1. IMPORTNCIA DA ESTATSTICA
1.1 Por que precisamos aprender Estatstica?
Os mtodos estatsticos so consciente ou inconscientemente usados em vrias situaes,
especialmente na apresentao de informaes oriundas de dados numricos. Diversas vezes,
apresentaes so baseadas, principalmente, em algum tipo de tcnica utilizando teorias
matemticas; porm durante a preparao e apresentao dos dados, mtodos estatsticos so
utilizados para definir a tcnica de coleta de dados e chegar a uma concluso atravs das
informaes coletadas. Os mtodos estatsticos tm aplicaes em controle de processo, controle de
produto, soluo de problema, melhora na fabricao e manuteno econmica alm de satisfao
do cliente. Por este motivo o conhecimento destes mtodos est se tornando cada vez mais
importante para engenheiros e demais profissionais engajados em programas de promoo da
qualidade e produtividade.
Mtodos estatsticos representam as ferramentas bsicas para remediar e controlar variaes, porque
a anlise estatstica a nica base para tentar entender variabilidade. Indstrias ocidentais esto
acordando para o uso de mtodos estatsticos e tcnicas relacionadas para fazer frente ao
crescimento constante da competio. Estas empresas tambm sabem que a implantao de um
programa para melhoria da qualidade pode eliminar desperdcios, reduzir os ndices de produtos
defeituosos fabricados, diminuir a necessidade da realizao de inspeo e aumentar a satisfao
dos clientes, fatores que implicam em um aumento da produtividade e da competitividade das
empresas. Um profissional treinado em Estatstica ter maior facilidade em identificar um
problema em sua rea de atuao, determinar os tipos de dados que iro contribuir para a sua
anlise, coletar estes dados e a seguir estabelecer concluses e determinar um plano de ao para a
soluo do problema detectado.
A Estatstica Descritiva abrange mtodos grficos e numricos utilizados para resumir dados de
maneira que caractersticas importantes da amostra possam ser expostas.
Sandra-CET060-1
Divises da Estatstica
A Teoria Estatstica moderna se divide em dois grandes campos:
Estatstica Descritiva - consiste num conjunto de mtodos que ensinam a reduzir uma
quantidade de dados bastante numerosa por um nmero pequeno de medidas,
substitutas e representantes daquela massa de dados.
Estatstica Indutiva - consiste em inferir (deduzir ou tirar concluses a respeito das)
propriedades de um universo a partir de uma amostra. O processo de generalizao,
que caracterstico do mtodo indutivo, est associado a uma margem de incerteza.
A medida da incerteza tratada mediante tcnicas e mtodos que se fundamentam na
Teoria das Probabilidades.
Tcnicas de Amostragem
Populao
caractersticas
Amostra
Anlise
Descritiva
Concluses
sobre as
caractersticas
da populao
Inferncia
Estatstica
Informaes contidas
nos dados
Formulao do problema;
Escolha da unidade amostral (residncias, bairro, cidade, fbricas, rios, etc)
Escolha das variveis que sero medidas;
Planejamento da pesquisa
Coleta de dados;
Produo de resultados;
Anlise dos resultados;
Relatrio contendo as concluses.
Esquemas amostrais
Por esquema amostral entende-se a dupla: sorteio e mtodos de estimao dos parmetros,
geralmente mdias e totais, e de modo que se possa obter suas varincias.
Os principais esquemas amostrais so: amostragem aleatria simples, sistemtica, estratificada e por
conglomerados. Normalmente usada uma combinao destes esquemas bsicos.
Sandra-CET060-3
Contnua : pode assumir qualquer valor pertencente a um determinado intervalo do conjunto dos
Reais. Pode-se dizer que a varivel contnua resulta normalmente de mensuraes.
Ex: Estatura, peso, salrio mensal, volume de dejetos, etc.
Exerccio:
Em um estudo estatstico a caracterstica de interesse pode ser qualitativa (nominal ou ordinal)
ou quantitativa (discreta ou contnua). Classifique as variveis nos exemplos que se seguem:
a) populao: moradores de uma certa cidade
varivel: cor dos olhos (pretos, castanhos, azuis, verdes)
b) populao: casais residentes em uma certa cidade
varivel 1: nmero de filhos
varivel 2: classe econmica
c) populao: candidatos a um exame vestibular
varivel 1: renda familiar
varivel 2: sexo (masculino, feminino)
varivel 3: nmero de pessoas na famlia
d) populao: sabonetes de certa marca
varivel: peso lquido
e) populao: aparelhos produzidos por uma linha de montagem
varivel: nmero de defeitos por unidade
Sandra-CET060-6
Sandra-CET060-7
1) Dados discretos
Exemplo: Foi observado o nmero de defeitos apresentados
perodo de 30 dias. Os resultados foram os seguintes:
1
1
1
0
0
2
1
3
1
1
1
2
1
1
4
1
2
2
1
1
1
0
1
3
1
Nmero de defeitos apresentados por uma mquina industrial durante o perodo de 30 dias
Nmero de
N de dias (fi)
Freqncia simples
defeitos
relativa (fri)
0
6
0,20
1
17
0,57
2
4
0,13
3
2
0,07
4
1
0,03
Total
30
1,00
Fonte: Dados fictcios
2 ) Dados contnuos:
Para certo conjunto de dados, vamos adotar a seguinte nomenclatura:
1. Mximo (max): maior valor do conjunto.
2. Mnimo (min): menor valor do conjunto.
3. Amplitude total (AT): a diferena entre o valor mximo e mnimo.
AT = MAX - MIN
4. Classe: cada intervalo em que se subdivide a amplitude total.
Representao: k = nmero de classes
5. Limite superior ( ls ): a cota superior para os valores da classe.
6. Limite inferior ( li): a cota inferior para os valores da classe.
7. Amplitude do intervalo de classe ( h ): o comprimento da classe, definida como a diferena
entre o limite superior e inferior.
Exemplo: Antes de enviar um lote de aparelhos eltricos para venda, o Departamento de Inspeo
da empresa produtora selecionou uma amostra casual de 32 aparelhos avaliando o desempenho
atravs de uma medida especfica, obtendo os seguintes resultados:
154
155
156
164
165
170
172
175
175
176
178
178
180
180
180
184
190
190
190
192
195
198
200
200
202
205
205
210
211
212
215
218
Dessa forma, a tabela de distribuio de freqncias para dados agrupados em classes fica da
seguinte maneira:
Desempenho de aparelhos eltricos
Desempenho N de aparelhos Freqncia simples
(fi)
relativa (fri)
154 | 165
4
0,13
165 | 176
5
0,16
176 | 187
7
0,22
187 | 198
5
0,16
198 | 209
6
0,19
209 | 220
5
0,16
Total
32
1,00
Fonte: Dados fictcios
Sandra-CET060-9
Tipo de fraude
Outros
Pedido por
correio/telefone
Carto
falsificado
Carto roubado
100
200
300
Quantidade
N de crianas
N m e ro d e c ria n a s d e b a ix a re n d a ,
s e g u n d o o b a irro d e re s id n c ia , q u e
p a rtic ip a ra m d o e n s in o d e m s ic a
n a E s c o la X Y Z , e m S a lva d o r - 1 9 9 8
50
45
40
35
30
25
20
15
10
5
0
P a rip e
P e rip e ri
P la ta fo rm a
P ra ia
G ra nd e
B a irro
Exatas
100
50
Humanas
Biolgicas
0
1998
1999
2000
Sandra-CET060-11
IPI
Fonte: IBGE
4) Grfico em setores
Exemplo: Srie Geogrfica
Percentual de funcionrios da
Companhia Milsa segundo
regio de procedncia
Procedncia
Percentual
Interior
33,30
Capital
30,60
Outro
36,10
Fonte: Bussab
Percentual de funcionrios da
Companhia Milsa segundo regio de
procedncia
33,3
36,1
Interior
Capital
Outro
30,6
Fonte: Bussab
Sandra-CET060-12
5) Histograma
Este grfico utilizado para quando os dados esto agrupados em intervalos de classes. No caso de
classes de mesma amplitude, construdo um retngulo para cada classe, com base igual
amplitude do intervalo classe e altura proporcional a freqncia da classe. Neste caso,
altura ~ freqncia (absoluta ou relativa)
Quando temos classes com amplitudes diferentes, devemos construir um retngulo para cada classe,
com base igual amplitude do intervalo de classe e altura dada por:
d=
freqencia
amplitude da classe
Note que, neste caso, a rea do retngulo igual a freqncia da classe. A altura d definida acima
chamada de densidade de freqncia.
Exemplo: Histograma para a distribuio de freqncia do exemplo 5.
Desempenho de aparelhos eltricos
Desempenho N de aparelhos
(fi)
154 | 165
4
165 | 176
5
176 | 187
7
187 | 198
5
198 | 209
6
209 | 220
5
Total
32
Fonte: Dados fictcios
fi 4
2
0
154 | 165
165 | 176
176 | 187
187 | 198
198 | 209
209 | 220
medida
Sandra-CET060-13
3. MEDIDAS DE POSIO
A estatstica descritiva ensina a reduzir a informao contida em uma grande quantidade de dados a
um pequeno nmero de medidas, substitutas e representantes daquela massa de dados. As principais
medidas da Estatstica Descritiva so agrupadas em medidas de posio (ou de locao ou de
localizao) e medidas de disperso (ou de variabilidade).
3.1. Mdias
Uma mdia de uma lista de nmeros um valor que pode substituir todos os valores da lista sem
alterar uma certa caracterstica da lista.
i) Quando a caracterstica a ser mantida a soma dos elementos da lista, obtemos a mdia
aritmtica.
A mdia aritmtica simples de n nmeros x1 , x2 ,..., xn um valor x tal que
n
xi
x=
x1 + x2 + ... + xn i =1
=
n
n
3 + 36 + 54
= 31
3
ii) Quando a caracterstica a ser mantida o produto dos elementos da lista, obtemos a
mdia geomtrica.
A mdia geomtrica simples dos n nmeros positivos x1 , x2 ,..., xn um valor positivo g
tal que
x g = n x1 x 2 ... x n
3 36 54 = 18
Comentrios
Podemos pensar na mdia aritmtica como o valor tpico do conjunto de dados e considerada a
principal medida de tendncia central. Algumas das razes que fazem com que seja a medida de
posio mais recomendada so:
Sandra-CET060-14
Entretanto, esta medida apresenta alguns inconvenientes como o fato de ser muito sensvel a valores
extremos, isto , a valores excessivamente pequenos ou excessivamente grandes, em relao s
demais observaes do conjunto de dados.
Exemplo: Temos o seguinte conjunto de salrios mensais, em reais: 123 - 145 - 210 - 225 - 2500.
Podemos observar que quatro dos cinco salrios apresentam valores entre 123 e 225 reais,
porm a mdia salarial de 640,6 reais bastante distinta desse conjunto pela influncia do
salrio de 2500 que puxou o valor mdio para cima. A mdia geomtrica apresenta valor
mais coerente 291,6 reais.
3.2. Mdias ponderadas
Utiliza-se uma mdia ponderada quando os valores do conjunto de dados apresentam diferentes
graus de importncia. Qualquer uma das mdias definidas acima pode ser tambm considerada com
valores ponderados. Vamos ver a seguir a definio da mdia aritmtica ponderada.
i) A mdia aritmtica ponderada dos nmeros x1 , x2 ,..., xn , n com pesos p1, p2, ..., pn
definida por
n
x .p
i
x=
i =1
n
,
i
i =1
x
ou quando estamos tratando com distribuio de frequncias x =
fi
i =1
n
.
i
i =1
Exemplo: Em um grupo de pessoas, 70% so adultos e 30% so crianas. O peso mdio dos adultos
70 kg e o peso mdio das crianas 40 kg. Qual o peso mdio do grupo?
Soluo: a mdia aritmtica ponderada dos dois subgrupos:
xp =
70 0 ,7 + 40 0 ,3
= 61 kg
0 ,7 + 0 ,3
Sandra-CET060-15
ii) A mdia geomtrica ponderada dos nmeros x1 , x2 ,..., xn , n com pesos p1, p2, ..., pn
definida por
3.3. Moda
Outra medida de tendncia central menos usada que as mdias a moda.
A moda o valor que ocorre com maior freqncia no conjunto de dados.
Notao: Mo = moda
Exemplo 6:
a) X = {2, 3, 3, 5, 5, 5, 6, 7}
Mo = 5
c) Z = {2, 2, 5, 5, 7, 7}
Mo = no existe
d) W = {10, 12, 12, 12, 13, 13, 15, 18, 18, 18, 21} A distribuio apresenta dois valores modais:
12 e 18 (distribuio bimodal).
Quando o conjunto de dados apresenta mais de uma moda damos o nome de distribuio
plurimodal.
Quando a distribuio de freqncias est organizada por classes de valores, devemos identificar a
classe modal (classe em que observamos a maior freqncia). A moda bruta ser o ponto mdio
da classe modal.
hi
Mo = li +
2
onde: li = limite inferior da classe modal;
hi = amplitude da classe modal;
Exemplo1:
Obs: N casos
11
15
17
19
21
25
De acordo com a definio a moda 25, entretanto este valor no representativo do conjunto de
dados e, portanto a moda no uma boa medida de locao neste caso.
Exemplo2:
Desempenho de aparelhos eltricos
Desempenho N de aparelhos
(fi)
154 | 165
4
165 | 176
5
176 | 187
7
187 | 198
5
198 | 209
6
209 | 220
5
Total
32
Fonte: Dados fictcios
Mo = 176 +
11
= 181,5
2
3.4. Separatrizes
As separatrizes so medidas de posio que permitem calcularmos valores da varivel que dividem
ou separam a distribuio em partes iguais. Temos quatro tipos de separatrizes, tambm chamadas
de quantis: a mediana; os quartis; os decis; e os percentis.
3.4.1. Mediana (que tambm uma medida de tendncia central)
Notao: Md = mediana
Definio: Chamamos de mediana o elemento do conjunto que ocupa a posio central na
distribuio ordenada (crescente ou decrescentemente). Isto , divide a distribuio em duas partes
iguais de modo que 50% dos valores observados so inferiores ao valor mediano e 50% superiores a
esse valor.
1) Quando n par
Emd =
n
, neste caso teremos dois valores centrais e a mediana ser
2
x n + x n
Md =
+1
2
2
Sandra-CET060-17
2) Quando n mpar
Emd =
n +1
, neste caso teremos um valor central e a mediana ser
2
Md = x n +1
Exemplo: Comparao entre a mdia aritmtica e a mediana para os conjuntos de salrios (em
reais) dados.
X = { 200, 250, 250, 300, 450, 460, 510}
X = 345,7; Md X = 300.
Y = 601,0; Md Y = 300.
Sandra-CET060-18
Para dados agrupados em classes o elemento mediano obtido atravs da frmula Emd = n/2,
no se fazendo distino entre nmero par ou mpar de observaes. Pelo elemento mediano
encontrada a classe mediana e em seguida a mediana ser calculada atravs da seguinte expresso:
O elemento mediano ser sempre definido como:
E md =
Md = l i + h
fi
, e a mediana por:
(E md
f ac . ant
fi
onde,
li = limite inferior da classe mediana;
h = amplitude do intervalo de classe
Emd = elemento mediano
fac ant = frequncia acumulada anterior classe mediana
fi = frequncia absoluta simples da classe mediana
Sandra-CET060-19
Emd = 22/2 = 11
Md = 0,4 + 0,4 (11 5)/10 = 0,64
50% dos rios tm carga de fsforo inferior ou igual a 0,64 lbs/ac/ano e 50% deles tm carga de
fsforo superior ou igual a 0,64 lbs/ac/ano.
f
E ci = i . i , i=1, 2, ... 99 . O percentil ser definido por:
100
Ci = l i + h
(E ci
f ac . ant
fi
onde,
li = limite inferior da classe do percentil i;
h = amplitude do intervalo de classe
Emd = elemento do percentil i
fac ant = frequncia acumulada anterior classe do percentil i
fi = frequncia absoluta simples da classe do percentil i
Desempenho de aparelhos eltricos
Desempenho N de aparelhos
(fi)
154 | 165
4
165 | 176
5
176 | 187
7
187 | 198
5
198 | 209
6
209 | 220
5
Total
32
Fonte: Dados fictcios
Sandra-CET060-20
a) Encontre o percentil: 25 e 95
b) Verifique a assimetria da distribuio
Ec25 = 25*32/100 = 8
C25 = 165 + 11 (8 4)/ 5 = 173,8
25% das observaes tm valores inferiores ou iguais a 173,8 e 75% delas tm valores
superiores ou iguais a 173,8.
Ec95= 95*32/100 = 30,4
C95 = 209 + 11 (30,4 27)/ 5 = 216,5
95% das observaes tm valores inferiores ou iguais a 216,5 e apenas 5% delas tm valores
superiores ou iguais a 216,5.
b) Ec75 = 24
C75 = 203,5
Emd = 16
Md = 187
4. MEDIDAS DE DISPERSO
As medidas de disperso servem para avaliar o grau de variabilidade dos valores de um conjunto
de dados. Estas medidas permitem estabelecer comparaes entre fenmenos de mesma natureza ou
de natureza distinta e geralmente essa variabilidade observada em torno de uma medida de
tendncia central. Essas medidas podem ser absolutas ou relativas.
Exemplo: Duas mquinas foram reguladas para encher cada pacote de caf com 500g. Com o
objetivo de verificar a regulagem dessas mquinas, um fiscal de rea anotou o peso dos 5
primeiros pacotes produzidos por cada mquina e calculou o peso mdio dos pacotes. Os
resultados encontram-se abaixo:
Mquinas
A
B
1
500
490
5
495
495
Peso
mdio
498
500
Observando apenas o peso mdio dos pacotes, poderamos concluir que a mquina B
apresentou melhor desempenho do que A. Porm, quando observamos cada informao
separadamente, verificamos que o peso dos pacotes vindos da mquina A variou entre
495 e 500g, enquanto que o da B variou entre 490 e 510g. Isto quer dizer que a mquina
A enche os pacotes mais uniformemente que a mquina B.
Sandra-CET060-21
A:
B:
A mquina A apresentou uma menor variabilidade nos pesos dos pacotes de caf.
Observaes:
uma medida que avalia a disperso dos dados em torno de sua mdia.
4.2.1. Desvio Padro simples
Definio: Sejam x1 , x2 ,..., xn , n valores que a varivel X assume. O desvio padro amostral
definido como:
n
( xi X )
S=
i =1
n 1
Mdia
4
0,65
0,72
0,78
0,80
0,80
0,80
Sandra-CET060-22
(x
S =
i =1
n 1
(0 ,8 0 ,8 )2 + (1 0 ,8 )2 + (0 ,75 0 ,8 )2 + (0 ,65 0 ,8 )2
4 1
= 0 ,15
Para B: S = 0,11 ; para C: S = 0,08 . Com os valores encontrados para o desvio padro, podemos
observar que o grupo C apresentou a menor disperso em relao aos demais.
4.2.2. Desvio padro ponderado
O desvio ponderado para dados agrupados em classes onde a freqncia absoluta simples
considerada como o fator ponderador.
n
(x X ) f
f 1
i
S=
i =1
Valores
0 |-- 2
2 |-- 4
4 |-- 6
6 |-- 8
8 |-- 10
TOTAL
X =
508
= 4,6
110
N de
observaes
27
16
34
17
16
110
S=
xi
(xi- X )2 * fi
1
3
5
7
9
-
349,92
40,96
5,44
97,92
309,76
804
804
= 7,376 = 2,7
110 1
4.3 Varincia
Definio: A varincia o quadrado do desvio padro.
Notao: s2
Observaes:
i)
ii)
O desvio padro tem a unidade de medida igual a unidade de medida original da varivel,
enquanto que a varincia apresentar a unidade de medida elevada ao quadrado.
Ao trabalharmos com os dados de toda a populao calculamos a varincia e o desvio
padro populacional dividindo por N (tamanho da populao) e no por N-1.
Sandra-CET060-23
Quando se deseja comparar a variabilidade de duas ou mais distribuies, mesmo quando essas se
referem a diferentes fenmenos e sejam expressas em unidades de medida distintas, podemos
utilizar o Coeficiente de Variao de Pearson (medida de disperso relativa).
Definio: O coeficiente de variao para um conjunto de n observaes definido como o
quociente entre o desvio padro e a mdia aritmtica da distribuio.
S
CV =
X
uma medida adimensional normalmente expressa em porcentagem.
Exemplo:
Turma
Mdia aritmtica
A
B
3,8575
5,8725
Desvio Padro
0,8706
0,4802
Coeficiente de Variao
(%)
22,57
08,18
As medidas produzidas pela turma B so mais homogneas, pois apresenta menor disperso
relativa.
5. Boxplot
Boxplot
8
7
6
5
4
3
2
1
Referncias Bibliogrficas
BUSSAB, Wilton O. e MORETTIN, Pedro A.. Estatstica Bsica.
TOLEDO, Geraldo L. e OVALLE, Ivo I.. Estatstica bsica. Ed. Atlas, So Paulo.
TRIOLA, Mario F. Introduo Estatstica.
Material de Aula da disciplina MAT236 (UFBA)
***************
*****************
*****************
*****************
1 LISTA DE EXERCCIOS
P50 = 0,76
P75 = 0,91
produto final, que segundo as especificaes, deve estar na faixa de 8,0% a 12%. Foi detectado
incapacidade do processo em atender s especificaes. A equipe tcnica suspeitava de que podia
haver diferenas na forma de funcionamento das duas mquinas de desidratao. Com o objetivo de
observar o funcionamento das mquinas foram feitas medidas do teor de umidade do produto final,
estratificadas por mquina de desidratao. Os resultados esto apresentados a seguir:
Mquina 1
11,7 11,8 12,1 10,7 11,7 10,9 10,7 11,6 12,5 10,7 11,5 11,1 11,2 11,2 11,8 11,2 11,0 11,7
12,1 10,9 11,7 11,3 11,5
Mquina 2
11,4 11,5 11,5 10,4 11,0 9,9 10,5 10,8 11,4 11,5 10,9 10,2 11,1 11,0 10,2 11,2 11,9 10,8
10,4 10,8 11,2 10,8 10,6
Para cada mquina calcule a mdia, a mediana, o intervalo inter-quartlico, o desvio padro e o
coeficiente de variao. A partir das medidas obtidas compare o desempenho das duas mquinas
comentando os aspectos de posio e variabilidade dos dados.
9) Considere a seguinte tabela:
Classes
Fi
2,75 |-- 2,80
2
2,80 |-- 2,85
3
2,85 |-- 2,90
10
2,90 |-- 2,95
11
2,95 |-- 3,00
24
3,00 |-- 3,05
14
3,05 |-- 3,10
9
3,10 |-- 3,15
8
3,15 |-- 3,20
6
3,20 |--| 3,25
3
TOTAL
90
Identificar os seguintes elementos da tabela:
a) frequncia simples absoluta da quinta classe;
b) frequncia total;
c) limite inferior da sexta classe;
d) limite superior da quarte classe;
e) amplitude do intervalo de classe;
f) amplitude total;
g) ponto mdio da terceira classe;
h) frequncia absoluta acumulada alm da sexta classe;
i) porcentagem de valores iguais ou maiores que 3,20.
Resp.: 24; 90; 3,00; 2,95; 0,05; 0,50; 2,875; 40; 0,03.
10) Em pesquisa de tempos exigidos por servios drive-through, foram obtidos os seguintes
resultados(em segundos) (dados do QSR Drive-Thru Time Study):
McDonalds: 287 128 92 267 176 240 192 118 153 254 193 136
Jack in the Box: 190 229 74 377 300 481 428 255 328 270 109
Encontre para cada um dos servios:
a) o tempo mdio
Sandra-CET060-28
b)
c)
d)
e)
o tempo mediano
o tempo modal
desvio-padro
o coeficiente de variao
resp: McDonalds:
a) 186,3
Jack in the Box: a) 276,5
b) 184
b) 270
c) amodal
c) amodal
d) 63,9
d) 125,5
e) 3,4%
e) 4,5%
Noes de Arredondamento
Existem trs regras para o arredondamento de um dado estatstico:
1) Arredondamento por falta:
Quando o 1 dgito, dos que sero eliminados, for igual ou menor que quatro, o dgito anterior a ele
no dever ser alterado.
Exemplo:
Numero
14,320
8,431
5,214
2 decimal
14,32
8,43
5,21
1 decimal
14,3
8,4
5,2
Inteiro
14
8
5
2) Quando o 1 dgito, dos que sero eliminados, for maior ou igual que seis, o dgito anterior a ele
ser acrescido de uma unidade.
Exemplo:
Numero
14,688
8,967
5,679
Centsimos
14,69
8,97
5,68
dcimos
14,7
9,0
5,7
Inteiro
15
9
6
3) Quando o 1 dgito, dos que sero eliminados, for o nmero cinco seguido de zeros devemos
observar o numero que antecede a ele:
a) Se esse nmero que antecede for par no dever ser alterado;
b) Se esse nmero que antecede for mpar dever ser acrescido em uma unidade.
Exemplo:
Numero
14,550
8,555
5,507
Centsimos
14,55
8,56
5,51
dcimos
14,6
8,6
5,5
Inteiro
15
9
6
c) Se o 5 for seguido de outros algarismos dos quais, pelo menos um diferente de zero,
aumentamos uma unidade no algarismo e desprezamos os seguintes.
Exemplo:
Numero
8,2502
8,4503
dcimos
8,3
8,5
Sandra-CET060-30
4) Quando, arredondarmos uma srie de parcelas, e a soma ficar alterada, devemos fazer um novo
arredondamento (por falta ou por excesso), na maior parcela do conjunto, de modo que a soma fique
inalterada.
Sandra-CET060-31