UNIVERSIDADE FEDERAL DO RECNCAVO DA BAHIA

CETEC CENTRO DE CINCIAS EXATAS E

TECNOLGICAS
PROF SANDRA PINHEIRO

CET060 MTODOS ESTATSTICOS

1 UNIDADE ESTATSTICA DESCRITIVA

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.

2. APRESENTAO DOS DADOS

2.1. O que estatstica e suas divises

A Estatstica uma cincia (ou mtodo) baseada na Teoria das Probabilidades, cujo
objetivo principal nos auxiliar a tomar decises ou tirar concluses em situaes de incerteza, a
partir de informaes numricas.

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

2.2 Populao e amostra

Populao - Conjunto de indivduos, objetos ou informaes que apresentam pelo menos
uma caracterstica comum, cujo comportamento interessa-nos analisar. Ou, em outras palavras,
conjunto de todas as medidas, observaes relativas ao estudo de determinado fenmeno.
i) Deseja-se conhecer o consumo total de energia eltrica em MWH nas residncias da cidade de
Salvador no ano de 1998.
Populao ou universo: todas as residncias que estavam ligadas a rede eltrica em Salvador, em
1998.
Caractersticas: X = consumo anual de energia eltrica em MWH.
ii) Deseja-se saber se nas indstrias situadas no Estado da Bahia, em 1997, existia algum tipo de
controle ambiental.
Populao ou universo: indstrias situadas no Estado da Bahia em1998.
Caracterstica: X = existncia ou no de algum tipo de controle ambiental na indstria.
Sandra-CET060-2

iii) Estudo sobre a precipitao pluviomtrica na Regio Nordeste no ano 1997.

Populao ou universo: rea referente Regio Nordeste.
Caracterstica: X = precipitao pluviomtrica.
Populaes finitas e infinitas: Quanto ao nmero de elementos, as populaes podem ser
classificadas em finita ou infinita, dependendo se o nmero de elementos que a compe for finito ou
infinito.
Exemplos:
i)
Populao finita: empresas do Plo Petroqumico de Camaari.
ii)
Populao infinita: as presses atmosfricas ocorridas nos diversos pontos do Continente em
determinado momento.
Em geral, como os universos so grandes, investigar todos os elementos populacionais para
determinarmos a caracterstica necessita muito tempo, e/ou o custo elevado, e/ou o processo de
investigao leva a destruio do elemento observado, ou, como no caso de populaes infinitas,
impossvel observar a totalidade da populao. Assim, estudar parte da populao constitui-se um
aspecto fundamental da Estatstica.
Amostra: qualquer subconjunto da populao.

2.3. Tcnicas de Amostragem

A amostragem um campo da estatstica bastante sofisticado que estuda tcnicas de planejamento
de pesquisa para possibilitar inferncias sobre um universo a partir do estudo de uma pequena parte
de seus componentes, uma amostra.
A representatividade da populao na amostra, ou validade, assegurada pelo planejamento
cientfico da pesquisa, que pode ser dividida nas seguintes etapas:
1)
2)
3)
4)
5)
6)
7)
8)

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

2.3.1. Amostragem Aleatria Simples

Neste tipo de amostra considera-se que cada componente da populao estudada tem a mesma
chance de ser escolhido para compor a amostra e a tcnica que garante esta igual probabilidade a
seleo aleatria de indivduos, por exemplo atravs de sorteio.
O sorteio dos elementos da amostra feito geralmente de uma lista com todos os elementos da
populao, e pode-se usar a tabela de nmeros aleatrios.

2.3.2. Amostragem Aleatria Estratificada

Na amostragem estratificada a populao dividida em estratos e em seguida selecionada uma
amostra aleatria de cada estrato. Esta estratgia geralmente aplicada quando o evento estudado
numa populao tem caractersticas distintas para diferentes categorias que dividem esta populao.
Muitas vezes, deseja-se estimar os parmetros de interesse relativos a subgrupos homogneos da
populao, como por exemplo, estimar a proporo de rios poludos em alguns estados do Nordeste.
O que se deseja na amostragem estratificada obter estratos internamente homogneos, de modo
que as estimativas desses estratos sejam representativas dos mesmos. O fato dos estratos serem
homogneos significa que a varincia interna mnima e a varincia entre os estratos mxima.
A amostragem estratificada faz com que ao se ponderar as estimativas vindas de cada estrato em
uma estimativa global, a variabilidade final seja menor do que se fosse usada a amostragem
aleatria simples.
O dimensionamento das sub-amostras, ou alocao dos elementos, pode ser de maneira balanceada
(mesmo nmero de elementos em cada estrato) ou proporcional (nmero de elementos no estrato
proporcional sua contribuio no total populacional).

2.3.3. Amostragem Sistemtica

Deve obedecer ao mesmo princpio da amostragem aleatria simples de iguais probabilidades de
pertencer amostra para todos os componentes da populao estudada. No entanto, prev a coleta
de dados ao longo de um perodo de tempo e arbitra um ritmo para tomada de unidades da
populao para compor a amostra. O nmero de observaes pode ser calculado como na
amostragem aleatria simples.
Exemplo: numa listagem de indivduos da populao, sorteamos um nome entre os dez primeiros da
lista. A partir do nome sorteado, selecionamos um a cada dez indivduos (o dcimo, vigsimo e
assim por diante).
2.3.4. Amostragem Aleatria por Conglomerados.
A populao dividida em subpopulaes distintas (conglomerados). Alguns dos conglomerados
so selecionados segundo a amostragem aleatria simples e so observadas todas as unidades dos
conglomerados selecionados.
Sandra-CET060-4

2.3.5. Amostragem por Mltiplos Estgios

Esta estratgia de amostragem pode ser vista como uma combinao de dois ou mais planos
amostrais. Considere por exemplo uma populao estratificada onde o nmero de estratos muito
grande. Ao invs de sortear uma amostra de cada estrato, o que poderia ser invivel devido
quantidade de estratos, o pesquisador poderia optar por sortear alguns estratos e em seguida
selecionar uma amostra de cada estrato sorteado. Neste caso, teramos uma amostragem em dois
estgios usando, nas duas vezes, a amostragem aleatria simples, sendo que no primeiro estgio as
unidades amostrais so os estratos e no segundo so as componentes da populao.

2.4. - Classificao de Variveis

A Estatstica ocupa-se fundamentalmente das propriedades das populaes cujas caractersticas so
passveis de representao numrica como resultado de medies e contagens. Essas caractersticas
da populao so comumente chamadas de variveis.
Varivel qualquer atributo/caracterstica que exera influncia no fenmeno estudado. A
adequao da tcnica apropriada est diretamente relacionada ao tipo de varivel obtida na
pesquisa.
As variveis podem ser classificadas em qualitativas e quantitativas.
i) Qualitativas : se os resultados das observaes forem expressos atravs de categorias, que se
distinguem por alguma caracterstica no-numrica. Ex: setor de atividade econmica, sexo, nvel
de escolaridade, porte da empresa.
Estas podem ser classificadas em:
Nominal: caracteriza-se por dados que consistem apenas em nomes, rtulos ou categorias. Os
dados no podem ser dispostos segundo um esquema ordenado. Ex: setor de atividade econmica,
sexo, etc.
Ordinal: envolve dados que podem ser dispostos em alguma ordem, mas as diferenas entre os
valores dos dados no podem ser determinadas ou no tem sentido. Ex: Nvel de escolaridade,
classe scio-econmica, porte da empresa, etc.
ii) Quantitativas - os resultados das observaes sero expressos sempre atravs de nmeros, que
representam contagens ou medidas. Ex: idade, altura, peso, nmero de empregados, salrio mensal,
volume de dejetos, n de habitantes do domiclio, etc.
Estas podem ser classificadas em:
Discreta - s pode assumir valores pertencentes a um conjunto finito ou enumervel. Ex: nmero
de empregados, , n de habitantes do domiclio, etc.
Sandra-CET060-5

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

2.5. Apresentao dos Dados

2.5.1. Sries Estatsticas
Quando realizamos um levantamento de dados sobre um fenmeno ou varivel, o que obtemos
como resultado chamado de srie estatstica. O modo de condensao ou apresentao das
informaes pode ser na forma de tabelas ou de grficos que facilitam a visualizao do fenmeno,
permitem a comparao com outros elementos ou, ainda, fazer previses. Para fazermos a
diferenciao de uma srie estatstica para outra, devemos levar em considerao os elementos que
a compe:

a poca (fator temporal ou cronolgico) a que se refere o fenmeno observado;

o local (fator espacial ou geogrfico) onde o fenmeno acontece;
o fenmeno (espcie do fato ou fator especificativo) que descrito.

Sandra-CET060-6

Exemplo 1: populao residente em algumas regies metropolitanas do Brasil

Regies Metropolitanas
Populao
(em 100000 habitantes)
So Paulo
192,239
Rio de Janeiro
115,716
Belo Horizonte
53,974
Porto Alegre
40,639
Salvador
39,679
Recife
38,433
Fortaleza
36,023
Curitiba
31,724
Total
548,427
FONTE: IBGE, estimativas contagem populacional 2007.
Correspondncia entre as sries estatsticas e a representao grfica
TIPO DE SRIE
FATOR VARIANTE
GRFICO MAIS INDICADO
ESTATSTICA
Temporal
poca
Curvas, excepcionalmente Colunas
Especificativas
Fenmeno
Barras, Colunas ou Setores
Geogrficas
Local
Cartogramas, Colunas, Barras ou
Setores
Distribuio de
Intensidade do
Histograma (contnua), Basto
freqncias
fenmeno
(discreta), Barras, Colunas ou
Setores (qualitativa )

2.5.2 Distribuio de freqncias

Neste tipo de srie estatstica o tempo, o local e o fenmeno permanecem fixos. O fenmeno
considerado uma varivel quantitativa (discreta ou contnua) e seus valores observados so
descritos considerando o nmero de vezes que ocorreram na srie (freqncia).
Algumas definies:
Freqncia simples absoluta: o nmero de ocorrncias ou repeties de um valor individual ou
um intervalo de valores.
Notao: fi
Freqncia simples relativa: a razo entre a freqncia simples absoluta e o nmero total de
dados (soma de todas as freqncias simples absolutas).
Notao: fri
Agora vamos exemplificar distribuies de freqncia e suas respectivas tabelas para cada
tipo de varivel.

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

por uma mquina industrial durante o

1
1
0
0
0

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

Construir uma tabela de distribuio de freqncias por intervalos de classes.

Sandra-CET060-8

Soluo: Neste caso, n = 32 pela regra de Sturges

k 1 + 3,3 log 10 32
k 5,97
Aproximando para o nmero inteiro mais prximo, temos que k = 6.
A amplitude total ser dada por AT = 218 154 = 64.
Assim, a amplitude de cada intervalo de classe ser:
AT 64
=
10,67.
k
6
Aproximando para o inteiro mais prximo, temos que h = 11.
h=

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

2.4.3. Representao Grfica

Sero apresentadas algumas sries estatsticas e seus respectivos grficos.
1) Grfico em barras
Exemplo: Srie Especificativa
Tipo de fraude nos cartes de crdito da
Mastercard Internacional no Brasil - 2000
Tipo de fraude
Quantidade
Carto roubado
243
Carto falsificado
85
Pedido por correio/telefone
52
Outros
46
Fonte: Triola, Mario F.

Sandra-CET060-9

Tipos de fraude nos cartes de crdito da

Mastercard Internacional no Brasil - 2000

Tipo de fraude

Outros
Pedido por
correio/telefone
Carto
falsificado
Carto roubado

100

200

300

Quantidade

Fonte: Triola, Mario F.

2) Grfico em colunas
Exemplo: Srie Geogrfica
Nmero de crianas de baixa renda, segundo o bairro de residncia, que participaram do
ensino de msica na Escola XYZ, em Salvador - 1998
Bairro
Nmero de crianas
Paripe
11
Periperi
39
Plataforma
45
Praia Grande
25
Total
120
Fonte: Escola de Msica XYZ, Salvador.

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

Fonte: Escola de Msica XYZ, Salvador

Sandra-CET060-10

Exemplo: Srie Especificativa-Temporal

Ingressantes da Universidade XYZ
Segundo rea de estudo e ano
rea / Ano
1998 1999 2000
Exatas
120
156
68
Humanas
72
85
112
Biolgicas
169
145
73
Fonte: Dados Fictcios
Ingressantes da Universidade
XYZ - segundo rea de estudo e
classe scio econmica - 1999
200
150

Exatas

100
50

Humanas
Biolgicas

0
1998

1999

2000

Fonte: Dados Fictcios

3) Grfico em Linhas ou Curvas
Exemplo: Srie Temporal
Produto Interno Bruto a Preo Corrente
Bahia, 1999-2007
Perodo
IPI
1999
41883,13
2000
46523,21
2001
51095,84
2002
60671,84
2003
68146,92
2004
79083,23
2005
90919,33
2006
96520,70
2007
109651,84
Fonte: SEI/IBGE

Sandra-CET060-11

IPI

Produto Interno Bruto a Preo Corrente Bahia,

1999-2007
120000
110000
100000
90000
80000
70000
60000
50000
40000
30000
20000
a1999 a2000 a2001 a2002 a2003 a2004 a2005 a2006 a2007

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

Medida especfica de um aparelho eltrico

8
6

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

Ex: A mdia aritmtica dos nmeros 3, 36 e 54 x =

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

Ex: A mdia geomtrica dos nmeros 3, 36 e 54

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

definida rigorosamente e pode ser interpretada sem ambiguidades;

Leva em considerao todas as observaes efetuadas; e

Calcula-se com facilidade.

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

xg = x1p1 x2p2 ... xnpn

p

xg = x1f1 x2f2 ... xnfn

f

ou quando estamos tratando com distribuio de frequncias

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

b) Y = {10, 12, 17, 21, 32}

Mo = no existe, a distribuio amodal.

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

Freqncia Simples Absoluta (fi)

1
1
2
1
1
3
Sandra-CET060-16

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.

i) Determinao da Mediana para dados brutos (no tabelados)

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 = { 200, 250, 250, 300, 450, 460, 2.300}

Y = 601,0; Md Y = 300.

Podemos observar que no caso do conjunto Y a mdia no sintetiza adequadamente o conjunto de

dados, pois apenas um valor superior a ela.
3.4.2. Quartis, Decis e Percentis

A construo das medidas de posio denominadas quartis, decis e percentis anloga a da

mediana. Enquanto a mediana separa a distribuio em duas partes iguais, a caracterstica principal
de cada uma dessas medidas :
Quartis: dividem a distribuio em quatro partes iguais;
Decis: dividem em dez partes iguais; e
Percentis: dividem em cem partes iguais.
Observaes:

i) Temos a seguinte igualdade: C50 = D5 = Q2 = Md

ii) O clculo para os decis e centis anlogo ao dos quartis.
iii) O intervalo interquartil ou interquartlico, definido por (Q1; Q3), contm 50% do total de
observaes localizadas mais ao cento da distribuio.
iv) Podemos tambm ter idia sobre a assimetria da distribuio utilizando apenas seus quartis:
Se (Md - Q1) < (Q3 - Md) => assimetria direita ou positiva;
Se (Md - Q1) > (Q3 - Md) => assimetria esquerda ou negativa;
Se (Md - Q1) = (Q3 - Md) => distribuio simtrica

Sandra-CET060-18

ii) Clculo dos percentis para dados brutos (no tabelados)

A posio do percentil de ordem i no conjunto de dados ordenado ser definida como:

n
Pos i = i.
, onde Posi = posio do percentil de ordem i; e n = freqncia total da distribuio.
100
1) Se Posi = valor inteiro, ento o percentil definido como a mdia dos valores que ocupam a
posio Posi e Posi + 1.
2) Se Posi = valor no inteiro, ento o percentil definido como o valor que ocupa a posio k + 1,
onde k = inteiro mais prximo que seja menor que Posi.
Exemplo 8: Calcule Q1 para o seguinte conjunto de dados:
21
23
18
25
24
28
1. Ordenar os valores: 18
21
23
24
25
28
2. Pos 25 = 25 (6/100) = 1,5 (valor no inteiro) k = 1 e portanto o Q1 o valor que ocupa a 2
posio na srie ordenada.
3. Q1 = 21

iii) Determinao da Mediana de valores tabelados agrupados em classes:

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

Exemplo: Carga anula de fsforo (lbs/ac/ano) nos rios.

Carga anual
N de rios
Fiac
(lbs/ac/ano)
0,0 |-- 0,4
5
5
0,4 |-- 0,8
10
15
0,8 |-- 1,2
4
19
1,2 |-- 1,6
2
21
1,6 |-- 2,0
1
22
TOTAL
22
..
Encontre a mediana

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.

iii) Determinao do percentil (ou centil) de valores tabelados agrupados em classes:

Percentil ou centil: separatriz que divide um conjunto ordenado de dados em cem partes iguais.
Atravs desta separatriz encontramos todas as demais.
O elemento do percentil ser sempre definido como:

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

(Md - Q1) < (Q3 - Md)

(187 173,8) < (203,5 187)
Distribuio assimtrica direita ou positiva

13,2 < 16,5

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

Peso dos pacotes

2
3
4
497
498
500
500
505
510

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

4.1. Amplitude Total

Notao: AT = Amplitude Total

A amplitude total de um conjunto de nmeros a diferena entre o maior e o menor valor do

conjunto.
Exemplo: Calcular as amplitudes totais do exemplo anterior e identificar qual a mquina que
apresentou a menor disperso no peso dos pacotes de caf.
Resoluo:

A:
B:

AT = 500 - 495 = 5 gramas;

AT = 510 - 490 = 20 gramas;

A mquina A apresentou uma menor variabilidade nos pesos dos pacotes de caf.
Observaes:

1) A amplitude total a medida mais simples de disperso.

2) A desvantagem desta medida de disperso que leva em conta apenas os valores mnimo e
mximo do conjunto.
3) A amplitude total tambm sofre a influncia de um valor "atpico" na distribuio (um valor
muito elevado ou muito baixo em relao ao conjunto).
4) A amplitude total para dados tabelados agrupados em classes s poder ser calculada se houver
incluso do menor valor da primeira classe e do maior valor da ltima classe.

4.2 Desvio Padro

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=

Exemplo: trs grupos de dados

Grupo
Amostra
1
2
3
A
0,80 1,00 0,75
B
0,95 0,80 0,73
C
0,71 0,81 0,90

i =1

n 1

Mdia
4
0,65
0,72
0,78

0,80
0,80
0,80
Sandra-CET060-22

Resoluo: Para A, utilizando a definio, temos:

k

(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

Ex: Encontre o desvio padro para o conjunto de dados abaixo.

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

4.4 Coeficiente de Variao de Pearson (CV)

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

O Boxplot um mtodo alternativo para representar os dados. O Boxplot fornece

informaes sobre as seguintes caractersticas de um conjunto de dados: locao, disperso,
assimetria e outliers (observaes discrepantes).

Boxplot
8
7
6
5

4
3
2
1

O centro da distribuio indicado pela linha da mediana. A disperso representada pela

altura do retngulo (Q3-Q1), o qual contm 50% dos valores do conjunto de dados. A posio da
linha mediana no retngulo informa sobre a assimetria da distribuio. Uma distribuio simtrica
teria mediana no centro do retngulo. Se a mediana prxima de Q1 ento os dados so
Sandra-CET060-24

positivamente assimtricos. Se a mediana prxima de Q3 os dados so negativamente

assimtricos.
Os valores fora de Q11.5(Q3-Q1) e Q3+1.5(Q3-Q1) geralmente so chamados de outside e
devem ser investigados como possveis outliers.

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

1) Classifique cada uma das variveis abaixo em qualitativa (nominal/ordinal) ou quantitativa

(discreta/contnua):
a) Ocorrncia de hipertenso arterial (sim ou no so possveis respostas para esta varivel).
b) Inteno de voto para presidente (possveis respostas so os nomes dos candidatos, alm de
indeciso).
c) Perda de peso de maratonistas na Corrida de So Silvestre, em quilos.
d) Intensidade da perda de peso de maratonistas na Corrida de So Silvestre (leve, moderada,
forte).
e) Grau de satisfao da populao brasileira com relao ao trabalho de seu presidente (valores de
0 a 5).
2) Uma indstria automobilstica verificou que, nos ltimos meses, ocorreu um aumento no nmero
de reclamaes sobre a ocorrncia de defeitos no suporte da lanterna traseira de um modelo de
automvel por ela fabricado. A empresa desejava eliminar esta situao indesejvel e para isto
iniciou estudos para melhorar resultados. Na etapa de identificao do problema, os tcnicos da
indstria classificaram o nmero total de peas defeituosas encontradas em uma amostra de peas
produzidas durante uma semana de trabalho, segundo os tipos de defeitos que foram detectados. Os
dados obtidos so apresentados na tabela abaixo.
Defeitos encontrados em uma amostra de suportes da lanterna traseira
de um modelo de automvel durante uma semana de produo de uma indstria.
Tipo de defeito
Quantidade de
defeitos
Moldagem solta
14
Solda quebrada
01
Sandra-CET060-25

Centro da moldagem deslocado

04
Lateral da moldagem deslocada
24
Moldagem arranhada
01
Moldagem dentada
44
Plstico arranhado
07
Limpeza incompleta
79
Orifcio deslocado
01
Pino deslocado
05
Total
180
a) Construa um grfico adequado para esta srie.
b) Identifique os tipos de defeitos que os tcnicos da empresa deveriam atacar em primeiro
lugar, com o objetivo de melhorar os resultados que vinham sendo obtidos pela indstria.
Justifique sua resposta.
3) Uma empresa procurou estudar a ocorrncia de acidentes com seus empregados, tendo, para isso,
realizado um levantamento abrangendo um perodo de 36 meses, onde foi observado o nmero de
operrios acidentados para cada ms. Os dados correspondentes so:
1
2
2
3
3
3
3
4
4
4
4
4
5
5
5
5
5
5
5
6
6
6
6
6
6
7
7
7
7
7
8
8
8
9
9
10
a) Construa uma distribuio de freqncia adequada (obs: mantenha o valor das amplitudes de
classes com uma casa decimal);
b) encontre o intervalo inter-quartlico;
c) qual o percentual de acidentes ocorridos em menos de sete meses?
Resp: b) IQ = 7,4 4,2 = 3,2 c) 69,4%
4) Carga anual de nitrognio (lbs/ac/ano) nos rios.
N de rios
Carga anual
(lbs/ac/ano)
0 |-- 4
5
4 |-- 8
9
8 |-- 12
7
12 |-- 16
3
16 |-- 20
2
Determine:
a) A carga mdia de nitrognio
b) a carga mediana de nitrognio
c) Avalie a distribuio quanto assimetria
d) O desvio-padro
e) O coeficiente de variao
f) qual o percentual de rios com carga anual de nitrognio superior ou igual a 8 lbs/ac/ano
g) 40% dos rios tm carga anual de nitrognio superior a qual valor?
Resp:a) 8,2 b)7,6 c)ass. direita d) 4,7 e) 57,3% f) 46,2% g) 8,9
5) Contou-se o nmero de erros de impresso da primeira pgina de um jornal durante 16 dias,
obtendo-se os resultados abaixo:
08 11 08 12 14 13 11 14 14 05 06 10 14 13 06 12
Sandra-CET060-26

a) Calcule o nmero mdio de erros de impresso por primeira pgina;

b) Calcule a mediana;
c) Determine a moda;
d) a amplitude total
e) o desvio-padro
resp: a) 10,7 b) 11,5 c) 14 d) 9 e) 3,2
6) Coloque V(verdadeiro) e F(falso) e justifique:
a) ( ) 50% dos dados de qualquer amostra situam-se acima da mdia;
b) ( ) Numa turma de 50 alunos onde todos tiraram a nota mxima, o desvio padro zero;
c) ( ) Quando queremos verificar a questo de uma prova que apresentou maior nmero de erros,
utilizamos a mdia;
d) ( ) Somando-se (ou subtraindo-se) um valor constante e arbitrrio a cada um dos elementos de
um conjunto de dados, a mdia aritmtica fica adicionada (ou subtrada) dessa constante.
e) ( ) Multiplicando-se (ou dividindo-se) um valor constante e arbitrrio a cada um dos elementos
de um conjunto de dados, a mdia aritmtica fica multiplicada (ou dividida) por essa constante.
f) ( ) Somando-se (ou subtraindo-se) um valor constante e arbitrrio a cada um dos elementos de
um conjunto de dados, o desvio padro fica adicionado (ou subtrado) dessa constante.
e) ( ) Multiplicando-se (ou dividindo-se) um valor constante e arbitrrio a cada um dos elementos
de um conjunto de dados, o desvio padro fica multiplicado (ou dividido) por essa constante.
Resp: a) F b) V c) F d) V e) V f) F g) V
7) Explique os dados da tabela abaixo. Encontre os percentis 25, 50 e 75 e explique os resultados.
Construa com os resultados um Box-plot e explique.
PROPORO DE DOMICLIOS COM ABASTECIMENTO AGUA DIARIO NA MICRO-AREA
(Programa Bahia Azul)
Proporo
Freqncia Frequncia Percentual
Percentual
(min:0 ; max:1)
absoluta
acumulada
(%)
acumulado
,13
2
2
1,6
1,6
,33
5
7
4,0
5,6
,39
20
27
16,1
21,8
,48
5
32
4,0
25,8
,64
11
43
8,9
34,7
,67
5
48
4,0
38,7
,73
7
55
5,6
44,3
,76
9
64
7,3
51,6
,78
5
69
4,0
55,6
,82
6
75
4,8
60,5
,86
3
78
2,4
62,9
,88
4
82
3,2
66,1
,89
6
88
4,8
71,0
,91
6
94
4,8
75,8
,92
6
100
4,8
80,6
,94
9
109
7,3
87,9
,98
10
119
8,1
96,0
1,00
5
124
4,0
100
Total
124
100,0
Resp: P25 = 0,48

P50 = 0,76

P75 = 0,91

8) Uma indstria de alimentos estava interessada em analisar seu processo de produo de

determinado alimento. Existem nesta indstria duas mquinas responsveis pelo controlam o
processo de desidratao do alimento. Um importante item de controle do processo a umidade do
Sandra-CET060-27

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%

11) Concentrao de zinco (ppm) em troncos de eucaliptos

Concentrao de N de troncos
zinco
5
5
6
10
7
15
8
8
9
5
Total
43
Encontre:
a. a concentrao mdia
b. a concentrao modal
c. a concentrao mediana
d. a freqncia relativa percentual
e. o desvio-padro
f. avalie a assimetria
Resp: a) 6,95 ;
b) 7
; c) 7 ;
e) s = 1,17
f) Curva assimtrica esquerda ou negativa
12) Em uma granja foi observada a distribuio dos frangos com relao ao peso, que era a
seguinte:
Peso (g)
Quantidade de frangos
960 |-- 980
60
980 |-- 1000
160
1000 |-- 1020
280
1020 |-- 1040
260
1040 |-- 1060
160
1060 |-- 1080
80
TOTAL
1000
Encontre:
a) a mdia e a varincia da distribuio
b) o peso acima do qual esto 46% dos frangos;
c) o peso mediano;
d) o peso abaixo do qual esto 13% dos frangos;
e) o vigsimo oitavo percentil;
f) o primeiro e o terceiro quartis;
g) o quarto decil.
a) o coeficiente de variao;
b) analise e classifique esta distribuio quanto assimetria.
Resp.:1.020,8; 691,36; 1023,08; 1020; 988,75; 1004,28; 1002,14; 1039,23; 1012,86; 2,58%;
positiva.
Sandra-CET060-29

*********************** ANEXO I *******************************

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.

Ex.: 17,4% + 18,4% + 12,3% + 29,7% + 22,2% = 100%

arredondando para inteiro:
17% + 18% + 12% + 30% + 22% = 99%
17% + 18% + 12% + 31% + 22% = 100%

Sandra-CET060-31