amostra, sem compro-
meter demasiadamente a precisão, sendo que em alguns casos é a
única alternativa possível. Veja a Figura 13 e entenda como ocorre
essa amostragem:

Figura 13: Amostragem por conglomerados

v
Fonte: Elaborada pelo autor deste livro

A Pesquisa Nacional por Amostra de Domicílios (PNAD) do

IBGE, coleta informações demográficas e socioeconômicas sobre a
população brasileira. Utiliza amostragem por conglomerados em três
Mais informações em
estágios:
< h t t p : / /
[Link]/home/  Primeiro estágio: amostras de municípios (conglomera-
estatistica/populacao/ dos) para cada uma das regiões geográficas do Brasil;
trabalhoerendimento/
 Segundo estágio: setores censitários sorteados em cada
pnad98/saude/
[Link]>.
município (conglomerado sorteado); e
Acesso em: 14 fev.
2012.

50 Curso de Graduação em Administração, modalidade a distância

  Terceiro estágio: domicílios sorteados em cada setor
censitário. 2


UNIDADE
Você deve estar se perguntando: e se não for pos-
sível garantir a probabilidade de todo elemento da
população pertencer à amostra? Então, esse é o
momento de partirmos para a amostragem não
probabilística.

Amostragem Não Probabilística

A obtenção de uma amostra probabilística exige uma listagem

com os elementos da população. Em suma, exige acesso a todos os
elementos da população. Nem sempre é possível obter tal listagem na
prática, o que teoricamente inviabilizaria a retirada de uma amostra Amostragem não
probabilística. Desse modo, pode-se recorrer à amostragem não probabilística – é o pro-
probabilística. cesso de amostragem em
que nem todos os elemen-
Ao usar a amostragem não probabilística, o pesquisador não tos da população têm
sabe qual a probabilidade que tem um elemento da população de per- chance de pertencer à amos-
tra, pois a seleção não é fei-
tencer à amostra. Portanto, os resultados da amostra não podem ser
ta por sorteio não viciado.
estatisticamente generalizados para a população, porque não se pode Fonte: Barbetta (2007).
estimar o erro amostral. Erro amostral – é o valor
Alguns dos usos habituais da amostragem não probabilística máximo que o pesquisador
são os seguintes: admite errar na estimativa
de uma característica da
população a partir de uma
 a etapa preliminar em projetos de pesquisa;
amostra aleatória dessa
 em projetos de pesquisa qualitativa; e mesma população. Fonte:
Barbetta (2007).
 em casos em que a população de trabalho não pode ser
enumerada.

Veja que existem ainda vários tipos de amostragem

não probabilística, os quais serão descritos na
sequência.


Período 3 51
 2 Amostragem a Esmo

Na amostragem a esmo, o pesquisador procura ser o mais ale-

UNIDADE

atório possível, mas sem fazer um sorteio formal. Imagine um lote de

10.000 parafusos, do qual queremos tirar uma amostra de 100. Se
fôssemos realizar uma amostragem aleatória simples, o processo tal-
vez fosse trabalhoso demais. Então simplesmente retiramos os elemen-
tos a esmo. Esse tipo de amostragem também pode ser utilizado quan-
do a população for formada por material contínuo (gases, líquidos,
minérios), bastando homogeneizar o material e retirar a amostra.

Amostragem por Julgamento (intencional)

Na amostragem por julgamento, o pesquisador, deliberadamente,

escolhe alguns elementos para fazer parte da amostra com base no jul-
gamento de que estes seriam representativos da população. Esse tipo
de amostragem é bastante usado em estudos qualitativos. Obviamen-
te, o risco de se obter uma amostra viciada é grande, pois se baseia
totalmente nas preferências do pesquisador, que pode se enganar
(involuntária ou “voluntariamente”).

Amostragem por Cotas

A Amostragem por cotas é semelhante a uma amostragem

estratificada proporcional, da qual se diferencia por não empregar
sorteio na seleção dos elementos. A população é dividida em vários
subgrupos, na realidade é comum dividi-la em um grande número deles
para compensar a falta de aleatoriedade, e seleciona-se uma cota de
cada subgrupo, proporcional ao seu tamanho.
Em pesquisa de opinião eleitoral, por exemplo, poderíamos di-
vidir a população de eleitores por sexo, nível de instrução, faixas de
renda entre outros aspectos, e obter cotas proporcionais ao tamanho
dos grupos (que poderia ser obtido através das informações do IBGE).
Na amostragem por cotas, os elementos da amostra são escolhidos
pelos entrevistadores (de acordo com os critérios), geralmente em pon-
tos de grande movimento, o que sempre acarreta certa subjetividade
(e impede a seleção de quem não esteja passando pelo local no exato
momento da pesquisa).

52 Curso de Graduação em Administração, modalidade a distância

 v
Na prática, muitas pesquisas são realizadas utilizando-se
amostragem por cotas, incluindo as polêmicas pesquisas eleitorais.
No exemplo apresentado no Quadro 1 a seguir, imagine que
2

UNIDADE
queiramos saber a opinião dos eleitores do bairro Goiaba sobre o
governo municipal. Supõe-se que as principais variáveis que Leia um tex-
condicionariam as respostas seriam sexo, idade e classe social. O bairro to muito inte-
ressante so-
apresenta a se-guinte composição demográfica para as variáveis:
bre o tema
em: <http://
SEXO IDADE (FAIXA ETÁRIA) CLASSE SOCIAL % POPULACIONAL
[Link]/
Masculino 18| -- 35 A 1% ~dias/falaciaPesquisa
Masculino 18| -- 35 B 4% [Link]>. Acesso
Masculino 18| -- 35 C 10% em: 14 fev. 2012.
Feminino 18| -- 35 A 1%
Feminino 18| -- 35 B 2%
Feminino 18| -- 35 C 9%
Masculino 35| -- 60 A 5%
Masculino 35| -- 60 B 8%
Masculino 35| -- 60 C 12%
Feminino 35| -- 60 A 4%
Feminino 35| -- 60 B 8%
Feminino 35| -- 60 C 10%
Masculino Mais de 60 A 1%
Masculino Mais de 60 B 9%
Masculino Mais de 60 C 3%
Feminino Mais de 60 A 3%
Feminino Mais de 60 B 7%
Feminino Mais de 60 C 3%

Quadro 1: Esquema de amostragem por cotas

Fonte: Adaptado de Marconi e Lakatos (2003)

Se, por exemplo, o tamanho de nossa amostra fosse igual a

200 (200 pessoas serão entrevistadas), o número de pessoas deveria
ser dividido de forma proporcional: 1% do sexo masculino, com idade
entre 18 e 25 anos, da classe A, totalizando duas pessoas; 4% do sexo
masculino, com idade entre 18 e 25 anos, da classe B, totalizando oito
pessoas; e assim por diante. Os entrevistadores receberiam suas co-
tas e deveriam escolher pessoas, conforme critérios estabelecidos e
em pontos de movimento do referido bairro, e entrevistá-las a fim de
colher suas opiniões sobre o governo municipal. Usualmente, os resul-

Período 3 53
 2 tados são generalizados estatisticamente para a população, com o
emprego das técnicas que serão vistas na Unidade 9 deste livro-texto;
mas, rigorosamente, os resultados da amostragem por cotas não têm
UNIDADE

validade estatística, visto que não contemplam o princípio de ale-

atoriedade na seleção da amostra.

Amostragem “Bola de Neve”

A Amostragem “bola de neve” é particularmente importante

quando é difícil identificar respondentes em potencial. A cada novo
respondente, identificado e entrevistado, pede-se que indique outros
que possam ser qualificados como respondentes. Por conta disso, po-
derá acontecer de as amostras serem compostas apenas por “amigos”
dos primeiros entrevista-dos, o que pode causar viesamentos nos re-
sultados finais.

Viesamentos – distorções
 Agora que você já conhece sobre o importante e
interessante tema do cálculo do tamanho de amos-
tra, passaremos para uma amostra probabilística.

na obtenção da amostra que

podem comprometer a
Cálculo do Tamanho de uma Amostra Probabilística
confiabilidade dos dados.
Fonte: Elaborado pelo autor
(aleatória)
deste livro.

A determinação do tamanho de amostra é um dos aspectos

mais controversos da técnica de amostragem e envolve uma série de
conceitos (probabilidade, inferência estatística e a própria teoria da
amostragem). Nesta seção, apresentaremos uma visão simplificada
para obtenção do tamanho mínimo de uma amostra aleatória simples
que atenda aos seguintes requisitos:

 o interesse na proporção de ocorrência de um dos valores

de uma variável qualitativa na população;
 a confiabilidade dos resultados da amostra deve ser apro-
ximadamente igual a 95% (ou seja, há 95% de probabili-
dade de que a proporção populacional do valor da variável

54 Curso de Graduação em Administração, modalidade a distância

 qualitativa esteja no intervalo definido pelos resultados da
amostra);
 a consideração quanto à estimativa, exagerada ou não, do
2

UNIDADE
tamanho de amostra; e
 a despreocupação com os aspectos financeiros relaci-
onados ao tamanho da amostra (embora, obviamente, seja
uma consideração importante).

O primeiro passo para calcular o tamanho da amostra é defi-

nir o erro amostral tolerável, que será chamado de E0. Esse erro
corresponde ao valor máximo que o pesquisador admite errar na esti-
mativa de uma característica da população.

Lembre-se das pesquisas de opinião eleitoral: “o

candidato Fulano está com 18% de intenção de
voto, a margem de erro da pesquisa é de 2% para
mais ou para menos”. O 2% é o valor do erro
amostral tolerável, então o percentual de pessoas
declarando o voto no candidato Fulano é igual a

18% ± 2%. Além disso, existe a probabilidade de
que esse intervalo não contenha o valor real do
parâmetro, ou seja, o percentual de eleitores que
declararam seu voto ao candidato; isso porque se
fez uso de uma amostra, o que raramente é revela-
do pela mídia, especialmente a televisiva.

É razoável imaginar que, quanto menor o erro amostral tolerá-

vel escolhido, maior será o tamanho da amostra necessário para obtê-
lo. Isso fica mais claro ao ver a fórmula para obtenção da primeira

estimativa do tamanho de amostra:

Onde E0 é o erro amostral tolerável, e n0 é a primeira estimativa

do tamanho de amostra. Se o tamanho da população (N) for conheci-
do, podemos corrigir a primeira estimativa:

Com esse exemplo, pense em como obter o tamanho mínimo

de uma amostra aleatória simples admitindo, com alto grau de confi-
ança, um erro amostral máximo de 2%, supondo que a população
tenha:

Período 3 55
 2 a) 200 elementos.
b) 200.000 elementos.
UNIDADE

Observe a diferença entre os tamanhos das duas populações: a

da letra b é mil vezes maior do que a da letra a. Como na primeira
estimativa n0 não depende do tamanho da população e o erro amostral
é de 2% para ambas, podemos calculá-lo apenas uma vez. Para isso,
dividiremos 2% por 100 antes de substituí-lo na fórmula:

Então nossa primeira estimativa, para um erro amostral de 2%,

é retirar uma amostra de 2.500 elementos.

 Obviamente precisamos corrigir a primeira estimativa, pois

a população conta com apenas 200 elementos. Então:

Precisamos arredondar, sempre para cima, o tamanho mínimo

da amostra. Desse modo, a amostra deverá ter pelo menos 186 ele-
mentos para garantir um erro amostral de 2%. Observe que a amostra
representa 93% da população. Nesse caso, um censo não seria mais
aconselhável?

 Corrigindo a primeira estimativa com o tamanho da popu-

lação:

Arredondando, a amostra deverá ter no mínimo 2.470 elemen-

tos para garantir um erro amostral de 2%. Observe que a amostra
representa 1,235% da população. Claríssimo caso em que a
amostragem é a melhor opção de coleta.
Poderíamos ter usado diretamente a primeira estimativa: 2.500
elementos, pois a correção não causou mudança significativa. Esse
exemplo prova que não precisamos de grandes amostras para obter
precisão nos resultados.
A Figura 14 exibe um gráfico que relaciona os tamanhos de
amostra a diferentes tamanhos de população, considerando-se um erro
amostral tolerável igual a 2%.

56 Curso de Graduação em Administração, modalidade a distância

 2

UNIDADE
Figura 14: Tamanho de amostra x tamanho da população (E 0 = 2%)
Fonte: Elaborada pelo autor deste livro

Observe que a partir de determinado tamanho de popula-ção,

para o mesmo erro amostral, o ritmo de crescimento do tamanho da
amostra diminui para 70.000 elementos ou mais, pratica-mente não
há mais aumento. Isso mostra que não há necessidade de retirar, por
exemplo, 50% da população para que se obtenha uma boa amostra.
É importante alertar que, ao calcular o tamanho de amostra
para amostragem estratificada, devemos fazê-lo para cada estrato e o
tamanho total será a soma dos valores. Se isso não for feito, não pode-
mos garantir o erro amostral dentro de cada estrato: se calcularmos
um valor geral e dividirmos o tamanho da amostra por estrato (mes-
mo proporcionalmente), a margem de erro dentro de cada estrato será
maior do que a prevista.

Saiba mais.....
Sobre amostragem, consulte: BARBETTA, Pedro A. Estatística Aplicada às
Ciências Sociais. 7. ed. Florianópolis: Ed. da UFSC, 2008, Capítulo 3.

Sobre características de fácil mensuração consulte em LAGO NETO, João C.

O Efeito da Autocorrelação em Gráficos de Controle para Variável Contínua:
um estudo de caso. Florianópolis. 1999. Dissertação (Mestrado em Engenha-
ria de Produção). Programa de Pós-Graduação em Engenharia de Produção,
Universidade Federal de Santa Catarina. 1999.

Sobre pesquisas eleitorais, consulte: SOUZA, Jorge. Pesquisas Eleitorais:

críticas e técnicas. Brasília (DF): Centro Gráfico do Senado Federal, 1990.

Período 3 57
 2 Sobre como gerar números pseudoaleatórios ou obter amostras aleatórias
simples no [Link] Calc®, leia o texto: Como gerar uma amostra aleatória
simples com o [Link] Calc®, no Ambiente Virtual de Ensino-Aprendiza-
UNIDADE

gem (AVEA).

Sobre Amostragem a esmo, leia: COSTA NETO, Pedro L. da O. Estatística.

2. ed. São Paulo: Edgard Blücher, 2002.

r
Resumindo
O resumo desta Unidade está esquematizado na Figura
15. Observe:

58 Curso de Graduação em Administração, modalidade a distância

 2

UNIDADE
Figura 15: Resumo da Unidade 2
Fonte: Elaborada pelo autor deste livro

Período 3 59
 2 Caro estudante,
Chegamos ao final da Unidade 2 e por meio dela

UNIDADE

aprendemos sobre os temas amostragem e censo,

conhecimentos necessários para o bom adminis-
trador. Essa Unidade foi repleta de Figuras, de
Quadros, de representações e de exemplos relati-
vos ao emprego das técnicas e das diferentes for-
mas de utilizá-las, conforme suas especificidades.
Todo esse estudo servirá de sustentação para as
discussões propostas nas próximas Unidades.
Releia, caso necessário, todos os exemplos, leia as
indicações do Saiba mais e discuta com seus cole-
gas. Na realização da atividade de aprendizagem
você colocará em prática os ensinamentos repas-
sados. Conte sempre com o acompanhamento da
tutoria e das explicações do professor. Lembre-se
que você não está sozinho. Conte com a gente!

Atividades de aprendizagem
aprendizagem

Hora de testar seus conhecimentos com relação ao

estudo da Unidade 2. Para isso, faça as atividades
propostas a seguir e encaminhe-as para seu tutor
por meio do AVEA. Não hesite em buscar o auxílio

do seu tutor se encontrar dificuldades.

1. Analise os planos de amostragens apresentados a seguir e responda:

Você concorda com a maneira como foram elaborados? Justifique.
Apresente as soluções que julgar necessárias.
a) Para ser conhecida a opinião dos estudantes da UFSC so-
bre o Jornal Universitário, foram colhidas as opiniões de

60 Curso de Graduação em Administração, modalidade a distância

 40 estudantes da última fase do curso de Jornalismo des-
sa instituição. 2

UNIDADE
b) Há interesse em medir o índice de luminosidade das salas
de aula da UFSC. A coleta de dados será feita em todos os
centros dessa Universidade durante os períodos diurno e
noturno nas salas que estiveram desocupadas no momento
da pesquisa. Cada centro será visitado apenas uma vez.
c) As constantes reclamações dos usuários motivaram a dire-
ção da Biblioteca Central da UFSC a realizar uma pesqui-
sa sobre o nível de ruído em suas dependências. O ruído
será medido em todas as seções da Biblioteca, na primeira
e na penúltima semanas do semestre, de segunda a sába-
do, durante todo o horário de funcionamento.
d) No controle de qualidade de uma fábrica de peças, que
trabalha 24 horas por dia, sete dias por semana, um item
produzido é retirado de cada máquina a cada meia hora
para avaliação. O procedimento é feito durante todo o dia,
ao longo da semana.
e) O Comando de um Batalhão da Polícia Militar de Santa
Catarina quer conhecer a opinião das pessoas que residem
na área em que ele atua com intuito de formular novas
escalas de policiamento ostensivo. Para tanto, serão feitas
entrevistas com os transeuntes que passarem pela frente
do Batalhão de segunda a sexta das 8h30 às 12 h e das
14 h às 17h30 durante duas semanas.
f) Com a finalidade de estudar o perfil dos consumidores de
um supermercado, observou-se os consumidores que com-
pareciam ao supermercado no primeiro sábado do mês.
g) Com a finalidade de estudar o perfil dos consumidores de
um supermercado, fez-se a coleta de dados durante um
mês. Para esse fim, entrevistou-se, a cada dia, um consu-
midor em cada fila e em caixas diferentes, variando-se sis-
tematicamente o horário de coleta dos dados.
h) Para avaliar a qualidade dos itens que saem de uma linha
de produção, observou-se todos os itens das 14 h às 14h30.

Período 3 61
 2 i) Para avaliar a qualidade dos itens que saem de uma linha
de produção, observou-se um item a cada meia hora, du-
rante todo o dia.
UNIDADE

j) Para estimar a porcentagem de empresas que investiram

em novas tecnologias no último ano, enviou-se um questi-
onário a todas as empresas de um Estado. A amostra foi for-
mada pelas empresas que responderam ao questionário.

2. Determinada faculdade do interior de Santa Catarina possui seis cur-

sos. Seus alunos estão matriculados de acordo com a tabela a seguir:

CURSO DIREITO ADMINISTRAÇÃO ECONOMIA AGRONOMIA VETERINÁRIA COMPUTAÇÃO

Alunos 250 200 150 150 150 100

A diretoria pretende selecionar, por amostragem, alguns alunos para

uma atividade extracurricular.
a) Os cursos de Direito, de Administração e de Economia for-
mam um estrato (socioeconômico); os de Agronomia e de
Veterinária formam outro (agrários); e os de Computação
outro estrato (tecnológicos). Extraia uma amostra
estratificada proporcional de 20 alunos (use o Microsoft
Excel® ou o [Link] Calc®).
b) Através de uma amostragem de conglomerados de dois es-
tágios, extraia uma amostra aleatória de 21 alunos. Seleci-
one três cursos e, depois, sete alunos por curso (use o
Microsoft Excel® ou o [Link] Calc®).
c) Qual das duas amostras você acredita que tem resultados
mais confiáveis? Justifique.

3. Será feito um levantamento por amostragem de uma população de

2.000 famílias para a realização de uma pesquisa.
a) Calcule o tamanho mínimo de uma amostra para que se
tenha um erro amostral máximo de 5%.
b) Supondo a população dividida em dois estratos iguais, qual
o tamanho mínimo de amostra para se obter um erro
amostral máximo de 5% em cada estrato?

62 Curso de Graduação em Administração, modalidade a distância

c) Qual seria o erro amostral em cada estrato do item b se o
tamanho da amostra em cada estrato fosse simplesmente o
valor definido no item a dividido por 2?
2

UNIDADE

Período 3 63
 3
UNIDADE
Análise Exploratória
de Dados


Objetivo
Ao finalizar esta Unidade, você deverá ser capaz de
compreender a definição de Análise Exploratória de
Dados; de entender como se realiza a descrição
tabular e gráfica de conjuntos de dados pertinentes
a variáveis qualitativas e quantitativas.
 3
UNIDADE

66 Curso de Graduação em Administração, modalidade a distância

O Conceito de Análise Exploratória de
Dados
3

UNIDADE
Caro estudante,


Nas Unidades anteriores, estudamos o planejamen-
to de uma pesquisa e as principais técnicas de
amostragem. Conforme vimos, independente de os
dados terem sido coletados via censo ou
amostragem, eles precisam ser interpretados para
atingir os objetivos propostos na pesquisa. O pas-
so inicial para isso é usar os conceitos e as técni-
cas de Análise Exploratória de Dados para resumir
e organizar os dados de maneira que seja possível
identificar padrões e elaborar as primeiras conclu-
sões a respeito da população, isto é, descrever a
sua variabilidade.
Para entender esse contexto, é importante relembrar
a definição de variável e a sua classificação por
nível de mensuração e nível de manipulação, estu-
dadas na Unidade 1.
Nesta Unidade, vamos estudar como realizar a Aná-
lise Exploratória de Dados em cinco casos por meio
de tabelas e gráficos, tipos de conjuntos de dados:
uma variável qualitativa, uma variável quantitati-
va, duas variáveis qualitativas, uma qualitativa e
uma quantitativa e duas quantitativas.
É indispensável que o administrador seja capaz de
realizar a Análise Exploratória de Dados, pois, sem
isso, sua capacidade de tomada de decisões ficará
seriamente comprometida.

Período 3 67
 v A
3 No passa-
do a Aná-
Análise Exploratória de Dados, antigamente chamada ape-
nas de Estatística Descritiva, diz respeito ao que a maioria das
pessoas entende como Estatística e, inconscientemente, usa no
UNIDADE

l i s e dia a dia. Consiste em resumir e em organizar os dados coletados

Exploratória através de tabelas, de gráficos ou de medidas numéricas e, a partir
de Dados dos dados resumidos, procurar alguma regularidade ou padrão nas
era cha- observações (interpretar os dados).
mada de A partir dessa interpretação inicial, é possível identificar se os
Estatística dados seguem alguns modelos conhecidos, que permitam estudar o
Descritiva, por preo-
fenômeno sob análise, ou se é necessário sugerir um novo modelo.
cupar-se com a des-
Usualmente, a concretização dos objetivos de uma pesquisa passa pela
crição dos dados tão
análise de uma ou de mais variáveis estatísticas, ou da sua relação.
somente.
Assim, o processo da análise exploratória de dados baseia-se
em organizar, resumir e interpretar as medidas das variáveis da me-
lhor maneira possível e, para isso, é necessário construir um arquivo
de dados, que tem algumas características especiais.

Variáveis estatísticas –
são características que po-
dem ser observadas ou me-
didas em cada elemento Estrutura de um Arquivo de Dados
pesquisado, em um dado
momento, há um e apenas
um resultado possível. Fon-
te: Barbetta (2007). Uma vez disponíveis, os dados precisam ser tabulados a fim de
possibilitar sua análise. Atualmente, os dados costumam ser armaze-
nados em meio computacional, seja em grandes bases de dados, pro-
gramas estatísticos ou mesmo planilhas eletrônicas, oriundos de pes-
quisa de campo, de registros de operações financeiras, ou de arquivos
de recursos humanos, entre outros. Possuem uma estrutura fixa, que
possibilita a aplicação de várias técnicas para extrair as informações
de interesse.
As variáveis são registradas nas colunas, e os casos (os ele-
mentos da população) nas linhas. As variáveis são as características
pesquisadas ou registradas. Imagine a base de dados do Departamen-
to de Administração Escolar (DAE) da Universidade Federal de Santa
Catarina (UFSC), que armazena as informações dos acadêmicos, con-
tendo as variáveis: o nome do aluno, a data de nascimento, o número
de matrícula, o Índice de Aproveitamento Acumulado (IAA), o Índice
de Aproveitamento por Período (IAP) e outras informações; ou uma
operadora de cartão de crédito, que armazena as transações efetuadas,

68 Curso de Graduação em Administração, modalidade a distância

contendo o número do cartão, nome do titular, data e hora da transa-
ção, valor do crédito, do bem ou do serviço adquirido, estabelecimento.
Os casos constituem cada indivíduo ou registro. Para a base
3

UNIDADE
do DAE, por exemplo: João Ninguém; nascido em 20 de fevereiro de
1985; matrícu-la 02xxxxxxx-01; IAA = 3,5; IAP = 6,0. Para a opera-
dora de cartão de crédito: cartão número xxxxxxxxx-84; José Nenhum;

v
11 de dezembro de 2003; 14h28min; R$ 200,00; supermercado.
Exemplo 1 – A Megamontadora TOYORD conduz, com regula-
ridade, pesquisas de mercado com os clientes que compraram carros Trata-se de uma empre-
zero km diretamente de suas concessionárias. O objetivo é avaliar a sa e de uma pesquisa
satisfação deles em relação aos diferentes modelos, ao desing e, fictícias.
consequentemente, perceber a adequação, ou não, desses itens ao perfil
do cliente. A última pesquisa foi terminada em julho de 2007, quando
foram entrevistados 250 clientes do total de 30.000 que compraram
veículos novos entre maio de 2006 e maio de 2007. A pesquisa foi
restringida aos modelos mais vendidos e aos que estão no mercado
há dez anos.

 Modelo comprado: o compacto Chiconaultla, o sedã médio

DeltaForce3, a perua familiar Valentiniana, a van
SpaceShuttle ou o luxuoso LuxuriousCar.
 Opcionais: inexistentes (apenas os itens de série); ar-con-
dicionado e direção hidráulica; ar-condicionado, direção
hidráulica e trio elétrico; ar-condicionado, direção hidráu-
lica, trio elétrico e freios ABS.
 Opinião sobre o design: se os clientes consideram o
design do veículo comprado ultrapassado, atualizado, ou
adiante dos concorrentes.
 Opinião sobre a concessionária onde comprou o
veículo (incluindo atendimento na venda, manu-
tenção programada e eventuais problemas): muito
insatisfatória, insatisfatória, não causou impressão,
satisfatória, bastante satisfatória.
 Opinião geral sobre o veículo adquirido: muito insa-
tisfeito, insatisfeito, satisfeito, bastante satisfeito.
 Renda declarada pelo cliente: em salários mínimos
mensais.
 Número de pessoas geralmente transportadas no veículo.

Período 3 69
 3  Quilometragem mensal média percorrida com o veículo.
 Percepção do cliente relativa aos anos que o veículo
comprado sofreu sua última remodelação de design: em
UNIDADE

anos completos (se há menos de um ano o entrevistador

anotou zero).
 Idade do cliente em anos completos.

 Imagine que você é trainee da Toyord e tem por

missão analisar os resultados da pesquisa em rela-
tório e, dependendo do seu desempenho, poderá
ser contratado ou dispensado (sem carta de reco-
mendação). A questão é: como deve ser estruturada
a base de dados para permitir a análise?

Digamos que você dispõe dos 250 questionários que foram apli-
cados e irá tabulá-los em uma planilha eletrônica. Há dez variáveis;
logo, a base de dados deve conter então dez colunas e 250 linhas (no
Calc® são 251, já que a primeira é usada para pôr o nome das variá-
veis). Veja o resultado com as primeiras linhas (casos) na Figura 16:

Figura 16: Base de dados da Toyord

Fonte: Adaptada de Linux (2008)

Veja que cada uma das variáveis é registrada em uma coluna

específica e, nas linhas, encontram-se os registros de cada funcio-
nário. Por exemplo, o respondente 1 adquiriu um modelo Deltaforce3,
com os opcionais: ar-condicionado e direção hidráulica e considera o
design do veículo atualizado. Disse que o atendimento da concessioná-

70 Curso de Graduação em Administração, modalidade a distância

ria onde comprou o veículo não causou impressão e que está muito
insatisfeito com seu veículo. Tem renda mensal de 24,98 salários mí-
nimos (R$ 9.492,00), costuma levar cinco pessoas no veículo, trafega
3

UNIDADE
em média 415 km por mês, afirma que a última remodelação foi feita
há dois anos e tem 35 anos de idade. Esse raciocínio pode ser estendi-
do para os outros 249 respondentes. Analisando as variáveis isolada-
mente ou em conjunto, podemos atingir os objetivos da pesquisa.
O arquivo de dados mostrado na Figura 16 está disponível no

v
Ambiente Virtual de Ensino-Aprendizagem no formato do Excel® e do
Calc®. Juntamente com ele está disponibilizado o texto Como realizar Veja a seção Saiba mais
análise exploratória de dados no [Link] Calc®, e como realizar aná- desta Unidade. O arqui-
lise exploratória de dados no Microsoft Excel®. vo de dados e o texto
servirão para as Unida-
A maioria dos programas estatísticos, gerenciadores de bases
des 3 e 4.
de dados e de planilhas eletrônicas com capacidade estatística exige
que os dados sejam estruturados de acordo com o formato da Figura
16. Podemos ter tantas colunas e linhas quantas quisermos, respeitan-
do, porém, a capacidade dos programas. O Microsoft Excel®, por exem-
plo, admite 65.000 linhas, o que é suficiente para muitas aplicações.
Estando os dados no formato apropriado, especialmente se em
meio digital, podemos passar para a etapa de análise. Uma das ferra-
mentas mais úteis para isso é a distribuição de frequências, como
veremos a seguir.

Distribuição de Frequências

O processo de resumo e de organização dos dados busca basi-

camente registrar as ocorrências dos possíveis valores das variáveis
que caracterizam o fenômeno. Em suma, consiste em elaborar
Distribuições de
Distribuições de Frequências das variáveis para que o conjunto Frequências – organiza-
de dados possa ser reduzido e, assim, possibilite sua análise. ções dos dados de acordo
com as ocorrências dos di-
A construção da distribuição de frequências exige que os pos-
ferentes resultados observa-
síveis valores da variável sejam discriminados e seja contado o núme- dos. Fonte: Barbetta, Reis e
ro de vezes em que cada valor ocorreu no conjunto de dados. Para Bornia (2008).

grandes arquivos de informações, tal processo é viável somente utili-

zando-se meios computacionais.
Uma distribuição de frequências pode ser expressa através de
tabelas ou de gráficos, que terão algumas particularidades dependen-
do do nível de mensuração da variável e de quantas variáveis serão
analisadas. Veremos cinco casos: 1- quando há apenas uma variável

Período 3 71
 3 qualitativa; 2- com apenas uma variável quantitativa; 3- com duas
variáveis qualitativas; 4- com duas variáveis quantitativas; e 5- com
uma variável qualitativa e uma quantitativa.
UNIDADE

Caso de Uma Variável Qualitativa

Usualmente, uma variável qualitativa assume apenas alguns
valores: basta, então, discriminá-los e contar quantas vezes eles ocor-
rem no conjunto. Essa contagem pode ser registrada em números ab-
Se alguém diz que solutos, frequência absoluta; ou em números relativos, frequência
33,33% das mulheres relativa ou percentual. Ambos os registros devem ser feitos e apre-
de um curso se casaram sentados: a frequência absoluta permite avaliar se os resultados são

v
com professores, você sólidos (é temerário tomar decisões com base em pequenas quantida-
pode ter uma má im- des de dados); já a frequência relativa possibilita comparar os resul-
pressão delas. Mas se
tados da distribuição de frequências com outros conjuntos de tama-
diz que das três mulhe-
nhos diferentes. A distribuição de frequências pode ser apresentada
res (dados brutos) do tal
em forma de tabela ou gráfico.
curso uma delas se ca-
sou com o professor, o


efeito é diferente. Fonte:
Huff (1992).
Exemplo 2 – Imagine que você está interessado
em descrever a variável “opinião sobre as conces-
sionárias” (vista no Exemplo 1), isoladamente; e
representar os dados em forma de tabela. Como
ficariam os resultados? Saiba que o resultado seria
Frequência absoluta –
registro dos valores da vari- semelhante ao ilustrado no Quadro 2, uma apre-
ável por meio de contagem sentação tabular da variável “opinião sobre con-
das ocorrências no conjun-
cessionárias”.
to de dados. Fonte:
Barbetta, Reis e Bornia
(2008).

Frequência relativa ou PERCENTUAL

VALORES FREQUÊNCIA
percentual – registro dos
valores da variável por meio Muito insatisfatória 29 11,60%
de proporção (relativa) ou Insatisfatória 58 23,20%
percentagem (percentual)
do total das ocorrências do Não causou impressão 75 30,00%
conjunto de dados. Fonte: Satisfatória 50 20,00%
Barbetta, Reis e Bornia
Bastante satisfatória 38 15,20%
(2008).
Total 250 100%
Quadro 2: Opinião dos clientes sobre as concessionárias Toyord
Fonte: Elaborado pelo autor deste livro

72 Curso de Graduação em Administração, modalidade a distância

 Concluímos, com esse segundo exemplo, que as
concessionárias não são exatamente bem vistas
 3

UNIDADE
pelos clientes: apenas 35,20% dos entrevistados
as consideram satisfatórias ou bastante satisfatórias.
Pense que, nesse caso, o administrador terá que
descobrir as causas de tal resultado e atuar para
resolver os problemas.

Podemos aplicar um raciocínio semelhante para as outras va-

riáveis qualitativas e apresentar uma descrição gráfica da distribui-
ção de frequências. Quando a variável é qualitativa, podemos usar
dois tipos de gráficos: em barras ou em setores.
No gráfico de barras (Figura 17), são colocadas, em um dos
eixos, as categorias da variável e, no outro, as frequências ou
percentuais de cada categoria. As barras podem ser horizontais ou
verticais (use essas preferencialmente). Para os dados do segundo
exemplo, usando as frequências, temos:

Figura 17: Opinião sobre as concessionárias

Fonte: Elaborada pelo autor deste livro

Trata-se da mesma distribuição de frequências observada no

Quadro 2. A apreensão da informação, porém, é muito mais rápida
através de um gráfico. Percebe-se claramente que a opção “Não cau-
sou impressão” apresenta maior frequência.

Período 3 73
 3  Contudo, você consegue identificar alguma parti-
cularidade no gráfico? Olhe bem!
UNIDADE

A escala começa em 20, não em zero. Sendo assim, as diferen-

ças relativas entre as frequências podem ser distorcidas, o que pode
levar a uma interpretação diferente dos resultados: Portanto, cuidado
com as escalas dos gráficos! É muito comum vermos erros grosseiros
nessas escalas veiculados na mídia em geral. Provavelmente por igno-
rância, mas devemos estar atentos. Os administradores tomam deci-
sões com base na interpretação de gráficos. Logo, estes devem retra-
tar fielmente a realidade. Veja a Figura 18, com a escala correta.

Figura 18: Opinião sobre as concessionárias

Fonte: Elaborada pelo autor deste livro

Outro tipo de gráfico bastante utilizado é o gráfico circular, em

setores ou em "pizza". Ele é apropriado quando o número de valores
da variável qualitativa não é muito grande, mas sua construção é um
pouco mais elaborada do que o gráfico de barras. Consiste em dividir
um círculo (360º) em setores proporcionais às realizações de cada
categoria por meio de uma regra de três simples, na qual a frequência
total (ou o percentual total: 100%) corresponderia aos 360º e a
frequência, ou a proporção de cada categoria, corresponderia a um
valor desconhecido em graus.

74 Curso de Graduação em Administração, modalidade a distância

 Observe os valores em graus correspondentes aos resultados
do Quadro 3. 3

UNIDADE
VALORES FREQÜÊNCIA PERCENTUAIS GRAUS
Muito insatisfatória 29 11,60% 41,76
Insatisfatória 58 23,20% 83,52
Não causou impressão 75 30,00% 108
Satisfatória 50 20,00% 72
Bastante satisfatória 38 15,20% 54,72
Total 250 100% 360

Quadro 3: Opinião dos clientes sobre as concessionárias Toyord

Fonte: Elaborado pelo autor deste livro

E o gráfico em setores será conforme apresentado na Figura

19:

Figura 19: Opinião sobre as concessionárias

Fonte: Elaborada pelo autor deste livro

Pela observação dos percentuais, é possível reparar o predo-

mínio da opção “Não causou impressão”, com 30% das respostas. Se
a variável qualitativa contivesse muitos valores (por exemplo, bairros
da região metropolitana de São Paulo), o gráfico dificilmente resumi-
ria alguma coisa, pois teria um número excessivo de fatias. Isso tam-
bém ocorre com variáveis quantitativas, especialmente as contínuas.

Período 3 75
 3 Caso de Duas Variáveis Qualitativas
O administrador, frequentemente, precisa estudar a relação entre
UNIDADE

duas ou mais variáveis para tomar decisões. Por exemplo: existe relação
entre o sexo do consumidor e a preferência por um modelo de carro? Ou
entre a escolaridade do eleitor e o candidato eleito presidente?
Quando as duas variáveis são qualitativas (originalmente, ou
quantitativas categorizadas), usualmente é construída uma distribui-
ção conjunta de frequências, também chamada de tabela de con-
tingências ou dupla classificação e, nela, são contadas as frequências
de cada cruzamento possível entre os valores das variáveis. A expres-
são pode incluir o cálculo de percentuais em relação ao total das li-
Ta b e l a d e c o n t i n g ê n - nhas, colunas ou total geral da tabela. A representação gráfica tam-
cias – tabela que permite
bém é possível.
analisar o relacionamento
entre duas variáveis, nas li- Vamos ver um caso para a mesma situação do Exemplo 1. Ago-
nhas são postos os valores ra você está interessado em observar a relação entre a variável mode-
de uma delas, e nas colu-
lo adquirido e a opinião geral do cliente sobre o veículo e expressá-la
nas os da outra, e nas célu-
las contam-se as de forma tabular e gráfica.
frequências de todos os cru- A variável modelo apresenta cinco resultados possíveis (cinco
zamentos possíveis. Fonte:
Barbetta (2007).
modelos foram considerados nesta pesquisa), e a variável opinião geral
pode assumir quatro resultados (Bastante satisfeito, satisfeito, insatis-
feito e muito insatisfeito). Isso significa que podemos ter até 20 cruza-
mentos possíveis para os quais precisamos contar as frequências. Para
grandes bases de dados, inclusive para o nosso exemplo com apenas
250 casos, seria um processo tedioso e suscetível a erros. Portanto, o
mais inteligente é utilizar alguma ferramenta computacional, como a
planilha eletrônica Microsoft Excel® ou o [Link] Calc®.
Empregando-se uma ferramenta computacional, chegaremos ao
Quadro 4.
O PINIÃO GERAL SOBRE O VEÍCULO

MODELO MUITO INSATISFEITO SATISFEITO BASTANTE TOTAL

INSATISFEITO SATISFEITO

1 1
Chiconaultla 69 11 1 0 81
DeltaForce3 29 22 5 0 56
Valentiniana 11 18 9 3 41
SpaceShuttle 1 14 17 10 42
LuxuriousCar 0 1 9 19 29
Total 110 67 41 32 250
Quadro 4: Tabela de contingências de modelo por opinião geral (apenas
frequências)
Fonte: Elaborado pelo autor deste livro
76 Curso de Graduação em Administração, modalidade a distância
 Observe a última coluna e a última linha do Quadro 4: são os
chamados totais marginais, isto é, as frequências dos valores das
variáveis Modelo e Opinião geral sobre o veículo, respectivamente.
3

UNIDADE
Percebe-se que os modelos Chiconaultla e DeltaForce3 são os mais
vendidos, e que as opiniões negativas (muito insatisfeito e insatisfei-
to) são mas frequentes do que as positivas.
Além disso, é fácil perceber que as opiniões negativas são as
predominantes nos modelos Chiconaultla, DeltaForce3 e em menor
grau no Valentiniana. Apenas os modelos SpaceShuttle e LuxuriousCar
têm proprietários predominantemente satisfeitos.
Você deve ter percebido também uma linha com várias células Totais marginais – totais
das linhas ou das colunas
vazias (apenas uma observação na opção insatisfeito). Trata-se de de uma tabela de contin-
um dado perdido: o entrevistado esqueceu de mencionar o modelo gência, permitem avaliar
adquirido, ou o entrevistador não o registrou durante a realização da individualmente as variá-
veis componentes da tabe-
pesquisa, ou mesmo houve um erro de digitação. Como a quantidade la. Fonte: Bussab e Morettin
aqui é muito pequena (1 em 250, 0,4%), não causará problemas. (2003).
Apenas quando a quantidade ultrapassa 5% da base de dados há

v
motivo para preocupação; pois, ou houve muitos erros de digitação
na tabulação dos dados ou o instrumento de pesquisa foi mal proje-
tado, pois muitos elementos da população não forneceram as infor-
mações desejadas.
Conforme vimos na
O Quadro 4 pode ser apresentado de forma gráfica, através de
Unidade 1.
um gráfico de barras múltiplas.

Figura 20: Opinião geral por modelo

Fonte: Elaborada pelo autor deste livro

As frequências absolutas podem ser insuficientes para a inter-

pretação dos resultados, especialmente quando comparamos os resul-

Período 3 77
 3 tados com outros conjuntos de dados de tamanhos diferentes. Assim,
podemos calcular percentuais em relação aos totais de cada coluna,
ou em relação aos totais de cada linha ou ainda ao total geral da
UNIDADE

tabela. Vamos apresentar, no Quadro 5, apenas um dos percentuais

possíveis em relação aos totais das linhas (maiores detalhes nos tex-
tos “Como realizar análise exploratória de dados no Microsoft Excel®”
e “Como realizar análise exploratória de dados com o [Link]
Calc®”):

O PINIÃO GERAL SOBRE O VEÍCULO

MODELO MUITO INSATISFEITO SATISFEITO BASTANTE TOTAL

INSATISFEITO SATISFEITO

Chiconaultla 69 11 1 0 81
85,19% 13,58% 1,23% 0,00% 100%
DeltaForce3 29 22 5 0 56
51,79% 39,29% 8,93% 0,00% 100%
Valentiniana 11 18 9 3 41
26,83% 43,90% 21,95% 7,32% 100%
SpaceShuttle 1 14 17 10 42
2,38% 33,33% 40,48% 23,81% 100%
LuxuriousCar 0 1 9 19 29
0,00% 3,45% 31,03% 65,52% 100%
Total 110 66 41 32 249
44,18% 26,51% 16,47% 12,85% 100%

Quadro 5: Tabela de contingência de opinião geral por Modelo

(com % por linha)
Fonte: Elaborado pelo autor deste livro

 Vistos os exemplos, o que você pode concluir acer-

ca da satisfação dos clientes com relação aos mo-
delos? Qual modelo deveria receber atenção
prioritária?
Veja que o cruzamento de duas variáveis qualitati-
vas é atividade corriqueira para o administrador
que, frequentemente, precisa avaliar mais de duas
variáveis, o que exige métodos matemáticos sofis-
ticados, implementados computacionalmente. A
seguir, aprofundaremo-nos nesse tema.

78 Curso de Graduação em Administração, modalidade a distância

 Caso de Uma Variável Quantitativa
A construção das distribuições de frequências para variáveis
3

UNIDADE
quantitativas é semelhante ao caso das variáveis qualitativas: relacio-
nar os valores da variável com as suas ocorrências no conjunto de
dados. Todavia, apresenta algumas particularidades a depender de a
variável ser discreta ou contínua.
Se a variável fosse quantitativa discreta e pudesse assumir ape-
nas alguns valores, a abordagem seria semelhante a das variáveis
qualitativas. A diferença reside na substituição de atributos por nú-
meros, que gera uma distribuição de frequência para dados não
agrupados. Vamos ver um exemplo.
Exemplo 4 – para a mesma situação do Exemplo 1: imagine
que você está interessado em descrever a variável número de pessoas
usualmente transportadas no veículo, isoladamente, e representar os
dados em forma de tabela. Como ficariam os resultados? O resultado
seria semelhante ao mostrado no Quadro 6, uma apresentação tabular
(em forma de tabela) da variável número de pessoas transportadas.

VALORES FREQUÊNCIA PERCENTUAL

1 19 7,60%
2 29 11,60%
3 43 17,20%
4 42 16,80%
5 57 22,80%
6 60 24,00%
Total 250 100%

Quadro 6: Número de pessoas usualmente transportadas no veículo

Fonte: Elaborado pelo autor deste livro

Pela observação do Quadro 6, podemos concluir que os veícu-

los têm uso predominantemente “familiar” (várias pessoas transpor-
tadas usualmente). Sabendo disso, o administrador pode decidir por
direcionar o marketing ou mesmo a produção de modelos visando ao
segmento de famílias maiores. Uma abordagem semelhante poderia
ser aplicada para as outras variáveis discretas: anos de remodelação
e a idade dos consumidores.

Período 3 79
 3
 Como representar a distribuição de frequências para
variáveis qualitativas discretas graficamente? O

v
UNIDADE

Quadro 6 poderia ser representado através de um

Histograma, um gráfico de barras justapostas, e
que as áreas das barras são proporcionais às
frequências de cada valor. Vamos ver a Figura 21:
A maioria dos pro-
gramas (estatísti-
cos ou não) que
constroem em
histogramas para variá-
veis quantitativas dis-
cretas costuma ignorar
isso.

Figura 21: Histograma do número de pessoas transportadas por veículo

Fonte: Elaborada pelo autor deste livro

 Nesse caso, poderíamos usar o gráfico em setores?

A resposta é não, pois formalmente o gráfico em
setores deve ser usado apenas para variáveis qua-
litativas. A interpretação é a mesma, mas a apre-
ensão da informação é mais rápida. Observe que
não há problemas com a escala vertical, pois ela
começa em zero.

Se a variável quantitativa for contínua, o procedimento descri-

to anteriormente será inviável como instrumento de resumo do con-
junto, porque todos os valores têm praticamente frequência baixa, o
que resultaria em uma tabela enorme.

80 Curso de Graduação em Administração, modalidade a distância

 Se o conjunto de dados for pequeno, até 100 observações, é
possível usar ferramentas gráficas como o diagrama de pontos e o
ramo em folhas.
3

UNIDADE
Se o conjunto for grande, é preciso representar os dados por
meio de um conjunto de faixas de valores mutuamente exclusivas (para
que cada valor pertença apenas a uma faixa), que contenha do menor
ao maior valor do conjunto: registram-se, então, o número de valores
do conjunto que se encontram em cada faixa. Há duas maneiras de
fazer isso:

 através da categorização (recodificação) da variável. Por Categorização – proces-

exemplo: todos que ganham até quatro salários mínimos so pelo qual se transforma
uma variável quantitativa
(R$ 1.680,00) pertencem à classe baixa; os que ganham
em qualitativa, associando
entre 4,01 e 20 salários mínimos (até R$ 8.400,00) perten- atributos a intervalos de va-
cem à classe média; e, acima disso, pertencem à classe alta. lores numéricos, por exem-
plo, classe A para uma cer-
Essa abordagem é largamente utilizada na mídia.
ta faixa de renda familiar.
 mediante a distribuição de frequências para dados Fonte: Elaborado pelo autor
deste livro.
agrupados (ou agrupada em classes), processo mais ela-
Distribuição de
borado e mais “estatístico”. Veremos o procedimento a se-
frequências para dados
guir. agrupados – distribuição
de frequências na qual os
O processo para montagem da distribuição de frequências para valores da variável são agru-
dados agrupados é o seguinte: pados em faixas de ocorrên-
cia, e as frequências conta-
 Determinar o intervalo do conjunto (diferença entre o mai- das para cada faixa, para
facilitar o resumo do con-
or e o menor valor do conjunto). junto de dados, usualmen-
te empregado para variáveis
 Dividir o intervalo em um número conveniente de classes,
quantitativas contínuas.
onde: . Nesse ponto há grande Fonte: Barbetta, Reis e
controvérsia entre os estatísticos e a fórmula apresentada é Bornia (2008).

apenas uma das opções possíveis. Admite-se que o núme-

ro mínimo de classes seja igual a 5 e o máximo 20, mas se
aceita uma definição arbitrária nesse intervalo.
 Estabelecer as classes com a seguinte notação:
Li = limite inferior; Ls = limite superior;
Li |-- Ls = limite inferior incluído, superior excluído; e
Li |--| Ls = ambos incluídos.
Determinar as frequências de cada classe.
Determinar os pontos médios de cada classe por meio da
média dos dois limites (serão os representantes das classes).

Período 3 81
 3  Vamos ver exemplos de ambas as abordagens.
UNIDADE

Exemplo 5 – para a mesma situação do Exemplo 1: imagine

que você está interessado em descrever a variável renda dos consumi-
dores, isoladamente, e representar os dados em forma de tabela. Como
ficariam os resultados nos seguintes casos:

a) Se optássemos por categorizar a variável da seguinte for-

ma: todos que ganham até quatro salários mínimos
(R$ 1.680,00) pertencem à classe baixa; os que ganham
entre 4,01 e 20 salários mínimos (até R$ 8.400,00) perten-

v
cem à classe média; e, acima disso, pertencem à classe alta?
b) Se optássemos por uma distribuição de frequências para
dados agrupados?

No caso do item a, a categorização levará à criação de uma

A resolução passo a pas-
nova variável, agora qualitativa, permitindo uma abordagem seme-
so desse problema está
na seção Saiba mais lhante a que vimos anteriormente. No Quadro 7 e na Figura 22 estão
desta Unidade, que ex- os resultados: tabela de frequências e gráfico em setores.
plica como realizar Aná-
VALORES FREQUÊNCIA PERCENTUAL
lise Exploratória de Da-
dos no Excel. Aqui, apre- Classe baixa (até 2 s.m.) 2 0,8%

sentaremos apenas os Classe média (entre 2,01 e 20 s.m.) 104 41,6%

resultados finais. Classe alta (acima de 20 s.m.) 144 57,6%
Total 250 100%

Quadro 7: Renda categorizada em classe social

Fonte: Elaborado pelo autor deste livro

Figura 22: Gráfico em setores para a renda categorizada em classes

Fonte: Elaborada pelo autor deste livro

82 Curso de Graduação em Administração, modalidade a distância

 Observe que perdemos informação sobre os dados originais de
renda ao fazer a categorização. A interpretação é relativamente sim-
ples: a maioria absoluta (mais de 50%) dos clientes da montadora
3

UNIDADE
pode ser considerada de classe alta (renda superior a 20 salários mí-
nimos mensais). A grande discussão que surge nesse caso é quem
define o que é classe baixa, média ou alta (ou A, B, C, D e E). Uma
sugestão é utilizar a classificação do IBGE.

v
Passando para o item b, devemos seguir os passos:

 Intervalo = Maior – Menor = 86,015 – 1,795 = 84,22 (a

maior renda é de 86,015 salários mínimos e a menor de
1,795, as classes devem englobar do menor ao maior valor).
Esses valores foram ob-
 . Por esse ex- tidos no arquivo de da-
pediente, deveríamos usar 16 classes. Porém, conforme foi dos citado no início des-
dito anteriormente, o número de classes pode ser definido ta Unidade.
de forma arbitrária. Para simplificar nosso problema va-
mos usar cinco classes.
Amplitude das classes = 86,015/5 = 16,844 (valor exato).
A amplitude das classes pode ser ligeiramente maior do que
a obtida anteriormente, poderíamos, novamente tentando
a simplificação do problema, usar amplitude igual a 16,85.
Se a amplitude não for um valor exato, deve sempre ser
arredondado para cima, garantindo que as classes conte-
rão do menor ao maior valor. As classes podem, então, ser
definidas.
 Classes:
1,795|-18,645 18,645|- 35,495 35,495|- 52,345
52,345|- 69,195 69,195|- 86,045
(nesse caso, o ponto inicial foi o próprio menor valor do
conjunto. Poderia ser outro valor conveniente abaixo do
menor valor).
 Pontos médios de cada classe: (limite inferior + limite su-
perior)/2
(os pontos médios calculados estão no quadro a seguir)
 Frequências de cada classe (Quadro 8):

Período 3 83
 3 CLASSES
1,795|-18,645
FREQUÊNCIA
98
PERCENTUAL
39,2%
PONTOS MÉDIOS
10,22
UNIDADE

18,645|- 35,495 102 40,8% 27,07

35,495|- 52,345 38 15,2% 43,92
52,345|- 69,195 9 3,6% 60,77
69,195|- 86,045 3 1,2% 77,62
Total 250 100% –

Quadro 8: Renda agrupada em classes

Fonte: Elaborado pelo autor deste livro

Observe que perdemos informação sobre o conjunto original:

sabemos que há 98 pessoas com renda entre 1,795 e 18,645 salários
mínimos, mas não quais são os seus valores exatos, ou seja, as
frequências das classes passam a ser as frequências dos pontos médios.
Podemos afirmar que quase 80% dos clientes têm renda até 35,495
salários mínimos.
O Quadro 8 também pode ser representado através de um
histograma (Figura 23), uma vez que a variável permanece sendo for-
malmente quantitativa. Mas o histograma para uma tabela de dados
agrupados é diferente daquele visto anteriormente. O número de bar-
ras é igual ao número de classes. Cada barra é centrada no ponto
médio de cada classe, o ponto inicial de cada barra é o limite inferior
da classe, e o ponto final é o limite superior.

Figura 23: Histograma para renda agrupada em classes

Fonte: Elaborada pelo autor deste livro

84 Curso de Graduação em Administração, modalidade a distância

 Note que a interpretação é mais direta quando observamos o
gráfico apresentado na Figura 23.
Mas aqui surge um fato interessante. Parece haver contradição
3

UNIDADE
com a interpretação do item a, pois concluímos que a maioria absolu-
ta dos clientes é de classe alta. Isso ocorre devido à definição arbitrá-
ria das classes. Pense em como você resolveria essa contradição.
O agrupamento em classes apresenta algumas desvantagens,
além da já citada perda de informação sobre o conjunto original.
Os pontos médios nem sempre são os representantes mais fiéis
das classes. Para grande quantidade de dados, existe maior probabili-

v
dade de que essas estimativas correspondam exatamente aos verda-
deiros valores. Outro problema são as medidas estatísticas calculadas
com base na distribuição de frequências para dados agrupados: serão
apenas estimativas dos valores reais devido à perda de informação
A tendência atual é não
referida anteriormente.
calcular medidas estatís-


ticas com base em tabe-
las de dados grupados.
Agora, vamos ver como analisar o relacionamento
entre duas variáveis quantitativas.

Caso de Duas Variáveis Quantitativas

Muitas vezes também estamos interessados em avaliar a rela-
ção entre variáveis quantitativas, sejam elas discretas ou contínuas. Correlação – medida de
associação entre duas vari-
Basicamente, há interesse em, a partir de dados, verificar se e áveis quantitativas. Fonte:
como duas variáveis quantitativas relacionam-se entre si em uma Barbetta, Reis e Bornia
população, ou seja, avaliar se há correlação entre elas, e avaliar a (2008).

força e a direção (se elas caminham na mesma direção ou em dire-

ções opostas) dessa correlação, caso ela exista.
Uma das variáveis é chamada de independente. Essa pode ser
uma variável que o pesquisador manipulou para observar o efeito em
outra, ou alguma cuja medição possa ser feita de maneira mais fácil
ou precisa, sendo então suposta sem erro.
Há outra variável chamada de dependente cujos valores são
resultado da variação dos valores das variáveis independentes.

Período 3 85
 3

!
A denominação de correlação costuma levar a má in-
terpretação do significado da “correlação” entre variá-
veis: se há correlação entre variáveis significa que os
UNIDADE

seus valores variam em uma mesma direção, ou em

direções opostas, com certa “força”, ou seja, correla-
ção não significa causalidade.

Por exemplo, pode haver correlação entre a pluviosidade men-

sal (em mm) em Florianópolis e o número de ratos exterminados por
mês na cidade de Sidney, na Austrália, mas seria um pouco forçado
imaginar que uma coisa “causou” a outra. É necessário usar bom
Observações empare-
senso!
lhadas – medidas de duas
ou mais variáveis que foram Em outro caso, ao avaliarmos o relacionamento entre renda
realizadas com a mesma mensal em reais e área em m² da residência de uma família, espera-
unidade experimental/
amostral, no mesmo mo-
mos um relacionamento positivo entre ambas: para maior renda (in-
mento. Fonte: Elaborado dependente), esperamos maior área (dependente).
pelo autor deste livro.
Para que seja possível avaliar o relacionamento entre duas va-
riáveis (nesse caso quaisquer delas, não apenas quantitativas), os
dados devem provir de observações emparelhadas e em condi-
ções semelhantes. Desse modo, ao avaliarmos a correlação existente
entre a altura e o peso de um grupo de crianças, por exemplo, o peso
de determinada criança deve ser medido e registrado no mesmo ins-
tante em que é medida e registrada a sua altura e correlacionado à
variável renda e à área da residência da mesma família, no mesmo
momento.
Se estivermos analisando duas variáveis quantitativas, cujas
Saiba mais nos textos
observações constituem pares ordenados, denominadas essas variá-
Como realizar Análise
veis de X (independente) e Y (dependente), poderemos plotar o con-
Exploratória de Dados
no Br. Office Calc® e junto de pares ordenados (x,y) em um diagrama cartesiano, que é cha-
mado de Diagrama de Dispersão. Atualmente, isso pode ser feito

v
Como realizar Análise
Exploratória de Dados com aplicativos computacionais, uma planilha eletrônica como o
no Microsoft Excel®. [Link] Calc® ou Microsoft Excel®.
Por meio do diagrama de dispersão, podemos ter uma ideia
ini-cial de como as variáveis estão relacionadas: a direção da correla-
ção (isto é, quando os valores de X aumentam, os valores de Y au-
mentam também ou diminuem); a força da correlação (em que “taxa”
os valores de Y aumentam ou diminuem em função de X); e a nature-

86 Curso de Graduação em Administração, modalidade a distância

za da correlação (se é possível ajustar uma reta, parábola, exponencial
aos pontos). 3


UNIDADE
Para esclarecer, vamos ver um exemplo.

Uma empresa agroindustrial processa soja para obter óleo. A

direção quer estudar a relação entre o valor da soja (em dólares por
tonelada) na bolsa de cereais de Chicago e a cotação da ação da
empresa (em dólares) na bolsa de Nova Iorque. Para tanto coletou um
conjunto de 400 pares de observações e plotou o diagrama de disper-
são exposto na Figura 24.
Observando o diagrama (Figura 24), é possível afirmar que a
relação entre as variáveis é fortemente linear?

Figura 24: Diagrama de dispersão de cotação da ação por preço da soja

Fonte: Elaborada pelo autor deste livro
Série temporal – conjun-
A correlação entre as variáveis é claramente positiva: maiores to de observações de uma
variável quantitativa, orde-
valores de preço da soja correspondem a maiores valores de cotação
nado no tempo (diário, se-
da ação, o que parece plausível. A correlação parece ser muito forte, manal, mensal, anual).
pois os pontos estão muito próximos. Quanto à natureza, é possível Fonte: Moore, McCabe,
Duckworth e Sclove
observar que seria possível ajustar uma reta entre os pontos. Portanto,
(2006).
concluímos que a relação entre as variáveis é fortemente line-ar. Po-
deríamos então obter a equação da reta para, a partir dos valo-res da
soja, prever a cotação da empresa agroindustrial.
Se uma das variáveis quantitativas for o tempo (medido em
anos, meses, semanas, dias) teremos uma série temporal.

Período 3 87
 3 Em Saiba
mais, va-
mos apre-
Você já deve ter visto em algum lugar uma tabela ou gráfico
mostrando evolução do PIB do Brasil ao longo dos anos, ou a evolu-
ção da população de um país, ou mesmo os percentuais de intenção

v
UNIDADE

sentar algu- de voto para os candidatos à presidência a cada pesquisa eleitoral. O

mas referên- objetivo da análise de uma série temporal é identificar a existência de
cias sobre o
padrões que nos auxiliem a tomar decisões.
assunto,
que serão
extrema-
Vamos agora ao último caso desta Unidade, que é
mente úteis
muito importante para o administrador por ser co-
caso você precise lidar
mum a necessidade de estudar a relação entre uma
com séries temporais.
variável qualitativa e outra quantitativa.

Caso de Uma Variável Qualitativa e Uma Quantitativa

Em geral, pressupõe-se que analisaremos a variável quanti-
tativa em função dos valores da variável qualitativa, visto que esta
costuma ter menos opções, o que simplificaria o processo e permitiria
resumir mais os dados.
Na Unidade 1, falamos sobre classificação das variáveis por
nível de manipulação, em independente e dependente. Se estivermos
estudando duas variáveis, uma qualitativa e outra quantitativa, a qua-
litativa será considerada independente (ou de agrupamento) e a quan-
titativa a dependente. Vejamos dois exemplos rápidos.
Imagine que você está realizando uma pesquisa experimental.
Há interesse em avaliar a resposta a um medicamento contra o diabe-
tes, que deveria reduzir o nível de glicose no sangue dos indivíduos
portadores da doença. Para testar a eficiência do medicamento, você
realiza um experimento sorteando dois grupos de voluntários. Um gru-
po receberá o medicamento e o outro o placebo durante um período
de tempo. Ao final do experimento, os níveis de glicose dos indivíduos
dos dois grupos são medidos para avaliar se no grupo que recebeu o
me-dicamento eles sofreram redução significativa. Há duas variáveis,
a independente, grupo de indivíduos, com dois valores (grupo tratado
e grupo placebo), qualitativa; e a dependente, nível de glicose no san-
gue, quantitativa. Nesse caso, a definição de variável independente
como a que é manipulada para causar um efeito na dependente é
aceitável.

88 Curso de Graduação em Administração, modalidade a distância

 Em outra situação, em uma pesquisa de levantamento, a variá-
vel independente seria meramente uma variável de agrupamento, para
categorizar a variável dependente. Vamos ver um exemplo a respeito.
3

UNIDADE
Para a mesma situação do Exemplo 1. No caso, gostaríamos
de avaliar se existe alguma relação entre a renda do consumidor e o
modelo adquirido. Espera-se que tal relação exista, pois os modelos
Chiconaultla e DeltaForce3 são os mais baratos, e o sofisticado
LuxuriousCar é o mais caro de todos.
Nesse caso, podemos obter distribuições de frequências da va-
riável Renda para cada valor da variável Modelo. Seria uma situação
semelhante a do item b do Exemplo 4, mas agora com cinco tabelas,
uma para cada opção de Modelo.
Muito Importante! Se optarmos por agrupamento em classes,
todas as tabelas precisam ter o mesmo número de classes e as mes-
mas amplitudes de classe para que possamos comparar os grupos. No
nosso caso, vamos usar as classes obtidas no item b do Exemplo 4
para as cinco tabelas:

1,795|-18,645 18,645|-35,495 35,495|-52,345

52,345|-69,195 69,195|-86,045

Basta, então, ordenar as rendas em função dos modelos e con-

tar as frequências em cada modelo, resultando os dados ilustrados no
Quadro 9:

MODELO

RENDA CHICONAUTLA DELTAFORCE3 VALENTINIANA SPACESHUTTLE LUXURIOUSCAR TOTAL

1,795|- 73 20 4 0 0 97
18,645
18,645|- 7 35 32 24 4 102
35,495
35,495|- 1 1 4 18 14 38
52,345
52,345|- 0 0 1 0 8 9
69,195
69,195|- 0 0 0 0 3 3
86,045
Total 81 56 41 42 29 249

Quadro 9: Distribuições de frequências de renda agrupadas em classe por modelo

Fonte: Elaborado pelo autor deste livro

Período 3 89
 3
v
Observe a semelhança da tabela indicada no Quadro 9 com
aquela do Quadro 8. Da mesma forma que lá fizemos, é possível cal-
cular percentuais em relação aos totais das linhas, colunas ou total
Há 249 dados
UNIDADE

geral.
na tabela porque
o dado perdido Podemos perceber que a relação esperada entre as variáveis
(descoberto no foi confirmada: para os modelos mais baratos a renda mais alta está
Quadro 5) foi re- na classe de 35,495 a 52,345 salários mínimos; já os clientes do mo-
movido do con- delo mais caro (LuxuriousCar) estão nas classes mais altas.
junto. A tabela do Quadro 9 poderia ser expressa por intermédio de
um gráfico, um histograma categorizado. Infelizmente tal gráfico
não pode ser feito em uma planilha eletrônica sem consideráveis ma-
nipulações. Mas através de um software estatístico: o Statsoft Statistica
6.0®, isso é possível:

Figura 25: Histograma categorizado da renda por modelo adquirido

Fonte: Elaborada pelo autor deste livro

Observe que o software dividiu a variável renda em cinco clas-

ses também, mas com limites ligeiramente diferentes dos nossos. Além
disso, optamos por apresentar os resultados em percentuais relativos
ao total dos dados (249). A interpretação é semelhante à da tabela.
Na prática, o mais comum quando analisamos uma variável
quantitativa em função de uma qualitativa é calcular medidas de sín-

90 Curso de Graduação em Administração, modalidade a distância

tese daquela para cada grupo definido pelos valores desta. A partir
dos resultados é possível verificar se existe relação entre as variáveis.
Veremos na Unidade 4 as medidas de síntese.
3

UNIDADE
Saiba mais...
Sobre correlação entre variáveis (quantitativas): BARBETTA, Pedro A.
Estatística Aplicada às Ciências Sociais. 7. ed. Florianópolis: Ed. da UFSC,
2007. Capítulo 13.

Sobre correlação entre variáveis (quantitativas): MOORE, David S.;

McCABE, George P.; DUCKWORTH, William M.; SCLOVE, Stanley L. A
prática da estatística empresarial: como usar dados para tomar decisões. Rio
de Janeiro: LTC, 2006. Capítulo 2.

Sobre análise de séries temporais: LEVINE, David M.; STEPHAN, David;

KREHBIEL, Timothy C.; BERENSON, Mark L. Estatística: Teoria e Aplica-
ções – Usando Microsoft Excel em Português. 5. ed. Rio de Janeiro: LTC,
2005. Capítulo 13.

Sobre análise de séries temporais: STEVENSON, Willian J. Estatística

Aplicada à Administração. São Paulo: Harbra, 2001. Capítulo 16.

Sobre como realizar as análises descritas nesta Unidade e na Unidade 4

empregando-se o Microsoft Excel® consulte Como realizar Análise
Exploratória de Dados no Microsoft Excel®, disponível no ambiente virtual
assim como o arquivo de dados usado nos exemplos apresentados.

Sobre como realizar as análises descritas nesta Unidade e na Unidade 4

através do [Link] Calc® consulte Como realizar Análise Exploratória de
Dados com o [Link] Calc® disponível no ambiente virtual assim como o
arquivo de dados usado nos exemplos apresentados.

Período 3 91
 r
3 Resumindo
UNIDADE

A Figura 26 contém o resumo desta Unidade.

Figura 26: Resumo da Unidade 3

Fonte: Elaborada pelo autor deste livro

92 Curso de Graduação em Administração, modalidade a distância

Caro estudante,

Esta Unidade foi importantíssima para você enten-
3

UNIDADE
der a Análise Exploratória de Dados. Vimos como
organizar, interpretar e resumir as informações
coletadas, níveis de mensuração e número de vari-
áveis. Você aprendeu a elaborar tabelas, planilhas
e gráficos de acordo com as especificidades das
informações colhidas. Chegamos ao final da Uni-
dade e ao começo de uma nova aprendizagem.
Esta Unidade lhe deu base para o aprendizado pro-
posto nas Unidades seguintes. Releia, quantas ve-
zes precisar, os variados exemplos propostos para
cada categoria estudada. As Figuras, os quadros,
as representações e os exemplos são importantes
recursos nesse processo de aprendizagem. Interaja
com sua turma e responda às atividades. A tutoria
está pronta a auxiliá-lo e o professor interessado
em seu desenvolvimento.
Vamos em frente!

Período 3 93
 3 Atividades de aprendizagem
aprendizagem
UNIDADE

 Ao final da Unidade 3, chegou o momento de ava-

liar seus conhecimentos. Para isso, responda às
atividades propostas a seguir e encaminhe-as para
seu tutor por meio do Ambiente Virtual de Ensino-
Aprendizagem. As atividades devem ser feitas usan-
do o Microsoft Excel®, através do arquivo
[Link] que está nesse ambiente, salvo
onde indicado.

1. Construa a distribuição de frequências para a variável opinião sobre

o design dos veículos da Toyord. De acordo com a análise dos resul-
tados, os clientes têm, de forma geral, boa impressão sobre o design
dos veículos da TOYORD? Justifique.
2. A variável anos de remodelação dos veículos (na percepção do clien-
te) está representada no histograma a seguir:

Fonte: Elaborada pelo autor deste livro

O departamento de marketing alega que precisa de mais orçamento

para “convencer” os clientes de que os veículos da TOYORD têm
design avançado, pois eles creem que a maioria dos clientes acha

94 Curso de Graduação em Administração, modalidade a distância

 que eles foram remodelados “há vários anos”. Os dados confirmam a
crença do departamento de marketing? Justifique. 3

UNIDADE
3. Construa a distribuição de frequências agrupada em classes para a
variável quilometragem média mensal percorrida com o veículo. Você
considera que os clientes da Toyord usam bastante o veículo, ou não?
Justifique.
4. Construa a tabela de contingências para modelo por opinião sobre
concessionárias. Com base nela avalie se os clien-tes de todos os
modelos estão satisfeitos com os serviços prestados. Justifique sua
resposta.
5. Os executivos da Toyord creem que seus clientes abastados são mais
críticos e tendem à insatisfação com seus veículos. Para verificar se
isso é verdade, construíram a tabela a seguir. Com base nela, consta-
taram a crença dos executivos. Calcule os percentuais que entender
necessários. Justifique.

O PINIÃO GERAL SOBRE O VEÍCULO

RENDA BASTANTE INSATISFEITO MUITO SATISFEITO TOTAL

SATISFEITO INSATISFEITO

1,795|- 0 16 78 4 98
18,645
18,645|- 7 47 26 22 102
35,495
35,495|- 15 4 5 14 38
52,345
52,345|- 7 0 1 1 9
69,195
69,195|- 3 0 0 0 3
86,045
Total geral 32 67 110 41 250

Fonte: Elaborado pelo autor deste livro

Período 3 95
Análise Exploratória
4
UNIDADE
de Dados II


Objetivo
Ao finalizar esta Unidade, você deverá ser capaz de
aprender mais uma maneira de descrever e de
analisar um conjunto de dados referente a uma
variável quantitativa (discreta ou contínua): por meio
das medidas de síntese; e de perceber as medidas
de posição e de dispersão que permitem sintetizar o
comportamento da variável individualmente ou em
função dos valores de outra variável.
 4
UNIDADE

98 Curso de Graduação em Administração, modalidade a distância

 Medidas de Posição ou
de Tendência Central
4

UNIDADE
Caro estudante!
Na Unidade 3, estudamos como fazer a descrição

tabular e gráfica das variáveis, seja isoladamente
ou relacionadas a outras e como interpretar os re-
sultados obtidos. Além das técnicas, nos casos em
que a variável sob análise for quantitativa discreta
ou quantitativa contínua, há uma terceira forma
de descrição: as medidas de síntese ou estatísti-
cas. A sua utilização pode ser feita de forma a
complementar as técnicas vistas na Unidade 3, ou
como alternativa a elas.
As medidas de síntese subdividem-se em medidas
de posição (ou de tendência central) e medidas de
dispersão. Vamos estudar as medidas de posição:
média, mediana, moda e quartis; e as medidas de
dispersão: intervalo, variância, desvio padrão e coe-
ficiente de variação percentual. Cada uma delas
pode ser muito útil para caracterizar um conjunto
de dados referente a uma variável quantitativa.
Tenha em mente a necessidade de o administra-
dor conhecer as medidas de síntese para que pos-
sa realizar Análise Exploratória de Dados através
delas. Veremos que são ferramentas que geram re-
sultados objetivos, o que torna mais racional o
processo de tomada de decisão.

A
s Medidas de Posição procuram caracterizar a tendência cen-
tral do conjunto, um valor numérico que o “represente”. Esse
valor pode ser calculado levando em conta todos os valores do
conjunto ou apenas alguns valores ordenados. As medidas mais im-
portantes são média, mediana, moda e quartis.

Período 3 99
 4 Média ( )
UNIDADE

A Média aqui citada é a média aritmética simples, a soma

dos valores observados dividida pelo número desses valores. Seja um
conjunto de n valores de uma variável quantitativa X, a média do
conjunto será:

v
Onde xi é um valor qualquer do conjunto, é a soma dos

No Microsoft Excel e no valores do conjunto, e n é o tamanho do conjunto.

[Link] Calc a média Vamos ver um exemplo, ao qual iremos recorrer algumas vezes.
aritmética simples é O Quadro 10 se refere às notas finais de três turmas de estudantes.
implementada através
da função MÉDIA( ).
TURMA VALORES
A 4 5 5 6 6 7 7 8
B 1 2 4 6 6 9 10 10
C 0 6 6 7 7 7 7,5 7,5
Média aritmética sim-
ples – medida de posição Quadro 10: Notas finais das turmas A, B, e C
que é resultado da divisão Fonte: Elaborado pelo autor deste livro
da soma de todos os ele-
mentos do conjunto dividi-
Como o objetivo é calcular a média de cada turma, ao somar
dos pela quantidade de ele-
mentos do conjunto. os valores teremos o mesmo resultado: 48. Como cada turma tem 8
Conceitualmente, é o cen- alunos, as três turmas terão a mesma média: 6.
tro de massa do conjunto de


dados. Fonte: Barbetta
(2007).
No exemplo que acabamos de ver, as três turmas
têm a mesma média (6). Então, se apenas essa
medida fosse utilizada para caracterizá-las poderí-
amos ter a impressão de que as três turmas têm
desempenhos idênticos. Será? Observe atentamente
o Quadro 10.

Repare que na primeira turma há realmente os dados distribu-

ídos regularmente em torno da média, com a mesma variação tanto

100 Curso de Graduação em Administração, modalidade a distância

abaixo quanto acima. Na segunda, vemos uma distorção maior, em-
bora a maioria das notas seja alta, algumas notas baixas "puxam" a
média para um valor menor. E, na terceira turma, há apenas uma
4

UNIDADE
nota baixa, mas seu valor é tal que consegue diminuir a média do
conjunto.
Um dos problemas da utilização da média é que, por levar em
conta todos os valores do conjunto, ela pode ser distorcida por valo-
res discrepantes (“outliers”) que nele existam. É importante então
interpretar corretamente o valor da média.
O valor da média pode ser visto como o centro de massa de
Valores discrepantes
cada conjunto de dados, ou seja, o ponto de equilíbrio do conjunto: ( outliers) – valores de
“se os valores do conjunto fossem pesos sobre uma tábua, a média uma variável quantitativa
que se distanciam muito
seria a posição em que um suporte equilibra essa tábua”.
(para cima ou para baixo)
Vamos ver como os valores do exemplo distribuem-se em um da maioria das observa-
diagrama apropriado: ções. Por exemplo, a renda
de Bill Gates é um valor
discrepante da variável
renda de pessoas morando
nos EUA. Fonte: Adaptado
de Bussab e Morettin
(2003).

Assimétrica – uma dis-

tribuição dos valores de
uma variável quantitativa é
dita assimétrica caso a
média e a mediana sejam
diferentes, indicando que
os valores do conjunto se
estendem mais, apresen-
tam maior variabilidade,
em uma direção do que na
outra. Fonte: Barbetta
(2007).

Essa foi a grande crítica

nas décadas de 60 e 70
Figura 27: Interpretação do valor da média
sobre as medições de
Fonte: Elaborada pelo autor deste livro
nível de desenvolvimen-
A média dos três conjuntos é a mesma, mas observe as diferen- to. Era comum medir o
nível de desenvolvimen-
tes disposições dos dados. O primeiro grupo apresenta os dados dis-
to de um país por sua
tribuídos de forma simétrica em torno da média. No segundo grupo
renda per capita (PIB/
a distribuição já é mais irregular, com valores mais “distantes” na

v
número de habitantes),
parte de baixo; e o terceiro grupo é claramente assimétrica em relação
uma média que não re-
à média (que foi distorcida pelo valor discrepante 0). Portanto, muito
velava, porém, a con-
cuidado ao caracterizar um conjunto apenas por sua média. centração de renda do
país, levando a conclu-
Período 3
sões errôneas sobre
101a
qualidade de vida em
muitos países.
 4 Outro aspecto importante a ressaltar é que a média pode ser
um valor que a variável não pode assumir. Isso é especialmente ver-
dade para variáveis quantitativas discretas, resultantes de contagem,
UNIDADE

como número de filhos, quando a média pode assumir um valor “que-

!
brado": 4,3 filhos, por exemplo.

Rompemos com o mito de que “média é o valor mais

provável do conjunto”, erro que é cometido quase que
diariamente pela mídia, em vários países.

É extremamente comum calcular médias de variáveis quantita-

tivas a partir de distribuições de frequências representadas em tabe-
las: simplesmente multiplica-se cada valor (ou o ponto médio da clas-
se) pela frequência associada, somam-se os resultados e divide-se o
somatório pelo número de observações do conjunto. Na realidade tra-
ta-se de uma média ponderada pelas frequências de ocorrência de
cada valor da variável.

Onde k é o número de valores da variável discreta, ou o núme-

ro de classes da variável agrupada; xi é um valor qualquer da variável
discreta, ou o ponto médio de uma classe qualquer; fi é a frequência
de um valor qualquer da variável discreta ou de uma classe qualquer;
e n é o número total de elementos do conjunto.
Nesse segundo exemplo vamos calcular a média do número de
pessoas usualmente transportadas no veículo, através da distribuição
de frequências obtida no terceiro exemplo exposto na Unidade 3 (Qua-
dro 11).

102 Curso de Graduação em Administração, modalidade a distância

 1
VALORES FREQUÊNCIA
19
PERCENTUAL
7,60%
4

UNIDADE
2 29 11,60%
3 43 17,20%
4 42 16,80%
5 57 22,80%
6 60 24,00%
Total 250 100%

Quadro 11: Número de pessoas usualmente transportadas no veículo

Fonte: Elaborado pelo autor deste livro

Precisamos multiplicar a coluna de valores xi pela da frequência

fi, somar os resultados, e dividi-los por 250, que é o número de ele-
mentos do conjunto (n). Observe que a variável discreta pode assumir
seis valores diferentes, logo k = 6. No Quadro 12, podemos observar
o resultado:

VALORES Xi FREQUÊNCIA fi X i H fi
1 19 19
2 29 58
3 43 129
4 42 168
5 57 285
6 60 360
Total 250 1019

Quadro 12: Número de pessoas usualmente transportadas no veículo

Fonte: Elaborado pelo autor deste livro

Agora podemos calcular a média:

pessoas usualmente transportadas

no veículo.

Período 3 103
 4 No Exemplo 2, o resultado da média é um valor (4,076) que a

v
variável número de pessoas usualmente transportadas não pode assu-
Veja nova- mir. Mas, trata-se do centro de massa do conjunto.
UNIDADE

mente a Se quisermos calcular média aritmética simples a partir de uma

Figura 21 distribuição de frequências para dados agrupados, devemos tomar
da Unida- cuidado. Os pontos médios das classes serão usados no lugar dos xi
de 3 e ob- da expressão da média vista acima. Eles podem ou não ser bons re-
s e r v e presentantes das classes (geralmente serão melhores representantes
como o va- quanto maiores forem as frequências das classes), pois perdemos a
lor da média permite informação sobre o conjunto original de dados ao agrupá-lo em clas-
equilibrar os pesos e as
ses. Sendo assim, as medidas calculadas a partir de uma distribuição
frequências dos vários
de frequências para dados agrupados – não apenas a média aritméti-
valores da variável.
ca simples, mas todas as outras – tornam-se meras estimativas dos
valo-res reais.

 Importante! Não calcule nenhuma medida estatís-

tica com base em uma distribuição de frequência
para dados agrupados se você tiver acesso aos da-
dos originais.

Além da média aritmética simples, outra medida de posição

bastante usada é a mediana, que veremos a seguir.

Mediana (Md)

A mediana é o ponto que divide o conjunto em duas partes

iguais: 50% dos dados têm valor menor do que a mediana e os outros
50% têm valor maior do que a mediana e é pouco afetada por eventu-
ais valores discrepantes existentes no conjunto (que costumam
distorcer substancialmente o valor da mé-dia).
A mediana de um conjunto de valores é o valor que ocupa a
posição (n +1)/2, quando os dados estão ordenados crescente ou
decrescentemente. Se (n +1)/2 for fracionário, toma-se como media-
na a média dos dois valores que estão nas posições imediatamente

104 Curso de Graduação em Administração, modalidade a distância

abaixo e acima de (n +1)/2; onde n é o número de elementos do con-
junto.
Nesse terceiro exemplo, vamos calcular a mediana para as no-
4

UNIDADE
tas das três turmas do Exemplo 1.

TURMA VALORES
A 4 5 5 6 6 7 7 8
B 1 2 4 6 6 9 10 10
C 0 6 6 7 7 7 7,5 7,5

Quadro 13: Notas finais das turmas A, B, e C

Fonte: Elaborado pelo autor deste livro

Posição mediana = (n + 1)/2 = (8+1)/2 = 4, 5ª. Significa que

v
o valor da mediana será calculado através da média entre os valores
que estiverem na 4ª e na 5ª posição do conjunto. Por esse motivo, os da-
dos precisam estar orde-
Turma A: Md = (6 + 6)/ 2 = 6 nados crescentemente.
Turma B: Md = (6 + 6)/ 2 = 6
Turma C: Md = (7 + 7)/ 2 = 7

Observe que a mediana da Turma C é diferente, mais alta, re-

fletindo melhor o conjunto de dados, uma vez que há apenas uma
nota baixa. Perceba também que apenas os dois valores centrais fo-
ram considerados para obter a mediana, deixando o resultado “imu-
ne” aos valores discrepantes.
No exemplo 4, vamos Calcular a mediana para o grupo a seguir:

10 11 12 13 15 16 16 35 60

Posição mediana = (n + 1)/2 = (9+1)/2 = 5ª. Como o conjun-

to tem um número ímpar de valores, o valor da mediana será igual ao
valor que estiver na quinta posição.

Mediana = 15 Média = 20,89 No Microsoft Excel® e

no [Link] Calc ® a
Observe que, no exemplo, média e mediana são diferentes, pois
mediana é implemen-
a média foi distorcida pelos valores mais altos 35 e 60, que constitu- tada através da função
em uma minoria. Nesse caso, a medida de posição que melhor repre- MED( ), tal como expli-

v
sentaria o conjunto seria a mediana. Se a média é diferente da medi- cado no texto Como re-
ana, a distribuição da variável quantitativa no conjunto de dados é alizar análise explo-
dita assimétrica. ratória de dados no
Microsoft Excel®.

Período 3 105
 4 Tal como a média, a mediana pode ser calculada a partir de
uma tabela de frequências, com as mesmas ressalvas feitas para aquela
medida. Os programas estatísticos e muitas planilhas eletrônicas dis-
UNIDADE

põem de funções que calculam a mediana.

Moda (Mo)

A moda é o valor da variável que ocorre com maior frequência

no conjunto. Pode, então, ser considerado o mais provável.
É a medida de posição de obtenção mais simples e também
pode ser usada para variáveis qualitativas, pois apenas registra qual é
o valor mais frequente, podendo esse valor ser tanto um número quan-
to uma categoria de uma variável nominal ou ordinal.
Um conjunto pode ter apenas uma Moda, várias Modas ou ne-
nhuma Moda. Esse último caso geralmente ocorre com variáveis quan-
titativas contínuas.
A proposta, no exemplo 5, é encontrar a moda das notas das
três turmas do Exemplo 1.

TURMA VALORES
A 4 5 5 6 6 7 7 8
B 1 2 4 6 6 9 10 10
C 0 6 6 7 7 7 7,5 7,5

Quadro 14: Notas finais das turmas A, B, e C

Fonte: Elaborado pelo autor deste livro

A turma A tem 3 modas: os valores 5, 6 e 7 ocorrem duas vezes

cada. A turma B tem duas modas: os valores 6 e 10 ocorrem duas
vezes cada. A turma C tem uma moda apenas: o valor 7 ocorre três
vezes.

106 Curso de Graduação em Administração, modalidade a distância

Quartis
4

UNIDADE
Para alguns autores, os quartis não são medidas de posição,
são separatrizes. Porém, como sua forma de cálculo é semelhante a
da mediana, resolvemos incluí-los no tópico de Medidas de Posição.
Os quartis são medidas que dividem o conjunto em quatro partes
iguais.
O primeiro quartil ou quartil inferior (Qi) é o valor do con-
junto que delimita os 25% dos menores valores: 25% dos valores são
me-nores do que Qi e 75% são maiores do que Qi.
O segundo quartil ou quartil do meio é a própria mediana
(Md), que separa os 50% menores dos 50% maiores valores.
O terceiro quartil ou quartil superior (Qs) é o valor que de-
limita os 25% dos maiores valores: 75% dos valores são menores do
que Qs e 25% são maiores do que Qs.
Como são medidas baseadas na ordenação dos dados, é neces-
sário calcular, inicialmente, as posições dos quartis.

Posição do quartil inferior = (n + 1)/4

Posição do quartil superior = [3×(n+1)]/4

v
Onde n é o número total de elementos do conjunto.
Após calcular a posição, encontrar o elemento do conjunto que Microsoft Excel® e no
nela está localizado. O conjunto de dados precisa estar ordenado! Se [Link] Calc® os quar-
o valor da posição for fracionário deve-se fazer a média entre os dois tis são implementados
valores que estão nas posições imediatamente anterior, e imediata- através da função
mente posterior à posição calculada. Se os dados estiverem dispostos QUARTIL(;1) para quar-
til inferior, e QUAR-
em uma distribuição de frequências, utilizar o mesmo procedimento
TIL(;3) para quartil su-
observando as frequências associadas a cada valor (variável discreta)
perior.
ou ponto médio de classe.
No exemplo 6, iremos encontrar os quartis para a renda no
con-junto de dados apresentados no Quadro 15:

Período 3 107
 4 V ALORES
4,695 5,750 7,575 12,960 13,805 14,000 15,820 18,275 18,985 18,985
UNIDADE

19,595 19,720 20,600 22,855 22,990 23,685 24,400 24,400 24,685 24,980
24,980 26,775 27,085 27,240 28,340 31,480 40,050 43,150 47,075

Quadro 15: Renda em salários mínimos

Fonte: Elaborado pelo autor deste livro

Há 29 elementos no conjunto que já estão ordenados

crescentemente. Podemos calcular as posições dos quartis.

Posição do quartil inferior = (n + 1)/4 = (29 + 1)/4 = 7,5ª.

Posição do quartil superior = [3×(n+1)]/4 = [3 × (29 + 1)]/
4 = 22,5ª.

Para encontrar o quartil inferior precisamos calcular a média

dos valores que estão na 7ª e 8ª posição do conjunto: no caso, 15,820
e 18,275, resultando:

Qi = (15,820 + 18,275)/2 = 17,0475

Imagine que fosse um grande conjunto de dados, referente a

salários de uma população: apenas 25% dos pesquisados teriam ren-
da abaixo de 17,0475 salários mínimos (ou R$ 6.478,05 pelo salário
mínimo de maio de 2007). Com base nisso, poderíamos ter uma ideia
do nível de renda daquela população.
Para encontrar o quartil superior, precisamos calcular a média
dos valores que estão na 22ª e 23ª posição do conjunto: no caso,
15,820 e 18,275 para obtermos:

Qs = (26,775 + 27,085)/2 = 26,93

Novamente, imagine que fosse um grande conjunto de dados

referente a salários de uma população: apenas 25% dos pesquisados
teriam renda acima de 26,93 salários mínimos (ou R$ 10.233,40 pelo
salário mínimo de maio de 2007).
Com todas as medidas de posição citadas, já é possível obter
um retrato razoável do comportamento da variável. Mas as medidas
de posição são insuficientes para caracterizar adequadamente um
conjunto de dados. É preciso calcular também medidas de dispersão.

108 Curso de Graduação em Administração, modalidade a distância

Medidas de Dispersão ou de Variabilidade
4

UNIDADE
O objetivo das medidas de dispersão é medir quão próximos
uns dos outros estão os valores de um grupo (algumas mensuram a
dispersão dos dados em torno de uma medida de posição). Com isso,
é obtido um valor numérico que sintetiza a variabilidade.

Vamos estudar o intervalo, a variância, o desvio

padrão e o coeficiente de variação percentual. 
Intervalo

O intervalo é a medida mais simples de dispersão. Consiste em

identificar os valores extremos do conjunto (mínimo e máximo), po-
dendo ser expresso:

 pela diferença entre o valor máximo e o mínimo; e

 pela simples identificação dos valores. Medidas de dispersão –
medidas numéricas que
O intervalo é muito útil para nos dar uma ideia da variabilida- objetivam avaliar a variabi-
de geral do conjunto de dados. Alguém que calculasse o intervalo da lidade do conjunto de da-
dos, sintetizando-a em um
variável renda mensal familiar no Brasil provavelmente ficaria abis-
número. Fonte: Elaborado
mado pela gigantesca diferença entre o valor mais baixo e o mais alto. pelo autor deste livro.
Se essa mesma pessoa fizesse o mesmo cálculo na Noruega, a diferen-
ça não seria tão grande.
No exemplo 7 vamos obter o Intervalo para os conjuntos de
notas das duas turmas apresentadas no Quadro 16:

TURMA VALORES
A 4 5 5 6 6 7 7 8
B 4 4 4,2 4,3 4,5 5 5 8

Quadro 16: Notas das turmas A e B

Fonte: Elaborado pelo autor deste livro

Período 3 109
 4 O intervalo será o mesmo para ambas as turmas: [4,8] ou 4.
Observe que no Exemplo 7 as duas turmas apresentam o mes-
mo intervalo (4). Mas, observando os dados, percebemos facilmente
UNIDADE

que a dispersão dos dados tem comportamento diferente nas duas

turmas, e essa é á principal desvantagem do uso do intervalo como
medida de dispersão.
Se colocarmos os dados do Exemplo 7 em um diagrama apro-
priado:

Figura 28: Desvantagem do uso do intervalo como medida de dispersão

Fonte: Elaborada pelo autor deste livro

v
Observamos claramente que os dados da turma A apresentam
No Microsoft Excel® uma dispersão bem mais uniforme do que os da turma B, embora am-
e no [Link] Calc® bos os conjuntos tenham o mesmo intervalo. O intervalo não permite ter
podemos obter o In- ideia de como os dados estão distribuídos entre os extremos (não per-
tervalo através das mite identificar que o valor 8 na turma B é um valor discrepante).
funções MÁXIMO ( ) Torna-se necessário obter outras medidas de dispersão, capa-
e MÍNIMO ( ). zes de levar em conta a variabilidade entre os extremos do conjunto, o
que nos leva a estudar variância e desvio padrão.

Variância (s2)

A variância é uma das medidas de dispersão mais importan-

tes. É a média aritmética dos quadrados dos desvios de cada valor em
relação à média: proporciona uma mensuração da dispersão dos da-
dos em torno da média.

110 Curso de Graduação em Administração, modalidade a distância

 Onde x i é um valor qualquer do conjunto; é a média do con-
4
v
junto; e n é o número de elementos do conjunto. Se os dados referem-
se a uma população, usa-se n no denominador da expressão. A razão des-

UNIDADE

sa distinção
s e r á
explicada
Você sabe por que é preciso elevar os desvios ao
mais adiante
quadrado para avaliar a dispersão? Não podemos
na Unidade
apenas somar os desvios dos valores em relação à
7. Podemos
média do conjunto? Deixamos como exercício para
adiantar que
você os cálculos dos desvios (diferença entre cada a utilização de n – 1
valor e a média) para as notas das três turmas des- no denominador é indis-
critas no Quadro 10, do Exemplo 1. Após calcular pensável para que a
os desvios, some-os e veja os resultados. Lembre-se variância da variável na
de que a média é o centro de massa do conjunto. amostra possa ser um
bom estimador da
variância da variável na
A unidade da variância é o quadrado da unidade dos dados e, população.
portanto, o quadrado da unidade da média, causando dificuldades
para avaliar a dispersão: se, por exemplo, temos a variável peso com
média de 75 kg em um conjunto e ao calcular a variância obtemos 12
kg², a avaliação da dispersão torna-se difícil. Não obstante, a variância
e a média são as medidas geralmente usadas para caracterizar as dis-

v
tribuições probabilísticas (que serão vistas adiante, na Unidade 6).
O que podemos afirmar, porém, é que quanto maior a variância No Microsoft Excel® e
mais dispersos os dados estão em torno da média (maior a dispersão no [Link] Calc® a
do conjunto). variância populacional é


obtida por meio da fun-
ção VARP( ), e a
Para fins de Análise Exploratória de Dados, carac- variância amostral atra-
terizar a dispersão por intermédio da variância não vés da função VAR( ).
é muito adequado. Costumamos usar a raiz qua-
drada positiva da variância, o desvio padrão. Va-
mos ver mais sobre isso? Continuemos os estudos!

Desvio Padrão (s)

É a raiz quadrada positiva da variância, que apresenta a mes-

ma unidade dos dados e da média, e permite avaliar melhor a disper-
são.

Período 3 111
 4
UNIDADE

As mesmas observações, sobre população e amostra, feitas para

a variância são válidas para o desvio padrão. É prática comum, ao se
resumir através de várias medidas de síntese um conjunto de dados
referente a uma variável quantitativa, apresentar apenas a média e o
desvio padrão desse conjunto para que seja possível uma ideia do
valor típico e da distribuição dos dados em torno dele.

 Deixamos como exercício para você a função de

elevar ao quadrado os desvios obtidos com os da-
dos das turmas, somá-los e dividi-los por 7 (supo-
nha que se trate de uma amostra). Assim, você
obterá os desvios padrões das notas das turmas.
Use como referência o Quadro 10, Exemplo 1.

O desvio padrão pode assumir valores menores do que a mé-

dia, da mesma ordem de grandeza da média, ou até mesmo maiores
do que a média. Obviamente, se todos os valores forem iguais não
haverá variabilidade e o desvio padrão será igual a zero.
A fórmula acima costuma levar a consideráveis erros de
arredondamento, basicamente porque exige o cálculo prévio da mé-
dia. Se o valor desta for uma dízima, um arredondamento terá que ser
feito, causando um pequeno erro que será propagado pelas várias
operações de subtração (de cada valor em relação à média) e
potenciação (elevação ao quadrado da diferença entre cada valor e a
média). Assim, a fórmula é modificada para reduzir o erro de
arredondamento apenas ao resultado final:

Dessa forma, cada valor (xi) do conjunto é elevado ao quadra-

do e somam-se todos os resultados obtendo-se . Somam-se tam-

112 Curso de Graduação em Administração, modalidade a distância

 4
v
bém todos os valores do conjunto para obter , somatório que será
elevado ao quadrado. Os somatórios e o valor de n (número de ele-

UNIDADE
mentos no conjunto) são substituídos na fórmula para a obtenção dos
resultados.
É desse modo
Tal como no caso da média, pode haver interesse em calcular o
que os progra-
desvio padrão de variáveis quantitativas a partir de distribuições de
mas computa-
frequências representadas em tabelas e, ainda, os valores da variável cionais calcu-
(ou os pontos médios das classes) e os quadrados desses valores se- lam o desvio
rão multiplicados por suas respectivas frequências: padrão.

v
Onde xi é o valor da variável ou ponto médio da classe; fi a
frequência associada, k é o número de valores da variável discreta No Microsoft Excel® e
(ou o número de classes da variável agrupada), e n é o número de no [Link] Calc® po-
elementos do conjunto. demos obter o desvio
Veremos, neste oitavo exemplo, como calcular o desvio padrão padrão populacional
através da função
da renda para os dados do Exemplo 6.
DESVPADP( ) e amostral
por meio da função
V ALORES DESVPAD( ).
4,695 5,750 7,575 12,960 13,805 14,000 15,820 18,275 18,985 18,985
19,595 19,720 20,600 22,855 22,990 23,685 24,400 24,400 24,685 24,980
24,980 26,775 27,085 27,240 28,340 31,480 40,050 43,150 47,075

Quadro 17: Renda em salários mínimos

Fonte: Elaborado pelo autor deste livro

Há 29 elementos no conjunto, n = 29.

Somando os valores, temos:

Elevando cada valor ao quadrado e somando-os, obtemos:

Agora basta substituir os somatórios na expressão e calcular o

desvio padrão, supondo que se trate de uma amostra:

Período 3 113
 4
UNIDADE

s  9,83 salários mínimos

Se calcularmos a média, obteremos 22,584 salários mínimos.
Observe que o desvio padrão é menor do que a média, não chega à
metade. Com base nisso, poderíamos avaliar a variabilidade do con-
junto.
Quanto menor o desvio padrão, mais os dados estão concen-
trados em torno da média. Pensando nisso, alguém teve a ideia de
criar uma medida de dispersão que relacionasse média e desvio pa-
drão, o coeficiente de variação percentual, que veremos a seguir.

C
Coefi
oefi cien
c ien te de va ria ç ão
percentual – resultado da Coeficiente de Variação Percentual (c.v.%)
divisão do desvio padrão
pela média do conjunto
O coeficiente de variação percentual é uma medida de disper-
multiplicado por 100, que
permite avaliar quanto o são relativa, pois permite comparar a dispersão de diferentes distri-
desvio padrão representa da buições com diferentes médias e desvios padrões.
média. Fonte: Barbetta,
Reis e Bornia (2008);
Anderson, Sweeney e
Williams (2007).
Onde s é o desvio padrão da variável no conjunto de dados e
é a média da variável no mesmo conjunto.
Quanto menor o coeficiente de variação percentual, mais os
dados estão concentrados em torno da média, pois o desvio padrão é
pequeno em relação à média.
No exemplo a seguir, vamos calcular o coeficiente de variação
percentual para as notas das turmas do Exemplo 1 e indicar qual das
três apresenta as notas mais homogêneas.

TURMA VALORES
A 4 5 5 6 6 7 7 8
B 1 2 4 6 6 9 10 10
C 0 6 6 7 7 7 7,5 7,5

Quadro 18: Notas finais das turmas A, B, e C

Fonte: Elaborado pelo autor deste livro

114 Curso de Graduação em Administração, modalidade a distância

 Para a turma A: = 6 s = 1,31 c.v.% = (1,31/6) x 100 = 21,82%
Para a turma B: = 6 s = 3,51 c.v.% = (3,51/6) x 100 = 58,42%
4

UNIDADE
Para a turma C: = 6 s = 2,49 c.v.% = (2,49/6) x 100 = 41,55%

A turma mais homogênea é a A, pois apresenta o menor coefi-

ciente de variação das três. Isso era esperado, uma vez que as notas da
turma A estão distribuídas mais regularmente do que as das outras.
No caso apresentado, a comparação ficou ainda mais simples,
uma vez que as médias dos grupos eram iguais. Bastaria, no entanto,
avaliar apenas os desvios padrões dos grupos, mas para comparar a
dispersão de distribuições com médias diferentes é imprescindível a
utilização do coeficiente de variação percentual.

Você deve se perguntar: por que é tão importante

calcular a média e o desvio padrão dos valores de
uma variável registrados em um conjunto de da-
dos? A resposta é que talvez a mediana seja a me-
lhor medida de posição, já que os quartis permi-
tem uma boa ideia da dispersão. Contudo, há um

teorema que permite, a partir da média e do des-
vio padrão, a obtenção de estimativas dos extre-

v
mos do conjunto, especialmente quando se trata
de uma amostra. Trata-se do teorema de Chebyshev, Há um pequeno texto
também chamado de Desigualdade de Chebyshev. sobre o Teorema de
Chebyshev no ambien-
te virtual.

Cálculo de Medidas de Síntese de Uma Variável em

Função dos Valores de Outra

Na Unidade 3, estudamos como analisar em con-

Naquela ocasião, mostramos como os dados da 

junto uma variável quantitativa e outra qualitativa.

variável quantitativa poderiam ser avaliados em fun-

ção dos valores da variável qualitativa, uma vez
que esta costuma ter menos opções, possibilitan-
do resumir mais o conjunto.

Período 3 115
 4
 Recomendamos a você que, novamente, sirva-se
do oitavo exemplo exibido nesta Unidade. Você verá
que construímos distribuições de frequências agru-
UNIDADE

padas em classes para a variável renda (quantitati-

va) em função dos valores da variável modelo (qua-
litativa). Poderíamos fazer o mesmo com as medi-
das de síntese? Vejamos o exemplo seguinte.

Para a mesma situação dos Exemplos 1 (Unidade 3) e 7 (Uni-

dade 4). Gostaríamos de avaliar se existe alguma relação entre a ren-
da do consumidor e o modelo adquirido. Esperamos que exista tal
relação, pois os modelos Chiconaultla e DeltaForce3 são os mais ba-
ratos, e o sofisticado LuxuriousCar é o mais caro de todos.
Através do Microsoft Excel® e do [Link] Calc®, podemos
calcular várias medidas de síntese da variável renda em função dos
modelos de veículos. O Excel® permite obter as seguintes medidas em
função dos valores de outra variável: média, desvio padrão (amostral
e populacional), variância (amostral e populacional), mínimo e máxi-
mo (infelizmente, não permite cálculo de mediana ou quartis). O Calc
permite obter as mesmas medidas, mas para cada uma delas faz-se
necessário acionar o assistente de dados, enquanto no Excel é possí-
vel agrupá-las em uma única tabela. Ao realizar esse procedimento,
empregando-se os dados do arquivo [Link], obtemos:

MODELO MEDIDA VALOR

Chiconaultla Frequência 81
Mínimo 1,795
Máximo 40,160
Média 12,704
Desvio padrão (amostral) 6,038
DeltaForce3 Frequência 56
Mínimo 10,820
Máximo 48,220
Média 22,063
Desvio padrão (amostral) 6,956

Quadro 19: Medidas de síntese de renda por modelo

Fonte: Elaborado pelo autor deste livro

116 Curso de Graduação em Administração, modalidade a distância

 MODELO
LuxuriousCar
MEDIDA
Frequência
VALOR
29
4

UNIDADE
Mínimo 29,800
Máximo 86,015
Média 50,932
Desvio padrão (amostral) 14,922
SpaceShuttle Frequência 42
Mínimo 18,865
Máximo 47,300
Média 33,050
Desvio padrão (amostral) 7,620
Valentiniana Frequência 41
Mínimo 13,055
Máximo 65,390
Média 27,353
Desvio padrão (amostral) 8,383
Frequência Total 249
Mínimo Total 1,795
Máximo Total 86,015
Média Total 25,105
Desvio padrão (amostral) Total 14,505

Quadro 19: Medidas de síntese de renda por modelo

Fonte: Elaborado pelo autor deste livro

Se analisarmos as medidas de renda para os cinco modelos,

vamos identificar alguns aspectos interessantes:

 os mínimos de Chiconaultla e DeltaForce3 são efetivamen-

te menores do que os dos outros modelos (o mínimo de
Chiconaultla é o menor do conjunto todo);
 o mínimo de LuxuriousCar é o maior de todos, e seu máxi-
mo também (sendo o valor máximo do conjunto todo);
 quanto às médias, podemos observar um comportamento
na seguinte ordem crescente: Chiconaultla, DeltaForce3,
Valentiniana, SpaceShuttle e LuxuriousCar; e
 a média de renda dos clientes do LuxuriousCar é quase
quatro vezes maior do que as dos compradores do
Chiconaultla.

Período 3 117
 4 Portanto, a relação entre renda e modelo parece realmente existir.
Agora, devemos avaliar a dispersão da renda em função dos
modelos. Como as médias são diferentes, é recomendável calcular os
UNIDADE

coeficientes de variação percentual, mostrados no Quadro 20.

MODELO MEDIDA VALOR

Chiconaultla Coeficiente de Variação Percentual 47,526%
DeltaForce3 Coeficiente de Variação Percentual 31,528%
LuxuriousCar Coeficiente de Variação Percentual 29,298%
SpaceShuttle Coeficiente de Variação Percentual 23,054%
Valentiniana Coeficiente de Variação Percentual 30,646%
Coeficiente de Variação Percentual Total 57,777%

Quadro 20: Coeficientes de variação percentual de renda por modelo

Fonte: Elaborado pelo autor deste livro

Aparentemente, a relação existente entre renda média e os

modelos não se reproduz completamente no que tange à dispersão.
Embora o Chiconaultla (modelo mais barato, cujos compradores têm
a média mais baixa de renda) tenha o maior coeficiente de variação
percentual (47,526%), o modelo mais sofisticado: o LuxuriousCar, cujos
compradores têm a média mais alta, não apresenta o menor coefici-
ente de variação percentual. O modelo, que os compradores possuem
a renda mais concentrada em torno da média, é o SpaceShuttle, cujo
coeficiente de variação percentual vale 23,054%. Podemos concluir
que, embora o Chiconaultla seja um modelo mais “simples”, teorica-
mente visando ao público de menor renda, ele também é adquirido
por compradores mais abastados. Já o SpaceShuttle tem comprado-
res de nível mais elevado (segunda maior média de renda), com pou-
ca variação entre eles.
Utilizando-se um software estatístico, podemos calcular outras
medidas além das mostradas nos Quadros anteriores. No nosso caso,
com o Statsoft Statistica 6.0®, podemos obter:

118 Curso de Graduação em Administração, modalidade a distância

 MODELO FREQ. S
MEDIDAS
MIN. MAX. QI MD QS
4

UNIDADE
Deltaforce3 22,064 56 6,956 10,82 48,22 16,575 21,378 26,392
SpaceShuttle 33,05 42 7,62 18,865 47,3 26,62 33,85 39,65
Valentiniana 27,353 41 8,383 13,055 65,39 23,685 25,715 30,13
Chiconaultla 12,705 81 6,038 1,795 40,16 8,88 12,245 15,4
LuxuriousCar 50,932 29 14,922 29,800 86,015 41,89 47,525 58,92
Total 25,105 249 14,505 1,795 86,015 14,095 23,545 32,17

Quadro 21: Medidas de síntese de renda por modelo

Fonte: Elaborado pelo autor deste livro

Observe que as medianas, quartis inferiores e superiores com-

portam-se de forma semelhante às médias. A propósito, médias e me-
dianas são próximas, o que indicaria simetria das distribuições das
rendas para todos os modelos.

Saiba mais...
Sobre medidas de síntese, assimetria, diagramas em caixa e outros aspectos,
procure em: BARBETTA, Pedro A. Estatística Aplicada às Ciências Sociais. 7.
ed. Florianópolis: Ed. da UFSC, 2007, Capítulo 7.

Sobre outros tipos de médias (harmônica, geométrica), SPIEGEL, Murray R.

Estatística. 3. ed. São Paulo: Makron Books, 1993, Capítulo 3.

Sobre outros aspectos de Análise Exploratória de Dados com medidas de síntese,

teorema de Chebyshev e assimetria, ANDERSON, David R.; SWEENEY, Dennis
J.; WILLIAMS, Thomas A. Estatística Aplicada à Administração e Economia. 2.
ed. São Paulo: Thomson Learning, 2007, Capítulo 3.

Sobre Análise Exploratória de Dados utilizando o Excel, LEVINE, David M.;

STEPHAN, David; KREHBIEL, Timothy C.; BERENSON, Mark L. Estatísti-
ca: Teoria e Aplicações - Usando Microsoft Excel em Português. 5. ed. Rio de
Janeiro: LTC, 2005.

Para saber como realizar as análises descritas nesta Unidade mediante o

emprego do Microsoft Excel®, consulte Como realizar Análise Exploratória de
Dados no Microsoft Excel®, disponível no Ambiente Virtual de Ensino-
Aprendizagem , assim como o arquivo de dados usado nos exemplos
apresentados.

Sobre como realizar as análises descritas nesta Unidade através do [Link]

Calc®, consulte Como realizar análise exploratória de dados com o [Link]
Calc®, disponível no Ambiente Virtual assim como o arquivo de dados usado
nos exemplos apresentados.

Período 3 119
 4 Resumindo
r
UNIDADE

A Figura 29, a seguir, apresenta o resumo desta Unidade:

Figura 29: Resumo da Unidade 4

Fonte: Elaborada pelo autor deste livro

120 Curso de Graduação em Administração, modalidade a distância

 Finalizamos nosso estudo acerca da Análise
Exploratória de Dados. É extremamente importan-
te que você realize todos os exercícios e, em con-  4

UNIDADE
tato com a tutoria, esclareça suas dúvidas, pois
não há outra forma de aprender a não ser prati-
cando. Na Unidade 5, veremos os conceitos de
Probabilidade, indispensáveis à compreensão do
processo de inferência (generalização) estatísti-
ca. Vamos em frente!

Atividades de aprendizagem
aprendizagem
As atividades devem ser feitas com o emprego do Microsoft Excel®
ou do [Link] Calc®, por meio do arquivo [Link] que
está no Ambiente Virtual de Ensino-Aprendizagem.

1. A variável anos de remodelação dos veículos (na percepção do clien-

te) está representada na distribuição de frequências expressa no
Quadro a seguir:

ANOS DE REMODELAÇÃO FREQUÊNCIAS

0 2
1 57
2 123
3 59
4 9
Total 250

Fonte: Elaborado pelo autor deste livro

a) Calcule a média, mediana, moda e quartis da variável anos

de remodelação.
b) A direção da Toyord acredita que se uma parcela conside-
rável dos clientes perceber que seus modelos são
atualizados (foram remodelados há no máximo 2 anos) o

Período 3 121
 4 design e o marketing dos veículos estão coerentes. Com
base nos resultados da letra a , os dados mostram isso? Jus-
tifique.
UNIDADE

c) Calcule o intervalo, desvio padrão e coeficiente de varia-

ção percentual da variável anos de remodelação.
d) Com base nos resultados dos itens a e c , você considera
que os dados estão fortemente concentrados em torno da
média? Justifique.
2. Na questão 5 das atividades de aprendizagem da Unidade 3, foi
dito: “os executivos da Toyord creem que seus clientes mais abasta-
dos são mais críticos e tendem à insatisfação com seus veículos”.
Naquela questão, foi construída uma distribuição de frequências con-
junta, relacionando a renda agrupada em classes com a opinião ge-
ral dos clientes sobre seus veículos, para verificar se os executivos
estavam certos. Agora, analise a renda dos clientes (variável quanti-
tativa) em função da opinião geral dos clientes (através do Microsoft
Excel® ou do [Link] Calc®), e calcule medidas de síntese de ren-
da em função das opiniões.
a) Com base nos resultados, os executivos estão certos? Justi-
fique.
b) Compare com as conclusões que você obteve na questão 5
da Unidade 3.

122 Curso de Graduação em Administração, modalidade a distância

 5 4

UNIDADE
Conceitos Básicos
UNIDADE
da Probabilidade


Objetivo
Ao finalizar esta Unidade, você deverá ser capaz de
compreender os conceitos de Probabilidade; de
perceber a importância do uso do raciocínio
probabilístico; e de fazer uso desse raciocínio, que
é fundamental para o administrador na tomada de
decisões em ambiente de incerteza.

Período 3 123
 5
UNIDADE

124 Curso de Graduação em Administração, modalidade a distância

Probabilidade: conceitos gerais 5

UNIDADE
Caro estudante,


Nesta Unidade, vamos estudar os conceitos bási-
cos de Probabilidade, tais como: Experimento Ale-
atório; Espaço Amostral e Eventos; Axiomas e Pro-
priedades; Probabilidade Condicional; e Indepen-
dência Estatística. Nos EUA há uma anedota que
diz: “as únicas coisas que são certas são a morte e
os impostos”. Em outras palavras, estamos imersos
na incerteza! Os administradores diariamente pre-
cisam tomar decisões. Muitas delas extremamente
sérias em cenário de grande incerteza:
 lançamos ou não um novo modelo de automó-
vel?
 Convertemos nossos fornos de óleo combustível
para gás natural?
 Qual será a reação do nosso público às mudan-
ças na grade de programação?
Por que há incerteza? Porque a variabilidade ine-
rente à natureza impede a compreensão completa
dos fenômenos naturais e humanos. Mas, os seres
humanos precisam tomar decisões! Assim, é ne-
cessário levar a incerteza em conta no processo.
Alguns apelam para a sabedoria popular, outros
para o místico. Os administradores precisam tomar
decisões de forma objetiva; surge, então, a Proba-
bilidade como uma das abordagens de tratamento
da incerteza.
A utilização de métodos probabilísticos proporcio-
na grande auxílio na tomada de decisões, pois per-
mite avaliar riscos e otimizar recursos (sempre es-
cassos) para as situações mais prováveis. Você está
convidado a conhecer mais sobre esse tema nesta
Unidade.

Período 3 125
 5 N
as Unidades 3 e 4, utilizamos raciocínio predominantemente
indutivo. Os dados foram coletados e, através da sua organiza-
ção em distribuições de frequências e medidas de síntese, foi
UNIDADE

possível caracterizar a variabilidade do fenômeno observado e elabo-

rar hipóteses ou conjecturas a respeito.
Suponha que estejamos estudando o percentual de meninos e
de meninas nascidos em um estado brasileiro. Consultando dados do
IBGE provenientes de censos e de levantamentos anteriores (portanto
distribuições de frequências da variável qualitativa sexo dos recém-
nascidos), há interesse em prever o percentual de nascimentos no ano
de 2009: em suma, será usado o raciocínio dedutivo, a partir de algu-
Variabilidade – diferen- mas suposições sobre o problema (a definição dos resultados possí-
ças encontradas por suces-
sivas medições realizadas
veis, os percentuais registrados em anos anteriores) na tentativa de se
em pessoas, animais ou obter novos valores.
objetos, em tempos ou si-
Se o percentual de meninos no passado foi de 49%, a pergunta
tuações diferentes. Fonte:
Montgomery (2004). é: qual será o percentual de meninos nascidos no ano de 2009? É
P r o b a b i l i d a d e – descri-
possível que seja um valor próximo de 49%, talvez pouco acima ou
ção quantitativa da certeza pouco abaixo, mas não há como responder com certeza absoluta, pela
de ocorrência de um even- simples razão que o fenômeno ainda não ocorreu, e que sua natureza
to, geralmente representada
por um número real entre 0
é aleatória, ou seja, é possível identificar quais serão os resultados
e 1 (0% e 100%). Fonte: possíveis (menino ou menina), e há certa regularidade nos percentuais
Elaborado pelo autor deste de nascimentos (verificados anteriormente), mas não é possível res-
livro.
ponder qual será o resultado exato antes do fenômeno ocorrer.
Modelo Probabilístico –
modelo matemático para
A regularidade citada (que foi observada para grande número
descrever a certeza de ocor- de nascimentos) permite que seja calculado o grau de certeza ou
rência de eventos, onde são confiabilidade da previsão feita, que recebe o nome de Probabilidade.
definidos os eventos possí-
veis e uma regra de ocor-
Haverá grande probabilidade de que realmente o percentual de meni-
rência para calcular quão nos nascidos em 2009 seja de 49%, mas nada impede que um valor
provável é cada evento ou diferente venha a ocorrer.
conjunto de eventos. Fon-
te: Barbetta (2007). Montamos um Modelo Probabilístico para o problema em ques-
tão:

 foram definidos todos os resultados possíveis para o fenô-

meno (experimento); e
 definiu-se uma regra que permite dizer quão provável será
cada resultado ou grupo de resultados.

O Modelo Probabilístico permite expressar o grau de incertezas

através de probabilidades.

126 Curso de Graduação em Administração, modalidade a distância

 A regra citada foi definida a partir de observações anteriores
do fenômeno, mas também poderia ser formulada com base em consi-
derações teóricas. Por exemplo, se há interesse em estudar as propor-
5

UNIDADE
ções de ocorrências das faces de um dado, de um dado não é viciado,
espera-se que cada face ocorra em 1/6 do total de lançamentos: se o
dado for lançado numerosas vezes isso provavelmente ocorrerá, mas

v
um resultado diferente poderia ser obtido sem, no entanto, significar a Para cons-
viciação do dado, principalmente se forem feitos poucos lançamentos. truir ou utili-
Nesse ponto, é impor tante ressaltar que os modelos zar modelos
probabilísticos não têm razão de ser para fenômenos (experimentos) probabilísticos, é neces-
não aleatórios (determinísticos): aqueles em que, adotando-se teo- sário que haja grande
número de realizações
rias e fórmulas apropriadas, podemos prever exatamente qual será o
do fenômeno (experi-
seu re-sultado antes do fenômeno ocorrer. Por exemplo: o lançamento
mento) para que uma
de uma pedra de 5 kg de uma altura de 10 metros, se interessados em
regularidade possa ser
cronometrar o tempo que ela leva para atingir o chão. Conhecendo-se
verificada: é a Lei dos
o peso da pedra, a altura do lançamento, a aceleração da gravidade e Grandes Números. No
as leis da Física, é perfeitamente possível calcular o tempo de queda, início do Século XX, o
sem a necessidade de se realizar o experimento. estatístico inglês Karl


Pearson lançou uma
moeda não viciada
Para prosseguirmos, iremos conhecer algumas de- 24.000 vezes (!) para
finições importantes para o estudo dos modelos verificar a validade des-
probabilísticos. Precisamos definir exatamente as sa lei: obteve 12.012
condições em que devemos usar tais modelos, o caras, praticamente o
que exige compreensão acerca de experimento ale- valor esperado
atório, de espaço amostral e de eventos. Vamos lá? (12.000,50%).

Definições Prévias

Experimento Aleatório

Experimento Aleatório é um processo de obtenção de um

resultado ou medida que apresenta as seguintes características:

 não podemos afirmar, antes de efetivar o experimento, qual

será o resultado de uma realização, mas é possível deter-
minar o conjunto de resultados possíveis.

Período 3 127
 5  quando é realizado grande número de vezes (replicado),
apresentará regularidade que permitirá construir um mo-
delo probabilístico para analisar o experimento.
UNIDADE

São experimentos aleatórios:

a) O lançamento de um dado com uma das faces voltadas

para cima; não sabemos exatamente qual face vai ocorrer,
apenas que será uma das seis, e que se o dado não for
viciado e o lançamento imparcial, todas as faces têm a
mesma chance de ocorrer.
b) A observação dos diâmetros, em mm, de eixos produzidos
em uma metalúrgica; sabemos que as medidas devem es-
tar próximas de um valor nominal, mas não sabemos exa-
tamente qual é o diâmetro de cada eixo antes de efetuar as
mensurações.
c) O número de mensagens que são transmitidas corretamen-
te por dia em uma rede de computadores; sabemos que o
mínimo possível é zero, mas não sabemos o número máxi-
mo de mensagens que serão transmitidas.

Todo experimento aleatório terá alguns resultados possíveis, que

constituirão o Espaço Amostral.

Espaço Amostral (S ou )

Espaço Amostral é o conjunto de todos os resultados possí-

veis de um experimento aleatório. “Para cada experimento aleatório
haverá um espaço amostral único  associado a ele”. Neste primeiro
exemplo veremos alguns experimentos aleatórios com os respectivos
espaços amostrais:

a) Lançamento de um dado e a observação da face voltada

para cima:  = {1, 2, 3, 4, 5, 6}.
b) Retirada de uma carta de baralho comum (52 cartas) e a
Note que não há um observação do naipe:  = {copas, espadas, ouros, paus}.

v
limite superior conhe-
cido, mas somente é
c) O número de mensagens que são transmitidas corretamente
possível a ocorrência por dia em uma rede de computadores:  = {0, 1, 2, 3, ...}.
de valores inteiros. d) A observação do diâmetro, em mm, de um eixo produzido
em uma metalúrgica:  = {D, tal que D > 0}.

128 Curso de Graduação em Administração, modalidade a distância

 e) As vendas mensais, em unidades, de determinado modelo
5
v
de veículo:  = {0, 1, ...}

UNIDADE
O espaço amostral pode ser: Não há um
limite supe-
 finito, formado por um número limitado de resultados pos- rior e, teori-
síveis, como nos casos a e b; camente,
 infinito numerável, formado por um número infinito de pode haver
resultados, mas que podem ser listados, como nos casos c uma infinida-
de de valores.
ou e;
 infinito, formado por intervalos de números reais, como
no caso d.

Um espaço amostral é dito discreto quando ele for finito ou

infinito enumerável; e dito contínuo quando é infinito, formado por
intervalos de números reais.
A construção do modelo probabilístico dependerá do tipo de
espaço amostral, como veremos adiante.

Eventos

Eventos são quaisquer subconjuntos do espaço amostral. Um

evento pode conter um ou mais resultados; se pelo menos um dos re-
sultados ocorrer, o evento acontece. Geralmente, há interesse em cal-

v
cular a probabilidade de que determinado evento venha a ocorrer e,
tal evento, pode ser definido de forma verbal, precisando ser “traduzi- Embora nem todos os
do” para as definições da Teoria de Conjuntos, que veremos a seguir. autores concordem com
Seja o Experimento Aleatório o lançamento de um dado não essa abordagem, ela
vi-ciado e a observação da face voltada para cima: o seu espaço auxilia bastante na com-
preensão dos conceitos.
amostral será  = {1, 2, 3, 4, 5, 6}.
Definindo três eventos:

E1 = {2, 4, 6}
E2 = {3, 4, 5, 6}
E3 = {1, 3}

serão apresentadas as definições de Evento União, Evento

Intersecção, Eventos Mutuamente Exclusivos e Evento Com-
plementar.

Período 3 129
 5 Evento União de E1 com E2 (E1 E 2): evento que se dá quan-
do E1 ou E2 ocorrem.
UNIDADE

Figura 30: Evento União

Fonte: Elaborada pelo autor deste livro

E1 E2 = {2, 3, 4, 5, 6}.

Composto por todos os resultados que pertencem a um ou ao

outro, ou a ambos.
Evento Intersecção de E1 com E2 (E1 E 2): evento que ocor-
re se E1 e E2 ocorrem simultaneamente.

Figura 31: Evento intersecção

Fonte: Elaborada pelo autor deste livro

130 Curso de Graduação em Administração, modalidade a distância

 Composto por todos os resultados que pertencem a ambos:
E1 E 2 = {4, 6}.
Eventos Mutuamente Exclusivos (M.E.): são eventos que não
5

UNIDADE
podem ocorrer simultaneamente; não apresentando elementos em co-
mum (sua intersecção é o conjunto vazio).
Dentre os três eventos definidos acima, observamos que os even-
tos E1 e E3 não têm elementos em comum:
E1 = {2, 4, 6} E3 = {1, 3} E1  E3 =  E1 e E3
são mutuamente exclusivos.
Evento Complementar de um evento qualquer é formado por
todos os resultados do espaço amostral que não pertencem ao evento.
A união de um evento e seu complementar formará o próprio Espaço
Amostral, e a intersecção de um evento e seu complementar é o con-
junto vazio.

Figura 32: Evento complementar

Fonte: Elaborada pelo autor deste livro

Ei Ei =  Ei Ei = 
E1 = {2, 4, 6} E1 = {1, 3, 5}
E2 = {3, 4, 5, 6} E2 = {1, 2}


A compreensão dessas definições será extremamente
útil quando calcularmos probabilidades, pois as ex-
pressões poderão ser deduzidas ou simplificadas se
identificarmos de tipo de evento se trata. Podemos,
agora, conhecidas as definições, passar aos concei-
tos de probabilidade, que são complementares.

Período 3 131
 5 Definições de Probabilidade
UNIDADE

Usamos “conceitos” de probabilidade anteriormente porque,

ao longo dos séculos, vários deles foram apresentados, embora se
complementem.
A repetição de um experimento aleatório, mesmo sob condi-
ções semelhantes, poderá levar a resultados (eventos) diferentes. Mas
se o experimento for repetido um número “suficientemente grande” de
vezes haverá uma regularidade nesses resultados que permitirá calcu-
lar a sua probabilidade de ocorrência. Essa é a base para as defini-
ções que veremos a seguir.

Definição Clássica de Probabilidade

Intuitivamente, as pessoas sabem como calcular algumas pro-

babilidades para tomar decisões. Observe os seguintes exemplos.
Exemplo 1 – Vamos supor que você fez uma aposta com um

v
amigo. O vencedor será aquele que acertar a face que ficar para cima
Usaremos o termo após o lançamento de uma moeda honesta. Qual a chance de você
moeda honesta para ganhar?
referenciar uma moe- Você responderia, por intuição, que há 50% (1/2) de chances
da perfeitamente de ganhar, uma vez que há apenas duas faces (resultados) possíveis.
equilibrada e lança- Mesmo sem saber o que seja probabilidade, você pode calcular a
mentos imparciais. chance de ocorrência de um evento de interesse, a face na qual você
De forma análoga,
apostou.
usaremos o adjetivo
Você continua apostando com o mesmo amigo. O vencedor
honesto para dado,
agora será aquele que acertar o naipe de uma carta que será retirada
baralho, entre outros.
ao acaso de um baralho comum de 52 cartas. Veremos, nesse segun-
do exemplo, qual a chance de você ganhar.
Novamente, de forma intuitiva, você responderia que há 25%
(1/4) de chance, uma vez que há apenas quatro naipes (resultados)
possíveis.
O que há em comum entre as situações dos exemplos 1 e 2?
Refletindo um pouco, você observará que em ambos temos experimen-
tos aleatórios e, a cada realização, apenas um dos resultados possí-
veis pode ocorrer. Além disso, como se supõe que a moeda e o bara-
lho são honestos, cada um dos resultados possíveis tem a mesma pro-
babilidade de acontecer: tanto cara quanto coroa possuem 50% de

132 Curso de Graduação em Administração, modalidade a distância

chance de ocorrer; todos os quatro naipes (copas, espadas, ouros e
paus) têm 25%. Sem que você soubesse, aplicou a definição clássi-
ca de probabilidade para obter as chances de ganhar.
5

UNIDADE
Se um experimento aleatório puder resultar em n diferentes e
igualmente prováveis resultados, e nEi desses resultados referem-se ao
evento E i, então a probabilidade do evento Ei ocorrer será:

O problema reside em calcular o número total de resultados pos-

síveis e o número de resultados associados ao evento de interesse. Isso
pode ser feito usando-se técnicas de análise combinatória (que serão
vistas posteriormente) ou por considerações teóricas (“bom senso”).
Seja o seguinte Experimento Aleatório: lançamento de um dado
honesto e a observação da face voltada para cima. Nesse Exemplo 3,
vamos calcular as probabilidades de ocorrência dos seguintes eventos:

a) Face 1.
b) Face par.
c) Face menor ou igual a 2.

O Espaço Amostral deste experimento será: = {1, 2, 3, 4, 5, 6}.

Sendo assim, há um total de seis resultados possíveis, com n = 6. Basta
então definir quantos resultados estão associados a cada evento para
que seja possível calcular suas probabilidades pela definição clássica.
O evento “face 1” tem apenas um resultado associado: {1}.
Então nEi = 1, e a probabilidade de ocorrer a face 1 será:
O evento “face par” tem três resultados associados: {2, 4, 6}.
Então n Ei = 3, e a probabilidade de ocorrer face par será:

O evento “face menor ou igual a 2” tem dois resultados associ-

ados: {1, 2}. Então nEi = 2, e a probabilidade de ocorrência de face
menor ou igual a 2 será:

Como visto nos exemplos, a definição clássica, que foi desenvol-

vida a partir do Século XVII, foi inicialmente aplicada para orientar
apostas em jogos de azar. Surgiram dois problemas dessa aplicação.
O primeiro é relativamente óbvio: muitos jogos de azar não
eram “honestos”. Os donos das casas inescrupulosamente “viciavam”
dados e roletas, marcavam baralhos de maneira a fazer com que os

Período 3 133
 5 clientes perdessem sistematicamente, ou seja, o lançamento dos da-
dos ou a retirada da carta do baralho não eram mais experimentos
aleatórios.
UNIDADE

O segundo problema decorre da pergunta: será que em todos

os experimentos aleatórios todos os eventos terão a mesma probabili-
dade de ocorrer? Será que a probabilidade de chover no mês de no-
vembro na cidade de Brest (cidade francesa que tem em média 225
dias nublados por ano) é a mesma na cidade de Sevilha (cidade espa-
nhola que tem em média 240 dias de sol por ano)? Precisamos partir
para a definição experimental de probabilidade.

Definição Experimental de Probabilidade

Seja um experimento aleatório repetido n vezes, e E i um evento

associado. A frequência relativa do evento Ei:

Quando o número de repetições tende ao infinito (ou a um

número suficientemente grande), fREi tende a um limite: a probabili-
dade de ocorrência do evento E i. A probabilidade do evento pode ser
estimada através da frequência relativa. Lembre-se da Unidade 3, a
descrição de um fenômeno pode ser feita por distribuição de
frequências.
Quando não há outra maneira de se obter as probabilidades
dos eventos, é necessário realizar o experimento (veja novamente a
Unidade 1) várias vezes para que seja possível a obtenção de um nú-
mero tal de tentativas que permita que as frequências relativas esti-
mem as probabilidades, para que seja possível construir um modelo
probabilístico para o experimento. Isso pode ser feito em laboratório,
em condições controladas. Por exemplo, a vida útil das lâmpadas ven-
didas no comércio é definida por meio de testes de sobrevivência rea-
lizados pelos fabricantes.
Em alguns casos, porém, não é possível realizar experimentos:
a maioria dos fenômenos socioeconômicos e climáticos, por exemplo.
Nesse caso, precisaremos estimar as probabilidades mediante as
frequências relativas históricas.
Independente de como obtenhamos as probabilidades, elas
obedecerão a alguns axiomas e a propriedades, que veremos a seguir.

134 Curso de Graduação em Administração, modalidade a distância

 Axiomas e Propriedades de Probabilidade

Alguns autores chamam esses axiomas e propriedades de defi-

5

UNIDADE
nição axiomática da Probabilidade.
Seja um experimento aleatório e um espaço amostral associa-
do a ele. A cada evento Ei associaremos um número real denominado
P(Ei) que deve satisfazer os seguintes axiomas:

a) 0 P(Ei) 1,0
A probabilidade de ocorrência de um evento sempre é um
número real entre 0 e 1 (0% e 100%);
b) P () = 1,0
A probabilidade de ocorrência do Espaço Amostral é igual
a 1 (100%) pois pelo menos um dos resultados do Espaço
Amostral ocorrerá. Por isso o Espaço Amostral é chamado
de Evento Certo; e
c) Se E1, E2, ..., E n são eventos mutuamente exclusivos, então
P(E1  E2  ...  En) = P(E1) + P(E2) + ... + P(En)
Esse axioma afirma que ao unir resultados diferentes, de-
vemos somar as probabilidades.

Além dos axiomas, há algumas propriedades básicas da Pro-

babilidade:
Evento Impossível –
a) P () = 0
evento com probabilidade
AA probabilidade de ocorrência do conjunto vazio é nula de ocorrer igual a 0% é o
(igual a zero), uma vez que não há resultados no conjunto conjunto vazio. Fonte:
Barbetta, Reis e Bornia
vazio. Por isso o conjunto vazio é chamado de Evento
(2008).
Impossível.
b) P(Ei) = 1,0
Se a probabilidade de ocorrência do Espaço Amostral é
igual a 1 (100%) ao somar as probabilidades de todos os
eventos que compõem o Espaço Amostral o resultado de-
verá ser igual a 1 (100%);
c) P(Ei) = 1 – P(Ei):
A probabilidade de ocorrência de um evento qualquer será
igual a probabilidade do Espaço Amostral (1 ou 100%)
menos a probabilidade de seu evento complementar (a soma
das probabilidades de todos os outros eventos do Espaço
Amostral); e

Período 3 135
 5 d) Sejam Ei e Ej dois eventos quaisquer: P (Ei E j ) = P(Ei)
+ P(Ej) – P(Ei Ej)
A probabilidade de ocorrência do evento União de dois
UNIDADE

outros eventos será igual a soma das probabilidades de

cada evento menos a probabilidade de ocorrência do evento
Intersecção dos mesmos dois eventos. Essa propriedade
também é chamada de regra da adição.

Veja, neste quarto exemplo, o que seja o Experimento Aleatório

lançamento de um dado não viciado e observação da face voltada
para cima, definido no Exemplo 3: o seu espaço amostral será
= {1, 2, 3, 4, 5, 6}
Definindo três eventos: E1 = face 1 = {1}, E2 = face par =
{2, 4, 6} e E3 = face 2 {1, 2}, cujas probabilidades já foram calcula-
das. Calcular a probabilidade de ocorrência dos seguintes eventos:

a) Complementar de E1;
b) Complementar de E2;
c) União de E2 e E3; e
d) União de E1 e E2.

No Exemplo 2, obtivemos P(E1) = 1/6, P(E2) = 3/6 e P(E3) = 2/6

Usando as propriedades:
P(E1) = 1 – P(E1) então P(E1) = 1 – P(E1) = 1 – 1/6 = 5/6
E1= {2, 3, 4, 5, 6}
P(E2) = 1 – P(E2) então P(E2) = 1 – P(E2) = 1 – 3/6 = 3/6
E2= {1, 3, 5}
P(E2  E3) = P(E2) + P(E3) – P(E2  E3).
Observe que há apenas um elemento em comum entre os even-
tos E2 e E3: apenas um resultado associado  P(E2  E3) = 1/6
P(E2  E 3) = 3/6 + 2/6 - 1/6 = 4/6
P(E1  E2) = P(E1) + P(E2) – P(E1  E 2)
Não há elementos em comum entre os eventos E1 e E2: eles são
mutuamente exclusivos, sua intersecção é o conjunto vazio, e a pro-
babilidade de ocorrência do conjunto vazio é nula.
P(E1  E2) = 1/6 + 3/6 – 0 = 4/6

136 Curso de Graduação em Administração, modalidade a distância

 Agora, vamos exercitar a mente! Imagine que você


trabalha em uma corretora de ações e precisa acon-
selhar um cliente sobre investir ou não em ações
5

UNIDADE
da Petrobras. Supõe-se que o preço do barril do
petróleo subirá cerca de 10% nos próximos dias,
há uma probabilidade estimada de acontecer. E,
sabendo disso, você gostaria de saber qual é a
probabilidade de que as ações da empresa subam
também 10% na Bovespa. Esse caso, em que se
deseja calcular a probabilidade de ocorrência de
um evento condicionada à ocorrência de outro,
somente poderá ser resolvido por Probabilidade
Condicional, que veremos a seguir.

Probabilidade Condicional

Muitas vezes há interesse de calcular a probabilidade de ocor-

rência de um evento A qualquer, dada a ocorrência de outro evento B.
Por exemplo, qual a probabilidade de chover amanhã em Florianópolis
sabendo-se que hoje choveu? Ou, qual a probabilidade de um dispo-
sitivo eletrônico funcionar sem problemas por 200 horas consecutivas
sabendo-se que ele já funcionou por 100 horas? Ou, ainda, a situa-
ção levantada anteriormente: qual a probabilidade de as ações da
Petrobras aumentarem em 10% se o preço do barril de petróleo subir
10% previamente?
Veja, queremos calcular a probabilidade de ocorrência de A
condicionada à ocorrência prévia de B, simbolizada por P(A | B) –
lê-se probabilidade de A dado B – e sua expressão será:

v
A probabilidade de ocorrência de A condicionada à ocorrên-
cia de B será igual à probabilidade da intersecção entre A e B, dividi-
da pela probabilidade de ocorrência de B (o evento que já ocorreu). No denominador da ex-
Se houvesse interesse no oposto, probabilidade de ocorrência pressão é colocada
sempre a probabilida-
de B condicionada à ocorrência prévia de A:
de do evento que já
ocorreu.

Período 3 137
 5 Nesse caso, o valor no denominador seria a probabilidade de
A uma vez que esse evento ocorreu previamente, tal como B na outra
expressão. É importante ressaltar que a operação de intersecção é
UNIDADE

comutativa e implica:

P(A  B) = P(B  A)

Seja o lançamento de dois dados honestos, um após o outro, e

a observação das faces voltadas para cima. Nesse quinto exemplo,
iremos calcular as probabilidades:

a) de que as faces sejam iguais supondo-se que sua soma é

Comutativa – operação em menor ou igual a 5.
que a sequência de realiza-
b) de que a soma das faces seja menor ou igual a 5, supondo-
ção não modifica o resulta-
do, “a ordem dos fatores não se que as faces são iguais.
altera o produto”. Fonte:
Elaborado pelo autor deste Observe que há interesse em calcular a probabilidade de even-
livro. tos, supondo que outro evento ocorreu previamente.
Como em todo o problema de probabilidade, é preciso montar
o Espaço Amostral. Nesse caso, para os pares de faces dos dados,
considerando-se que são lançados um após o outro, a ordem das fa-
ces é importante:

Figura 33: Espaço amostral do Exemplo 5

Fonte: Elaborada pelo autor deste livro

Há um total de 36 resultados possíveis: n = 36. Agora é preci-

so definir os eventos de interesse:
a) “Faces iguais, sabendo que sua soma é menor ou igual a 5”:
significa dizer probabilidade de ocorrência de faces iguais supondo
que já ocorreram faces cuja soma é menor ou igual a 5; chamando o
evento faces iguais de E1 e o evento soma das faces menor ou igual a
5 de E2, estamos procurando P(E1 | E2), probabilidade de ocorrência
de E1 condicionada à ocorrência prévia de E2.

138 Curso de Graduação em Administração, modalidade a distância

 Empregando-se a fórmula:

é preciso encontrar os valores das pro-

5

UNIDADE
babilidades.
Primeiramente, definimos o número de resultados do Espaço
Amostral que pertencem aos eventos de interesse, para que seja pos-
sível calcular a sua probabilidade usando a definição clássica de pro-
babilidade:

E1 = {(1,1) (2,2) (3,3) (4,4) (5,5) (6,6)} – faces iguais, 6 resultados, nE1 = 6
E2 = {(1,1) (1,2) (1,3) (1,4) (2,1) (2,2) (2,3) (3,1) (3,2) (4,1)} – soma
das faces 5, 10 resultados, nE2 = 10
Os elementos em comum formarão o evento intersecção:

E1  E2 = {(1,1) (2,2)} – faces iguais e soma das faces 5, 2

resultados,
nE1  E2 = 2
P(E2) = nE2 / n = 10/36 P(E1  E2) = nE1  E2/ n = 2/36

Obtendo-se as probabilidades acima, é possível calcular a pro-

babilidade condicional:

Então, a probabilidade de as faces serem iguais, sabendo-se

que sua soma é menor ou igual a 5, é de 20%.
Esse resultado poderia ser obtido de outra forma. Se a soma
das faces é menor ou igual a 5, o evento E2 já ocorreu previamente,
então o Espaço Amostral modificou-se, passando a ser o conjunto de
resultados do evento E2:

novo  = {(1,1) (1,2) (1,3) (1,4) (2,1) (2,2) (2,3) (3,1) (3,2) (4,1)}

O novo Espaço Amostral tem 10 resultados, novo n = 10

O número de resultados do evento faces iguais (E 1) no novo
Espaço Amostral é igual a 2, novo nE1 = 2 (há apenas dois pares no
novo Espaço Amostral, de soma das faces menor ou igual a 5, em que
as faces são iguais).
Então, a probabilidade de ocorrer o evento E 1 no novo Espaço
Amostral, ou seja a probabilidade de ocorrência do evento E1 condici-
onada à ocorrência prévia do evento E2, P(E1|E2), será:

Período 3 139
 5 P(E1|E2) = novo nE1/ novo n = 2/10 = 0,2 (20%) o mesmo
resultado obtido anteriormente.
b) “Soma das faces menor ou igual a 5, sabendo-se que as
UNIDADE

faces são iguais: significa dizer probabilidade de ocorrência de faces

cuja soma é menor ou igual a 5, supondo-se que já ocorreram faces
que são iguais; chamando o evento faces iguais de E1 e o evento
soma das faces menor ou igual a 5 de E 2 ,estamos procurando

v
P(E2|E1), probabilidade de ocorrência de E2 condicionada à ocor-
rência prévia de E1.

Empregando-se a fórmula: todos os valo-

Houve uma mudança no
res já foram obtidos no item a.
evento que ocorreu pre-
viamente.

Então, a probabilidade de que as faces possuirem soma menor

ou igual a 5, sabendo que são iguais, é de 33%.
Da mesma forma que no item a o resultado poderia ser obtido
de outra forma. Se as faces são iguais, o evento E 1 já ocorreu previa-
mente, então o Espaço Amostral modificou-se, passando a ser o con-
junto de resultados do evento E1: novo  = {(1,1) (2,2) (3,3) (4,4)
(5,5) (6,6)}.
O novo Espaço Amostral tem 6 resultados, novo n = 6.
O número de resultados do evento soma das faces menor ou
igual a 5 (E2) no novo Espaço Amostral é igual a 2, novo nE2= 2 (há
apenas dois pares no novo Espaço Amostral, de faces iguais, em que
a soma das faces é menor ou igual a 5).
Então, a probabilidade de ocorrer o evento E 2 no novo Espaço
Amostral, ou seja, a probabilidade de ocorrência do evento E2 condi-
cionada à ocorrência prévia do evento E1, P(E2|E1), será: P(E2|E1)
= novo nE2/ novo n = 2/6 = 0,33 (33%) o mesmo resultado obtido

!
anteriormente.

É extremamente impor tante lembrar que,

conceitualmente, P(A|B) P(B|A), pois os eventos que
ocorreram previamente são diferentes.

140 Curso de Graduação em Administração, modalidade a distância

 No quinto exemplo utilizamos a definição clássica para obter
as probabilidades necessárias, mas poderíamos usar distribuições de
frequências de dados históricos ou experimentais para obtê-las.
5

UNIDADE
Regra do Produto

Uma das consequências da expressão da probabilidade condi-

cional é a regra do produto, isolando a probabilidade da intersecção:

Nesse caso, o evento B ocorreu previamente, e o segundo valor

é a probabilidade de ocorrência de A dado que B ocorreu.

v
Nesse caso, o evento A ocorreu previamente, e o segundo valor Não se esqueça que a
é a probabilidade de ocorrência de B dado que A ocorreu. intersecção é comutativa.

É importante que seja observada com cuidado a

sequência dos eventos para montar as expressões
acima: analisar corretamente que evento já ocorreu.

Exemplo 6: digamos que uma urna contém duas bolas brancas

e três vermelhas. Retiramos duas bolas ao acaso, uma após a outra.
Veremos nos itens a seguir se a retirada foi feita sem reposição.

a) Qual a probabilidade de as duas bolas retiradas serem da

mesma cor?
b) Qual a probabilidade de as duas bolas retiradas serem ver-
melhas, supondo-se que são da mesma cor?

Como em todos os problemas de probabilidade, primeiramente

é preciso definir o Espaço Amostral. Há duas cores e duas retiradas,
então poderemos ter:

Período 3 141
 5  a 1ª e a 2ª bolas brancas (duas bolas da mesma cor): even-
to E 1 = B1 B2;
 a 1ª bola branca e a 2ª bola vermelha: evento E2 = B1 V2;
UNIDADE

 a 1ª bola vermelha e a 2ª bola branca: evento E3 = V1 V2; e

 a 1ª bola vermelha e a 2ª bola vermelha (duas bolas da
mesma cor): evento E4 = V1 V2.

Então, o Espaço Amostral será:

 = { B1 B2, B1 V2, V1  B2, V 1  V 2}

Todos os quatro eventos acima são mutuamente exclusivos:
quando as bolas forem retiradas apenas um, e somente um, dos even-
tos acima pode ocorrer.
As retiradas são feitas sem reposição: a segunda retirada de-
pende do resultado da primeira. Se as retiradas forem feitas sem repo-
sição, elas serão dependentes, pois o Espaço Amostral será modifica-
do: a cada retirada, as probabilidades de ocorrência são modificadas
porque as bolas não são repostas.

 A probabilidade de retirar bola branca na 1ª retirada é de

2/5 (2 bolas brancas no total de 5): P(B 1) = 2/5; e
 a probabilidade de retirar bola vermelha na 1ª retirada é de
3/5 (3 bolas vermelhas em 5): P(V 1) = 3/5

Se a primeira bola retirada foi branca (o evento B 1 ocorreu

previamente), restaram 4 bolas, 1 branca e 3 vermelhas:

v
 a probabilidade de retirar uma bola branca na 2ª retirada,
se na 1ª foi extraída uma branca, é de 1/4 (1 bola branca
Repare que o número em 4): P(B 2| B1) = 1/4
de bolas, número de
 a probabilidade de retirar uma bola vermelha na 2ª retira-
resultados, diminuiu
da, se na 1ª foi extraída uma branca, é de 3/4 (3 bolas ver-
de 5 para 4 porque as
retiradas são feitas
melhas em 4): P(V 2| B 1) = 3/4
sem reposição. Se a primeira bola retirada foi vermelha (o evento V1 ocorreu
previamente), restaram 4 bolas, 2 brancas e 2 vermelhas:

 a probabilidade de retirar uma bola branca na 2ª retirada,

se na 1ª foi extraída uma vermelha, é de 2/4 (2 bolas bran-
cas em 4): P(B 2| V1) = 2/4

142 Curso de Graduação em Administração, modalidade a distância

  a probabilidade de retirar uma bola vermelha na 2ª retira-
da, se na 1ª foi extraída uma vermelha, é de 2/4 (2 bolas
vermelhas em 4): P(V 2| V 1) = 2/4
5

UNIDADE
a) O evento que nos interessa: “bolas da mesma cor”: brancas
ou vermelhas, evento união brancas-vermelhas.
Chamando-se bolas da mesma cor de evento F: F = [(B1  B2)
 (V1 V2)]
Empregando-se as propriedades de probabilidade:
P(F) = P [(B1  B2)  (V1 V2)]= P(B1  B2) + P(V1 V2) – P (B1  B2)
(V 1 V2)
Os eventos (B1  B2) e (V1 V2) são mutuamente exclusivos, se
as bolas são da mesma cor ou são brancas ou são vermelhas, então a
intersecção entre eles é o conjunto vazio, e a probabilidade do conjun-
to vazio ocorrer é igual a zero, então simplesmente: P(F) = P [(B1  B2)
(V 1 V2)]= P(B1  B2) + P(V1 V2)
Empregando-se a regra do produto:

P(B1  B2) = P(B1) x P(B 2| B1) = (2/5) x (1/4) = 2/20 = 1/10

P(V1 V2) = P(V1) x P(V2| V1) = (3/5) x (2/4) = 6/20 = 3/10

Substituindo na expressão:

P(F) = P [(B1  B2) (V1 V2)]= P(B1  B2) + P(V1 V2) = 1/10 +
3/10 = 4/10 = 0,4 (40%)

Então, se as retiradas forem feitas sem reposição, a probabili-

dade de que as duas bolas sejam da mesma cor será igual a 0,4 (40%).

b) Neste caso, sabemos que as duas bolas são da mesma cor (o

evento F acima JÁ OCORREU) e há interesse em saber a probabili-
dade de as duas bolas serem vermelhas:

P[(V 1  V2) | [(B1  B2)  (V1  V2)]}

V2)| F] = P{(V1 

Empregando-se a expressão de probabilidade condicional:

A probabilidade do denominador já é conhecida do item a. E a

do numerador pode ser obtida facilmente.

Período 3 143
 5 Repare: o que há em comum entre o evento (V1 V2) e o even-
to [(B1  B2)  (V1 
V2)]? Em suma, qual será o evento intersecção?
O que há em comum entre duas bolas vermelhas e duas bolas da mes-
UNIDADE

ma cor? O próprio evento duas bolas vermelhas (V1 V2), então:

(V 1 V2) [(B1  B2)  (V1 

V2)] = (V1 V2);
P{(V1 V2) [(B1  B2)  (V1 
V 2)]} = P (V1 V2) = 3/10

Sabendo-se que P{(V1 V2) | [(B1  B2)  (V1  V 2)]}= 4/

10 (do item a.1) e substituindo-se os valores na fórmula:

P{(V1 V2) | [(B1  B2)  (V1 

V2)]}=

P{(V1 V2) | [(B1  B2)  (V1 

V2)]}= 0,75 (75%)

Então, se as retiradas forem feitas sem reposição e as duas bolas

forem da mesma cor, a probabilidade de serem vermelhas será igual a
0,75 (75%).
As retiradas e as probabilidades podem ser representadas atra-
vés de um diagrama chamado de “Árvore de Probabilidades”:

Figura 34: Árvore de probabilidades – retiradas sem reposição

Fonte: Elaborada pelo autor deste livro

144 Curso de Graduação em Administração, modalidade a distância

 Observe que através da Árvore de Probabilidades podemos
chegar aos mesmos resultados obtidos anteriormente. Partindo-se do
Espaço Amostral original um dos ramos significa 1ª bola branca (B1)
5

UNIDADE
e o outro 1ª bola vermelha (V1). Dependendo do resultado da primeira
retirada haverá um Espaço Amostral diferente: 1 bola branca e 3 ver-
melhas se na 1ª retirada obteve-se uma bola branca, ou 2 bolas bran-
cas e 2 vermelhas se na 1ª retirada obteve-se uma bola vermelha.
A partir dos novos Espaços Amostrais, é possível calcular as
probabilidades condicionais para cada caso e, depois, substituí-las
nas fórmulas adequadas. Contudo, a árvore será inútil se o evento para
o qual se deseja calcular a probabilidade não for definido adequada-
mente: nesse caso, no item a: bolas da mesma cor [(B1  B2) (V1 
V2)]; e no item b: bolas vermelhas sabendo-se que são da mesma cor
{(V1 V2) | [(B1  B2) (V1 
V2)]}.
A árvore será igualmente inútil se não forem usadas as defini-
ções de eventos dependentes (porque não há reposição) e de eventos
mutuamente exclusivos (porque os eventos não podem ocorrer simul-
taneamente), e as expressões de probabilidade condicional e os axio-
mas de probabilidade.
O grande inconveniente da Árvore de Probabilidades surge
quando o número de “retiradas” aumenta e/ou o número de resulta-
dos possíveis para cada retirada é considerável: torna-se impraticável
desenhar a Árvore, enumerando-se todos os resultados. Nesses casos,
usamos Análise Combinatória, que veremos adiante.

E se a ocorrência do evento A não modificasse a

probabilidade de ocorrência de B? Os eventos A e
B seriam chamados de independentes. Você pode
imaginar situações práticas em que dois eventos
sejam independentes?

Eventos Independentes

Dois ou mais eventos são independentes quando a ocorrência

de um deles não influencia a probabilidade de ocorrência dos outros.
Se dois eventos A e B são independentes, então a probabilidade de A

Período 3 145
 5 ocorrer dado que B ocorreu é igual à própria probabilidade de ocor-
rência de A, e a probabilidade de B ocorrer dado que B ocorreu é
igual à própria probabilidade de ocorrência de B.
UNIDADE

Se A e B são independentes, então:

P (A|B) = P(A) e P(B|A) = P(B)

!
P (A B) = P(A) H P(B|A) = P(A) H P(B)
P (A B) = P(B) H P(A|B) = P(B) H P(A)

As expressões acima são válidas se os eventos A e B

forem independentes.

Em situações práticas, dois eventos são independentes quando

a ocorrência de um deles não modifica, ou modifica muito pouco, o
Espaço Amostral do Experimento Aleatório. É o que ocorria na Uni-
dade 2 quando fazíamos amostragem aleatória simples: naquele mo-
mento não foi dito que a amostragem era com reposição, que dificil-
mente é feita na prática, mas admite-se que sendo o tamanho da po-
pulação muito grande, a retirada de uma pequena amostra não modi-
ficará muito as proporções dos eventos.
Exemplo 7: resolva o Exemplo 6, mas agora supondo que as
retiradas foram feitas com reposição.

a) Qual a probabilidade de as duas bolas retiradas serem da

mesma cor? Resposta: 0,52 (52%)
b) Qual a probabilidade de as duas bolas retiradas serem ver-
melhas, supondo-se que são da mesma cor? Resposta: 0,69
(69%).

Saiba mais...
Sobre conceitos básicos de Probabilidade, BARBETTA, Pedro A. Estatística
Aplicada às Ciências Sociais. 7. ed. Florianópolis: Editora da UFSC, 2007,
Capítulo 7.

Também sobre conceitos básico de Probabilidade: STEVENSON, Willian J.

Estatística Aplicada à Administração. São Paulo: Editora Harbra, 2001,
Capítulo 3.

LOPES, Paulo A. Probabilidades e Estatística. Rio de Janeiro: Reichmann e

Affonso Editores, 1999, Capítulo 3.

146 Curso de Graduação em Administração, modalidade a distância

 Resumindo
r 5

UNIDADE
A Figura 35 apresenta um resumo desta Unidade.

Figura 35: Resumo da Unidade 5

Fonte: Elaborada pelo autor deste livro

Período 3 147
 5
 Chegamos ao final de Unidade 5. Esperamos que
você tenha aprendido todos os conceitos trabalha-
dos e, por meio dos exemplos, colocado em práti-
UNIDADE

ca as informações adquiridas. Neles, propusemos

que você reconhecesse os modelos probabilísticos,
modelos determinísticos, principais tipos de even-
tos e os diferentes tipos de cálculos. Na Unidade
6, daremos continuidade ao tema explicando o
conceito de variável aleatória, indispensável para
as Unidades 7, 8 e 9, nas quais conheceremos
também alguns dos modelos probabilísticos mais
empregados, além dos conceitos de probabilidade
no processo de inferência estatística.

Atividades de aprendizagem
aprendizagem

v
1. Numa eleição para a prefeitura de uma cidade, 30% dos eleitores
pretendem votar no candidato A; 50% no candidato B; e 20% em
Adaptado de branco ou nulo. Sorteia-se um eleitor na cidade e verifica-se o can-
BARBETTA, Pedro A.
didato de sua preferência.
Estatística Aplicada às
Ciências Sociais. 7. a) Construa um modelo probabilístico para o problema.
ed. Florianópolis: Ed. b) Qual a probabilidade de o eleitor sorteado votar em um
da UFSC, 2007.
dos dois candidatos? Resposta: 0,8
2. Extraem-se ao acaso duas cartas de um baralho de 52 cartas; uma
após a outra SEM reposição. Calcule as seguintes probabilidades:
a) Ambas as cartas são vermelhas. Resposta: 0,245
b) Ambas as cartas são de paus. Resposta: 0,058
c) Ambas as cartas são de “Figuras” (ás, rei, dama ou valete).
Resposta: 0,0905
d) Uma carta de paus e outra de copas. Resposta: 0,1274

148 Curso de Graduação em Administração, modalidade a distância

3. Repita o exercício 2 supondo que as retiradas foram feitas COM re-
posição.
a) Resposta: 0,25
5

UNIDADE
b) Resposta: 0,0625
c) Resposta: 0,0947
d) Resposta: 0,125
4. Para determinado telefone a probabilidade de se conseguir linha é
de 0,75 em dias normais e de 0,25 em dias de chuva. A probabilida-
de de chover em um dia é 0,1. Além disso, tendo-se conseguido
linha a probabilidade de um número estar ocupado é 11/21.
a) Qual a probabilidade de um telefone ter sua ligação com-
pletada? Resposta: 0,333
b) Dado que um telefonema foi completado, qual a probabili-
dade de estar chovendo? Resposta: 0,0357

Período 3 149
Variáveis Aleatórias
6
UNIDADE


Objetivo
Ao finalizar esta Unidade, você deverá ser capaz de
compreender o conceito de Variável Aleatória; de
perceber a relação dela com os modelos
probabilísticos; e, ainda, de constatar que os modelos
probabilísticos podem ser construídos para tais
variáveis.
 6
UNIDADE

152 Curso de Graduação em Administração, modalidade a distância

 Conceito de Variável Aleatória 6

UNIDADE
Caro estudante!
Há uma pergunta que normalmente é feita àqueles
que trabalham com ciências exatas: por que a ob-
sessão por reduzir tudo a números? Vimos em Aná-
lise Exploratória de Dados que uma variável quan-

titativa, geralmente, apresenta mais informação que
uma variável qualitativa e pode ser resumida não
somente através de tabelas e de gráficos, mas tam-
bém através de medidas de síntese. Dissemos "ge-
ralmente" porque , afinal, nem tudo pode ser redu-
zido a números; é o caso da inteligência e da
criatividade.
Nos exemplos sobre probabilidade apresentados na
Unidade 5, os eventos foram geralmente definidos
de forma verbal: bolas da mesma cor, 2 bolas ver-
melhas, soma das faces menor ou igual a 5 etc.
Não haveria problema em definir os eventos atra-
vés de números. Bastaria associar aos resultados
do Espaço Amostral números, por meio de uma
função; esta chamada de Variável Aleatória. Os
modelos probabilísticos podem, então, ser
construídos para as variáveis aleatórias. O admi-
nistrador precisa conhecer esses conceitos porque
eles proporcionam maior objetividade na obtenção
das probabilidades, o que torna o processo de to-
mada de decisões mais seguro. Vamos conhecê-
los nesta Unidade!
Espaço Amostral – é o
conjunto de todos os re-

U
sultados possíveis de um
ma definição inicial de Variável Aleatória: trata-se de uma vari-
experimento aleatório.
ável quantitativa, cujo resultado (valor) depende de fatores ale- Fonte: Barbetta, Reis e
atórios. Bornia (2008).

Formalmente, Variável Aleatória é uma função matemática

que associa números reais (contradomínio da função) aos resultados
de um Espaço Amostral (domínio da função), por sua vez vinculado a

Período 3 153
 6 um Experimento Aleatório. Se o Espaço Amostral for finito ou infinito
numerável, a variável aleatória é dita discreta. Se o Espaço Amostral
for infinito, a variável aleatória é dita contínua.
UNIDADE

Figura 36: Variável aleatória

Experimento Aleatório –
Fonte: Elaborada pelo autor deste livro
é o processo de obtenção de
um resultado ou medida
que apresenta as seguintes Por exemplo, imaginemos o seguinte Experimento Aleatório: o
características: não se pode lançamento de uma moeda honesta duas vezes, e observar a face vol-
afirmar, antes de realizar o
experimento, qual será o
tada para cima. O Espaço Amostral seria finito:
resultado de uma realiza-
ção, mas é possível deter-  = {CaraCara; CaraCoroa; CoroaCara; CoroaCoroa}
minar o conjunto de resul-
tados possíveis; quando é Se houvesse interesse no número de caras obtidas, poderia ser
realizado um grande núme- definida uma variável aleatória discreta X; onde X = Número de caras
ro de vezes (replicado) apre-
em dois lançamentos. Os valores possíveis de X seriam: X = {0, 1, 2}
sentará uma regularidade
que permitirá construir um O valor 0 é associado ao evento CoroaCoroa; o valor 1 é asso-
modelo probabilístico para ciado aos eventos CaraCoroa e CoroaCara; e o valor 2 é associado
analisar o experimento.
Fonte: Adaptado de Lopes
ao evento CaraCara.
(1999). Quando o Espaço Amostral é infinito, muitas vezes já está de-
Distribuição de proba- finido de forma numérica, pela própria natureza quantitativa do fenô-
bilidades – função que meno analisado, facilitando a definição da variável aleatória.
relaciona os valores possí-
veis que uma variável alea-
Os Modelos Probabilísticos podem ser construídos para as va-
tória pode assumir com as riáveis aleatórias: assim haverá Modelos Probabilísticos Discretos e
respectivas probabilidades, Modelos Probabilísticos Contínuos. Para construir um modelo
em suma é o próprio mode-
lo probabilístico da variável
probabilístico para uma variável aleatória é necessário definir os seus
aleatória. Fonte: Barbetta, possíveis valores (contradomínio), e como a probabilidade total (do
Reis e Bornia (2008). Espaço Amostral, que vale 1) distribui-se entre eles: é preciso, então,
definir a distribuição de probabilidades.

 Veja que, dependendo do tipo de variável aleatória,

haverá diferenças na construção da distribuição.

154 Curso de Graduação em Administração, modalidade a distância

Distribuições de Probabilidades para Variáveis
Aleatórias Discretas
6

UNIDADE
Podemos ver alguns exemplos de variáveis aleatórias discretas:

a) número de coroas obtido no lançamento de 2 moedas;

b) número de itens defeituosos em uma amostra retirada ale-
atoriamente de um lote;
c) número de defeitos em um azulejo numa fábrica de revesti-
mentos cerâmicos; e
d) número de pessoas que visitam determinado site em um
período de tempo.

Quando uma variável aleatória X é discreta, a obtenção da

distribuição de probabilidades consiste em definir o conjunto de pa-
res [xi, p(xi)]; onde xi é o i-ésimo valor da variável X, e p(xi) é a proba-
bilidade de ocorrência de xi, como na Tabela 1:

Tabela 1: Distribuição de Probabilidades para uma Variável Aleatória Discreta

X= XI P (X = X I)
x1 p(x1)
x2 p(x2)
... ...
xn p(xn )

Fonte: Elaborada pelo autor deste livro

Onde p(xi) 0, n é o número de valores que X pode assumir, e

Ao obter a distribuição de probabilidades para uma variável

aleatória discreta e desejar conferir os resultados, some as probabili-
dades. Se elas não somarem 1, algo está errado. Vamos ao primeiro
exemplo.
Imagine que o jogador Ruinzinho está treinando cobranças de
pênaltis. Dados históricos mostram que: a probabilidade de ele acer-
tar uma cobrança, supondo que ele acertou a anterior é de 60%; mas

Período 3 155
 6 se ele errou, a probabilidade de ele acertar uma cobrança cai para
30%. Construa a distribuição de probabilidades do número de acer-
tos em três tentativas de cobrança.
UNIDADE

A variável aleatória X, número de acertos em três tentativas, é

uma variável aleatória discreta: o seu contradomínio é finito, o joga-
dor pode acertar 0, 1, 2 ou 3 vezes. Mas para calcular as probabilida-
des associadas a esses valores é preciso estabelecer todos os eventos
possíveis, pois mais de um evento contribui para as probabilidades de
1 e 2 acertos. Observando a árvore de eventos a seguir (onde A é
acertar a cobrança e E significa errar).

Figura 37: Árvore de eventos

Fonte: Elaborada pelo autor deste livro

Observe que todos os eventos são mutuamente exclusivos, o

jogador não pode, na mesma sequência de 3 cobranças, errar e acer-
tar a primeira. É preciso explicitar os valores da variável, e os eventos
em termos de teoria dos conjuntos.
Valores possíveis = {0, 1, 2, 3} acertos. A equivalência entre
os valores da variável e os eventos é estabelecida a seguir:

X = 0 [E1 E2 E3]

X = 1 [(A1 E2 E3) (E1 A2 E3) (E1 E2 A3)]
X = 2 [(A1 A2 E3) (E1 A2 A3) (A 1 E2 A3)]
X = 3 [A 1 A2 A3]

Então:

P(X=0) = P[E1 E2 E3]

156 Curso de Graduação em Administração, modalidade a distância

 P(X=1) = P[(A1 E2 E3) (E1 A2 E3) (E1 E2 A3)]
P(X=2) = P[(A1 A2 E3) (E1 A2 A3) (A 1 E2 A3)]
6

UNIDADE
P(X=3) = P[A 1 A2 A3]

v
Assume-se que na primeira tentativa o jogador tem 50% de E 1 , errar a
chance de acertar, então: P(A1) = 0,5 e P(E1) = 0,5 primeira co-
Além disso, estabeleceu-se que quando o jogador acertou a brança, é o
cobrança na tentativa anterior, a probabilidade de acertar a próxima evento com-
é de 0,6 e, caso tenha errado na anterior, a probabilidade de acertar plementar de
A 1, acertar a primeira
na próxima é de apenas 0,3. Trata-se de duas probabilidades condici-
cobrança.
onais, estabelecidas em função de eventos já ocorridos.
Se o jogador acertou na tentativa i (qualquer uma), as probabi-
lidades de acertar e errar na próxima tentativa serão: P(Ai+1| Ai) = 0,6
Pelo complementar, obtém-se: P(E i+1| Ai) = 0,4
Se o jogador errou na tentativa i, as probabilidades de acertar
e errar na próxima tentativa serão: P(Ai+1| Ei) = 0,3
Pelo complementar, obtém-se: P(Ei+1| Ei) = 0,7
Com essas probabilidades estabelecidas, considerando-se a
regra do produto e o fato de os eventos serem mutuamente exclusivos,
é possível calcular as probabilidades de ocorrência de cada valor da
variável aleatória X.

P(X=0) = P[E1 E2 E3] = P(E 1) × P(E 2|E1) × P(E 3| E 1 E2)

Como os resultados em uma tentativa só dependem daqueles

obtidos na imediatamente anterior, o terceiro termo da expressão aci-
ma pode ser simplificado para P(E3|E2), e a probabilidade será:

P(X=0) = P(E 1) x P(E2|E1) x P(E3|E2) = 0,5 × 0,7 × 0,7 = 0,245

(24,5%)

Estendendo o procedimento acima para os outros valores:

P(X=1) = P[(A1 E2 E3) (E1 A2 E3) (E1 E2 A3)]
P(X=2) = P[(A1 A2 E3) (E1 A2 A3) (A 1 E2 A3)]
P(X=3) = P[A1 A2 A3]
Como os eventos são mutuamente exclusivos:

P(X=1) = P(A1 E2 E3) + P(E1 A2 E3) + P(E1 E2 A3)
P(X=1) =
P(A1)×P(E2|A1)×P(E3|E2)+P(E1)×P(A2|E1)×P(E3|A2)+P(E1)×P(E2|E1)×P(A3|E2)

Período 3 157
 6 P(X=1) = 0,5×0,4 × 0,7 + 0,5× 0,3 ×0,4+ 0,5× 0,7 ×0,3 = 0,305
P(X=2) = P(A1 A2 E3)+ P(E1 A2 A3) + P(A1 E2 A3)
P(X=2)
UNIDADE

=P(A1)×P(A2|A1)×P(E3|A2)+P(E1)×P(A2|E1)×P(A3|A2)+P(A1)×P(E2|A1)×P(A3|E2)
P(X = 2) = 0,5 × 0,6 × 0,4 +0,5 × 0,3 × 0,6 + 0,5 × 0,4 × 0,3 = 0,27
(27%)
P(X=3) = P[A1 A2 A3] = P(A1) × P(A2|A1) × P(A 3|A 2) = 0,5 ×
0,6 × 0,6 = 0,18 (18%)

Com os valores calculados acima é possível construir a Tabela

2 com os pares valores-probabilidades.

Tabela 2: Distribuição de probabilidades: número de acertos em 3 cobranças

X P (X = X I)
0 0,245
1 0,305
2 0,270
3 0,180
Total 1,0

Fonte: Elaborada pelo autor deste livro

Ao longo dos séculos, matemáticos e estatísticos deduziram

modelos para tornar mais simples a obtenção de distribuição de pro-
babilidades para uma variável aleatória discreta. Alguns desses mo-
delos serão vistos na Unidade 7.

 Agora, vamos passar para a Análise das Variáveis

Aleatórias Discretas.

158 Curso de Graduação em Administração, modalidade a distância

Distribuições de Probabilidades para Variáveis
Aleatórias Contínuas
6

UNIDADE
Podemos ver alguns exemplos de variáveis aleatórias contínuas:

 volume de água perdido em um sistema de abastecimento;

 renda familiar em salários mínimos de pessoas selecionadas
por amostragem aleatória para responder a uma pesquisa;
 a demanda por um produto em um mês; e
 o tempo de vida de uma lâmpada incandescente.

Uma variável aleatória contínua está associada a um Espaço

Amostral infinito. Assim, a probabilidade de a variável assumir exata-
mente um valor xi é zero, não havendo mais sentido em representar a
distribuição pelos pares xi – p(xi). Igualmente sem sentido fica a distin-
ção entre > e  existente nas variáveis aleatórias discretas. Utiliza-se
então uma função não negativa: a função densidade de probabilida-
des, definida para todos os valores possíveis da variável aleatória.
Uma função densidade de probabilidades poderia ser apresen-
tada graficamente da seguinte forma:

Figura 38: Função densidade de probabilidades

Fonte: Elaborada pelo autor deste livro

Para calcular a probabilidade de uma variável aleatória contí-

nua assumir valores entre a e b (dois valores quaisquer), basta calcu-
lar a área abaixo da curva entre a e b. Se a área for calculada entre l
e m (limites da função) tem que dar 1, que é a probabilidade total.
Usualmente isso é feito calculando-se a integral da função no interva-
lo de interesse. Em muitas situações de nosso interesse tais probabili-
dades podem ser calculadas através de fórmulas matemáticas relati-
vamente simples, ou foram dispostas em tabelas, que são encontradas

Período 3 159
 6 em praticamente todos os livros de estatística, e que serão vistas na
Unidade 7.


UNIDADE

Vejamos alguns conceitos muito importantes,

como valor esperado e variância de uma variável
aleatória.

Valor Esperado e Variância

Todos os modelos probabilísticos apresentam duas medidas

(dois momentos) que permitem caracterizar a variável aleatória para
a qual eles foram construídos: o Valor Esperado e a Variância da va-
riável aleatória. O Valor Esperado (simbolizado por E(X)) nada mais
é do que a média aritmética simples, vista em Análise Exploratória de
Dados (Unidade 4), que utiliza probabilidades ao invés de frequências
no cálculo. Analogamente, a Variância (simbolizada por V(X)), vista
anteriormente, faz uso de probabilidades. Da mesma forma que na
Análise Exploratória de Dados, é comum trabalhar-se com o Desvio
Padrão, raiz quadrada positiva da Variância (que aqui será simboli-
zado por (X), “sigma de X”). A interpretação dos resultados obtidos
pode ser feita de forma semelhante à Análise Exploratória de Dados;
apenas ‘e preciso ter claro de que se trata de uma variável aleatória e,
por isso, probabilidades e não frequências estão sendo usadas.
Para uma variável aleatória discreta o valor esperado e a
variância podem ser calculados da seguinte forma:

Para uma variável aleatória contínua, a obtenção do valor es-

perado e da variância exige o cálculo de integrais das funções de den-
sidade de probabilidades. Para as distribuições mais importantes as
equações encontram-se disponíveis nos livros de Estatística, em função
dos parâmetros da distribuição, e algumas serão vistas na Unidade 7.
Uma das principais utilidades do valor esperado é observada
na comparação de propostas. Suponha que os valores de uma variá-
vel aleatória sejam lucros, ou prejuízos, advindos de decisões toma-

160 Curso de Graduação em Administração, modalidade a distância

das. Por exemplo: decidir por uma proposta de compra do cliente A
ou do cliente B. Associados aos valores, há probabilidades. Como
decidir qual a mais vantajosa? O cálculo do valor esperado possibilita
6

UNIDADE
uma comparação objetiva: decidiríamos pela que apresentasse o lu-
cro esperado mais elevado. Há um campo de conhecimento que se
ocupa especificamente de fornecer as ferramentas necessárias para tais
tomadas de decisão: a Teoria Estatística da Decisão ou Análise Estatís-
tica da Decisão.
O valor esperado (média) e a variância apresentam algumas
propriedades, tanto para variáveis aleatórias discretas quanto contí-
nuas. O seu conhecimento facilitará muito a obtenção das medidas
em problemas mais sofisticados.
Para o valor esperado E(X), sendo k uma constante:

a) E(k) = k – A média de uma constante é a própria constante.

b) E(k X) = k E(X) – A média de uma constante somada a
uma variável aleatória é a própria constante somada à
média da variável aleatória.
c) E(k H X) = k H E(X) – A média de uma constante multipli-
cada por uma variável aleatória é a própria constante mul-
tiplicada pela média da variável aleatória.
d) E(X Y) = E(X)  E(Y) – A média da soma de duas variá-
veis aleatórias é igual à soma das médias das duas variá-
veis aleatórias.
e) Sejam X e Y duas variáveis aleatórias independentes
E(X H Y) = E(X) H E(Y) – A média do produto de duas
variáveis aleatórias independentes é igual ao produto das
médias das duas variáveis aleatórias.

Para a variância V(X), sendo k uma constante:

a) V(k) = 0 – Uma constante não varia, portanto sua variância

é igual a zero.
b) V(k X) = V(X) – A variância de uma constante somada a
uma variável aleatória é igual apenas à variância da vari-
ável aleatória.
c) V(k H X) = k2 H V(X) – A variância de uma constante multi-
plicada a uma variável aleatória é igual ao quadrado da
constante multiplicada pela variância da variável aleatória.

Período 3 161
 6 d) Sejam X e Y duas variáveis aleatórias independentes
V(X Y) = V(X) + V(Y) – A variância da soma ou subtra-
ção de duas variáveis aleatórias independentes será igual
UNIDADE

à soma das variâncias das duas variáveis aleatórias.

Vejamos um exemplo. Exemplo 2 – Calcular o valor esperado e

a variância da distribuição do Exemplo 1.
Para uma variável aleatória discreta, é aconselhável acrescen-
tar mais uma coluna à Tabela 3 com os valores e as probabilidades
para poder calcular o valor de E(X2):

Tabela 3: Distribuição de probabilidades do Exemplo 1

(com coluna x i2 × p(X = xi))

X P (X = X I) XI H P (X = XI) XI2 P (X = X I)
0 0,245 0 0
1 0,305 0,305 0,305
2 0,270 0,540 1,08
3 0,180 0,540 1,62
Total 1,0 1,385 3,005

Fonte: Elaborada pelo autor deste livro

Substituindo nas expressões o valor esperado e a variância:

Observe que o valor esperado (1,385 acertos) é um valor que a

variável aleatória não pode assumir! Não é o “valor mais provável”, é
o ponto de equilíbrio do conjunto. Repare que a unidade da variância
dificulta sua comparação com o valor esperado, mas ao se utilizar o
desvio padrão é possível verificar que a dispersão dos resultados é
quase do valor da média (valor esperado).

162 Curso de Graduação em Administração, modalidade a distância

Saiba mais...
Sobre Variáveis Aleatórias, BARBETTA, Pedro A.; REIS, Marcelo M.;
6

UNIDADE
BORNIA, Antonio C. Estatística para Cursos de Engenharia e Informática.
2. ed. São Paulo: Atlas, 2008, Capítulos 5 e 6.

Sobre as propriedades de valor esperado e variância, BARBETTA, P. A.;

REIS, Marcelo M.; BORNIA, Aantonio C. Estatística para Cursos de Enge-
nharia e Informática. 2. ed. São Paulo: Atlas, 2008, Capítulos 5 e 6.

Também sobre variáveis aleatórias, STEVENSON, Willian J. Estatística

Aplicada à Administração. São Paulo: Ed. Harbra, 2001, Capítulos 5 e 6.

Sobre teoria estatística da decisão: BEKMAN, Oto R.; COSTA NETO, Pedro

r
O. Análise Estatística da Decisão. São Paulo: Edgard Blücher, 1980, 4.
reimpressão, 2006.

Resumindo
O resumo desta Unidade está demonstrado na Figura 39:

Período 3 163
 6
UNIDADE

Figura 39: Resumo da Unidade 6

Fonte: Elaborada pelo autor deste livro

164 Curso de Graduação em Administração, modalidade a distância

 Chegamos ao final de mais uma Unidade. Veremos
mais sobre os temas aqui abordados na Unidade
 6

UNIDADE
7, quando estudarmos várias distribuições de pro-
babilidade (modelos probabilísticos) que são extre-
mamente úteis para modelar muitas situações prá-
ticas e para auxiliar na tomada de decisões. Esses
conhecimentos serão depois aplicados nas Unida-
des 8 e 9.

Atividades de aprendizagem
aprendizagem
1. Três alunos estão tentando, de modo independente, resolver um pro-
blema. A probabilidade de o aluno A resolver o problema é de 4/5;
de B resolver é de 2/3; e de C resolver é de 3/7. Seja X o número de
soluções corretas apresentadas para esse problema.
a) Construa a distribuição de probabilidades de X. (Resposta:
0,038; 0,257; 0,476; 0,228); e
b) Calcule E(X) e V(X). (Resposta: 1,893; 0,630).
2. Um prédio possui três vigias dispostos em vários pontos de onde têm
visão do portão de entrada. Se alguém não autorizado entrar, o vigia
que o vir fará soar um alarme. Suponha que os vigias trabalham in-
dependentemente entre si, e a probabilidade de cada um deles ver
uma pessoa entrar é 0,8. Seja X o número de alarmes que soam ao
entrar uma pessoa não autorizada. Encontre a distribuição de proba-
bilidades de X. (Resposta: 0,008; 0,096; 0,384; 0,512).

Período 3 165
 6
UNIDADE

166 Curso de Graduação em Administração, modalidade a distância

 7 6

UNIDADE
Modelos Probabilísticos
UNIDADE
mais Comuns


Objetivo
Ao finalizar esta Unidade, você deverá ser capaz de
compreender os modelos probabilísticos mais
importantes para variáveis aleatórias discretas e
contínuas; de identificar as situações reais em que
tais modelos podem ser usados para o cálculo de
probabilidades; e, além disso, de perceber a
relevância desses aspectos para o administrador.

Período 3 167
 7
UNIDADE

168 Curso de Graduação em Administração, modalidade a distância

 Modelos Probabilísticos para Variáveis
Aleatórias Discretas
7

UNIDADE

Nas Unidades 5 e 6 vimos os conceitos gerais de
Probabilidade e Variáveis Aleatórias: podemos cons-
truir um modelo probabilístico do zero para um pro-
blema de administração, a partir de dados históri-
cos ou experimentais.
Embora plenamente possível, o processo de cons-
trução de um modelo probabilístico do zero pode
ser bastante longo: é preciso coletar os dados (ver
Unidades 1 e 2), fazer a análise exploratória deles
(ver Unidades 3 e 4), obter as probabilidades e
validar o modelo. Mesmo tomando todos os cuida-
dos, muitas vezes reinventaremos a roda, com o
risco de fazê-la quadrada...
Por que não usar os conhecimentos prévios desen-
volvidos ao longo de centenas de anos de pesqui-
sa e de experimentação? Vamos procurar, dentre
os vários modelos probabilísticos existentes aque-
le mais apropriado para o fenômeno que estamos
estudando, que é materializado através de variá-
veis aleatórias.
Por meio da análise exploratória de dados pode-
mos avaliar qual modelo é mais apropriado para os
nossos dados. Contudo, para fazer isso precisamos
conhecer tais modelos.
Nesta Unidade vamos estudar os modelos mais
usados para variáveis aleatórias discretas (binomial Variável aleatória – é
e Poisson), e para variáveis aleatórias contínuas uma função matemática que
associa números reais aos
(uniforme, normal, t e qui-quadrado). resultados de um Espaço
Amostral, por sua vez vin-
culado a um Experimento
É importante determinar com cuidado a variável aleatória dis- Aleatório. Fonte: Barbetta,
Reis e Bornia (2008).
creta.

Período 3 169
 7 É preciso, também, identificar se o Espaço Amostral é finito
ou infinito numerável porque alguns modelos são apropriados para
um caso e não para o outro.
UNIDADE

 Vamos ver, a seguir, os dois modelos mais impor-

tantes: o binomial e o Poisson.

Espaço Amostral finito

– é aquele formado por um
Modelo Binomial
número limitado de resul-
tados possíveis. Fonte:
Barbetta, Reis e Bornia Seja um Experimento Aleatório qualquer que apresente as se-
(2008).
guintes características:
Espaço Amostral infini-
to numerável – é aquele  consiste na realização de um número finito e conhecido n
formado por um número in-
finito de resultados, mas
de ensaios (ou repetições);
que podem ser listados.
 cada um dos ensaios tem apenas dois resultados possíveis:
Fonte: Barbetta, Reis e
Bornia (2008). “sucesso” ou “fracasso” (termos entre aspas porque a defi-
nição de sucesso não remete necessariamente a algo “po-
sitivo” e, também, porque poderá incluir/significar deter-
minado grupo de resultados); e
Experimento Aleatório –
é um processo de obtenção  os ensaios são independentes entre si, apresentando pro-
de um resultado ou medida
que apresenta as seguintes
babilidades de “sucesso” (p) e de “fracasso” (1-p) cons-
características: não se pode tantes.
afirmar, antes de se efetivar
o experimento, qual será o Nesse caso estamos interessados no número de “sucessos” ob-
resultado de uma realiza- tidos nos n ensaios: como o Espaço Amostral é finito (vai de 0 a n)
ção, mas é possível deter-
minar o conjunto de resul-
uma variável aleatória associada seria discreta. Este tipo de experi-
tados possíveis; quando é mento é chamado de Binomial.
realizado um grande núme-
Então, a Variável Aleatória Discreta X, número de “sucessos”
ro de vezes (replicado) apre-
sentará uma regularidade nos n ensaios, apresenta uma distribuição (modelo) binomial com os
que permitirá construir um seguintes parâmetros:
modelo probabilístico para
analisar o experimento. n = número de ensaios; e
Fonte: Adaptado de Lopes
(1999). p = probabilidade de “sucesso”.
Variável Aleatória Dis-
creta – o Espaço Amostral
Com esses dois parâmetros é possível calcular as probabilida-
ao qual ela está associada é des de determinado número de sucessos, bem como obter o Valor Es-
finito ou infinito numerável. perado e a Variância da variável X:
Fonte: Barbetta, Reis e
Bornia (2008).

170 Curso de Graduação em Administração, modalidade a distância

 E(X) = n H p V(X) = n H p H (1–p)

Exemplo 1: Experimentos binomiais:

7

UNIDADE
a) Observar o número de caras em três lançamentos imparci-
ais de uma moeda honesta: n=3; p=0,5
b) Observar o número de meninos nascidos em três partos de
uma mesma família: n=3; p = x
c) Observar o número de componentes defeituosos em uma
amostra de dez componentes de um grande número de pe-
ças que apresentaram anteriormente 10% de peças defei-
tuosas: n = 10; p= 0,1

Vamos ver com mais detalhes o caso do número de meninos (e

meninas) nascidos em uma família. Chamando menino de evento H,
será o “sucesso”, e menina de evento M. Sabendo-se, pela história da
família, que:

P(H) = 0,52 e P(M) = 0,48 (então p = 0,52 e 1–p = 0,48)

Perguntamos: quais as probabilidades obtidas para a variável
aleatória número de meninos em três nascimentos? Vamos obter a
distribuição de probabilidades.
Tentando a resolução por meio dos conceitos gerais de proba-
bilidade, é preciso, inicialmente, determinar o Espaço Amostral, quais
serão os sexos das três crianças:

 = {H
 H
 H, H
 H
 M, H
 M
 H, M
 H
 H, H
 M
 M,
M H
 M, M
 M
 H, M
 M
 M}.

Suposto que os nascimentos sejam independentes, podemos

calcular as probabilidades de cada intersecção simplesmente multipli-
cando as probabilidades individuais de seus componentes:

P{HHH} = P(H) H P(H) H P(H) = p H p H p = p 3

P{HHM} = P(H) H P(H) H P(M) = p H p H (1– p) = p2 H (1 – p)
P{HMH} = P(H) H P(M) H P(H) = p H (1 – p) H p = p2 H (1 – p)
P{MHH} = P(M) H P(H) H P(H) = (1 – p) H p H p = p2 H (1 – p)
P{HMM} = P(H) H P(M) H P(M) = p H (1 – p) H (1 – p) = p H (1 – p)2
P{MHM} = P(M) H P(H) H P(M) = (1 – p) H p H (1 – p) = p H (1 – p)2
P{MMH} = P(M) H P(M) H P(H) = (1 – p) H (1 – p) H p = p H (1 – p)2
P{MMM} = P(M) H P(M) H P(M) = (1– p) H (1 – p) H (1 – p) = (1 – p)3

Período 3 171
 7 Observe que:

P{HHM} = P{HMH} = P{MHH} = p2 H(1 – p) = Probabi-

UNIDADE

lidade de 2 “sucessos”.
P{HMM} = P{MHM} = P{MMH} = p H(1 – p)2 = Proba-
bilidade de 1 “sucesso”.

v
Importa apenas a “natureza” dos sucessos, não a ordem em
que ocorrem: com a utilização de combinações é possível obter o
Em qualquer livro de número de resultados iguais para cada número de sucessos. Suposto
Matemática do ensino que o número de ensaios n é o número de “objetos” disponíveis, e que
médio é possível en- o número de “sucessos” em que estamos interessados (doravante cha-
contrar a definição e os mado k) é o número de “espaços” onde colocar os objetos (um objeto
exemplos de combina- por espaço), o número de resultados iguais será:
ções.

Para o caso acima, em que há 3 ensaios (n =3):

 para 2 sucessos (k =2) (o mesmo resul-

tado obtido por enumeração); e

 para 1 sucesso (k =1) (o mesmo resulta-

do obtido por enumeração).

O procedimento acima poderia ser feito para quaisquer valo-

res de n e k (desde que n  k), que permita obter uma expressão geral
para calcular a probabilidade associada a um resultado qualquer.
A probabilidade de uma variável aleatória discreta X – número
de sucessos em n ensaios com distribuição binomial de parâmetros n
e p – assumir certo valor k (0  k n) será:

P(X = k) = Cn,k H pk H (1 – p) n–k onde

É importante lembrar que a probabilidade de ocorrer k suces-

sos é igual à probabilidade de ocorrer n – k fracassos, e que todos os
axiomas e propriedades de probabilidade continuam válidos.
Exemplo 2: admitamos que a probabilidade de a companhia
não entregar seus produtos no prazo é igual a 18%. Nesse caso, quais

172 Curso de Graduação em Administração, modalidade a distância

as probabilidades de as 3 entregas (1, 2 ou as 3 entregas) serem feitas
no prazo? Calcule também o valor esperado, variância e desvio pa-
drão do número de entregas no prazo.
7

UNIDADE
Para cada entrega (“ensaio”) há apenas dois resultados: no prazo
ou não. Há um número limitado de realizações, n = 3. Definindo “su-
cesso” como no prazo, e supondo as operações independentes, a vari-
ável aleatória X, número de entregas no prazo em 3, teremos distribui-
ção binomial com parâmetros

n = 3 e p = 0,82 (e 1–p = 0,18).

Então:

v
Somando-se todas as probabilidades, o resultado é igual a 1, Lembre-se que a soma
como deveria ser. O Valor Esperado, Variância e o Desvio Padrão das probabilidades de
serão: todos os eventos que
compõem o Espaço
E(X) = n H p = 3 H 0,82 = 2,46 entregas. Amostral é igual a 1. E
V(X) n H p H (1–p) = 3 H 0,82 H 0,18 = 0,4428 entregas². que 0! = 1, e que um
número diferente de 0
(X) = V(X) = 0,4428 = 0,665 entregas.
elevado a zero é igual a
A média é quase igual ao número de operações devido à alta 1.
probabilidade de sucesso.

Teríamos que usar o modelo de Poisson. Você co-

nhece esse modelo? Sabe como tirar proveito de
suas facilidades? Juntos, vamos aprender mais!

Mas, se o Espaço Amostral fosse infinito numerável?

Período 3 173
 7 Modelo de Poisson
UNIDADE

Vamos supor um experimento binomial, com apenas dois re-

sultados possíveis, mas com a seguinte característica: apesar da pro-
babilidade p ser constante o valor de n teoricamente é infinito.
Para tal situação o modelo binomial não poderá ser utilizado, o
modelo de Poisson é o indicado.
Como seria a solução para o caso acima?
Como n é “infinito”, devemos fazer a análise das ocorrências
em um período contínuo (de tempo, de espaço, entre outros) subdivi-
dido em certo número de subintervalos (número tal que a probabilida-
de de existir mais de uma ocorrência em uma subdivisão é desprezí-
vel, e supondo ainda que as ocorrências em subdivisões diferentes
são independentes); novamente é preciso trabalhar com uma quanti-
dade constante que será chamada de m também:

m=Ht

v
onde  é uma taxa de ocorrência do evento em um período contínuo
Apesar do símbolo t, o (igual ou diferente do período sob análise), e t é justamente o período
período contínuo não é contínuo sob análise.
necessariamente um Como obter a taxa  ? Há duas opções: realizar um número
intervalo de tempo. suficiente de testes de laboratório para a obtenção da taxa de ocor-
rência do evento a partir dos resultados, ou observar dados históricos
e calcular a taxa.
Se uma variável aleatória discreta X, número de ocorrências
de um evento, segue a distribuição de Poisson, a probabilidade de X
assumir um valor k será:

Onde e é uma constante: e 2,71. E m =n H p ou  H t.

Uma particularidade interessante da distribuição de Poisson é
que o Valor Esperado e a Variância de uma variável aleatória que siga
tal distribuição serão iguais:

E(X) = m =  H t
V(X) = m =  H t

174 Curso de Graduação em Administração, modalidade a distância

 O Modelo de Poisson é muito utilizado para modelar fenôme-
nos envolvendo filas: filas de banco, filas de mensagens em um servi-
dor, filas de automóveis em um cruzamento. Vejamos, no exemplo 3,
7

UNIDADE
os experimentos e fenômenos que seguem a distribuição de Poisson:

a) Número mensal de acidentes de tráfego em um cruzamento.

Observe que é uma variável aleatória discreta, que pode
assumir apenas valores inteiros (0, 1, 2, 3,...). Cada reali-
zação do “experimento” (acidente) pode ter apenas dois
resultados: ocorre o acidente ou não ocorre o acidente. Mas,
o número máximo de realizações é desconhecido! Assim, a
distribuição binomial não pode ser usada, e a análise do
número de acidentes precisa ser feita em um período con-
tínuo (no caso, período de tempo: 1 mês), exigindo o uso
da distribuição de Poisson.
b) Número de itens defeituosos produzidos por hora em uma
indústria.
Novamente, uma variável aleatória discreta (valores intei-
ros: 0,1, 2, 3, ...), cada realização só pode ter dois resulta-
dos possíveis (peça sem defeito ou peça defeituosa). Se o
número máximo de realizações for conhecido, provavelmen-
te a probabilidade de uma peça ser defeituosa será reduzi-
da e apesar de ser possível a utilização da distribuição
binomial o uso da distribuição de Poisson obterá resulta-
dos muito próximos. Se o número máximo de realizações
for desconhecido, a distribuição binomial não pode ser usa-
da e a análise do número de acidentes precisa ser feita em
um período contínuo (no caso, período de tempo: 1 hora),
exigindo o uso da distribuição de Poisson.
c) Desintegração dos núcleos de substâncias radioativas: con-
tagem do número de pulsações radioativas a intervalos de
tempo fixos.
Situação semelhante a dos acidentes em um cruzamento,
só que o “grau de aleatoriedade” desse experimento é mui-
to maior. O número máximo de pulsações também é des-
conhecido, obrigando a realizar a análise em um período
contínuo, utilizando a distribuição de Poisson.
Exemplo 4: uma telefonista recebe cerca de 0,20 chamadas por
minuto (valor obtido de medições anteriores).

Período 3 175
 7 a) Qual a probabilidade de receber exatamente 5 chamadas
nos primeiros 10 minutos?
b) Qual a probabilidade de receber até 2 chamadas nos pri-
UNIDADE

meiros 12 minutos?
c) Qual o desvio padrão do número de chamadas em meia
hora?

Há interesse no número de chamadas ocorridas em um perío-

do contínuo (de tempo no caso). Para cada “ensaio” há apenas dois
resultados possíveis: a chamada ocorre ou não. Observe que não há
limite para o número de chamadas no período (sabemos apenas que
o número mínimo pode ser 0): por esse motivo a utilização da binomial
é inviável... Contudo, há uma taxa de ocorrência (taxa de ocorrência
  = 0,20 chamadas/minuto) e isso permite utilizar a distribuição de
Poisson.

a) Nesse caso, o período t será igual a 10 minutos (t = 10

min.), P(X = 5)?
m =  H t = 0,20 H 10 = 2 chamadas

Então a probabilidade de a telefonista receber exatamente

5 chamadas em 10 minutos é igual a 0,0361 (3,61%).
b) Nesse caso, o período t será igual a 12 minutos (t = 12 min.).
O evento de interesse é até 2 chamadas em 12 minutos (X 2).
m =  H t = 0,20 H 12 = 2,4 chamadas
P(X  2) = P(X = 0) + P(X = 1) + P(X = 2)

P(X  2) = P(X = 0) + P(X = 1) + P(X = 2) =

0,0907 + 0,2177 + 0,2613 = 0,5697
Então, a probabilidade de a telefonista receber até 2 cha-
madas em 12 minutos é igual a 0,5697 (56,97%).

176 Curso de Graduação em Administração, modalidade a distância

 c) Nesse caso, o período t será igual a 30 minutos (t = 30
minutos). Primeiro calcula-se a variância:
V(X) = m =  H t = 0,2 H 30 = 6 chamadas²
7

UNIDADE
O Desvio Padrão é a raiz quadrada positiva da variância:
(X) = V(X) = 6  2,45 entregas.

Há vários outros modelos para variáveis aleatórias discretas:

hipergeométrico, geométrico, binomial negativo.

Na próxima seção vamos ver os principais modelos

de variáveis aleatórias contínuas. 
Modelos para Variáveis Aleatórias Contínuas

Nesta seção, estudaremos os modelos uniforme,

normal, t e qui-quadrado. 
Modelo Uniforme

Quando o Espaço Amostral associado a um Experimento Alea-

tório é infinito torna-se necessário o uso de uma Variável Aleatória
Contínua para associar números reais aos resultados. Os modelos
probabilísticos vistos anteriormente não podem ser empregados: a
probabilidade de uma variável aleatória contínua assumir exatamen-
te determinado valor é zero.

Para entender melhor a declaração acima, vamos

probabilidade de ocorrência de um evento será 

relembrar a definição clássica de probabilidade: a

igual ao quociente entre o número de resultados

associados ao evento pelo número total de resulta-
dos possíveis. Ora, se o número total de resultados
é infinito, ou tende ao infinito para ser mais exato,

Período 3 177
 7
 a probabilidade de ocorrência de um valor especí-
fico é igual a zero. Por esse motivo, quando se lida
UNIDADE

com Variáveis Aleatórias Contínuas, calculamos a

probabilidade de ocorrência de eventos formados
por intervalos de valores, através de uma função
densidade de probabilidades (ver Unidade 6). Ou-
tra consequência disso é que os símbolos: >, ,<
e são equivalentes para variáveis aleatórias con-
tínuas.

O modelo mais simples para variáveis aleatórias contínuas é o

modelo uniforme.
Seja uma variável aleatória contínua qualquer X que possa
assumir valores entre A e B. Todos os valores entre A e B têm a mesma
probabilidade de ocorrer, resultando no gráfico apresentado na Figu-
ra 40:

Figura 40: Modelo uniforme

Fonte: Elaborada pelo autor deste livro

Para que a área entre a e b seja igual a 1, o valor da ordenada

precisa ser igual a 1/(b – a), constante; portanto, para todo o interva-
lo. A área escura representa a probabilidade da variável X assumir
valores no intervalo c – d. Trata-se do modelo uniforme.
Dois intervalos de valores da variável aleatória contínua, que
tenham o mesmo tamanho, têm a mesma probabilidade de ocorrer
(desde que dentro da faixa de valores para os quais a função de den-
sidade de probabilidades não é nula). Formalmente, uma variável ale-
atória contínua X tem distribuição uniforme, com parâmetros a e b

178 Curso de Graduação em Administração, modalidade a distância

reais (sendo a menor que b), se sua função densidade de probabilida-
des for como a da Figura 40.
A probabilidade de a variável assumir valores entre c e d (sen-
7

UNIDADE
do a < c < d < b) é a área compreendida entre c e d:

Seu valor esperado e variância são:

Intuitivamente, podemos supor que muitas variáveis aleatórias

contínuas terão um comportamento diferente do caso acima: em algu-
mas delas haverá maior probabilidade de ocorrências de valores pró-
ximos ao limite inferior ou superior: para cada caso deverá ser ajusta-

v
do um modelo probabilístico contínuo adequado.
O modelo uniforme é bastante usado para gerar números No ambiente virtual, te-
pseudo-aleatórios em processos de amostragem probabilística. mos um exemplo (5)
resolvido de modelo uni-


forme, adaptado de
Agora vamos passar ao modelo mais importante BUSSAB, Wilton O.;
para variáveis aleatórias contínuas. MORETTIN, Pedro A.
Estatística Básica .
5. ed. São Paulo: Sarai-
va, 2003.
Modelo Normal

Há casos em que há maior probabilidade de ocorrência de

valores situados em intervalos centrais da função densidade de pro-
babilidades da variável aleatória contínua, e essa probabilidade dimi-

v
nui, à medida que os valores se afastam desse centro (para valores
menores ou maiores) e, nesses casos, o modelo probabilístico contí- O matemático alemão
nuo mais adequado corresponde ao modelo Normal ou gaussiano. Gauss utilizou ampla-
Isso é especialmente encontrado em variáveis biométricas, re- mente este modelo no
sultantes de medidas corpóreas em seres vivos. tratamento de erros ex-
O Modelo Normal é extremamente adequado para medidas perimentais, embora
não tenha sido o seu
numéricas em geral, descrevendo vários fenômenos, e permitindo fa-
“descobridor”.
zer aproximações de modelos discretos. É extremamente importante
também para a Estatística Indutiva (mais detalhes na próxima Unida-
de). O gráfico da distribuição de probabilidades de uma variável ale-

Período 3 179
 7 atória contínua que siga o modelo Normal (distribuição Normal) será
como a Figura 41:
UNIDADE

Figura 41: Distribuição normal

Fonte: Elaborada pelo autor deste livro

Características:
A curva apresenta forma de sino, há maior probabilidade de a
variável assumir valores próximos do centro.
Os valores de média () e de mediana (Md) são iguais, signifi-
cando que a curva é simétrica em relação à média.
Teoricamente a curva prolonga-se de – 4 a +4 (menos infinito
a mais infinito), então a área total sob a curva é igual a 1 (100%).

v
Qualquer distribuição normal é perfeitamente especificada por
É comum a utilização seus parâmetros média ( ) e variância (
 ²)  X: N (
,  ²). Significa
de letras do alfabeto que a variável X tem distribuição normal com média  e variância  ².
grego para representar A área escura na Figura 41 é a probabilidade de uma variável
algumas medidas. Não que siga a distribuição normal assumir valores entre a e b: esta área é
se esqueça de que o calculada através da integral da função normal de a a b.
desvio padrão () é a Cada combinação ( ,  ²) resulta em uma distribuição Normal
raiz quadrada positiva
diferente, portanto há uma família infinita de distribuições.
da variância.
A função normal citada acima tem a seguinte (e aterradora!)
fórmula para sua função densidade de probabilidade:

180 Curso de Graduação em Administração, modalidade a distância

 Saiba que não existe solução analítica para uma integral da
expressão acima: qualquer integral precisa ser resolvida empregando-
se métodos numéricos de integração, que são extremamente trabalho-
7

UNIDADE
sos quando implementados manualmente (somente viáveis se usarem
meios computacionais). De Moivre, Laplace e Gauss desenvolveram Gauss, e to-
seus trabalhos entre a metade do século XVIII e início do século XIX, e das as outras
os computadores começaram a se popularizar a partir da década de pessoas que
60, do século XX. usavam a dis-
Porém, todas as distribuições normais apresentam algumas ca- tribuição Nor-
mal para calcular proba-
racterísticas em comum, independentemente de seus valores de média
bilidades até recente-
e de variância:
mente resolviam as inte-
 68% dos dados estão situados entre a média menos um grais com o emprego de
 –  ) e a média mais um desvio padrão
desvio padrão ( métodos numéricos ma-
 +  );
( nualmente.

 95,5% dos dados estão situados entre a média menos dois

  ) e a média mais dois desvios pa-
– 2
desvios padrões (
  );
+ 2
drões (
 99,7% dos dados estão situados entre a média menos três
  ) e a média mais três desvios pa-
– 3
desvios padrões (
  ).
+ 3
drões (

Figura 42: Percentuais de dados e número de desvios padrões

Fonte: Elaborada pelo autor deste livro

Por causa dessas características alguém teve a ideia de criar

um modelo normal padrão: uma variável Z com distribuição normal
de média igual a zero e desvio padrão igual a 1 [Z: N(0, 1)]. As proba-
bilidades foram calculadas para essa distribuição padrão e registradas

Período 3 181
 7 em uma tabela. Através de uma transformação de variáveis chamada
padronização é possível converter os valores de qualquer distribuição
Normal em valores da distribuição Normal padrão e assim obter suas
UNIDADE

probabilidades. Calcular o número de desvios padrões, a contar da

média que está um valor da variável, através da seguinte expressão:

Z – número de desvios padrões a partir da média;

x – valor de interesse;
 – média da distribuição normal de interesse; e
 – desvio padrão da distribuição normal.

Z é um valor relativo: será negativo para valores de x menores

do que a média e positivo para valores de x maiores do que a média.
Pela transformação, uma distribuição Normal qualquer X: N ( ,  ²)
passa a ser equivalente à distribuição Normal padrão Z: N(0,1), um
valor de interesse x pode ser convertido em um valor z.
As probabilidades de uma variável com distribuição normal
podem ser representadas por áreas sob a curva da distribuição nor-
mal padrão. No ambiente virtual, apresentamos a Tabela, que relacio-
na valores positivos de z, com áreas sob a cauda superior da curva.
Os valores de z são apresentados com duas decimais. A primeira de-
cimal fica na coluna da esquerda e a segunda decimal na linha do
topo da tabela. A Figura 43 mostra como podemos usar essa tabela
para encontrar, por exemplo, a área sob a cauda superior da curva,
além de z = 0,21.

Figura 43: Ilustração do uso da tabela da distribuição normal padrão

(Tabela III do apêndice) para encontrar a área na cauda superior
relativa ao valor de z = 0,21
Fonte: Barbetta, Reis e Bornia (2008)

182 Curso de Graduação em Administração, modalidade a distância

 Exemplo 6: suponha uma variável aleatória X com média 50 e
desvio padrão 10. Há interesse em calcular a probabilidade do evento
X > 55.
7

UNIDADE
Primeiro, calculamos o valor de Z correspondente a 55. Z = (55
– 50)/ 10 = + 0,5.
Pelas Figuras 44 e 45 podemos ver a correspondência entre as
duas distribuições:

Figura 44: Distribuição Normal N(50,102)

Fonte: Elaborada pelo autor deste livro

Figura 45: Distribuição normal padrão

Fonte: Elaborada pelo autor deste livro

O evento P (X>55) é equivalente ao evento P (Z> 0,5). Esse

valor pode ser obtido na tabela da distribuição normal padrão (ver
ambiente virtual). Os valores de Z são apresentados com dois deci-
mais: o primeiro na coluna da extrema esquerda e o segundo na linha
do topo da tabela. Observe, pelas Figuras que estão no alto da tabela,
que as probabilidades são para eventos equivalentes aos da Figura
acima [P(Z> z1)]. Assim, poderíamos procurar a probabilidade do even-
to (Z > 0,5): fazendo o cruzamento do valor 0,5 (na coluna) com o

Período 3 183
 7 valor 0,00 (na linha do topo) encontramos o valor 0,3085 (30,85%).
Portanto, P(X>55) é igual a 0,3085. Observe a coerência entre o valor
encontrado e as áreas nas Figuras: a área é menor do que a metade
UNIDADE

das Figuras (metade das Figuras significaria 50%), e a probabilidade

encontrada vale 30,85%.
Exemplo 7: suponnha a mesma variável aleatória X com média
50 e desvio padrão 10. Agora, há interesse em calcular a probabilida-
de de que X seja menor do que 40.
Primeiro, precisamos calcular o valor de Z correspondente a 40.
Z = (40 – 50)/ 10 = –1,00
Pelas Figuras 46 e 47, podemos ver a correspondência entre as
duas distribuições:

Figura 46: Distribuição Normal N(50,102)

Fonte: Elaborada pelo autor deste livro

Figura 47: Distribuição normal padrão

Fonte: Elaborada pelo autor deste livro

O evento P (X<40) é equivalente ao evento P (Z < –1,00).

Repare, porém, que queremos encontrar P (Z < –1,00) e a tabela nos

184 Curso de Graduação em Administração, modalidade a distância

apresenta valores apenas para P (Z > 1,00). Contudo, se rebatermos
a Figura da distribuição normal para a direita, teremos o seguinte re-
sultado (Figura 48):
7

UNIDADE
Figura 48: Distribuição normal padrão
Fonte: Elaborada pelo autor deste livro

Ou seja, a área P(Z < –1) = P(Z > 1). Essa probabilidade
podemos encontrar diretamente pela tabela. Fazendo o cruzamento
do valor 1,0 (na coluna) com o valor 0,00 (na linha do topo), encon-
traremos o valor 0,1587 (15,87%). Portanto:

P(X<40) = P(Z<–1) = P(Z>1), que é igual a 0,1587.

Exemplo 8: suponha a mesma variável aleatória X com média

50 e desvio padrão 10. Agora há interesse em calcular a probabilida-
de de X ser maior do que 35.
Primeiro, precisamos calcular o valor de Z correspondente a 35.
Z = (35 - 50)/ 10 = –1,50
Pelas Figuras 49 e 50, podemos ver a correspondência entre as
duas distribuições:

Figura 49: Distribuição Normal N(50,102)

Fonte: Elaborada pelo autor deste livro

Período 3 185
 7
UNIDADE

Figura 50: Distribuição normal padrão

Fonte: Elaborada pelo autor deste livro

Não podemos obter a probabilidade P(Z>–1,50) diretamente,

pois a tabela do Ambiente Virtual apresenta apenas resultados para
valores positivos de Z. Sabemos que a probabilidade total vale 1,0;
podemos, então, considerar:
P(Z > –1,50) = 1 – P(Z < –1,50)
Adotando-se o raciocínio descrito no Exemplo 7 (rebatendo as
Figuras para à direita), obteremos: P(Z<–1,50) = P(Z>1,50)
Esta última probabilidade pode ser facilmente encontrada na ta-
bela da distribuição normal padrão: P(Z>1,50) = P(Z<–1,50) = 0,0668
Basta substituir na expressão:
P(Z > –1,50) = 1 – P(Z < –1,50) = 1 – 0,0668 = 0,9332 (93,32%)
Observe novamente a coerência entre as áreas das Figuras aci-
ma e o valor da probabilidade: a área nas Figuras compreende mais
do que 50% da probabilidade total, aproximando-se do extremo infe-
rior da distribuição, perto de 100%; e a probabilidade encontrada re-
almente é próxima de 100%.
Exemplo 9: suponha a mesma variável aleatória X com média
50 e desvio padrão 10. Agora, há interesse em calcular a probabilida-
de de X assumir valores entre 48 e 56. Calcular P (48 < X < 56). Veja
a Figura 51:

186 Curso de Graduação em Administração, modalidade a distância

 7

UNIDADE
Figura 51: Distribuição normal N(50, 102)
Fonte: Elaborada pelo autor deste livro

Novamente, precisamos calcular os valores de Z corresponden-

tes a 48 e a 56.

Z1 = (48 – 50)/ 10 = – 0,20 Z2 = (56 – 50)/ 10 = 0,60

Então: P (48 < X < 56) = P (–0,20<Z<0,60)

Repare que a área entre 48 e 56 é igual à área de 48 até +
MENOS a área de 56 até +4:

P(48 < X < 56) = P(X > 48) – P(X > 56)= P(-0,20< Z <0,60) =
P(Z > – 0,20) – P(Z > 0,60)

E os valores acima podem ser obtidos na tabela da distribuição

normal padrão:

P(Z > 0,60) = 0,2743

P(Z > –0,20) = 1– P(Z > 0,20) = 1– 0,4207 = 0,5793
P(48 < X < 56)= P(-0,20< Z <0,60) = P(Z > –0,20) – P(Z > 0,60)
= 0,5793 – 0,2743 = 0,3050

Então, a probabilidade da variável X assumir valores entre 48 e

56 é igual a 0,305 (30,5%).
A distribuição Normal também pode ser utilizada para encon-
trar valores da variável de interesse correspondentes a uma probabili-
dade fixada.
Exemplo 10: suponha a mesma variável aleatória X com média
50 e desvio padrão 10. Encontre os valores de X, situados à mesma
distância abaixo e acima da média, que contém 95% dos valores da
variável.

Período 3 187
 7 Como a distribuição Normal é simétrica em relação à média e,
como nesse problema, os valores de interesse estão situados à mesma
distância da média, “sobram” 5% dos valores; 2,5% na cauda inferior
UNIDADE

e 2,5% na superior, como na Figura 52:

Figura 52: Distribuição normal N(50, 102)

Fonte: Elaborada pelo autor deste livro

É preciso encontrar os valores de Z (na tabela da distribuição

Normal padrão) correspondentes às probabilidades da Figura acima
e, a partir daí, obter os valores de x1 e x2. Passando para a distribui-
ção Normal padrão x1, corresponderá a um valor z1, e x2 a um valor
z1, como na Figura 53:

Figura 53: Distribuição normal padrão

Fonte: Elaborada pelo autor deste livro

Repare que a média da distribuição Normal padrão é igual a

zero, fazendo com que z1 e z2 sejam iguais em módulo. Podemos en-
contrar z2, já que P(Z > z 2) = 0,025.

188 Curso de Graduação em Administração, modalidade a distância

 É necessário encontrar o valor da probabilidade na tabela da
distribuição Normal padrão (ou o valor mais próximo) e obter o valor
de Z associado.
7

UNIDADE
Para o caso de z2, ao procurarmos pela probabilidade 0,025,
encontramos o valor exato 0,025 e, por conseguinte, o valor de z2 que
é igual a 1,96: P (Z > 1,96) = 0,025.
Como z1 = –z2, encontramos facilmente o valor de z1: z1 = –1,96.
P (Z < –1,96) = 0,025.
Obser ve que os valores são iguais em módulo, mas
corresponderão a valores diferentes da variável X. A expressão usada
para obter o valor de Z, em função do valor da variável X, pode ser
usada para o inverso:

v
E, desse modo, obteremos os valores de x1 e x2, Observe se o
resultado obtido corresponde a z 1 e z2, respectivamente:

x1 =  + (z1x  = 50 + [(–1,96) x 10] = 30,4

x2 =  + (z2x  = 50 + (1,96 x 10) = 69,6 É muito importante pres-
tar atenção no sinal do va-
Repare que os resultados obtidos são coerentes: 30,4 está abai- lor de z ao obter o valor
xo da média (1,96 desvios padrões) e 69,6 acima (também 1,96 des- de x.
vios padrões). O intervalo definido por esses dois valores compreende
95% dos resultados da variável X.
Todo esse trabalho poderia ter sido evitado se houvesse um
programa computacional que fizesse esses cálculos. Há vários softwares Modelo binomial – mo-
disponíveis no mercado, alguns deles de domínio público, que calcu- delo probabilístico para va-
lam as probabilidades associadas a determinados eventos, como tam- riáveis aleatórias discretas
que descreve o número de
bém os valores associados a determinadas probabilidades. sucessos em n experimen-
Uma das características mais importantes do modelo normal é tos independentes (sendo n
finito e conhecido), com os
sua capacidade de se aproximar de outros modelos, permitindo mui-
experimentos podendo ter
tas vezes simplificar os cálculos de probabilidade. Na próxima seção apenas dois resultados pos-
vamos ver como o modelo normal pode ser usado para aproximar o síveis, e a probabilidade de
sucesso permanece cons-
binomial.
tante durante os n experi-
mentos. Fonte: Barbetta,
Reis e Bornia (2008);
Lopes (1999).

Período 3 189
 7 Modelo Normal como Aproximação do
Binomial
UNIDADE

O modelo Binomial (discreto) pode ser aproximado pelo mo-

delo Normal (contínuo) se certas condições forem satisfeitas:

 quando o valor de n (número de ensaios) for tal que os

v
cálculos binomiais tornam-se trabalhosos demais.
 quando o produto n × p (o valor esperado do modelo
Binomial) e o produto n × (1 – p) forem ambos maiores
ou iguais a 5.
Para os que pensam que
o advento dos computa- Se isso ocorrer, uma binomial, de parâmetros n e p, pode ser
dores eliminou esse pro- aproximada por uma normal com:
blema, um alerta: em
 média =  = n × p (valor esperado do modelo
alguns casos os núme-
ros envolvidos são tão
Binomial); e
complexos que sobrepu-  variância =  2 = n × p × (1– p) (variância do mo-
jam a capacidade da delo Binomial).
máquina (softwares).
Adotando-se o modelo Normal (contínuo) para aproximar o
Binomial (discreto), é necessário fazer uma correção de continuida-
de: associar um intervalo ao valor discreto, para que o valor da proba-
bilidade calculada pelo modelo contínuo seja mensurável. Esse inter-
valo deve ser centrado no valor discreto, e deve ter uma amplitude
igual à diferença entre dois valores consecutivos da variável discreta:
se, por exemplo, a diferença for igual a 1 (a variável somente pode
assumir valores inteiros), o intervalo deve ter amplitude igual a 1 – 0,5
abaixo do valor e 0,5 acima. Essa correção de continuidade pre-
cisa ser feita para garantir a coerência da aproximação.
Seja uma variável aleatória X com distribuição Binomial.

1) Há interesse em calcular a probabilidade de X assumir um

valor k genérico, P(X = k). Ao se fazer a aproximação pela
Normal, teremos: P(k – 0,5 < X < k + 0,5)

Figura 54: Correção de continuidade da aproximação do modelo Binomial

pelo Normal – 1º caso
Fonte: Elaborada pelo autor deste livro

190 Curso de Graduação em Administração, modalidade a distância

 2) Há interesse em calcular a probabilidade de X assumir va-
lores menores ou iguais a um valor k genérico, P(X k).
Ao se fazer a aproximação pela Normal, teremos: P(X < k
7

UNIDADE
+ 0,5), todo o intervalo referente a k será incluído.

Figura 55: Correção de continuidade da aproximação do modelo binomial

pelo Normal – 2º caso
Fonte: Elaborada pelo autor deste livro

3) Há interesse em calcular a probabilidade de X assumir va-

lores maiores ou iguais a um valor k genérico, P(X k). Ao
se fazer a aproximação pela Normal, teremos: P(X > k –
0,5), todo o intervalo referente a k será incluído.

Figura 56: Correção de continuidade da aproximação do modelo binomial

pelo Normal – 3º caso
Fonte: Elaborada pelo autor deste livro

4) Há interesse em calcular a probabilidade de X assumir va-

lores menores do que um valor k genérico, P(X < k). Ao se
fazer a aproximação pela Normal, teremos: P(X < k – 0,5),
todo o intervalo referente a k será excluído.

Figura 57: Correção de continuidade da aproximação do modelo binomial

pelo Normal – 4º caso
Fonte: Elaborada pelo autor deste livro

Período 3 191
 7 5) Há interesse em calcular a probabilidade de X assumir va-
lores maiores do que um valor k genérico, P(X > k). Ao se
fazer a aproximação pela Normal, teremos: P(X > k +
UNIDADE

0,5), todo o intervalo referente a k será excluído.

Figura 58: Correção de continuidade da aproximação do modelo binomial

pelo Normal – 5º caso
Fonte: Elaborada pelo autor deste livro

Um município tem 40.000 eleitores. Para uma pesquisa de opi-

nião eleitoral uma amostra aleatória de 1.500 pessoas foi seleciona-
da. Vamos ver, no exemplo 11 a seguir, qual a probabilidade de, pelo
menos, 500 dos eleitores serem menores de 25 anos se 35% dos 40.000
são menores de 25 anos?
Esse problema poderia ser resolvido empregando-se o modelo
Binomial. Há apenas dois resultados possíveis para cada eleitor: me-
nor de 25 anos (“sucesso”) e maior ou igual a 25 anos (“fracasso”).
Existe um limite superior de realizações, no caso os 1500 eleitores da
amostra, e há independência entre as retiradas, pois a amostra foi
extraída de forma aleatória (e a amostra representa menos de 5% dos
40.000 eleitores).
Então: “sucesso” = menor de 25 anos.
p = 0,35 1 – p = 0,65 n = 1.500
A variável aleatória discreta X, número de eleitores menores de
25 anos em 1500, terá distribuição binomial com parâmetros n = 1.500
e p = 0,35.
O evento “pelo menos 500 menores de 25 anos” seria definido
como 500 ou mais eleitores:

P (X 500) = P(X = 500) + P(X = 501) + .....+ P(X = 1500)

Há cerca de 1000 expressões binomiais.

Vamos ver se é possível a aproximação pelo modelo Normal.
O valor de n é grande: n × p = 1500 × 0,35 = 525 > 5 e
n × (1 – p) = 1500 × 0,65 = 975 > 5.

192 Curso de Graduação em Administração, modalidade a distância

 Como as condições foram satisfeitas, é possível aproximar por
um modelo Normal:
média =  = n × p = 1500 x 0,35 = 525
7

UNIDADE
desvio padrão =  =
Pelo modelo Binomial: P (X 500)
Pelo modelo Normal será: P (X 499,5)
P(X  499,5) = P(Z > z1) z1 = (499,5 – 525)/18,47 = –1,38
P(Z > –1,38) = 1 – P(Z >1,38)
Procurando na tabela da distribuição Normal padrão: P (Z > 1,38)
= 0,0838
Então: P (X  500)  P(X  499,5) = P (Z > –1,38) = 1 –
P(Z >1,38) = 1 – 0,0838 = 0,9162
A probabilidade de, pelo menos, 500 dos eleitores da amostra
serem menores de 25 anos é igual a 0,9162 (91,62%).

Nas próximas duas seções vamos ver modelos

predominantemente em processos de inferência es-

probabilísticos derivados do modelo normal, usados

tatística. Vamos introduzi-los agora para facilitar nos-

so trabalho quando chegarmos às Unidades 9 e 10.

Modelo (distribuição) t de Student

Havia um matemático inglês, William Gosset, que trabalhava

para a cervejaria Guiness, em Dublin, Irlanda, no início do século
XX. Ele atuava no controle da qualidade do cultivo de ingredientes
para a fabricação de cerveja.
Nessa época alguns estatísticos usavam a distribuição normal
no estabelecimento de intervalos de confiança para a média a partir
de pequenas amostras, tema que estudaremos na Unidade 8. Eles cal-
culavam média aritmética simples e variância da amostra e generali-
zavam os resultados através do modelo normal, como fizemos no Exem-
plo 11.
Gosset descobriu que o modelo normal não funcionava direito
para pequenas amostras e desenvolveu um novo modelo probabilístico
derivado do normal, introduzindo uma correção para levar em conta
justamente o tamanho de amostra. Ele aplicou suas descobertas em

Período 3 193
 7 seu trabalho, e quis publicá-las; a Guiness, no entanto, para tal publi-
cação, exigiu que ele adotasse o pseudônimo de “Student”. Por isso, o
seu modelo é conhecido como t de Student para n – 1 graus de liber-
UNIDADE

dade.
O valor n – 1 (tamanho da amostra menos 1) é chamado de
número de graus de liberdade da estatística. Quando a variância
amostral é calculada, supõe-se que a média já seja conhecida; assim
apenas determinado número de elementos da amostra poderá ter seus
valores variando livremente, esse número será igual a n – 1, porque
Essa é a correção propri-
amente dita, pois ao usar
um dos valores não poderá variar livremente, pois terá que ter um
pequenas amostras o ris- valor tal que a média permaneça a mesma calculada anteriormente.
co de a variância Assim, a estatística terá n – 1 graus de liberdade.
amostral da variável ser Trata-se de uma distribuição de probabilidades que apresenta
diferente da variância média igual a zero (como a normal padrão), é simétrica em relação à

v
populacional é maior, po- média, mas apresenta uma variância igual a n/(n – 2), ou seja, seus
dendo levar a intervalos valores dependem do tamanho da amostra e apresenta maior variância
de confiança que não para menores valores desta. Quanto maior o tamanho da amostra,
correspondem à realida- mais a variância de t se aproximae de 1,00 (variância da normal pa-
de. A não utilização des- drão). A distribuição t de Student está na Figura 59, a seguir, para
sa correção representou a
vários graus de liberdade (Para tamanhos de amostra maiores que 30,
fonte de muitos erros no
supõe-se que a variância de t seja igual a 1: por isso a aproximação
passado e, infelizmente,
do item b.1.):
de alguns erros no pre-
sente.

Figura 59: Distribuição t de Student para vários graus de liberdade

Fonte: Barbeta, Reis e Bornia (2008)

Observe que, tal como a distribuição normal padrão, a distri-

buição t de Student é simétrica em relação à média (que é igual a
zero).
A tabela da distribuição t de Student encontra-se no ambiente
virtual, para vários graus de liberdade e valores de probabilidade.
Vamos ver um exemplo.

194 Curso de Graduação em Administração, modalidade a distância

 Exemplo 11: imagine a situação do Exemplo 10 e obtenha os
valores de t simétricos em relação à média que contêm 95% dos da-
dos, supondo uma amostra de 10 elementos.
7

UNIDADE
Temos que encontrar os valores t1 e t2, simétricos em relação à
média que definem o intervalo que contém 95% dos dados. Como
supomos uma amostra de 10 elementos, a distribuição t de Student
terá 10 – 1 = 9 graus de liberdade. Repare que a média da distribui-
ção t de Student é igual a zero, fazendo com que t1 e t2 sejam iguais
em módulo. Podemos encontrar t2, já que P(t > t2) = 0,025. Veja a
Figura 60:

Figura 60: Uso da tabela da distribuição t de Student. Ilustração com gl = 9

e área na cauda superior de 2,5%
Fonte: Barbeta, Reis e Bornia (2008)

Vamos utilizar bastante a distribuição t de Student nas Uni-

dades 9 e 10.

Modelo Qui-quadrado

Trata-se de mais um modelo derivado da distribuição normal

e, por questões didáticas, não iremos discutir como se dá essa deriva-
ção aqui.
Na Unidade 3, estudamos como descrever os relacionamentos
entre duas variáveis qualitativas, geralmente expresso através de uma
tabela de contingências. No Exemplo 5, da Unidade 3, analisamos a
relação entre modelo e opinião geral sobre os veículos da Toyord. Ha-
víamos concluído que havia relacionamento, pois os modelos mais
baratos apresentavam maiores percentuais de insatisfeitos do que os
mais caros.

Período 3 195
 7
 Na Unidade 10, vamos aprender a calcular uma
estatística que relacionará as frequências observa-
das de cada cruzamento entre os valores de duas
UNIDADE

variáveis qualitativas, expressas em uma tabela de

contingências, com as frequências esperadas des-
ses mesmos cruzamentos, se as duas variáveis não
tiverem qualquer relação entre si. Essa estatística
é chamada de quiquadrado, 2; e, na hipótese de
as variáveis não se relacionarem, ela seguirá o mo-
delo qui-quadrado com certo número de graus de
liberdade.

O número de graus de liberdade dependerá das condições da

tabela: para o caso que será visto na Unidade 10, será o produto do
número de linhas da tabela – 1 pelo número de colunas da tabela – 1.
É uma distribuição assimétrica, sempre positiva, que tem valores dife-
rentes dependendo do seu número de graus de liberdade. Sua média é
igual ao número de graus de liberdade, e a variância é igual a duas
vezes o número de graus de liberdade.

Figura 61: Modelo quiquadrado com 2, 5, 10, 20 e 30 graus de liberdade

Fonte: Elaborada pelo autor deste livro

196 Curso de Graduação em Administração, modalidade a distância

 A Figura 61 mostra as curvas do modelo (distribuição) qui-
quadrado para 2, 5, 10, 20 e 30 graus de liberdade. Observe como
variam de forma dependendo do número de graus de liberdade da
7

UNIDADE
estatística.
A tabela da distribuição quiquadrado encontra-se no Ambien-
te Virtual de Ensino-Aprendizagem, para vários graus de liberdade e
valores de probabilidade. Procuremos entendê-la por meio de mais
um exemplo, o 12º.
Imagine que queiramos encontrar o valor da estatística qui-
quadrado, para 3 graus de liberdade, e, deixar uma área, na cauda
superior, de 5%.
O valor da estatística quiquadrado que define uma área na
cauda superior de 5% pode ser encontrado através da Tabela, cruzan-
do a linha de 3 graus de liberdade com a coluna de área na cauda
superior igual a 0,05. Veja a Figura a seguir:

Figura 62: Uso da tabela da distribuição quiquadrado. Ilustração com gl = 3

e área na cauda superior de 5%
Fonte: Adaptada de Barbeta, Reis e Bornia (2008)

Com esse tópico, terminamos a Unidade 7. Na Uni-

dade 8, você irá se deparar com o importante

conceito de distribuição amostral, que é indispensá-
vel para o processo de generalização (inferência) es-
tatística que será estudado nas Unidades 9 e 10.

Período 3 197
 7 Saiba mais...
Sobre modelos probabilísticos para variáveis aleatórias discretas:
UNIDADE

BARBETTA, Pedro A. Estatística Aplicada às Ciências Sociais. 7. ed.

Florianópolis: Ed. da UFSC, 2007, capítulo 7; BARBETTA, Pedro A. REIS,
Marcelo M., BORNIA, Antonio C. Estatística para Cursos de Engenharia e
Informática. 2. ed. São Paulo: Atlas, 2008, capítulo 5; STEVENSON,
Willian J. Estatística Aplicada à Administração. São Paulo: Harbra, 2001,
capítulo 4.

Sobre modelos probabilísticos para variáveis aleatórias contínuas:

BARBETTA, Pedro A. Estatística Aplicada às Ciências Sociais. 7. ed.
Florianópolis: Ed. da UFSC, 2007, capítulo 8; BARBETTA, Pedro A.; REIS,
Marcelo M.; BORNIA, Antonio C. Estatística para Cursos de Engenharia e
Informática. 2. ed. São Paulo: Atlas, 2008, capítulo 6; STEVENSON,
Willian J. Estatística Aplicada à Administração. São Paulo: Harbra, 2001,
capítulo 5.

Sobre a utilização do Microsoft Excel para cálculo de probabilidades para

os principais modelos probabilísticos veja: LEVINE, David M.; STEPHAN,
David; KREHBIEL, Timothy C.; BERENSON, Mark L. Estatística: teoria e

r
aplicações – usando microsoft excel em português. 5. ed. Rio de Janeiro:
LTC, 200, capítulos 4 e 5.

Resumindo
A Figura 63, a seguir, representa o resumo desta Unidade.

198 Curso de Graduação em Administração, modalidade a distância

 7

UNIDADE
Figura 63: Resumo da Unidade 7
Fonte: Elaborada pelo autor deste livro

Período 3 199
 7
 Caro estudante,
Chegamos ao final da Unidade 7 do nosso livro.
UNIDADE

Nela estudamos os modelos probabilísticos mais

comuns. Essa Unidade foi repleta de Figuras, Qua-
dros, representações e exemplos de utilização das
técnicas e das diferentes formas de utilização des-
tes modelos. Releia, caso necessário, todos os
exemplos, leia as indicações do Saiba mais e dis-
cuta com seus colegas. Responda à atividade de
aprendizagem e visite o Ambiente Virtual de Ensi-
no-Aprendizagem. Conte sempre com o acompa-
nhamento da tutoria e das explicações do profes-
sor. Ótimos estudos!

Atividades de aprendizagem
aprendizagem
1. Em determinado processo de fabricação, 10% das peças são defeitu-
osas. As peças são acondicionadas em caixas com 5 unidades cada
uma. As caixas serão aceitas apenas se apresentarem no máximo uma
peça defeituosa. Perguntamos:
a) Qual o modelo teórico mais adequado para esse caso? Por quê?
b) Qual a probabilidade de haver exatamente 3 peças defei-
tuosas em uma caixa?
c) Qual a probabilidade de uma caixa ser aceita?
d) Qual a probabilidade de, num lote de 10 caixas, pelo me-
nos 8 serem aceitas?
2. Uma comissão, responsável pelo recebimento de equipamentos em
uma empresa, faz testes em equipamentos selecionados aleatoria-
mente, dentre os que chegam. Para avaliar determinada marca de
transformadores de pequeno porte, a comissão selecionou aleatoria-
mente 18 dentre os que chegaram e classificará a marca como
satisfatória se não existir nenhum defeituoso nessa amostra. Sabe-se

200 Curso de Graduação em Administração, modalidade a distância

 que a produção desses equipamentos apresenta um percentual de
6% de defeituosos. 7

UNIDADE
a) Qual a probabilidade de a marca vir a ser considerada
satisfatória?
b) Qual a probabilidade de uma amostra, no máximo - de um
grupo de 8 amostras desses transformadores (cada amos-
tra com 18 transformadores) - ser considerada satisfatória?
3. Uma operadora de pedágios está preocupada com o dimensionamento
de uma de suas praças. Muitos motoristas reclamam das filas, pois
há apenas duas gôndolas em operação durante o período. Estudos
mostraram que em média 4 carros chegam na praça de pedágio a
cada 15 minutos.
a) Qual a probabilidade de mais de 2 carros chegarem à pra-
ça em 30 minutos?
b) Qual a probabilidade de chegada de até 2 carros em um
período de uma hora?
c) Você recomenda que a empresa aumente o número de
gôndolas? Por quê?
4. Sabe-se que a precipitação anual de chuva, cuja altura é medida em
cm, em certa localidade, é uma variável aleatória normalmente dis-
tribuída com altura média igual a 29,5 cm e desvio padrão de 2,5
cm de chuva.
a) Qual a altura de chuva ultrapassada em cerca de 5% das
medições?
b) Se em mais de 45% das vezes a altura de chuva ultrapas-
sar 32 cm, torna-se viável a instalação de um sistema para
coleta e para armazenamento de água da chuva (como com-
plemento à atual malha de abastecimento). É viável insta-
lar o sistema na localidade?
5. O tempo de vida de determinado componente eletrônico distribui-se
normalmente com média de 250 horas e variância de 49 horas. Você
adquire um desses componentes.
a) Qual a probabilidade de seu tempo de vida ultrapassar as
260 horas?

Período 3 201
 7 b) Qual deveria ser o prazo de garantia para esses componen-
tes para que o serviço de reposição atendesse a somente
5% dos componentes adquiridos?
UNIDADE

6. Imagine que a UFSC tivesse antecipado os resultados a seguir, refe-

rentes aos candidatos não eliminados, antes de divulgar a relação
com as notas de todos os candidatos.

P ONTUAÇÃO F INAL V ESTIBULAR UFSC – 2002

Economia Administração
Média 50,92 55,11
Desvio padrão 9,09 8,22
vagas/Candidatos 0,370 0,412

Admitindo-se que as notas são normalmente distribuídas:

a) O que você responderia para um candidato à Economia
que estimasse ter conseguido 50 pontos? Em sua opinião,
ele conseguiria se classificar? E se ele estimasse ter conse-
guido 60 pontos?
b) O que você responderia para candidatos aos cursos de Eco-
nomia e Administração que estimassem ter conseguido,
respectivamente, 55 e 58 pontos?
c) Imagine que você tenha de responder a dezenas de
vestibulandos. Para poupar trabalho, estime a nota míni-
ma para classificação em cada curso.

202 Curso de Graduação em Administração, modalidade a distância

 8 7

UNIDADE
Inferência Estatística e
UNIDADE
Distribuição Amostral


Objetivo
Ao finalizar esta Unidade, você deverá ser capaz de
compreender os conceitos de inferência estatística
e de distribuição amostral, fundamental para o
processo de generalização empregado pelos
administradores na tomada de decisão.

Período 3 203
 8
UNIDADE

204 Curso de Graduação em Administração, modalidade a distância

Conceito de Inferência Estatística 8

UNIDADE
Na Unidade 1, vimos que através da Inferência
Caro estudante, vamos relembrar um pouco nossa
trajetória ao longo da disciplina de estatística:

Estatística, usando os conceitos de Probabilidade

e de variáveis aleatórias, estas últimas estudadas
nas Unidades 5, 6 e 7, podemos generalizar os
resultados de uma pesquisa por amostragem, as-
sunto tratado na Unidade 2, para a população da
qual a amostra foi retirada.
Lembre-se: estamos supondo que a amostra foi re-
tirada por meio de amostragem probabilística ou
aleatória! Temos, então, um experimento aleató-
rio: não sabemos quem fará parte da amostra an-
tes do sorteio, conforme Unidade 5.
Uma vez retirada a amostra, fazemos a análise
exploratória dos dados – temas explanados nas Uni-
dades 3 e 4 – e calculamos a média de uma variá-
vel quantitativa. Essa média e todas as demais es-
tatísticas serão variáveis aleatórias (pois estão as-
sociadas ao Espaço Amostral de um experimento
aleatório); desse modo, poderemos tentar a identi-
ficação do modelo probabilístico mais apropriado
para elas – de acordo com nossos estudos das
Unidades 6 e 7 – e, nesse caso, o modelo
probabilístico de uma estatística da amostra é cha-
mado de Distribuição Amostral.
Conhecer a Distribuição Amostral das principais
estatísticas será muito útil quando estudarmos os
tipos particulares de Inferência Estatística: Estima-
ção de Parâmetros, vistos na Unidade 9, e Testes
de Hipóteses, conforme Unidade 10. Continuemos
nossos estudos!

Período 3 205
 8 E
statística é a ciência que se ocupa de organizar, descrever, ana-
lisar e interpretar dados para que seja possível a tomada de de-
cisões e/ou a validação científica de uma conclusão. Os dados
UNIDADE

são coletados para estudar uma ou mais características de uma Popu-

lação: conjunto das medidas da(s) característica(s) de interesse em
todos os elementos que a(s) apresenta(m).
Uma população pode ser representada por meio de um mode-
lo: este apresenta condições para uso, forma para a distribuição, e
parâmetros.
Os dados necessários para a obtenção do modelo podem ser

v
obtidos mediante um censo (pesquisa de toda a população), ou atra-
Na Unidade 2 enume- vés de uma amostra (subconjunto finito) da população.
ramos as principais ra- A amostra deve ser: representativa da população, suficiente
zões para usar (para que o resultado tenha confiabilidade) e aleatória (retirada por
amostragem. sorteio não viciado).

!
A Inferência Estatística consiste em fazer afirma-
Amostra aleatória, ca- ções probabilísticas sobre as características do mode-
sual ou probabilística
– amostra retirada por meio
lo probabilístico, que se supõe representar uma popu-
de um sorteio não viciado, lação, a partir dos dados de uma amostra aleatória
que garante que cada ele- (probabilística) desta mesma população.
mento da população terá
probabilidade maior do que
zero de pertencer à amos-
tra. Fonte: Elaborado pelo Fazer uma afirmação probabilística sobre uma característica
autor deste livro. qualquer é associar à declaração feita probabilidade de que tal decla-
Parâmetros – alguma me- ração esteja correta (e, portanto, a probabilidade complementar de
dida descritiva (média,
que esteja errada). Quando se usa uma amostra da população, sem-
variância, proporção) dos
valores x1, x2, x3, ..., as- pre haverá a probabilidade de se estar cometendo um erro (justamen-
sociados à população. Fon- te por ser usada uma amostra): a diferença entre os métodos estatísti-
te: Barbetta, Reis e Bornia
cos e os outros reside no fato de os métodos estatísticos permitirem
(2008).
calcular essa probabilidade de erro. Para que isso seja possível a amos-
Estimação de
P a r â m e t r o s – forma de
tra da população precisa ser aleatória.
inferência estatística que As afirmações probabilísticas sobre o modelo da população
busca estimar os parâmetros
podem ser basicamente:
do modelo probabilístico da
variável de interesse na po-
pulação, a partir de dados
 estimar quais são os possíveis valores dos parâmetros –
de uma amostra Estimação de Parâmetros:
probabilística desta mesma
população. Fonte: Barbetta,  qual o valor da média de uma variável que segue uma
Reis e Bornia (2008). distribuição normal?

206 Curso de Graduação em Administração, modalidade a distância

  qual o valor da proporção de um dos dois resultados
possíveis de uma variável que segue uma distribui-
ção binomial.
8

UNIDADE
 testar hipóteses sobre as características do modelo:
parâmetros, forma da distribuição de probabilidades, en-
tre outros – Testes de Hipóteses.
 o valor da média de uma variável que segue uma
distribuição é maior do que um determinado valor?
 o modelo probabilístico da população é uma distri-
buição normal?
 o valor da média de uma variável que segue uma
distribuição normal em uma população é diferente
da mesma média em outra população?

Estudaremos Estimação de Parâmetros na Unida-

de 9 e Testes de Hipóteses na Unidade 10. 
Te s t e s d e h i p ó t e s e s –
forma de inferência estatís-
Parâmetros e Estatísticas tica que busca testar hipó-
teses sobre características
(parâmetros, forma do mo-
delo) do modelo
Vamos recorrer a mesma pesquisa sugerida na Unidade 1: opi- probabilístico da variável de
nião dos registrados no CRA-SC sobre os cursos em que se gradua- interesse na população, a
partir de dados de uma
ram, desde que graduados em Santa Catarina. Naquela Unidade, e amostra probabilística des-
depois na Unidade 2, declaramos que era possível realizar uma ta mesma população. Fon-
amostragem probabilística, e vimos um exemplo de como fazer isso. te: Barbetta, Reis e Bornia
(2008).
Independente da pesquisa ter sido realizada por amostragem
probabilística, os dados podem ser estatisticamente generalizados para
a população.
Uma vez coletado os dados, é preciso resumi-los e organizá-los
de maneira a permitir uma primeira análise e posterior uso das infor-
mações. As técnicas estatísticas que se ocupam desses aspectos cons-
tituem a Análise Exploratória de Dados, que estudamos detalhadamente
nas Unidades 3 e 4.
O conjunto de dados pode ser resumido (e apresentado) atra-
vés das distribuições de frequências, que relacionam os valores que a

Período 3 207
 8 variável pode assumir com a frequência (contagem) com que foram
encontrados naquele conjunto. Essa distribuição pode ser apresenta-
da na forma de uma tabela, ou por meio de um gráfico (esses dois
UNIDADE

métodos podem ser usados tanto para variáveis qualitativas quanto

para variáveis qualitativas).
Há uma terceira forma de resumir o conjunto de dados, quan-
do a variável sob análise é quantitativa: as medidas de síntese ou

v
estatísticas. As principais estatísticas são a média, o desvio padrão, a
A proporção está rela- variância e a proporção.
cionada aos
percentuais de ocor-
rência dos valores em Atenção! Vamos relembrar o que cada uma significa:
uma distribuição de Média
Média: média aritmética simples (ver Unidade 4) tra-
frequências de uma va- ta-se de uma estatística que caracteriza o “centro de
riável qualitativa. massa” do conjunto de dados (Valor Esperado – ver
Unidade 6). Quando é a média populacional recebe o
símbolo µ , quando é a média amostral recebe o sím-
bolo 0 .
Estatísticas – medidas de
Variância
ariância: trata-se de uma estatística (ver Unidade
síntese da variável calcula-
das com base nos resulta- 4): mede a dispersão em torno da média do conjunto,
dos de uma amostra da po- (em torno do valor esperado – possuindo uma unida-
pulação. Se a amostra for
de que é o quadrado da unidade da média (e dos valo-
probabilística (aleatória) as
estatísticas podem ser con- res do conjunto). Quando é a variância populacional
sideradas variáveis aleató- recebe o símbolo ² quando é a variância amostral
rias. Fonte: Barbetta, Reis e
recebe o símbolo s²
s².
Bornia (2008).
Desvio padrão
padrão: é a raiz quadrada positiva da variância,
que possui uma unidade que é igual à unidade da
média; preferida, muitas vezes, para efeito de

!
mensuração da dispersão. Quando é o valor
populacional, recebe o símbolo  ; quando é o amostral
recebe o símbolo s .
Proporção
roporção: consiste em calcular a razão entre o nú-
mero de ocorrências do valor de interesse de uma va-
riável qualitativa e o número total de ocorrências
registradas no conjunto (de todos os valores que a
variável pode assumir). Quando é uma proporção
populacional, recebe o símbolo  ; quando é uma pro-
porção amostral, recebe o símbolo p .

208 Curso de Graduação em Administração, modalidade a distância

 Os valores das medidas de síntese, além de resumirem o con-
junto de dados, constituem uma indicação dos prováveis valores dos
parâmetros. Assim, em estudos baseados em amostras, é comum uti-
8

UNIDADE
lizar tais medidas de síntese como estatísticas que serão utilizadas
para estimar os parâmetros do modelo probabilístico que descreve a
população.
A Tabela 4 resume os parâmetros e as estatísticas:

Tabela 4: Parâmetros e Estatísticas mais comuns

MEDIDAS DE SÍNTESE PARÂMETROS (POPULAÇÃO) ESTATÍSTICAS (AMOSTRA)

Média

Variância

Proporção

Fonte: Elaborada pelo autor deste livro

Onde: N = o número de elementos da população; n = o núme-

ro de elementos da amostra; fa = a frequência de ocorrência de um
dos valores de uma variável qualitativa na população ou na amostra.
As Estatísticas são variáveis aleatórias, pois seus valores po-
dem variar dependendo do resultado da amostra. Se forem variáveis
aleatórias, podem ser caracterizadas através de algum modelo
probabilístico. Esse modelo recebe o nome de distribuição amostral.

Distribuição Amostral

Seja uma população qualquer com um parâmetro  de interes-

se, que corresponda a uma estatística T em uma amostra. Amostras
aleatórias são retiradas da população e para cada amostra calcula-se
o valor t da estatística T.

Período 3 209
 8
v
Os valores de t formam uma nova população que segue uma
distribuição de probabilidades que é chamada de distribuição
amostral de T.
UNIDADE

NÃO confundir Vamos ver um exemplo.

com o t da dis-
Exemplo 1 – Seja a população a seguir constituída pelos pesos
tribuição o t de
em kg de oito pessoas adultas:
Student (Unida-
de 7).

Figura 64: Distribuição Amostral – Exemplo 1

Fonte: Elaborada pelo autor deste livro

Observe que foram retiradas três amostras. Para cada amostra

foi calculada a média, com objetivo de estimar a média populacional,
que vale 65,62 kg. Repare que há uma variação na estatística média,
pois o processo de amostragem é aleatório: é um experimento aleató-
rio. Essa variação precisa ser considerada quando são realizadas as
inferências sobre os parâmetros.
Dessa maneira, o conhecimento das distribuições amostrais das
principais estatísticas é necessário para fazer inferências sobre os
parâmetros do modelo probabilístico da população. Por hora, basta
conhecer as distribuições amostrais das estatísticas média de uma
variável quantitativa qualquer e a proporção de um dos dois únicos
resultados de uma variável qualitativa.

Distribuição Amostral da Média

Atentemos para as particularidades da distribuição amostral

da média.
Exemplo 2 – suponha uma variável quantitativa cujos valores
constituem uma população com os seguintes valores: (2, 3, 4, 5).

210 Curso de Graduação em Administração, modalidade a distância

 Para essa população, que tem uma distribuição uniforme, po-
demos perceber que os parâmetros são:  = 3,5 e
se n no denominador por ser uma população)

² = 1,25 (usou- 8

UNIDADE
Se retirarmos todas as amostras aleatórias de dois elementos
(com reposição) possíveis dessa população (n = 2), teremos os se- Há 16 amos-
guintes resultados: tras possí-
veis.
(2, 2) (2, 3) (2, 4) (2, 5)
(3, 2) (3, 3) (3, 4) (3, 5)
(4, 2) (4, 3) (4, 4) (4, 5)
(5, 2) (5, 3) (5, 4) (5, 5)

O cálculo das médias de todas as amostras acima resultará na

matriz a seguir:

Se essas médias forem plotadas em um histograma:

Figura 65: Histograma de médias amostrais

Fonte: Elaborada pelo autor deste livro

Período 3 211
 8 Se forem calculadas a média e a variância das médias de to-
das as amostras, o resultado será:
UNIDADE

Note como a distribuição das médias amostrais da variável pode

ser aproximada por um modelo normal (não obstante a distribuição
da variável na população não ser normal), e que o valor esperado das
médias amostrais (média das médias) é igual ao valor da média
populacional da variável e a variância das médias amostrais é igual
ao valor da variância populacional da variável dividida pelo tamanho
da amostra. Quanto maior o tamanho da amostra (quanto maior n)
mais o histograma anterior vai se aproximar de um modelo normal, inde-
pendentemente do formato da distribuição da variável na população.

Com relação à “sufici-

 Podemos então enunciar os teoremas.

entemente grande”,
Teorema das Combinações Lineares
importante ressaltar
que isso varia de distri- Se a variável de interesse segue uma distribuição normal na
buição para distribui- população a distribuição amostral das médias de amostras aleatórias
ção e, como foi visto, retiradas da população também será normal, independentemente do
uma distribuição uni-
tamanho das amostras.
forme precisa de uma
amostra pequena (n =
2 no caso) para que a
Teorema Central do Limite
aproximação seja pos- Se a variável de interesse não segue uma distribuição normal
sível; outras distribui-
na população (ou não se sabe qual é a sua distribuição), a distribui-

v
ções precisam de
ção amostral das médias de amostras aleatórias retiradas da popula-
amostras maiores. Al-
ção será normal se o tamanho das amostras for suficientemente gran-
guns autores costu-
de, com uma média igual à média populacional e uma variância igual
mam chamar de “gran-
à variância populacional dividida pelo tamanho da amostra.
des amostras” àquelas
que possuem mais de Para o caso da Proporção podemos chegar a uma conclusão
30 elementos, a par- semelhante.
tir desse tamanho a
aproximação poderia
ser feita sem muitas
preocupações.

212 Curso de Graduação em Administração, modalidade a distância

 Distribuição Amostral da Proporção

Vamos estudar as particularidades da distribuição amostral da

8

UNIDADE
proporção através de um exemplo.
Exemplo 3: pense agora em uma variável qualitativa que pode
assumir apenas dois valores, e que constitui a seguinte população:
(, , , , )
Suponhamos que há interesse no valor  (valor que seria o
nosso “sucesso”). A proporção desse valor na população (o valor do
parâmetro) será  = 1/5

v
Se retirarmos todas as amostras aleatórias de dois elementos
(com reposição) possíveis dessa população (n = 2), teremos os se- Há 25 amostras possí-
guintes resultados: veis.

Figura 66: Amostras de tamanho 2 para proporção

Fonte: Elaborada pelo autor deste livro

Repare que se definirmos a variável como o número de “suces-

sos” (número de ), esta seguirá um modelo binomial: há apenas dois
resultados possíveis para cada realização, há um número limitado de
realizações (n = 2 no caso), e cada realização independe da outra
(porque a amostra é aleatória com reposição).
Calculando a proporção de ¦ em cada uma das amostras, e
chamando essa proporção amostral de p, teremos os seguintes resul-
tados:

Período 3 213
 8
UNIDADE

Calculando a média (valor esperado) e a variância das propor-

ções acima teremos:

v
Perceba que o valor esperado (média) das proporções amostrais
Voltaremos a analisar o é igual ao valor da proporção populacional de , e que a variância
significado desse resul- das proporções amostrais é igual ao produto da proporção populacional
tado quando estudar- de  por seu complementar, dividido pelo tamanho da amostra.
mos Estimação por Lembre-se de que um modelo binomial pode ser aproximado
Ponto. por um modelo normal se algumas condições forem satisfeitas: se o
produto do número de realizações pela probabilidade de “sucesso”

v
(n × p) e o produto do número de realizações pela probabilidade de
Isso também é decor-
“fracasso” (n × [1 – p]) forem ambos maiores ou iguais a 5. Essa
rência do Teorema Cen- distribuição normal teria média igual a n × p e variância igual a
tral do Limite. n × p × (1 – p). Se estivermos interessados apenas na proporção
(probabilidade de “sucesso”) e não no número de “sucessos”, as ex-
pressões anteriores podem ser divididas por n (o tamanho da amos-
tra): média = p e variância = [p × (1– p) / n].
Por causa do Teorema Central do Limite é que o modelo nor-
mal é tão importante. É claro que ele representa muito bem uma gran-
de variedade de fenômenos, mas é devido à sua utilização em
Inferência Estatística que seu estudo é imprescindível. Ressalte-se,
porém, que sua aplicação costuma resumir-se ao que se chama de
Inferência Paramétrica, inferências sobre os parâmetros dos modelos
probabilísticos que descrevem as variáveis na população. Para fazer
inferências sobre outros aspectos que não os parâmetros, ou quando
as amostras utilizadas não forem suficientemente grandes para se assu-
mir a validade do Teorema Central do Limite, é preciso usar técnicas de
Inferência Não Paramétrica, conteúdo este não contemplado nesta dis-
ciplina.

214 Curso de Graduação em Administração, modalidade a distância

Saiba mais...
Sobre distribuição amostral veja: BARBETTA, Pedro A.; REIS, Marcelo M.;
8

UNIDADE
BORNIA, Antonio C. Estatística para Cursos de Engenharia e Informática. 2.
ed. São Paulo: Atlas, 2008, Capítulo 7.

STEVENSON, Willian J. Estatística Aplicada à Administração. São Paulo:

Ed. Harbra, 2001, Capítulo 7.

ANDERSON, D. R.; SWEENEY, D. J.; WILLIAMS, T. A. Estatística Aplicada

à Administração e Economia. 2. ed. São Paulo: Thomson Learning, 2007,
Capítulo 7.

Sobre a utilização do Microsoft Excel para estudar distribuições amostrais

veja LEVINE, David M.; STEPHAN, David; KREHBIEL, Timothy C.;

r
BERENSON, Mark L. Estatística: Teoria e Aplicações – Usando Microsoft
Excel em Português. 5. ed. Rio de Janeiro: LTC, 200, Capítulo 5.

Resumindo
A Figura 67, a seguir, representa o resumo desta Unidade.

Período 3 215
 8
UNIDADE

Figura 67: Resumo da Unidade 8

Fonte: Elaborada pelo autor deste livro

216 Curso de Graduação em Administração, modalidade a distância

 Caro estudante,


Esta Unidade foi muito importante para o seu apren-
8

UNIDADE
dizado, pois lhe deu bases importantes que permi-
tirão avançar na disciplina. Vimos, até agora, so-
bre a inferência estatística e distribuição amostral,
seu modelo probabilístico e testes de hipóteses.
Ao final da Unidade, sugerimos que interaja com
seus colegas, responda às atividade de aprendiza-
gem e visite o Ambiente Virtual de Ensino-Apren-
dizagem, espaço no qual poderá resolver suas dú-
vidas com o auxílio de seu tutor. Bons estudos!

Atividades de aprendizagem
aprendizagem
1. Uma fundição produz blocos para motor de caminhões. Os furos para
Camisa – mecânica: invó-
as camisas devem ter diâmetro de 100 mm, com tolerância de 5
lucro de metal que protege
mm. Para verificar qual o diâmetro médio no processo, a empresa peças ou partes de certas
máquinas e motores. Fon-
vai retirar uma amostra com 36 blocos e medir os diâmetros de 36
te: Aulete (2008).
furos (1 a cada bloco). Suponha que o desvio padrão (populacional)
dos diâmetros seja conhecido e igual a 3 mm.
a) Qual o desvio padrão da distribuição da média amostral?
b) Qual a probabilidade da média amostral diferir da média
populacional (desconhecida) em mais de 0,5 mm (para
mais ou para menos)?
c) Qual a probabilidade da média amostral diferir da média
populacional (desconhecida) em mais de 1 mm (para mais
ou para menos)?
d) Se alguém afirmar que a média amostral não se distanciará
da média populacional em mais de 0,98 mm, qual a pro-
babilidade dessa pessoa acertar?

Período 3 217
 8 e) Se alguém afirmar que a média amostral não se distanciará
da média populacional em mais de 1,085 mm, qual a pro-
babilidade dessa pessoa errar?
UNIDADE

218 Curso de Graduação em Administração, modalidade a distância

 9 8

UNIDADE
Estimação de
UNIDADE
Parâmetros


Objetivo
Ao finalizar esta Unidade, você deverá ser capaz de
compreender e de aplicar os conceitos de Estimação
de Parâmetros por Ponto e por Intervalo de Média e
Proporção; e de calcular o tamanho mínimo de
amostra necessário para a Estimação por Intervalo.

Período 3 219
 9
UNIDADE

220 Curso de Graduação em Administração, modalidade a distância

 Estimação por Ponto de Parâmetros 9

UNIDADE
Caro estudante,


Na Unidade 8, você viu o conceito de Distribuição
Amostral e constatou a importância do modelo nor-
mal. Nesta Unidade, você vai aprender como apli-
car esses conceitos no primeiro tipo particular de
inferência estatística: a Estimação de Parâmetros,
por ponto e por intervalo.
Parâmetros são medidas de síntese de variáveis
quantitativas na população que estamos
pesquisando. Por ser inviável ou inconveniente
pesquisar toda a população, coletamos uma amos-
tra para estudá-la. Os resultados da amostra po-
dem ser usados, então, para fazer afirmações
probabilísticas sobre o parâmetro de interesse: de-
finir um intervalo possível para os valores do
parâmetro e calcular a probabilidade de o valor
real do parâmetro estar dentro dele (esta é a Esti-
mação por Intervalo).
Vamos aprender como estimar os parâmetros mé-
dia de uma variável quantitativa e proporção de
um dos valores de uma variável qualitativa. Além
disso, você vai ver como é possível definir, de for-
ma mais acurada, o tamanho mínimo de uma amos-
tra aleatória para estimar média e proporção (tema
Estimação por ponto –
iniciado na Unidade 2).
tipo de estimação de
parâmetros que procura
identificar qual o melhor

U
ma vez tendo decidido que modelo probabilístico é mais ade- estimador para um
parâmetro populacional a
quado para representar a variável de interesse na população,
partir das várias estatísticas
resta obter os seus parâmetros. Nos estudos feitos com base em amostrais disponíveis, se-
amostras, é preciso escolher qual das estatísticas de amostra será o guindo alguns critérios.
Fonte: Barbetta, Reis e
melhor estimador para cada parâmetro do modelo.
Bornia (2008).
A Estimação por Ponto consiste em determinar qual será o
melhor estimador para o parâmetro de interesse.

Período 3 221
 9 Como os parâmetros serão estimados através das estatísticas
de uma amostra aleatória; e como para cada amostra aleatória as
estatísticas apresentarão diferentes valores, os estimadores também
UNIDADE

terão valores aleatórios. Em outras palavras, um estimador é uma va-

riável aleatória que pode ter um modelo probabilístico para descrevê-la.
Naturalmente haverá várias estatísticas T que poderão ser usa-
das como estimadores de um parâmetro   qualquer. Como escolher
qual das estatísticas será o melhor estimador para o parâmetro?
Há basicamente três critérios para a escolha de um estimador:
o estimador precisa ser justo, consistente e eficiente.

1) Um estimador T é um estimador justo (não tendencioso)

de um parâmetro  quando o valor esperado de T é igual
ao valor do parâmetro  a ser estimado: E(T) = 
2) Um estimador T é um estimador consistente de um
parâmetro  quando além ser um estimador justo a sua
variância tende a zero à medida que o tamanho da amos-
tra aleatória aumenta: lim n4 V(T) = 0.
3) Se há dois estimadores justos de um parâmetro o mais
eficiente é aquele que apresentar a menor variância.

 Conforme foi dito na introdução desta Unidade,

estamos interessados em estimar dois parâmetros:
média e proporção populacional. Vamos buscar, en-
tão, os estimadores mais apropriados para ambos.

Estimação por Ponto dos Principais Parâmetros

Os principais parâmetros que vamos avaliar aqui são: média

de uma variável que segue um modelo normal (ou qualquer modelo se
a amostra for suficientemente grande) em uma população (média
populacional – μ) e proporção de ocorrência de um dos valores de
uma variável que segue um modelo binomial em uma população (pro-
porção populacional –  ). Em suma escolher quais estatísticas

222 Curso de Graduação em Administração, modalidade a distância

amostrais são mais adequadas para estimar esses parâmetros, usan-
do os critérios definidos acima.
Considerando os exemplos 2 e 3 da Unidade 8, algumas
9

UNIDADE
constatações que lá foram feitas passarão a fazer sentido agora.
Vamos supor que houvesse a intenção de estimar a média
populacional da variável do Exemplo 2. Qual das estatísticas disponí-
veis seria o melhor estimador?
Lembrem-se de que, após retirar todas as amostras aleatórias
possíveis daquela população, calculamos a média de cada amostra e,
posteriormente, a média dessas médias. Constatamos que o valor es-
perado das médias amostrais (média das médias) é igual ao valor da
média populacional da variável e a variância das médias amostrais é
igual ao valor da variância populacional da variável dividida pelo ta-
manho da amostra:

O melhor estimador da média populacional μ é a média amostral

0 , pois se trata de um estimador justo e consistente:

 justo porque o valor esperado da média amostral será a

média populacional;
 consistente porque, se o tamanho da amostra n tender ao
infinito a variância da média amostral (do Estimador) ten-
derá a zero.

Agora, vamos supor que houvesse a intenção de estimar a pro-

porção populacional do valor  da variável do Exemplo 3. Qual das
estatísticas disponíveis seria o melhor estimador?
Lembrem-se de que, após retirar todas as amostras aleatórias
possíveis daquela população, calculamos a proporção de  em cada
amostra e, posteriormente, a média dessas proporções. Constatamos
que o valor esperado das proporções amostrais (média das propor-
ções) é igual ao valor da proporção populacional do valor  da variá-
vel e a variância das proporções amostrais é igual ao valor do produto
da proporção populacional do valor  da variável pela sua comple-
mentar dividida pelo tamanho da amostra:

Período 3 223
 9 O melhor estimador da proporção populacional é a propor-
ção amostral p, pois se trata de um estimador justo e consistente:
UNIDADE

 Justo porque o valor esperado da proporção amostral será

a proporção populacional; e
 Consistente porque se o tamanho da amostra n tender ao
infinito a variância da proporção amostral (do Estimador)
tenderá a zero.

Poderíamos fazer um procedimento semelhante para estimar

outros parâmetros como, por exemplo, a variância populacional de
uma variável. Esse procedimento não será demonstrado, mas o me-
lhor estimador da variância populacional será a variância amostral se
for usado n – 1 no denominador da expressão de cálculo. Somente
assim a variância amostral será um estimador justo (não viciado) da
variância populacional.
Como o desvio padrão é a raiz quadrada da variância, é co-
mum estimar o desvio padrão populacional extraindo a raiz quadrada
da variância amostral.

 O problema da Estimação por Ponto é que, geral-

mente, dispomos apenas de uma amostra aleató-
ria. Intuitivamente, qual será a probabilidade de a
média ou proporção amostral, de uma amostra ale-
atória, coincidir com o valor do parâmetro? É como
pescar usando-se uma lança de bambu, que requer
muita habilidade... Porém, se você puder usar uma
rede, ficará bem mais fácil. Essa “rede” é a Estima-
ção por Intervalo.

Estimação por Intervalo de Parâmetros

Geralmente, uma inferência estatística é feita com base em uma

única amostra: na maior parte dos casos é totalmente inviável retirar
todas as amostras possíveis de determinada população.

224 Curso de Graduação em Administração, modalidade a distância

 Intuitivamente, percebemos que as estatísticas calculadas nes-
sa única amostra, mesmo sendo os melhores estimadores para os
parâmetros de interesse, terão probabilidade infinitesimal de coincidir
9

UNIDADE
exatamente com os valores reais dos parâmetros. Então a Estimação por
Ponto dos parâmetros é insuficiente, e as estimativas assim obtidas servi-
rão apenas como referência para a Estimação por Intervalo.
A Estimação por Intervalo consiste em colocar um Intervalo de
Confiança (I.C.) em torno da estimativa obtida através da Estimação
por Ponto.
Fazer uma Estimação
O Intervalo de Confiança terá certa probabilidade, chamada

v
por Intervalo de um
de Nível de confiança (que costuma ser simbolizado como 1 –  ), de parâmetro é efetuar uma
conter o valor real do parâmetro e a probabilidade de esta faixa real- afirmação probabilística
mente abranger o valor real do parâmetro. A probabilidade de o Inter- sobre este parâmetro,
valo de Confiança não conter o valor real do parâmetro é chamada de indicando uma faixa de
 ), e o valor dessa probabilidade será o com-
Nível de Significância ( possíveis valores.
plementar do Nível de Confiança. É comum definir o Nível de
Significância como probabilidade máxima de erro, um risco máximo
Intervalo de Confiança
admissível. – faixa de valores da esta-
A determinação do Intervalo de Confiança para determinado tística usada como
estimador, dentro da qual
parâmetro resume-se basicamente a definir o Limite Inferior e o Limi-
existe a probabilidade co-
te Superior do intervalo, supondo determinado Nível de Confiança ou nhecida de estar o verdadei-
Significância. ro valor do parâmetro. Sinô-
nimo de estimação por in-
A definição dos limites dependerá também da distribuição
tervalo. Fonte: Barbetta,
amostral da estatística usada como referência para o intervalo e do Reis e Bornia (2008).
tamanho da amostra utilizada. Nível de Significância
Para os dois parâmetros em que temos maior interesse (média – complementar do nível de
confiança, a probabilidade
populacional μ e proporção populacional  ) a distribuição amostral
de que o intervalo de confi-
dos estimadores (média amostral 0 e proporção amostral p, respecti- ança não contenha o valor
vamente) pode ser aproximada por uma distribuição normal: o Inter- real do parâmetro. Probabi-
lidade de erro espera-se que
valo de Confiança será então simétrico em relação ao valor calculado
seja um valor baixo, de no
da estimativa (média ou proporção amostral), com base na amostra máximo 10%. Fonte:
aleatória coletada (Figura 68): Barbetta, Reis e Bornia
(2008).

Nível de Confiança –
probabilidade de que o in-
tervalo de confiança conte-
nha o valor real do
parâmetro a estimar, espe-
ra-se que seja um valor alto,
de no mínimo 90%. Fonte:
Moore, McCabe, Duckworth
e Sclove (2006).

Período 3 225
 9
UNIDADE

Figura 68: Intervalo de confiança para um modelo normal

Fonte: Elaborada pelo autor deste livro

Onde: Li é o limite inferior e Ls é o limite superior do Intervalo

de Confiança; 1 –  é o Nível de Confiança estabelecido, observando
que o valor do Nível de Significância  é dividido igualmente entre os
valores abaixo de Li e acima de Ls.
Para obter os limites em função do Nível de Confiança, deve-
mos utilizar a distribuição normal padrão (variável Z com média zero
e variância um): fixar certo valor de probabilidade, obter o valor de Z

v
correspondente, e substituir o valor em Z = (x – “média”) “desvio
Foram colocados entre padrão” para obter o valor x (valor correspondente ao valor de Z para
aspas porque os valo- a probabilidade fixada). Observe a Figura 69:
res dependerão dos
parâmetros sob análi-
se e de outros fatores.

Figura 69: Intervalo de confiança para a distribuição normal padrão

Fonte: Elaborada pelo autor deste livro

O limite Li (inferior) corresponde a Z1 e o limite Ls (superior)

corresponde a Z 2. O ponto central 0 (zero) corresponde ao valor cal-
culado da Estimativa. Como a variável Z tem distribuição normal com
média igual a zero (lembrando que a distribuição normal é simétrica
em relação à média) os valores de Z1 e Z2 serão iguais em módulo (Z 1
será negativo e Z2 positivo):

Z 1 será um valor de Z tal que , e Z 2 será um

valor tal que

Então, obteremos os valores dos limites através das expressões:

226 Curso de Graduação em Administração, modalidade a distância

 Z1 = (L i – “média”)/ “desvio padrão”  Li = “média” +
Z1 H“desvio padrão”.
Z2 = (L s – “média”)/ “desvio padrão” Ls = “média” +
9

UNIDADE
Z2 H“desvio padrão”.

Como Z1 = – Z2, podemos substituir:

Li = “média” – Z2 H“desvio padrão”.

Ls = “média” + Z2 H “desvio padrão”.

Este valor Z 2 costuma ser chamado de Z crítico , porque

corresponde aos limites do intervalo:

Li = “média” – Zcrítico H“desvio padrão”.

Ls = “média” + Zcrítico H “desvio padrão”.

Reparem que o mesmo valor é somado e subtraído da “mé-

dia”. Esse valor é chamado de semi-intervalo ou precisão do intervalo
(ou margem de erro) e0:

e 0 = Zcrítico H“desvio padrão”.

Resta agora definir corretamente o valor da “média” e do “des-

vio padrão” para cada um dos parâmetros em que estamos interessa-
dos (média e proporção populacional). Com base nas conclusões ob-
tidas na Estimação por Ponto isso será simples. Contudo, há alguns
outros aspectos que precisarão ser esmiuçados.

Estimação por Intervalo da Média

Populacional

Lembrando as expressões anteriores:

Li = “média” – Zcrítico H“desvio padrão” = “média” – e0.

Ls = “média” + Zcrítico H “desvio padrão” = “média” + e0.

Nesse caso, a “média” será a média amostral 0 (ou mais pre-

cisamente o seu valor):

0 – e0    0 + e 0 ) = 1 – 
P(0

O valor de e0 dependerá de outros aspectos.

Período 3 227
 9 a) Se a variância populacional  ² da variável (cuja média
populacional queremos estimar) for conhecida.
Nesse caso a variância amostral da média poderá ser calcula-
UNIDADE

da através da expressão:

, e, por conseguinte, o “desvio padrão” será =

E e0 será:

Bastará então fixar o Nível de Confiança (ou de Significância)

para se obter Zcrítico por meio da Tabela disponível no Ambiente Virtu-
al e calcular e0.
b) Se a variância populacional  ² da variável for desconhecida.
Naturalmente esse é o caso mais encontrado na prática. Como
deveremos proceder? Dependerá do tamanho da amostra.
b.1 – Grandes amostras (mais de 30 elementos).
Nesses casos, procede-se como no item anterior, apenas fazen-
do com que  = s, ou seja, considerando que o desvio padrão da
variável na população é igual ao desvio padrão da variável na amos-
tra (suposição razoável para grandes amostras).
b.2 – Pequenas amostras (até 30 elementos).
Nesses casos a aproximação do item b.1 não será viável. Terá
que ser feita uma correção na distribuição normal padrão (Z) através
da distribuição t de Student, que estudamos na Unidade 6.
Quando a variância populacional da variável é desconhecida
e a amostra tem até 30 elementos substitui-se  por s e Z por tn-1 em
todas as expressões para determinação dos limites do intervalo de con-
fiança, obtendo-se:

Li = “média” – tn–1, crítico H“desvio padrão” = “média” – e0

Ls = “média” + tn–1, crítico H “desvio padrão” = “média” + e0

E e0 será:

Os valores de tn–1,crítico podem ser obtidos de forma semelhante

aos de Zcrítico, definindo o Nível de Confiança (ou de Significância),
mas precisam também da definição do número de graus de liberdade
(n – 1): de posse desses valores basta procurar o valor da Tabela 2 do
Ambiente Virtual ou em um programa computacional.

228 Curso de Graduação em Administração, modalidade a distância

 Se o tamanho da amostra (n) for superior a 5% do tamanho da
população (N), os valores de e0 precisam ser corrigidos. Caso contrá-
rio os limites dos intervalos não serão conhecidos. A correção é mos-
9

UNIDADE
trada na equação a seguir:

Vejamos por meio de um exemplo.

Exemplo 1: retirou-se uma amostra aleatória de quatro elemen-
tos de uma produção de cortes bovinos no intuito de estimar a média
do peso do corte. Obteve-se média de 8,2 kg e desvio padrão de 0,4
kg. Suponha população normal e determine um intervalo de confian-
ça para a média populacional com 1% de significância.
O parâmetro de interesse é a média populacional μ do peso do

v
corte.
Adotou-se um nível de significância de 1%, então  = 0,01 e Este valor pode ser ar-
1 –  = 0,99. bitrado pelo usuário ou
As estatísticas disponíveis são: média amostral = 8,2 kg pode ser uma exigência
s = 0,4 kg n = 4 elementos. do problema sob análi-
se, ou até mesmo uma
Definição da variável de teste: como a variância populacional
exigência legal. Os ní-
é desconhecida e o tamanho da amostra é menor que 30 elementos,
veis de significância
não obstante a população ter distribuição normal, a distribuição amostral
mais comuns são de
da média será t de Student, e a variável de teste será: tn-1
1%, 5% ou mesmo
Encontrar o valor de tn-1,crítico: como o Intervalo de Confiança para 10%.
a média é bilateral, teremos uma situação semelhante à da Figura 70 a
seguir.

Figura 70: Distribuição t de Student para 99% de confiança

Fonte: Elaborada pelo autor deste livro

Período 3 229
 9 Para encontrar o valor crítico, devemos procurar na tabela da
distribuição de Student, na linha correspondente a n–1 graus de liber-
dade, ou seja, em 4 – 1 = 3 graus de liberdade. O valor da probabili-
UNIDADE

dade pode ser visto na Figura anterior: os valores críticos serão t3;0,005
e t3;0,995 os quais serão iguais em módulo. E o valor de tn–1,crítico será
igual a 5,84 (em módulo).
Determinammos os limites do intervalo, através da expressão
seguinte (cujo resultado será somado e subtraído da média amostral),
para estabelecer os limites do intervalo:

LI = 0 – e0 = 8,2 – 1,168 = 7,032 kg

LS = 0 + e0 = 8,2 + 1,168 = 9,368 kg

Então o intervalo de 99% de confiança para a média

populacional da dimensão é [7,032;9,368] kg. Interpretação: há 99%
de probabilidade de a verdadeira média populacional do peso de cor-
te estar entre 7,032 kg e 9,368 kg.

Estimação por Intervalo da Proporção

Populacional

Anteriormente, declaramos que o melhor estimador para a pro-

porção populacional  é a proporção amostral p; e que essa propor-
ção amostral teria média igual a  e variância igual a [
 H (1 –  )]/n.
Onde n é o tamanho da amostra aleatória. A distribuição da propor-
ção amostral p é binomial, e sabemos que a distribuição binomial pode
ser aproximada por uma normal se algumas condições forem satisfeitas:

Se n H 
5 E n H (1 –  ) 5

Ora, se  fosse conhecido não estaríamos aqui nos preocupan-

do com a Estimação dele por Intervalo. Assim, vamos verificar se é
possível aproximar a distribuição binomial de p por uma normal se:
n H p  5 e n H (1 – p)  5, ou seja, usando o próprio valor da propor-
ção amostral observada (trata-se de uma aproximação razoável).
Se e somente se essas duas condições forem satisfeitas podere-
mos usar as expressões a seguir:

230 Curso de Graduação em Administração, modalidade a distância

 Li = “média” – Zcrítico H“desvio padrão” = “média” – e0
Ls = “média” + Zcrítico H “desvio padrão” = “média” + e0
9

UNIDADE
Nesse caso, a “média” será a proporção amostral (ou mais pre-
cisamente o seu valor):

P(p – e0    p + e0) = 1 – 

E o valor do “desvio padrão” será igual a:

Novamente, como  é desconhecido, usaremos a proporção

amostral p como aproximação.

Então e0 será:

Bastará, então, fixar o Nível de Confiança (ou de Significância),

Zcrítico e calcular e0.
Novamente, precisamos corrigir o valor de e0 para o caso de
população finita:

Em suma, a Estimação por Intervalo da média e da proporção

populacional consiste basicamente em calcular a amplitude do semi-
intervalo (o e0), de acordo com as condições do problema sob análise.

 Para a média, observar se é viável considerar a distribui-

ção da variável na população como normal, ou considerar
a amostra como suficientemente grande para que a distri-
buição das médias amostrais possa ser considerada nor-
mal;
 se isso for verificado, identificar se a variância populacional
da variável é conhecida. Caso seja, deverá ser usada a va-
riável Z da distribuição normal padrão para qualquer ta-
manho de amostra;
 se variância populacional da variável é desconhecida, há
duas possibilidades: para amostras com mais de 30 ele-
mentos usar a variável Z, e fazer a variância populacional
igual à variância amostral da variável; se a amostra pos-
suir até 30 elementos, usar a variável tn-1 da distribuição
de Student; e

Período 3 231
 9  para a proporção, observar se é possível fazer a aproxima-
ção pela distribuição normal.
UNIDADE

Vamos ver um exemplo.

No exemplo 2, retirou-se uma amostra aleatória de 1.000 pe-
ças de um lote. Verificou-se que 35 eram defeituosas.
Determinar um intervalo de confiança de 95% para a propor-
ção peças defeituosas no lote.
O parâmetro de interesse é a proporção populacional  de
peças defeituosas.
Adotou-se um nível de significância de 5%, então  = 0,05 e
1 –  = 0,95
As estatísticas são: proporção amostral de peças defeituosas
p = 35/1.000 n = 1.000 elementos.
Definição da variável de teste: precisamos verificar se é possível
fazer a aproximação pela normal, então n H p = 1000 x 0,035 = 35 > 5
e n H (1– p) = 1000 x 0,965 = 965 > 5. Como ambos os produtos
satisfazem as condições para a aproximação podemos usar a variável
Z da distribuição normal padrão.
Encontrar o valor de Zcrítico: como o Intervalo de Confiança para a
média é bilateral, teremos uma situação semelhante à da figura a seguir:

Figura 71: Distribuição normal padrão para 95% de confiança

Fonte: Elaborada pelo autor deste livro

Para encontrar o valor crítico, devemos procurar na tabela da

distribuição normal padrão pela probabilidade 0,975 (0,95+0,025).
O valor da probabilidade pode ser visto na Figura anterior: os valores
críticos serão Z 0,025 e Z0,975 os quais serão iguais em módulo. E o
valor de Zcrítico será igual a 1,96 (em módulo).

232 Curso de Graduação em Administração, modalidade a distância

 Passamos agora à determinação dos limites do intervalo, atra-
vés da expressão seguinte, cujo resultado será somado e subtraído da
proporção amostral de peças defeituosas, para determinar os limites
9

UNIDADE
do intervalo:

LI = p – e 0 = 0,035 – 0,0114 = 0,0236

LS = p + e0 = 0,035 + 0,0114 = 0,0464

Então, o intervalo de 95% de confiança para a proporção

populacional de peças defeituosas é [2,36%;4,64%]. Interpretação:
há 95% de probabilidade de a verdadeira proporção populacional de
plantas atacadas pelo fungo estar entre 2,36% e 4,64%.

Tamanho Mínimo de Amostra para

Estimação por Intervalo

Como observado nos itens anteriores, a determinação dos li-

mites de um Intervalo de Confiança (determinação do e0) depende do
tamanho da amostra aleatória coletada, além do Nível de Confiança e
da distribuição amostral do estimador utilizado. Nada podemos fazer
quanto à distribuição amostral do estimador; o Nível de Confiança
nós podemos controlar, seria interessante definir então uma precisão
(um valor para e0) para o Intervalo de Confiança: é muito comum
querermos estabelecer previamente qual será a faixa de variação de
determinado parâmetro, com certa confiabilidade.
Contudo, para um mesmo tamanho de amostra:

 Se aumentarmos o Nível de Confiança (reduzirmos o Nível

de Significância) teremos um valor crítico maior, o que au-
mentará o valor de e0, resultando em um Intervalo de Con-
fiança mais “largo”, com menor precisão.
 Se resolvermos aumentar a precisão (menor valor de e0),
isto é, obter-se um Intervalo de Confiança mais “estreito”,
teremos uma queda no Nível de Confiança.

Período 3 233
 9 A solução para o dilema acima é a obtenção de um tamanho
mínimo de amostra capaz de atender simultaneamente ao Nível de
Confiança (ou de Significância) e à precisão (e0) especificados. Como
UNIDADE

as expressões de e0 são em função do tamanho de amostra (n), seria

razoável pensar em reordená-las de forma a fazer com que o tamanho
de amostra seja função do Nível de Confiança e da precisão (e0).

Tamanho Mínimo de Amostra para Estimação

por Intervalo da Média Populacional

a) Variância populacional conhecida:

isolando n:

Nesse caso, basta especificar o valor de e0 (na mesma unida-

de do desvio padrão populacional ) e o Nível de Confiança (que será
usado para encontrar o Zcrítico) e calcular o tamanho mínimo de amos-
tra.
Amostra piloto – amos- b) Variância populacional desconhecida
tra teste, de tamanho arbi-
trado pelo pesquisador, a
partir da qual são calcula-
isolando n:
das estatísticas necessári-
as para a determinação do O procedimento, nesse caso, seria semelhante, exceto por um
tamanho mínimo de amos-
pequeno problema: se estamos calculando o tamanho da amostra como
tra. Fonte: Costa Neto
(2002). podemos conhecer n – 1 e o desvio padrão amostral s?
Quando a variância populacional da variável é desconhecida,
o usual é retirar uma amostra piloto com um tamanho n* arbitrário. A
partir dos resultados dessa amostra, são calculadas as estatísticas (en-
tre elas o desvio padrão amostral s), que são substituídas na expres-
são anterior.
Se n n*, então a amostra piloto é suficiente para o Nível de
Confiança e a precisão exigidos.
Se n > n*, então a amostra piloto é insuficiente para o Nível
de Confiança e a precisão exigidos, sendo então necessário retornar à
população e retirar os elementos necessários para completar o tama-
nho mínimo de amostra. O processo continua até que a amostra seja
considerada suficiente.
Conforme visto na Unidade 2, se o tamanho da população for
conhecido é recomendável corrigir o tamanho da amostra obtida, para

234 Curso de Graduação em Administração, modalidade a distância

o intervalo de confiança de média ou proporção, através da seguinte
fórmula: 9

UNIDADE
onde N é o tamanho da população

Assim procedendo, evitaremos o inconveniente de se obter um

tamanho de amostra superior ao tamanho da população, o que pode
ocorrer se N não for muito grande.
Considerem, neste exemplo 3, os dados do Exemplo 1. Para
estimar a média, com 1% de significância e precisão de 0,2 kg, essa
amostra é suficiente
Como a variância populacional é desconhecida, e o tamanho
da amostra é menor do que 30 elementos, não obstante a população
ter distribuição normal, a distribuição amostral da média será t de
Student, e a variável de teste será: tn-1
Assim, será usada a seguinte expressão para calcular o tama-
nho mínimo de amostra para a estimação por intervalo da média
populacional.

O nível de significância é o mesmo do item a. Sendo assim, o

valor crítico continuará sendo o mesmo: tn-1,crítico = 5,84. O desvio
padrão amostral vale 0,4 kg; e o valor de e0, a precisão, foi fixada em
0,2 kg. Basta, então, substituir os valores na expressão:

Conclui-se que a amostra retirada é insuficiente, pois é menor

do que o valor calculado acima.

Tamanho Mínimo de Amostra para Estimação

por Intervalo da Proporção Populacional

Para a proporção populacional teremos:

isolando n:

Período 3 235
 9 É necessário especificar o Nível de Confiança (ou de
Significância) que será usado para encontrar o Zcrítico e o valor de e 0
(tomando o cuidado de que tanto e0 quanto p e 1– p estejam todos
UNIDADE

como proporções adimensionais ou como percentuais) para que seja

possível calcular o valor do tamanho mínimo de amostra.
Da mesma forma que no caso da Estimação da média, quando
a variância populacional é desconhecida teremos que recorrer a uma
amostra piloto. No cálculo do tamanho mínimo de amostra para a
Estimação por Intervalo da proporção populacional há, porém, uma
solução alternativa: utiliza-se uma estimativa exagerada da amostra,
supondo o máximo valor possível para o produto p H (1 – p), que
ocorrerá quando ambas as proporções forem iguais a 0,5 (50%).
Conforme visto na Unidade 2, se o tamanho da população for

v
conhecido, é recomendável corrigir o tamanho da amostra obtida, para
o intervalo de confiança de média ou proporção, mediante a seguinte
Essa solução somente fórmula:
é usada quando a na-
tureza da pesquisa é tal , onde N é o tamanho da população
que não é possível re-
tirar uma amostra pi- Assim procedendo, evitamos o inconveniente de se obter um
loto: a retirada de uma tamanho de amostra superior ao tamanho da população, o que pode
amostra piloto, e a
ocorrer se N não for muito grande.
eventual retirada de
Exemplo 4: considere o caso do Exemplo 2.
novos elementos da
população, poderia pre-
Suponha 99% de confiança e precisão de 1%, essa amostra é
judicar muito o resul- suficiente para estimar a proporção populacional.
tado da pesquisa. De acordo com o Exemplo 2, é possível se utilizar a aproxima-
Paga-se, então, o pre- ção pela distribuição normal. A expressão para o cálculo do tamanho
ço por se ter uma mínimo de amostra para a proporção populacional será:
amostra substancial-
mente maior do que o
necessário.

Os valores de p e 1 – p já são conhecidos:

p = 0,035 1 – p = 0,965
O nível de confiança exigido é de 99%: para encontrar o valor
crítico devemos procurar na tabela da distribuição normal padrão pela
probabilidade 0,995 (0,99+0,005); os valores críticos serão Z0,005 e
Z0,995, os quais serão iguais em módulo. E o valor de Zcrítico será igual
a 2,58 (em módulo).

236 Curso de Graduação em Administração, modalidade a distância

 A precisão foi fixada em 1% (0,01). Substituindo os valores na
expressão anterior: 9

UNIDADE
Observe que o tamanho mínimo de amostra necessário para aten-
der a 99% de confiança e precisão de 1% deveria ser de 2.249 elemen-
tos. Como a amostra coletada possui apenas 1.000 elementos, ela é
insuficiente para a confiança e precisão exigidas. Recomendamos o
retorno à população para a retirada aleatória de mais 1.249 peças.

Depois do que estudamos, você já pode acompa-

nhar atentamente os resultados das pesquisas de
opinião veiculadas na mídia. Apenas mais um pe-
queno adendo.

“Empate Técnico”

Estamos acostumados a ouvir declarações do tipo “os candi-

datos A e B estão tecnicamente empatados na preferência eleitoral”.
O que significa isso? Geralmente as pesquisas de opinião eleitoral
consistem em obter as proporções de entrevistados que declara votar
neste ou naquele candidato, naquele momento. Posteriormente as pro-
porções são generalizadas estatisticamente para a população, através
do cálculo de intervalos de confiança para as proporções de cada can-
didato. Se os intervalos de confiança das proporções de dois ou mais
candidatos apresentam grandes superposições declara-se que há um
“empate técnico”: as diferenças entre eles devem-se provavelmente ao
acaso, e para todos os fins estão em condições virtualmente iguais,
naquele momento.
Neste exemplo 5, imagine que uma pesquisa de opinião eleito-
ral apresentasse os seguintes resultados (intervalos de confiança para
a proporção que declara votar no candidato) sobre a prefeitura do
município de Tapioca. Quais candidatos estão tecnicamente empata-
dos (Quadro 22)?

Período 3 237
 9 OPINIÃO
Godofredo Astrogildo
LIMITE INFERIOR %
31%
LIMITE SUPERIOR %
37%
UNIDADE

Filismino Arquibaldo 14% 20%

Urraca Hermengarda 13% 19%
Salustiano Quintanilha 22% 28%
Indecisos 11% 17%

Quadro 22: Resultados de uma pesquisa eleitoral municipal (fictícia)

Fonte: Elaborado pelo autor deste livro

Filismino e Urraca estão tecnicamente empatados, pois seus

intervalos de confiança apresentam grande sobreposição. Godofredo
está muito na frente, pois o limite inferior de seu intervalo é maior do
que o limite superior de Salustiano, que está em segundo lugar. É im-
portante ressaltar que o número de indecisos é razoável, variando de
11 a 17%, quando eles se decidirem poderão mudar completamente o
quadro da eleição, ou garantir a vitória folgada de Godofredo.

Saiba mais...
Sobre propriedades e características desejáveis de um estimador,
BARBETTA, Pedro A.; REIS, Marcelo M.; BORNIA, Antonio C. Estatística
para Cursos de Engenharia e Informática. 2. ed. São Paulo: Atlas, 2008,
Capítulo 7.

Sobre estimadores e intervalos de confiança para variância, TRIOLA, Mario.

Introdução à Estatística. Rio de Janeiro: LTC, 1999, Capítulo 6.

Para entender melhor o conceito de distribuição amostral e sua relação com

estimação de parâmetros, veja o arquivo [Link], e suas instruções, no
ambiente virtual;

Sobre a utilização do Microsoft Excel para realizar estimação por intervalo,

LEVINE, David M.; STEPHAN, David; KREHBIEL, Timothy C.;
BERENSON, Mark L. Estatística: Teoria e Aplicações – Usando Microsoft
Excel em Português. 5. ed. Rio de Janeiro: LTC, 200, Capítulo 6.

238 Curso de Graduação em Administração, modalidade a distância

 Resumindo
r 9

UNIDADE
O resumo desta Unidade está mostrado na Figura 72:

Figura 72: Resumo da Unidade 9

Fonte: Elaborada pelo autor deste livro

Período 3 239
 9  Vimos, nesta Unidade, os conceitos de Estimação
de Parâmetros. Aprendemos a estimar os parâmetros
média de uma variável quantitativa e proporção de
UNIDADE

um dos valores de uma variável qualitativa além

de definir o tamanho mínimo de uma amostra ale-
atória para estimar média e proporção. Veremos
mais sobre esse assunto na última Unidade deste
livro. Estamos próximos do final do nosso material
e é de suma importância a continuidade da
interação com seus colegas e professor. Não deixe
de ver as tabelas indicadas no livro e disponíveis
no Ambiente Virtual de Ensino-Aprendizagem e de
realizar a atividade de aprendizagem.

Atividades de aprendizagem
aprendizagem
1. Buscando melhorar a qualidade do serviço, uma empresa estuda o
tempo de atraso na entrega dos pedidos recebidos. Supondo que o
tempo de atraso se encontra normalmente distribuído, e conhecendo
o tempo de atraso dos últimos 20 pedidos, descritos a seguir (em
dias), determine:

5 1 0 3 6 10 2 3 4 1 5 3 1 6 6 9 0 0 1 0

a) Estime o atraso médio na entrega dos pedidos com confian-

ça de 90%.
b) Se fosse conhecido que a população possui desvio padrão
igual a 2 dias, como ficaria a resposta do item a)?
c) Para a situação do item a (variância populacional desco-
nhecida), o tamanho da amostra é suficiente, se é necessá-
ria uma precisão de 0,5 dias, para o mesmo nível de con-
fiança?

240 Curso de Graduação em Administração, modalidade a distância

2. A satisfação da população em relação a determinado governo foi
pesquisada através de uma amostra com a opinião de 1.000 habi-
tantes do estado. Destes, 585 se declararam insatisfeitos com a ad-
9

UNIDADE
ministração estadual. Admitindo-se um nível de significância de 5%,
solucione os itens a seguir.
a) Estime o percentual da população que está insatisfeita com
a administração estadual.
b) Qual o tamanho da amostra necessária para a estimação se
a empresa responsável pela pesquisa estipulou uma folga
máxima de 2,5%?
3. Os índices apresentados pelos alunos do curso de Economia e de
Administração estão sendo questionados por eles, no sentido de de-
finirem se há diferença entre os cursos. Para tanto foram analisados
os índices de 10 alunos de cada curso, escolhidos aleatoriamente
dentre os regularmente matriculados e anotados seus valores, onde
se obteve:
Economia – média 7,3 desvio padrão 2,6
Administração – média 7,1 desvio padrão 3,1
a) Estime os valores médios dos índices de cada curso com
95% de confiança.
b) Para o mesmo nível de confiança de a. Será que 10 alunos
é uma amostra suficiente, em ambos os cursos, para esti-
mar seus índices médios, com uma precisão igual a 1?
4. O CRA-SC está conduzindo uma pesquisa acerca da opinião dos aca-
dêmicos de administração sobre seus respectivos cursos. Suspeita-
se que haja diferença entre as proporções de satisfeitos de institui-
ções públicas e privadas: os acadêmicos das públicas seriam mais
satisfeitos. Para avaliar essa suposição, foi conduzida uma pesquisa
por amostragem, entrevistando alunos de duas instituições públicas,
SHUFSC e GASE, e de três privadas, PATÁPIO de SÁ, UNIMALI e
UNILUS. Os resultados estão na tabela a seguir:

Período 3 241
 9 MEDIDAS SHUFSC GASE
UNIVERSIDADES
PATÁPIO UNIMALI UNILUS
UNIDADE

n 120 165 185 194 189

p 0,55 0,48 0,32 0,49 0,25
N (população) 890 900 1500 1200 1800

Usando 1% de significância responda os itens a seguir:

a) Estime a proporção populacional de satisfeitos com o cur-
so, em cada universidade.
b) Para uma margem de erro de 2%, qual deveria ser o tama-
nho de amostra para estimar a proporção de satisfeitos em
cada universidade?

242 Curso de Graduação em Administração, modalidade a distância

 10 9

UNIDADE
Testes de Hipóteses
UNIDADE


Objetivo
Ao finalizar esta Unidade, você deverá ser capaz de
compreender os conceitos de Testes de Hipóteses,
especialmente para média de uma variável
quantitativa; proporção de um dos valores de uma
variável quantitativa; e associação entre duas
variáveis qualitativas; e, ainda, capaz de aplicá-los
e de perceber a importância deles no dia a dia do
administrador.

Período 3 243
10
UNIDADE

244 Curso de Graduação em Administração, modalidade a distância

 Lógica dos Testes de Hipóteses 10

UNIDADE
Caro estudante, você viu anteriormente que deter-
minada população pode ser descrita através de um
modelo, que apresenta características e
parâmetros. Muitas vezes, esses parâmetros são
desconhecidos e há interesse em estimá-los para
se obter melhor conhecimento sobre a população.

Então, retira-se uma amostra aleatória da popula- Te s t e s p a r a m é t r i c o s –
ção e, através das técnicas de Estimação de testes de hipóteses sobre
parâmetros do modelo da
Parâmetros (Unidade 9), procuramos obter a esti- variável sob análise Fonte:
mativa de algum parâmetro de interesse e, a esta, Elaborado pelo autor deste
associamos probabilidade de a estimativa estar cor- livro.

reta. Nessa última e importantíssima Unidade, ve- Te s t e s n ã o p a r a m é t r i -

cos – testes de hipóteses
remos que a Estimação de Parâmetros é uma sub-
sobre outros aspectos do
divisão da Inferência Estatística (que consiste em modelo da variável sob aná-
fazer afirmações probabilísticas sobre o modelo da lise ou alternativas aos tes-
tes paramétricos quando as
população a partir de uma amostra aleatória dessa
condições para uso destes
população), a outra grande subdivisão constitui os não forem satisfeitas. Fon-
Testes de Hipóteses. Vamos saber mais! te: Elaborado pelo autor des-
te livro.

C
ontrariamente à Estimação de Parâmetros, os Testes de Hipó-
teses permitem fazer inferências sobre outras características do
modelo da população além dos
parâmetros, como a forma do modelo da popu- Tô a fim de saber
lação, por exemplo. Quando os Testes são feitos
Na realidade a denominação correta deveria ser
sobre os parâmetros da população, são chama-
“Testes dependentes de distribuição de referên-
dos de Testes Paramétricos; e, quando feitos so-
cia” (porque para fazer inferências sobre os
bre outras características, chamados de Testes
parâmetros devemos supor que o modelo
Não Paramétricos. Não obstante, vamos nos res-
probabilístico populacional é normal, por exem-
tringir aos Testes Paramétricos: da média de uma
plo, ou que a distribuição amostral do parâmetro
variável quantitativa e da proporção de um dos
pode ser aproximada por uma normal). Já os não
valores de uma variável qualitativa.
paramétricos deveriam ser “Testes livres de distri-
Vimos que determinada população pode buição” (porque os Testes Não Paramétricos não
ser descrita através de um modelo probabilístico, exigem que os dados tenham uma aderência a
que apresenta características e parâmetros. certo modelo).

Período 3 245
10 Muitas vezes, esses parâmetros são desconhecidos e há interesse em
estimá-los para obtermos melhor conhecimento sobre a população.
Nesse caso, retiramos uma amostra aleatória da população e, por in-
UNIDADE

termédio das técnicas de Estimação de Parâmetros, procuramos

obter a estimativa de algum parâmetro de interesse e, a ela, associa-
mos a probabilidade de a estimativa estar correta. A Estimação de
Parâmetros compreende uma das subdivisões da Inferência Estatísti-
ca, que realiza afirmações probabilísticas sobre o modelo probabilístico
da população a partir de uma amostra aleatória dessa população. Os
Testes de Hipóteses constituem a outra grande subdivisão.
Imagine que determinado pesquisador está interessado em al-
guma característica de uma população. Devido a estudos prévios, ou
simplesmente por bom senso (melhor ponto de partida para o estudo),
ele estabelece que a característica terá determinado comportamento.
Formula então uma hipótese estatística sobre a característica da po-
pulação e essa hipótese é aceita como válida até prova estatística em
contrário.
Para testar a hipótese, é coletada uma amostra aleatória repre-
sentativa da população, sendo calculadas as estatísticas necessárias
para o teste. Naturalmente, devido ao fato de ser utilizada uma amos-
tra aleatória, haverá diferenças entre o que se esperava, sob a condi-
ção da hipótese verdadeira, e o que realmente foi obtido na amostra.
A questão a ser respondida é: as diferenças são significativas o bas-
tante para que a hipótese estatística estabelecida seja rejeitada? Essa
não é uma pergunta simples de responder: dependerá do que está sob
teste (que parâmetro, por exemplo), da confiabilidade desejada para
o resultado, entre outros. Basicamente, porém, será necessário com-
parar as diferenças com uma referência, a distribuição amostral de
um parâmetro, por exemplo, que supõe que a hipótese sob teste é ver-
dadeira: a comparação costuma ser feita através de uma estatística
de teste que envolve os valores da amostra e os valores sob teste.
A tomada de decisão é feita da seguinte forma:

 se a diferença entre o que foi observado na amostra e o que

era esperado (sob a condição da hipótese verdadeira) não
for significativa, a hipótese será aceita; e
 se a diferença entre o que foi observado na amostra e o que
era esperado (sob a condição da hipótese verdadeira) for
significativa, a hipótese será rejeitada.

246 Curso de Graduação em Administração, modalidade a distância

 O valor a partir do qual a diferença será considerada significa-
tiva será determinado pelo Nível de Significância do teste. O Nível de
Significância geralmente é fixado pelo pesquisador, muitas vezes de
10

UNIDADE
forma arbitrária, e também será a probabilidade de erro do Teste de
Hipóteses: a probabilidade de cometer um erro no teste, rejeitando
uma hipótese válida. Como a decisão do teste é tomada a partir dos

v
dados de uma amostra aleatória da população, há sempre a probabi-
lidade de se cometer um erro, mas com a utilização de métodos esta-
tísticos é possível calcular o valor dessa probabilidade.
O Nível de Significância é uma probabilidade. Portanto,
Empregando-se outros
trata-se de um número real que varia de 0 a 1 (0 a 100%). Como
métodos (empíricos)
existe a probabilidade de se cometer um erro no teste, é interessante não há como ter ideia da
que seja o mais próximo possível de zero: valores típicos são 5%, 10%, chance de erro (pode ser
1% e até menores dependendo do problema sob análise. Contudo, um erro de 0% ou de
não é possível usar um Nível de Significância igual a zero porque, 5.000%...).
devido ao uso de uma amostra aleatória, sempre haverá chance de
erro; a não ser que a amostra fosse do tamanho da população. O
complementar do Nível de Significância é chamado de Nível de
Confiança, pois este indica a confiabilidade do resultado obtido, a
probabilidade de a decisão tomada estar correta.


Você deve estar lembrado destes dois conceitos de
Estimação de Parâmetros: Nível de Confiança era a
probabilidade de o Intervalo de Confiança conter o
valor real do parâmetro, e Nível de Significância,
complementar daquele, diz respeito a probabilida-
de de o Intervalo não conter o parâmetro. Em suma,
Nível de Significância
– probabilidade arbitrada
pelo pesquisador, valor má-
ximo de erro admissível
para rejeitar a hipótese nula
sendo ela verdadeira, espe-
a probabilidade da Estimação estar correta ou não. ra-se que seja um valor bai-
xo, de no máximo 10%.
Fonte: Barbetta, Reis e
Bornia (2008); Moore,
McCabe, Duckworth e
Tipos de Hipóteses Sclove (2006).

Para realizar um Teste de Hipóteses, é necessário definir

(enunciar) duas Hipóteses Estatísticas complementares (que abran-
gem todos os resultados possíveis): a chamada Hipótese Nula
(denotada por H 0) e a Hipótese Alternativa (denotada por H 1
ou H a ). Enunciar as hipóteses é o primeiro e possivelmente mais im-

Período 3 247
10 portante passo de um Teste de Hipóteses, pois todo o procedimento
dependerá dele.
A Hipótese Nula (H0) é a hipótese estatística aceita como ver-
UNIDADE

dadeira até prova estatística em contrário: pode ser o ponto de parti-

da mais adequado para o estudo, ou exatamente o contrário do que o
pesquisador quer provar (ou o contrário daquilo que o preocupa).
A Hipótese Alternativa (H1), que será uma hipótese comple-
mentar de H 0, fornecerá uma alternativa à hipótese nula: muitas ve-
zes é justamente aquilo que o pesquisador quer provar (ou aquilo
que o preocupa).
Quando as hipóteses são formuladas sobre os parâmetros do
modelo probabilístico da população, o Teste de Hipóteses é chamado
de Paramétrico. Quando as hipóteses são formuladas sobre outras
características do modelo, o Teste é chamado de Não Paramétrico.
A decisão do teste consiste em aceitar ou rejeitar a Hipótese
Nula (H0): aceitar-se ou não a hipótese até então considerada verda-
deira.
É importante ter a noção do que significa aceitar ou rejeitar a
Hipótese Nula (H0). A decisão é tomada sobre essa hipótese e não
sobre a Hipótese Alternativa, porque é a Hipótese Nula que é consi-
derada verdadeira (até prova em contrário). Quando se aceita a Hi-
pótese Nula, significa que não há provas suficientes para rejeitá-la.
Quando, no entanto, a decisão é por se rejeitar a Hipótese Nula, há
evidências suficientes de que as diferenças obtidas (entre o que era
esperado e o que foi observado na amostra) não ocorreram por aca-
so. Usando uma analogia com o direito dos EUA, aceitar H0 seria
comparável a um veredito de não culpado “not guilty”, ou seja, não
há provas suficientes para condenar o réu. Por outro lado, rejeitar H0
seria comparável a um veredito de culpado “guilty”, ou seja, as pro-
vas reunidas são suficientes para condenar o réu. O Nível de
Significância será a probabilidade assumida de Rejeitar H0 sendo
H0 verdadeira.

248 Curso de Graduação em Administração, modalidade a distância

Tipos de Testes Paramétricos
10

UNIDADE
A formulação das hipóteses é o ponto inicial do problema, e
deve depender única e exclusivamente das conclusões que se preten-
de obter com o teste. A formulação da hipótese alternativa determina-
rá o tipo de teste: se Unilateral ou Bilateral.
Se a formulação da hipótese alternativa indicar que o parâmetro
é maior ou menor do que o valor de teste (valor considerado verdadei-
ro até prova em contrário), o teste será Unilateral: somente há inte-
resse se as diferenças entre os dados da amostra e o valor de teste
forem em determinada direção. Se a formulação da hipótese alternati-
va indicar que o parâmetro é diferente do valor de teste, o teste será
Bilateral: há interesse nas diferenças em qualquer direção. As hipó-
teses então seriam:

Testes Unilaterais
H0: parâmetro = valor de teste.
Te s t e u n i l a t e r a l – teste
H1: parâmetro < valor de teste. no qual a região de rejeição
da hipótese nula está con-
H0: parâmetro = valor de teste. centrada em apenas um dos
lados da distribuição
H1: parâmetro > valor de teste. amostral da variável de tes-
te. Fonte: Barbetta, Reis e
Testes Bilaterais
Bornia (2008).
H0: parâmetro = valor de teste. Teste bilateral – teste no
qual a região de rejeição da
H1: parâmetro = valor de teste.
hipótese nula está dividida
em duas partes, em cada
A escolha do tipo de teste dependerá das condições do proble- um dos lados da distribui-
ção amostral da variável de
ma sob estudo. Sejam as três situações a seguir:
teste. Fonte: Barbetta, Reis
e Bornia (2008).
a) Um novo protocolo de atendimento foi implementado no
Banco RMG com objetivo de reduzir o tempo que as pes-
soas passam na fila do caixa. O protocolo será considera-
do satisfatório se a média do tempo de fila for menor do
que 30 minutos. Um teste Unilateral seria o adequado.
b) Cerca de 2.000 formulários de pedidos de compra estão
sendo analisados. Os clientes podem ficar insatisfeitos se
houver erros nos formulários. Nesse caso, admite-se que a
proporção máxima de formulários com erros seja de 5%.

Período 3 249
10 Ou seja, um valor maior do que 5% causaria problemas.
Um teste Unilateral seria o adequado.
c) Uma peça automotiva precisa ter 100 mm de diâmetro,
UNIDADE

exatamente. Nesse caso, a dimensão não pode ser maior

ou menor do que 100 mm (em outras palavras não pode
ser diferente de 100 mm), pois isso indicará que a peça
não está de acordo com as especificações. Um teste Bila-
teral seria o adequado.

Após definir as hipóteses, é coletada uma amostra aleatória da

população para testá-las.

!
É importante ressaltar que a montagem das hipóteses
deve depender apenas das conclusões que se preten-
de obter e jamais de uma eventual evidência amostral
disponível.

A decisão de aceitar ou de rejeitar H0 dependerá das regiões

de aceitação e rejeição de H0, que por sua vez dependem dos
seguintes fatores:

 do parâmetro sob teste (e da estatística ou variável de teste

usada para testá-lo).
 do tipo de teste, se Unilateral ou Bilateral.
 do valor de teste (valor do parâmetro considerado verda-
deiro até prova em contrário).
 ) ou Nível de Confiança (1 –  )
 do Nível de Significância (
adotado.
 de um valor crítico da estatística ou variável de teste a par-
tir do qual a hipótese será rejeitada, e esse valor depende-
rá por sua vez do Nível de Significância, do tipo de teste e
da Distribuição Amostral do parâmetro.

A Região de Aceitação de H0 será a faixa de valores da

estatística (ou da variável de teste) associada ao parâmetro em que as
diferenças entre o que foi observado na amostra e o que era esperado
não são significativas.

250 Curso de Graduação em Administração, modalidade a distância

 A Região de Rejeição de H0 será a faixa de valores da esta-
tística (ou da variável de teste) associada ao parâmetro em que as
diferenças entre o que foi observado na amostra e o que era esperado
10

UNIDADE
são significativas.
Essa abordagem é chamada de abordagem clássica dos testes
de hipóteses. Há também a do valor-p, muito usada por programas
computacionais. Mas, neste texto, vamos usar apenas a clássica por
considerá-la mais clara.
Para entendermos melhor os conceitos acima, observe a situa-
ção a seguir:
Há interesse em realizar um teste de hipóteses sobre o compri-
mento médio de uma das dimensões de uma peça mecânica. O valor
nominal da média (aceito como verdadeiro até prova em contrário) é
igual a “b” (valor genérico), H0: μ = b. Supondo que a distribuição
amostral do parâmetro (distribuição de 0 ) seja normal, e será centrada
em b, é possível fazer a conversão para a distribuição normal padrão
(média zero e desvio padrão 1, variável Z). Repare nas Figuras 73 e
74 a seguir.

H0: μ= b
Figura 73: Hipótese nula: média populacional = b
Fonte: Elaborada pelo autor deste livro

H0: μ= 0
Figura 74: Hipótese nula normal padrão
Fonte: Elaborada pelo autor deste livro

Período 3 251
10 O valor de b (média da dimensão e média de 0 ) corresponde a
zero, média da variável Z. Dependendo da formulação da Hipótese
Alternativa, haveria diferentes Regiões de Rejeição de H0.
UNIDADE

Se a Hipótese Alternativa fosse: H1: μ < b (H1: μ < 0), ou seja,

se o teste fosse Unilateral à esquerda, a Região de Rejeição de H0
seria:

Figura 75: H1: μ < b

Fonte: Elaborada pelo autor deste livro

Figura 76: H1: μ < 0

Fonte: Elaborada pelo autor deste livro

Observe que há um valor crítico de 0: abaixo dele a Hipótese

Nula será rejeitada, acima será aceita. A determinação do valor é
feita com base no Nível de Significância, a área abaixo da curva nor-
mal até o valor crítico de 0. Geralmente obtém-se o valor crítico da
variável de teste (Z neste caso, na segunda figura) através de uma
tabela, que corresponde ao valor crítico de 0, faz-se a transformação
de variáveis e obtém-se o valor crítico de 0. μ0 é o valor

252 Curso de Graduação em Administração, modalidade a distância

sob teste (b no exemplo) e  é um desvio padrão (cujo valor será
explicitado posteriormente).
A decisão será tomada comparando-se valor da média amostral
10

UNIDADE
0 com o valor crítico dessa mesma média: se for menor do que o valor
crítico 0crítivo, ou seja, está na região de Rejeição de H0; desse modo,
rejeita-se a Hipótese Nula. É muito comum também tomar a decisão
comparando o valor da variável de teste (Z neste caso), obtido com
base nos dados da amostra, com o valor crítico Zcrítico desta mesma
variável (obtido de uma tabela ou programa computacional): se for
menor do que o valor crítico, rejeita-se a Hipótese Nula. Observe que
o valor do Nível de Significância  é colocado na curva referente à
Hipótese Nula, porque é esta que é aceita como válida até prova em

v
contrário. Observe também que a faixa de valores da região de Rejei-
ção pertence à curva da Hipótese Nula, assim o valor  é a probabili-
dade de Rejeitar H0 sendo H0 verdadeira. Probabilidade de tomar
uma decisão errada fixa-
Nesta altura, é importante ressaltar um ponto que costuma pas-
da pelo pesquisador.
sar despercebido. Se a decisão for tomada com base na variável de
teste (Z, por exemplo) é interessante notar que, como o teste é Unilate-
ral à esquerda, o valor Zcrítico será negativo, uma vez que a região de
Rejeição de H0 está à esquerda de 0 (menor do que zero). No teste
Unilateral à direita, que veremos a seguir, o valor de Z crítico será positi-
vo, pois a região de Rejeição de H0 estará à direita de 0 (maior do
que zero). Se, por exemplo, o Nível de Significância fosse de 5% (0,05),

v
o valor de Zcrítico para o teste Unilateral à esquerda seria –1,645. Se
houvesse interesse em obter o valor de 0crítivo correspondente, bastaria
usar a expressão Z = (0 – μ0)/  substituindo Z por –1,645. O sinal correto é impor-
tante para que o valor
Se a Hipótese Alternativa fosse H1: μ > b (H1: μ > 0), ou seja,
seja coerente com a po-
se o teste fosse Unilateral à direita, a Região de Rejeição de H0 seria:
sição da região de Rejei-
ção de H 0.

Figura 77: H 1: μ> b

Fonte: Elaborada pelo autor deste livro

Período 3 253
10
UNIDADE

Figura 78: H1: μ > 0

Fonte: Elaborada pelo autor deste livro

Nesse caso, o valor crítico está à direita: se a média amostral 0

ou a variável de teste Z tiverem valores superiores aos respectivos va-
lores críticos, a Hipótese Nula será rejeitada, pois os valores “caíram”
na região de Rejeição de H0. Como foi notado anteriormente, o valor
de Zcrítico será positivo, pois é maior do que zero: adotando-se o mesmo
Nível de Significância de 5%, o valor de Zcrítico seria 1,645, igual em
módulo ao anterior, uma vez que a distribuição normal padrão é si-
métrica em relação à sua média, que é igual a zero.
Se a Hipótese Alternativa fosse H1: μ  b (H1: μ  0), ou seja,
o teste fosse Unilateral à direita, a Região de Rejeição de H0 seria:

Figura 79: H1: μ b

Fonte: Elaborada pelo autor deste livro

254 Curso de Graduação em Administração, modalidade a distância

 10

UNIDADE
Figura 80: H1: μ 0
Fonte: Elaborada pelo autor deste livro

Nesse caso, a região de Rejeição se divide em duas iguais (pro-

babilidades iguais à metade do Nível de Significância  ), semelhante
ao que acontece na Estimação por Intervalo. Existirão dois valores
críticos, um abaixo do valor de teste e outro acima: se a média amostral
0 ou a variável de teste Z tiverem valores acima do valor crítico “su-
perior” ou abaixo do valor crítico “inferior”, a Hipótese Nula será
rejeitada, pois os valores “caíram” em uma das duas regiões de Rejei-
ção. Se for usada a variável de teste Z, os valores críticos serão iguais
em módulo, pois estão à mesma distância do valor sob teste (zero).
Recordando as três situações que foram abordadas anterior-
mente, seria interessante definir completamente as Hipóteses Estatís-
ticas. Nos dois primeiros casos, optou-se por um Teste Unilateral e, no
terceiro, por um Teste Bilateral.

a) Um novo protocolo de atendimento foi implementado no

Banco RMG com objetivo de reduzir o tempo que as pes-
soas passam na fila do caixa. O protocolo será considera-
do satisfatório se a média do tempo de fila for menor do
que 30 minutos. Um teste Unilateral seria o adequado.
Mas Unilateral à Esquerda ou à Direita? Como está grifado
na frase anterior, haverá problema se a média do tempo
for menor que 30, resultando:
Teste unilateral à esquerda:
H0: μ = 30 onde μ0 = 30 (valor de teste); e
H1: μ < 30 Teste Unilateral à Esquerda.

Período 3 255
10 b) Cerca de 2.000 formulários de pedidos de compra estão
sendo analisados. Os clientes podem ficar insatisfeitos se
houver erros nos formulários. Assim, admite-se que a pro-
UNIDADE

porção máxima de formulários com erros seja de 5%. Isto é,

um valor maior que 5% causaria problemas. Um teste Uni-
lateral seria o adequado. Nesse caso, um teste de propor-
ção; o problema será um valor maior que 5%, resultando:
Teste unilateral à direita:
H0:  = 5%, onde  0 = 5% (valor de teste); e
H1:  > 5%.
c) Uma peça automotiva precisa ter 100 mm de diâmetro,
exatamente. Nesse caso, a dimensão não pode ser maior
ou menor que 100 mm, pois isso indicará que a peça não
está de acordo com as especificações. Um teste Bilateral
seria o adequado, resultando:
Teste Bilateral:
H0: μ = 100 mm, onde μ0 = 100 mm (valor de teste); e
H1: μ  100 mm.

Para a definição correta das hipóteses, é imprescindível a cor-

reta identificação do valor de teste, pois se trata de um dos aspectos
mais importantes deste: o resultado da amostra será comparado ao
valor de teste.
Lembrando novamente que a tomada de decisão depende da
correta determinação da região de Rejeição (e, por conseguinte, de
Aceitação) da Hipótese Nula, e isso, por sua vez, depende diretamen-
te da formulação das Hipóteses Estatísticas.

256 Curso de Graduação em Administração, modalidade a distância

Testes de Hipóteses sobre a Média de uma Variável
em uma População
10

UNIDADE
Nesse caso, há interesse em testar a hipótese de que o parâmetro
média populacional (μ) de certa variável quantitativa seja maior, me-
nor ou diferente de certo valor. Para a realização desse teste, é neces-
sário que uma das condições a seguir seja satisfeita:

 sabe-se, ou é razoável supor, que a variável de interesse

segue um modelo normal na população: isso significa que
a distribuição amostral da média também será normal, per-
mitindo realizar a inferência estatística paramétrica; Há muita controvérsia a
 a distribuição da variável na população é desconhecida, respeito do que seria

v
uma amostra “suficien-
mas a amostra retirada dessa população é considerada “su-
temente grande”, mas
ficientemente grande”; o que, de acordo com o Teorema
geralmente uma amos-
Central do Limite, permite concluir que a distribuição
tra com pelo menos 30
amostral da média é normal; e
elementos costuma ser
 supõe-se que a amostra é representativa da população e foi considerada grande o
retirada de forma aleatória. bastante para que a dis-
tribuição amostral da
Tal como na Estimação de Parâmetros por Intervalo, existirão média possa ser aproxi-
diferenças nos testes, dependendo do conhecimento ou não da mada por uma normal.
variância populacional da variável.
a) Se a variância populacional (  ²) da variável (cuja média
populacional se quer testar) for conhecida.
Nesse caso, a variância amostral da média poderá ser calcula-

v
da através da expressão:

, e, por conseguinte, o “desvio padrão” será: O desvio padrão é a raiz

quadrada positiva da
A variável de teste será a variável Z da distribuição normal pa- variância.
drão, lembrando que:

A “média” será o valor de teste (suposto verdadeiro até prova

em contrário) denotado por μ0. O valor (obtido pela amostra) será a
média amostral (que é o melhor estimador da média populacional)

Período 3 257
10 denotada por 0, e o “desvio padrão” será o valor obtido anteriormen-
te. Sendo assim, a expressão da variável de teste Z:
UNIDADE

Compara-se o valor da variável de teste com o valor crítico

(Zcrítico que depende do Nível de Significância adotado) de acordo com
o tipo de teste:

v
Se H1 μ: > μ0 Rejeitar H0 se Z > Z crítico (0 > 0crítico);
Neste caso Z crítico Se H1 μ: < μ0 Rejeitar H0 se Z < Z crítico (0 < 0crítico); e
será negativo, já que a
Se H1 μ:  μ0 Rejeitar H0 se |Z||Zcrítico|.
região de Rejeição de
H0 está à esquerda de b) Se a variância populacional  ² da variável for desconhecida.
zero. Naturalmente esse é o caso mais encontrado na prática. Como
devemos proceder? Dependerá do tamanho da amostra.

b.1 – Grandes amostras (mais de 30 elementos):

Nesses casos, procede-se como no item anterior, apenas
fazendo com que  =s, ou seja, considerando que o desvio
padrão da variável na população é igual ao desvio padrão
da variável na amostra (suposição razoável para grandes
amostras);
b.2 – Pequenas amostras (até 30 elementos):
Nesses casos, a aproximação do item b.1 não será viável.
Terá que ser feita uma correção na distribuição normal
padrão (Z) através da distribuição t de Student. Essa
distribuição já é conhecida (ver Unidades 6 e 9). Trata-se
de uma distribuição de probabilidades que possui média
zero (como a distribuição normal padrão, variável Z), mas
sua variância é igual a n/(n-2), ou seja, a variância depen-
de do tamanho da amostra. Quanto maior for o tamanho
da amostra mais o quociente acima se aproxima de 1 (a
variância da distribuição normal padrão), e mais a distri-
E talvez este seja o buição t de Student aproxima-se da distribuição normal
motivo de se conside- padrão. A partir de n = 30, já é possível considerar a

v
rar mais de 30 elemen- variância da distribuição t de Student aproximadamente
tos como sendo uma igual a 1.
amostra suficiente-
mente grande.

258 Curso de Graduação em Administração, modalidade a distância

dade):
A variável de teste será então tn-1 (t com n – 1 graus de liber-
10

UNIDADE
onde s é o desvio padrão amostral e os outros valores têm o mesmo
significado da expressão anterior.
Compara-se o valor da variável de teste com o valor crítico
(tn-1,crítico que depende do Nível de Significância adotado) de acordo
com o tipo de teste:

Se H1:  > 0 Rejeitar H0 se tn-1 > tn-1,crítico (0 > 0crítico);

v
Se H1:  < 0 Rejeitar H0 se tn-1 > tn-1,crítico (0 < 0crítico); e
Se H1: :  0 Rejeitar H0 se |tn-1|  |tn-1,crítico|. Nesse caso, tn-1,crítico será
negativo já que a região
A correta identificação dos valores críticos, decorrente da cor-
de Rejeição de H 0 está
reta identificação da região de rejeição de H0, por sua vez decorrente
à esquerda de zero.
da adequada formulação das hipóteses estatísticas, é indispensável
para que o resultado obtido seja coerente.
Uma peça automotiva precisa ter 100 mm de diâmetro, exata-
mente. Foram medidas 15 peças, aleatoriamente escolhidas. Obteve-
se média de 100,7 mm e variância de 0,01 mm². Supõe-se que a di-
mensão segue distribuição normal na população. A peça está dentro
das especificações? Usar 1% de significância? Vejamos o primeiro
exemplo:
Enunciar as hipóteses.
Conforme visto anteriormente, o teste mais adequado para esse
caso é um Teste Bilateral:

H0:  = 100 mm, onde 0 = 100 mm (valor de teste); e

H1:  100 mm.

Nível de significância.
O problema declara que é necessário usar 1% de significância
(se não fosse especificado, outro valor poderia ser usado).
Variável de teste.
Uma vez que a variância populacional da variável é desco-
nhecida (o valor fornecido é a variância amostral) e a amostra retira-
da apresenta apenas 15 elementos (portanto menos de 30), a variável
de teste será tn-1 da distribuição t de Student.

Período 3 259
10 Definir a região de aceitação de H0:
UNIDADE

Figura 81: Regiões de rejeição e aceitação da hipótese nula – Teste bilateral

de média
Fonte: Elaborada pelo autor deste livro

Observe que por ser um teste Bilateral, o Nível de Significância

 foi dividido em dois, metade para cada região de rejeição de H0.
Para encontrar o valor crítico, devemos procurar na tabela da distri-
buição de Student, na linha correspondente a n–1 graus de liberda-
de, ou seja, em 15 – 1 = 14 graus de liberdade. O valor da probabili-
dade pode ser visto na figura anterior: os valores críticos serão t14;0,005
e t14;0,995 os quais serão iguais em módulo. E o valor de tn-1,crítico será
igual a 2,977 (em módulo).
Através dos valores da amostra, avaliar o valor da variável.
Nesse ponto, é preciso encontrar o valor da variável de teste:

O valor de teste 0 é igual a 100 mm, a média amostral 0 vale

100,7 mm, o tamanho de amostra n é igual a 15 e o desvio padrão
amostral s é a raiz quadrada de 0,01 mm². Substituindo na equação,
teremos:

então |t14|= 27,11

Decidir pela aceitação ou rejeição de H0.

Como se trata de um teste bilateral:

Rejeitar H0 se |tn-1|  |tn-1,crítico|; e

Como |t14| = 27,11 > |tn-1,crítico| = |t14,0,995|= 2,977.

260 Curso de Graduação em Administração, modalidade a distância

 Rejeitar H0 a 1% de Significância (há 1% de chance de erro).
10
v
Interpretar a decisão no contexto do problema. Há provas es-

UNIDADE
tatísticas suficientes de que a dimensão da peça não está dentro das Cuidado
especificações. com os ca-
Um novo protocolo de atendimento foi implementado no Ban- sos de
co RMG com objetivo de reduzir o tempo que as pessoas passam na fronteira,
fila do caixa. O protocolo será considerado satisfatório se a média do em que o
tempo de fila for menor que 30 minutos. Suponha que o tempo que valor da va-
35 clientes (selecionados aleatoriamente) passaram na fila foi riável de
monitorado, resultando em uma média de 29 minutos e desvio padrão teste é muito próximo do
valor crítico. Nesses ca-
de 5 minutos. O protocolo pode ser considerado satisfatório a 5% de
sos, a rejeição ou acei-
significância? Vejamos o segundo exemplo:
tação de H 0 pode ocor-
Esse problema já foi estudado anteriormente.
rer por acaso. Sempre
Enunciar as hipóteses. Conforme visto anteriormente o teste que apresentar o resul-
mais adequado para esse caso é um Teste Unilateral à Esquerda: tado recomende que
uma nova amostra seja
H0: μ = 30, onde μ0 = 30 (valor de teste); e
retirada para avaliar no-
H1: μ < 30. vamente o problema.
Mas, nesse caso, rejei-
Nível de significância. O problema declara que é necessário ta-se H0 com folga.
usar 5%.
Variável de teste. Uma vez que a variância populacional da
variável é desconhecida (o valor fornecido é o desvio padrão
amostral), mas a amostra retirada apresenta 35 elementos (portanto
mais de 30), a variável de teste será Z da distribuição normal.
Definir a região de aceitação de H0:

Figura 82: Regiões de aceitação e de rejeição – teste unilateral à esquerda

Fonte: Elaborada pelo autor deste livro

Período 3 261
10 Observe que por ser um teste Unilateral à Esquerda, o Nível de
Significância  está todo concentrado em um dos lados da distribui-
ção, definindo a região de rejeição de H0. Para encontrar o valor crí-
UNIDADE

tico, devemos procurar na tabela da distribuição normal, pela proba-

bilidade acumulada 0,95. Ou procurar a probabilidade complementar
0,05 e mudar o sinal do valor encontrado, pois o Zcrítico aqui é menor
do que zero. O valor crítico será igual a –1,645.
Através dos valores da amostra, avaliar o valor da variável.
Nesse ponto, é preciso encontrar o valor da variável de teste:

O valor de teste μ0 é igual a 30, a média amostral 0 vale 29, o

tamanho de amostra n é igual a 35 e o desvio padrão amostral s é 5.
Substituindo na equação:

Decidir pela aceitação ou rejeição de H0. Como se trata de um

teste Unilateral à Direita:
Rejeitar H0 se Z < Zcrítico. Como Z = –1,185 > Zcrítico = –1,645
Aceitar H0 a 5% de Significância (há 5% de chance de erro).
Interpretar a decisão no contexto do problema. Não há provas
estatísticas suficientes para concluir que o protocolo tem um desem-
penho satisfatório.

Testes de Hipóteses sobre a Proporção de

uma Variável em uma População

Nesse caso, há interesse em testar a hipótese de que o parâmetro

proporção populacional ( ) de um dos valores de certa variável seja
maior, menor ou diferente de determinado valor. Para a realização
desse teste, tal como será descrito, é necessário que duas condições
sejam satisfeitas:

 que o produto n H  0 seja maior ou igual a 5; e

262 Curso de Graduação em Administração, modalidade a distância

  que o produto n H (1 – 0) seja maior ou igual a 5.

Onde n é o tamanho da amostra e  0 é a proporção sob teste

10

UNIDADE
(de um dos valores da variável). Se ambas as condições forem satis-
feitas, a distribuição amostral da proporção que é binomial (uma
Bernoulli repetida n vezes) pode ser aproximada por uma normal.
Obviamente supõe-se que a amostra é representativa da população e
foi retirada de forma aleatória, e que a variável pode assumir apenas
dois valores, aquele no qual há interesse e o seu complementar.
Se as condições acima forem satisfeitas, a distribuição amostral
da proporção poderá ser aproximada por uma normal com:

Média = 0 Desvio Padrão =

Lembrando da expressão da variável Z:

O valor será a proporção amostral (que é o melhor estimador

da proporção populacional) do valor da variável denotada por p. A
“média” e o “desvio padrão” são os valores definidos anteriormente,
então a expressão de Z será:

Compara-se o valor da variável de teste com o valor crítico

(Zcrítico que depende do Nível de Significância adotado) de acordo com
o tipo de teste:

v
Se H1 : μ > μ0 Rejeitar H0 se Z > Zcrítico (p > pcrítico);
Se H1 : μ: < μ0 Rejeitar H0 se Z < Zcrítico (p < pcrítico); e Nesse caso, Z crítico será
Se H1: μ:  μ0 Rejeitar H0 se |Z||Zcrítico|. negativo, já que a região
de Rejeição de H 0 está
Cerca de 2.000 formulários de pedidos de compra estão sendo à esquerda de zero.
analisados. Os clientes podem ficar insatisfeitos se houver erros nos
formulários. Nesse caso, admite-se que a proporção máxima de for-
mulários com erros seja de 5%. Suponha que dentre os 2.000 formu-
lários 7% apresentassem erros. A proporção máxima foi ultrapassada
a 1% de significância? Vejamos o terceiro exemplo:

Período 3 263
10 Enunciar as hipóteses. Conforme visto anteriormente, o teste
mais adequado para esse caso é o Teste Unilateral à Direita:
UNIDADE

H0: μ = 5%, onde μ0 = 5% (valor de teste); e

H1: μ > 5%.

Nível de significância. O problema declara que é necessário

usar 1% de significância (se não fosse especificado, outro valor pode-
ria ser usado).
Variável de teste. Como se trata de um teste de proporção, é
necessário verificar o valor dos produtos:

n H 0 = 2000 x 0,05 = 100 e n H (1 – 0) = 2000 x 0,95

= 1900. Como ambos são maiores que 5, é possível fazer
uma aproximação pela normal, e a variável de teste será Z.

Definir a região de aceitação de H0:

Figura 83: Regiões de aceitação e de rejeição – teste unilateral à direita

Fonte: Elaborada pelo autor deste livro

Observe que por ser um teste Unilateral à Direita, o Nível de

Significância  está todo concentrado em um dos lados da distribui-
ção, definindo a região de rejeição de H0. Para encontrar o valor crí-
tico, devemos procurar na tabela da distribuição normal, pela proba-
bilidade acumulada 0,01 (o Zcrítico aqui é maior do que zero). O valor
crítico será igual a 2,326.
Através dos valores da amostra, avaliar o valor da variável.
Nesse ponto, é preciso encontrar o valor da variável de teste:

264 Curso de Graduação em Administração, modalidade a distância

 10

UNIDADE
O valor de teste 0 é igual a 0,05 (5%), a proporção amostral p
vale 0,07 (7%), e o tamanho de amostra n é igual a 2.000. Substituin-
do na equação:

Decidir pela aceitação ou rejeição de H0. Como se trata de um

teste Unilateral à Direita:

Rejeitar H0 se Z > Zcrítico Como Z = 4,104 > Zcrítico = 2,326

Rejeitar H0 a 1% de Significância (há 1% de chance de erro).

v
Interpretar a decisão no contexto do problema. Há provas es-
tatísticas suficientes de que a proporção está acima do máximo admi- Este não é um caso de
tido. Provavelmente, os vendedores/compradores precisarão passar por fronteira
novo treinamento.


Agora, vamos ver um tipo de teste estatístico mui-
to utilizado pelos administradores para avaliar o
relacionamento entre duas variáveis qualitativas: o
teste de associação (independência de
quiquadrado).

Te s t e d e a s s o c i a ç ã o
(independência) de
quiquadrado – teste que
permite avaliar se duas va-
Teste de Associação de Quiquadrado riáveis qualitativas, cujas
frequências estão dispostas
em uma tabela de contin-
gências, apresentam asso-
O teste do quiquadrado, também chamado de teste de inde- ciação significativa ou não.
Fonte: Barbetta, Reis e
pendência de quiquadrado, está vinculado à análise de duas variáveis
Bornia (2008).
qualitativas. Vamos ver alguns conceitos antes de apresentar o teste
de associação de quiquadrado.

Período 3 265
10 Variáveis Qualitativas e Tabelas de Contingência

É comum haver interesse em saber se duas variáveis quaisquer

UNIDADE

estão relacionadas, e o quanto estão relacionadas, seja na vida práti-

ca, seja em trabalhos de pesquisa, por exemplo:

 se a satisfação com um produto está relacionada à faixa

etária do consumidor; e
 se a função exercida por uma pessoa em uma organização
está associada a seu gênero.

 Na Unidade 3, apresentamos técnicas para tentar

responder às perguntas do parágrafo anterior.

Variáveis Qualitativas são as variáveis cujas realizações são

atributos, categorias (Unidades 1 e 3). Como exemplo de variáveis
qualitativas temos: sexo de uma pessoa (duas categorias, masculino e
feminino), grau de instrução (analfabeto, primeiro grau incompleto etc.),
opinião sobre um assunto (favorável, desfavorável, indiferente).
Em estudos sobre variáveis qualitativas é extremamente comum
registrar as frequências de ocorrência de cada valor que as variáveis
podem assumir, e quando há duas variáveis envolvidas é comum re-
gistrar-se a frequência de ocorrência dos cruzamentos entre valores.
Por exemplo: quantas pessoas do sexo masculino são favoráveis a
determinada proposta de lei; quantas são desfavoráveis; quantas pes-
soas do sexo feminino são favoráveis. E, para facilitar a análise dos
resultados, eles costumam ser dispostos em uma Tabela de Contingên-
cias. A Tabela de Contingências relaciona os possíveis valores de uma
variável qualitativa com os possíveis valores da outra, registrando
quantas ocorrências foram verificadas de cada cruzamento.
Exemplo 4 – O Quadro 23 mostra uma tabela de contingências
relacionando as funções exercidas e o sexo de 474 funcionários de
uma organização.

266 Curso de Graduação em Administração, modalidade a distância

 SEXO ESCRITÓRIO
FUNÇÃO
SERVIÇOS GERAIS GERÊNCIA TOTAL
10

UNIDADE
Masculino 157 27 74 258
Feminino 206 0 10 216
Total 363 27 84 474

Quadro 23: Tabela de contingências de função por sexo

Fonte: Elaborado pelo autor deste livro

Podemos apresentar os percentuais calculados em relação aos

totais das colunas no Quadro 24:

FUNÇÃO
SEXO ESCRITÓRIO SERVIÇOS GERAIS GERÊNCIA TOTAL
Masculino 43,25% 100% 88,10% 54%
Feminino 56,75% 0% 11,90% 46%
Total 100% 100% 100% 100%

Quadro 24: Tabela de contingências de função por sexo:

percentuais por colunas
Fonte: Elaborado pelo autor deste livro

Seria interessante saber se as duas variáveis são estatistica-

mente dependentes, e o quão forte é essa associação. Repare que os
percentuais de homens e mulheres em cada função são diferentes dos
percentuais marginais (de homens e mulheres no total de funcionári-
os) e, em duas funções, as diferenças são bem grandes.
O teste de associação de quiquadrado é uma das ferramentas
estatísticas mais utilizadas quando se deseja estudar o relacionamen-
to entre duas variáveis qualitativas. Permite verificar se duas variá-
veis qualitativas são independentes, se as proporções de ocorrência
dos valores das variáveis observadas estão de acordo com o que era
esperado etc. Nesse texto, haverá interesse em usar o teste para avaliar
se duas variáveis qualitativas são independentes.
Como todo teste de hipóteses, o teste de associação de
quiquadrado consiste em comparar os valores observados em uma
amostra com os valores de uma referência (referência esta que supõe
que a hipótese nula seja válida).
As frequências observadas da variável são representadas em
uma tabela de contingências, e a Hipótese Nula (H0) do teste será

Período 3 267
10 aquela na qual as duas variáveis não se diferem em relação às
frequências com que ocorre uma característica particular, ou seja, as
variáveis são independentes; e tal hipótese será testada contra a Hi-
UNIDADE

pótese Alternativa (H1) de que as variáveis não são independentes.

O teste pode ser realizado porque o grau de dependência pode
ser quantificado descritivamente através de uma estatística, que se
chama justamente quiquadrado (  ²) na população, mas na amostra é
chamada de q², cuja expressão é:

Sendo

Onde:

v
 Eij é a frequência esperada, sob a condição de independên-
Se isso não ocorrer re-
cia entre as variáveis, em uma célula qualquer da tabela de
comenda-se agrupar as
contingências. Todas as frequências esperadas precisam ser
categorias (de uma ou
maiores ou iguais a 5 para que o resultado do teste seja
outra variável, ou de
válido.
ambas) até a obtenção
de todas as  Oij é a frequência observada em uma célula qualquer da
frequências pelo me- tabela de contingências.
nos iguais a 5.
 L é o número total de linhas da tabela de contingências
(número de valores que uma das variáveis pode assumir).
 C é o número total de colunas da tabela (número de valores
que a outra variável pode assumir).

Então, para cada célula da tabela de contingências, calcula-se

a diferença entre a frequência observada e a esperada. Para evitar
que as diferenças positivas anulem as negativas, as diferenças são
elevadas ao quadrado. E para evitar que uma diferença grande em
termos absolutos, mas pequena em termos relativos, “inflacione” a
estatística, ou que uma diferença pequena em termos absolutos, mas
grande em termos relativos, tenha sua influência reduzida, divide-se o
quadrado da diferença pela frequência esperada. Somam-se os valores
de todas as células e obtêm-se o valor da estatística: quanto maior q²,
mais o Observado se afasta do Esperado, portanto maior a dependência.

268 Curso de Graduação em Administração, modalidade a distância

 Sob a hipótese de independência a estatística q² seguirá o
modelo quiquadrado, que estudamos na Unidade 7, prometendo usá-
la aqui na Unidade 10.
10

UNIDADE
O Teste do quiquadrado para avaliar se duas variáveis são in-
dependentes será unilateral: a Hipótese Nula será rejeitada se q² >
q²crítico, para certo número de graus de liberdade. Por exemplo, para o
caso em que há três graus de liberdade e o Nível de Significância
fosse de 5% (a região de Rejeição de H0 ficará à direita), o valor
crítico será:

Figura 84: Uso da tabela da distribuição quiquadrado. Ilustração com gl = 3

e área na cauda superior de 5%
Fonte: Adaptada de Barbeta, Reis e Bornia (2008)

O número de graus de liberdade da estatística é calculado da

seguinte forma:

graus de liberdade = (L – 1) H (C – 1)

Sendo o número de linhas e o número de colunas referentes à

tabela de contingências (são os números de valores que cada variável
pode assumir).
O número de graus de liberdade assume esse valor porque para
calcular as frequências esperadas não é necessário calcular os valores
de todas as células, as últimas podem ser calculadas por diferença já
que os totais são fixos. Por exemplo, para duas variáveis que somente
podem assumir dois valores cada, o número de graus de liberdade
seria igual a 1 [(2–1)H(2–1)]: bastaria calcular a frequência esperada
de uma célula e obter as outras por diferença em relação ao total.
Para o conjunto do Exemplo 4, supondo que os resultados são
provenientes de uma amostra aleatória, vamos verificar se as variá-
veis são independentes a 1% de significância, neste quinto exemplo.

Período 3 269
10 Enunciar as Hipóteses:

H0: as variáveis sexo e função são independentes; e

UNIDADE

H1: as variáveis sexo e função não são independentes.

Nível de significância: determinado pelo problema, ? = 0,01;

?1 – = 0,99.
Retirar as amostras aleatórias e montar a tabela de contingên-
cias (isso já foi feito!). Veja o Quadro 25:

FUNÇÃO
SEXO ESCRITÓRIO SERVIÇOS GERAIS GERÊNCIA TOTAL
Masculino 157 27 74 258
Feminino 206 0 10 216
Total 363 27 84 474

Quadro 25: Tabela de contingências de função por sexo

Fonte: Elaborado pelo autor deste livro

No Quadro 25 encontramos os totais marginais e o total geral:

L1 = total Masculino = 258 L2 = total Feminino = 216

C1 = total Escritório = 157
C2 = total [Link] = 27 C3 = total gerência = 84
N = total geral =474

Repare que, somando os totais das linhas, o resultado é o total

geral; e somando os totais das colunas, o resultado é o total geral tam-
bém.
Calcular as frequências esperadas:
Calculando as frequências esperadas de acordo com a fórmula
vista anteriormente:

Masculino – Escritório E = (258 H 363)/ 474 = 197,58

Masculino – Serviços Gerais E = (258 H 27)/ 474 = 14,70
Masculino – Gerência E = (258 H 84)/ 474 = 45,72
Feminino – Escritório E = (216 H 363)/ 474 = 165,42
Feminino – Serviços Gerais E = (216 H 27)/ 474 = 12,30
Feminino – Gerência E = (216 H 84)/ 474 = 38,28

270 Curso de Graduação em Administração, modalidade a distância

 Vamos calcular a estatística q2 para cada célula, pois agora
podemos avaliar as diferenças entre as frequências e as demais ope-
rações, que serão mostradas nos Quadros 26, 27 e 28.
10

UNIDADE
O–E FUNÇÃO
SEXO ESCRITÓRIO SERVIÇOS GERAIS GERÊNCIA
Masculino 157 – 197,58 27 – 14,70 74 – 45,72
Feminino 206 – 165,42 0 – 12,30 10 – 38,28

Quadro 26: Diferença entre frequências observadas e

esperadas de função por sexo
Fonte: Elaborado pelo autor deste livro

(O – E)² FUNÇÃO
SEXO ESCRITÓRIO SERVIÇOS GERAIS GERÊNCIA
Masculino 1646,921 151,383 799,672
Feminino 1646,921 151,383 799,672

Quadro 27: Diferença entre frequências observadas e esperadas

de função por sexo elevadas ao quadrado
Fonte: Elaborado pelo autor deste livro

Finalmente:

(O – E)²/E FUNÇÃO
SEXO ESCRITÓRIO SERVIÇOS GERAIS GERÊNCIA
Masculino 8,336 10,301 17,490
Feminino 9,956 12,304 20,891

Quadro 28: Estatísticas q² de função por sexo

Fonte: Elaborado pelo autor deste livro deste livro

Agora, podemos somar os valores:

q² = 8,336 + 10,301 + 17,490 + 9,956 + 12,304 + 20,891 = 79,227

Os graus de liberdade: (número de linhas –1)H(número de
colunas – 1) = (2 –1)H(3–1)= 2
Então q²2 = 79,227

Período 3 271
10 O q² crítico será: procurando na Tabela 3 do ambiente, ou em
um programa, para 2 graus de liberdade e 99% de confiança (1% de
significância): q²2,crítico = 6,63
UNIDADE

Repare na Figura 85 a seguir.

Figura 85: Valor crítico de q² para 2 graus de liberdade e 1% de significância

Fonte: Elaborada pelo autor deste livro

Como q² 2 é maior do que q² 2,crítico, rejeitamos H0 a 1% de

significância. Há evidência estatística suficiente que indica que as
variáveis: função e sexo não são independentes. Isso confirma nossas
suspeitas iniciais, devido às grandes diferenças nas frequências da
tabela.

 No tópico Tô a fim de saber, você terá indicações

de vários outros tipos de hipóteses que não foram
mencionados nesta Unidade. As referências lá cita-
das serão extremamente valiosas se você precisar:
- aplicar testes para avaliar se há diferenças entre
médias de duas ou mais populações;
- aplicar testes para avaliar se há diferenças entre
proporções de duas populações; e
- aplicar testes não paramétricos, por exemplo, tes-
tes de aderência dos dados a determinado modelo
probabilístico.
Com este tópico, terminamos nossa jornada... Ago-
ra, é com você. Boa sorte!

272 Curso de Graduação em Administração, modalidade a distância

Saiba Mais...
Sobre tipos de erro em testes de hipóteses: BARBETTA, Pedro A.; REIS,
10

UNIDADE
Marcelo M.; BORNIA, Antonio C. Estatística para Cursos de Engenharia e
Informática. 2. ed. São Paulo: Atlas, 2008, Capítulo 8; STEVENSON,
Willian J. Estatística Aplicada à Administração. São Paulo: Harbra, 2001,
Capítulo 10.

Sobre testes de uma variância: BARBETTA, Pedro A.; REIS, Marcelo M.;
BORNIA, Antonio C. Estatística para Cursos de Engenharia e Informática.
2. ed. São Paulo: Atlas, 2008, Capítulo 8; TRIOLA, Mário. Introdução à
Estatística. Rio de Janeiro: LTC, 1999, Capítulo 7.

Sobre testes de comparação de duas médias: BARBETTA, Pedro A.; REIS,

Marcelo M.; BORNIA, Antonio C. Estatística para Cursos de Engenharia e
Informática. 2. ed. São Paulo: Atlas, 2008, Capítulo 9.

Sobre testes de comparação de duas proporções: MOORE, David S.;

McCABE, George P.; DUCKWORTH, William M.; SCLOVE, Stanley L. A
prática da estatística empresarial: como usar dados para tomar decisões. Rio
de Janeiro: LTC, 2006, Capítulo 8.

Sobre Análise de Variância, comparação de várias médias: BARBETTA,

Pedro A.; REIS, Marcelo M.; BORNIA, Antonio C. Estatística para Cursos de
Engenharia e Informática. 2. ed. São Paulo: Atlas, 2008, Capítulo 9;
STEVENSON, Willian J. Estatística Aplicada à Administração. São Paulo:
Harbra, 2001, Capítulo 11; MOORE, David S.; McCABE, George P.;
DUCKWORTH, William M.; SCLOVE, Stanley L. A prática da estatística
empresarial: como usar dados para tomar decisões. Rio de Janeiro: LTC,
2006, Capítulos 14 e 15; TRIOLA, Mário. Introdução à Estatística. Rio de
Janeiro: LTC, 1999, Capítulo 11.

Sobre testes não paramétricos: BARBETTA, Pedro A.; REIS, Marcelo M.;
BORNIA, Antonio C. Estatística para Cursos de Engenharia e Informática. 2.
ed. São Paulo: Atlas, 2008, Capítulo 10; STEVENSON, Willian J. Estatística
Aplicada à Administração. São Paulo: Harbra, 2001, Capítulo 13; SIEGEL,
Stanley. Estatística Não Paramétrica (para as Ciências do Comportamento).
São Paulo: McGraw-Hill, 1975.

Sobre a utilização do Microsoft Excel para realizar testes de hipóteses:

LEVINE, David M.; STEPHAN, David; KREHBIEL, Timothy C.;
BERENSON, Mark L. Estatística: Teoria e Aplicações – Usando Microsoft
Excel em Português. 5. ed. Rio de Janeiro: LTC, 2000, Capítulo 6.

Período 3 273
10 Resumindo
r
UNIDADE

O resumo desta Unidade está demonstrado na Figura 86:

Figura 86: Resumo da Unidade 10

Fonte: Elaborada pelo autor deste livro

274 Curso de Graduação em Administração, modalidade a distância

 
Chegamos ao final da disciplina de Estatística Apli-
cada à Administração e, por meio dela, estudamos
10

UNIDADE
os testes de hipóteses, tipos de hipóteses e suas
variáveis. A Unidade foi explorada com Figuras,
Quadros, Tabelas e muitos exemplos para melhor
representar o conteúdo oferecido. Além do material
produzido pelo professor, você tem em mãos uma
riquíssima fonte de referências para aprender mais
sobre o assunto. Explore os conhecimentos pro-
postos. Não tenha esta Unidade como fim, mas
como o começo de uma nova trajetória em sua vida
acadêmica. Bons estudos!

Atividades de aprendizagem
aprendizagem
1. O tempo médio de atendimento em uma agência lotérica está sendo
analisado por técnicos. Uma amostra de 40 clientes foi sistematica-
mente monitorada em relação ao tempo que levavam para ser aten-
didos, obtendo-se as seguintes estatísticas: tempo médio de atendi-
mento de 195 segundos e desvio padrão de 15 segundos.
Considerando-se que o tempo de utilização segue uma distribuição
normal:
O dono da agência garante que o tempo médio de atendimento é de
3 minutos (se for maior ele se compromete a contratar mais um
atendente). Com base nos dados da amostra, a afirmação do dono é
verdadeira, ou ele deve contratar um novo atendente? Use um nível
de significância de 1%?
2. Com o intento de melhorar a qualidade do serviço, uma empresa
estuda o tempo de atraso na entrega dos pedidos recebidos. Supondo
que esse tempo se encontra normalmente distribuído, e conhecendo
o tempo de atraso dos últimos 20 pedidos, descritos a seguir (em
dias), determine:
5 1 0 3 6 10 2 3 4 1 5 3 1 6 6 9 0 0 1 0

Período 3 275
10 Um cliente enfurecido quer comprovar estatisticamente a hipótese
(declarada pela empresa) de que o atraso médio será de no máximo
1 dia. Ele argumenta que deve ser maior, e quer uma confiança de
UNIDADE

99%. O cliente tem razão na sua reclamação?

3. Uma máquina produz peças classificadas como boas ou defeituosas.
Retirou-se uma amostra de 1.000 peças da produção, verificando-
se que 35 eram defeituosas. O controle de qualidade para a linha de
produção a fim de rearranjar os equipamentos envolvidos quando o
percentual de defeituosos é superior a 3%.
Baseado nos dados amostrais, a linha de produção deve ser parada?
4. Queremos saber se há diferenças significativas entre três meios de
comunicação, em termos de lembrança do consumidor da propagan-
da veiculada. O resultado de um estudo sobre propaganda mostrou:

MEIO DE COMUNICAÇÃO
CAPACIDADE DE LEMBRANÇA REVISTA TV RÁDIO TOTAL
Lembram da propaganda 25 93 7 125
Não lembram da propaganda 73 10 108 191
Total 98 103 115 316

a) Usando 1% de significância é possível concluir que há

associação entre a capacidade de lembrança e o meio de
comunicação usado?
b) Observando os resultados acima, qual meio de comunica-
ção você recomendaria para veicular uma propaganda, para
maximizar a capacidade de lembrança do público alvo?
Por quê?
Adaptado de LEVINE, David M.; STEPHAN, David; KREHBIEL,
Timothy C.; BERENSON, Mark L. Estatística: Teoria e Aplicações
usando Microsoft Excel® em Português. Rio de Janeiro: LTC, 2000.

276 Curso de Graduação em Administração, modalidade a distância

 Refer^encias
¨

REFERÊNCIAS
ANDERSON, David R.; SWEENEY, Dennis J.; WILLIAMS, Thomas
A. Estatística Aplicada à Administração e Economia. 2. ed. São
Paulo: Thomson Learning, 2007.

ANDRADE, Dalton F.; OGLIARI, Paulo J. Estatística para as

Ciências Agrárias e Biológicas com noções de experimentação.
Florianópolis: Ed. da UFSC, 2007.

AULETE, Caldas. Dicionário digital contemporâneo da língua

portuguesa. Rio de Janeiro: Lexikon editora digital, 2008. Disponível
em:< [Link]>. Acesso em: 9 abr. 2012.

BARBETTA, Pedro A.; REIS, Marcelo M.; BORNIA, Antonio C.

Estatística para Cursos de Engenharia e Informática. 2. ed. São
Paulo: Atlas, 2008.

BARBETTA, Pedro A. Estatística Aplicada às Ciências Sociais. 7. ed.

Florianópolis: Ed. da UFSC, 2007.

BUSSAB, Wilton O.; MORETTIN, Pedro A. Estatística Básica. 5. ed.

São Paulo: Saraiva, 2003.

COSTA NETO, Paulo L. da O. Estatística. 2. ed. São Paulo: Edgard

Blücher, 2002.

DIÁRIO Catarinense. Indicadores Econômicos, 17 de outubro de

2007.

HUFF, Daniel. Como mentir com Estatística. Rio de Janeiro:

Ediouro, 1992.

LOPES, Paulo A. Probabilidades e Estatística. Rio de Janeiro:

Reichmann e Affonso Editores, 1999.

MARCONI, Marina de Andrade, LAKATOS, Eva Maria. Técnicas de

Pesquisa. 5. ed. São Paulo: Atlas, 2003.

MONTGOMERY, Douglas C. Introdução ao Controle Estatístico da

Qualidade. 4. ed. Rio de Janeiro: LTC, 2004.

Período 3 277
REFERÊNCIAS
MOORE, David S.; McCABE, George P.; DUCKWORTH, William
M.; SCLOVE, Stanley L. A prática da estatística empresarial: como
usar dados para tomar decisões. Rio de Janeiro: LTC, 2006.

StatSoft. Inc. STATISTICA (data analysis software system), version 7,

2004. Disponível em: <[Link]>. Acesso em: 19 fev. 2009.

VIRGILITTO, Salvatore B. Estatística Aplicada: técnicas básicas e

avançadas para todas as áreas do conhecimento. São Paulo:
Alfa-Omega, 2003.

278 Curso de Graduação em Administração, modalidade a distância

 REFERÊNCIAS

Período 3 279
MINICURRÍCULO
Marcelo Menez
Marcelo es R
Menezes eis
Reis
Formado em Engenharia Elétrica pela Uni-
versidade Federal de Santa Catarina – UFSC,
Bacharel em Administração de Empresas pela
Universidade para o Desenvolvimento de Santa
Catarina – UDESC, registro no CRA-SC 4049,
Especialização em Seis Sigma (Beyond Six Sigma
Certification Program) na University of South Florida – USF
(EUA), Mestre em Engenharia Elétrica pela Universidade Fede-
ral de Santa Catarina, e Doutor em Engenharia de Produção pela
Universidade Federal de Santa Catarina. Professor Adjunto, lotado
no Departamento de Informática e Estatística da Universidade
Federal de Santa Catarina, desde 1995. Ministra disciplinas de
estatística em vários cursos de graduação e pós-graduação da
Universidade, incluindo os de Administração.

280 Curso de Graduação em Administração, modalidade a distância