Introdução A Estatistica No R

CURSO DE PS-GRADUAO LATO SENSU
(ESPECIALIZAO) A DISTNCIA
GESTO DE EMPRESAS COM NFASE EM QUALIDADE
INTRODUO ESTATSTICA BSICA COM R
Eric Batista Ferreira

Marcelo Silva de Oliveira
Universidade Federal de Lavras - UFLA

Fundao de Apoio ao Ensino, Pesquisa e Extenso - FAEPE
Lavras - MG
2008
ii
EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

Parceria
Universidade Federal de Lavras - UFLA
Fundao de Apoio ao Ensino, Pesquisa e Extenso - FAEPE
Reitor
Antnio Nazareno Guimares Mendes
Vice-Reitor
Elias Tadeu Fialho
Diretor da Editora
Marco Antnio Rezende Alvarenga
Pr-Reitor de Ps-Graduao
Joel Augusto Muniz
Pr-Reitor Adjunto de Ps-Graduao Lato Sensu
Marcelo Silva de Oliveira
Coordenador do Curso
Daniel Carvalho de Rezende
Presidente do Conselho Deliberativo da FAEPE
Luiz Antnio Lima
Editorao
Centro de Editorao/FAEPE
Impresso
Grfica Universitria/UFLA
Ficha Catalogrfica Preparada pela Diviso de Processos Tcnicos da

Biblioteca Central da UFLA
Ferreira, Eric Batista; Oliveira, Marcelo Silva de
Introduo Estatstica Bsica com R / Eric Batista Ferreira.
Marcelo Silva de Oliveira. Lavras : UFLA/FAEPE, 2008, 1 Edio.
124 p. : il. - Curso de Ps-Graduao Lato Sensu (Especializao)
a Distncia - Gesto de Empresas com nfase em Qualidade.
Bibliografia.
1. Qualidade. 2. Gesto. 3. Mtodo estatstico. i. Ferreira, E. B.;
Oliveira, M. S. de. ii. Universidade Federal de Lavras. iii. Fundao de
Apoio ao Ensino, Pesquisa e Extenso. iv. Ttulo.
CDD-658
Nenhuma parte dessa publicao pode ser reproduzida, por qualquer meio ou forma, sem a
prvia autorizao da FAEPE.
Sumrio
LISTA DE TABELAS
vi
LISTA DE FIGURAS
viii
1 INTRODUO
1.1 Introduo ao R . . . . . . . . . . . . .
1.1.1 Baixando e instalando . . . . .
1.1.2 Iniciando o R . . . . . . . . . .
1.1.3 Objetos . . . . . . . . . . . . .
1.1.4 Lendo arquivos . . . . . . . . .
1.1.5 Funes bsicas . . . . . . . . .
1.1.6 Pedindo ajuda . . . . . . . . . .
1.2 Alguns conceitos importantes . . . . .
1.3 Principais aplicaes da Estatstica . .
1.4 Bibliografia consultada e recomendada
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 TCNICAS DE SOMATRIO
3 ESTATSTICA DESCRITIVA
3.1 Introduo . . . . . . . . . . . . . . .
3.2 Variveis qualitativas . . . . . . . . .
3.3 Variveis quantitativas discretas . . .
3.4 Variveis quantitativas contnuas . .
3.5 Medidas de posio . . . . . . . . . .
3.5.1 Mdia (Me) . . . . . . . . . .
3.5.2 Mediana (Md) . . . . . . . . .
3.5.3 Moda (Mo) . . . . . . . . . .
3.6 Medidas de disperso . . . . . . . . .
3.6.1 Amplitude (A) . . . . . . . .
3.6.2 Varincia e Desvio Padro . .
3.6.3 Coeficiente de Variao (CV)
1
1
1
2
2
8
8
9
10
12
14
15
.
.
.
.
.
.
.
.
.
.
.
.
19
19
20
23
25
30
30
32
34
36
36
37
40
4 PROBABILIDADE
4.1 Distribuies de probabilidade discretas . . . . . . . . . . . . . . . . . . . . . . . .
4.1.1 Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.2 Distribuio Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
47
48
49
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
iv

4.2
Distribuies de probabilidades contnuas . . . . . . . . . . . . . . . . . . . . . . .

4.2.1 Distribuio Normal de probabilidades . . . . . . . . . . . . . . . . . . . .
4.2.2 Outras distribuies contnuas . . . . . . . . . . . . . . . . . . . . . . . . .
5 AMOSTRAGEM
5.1 Amostragens no-aleatrias . . . . . . . . . . . . . . .
5.2 Amostragens aleatrias . . . . . . . . . . . . . . . . . .
5.2.1 Amostragem aleatria simples (AAS) . . . . . .
5.2.2 Amostragem aleatria estratificada (AAE) . . .
5.2.3 Amostragem aleatria por conglomerado (AAC)
5.2.4 Amostragem aleatria sistemtica (AS) . . . . .
50
51
57
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
59
59
60
60
60
61
61
6 INFERNCIA ESTATSTICA
6.1 Distribuio de amostragem . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Distribuio de funes da mdia amostral (populaes normais)
6.2 Estimao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.1 Estimao por ponto . . . . . . . . . . . . . . . . . . . . . . . .
6.2.2 Estimao por intervalo . . . . . . . . . . . . . . . . . . . . . .
6.3 Testes de hipteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3.1 Teste de homogeneidade de Varincias (teste F): . . . . . . . . .
6.3.2 Teste sobre (populaes infinitas) . . . . . . . . . . . . . . . .
6.3.3 Teste sobre propores (p) . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
63
63
63
66
66
66
70
70
72
74
7 CORRELAO E REGRESSO
7.1 Correlao . . . . . . . . . . . . . . . . . . . . .
7.1.1 Coeficiente de correlao linear (r ou ) .
7.1.2 Coeficiente de determinao (r2 ou 2 ) .
7.2 Regresso . . . . . . . . . . . . . . . . . . . . .
7.2.1 Regresso Linear Simples . . . . . . . . .
7.2.2 Regresso Mltipla . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
75
75
75
75
77
77
84
8 APNDICE A: EXERCCIOS PROPOSTOS

9 APNDICE B: TABELAS
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
85
101
Lista de Tabelas
3.1
3.2
3.3
3.4
5.1
6.1
7.1
7.2
Distribuio de freqncias absolutas (f a), relativa (f r) e percentual (f p) da atividade em propriedades de uma regio. . . . . . . . . . . . . . . . . . . . . . . . .
Distribuio de freqncias absolutas (f a), relativa (f r) e percentual (f p) do nmero de filhos por casal de uma cidade. . . . . . . . . . . . . . . . . . . . . . . . .
Distribuio de freqncias absoluta (f a), relativa (f r) e percentual (f p) do peso
observado em potinhos de canela em p. . . . . . . . . . . . . . . . . . . . . . . .
Freqncias absolutas acumuladas abaixo (Fa) e acima de (Fa). . . . . . . . . .
20
23
27
29
Diferenas bsicas entre a amostragem aleatria estratificada (AAE) e a amostragem aleatria por conglomerado (AAC). . . . . . . . . . . . . . . . . . . . . . . .
61
Representao tabular dos resultados possveis em um teste de hipteses e os erros

e acertos que eles acarretam. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
Volume de polpa (cm3 ), volume de gua (cm3 ) e teor de clcio (mg/100ml) em 20

cocos verdes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tabela auxilar para clculo dos coeficientes do modelo linear. . . . . . . . . . . . .
80
82
8.1
8.2
Distribuio de freqncia de rendas familiares de 100 entrevistados, em Lavras, MG. 87

Distribuio de freqncias das mdias dirias de produo de leite no perodo de
lactao de 201 vacas da raa holandesa, de um rebanho pertencente ao Ncleo de
Criadores de Gado Holands do Sul de Minas Gerais. Lavras, 1992. . . . . . . . . 88
9.1
Probabilidades () da distribuio normal padro N (0, 1) para valores do quantil

Zt padronizado de acordo com o seguinte evento: P (0 < Z < Zt ) = . . . . . . . .
Probabilidades () da distribuio normal padro N (0, 1) para valores do quantil
Zt padronizado de acordo com o seguinte evento: P (Z > Zt ) = . . . . . . . . . .
Quantis superiores da distribuio de qui-quadrado (2 ) com graus de liberdade
e para diferentes valores da probabilidade () de acordo com o seguinte evento:
P (2 > 2 ) = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Quantis superiores da distribuio de qui-quadrado (2 ) com graus de liberdade
P (2 > 2 ) = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Quantis superiores da distribuio de F (F0,10 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador, valor da probabilidade () de 10%
de acordo com o seguinte evento:P (F > F0,10 ) = 0, 10. . . . . . . . . . . . . . . .
9.2
9.3
9.4
9.5
102
103
104
105
106
vi

9.6
9.7
9.8
9.9
9.10
9.11
9.12
9.13
9.14
9.15
de acordo com o seguinte evento: P (F > F0,10 ) = 0, 10. . . . . . . . . . . . . . . .
Quantis superiores da distribuio de F (F0,05 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 5% de
acordo com o seguinte evento: P (F > F0,05 ) = 0, 05. . . . . . . . . . . . . . . . . .
de acordo com o seguinte evento: P (F > F0,05 ) = 0, 05. . . . . . . . . . . . . . . .
Quantis superiores da distribuio de F (F0,025 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 2,5%
de acordo com o seguinte evento: P (F > F0,025 ) = 0, 025. . . . . . . . . . . . . . .
de acordo com o seguinte evento: P (F > F0,025 ) = 0, 025. . . . . . . . . . . . . . .
acordo com o seguinte evento: P (F > F0,01 ) = 0, 01. . . . . . . . . . . . . . . . . .
acordo com o seguinte evento:P (F > F0,01 ) = 0, 01. . . . . . . . . . . . . . . . . .
de acordo com o seguinte evento:P (F > F0,005 ) = 0, 005. . . . . . . . . . . . . . .
de acordo com o seguinte evento:P (F > F0,005 ) = 0, 005. . . . . . . . . . . . . . .
Quantis superiores da distribuio t de Student (t ) com graus de liberdade
P (t > t ) = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
107
108
109
110
111
112
113
114
115
116
Lista de Figuras
1.1
1.2
1.3
1.4
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
em funo de sua
. . . . . . . . . . .
13
2.1
Esquema ilustrativo dos elementos tpicos de um somatrio. . . . . . . . . . . . .
15
3.1
(a) Grfico de colunas das principais atividades em propriedades rurais. (b) Grfico
de barras da mesma situao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Setograma ou grfico de pizza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(a) grfico de linhas da varivel nmero de filhos por casal. (b) grfico de colunas
da mesma varivel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(a) Histograma do peso de potinhos de canela em p em uma linha de produo.
(b) O mesmo histograma com polgono de freqncia. . . . . . . . . . . . . . . . .
Ogivas representando as freqncias absolutas acumuladas acima de e abaixo de e
seu respectivo cdigo em R. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Histograma ilustraando geometricamente mtodo de Czuber. . . . . . . . . . . . .
3.2
3.3
3.4
3.5
3.6
4.1
4.2
4.3
4.4
4.5
4.6
6.1
6.2
Tela inicial do R em ambiente Windows. . . . . . . . . . . . .

Mensagem ao tentar sair do R, em ambiente Windows. . . . .
Esquema de um objeto. . . . . . . . . . . . . . . . . . . . . . .
Grfico ilustrativo do comportamento do peso de sunos (kg)
ingesta diria de rao ao longo do perodo de engorda. . . . .
Simulao do lanamento de uma moeda honesta 500 vezes, comportamento de sua

freqncia relativa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Esquema da integral de uma funo densidade de probabilidade. . . . . . . . . . .
Esquema da generalizao terica de histogramas para funes densidade de probabilidade, quando n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Esquema destacando a area acima de 100km/h em uma distribuio de media
60km/h e varincia 400(km/h)2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Esquema destacando a area entre 40 e 100km/h em uma distribuio de media
60km/h e varincia 400(km/h)2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Esquema destacando o intervalo que contem 90% dos veculos em uma distribuio
de media 60km/h e varincia 400(km/h)2 . . . . . . . . . . . . . . . . . . . . . . .
Demonstrao da curva Normal (linha cheira) padro e da curva
tracejada) e 30 (linha pontilhada) graus de liberdade. . . . . . . .
Distribuio F de probabilidade ressaltando a regio de aceitao
homogeneidade de varincias (de 1 at um Fc qualquer). . . . . .
t com
. . . .
de um
. . . .
5 (linha
. . . . .
teste de
. . . . .
3
3
4
21
22
25
28
30
34
44
46
50
52
54
55
65
70
viii
6.3
7.1
7.2
7.3

(a) Ilustrao do teste unilateral superior. (b) Ilustrao do teste bilateral. A area
hachurada representa a regio de rejeio do teste. . . . . . . . . . . . . . . . . . .
Representao de possveis retas (pontilhadas) e aquela estimada por quadrados
mnimos (linha cheia) em uma massa de dados fictcia. . . . . . . . . . . . . . . .
Diagrama de disperso entre a varivel independente volume de gua de coco e a
varivel dependente volume de polpa de coco. . . . . . . . . . . . . . . . . . . . .
Reta de regresso estimada e pontos amostrais. . . . . . . . . . . . . . . . . . . .
73
79
81
83
1
INTRODUO
1.1
Introduo ao R
R uma linguagem e ambiente para computao estatstica e grfica. um projeto GNU

similar linguagem e ambiente S desenvolvida no Bell Laboratories por John Chambers e colaboradores.
O software disponibiliza uma grande variedade de mtodos estatsticos (modelagem linear e
no-linear, testes estatsticos clssicos, sries temporais, classificao, mtodos multivariados, etc)
e tcnicas grficas. Um dos pontos fortes do R a facilidade com que grficos bem delineados e
de alta qualidade para impresso podem ser produzidos com possibilidade de incluso de frmulas
e smbolos matemticos quando necessrio.
Ele se presta a diversas funes, desde uma calculadora cientfica, passando pela integrao e
derivao de funes matemticas, at a realizao de complexas anlises estatsticas.
Alm disso, o R tambm apresenta uma srie de recursos grficos que permitem a descrio
detalhada de todos os aspectos que se pode querer personalizar em um grfico, como cor, tipo e
tamanho de letra, smbolos, ttulos e sub-ttulos, pontos, linhas, legendas, planos de fundo e muito
mais.
1.1.1
Baixando e instalando
O R disponibilizado sob os termos da GNU General Public License da Free Software Foundation na forma de cdigo aberto. Ele pode ser compilado e roda em um grande nmero de
plataformas UNIX e similares (incluindo FreeBSD e Linux). Tambm pode ser compilado e roda
em Windows 9x/NT/2000 e MacOS.
O download do R gratuito de qualquer espelho do site www.r-project.org. Aps entrar nesse
site, clique em CRAN, logo abaixo da palavra Download. Em seguida, escolha um espelho perto de
voc, por exemplo, o espelho da Universidade Federal do Paran: http://cran.br.r-project.org/.

Agora escolha seu sistema operacional, por exemplo, Windows (95 and later). Aqui voc opta
entre baixar o conjunto de pacotes bsicos ou os pacotes contribudos. Supondo que voc est
baixando o R pela primeira vez, escolha a opo base. Nesta pgina o CRAN lhe apresenta
uma srie de opes como o readme, changes, etc. Escolha o arquivo executvel, por exemplo,
R-2.7.0-win32.exe. Pronto! s baixar e executar.
A instalao do R muito fcil e autodirecionada. Nas verses mais recentes possvel,
inclusive, selecionar o idioma Portugus (Brasil) para as barras de menus e mensagens de erro.
Porm, vale notar que, pelo menos at a verso 2.7.0, os nomes das funes, dos atributos e os
helps, continuam em Ingls.
A cada ano, duas verses do R so disponibilizadas no CRAN, pelo menos, uma a cada semestre. Alm disso, sempre existem duas verses disponveis concomitantemente, uma verso alfa
(revisada) e uma verso beta (no revisada, mas mais recente).
1.1.2
Iniciando o R
Uma vez que voc chama o R, em ambiente Windows, sua tela aberta com uma barra de
menu, algumas mensagens bsicas e um prompt vermelho (Figura 1.1).
As informaes bsicas se referem ao registro do R, s suas regras de distribuio, seus colaboradores, como citar o R, como pedir uma demonstrao, como pedir ajuda e como sair do
R.
A barra de menu traz diversos botes de atalho para a manipulao de arquivos, pacotes,
ajudas, etc. O que se v na Figura 1.1, frente do sinal de maior que em vermelho, o prompt.
O prompt herdado de linguagens como o MS-DOS e indica o ponto onde se deve inserir as linhas
de comando. Lembre-se: tudo o que voc disser ao R ficar impresso na tela na cor vermelha e
tudo que o R lhe responder ficar impresso em azul.
Ao tentar sair do R, pela barra de menu ou pelo comando q(), mostrada uma mensagem
perguntando se o usurio deseja salvar a rea de trabalho, ou seja, se os objetos atribudos devem
permanecer com os mesmo valores ou se tudo que foi feito deve ser ignorado (Figura 1.4). Quando
se inicia novamente o R, aps ter salvo a rea de trabalho, os objetos anteriormente criados so
carregados automaticamente. Aconselha-se que toda a informao desejada seja gravada em outro
tipo de arquivo e a rea de trabalho seja raramente salva. Isso evitar confuses quanto ao valor
de objetos ao se fazer uma conta.
1.1.3
Objetos
Mais que um software que realiza anlises estatsticas, R um ambiente e uma linguagem de
programao orientada a objeto. Nele, nmeros, vetores, matrizes, arrays, data frames e listas
podem ficar armazenados em objetos (Figura 1.3). Pode-se entender objeto como uma caixinha
onde voc pode guardar o que quiser. A partir da todas as operaes matemticas podem ser
feitas usando esses objetos. Isso torna as coisas mais simples.
Para criar um objeto s atribuir um valor a um nome, ou seja, quando se coloca um valor
dentro de um objeto, este passa a existir automaticamente. Uma atribuio pode ser feita, basicamente, de duas maneiras, usando o sinal de = ou usando uma seta formada pela juno dos
INTRODUO
Figura 1.1: Tela inicial do R em ambiente Windows.
Figura 1.2: Mensagem ao tentar sair do R, em ambiente Windows.
Nmero
Vetor
Matriz
Nome
Array
Lista
Objeto
Data frame
Figura 1.3: Esquema de um objeto.

sinais de menor que e menos < . Note que essa seta sempre deve levar o valor ao objeto, ou seja,
sempre apontar para o objeto. Portanto, possvel usar a setinha em ambas as direes (< ou
>).
Outro sinal muito til na linguagem R o sinal de comentrio #, ou seja, sinal a partir do
qual o que for escrito no ser interpretado como comando.
(a) Nmero: possvel atribuir apenas um nmero a um objeto. Por exemplo, atribua o nmero
2 ao objeto a e o nmero 5 ao objeto x.
| > a<-2
| > x<-5
#a recebe 2
#x recebe 5
Para verificar quanto vale cada objeto, apenas digite seu nome tecle enter. O um entre
colchetes se refere primeira posio do vetor, ou seja, um nmero entendido com o vetor
de uma posio.
|> a
| [1] 2
Uma vez criados, os objetos podem ser usados em contas, equaes, funes, sistemas etc.
|
|
|
|
|
|
|
> a+x
[1] 7
> a-x
[1] -3
> a*x
[1] 10
> a/x
#soma
#subtrao
#produtos de escales
#diviso
INTRODUO
| [1] 0.4
| > a^x
| [1] 32
#potenciao
O resultado de uma conta, por sua vez, pode ser guardado dentro de um terceiro objeto.
| > c<-2*a + 300/x
|> c
| [1] 64
(b) Vetor: O vetor da linguagem R tem um significado um pouco diferente que o vetor da Matemtica. Para o R, um vetor qualquer conjunto unidimensional de valores. Esses valores
podem ser nmeros, strings (palavras) ou valores lgicos (F para falso e T para verdadeiro).
Em outras palavras, para o R, o vetor tem um significado mais amplo que para a Matemtica.
Para se atribuir um conjunto de valores a um objeto pode-se usar o comando c(), onde os
valores vm separados por vrgulas, dentro dos parnteses.
| > d<-c(5,8,12,3.5,9,1)
|> d
| [1] 5.0 8.0 12.0 3.5
#d recebe um vetor
9.0
1.0
possvel se referir especificamente a uma posio do vetor. Imagine que se deseje saber qual
o valor que ocupa a quarta posio do vetor d. Essa referncia feita enter colchetes, aps o
nome do objeto. | > d[4]
#4a posicao do vetor d
| [1] 3.5
(c) Matriz: Uma matriz atribuda a um objeto pela funo matrix(). Essa funo tem como
argumentos o conjunto de dados, o nmero de linhas e o nmero de colunas da matriz, nessa
ordem. Note que o conjunto de dados deve ser escrito na ordem das colunas, ou seja, como se
as colunas estivessem enfileiradas, umas sobre as outras. Observe o exemplo.
|
|
|
|
|
> e<-matrix(c(5,8,12,3.5,9,1),2,3)
> e
[,1] [,2] [,3]
[1,]
5 12.0
9
[2,]
8 3.5
1
#e recebe uma matriz
Nas matrizes tambm possvel referenciar uma linha, uma coluna ou um elemento. Novamente deve-se usar nmeros entre colchetes, porm respeitando a ordem: primeira posio se
refere a linha e segunda posio se refere a coluna.
| > e[2,] #linha 2 da matriz e
| [1,] 8 3.5 1
| > e[,3] #coluna 3 da matriz e

| [1] 9 1
| > e[1,3]
| [1] 9
#elemento da linha 1, coluna 3
(d) Array: Esse termo em Ingls no possui traduo adequada. Ele representa uma hipermatriz, ou seja, um conjunto de nmeros arranjados em mais de 2 dimenses. Quando tem 3
dimenses, um array pode ser entendido como um conjunto de matrizes de mesma dimenso.
Aqui, a referncia a linhas e colunas a mesma das matrizes, e a terceira posio dos colchetes
se refere ao valor de interesse na terceira dimenso.
O comando usado o array(). Uma forma de atribuir um array a um objeto inserir um
array de zeros (nas dimenses desejadas) e depois preenche-lo com os valores adequados. Outra
opo fazer um vetor que respeite a ordem: por coluna, por matriz; e usa-lo j na construo
do array.
A primeira posio da funo array() se refere aos argumentos das matrizes e a segunda
posio se refere s dimenses do mesmo.
| > f<-array(0,c(2,2,2))
| > f[,,1]<-matrix(c(1,2,3,4),2,2)
| > f[,,2]<-matrix(c(5,6,7,8),2,2)
#array de zeros
#primeira matriz
#segunda matriz
ou
|
|
|
|
|
|
|
|
|
|
|
|
|
> f<-array(c(1,2,3,4,5,6),c(2,2,2))
> f
, , 1
[1,]
[2,]
#de uma s vez
[,1] [,2]
1
3
2
4
, , 2
[,1] [,2]
[1,]
5
7
[2,]
6
8
Analogamente, pode-se perguntar qual o valor que ocupa a primeira linha, da segunda
coluna, da segunda matriz, do objeto f.
| > f[1,2,2]
| [1] 7
(e) Data frame: Essa estrutura de dados uma espcie de tabela, de estrutura bidimensional de
INTRODUO
dados. Podem fazer parte de um mesmo data frame nmeros e strings. Alm disso, podem
ser dados nomes s colunas. Sua funo data.frame(). Veja o exemplo.
|
|
|
|
|
|
|
> g<-data.frame(Marca=c(Wolks,Fiat,Ford),Preo=
+ c(32000,28000,29500))
> g
Marca Preo
1 Wolks 32000
2 Fiat 28000
3 Ford 29500
(f) Lista: Uma lista um conjunto de objetos de tamanhos e naturezas diferentes. Ela regida
pela funo list(). Essa a estrutura mais geral da linguagem R. Suas posies so designadas
por nmeros entre dois parnteses [[ ]]. Considere o exemplo de lista que contm um nmero
na primeira posio, uma matriz na segunda, uma palavra na terceira e um vetor na quarta.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
> h<-list(3,matrix(c(1,2,3,4),2,2),lista,c(5,6,7,8))
> h
[[1]]
[1] 3
[[2]]
[1,]
[2,]
[,1] [,2]
1
3
2
4
[[3]]
[1] "lista"
[[4]]
[1] 5 6 7 8
Suponha que se deseje saber o terceiro elemento do vetor que est alocado na posio quarta
posio da lista h.
| > h[[4]][3]
| [1] 7
1.1.4
Lendo arquivos
A maneira mais fcil de inserir dados em objetos no R a leitura de arquivos. O R pode ler
arquivos de estruturas simples como as extenses .txt e .r. Tambm possvel importar outros
tipos de arquivos mais complexos, como os .xls, mas os procedimentos de importao no so
triviais, e no sero tratados aqui. O que se aconselha, quando se tem um arquivo .xls, salva-lo
como .txt e fazer a leitura normalmente.
Vale lembrar que, quando se salva uma rea de trabalho, apenas os valores dos objetos so
guardados. Todos os comandos dados e todos os resultados no armazenados em objetos so
perdidos.
Por esses motivos, fortemente recomendado que se trabalhe ao R em associao a um editor
de texto da sua preferncia. Alguns editores de texto muito teis so: o script do R, o Bloco de
notas do Windows, o Tinn-R, o WinEdt e o Emacs. Esses editores so usados tanto para elaborar
os arquivos de dados que sero lidos pelo R, quanto para armazenar rotinas (conjuntos de linhas
de comando) para a repetio futura da anlise.
Para ler um arquivo no R, a funo mais usada a read.table(). Essa funo l o arquivo e
o armazena (se desejado) na forma de data frame em um objeto. O primeiro argumento dessa
funo se refere ao nome do arquivo a ser lido. Esse argumento deve vir entre aspas. Entretanto,
o endereo desse arquivo tambm deve ser passado ao R. Para isso, tem-se duas opes: (1) Na
barra de menu, boto Arquivo, mudar diretrio para o lugar onde se encontra o arquivo; (2)
Escrever todo o endereo do arquivo dentro do primeiro argumento da funo read.table(). O
segundo argumento dessa funo se refere ao cabealho (nome) das colunas de dados contidas no
arquivo. Se as colunas tiverem cabealho (header), ento deve-se digitar h=TRUE, caso contrrio,
h=FALSE.
Exemplos de comando de leitura de arquivo quando se muda o diretrio de leitura para o lugar
onde o arquivo est armazenado, e quando o endereo informado na funo.
| > read.table(nome.txt,h=TRUE)
| > read.table(C:\\Meus Documentos\\nome.txt,h=TRUE)
1.1.5
Funes bsicas
Aqui so apresentadas algumas funes de uso constante, pertencentes aos pacotes bsicos do
R:
sum(x): soma todos os elementos de um objeto x.
length(x): retorna o comprimento de um objeto x.
rep(x,n): repete o nmero x, n vezes.
seq(a,b,by=c): gera uma seqncia de nmeros contidos entre a e b, distantes c unidades um do
outro.
table(x): retorna uma tabela com as freqncias absolutas de ocorrncia da cada elemento de x.
INTRODUO
1.1.6
Pedindo ajuda
O jeito mais fcil de se aprender a usar R consultando constantemente seus tpicos de ajuda.
Existem basicamente quatro tipos de ajuda no R:
(a) help(funo()): Essa ajuda deve ser solicitada quando se sabe da existncia de uma funo
(sabe-se seu nome exato), mas existe dvidas em como us-la. Se o pacote que contm essa
funo estiver instalado e carregado, ser aberta a documentao da mesma para esclarecimentos.
(b) help.search( ): Quando se deseja investigar a existncia de uma funo, essa ajuda recebe
uma palavra-chave (em Ingls) e retorna todas aquelas funes que contm aquela palavra
em sua documentao. A busca feita nos pacotes existentes no computador em questo, ou
seja, se uma busca no retornar nenhum resultado adequado, no significa que a funo no
exista. Significa que ela no existe, pelo menos, em seu computador.
(c) Ajuda Html: Essa ajuda pode ser chamada pela barra de menu, no boto Ajuda (Help).
Quando acionada, ela abre um documento em html que contm diversas informaes sobre
o R, sua linguagem, suas funes bsicas, seus pacotes, seus autores, sua licena, perguntas
mais freqentes etc.
(d) RSiteSearch( ): Quando conectado internet, essa ajuda faz a busca de uma palavra-chave
em todas as pginas da internet relacionadas com o R, principalmente aquelas pginas publicadas com as perguntas e respostas das listas de discusses do R. Existem diversos tipos de
listas de discusses que podem ser encontradas na pgina do R. Nelas so tiradas dvidas mais
grave, so dadas sugestes para as novas verses do R, so desvendados e descoberto pequenos
erros de programao etc. Elas colocam os usurios do R em contato com os estatsticos que
fazem e mantm o R.
Quando se deseja saber informaes acerca de uma dada funo existente deve-se digitar help("funo")
ou, simplesmente, ?funo(). Caso se deseje saber se um tpico possui funo no R, o comando
deve ser: help.search("tpico").
10
1.2
Alguns conceitos importantes
Estatstica conjunto de tcnicas para a coleta, organizao, anlise e interpretao de dados,

para a descrio de populaes.
Dado em Estatstica, dado o valor assumido por uma varivel aleatria em um dado experimento.
Populao o todo que se quer descrever. Conjunto de elementos com caractersticas em comum.
Ex.: Deseja-se saber o teor mdio de acar (graus Brix) de uma determinada variedade de
laranja.
CLASSIFICAES DE UMA POPULAO

Finita (ou real): fixa no tempo.
Ex: Conjunto de rvores em um talho.
Infinita (ou conceitual): engloba elementos no existentes.
Ex: Plantas da cultivar carioca que (existiram, existem ou viro a existir).
Espao amostral o conjunto de todos os resultados possveis de serem observados num dado
fenmeno, ou seja, todos os resultados possveis de um experimento. Representado simbolicamente pela letra grega Omega maiscula .
Ex: = {cara, coroa}.
Varivel aleatria a funo que associa um valor na reta real a cada ponto do espao amostral.
INTRODUO
11
Ex.: No lanamento de um dado honesto, o espao amostral composto por suas seis
diferentes faces. A cada uma delas est associado um nmero natural de 1 a 6. Suponha que a
varivel aleatria X descreve o resultado desse lanamento e o dado cai com face
virada para
cima. Nesse caso associamos um valor a este evento, ou seja, x = 4.
Amostra o subconjunto com n elementos da populao.
Censo a observao exaustiva de todos os N elementos da populao.
Evento cada possvel resultado em um experimento. Ex: A face cara cair voltada para cima
no lanamento de uma moeda honesta.
Estatstica experimental tem por objetivo comparar mais de duas populaes simultaneamente
(tratamentos).
TIPOS DE VARIVEIS
QUALITATIVAS
So aquelas variveis que indicam qualidades, atributos, caractersticas no numricas de forma
geral.
(a) Qualitativas nominais:

So aquelas que no permitem uma ordenao natural.
Ex: O conjunto de espcies: Cedro, Cassia e Ip.
(b) Qualitativas ordinais:
Por sua vez, so aquelas que admitem uma ordenao natural.
Ex: O ciclo de uma cultura: precoce, mdio e tardio.
QUANTITATIVAS
Resumem-se a medidas, pesagens ou contagens.
(a) Quantitativas discretas:
So representadas pelas contagens.
Ex: N de espigas por planta de milho.
(b) Quantitativas contnuas:
So representadas pelas medies ou pesagens (R)
Ex: Produtividade (t/ha).
12
1.3
Principais aplicaes da Estatstica
(a) Pesquisa cientfica:

A Estatstica, em muitos momentos, confunde-se com o prprio conceito de fazer cincia1 . Ela
tem o objetivo de administrar a incerteza acerca de um fenmeno, permitindo uma melhor
compreenso do ambiente em que vivemos e permitindo a tomada de decises e a realizao
de previses.
(b) Processos produtivos:
A Estatstica usada diariamente no controle de processos produtivos empresariais por meio
do Controle de Qualidade.
Determinsticos
Principalmente usados na Fsica, Qumica e Matemtica. As

relaes so exatas, ou seja, possveis variaes casuais so
desprezadas.
Ex.: 6CO2 + 6H2 O C6 H12 O6 + 6O2
Probabilsticos
As variaes naturais no so desprezadas e so descritas por

meio de um componente probabilstico.
Ex.: Peso de sunos em funo da quantidade de rao ingerida ao longo de sua engorda (Figura 1.4).
Modelos
(c) Levantamentos em geral:

Um dos usos mais populares da Estatstica se d em censos demogrficos, pesquisas eleitorais,
porm h outros levantamentos importantes para a sociedade como as pesquisas de mercado,
os inventrios florestais, etc.
Este grfico foi feito no R. Quer saber como? D uma olha na rotina.
x<-seq(0,30)
y<--x^2+50*x+5
plot(x,y,l,ylab=Peso (kg),xlab=Ingesta de rao (kg/dia))
e<-rnorm(length(y),0,25)
yo<-y+e
points(x,yo,pch=19)
Cincia o conjunto metdico de conhecimentos obtidos mediante a observao e a experincia. Observao

de evidncias para refutar (ou afirmar) hipteses sobre fenmenos naturais.
13
400
300
0
100
200
Peso (kg)
500
600
INTRODUO
10
15
20
25
30
Ingesta de rao (kg/dia)
Figura 1.4: Grfico ilustrativo do comportamento do peso de sunos (kg) em funo de sua ingesta
diria de rao ao longo do perodo de engorda.
DIAGRAMA DA ESTATSTICA
14
1.4
Bibliografia consultada e recomendada
Bussab, W.O.; Morettin, P.A. Estatstica bsica. 1987. Atual.

Cochram, W.G. Tcnicas de amostragem. 1965. Fundo de Cultura.
Ferreira, D. F. Estatstica bsica. Editora UFLA, Lavras, 2005. 676p.
Meyer, P. Probabilidade: aplicaes estatstica. 1983. LTC.
Oliveira, M.S.; Bearzoti, E.; Vilas Boas, F.L.; Nogueira, D.A.; Nicolau, L.A. Introduo
Estatstica. DEX/UFLA, Lavras, 2005. 329p.
Stevenson, W.J. Estatstica aplicada Administrao. 1981. Harper & Row.
Spiegel, M.R. Estatstica. 1993. McGraw Hill.
Werkema, M.C.C. Srie Ferramentas de Qualidade Total. Vrios volumes. Fundao Christiano Otoni. UFMG.
http://www.est.ufpr.br/paulojus/
http://wikipedia.org/
2
TCNICAS DE SOMATRIO
Notao: Esta a letra grega sigma maiscula: .

Objetivo: O somatrio (ou a somatria) tem por objetivo simplificar a notao de uma soma
de termos, ou seja, de um polinmio.
Figura 2.1: Esquema ilustrativo dos elementos tpicos de um somatrio.
Ex1 : 4 + 4 + 4 =
3
X
4.
i=1
Ex2 : y1 + y2 + y3 + y4 =
4
X
yi .
i=1
k
X
Ex3 : (x1 + y1 ) + (x2 + y2 ) + ... + (xk + yy ) =
(xi + yi )2 .
2
i=1
Ex4 : Seja A = {a1 , a2 , a3 , a4 , a5 } um conjunto de dados. Ento o somatrio dos elementos de

5
X
A pode ser escrito como: a1 + a2 + a3 + a4 + a5 =
ai .
i=1
16

PROPRIEDADES DOS SOMATRIOS
1) Seja a uma constante e X uma varivel aleatria, ento
n
X
axi = a
i=1
n
X
xi .
(2.1)
i=1
Demonstrao:
n
X
axi = ax1 + ax2 + . . . + axn = a(x1 + x2 + . . . + xn ) = a
n
X
i=1
Ex5 :
3
X
xi .
i=1
2yi = 2y1 + 2y2 + 2y3 = 2(y1 + y2 + y3 ) = 2
i=1
3
X
yi .
i=1
2) Sejam X e Y variveis aleatrias, ento

n
! n !
n
X
X
X
xi yi 6=
xi
yi .
i=1
i=1
i=1
Demonstrao:
n
X
xi yi 6=
n
X
i=1
!
xi
n !
X
yi
i=1
i=1
x1 y1 + x2 y2 + . . . + xn yn =
6 (x1 + x2 + . . . + xn ) (y1 + y2 + . . . + yn )
x1 y1 + x2 y2 + . . . + xn yn 6=x1 y1 + x1 y2 + . . . + x1 yn + . . . + x2 y1 + x2 y2 +
+ . . . + x2 y n + . . . + xn y 1 + xn y 2 + + xn y n
Ex6 :
2
X
i=1
2xi 3yi 6=
2
X
i=1
!
2xi
2
X
!
3yi
i=1
2x1 3y1 + 2x2 3y2 =

6 (2x1 + 2x2 ) (3y1 + 3y2 )
2x1 3y1 + 2x2 3y2 =
6 2x1 3y1 + 2x2 3y1 + 2x1 3y2 + 2x2 3y2 .
(2.2)
TCNICAS DE SOMATRIO
17
3) Sejam a e b constantes e X e Y variveis aleatrias, ento

n
X
axi byi = a
i=1
n
X
xi b
i=1
n
X
yi .
(2.3)
i=1
Demonstrao:
n
X
axi + byi = ax1 + ax2 + . . . + axn + by1 + by2 + . . . + byn
i=1
= a(x1 + x2 + . . . + xn ) + b(y1 + y2 + . . . + yn )
n
n
X
X
=a
xi + b
yi .
i=1
i=1
Ex7 :
2
X
3xi + 4yi = 3x1 + 3x2 + 4y1 + 4y2
i=1
= 3(x1 + x2 ) + 4(y1 + y2 )
=3
2
X
xi + 4
i=1
2
X
yi .
i=1
4) Seja k uma constante, ento

n
X
k = nk
(2.4)
i=1
Demonstrao:
n
X
i=1
n
X
i=1
k = |k + k +
{z. . . + k} = nk.
n
k=k
n
X
i=1
= k(1| + 1 +{z. . . + 1}) = nk.

n
Ex7 :
4
X
i=1
5 = 5| + 5 +
{z. . . + 5} = 4 5 = 20.
4
Ou ento,
18
O R possui uma funo bsica chamada sum(). Essa funo faz a soma de todos os
elementos de um objeto que for seu argumento: sum(objeto). Por exemplo:
x<-c(4,3,6,2,1,3,2,4,5)
sum(x)
Se voc desejar somar apenas alguns valores de seu objeto (por exemplo, os valores da posio a at a posio b, em um vetor), s indicar o intervalo desejado da seguinte maneira:
sum(objeto[a:b]).
sum(x[2:5])
3
ESTATSTICA DESCRITIVA
3.1
Introduo
Um bom trabalho de coleta de dados experimentais pode render uma massa de dados confivel,
porm desordenados, isto , brutos. Na sua forma bruta os dados no querem dizer muita coisa,
isto , no so considerados informao. Por isso, o objetivo da Estatstica Descritiva apresentar
uma srie de tcnicas de descrio de dados vlidas para censos e amostras.
ALGUMAS DEFINIES PERTINENTES
Freqncia de forma geral, indica com que freqncia determinado valor (ou intervalo de valores) ocorre na massa de dados.
Distribuio de freqncia a funo que associa valores da varivel com suas freqncias de
ocorrncia.
Tipos de freqncia
(a) Freqncia absoluta (fa): representa o nmero de vezes que um valor (ou intervalo) ocorre nos
dados.
(b) Freqncia relativa (fr): representa, em forma decimal, a proporo de ocorrncias de um

valor em relao ao tamanho da massa de dados,
fr =
fa
.
n
(3.1)
(c) Freqncia percentual (fp): representa, em forma percentual, a proporo de ocorrncias de

um valor em relao ao tamanho da massa de dados,
f p = f r 100.
(3.2)
20
3.2
Variveis qualitativas
Experimentos ou pesquisas que possuem como foco variveis qualitativas podem ser descritos
(resumidos) por meio de distribuies de freqncia e suas representaes grficas. A seguir, um
exemplo ilustra o procedimento.
Ex.: Um engenheiro agrnomo faz um levantamento das principais atividades agrcolas em uma
amostra contendo 20 propriedades de certa regio. O croquis a seguir representa esquematicamente
o resultado da pesquisa.
C
C
L
M
L
So
C
M
S
L
LA
C
C
C
C
M
L
C
M
L
Massa de dados: amostra.

Populao: finita: conjunto de todas as propriedades rurais desta regio que atualmente
apresentam atividades agrcolas.
Varivel aleatria: qualitativa nominal: atividade agrcola.
Valores assumidos pela varivel aleatria na pesquisa: caf (C), leite (L), silvicultura (S),
milho (M), soja (So), laranja (LA).
Distribuio de freqncia:
Tabela 3.1: Distribuio de freqncias absolutas (f a), relativa (f r) e percentual (f p) da atividade

em propriedades de uma regio.
Atividade
Caf
Leite
Milho
Outras
Total
fa
8
5
4
3
20
fr
0,40
0,25
0,20
0,15
1,00
f p (%)
40,00
25,00
20,00
15,00
100,00
Fonte: Dados fictcios.
Nota: classes pouco freqentes podem ser agrupadas em uma categoria outras, em ltimo
lugar.
21
Pode-se facilmente fazer uma distribuio de freqncias no R compondo-se um objeto

(df ) de forma conveniente. No exemplo:
at<-c(C,L,L,M,C,M,So,L,L,C,M,C,S,L,C,LA,C,M,
C,C)
tab.at<-table(at)
df<-matrix(0,5,3)
colnames(df)<-c("fa","fr","fp")
rownames(df)<-c("Caf","Leite","Milho","Outras","Total")
df[1,1]<-tab.at["C"]
df[2,1]<-tab.at["L"]
df[3,1]<-tab.at["M"]
df[4,1]<-sum(tab.at["So"], tab.at["S"], tab.at["LA"])
df[5,1]<-length(at)
for(i in 1:5)
{df[i,2]<-df[i,1]/length(at)}
for(i in 1:5)
{df[i,3]<-df[i,2]*100}
REPRESENTAES GRFICAS DA DISTRIBUIO DE FREQNCIA
Milho Outras
Leite
Atividade
0.3
0.2
0.0
Cafe
0.1
Freqncia relativa
0.4
GRFICO DE BARRAS E COLUNAS
Cafe
Leite
Milho
Atividade
Outras
0.0
0.1
0.2
0.3
Freqncia relativa
0.4
(a)
(b)
Figura 3.1: (a) Grfico de colunas das principais atividades em propriedades rurais. (b) Grfico
de barras da mesma situao.
22
Reproduza em seu computador a rotina do grfico de barras. . .

gc<-barplot(df[1:4,2],xlab="Atividade",ylab="Freqncia relativa",
col = gray(seq(0.4,1.0,length=4)))
. . . e do grfico de colunas
gc<-barplot(df[1:4,2],horiz=TRUE,ylab="Atividade",xlab="Freqncia relativa",
col = gray(seq(0.4,1.0,length=4)))
Note que os grficos de barras e colunas so feitos com a mesma funo (barplot), a nica
diferena o argumento horiz que deve ser verdadeiro no caso das barras. Mas lembre-se,
troque o nome dos eixos ao inverter o grfico ou eles ficaro trocados.
GRFICO DE PIZZA OU SETOGRAMA
O grfico de pizza, torta ou setograma um crculo com setores de rea proporcional s

freqncias de ocorrncia de cada valor da varivel aleatria.
Cafe
Leite
Outras
Milho
Figura 3.2: Setograma ou grfico de pizza.
23
Confira como fazer um setograma no R:

pie(df[1:4,2], col = gray(seq(0.4,1.0, length=4)), radius = 1.05)
A funo pie exige como argumento um objeto contendo nmeros decimais que somem
1, ou seja, freqncias relativas.
3.3
Variveis quantitativas discretas
Variveis quantitativas discretas podem ser vistas como casos particulares de variveis quantitativas contnuas. Pode-se tratar uma massa de dados de variveis quantitativas discretas como
se fosse de variveis qualitativas, ou seja, cada valor assumido pela varivel pode ser visto como
uma classe. Porm, quando a varivel, apesar de assumir valores discretos, puder assumir uma
quantidade muito grande de valores, ela pode ser tratada como uma varivel quantitativa contnua, ou seja, construindo-se classes. Os procedimentos indicados para a manipulao de variveis
quantitativas contnuas sero apresentados a seguir.
A representao grfica das variveis quantitativas discretas se d de forma semelhante a das
qualitativas ordinais.
Veja o seguinte exemplo real: uma pesquisa da Secretaria de Sade Pblica de um municpio
investigou o nmero de filhos por casal. A seguir est apresentada uma parte dos resultados
obtidos:
3
1
4
0
3
2
1
1
3
3
2
2
1
2
1
4
2
2
2
1
4
1
4
4
1
1
3
0
2
1
2
3
4
3
4
0
3
3
3
3
A Tabela 3.2 apresenta a distribuio de freqncia do nmero de filhos por casal em um

determinado municpio.
Tabela 3.2: Distribuio de freqncias absolutas (f a), relativa (f r) e percentual (f p) do nmero
de filhos por casal de uma cidade.
Classes
0
1
2
3
4
Total
fa
3
10
9
11
7
40
fr
0,075
0,250
0,225
0,275
0,175
1,000
f p (%)
7,50
25,00
22,50
27,50
17,50
100,00
24
De forma semelhante, pode-se fazer uma distribuio de freqncias no R compondo-se

um objeto (df ). No exemplo:
filhos<-c(3,4,3,1,3,2,1,1,2,2,4,4,1,3,2,2,4,4,3,3,1,0,2,1,3,2,2,4,2,1,1,4,1,0,
1,3,3,0,3,3)
tab.filhos<-table(filhos)
df<-matrix(0,6,3)
rownames(df)<-c(0,1,2,3,4,"Total")
df[1,1]<-tab.filhos["0"]
df[6,1]<-length(filhos)
for(i in 1:6)
{df[i,2]<-df[i,1]/length(filhos)}
for(i in 1:6)
{df[i,3]<-df[i,2]*100}
GRFICO DE LINHAS
Uma das formas de representar graficamente a distribuio de freqncias de variveis quantitativas discretas o grfico de linhas. Ao contrrio do que se costuma chamar de grfico de
linhas, esse um grfico que representa as alturas de cada ocorrncia da varivel por meio de
linhas (Figura 3.3). Esse o limite do grfico de colunas quando a largura da coluna tende a zero.
Isso faz sentido j que, nesse caso, a classe se resume a um ponto, ou seja, a amplitude de classe
(c) zero.
Apesar de no fazer muito sentido, o grfico de colunas tem sido muito utilizado para representar variveis quantitativas discretas devido a seu apelo visual. A Figura 3.3 tambm apresenta
o grfico de colunas para esse exemplo.
Representao da distribuio de freqncias de uma varivel qualitativa:

gl<-plot(df[1:5,2], type="h", xlab="Nmero de filhos",ylab="fr")
#linhas
gb<-barplot(df[1:5,2],col=gray(seq(0.4,1.0,length=5)),xlab="Nmero de filhos",
ylab="fr")
#colunas
0.20
0.10
0.15
fr
fr
0.00 0.05 0.10 0.15 0.20 0.25
25
0.25
Nmero de filhos
Nmero de filhos
(a)
(b)
Figura 3.3: (a) grfico de linhas da varivel nmero de filhos por casal. (b) grfico de colunas da
mesma varivel.
3.4
Variveis quantitativas contnuas
Aqui se descreve uma seqncia de passos indicados para a construo de uma distribuio
de freqncias para variveis quantitativas contnuas. No entanto, importante ressaltar que
essa apenas uma de uma infinidade de maneira que se poderia construir uma distribuio de
freqncia eficiente e compreensvel. Portanto, na literatura especializada facilmente pode-se
encontrar diferentes sugestes de procedimento.
(1) Determinar o nmero de classes (k):
Critrio
emprico

n, se n < 100
k'
5 log n, se n > 100
Critrio de Scott (1979)

An1/3
k '1+
3, 495
n: nmero de elementos da amostra.

(2) Clculo da Amplitude Total (A):
A = M V O mvo,
(3.3)
em que M V O o maior valor observado; e mvo o menor valor observado.

(3) Clculo da amplitude de classe (c):
Sejam as seguintes frmulas, se a massa de dados em questo se tratar de censos
c=
A
k
(3.4)
26

ou amostras
A
.
k1
(3.5)
LI1 = mvo
(3.6)
c
LI1 = mvo .
2
(3.7)
LSi = LIi + c
(3.8)
LSi = LIi+1 ,
(3.9)
c=
(4) Limite inferior da primeira classe (LI1 ):

Em censos:
ou amostras
(5) Demais limites:

e
para todo i = 1, . . . , k.
Para ilustrar a seqncia de passos descrita, considere o seguinte exemplo: Em uma linha de
envasamento de potinhos de canela em p, a especificao ench-los com 50g do produto. Se
a envasadora colocar mais que o especificado, a empresa estar sendo lesada. Caso contrrio,
o consumidor ser enganado. Por isso, conveniente fazer o acompanhamento dos potinhos
envasados. Coletou-se uma amostra de 50 potinhos dessa linha de produo, que aqui so dispostos
em ordem crescente, em g.
45,2
48,5
50,5
55,0
45,3
48,8
50,6
55,2
45,4
48,8
50,8
55,3
45,7
49,1
51,0
55,7
Portanto,
(1) n < 100 k =
45,9
49,2
51,1
55,7
46,1
49,3
51,4
A
k1
10,5
71
(4) LI1 = 45, 2
46,2
49,8
51,6
46,5
49,9
51,7
n = 50 = 7, 07 7 classes.
(2) A = 55, 7 45, 2 = 10, 5g

(3) c =
46,1
49,7
51,6
= 1, 75g
1,75
2
44, 33g
46,6
50,1
51,9
46,9
50,2
52,5
47,9
50,3
52,7
48,1
50,4
52,8
48,1
50,5
53,0
48,3
50,5
54,9
27
Tabela 3.3: Distribuio de freqncias absoluta (f a), relativa (f r) e percentual (f p) do peso

observado em potinhos de canela em p.
Classes
[44, 33; 46, 08)
[46, 08; 47, 83)
[47, 83; 49, 58)
[49, 58; 51, 33)
[51, 33; 53, 08)
[53, 08; 54, 83)
[54, 83; 56, 58)
Total
fa
5
6
10
14
9
0
6
50
fr
0,10
0,12
0,20
0,28
0,18
0,00
0,12
1,000
f p (%)
10,0
12,00
20,00
28,00
18,00
00,00
12,00
100,00
Veja como construir uma distribuio de freqncias de uma varivel quantitativa contnua:
canela<-c(45.2,45.3,45.4,45.7,45.9,46.1,46.1,46.2,46.5,46.6,46.9,47.9,48.1,48.1,
48.3,48.5,48.8,48.8,49.1,49.2,49.3,49.7,49.8,49.9,50.1,50.2,50.3,50.4,50.5,
50.5,50.5,50.6,50.8,51.0,51.1,51.4,51.4,51.6,51.7,51.9,52.5,52.7,52.8,53.0,
54.9,55.0,55.2,55.3,55.7,55.7)
df<-matrix(0,8,3)
rownames(df)<-c([44,33;46,08),[46,08;47,83),[47,83;49,58),[49,58;51,33),
[51,33;53,08),[53,08;54,83),[54,83;56,58),Total)1
tab.canela<-table(cut(canela,breaks=c(44.33,46.08,47.83,49.58,51.33,53.08,
54.83,56.58)))
df[1:7,1]<-tab.canela
df[8,1]<-length(canela)
for(i in 1:8)
{df[i,2]<-df[i,1]/length(canela)}
for(i in 1:8)
{df[i,3]<-df[i,2]*100}
HISTOGRAMA
A representao grfica mais usada para representar variveis quantitativas contnuas o histograma. Histogramas so grficos de barras verticais justapostas em um eixo contnuo. Neles,
o eixo x recebe a varivel em estudo, ou seja, abriga as classes. A largura das colunas representa a amplitude das classes. O eixo y recebe as freqncias (absolutas, relativas, percentuais ou
densidades de freqncia).
28
Densidades de freqncia so razes entre as freqncias de ocorrncia e as amplitudes de classe.

Elas traduzem o que realmente acontece nas classes quando elas possuem amplitudes diferentes,
df ii =
fi
,
ci
(3.10)
com i variando da classe 1 classe k.

Podem ser calculadas densidades de freqncia absolutas, relativas ou percentuais, de acordo
com o interesse, dividindo-se as respectivas freqncias pelas amplitudes. Contudo, aconselha-se o
uso das densidades de freqncia relativas (dfr), pois no histograma, quando a altura das colunas
representa a dfr, a rea corresponde freqncia relativa ou probabilidade.
Nota: Aconselha-se evitar construir classes vazias, pois elas so pouco informativas. No exemplo da canela em p, as classes 6 e 7 podem ser fundidas em uma s classe. Dessa forma, a
freqncia relativa passa a valer 0,12 e a amplitude de classe vale 3,5g. Ento, por exemplo,
calculando-se a dfr, tem-se
0, 00 + 0, 12
df r6 =
= 0, 0343.
3, 5
0.00
0.00
0.05
0.05
Dfr
Dfr
0.10
0.10
0.15
0.15
Dessa maneira pode-se construir o histograma referente ao exemplo (Figura 3.4).

Outro dispositivo visual comumente usado o polgono de freqncia. O polgono de freqncia
nada mais do que a unio, por meio de segmentos de reta, dos pontos mdios das classes (Figura
3.4).
Podem ser teis tambm as freqncias absolutas acumuladas para cima (ou acima de) e para
baixo (ou abaixo de). Podendo informar, por exemplo, quantos potinhos de canela em p contm
menos de 48g. Uma tabela pode ser construda para demonstrar essas freqncias explicitando-se
os limites das classes e quantos elementos da amostra se encontram abaixo ou acima daquele valor
(Tabela 3.4). Os dispositivos grficos usados para represent-las chamam-se ogivas (Figura 3.5).
44
46
48
50
52
Canela em p (g)
(a)
54
56
44
46
48
50
52
54
56
Canela em p (g)
(b)
Figura 3.4: (a) Histograma do peso de potinhos de canela em p em uma linha de produo. (b)
O mesmo histograma com polgono de freqncia.
29
Tabela 3.4: Freqncias absolutas acumuladas abaixo (Fa) e acima de (Fa).

Limite de classe (g)
44,33
46,08
47,83
49,58
51,33
53,08
54,83
56,58
Fa
0
5
11
21
35
44
44
50
Fa
50
45
39
29
15
6
6
0
A rotina para construir histogramas usa a funo hist() do R. Nela atributos como a
densidade de freqncia relativa e cores das colunas pode ser facilmente modificados. Figura
3.4(a):
h<-hist(canela,breaks=c(44.33,46.08,47.83,49.58,51.33,53.08,56.58),freq=FALSE,
ylab="Dfr",xlab="Canela em p (g)",main="",col=gray(seq(0.1,1.0,length=6)))
Figura 3.4(b) (alm da rotina para a Figura 3.4(a)):
points(h$mids,h$density,"l")
A seguir, a rotina usada para construir a Figura 3.5.

lim<-c(44.33,46.08,47.83,49.58,51.33,53.08,54.83,56.58)
ab<-c(0, 5, 11, 21, 35, 44, 44, 50)
ac<-c(50, 45, 39, 29, 15, 6, 6, 0)
plot(lim,ab,l,ylab=Freqncia acumulada,xlab=Canela em p (g))
points(lim,ac,"l")
30
20
0
10
Freqncia acumulada
40
50
30
44
46
48
50
52
54
56
Canela em p (g)
Figura 3.5: Ogivas representando as freqncias absolutas acumuladas acima de e abaixo de e seu
respectivo cdigo em R.
3.5
Medidas de posio
Quando se tratam de variveis quantitativas, os dados podem ser resumidos sob a forma de
distribuies de freqncia ou por medidas descritivas. Medidas descritivas so formas de, em um
nico nmero, tentar expressar a informao trazida pelos dados.
As duas categorias de medidas descritivas so: medidas de posio e medidas de disperso.
As medidas de posio indicam a posio global dos dados na escala de valores possveis.
3.5.1
Mdia (Me)
Outras notaes que voc pode encontrar so: , r e Y .

Dados no agrupados
n
X
Yi
Y =
n
i=1
Dados agrupados
k
X
Y =
f ri m i
i=1
sendo mi o ponto central da classe i,

mi =
LSi + LIi
.
2
(3.11)
31
PROPRIEDADES DA MDIA
Sejam X e Y variveis aleatrias e k uma constante.
= Y + k.
(1) Se X = Y + k, ento X
Demonstrao:
=
X
Pn
i=1
Xi
n
x1 + x2 + . . . + xn
=
n
(y1 + k) + (y2 + k) + . . . + (yn + k)
=
n
(y1 + y2 + . . . + yn ) + (k + . . . + k)
=
n
(y1 + y2 + . . . + yn ) + nk
=
n
Pn
Yi
= i=1 + k
n
= Y + k
= Y k
(2) Se X = Y k, ento X
Demonstrao:
=
X
Pn
i=1
Xi
n
x1 + x2 + . . . + xn
=
n
(y1 k) + (y2 k) + . . . + (yn k)
=
n
y1 + y2 + . . . + yn
=
k
n
Pn
Yi
= i=1 k
n
= Y k
32

(3) Seja ei = yi y o i-simo desvio, ento, para i = 1, . . . , n,
Pn
i=1 ei
= 0.
Demonstrao:
n
X
ei =
i=1
n
X
(yi y)
i=1
=
=
=
=
n
X
i=1
n
X
i=1
n
X
i=1
n
X
yi
yi
i=1
n
n
X
X
i=1
i=1
n
X yi
yi n
yi
i=1
3.5.2
n
X
i=1
n
X
yi
n
yi = 0
i=1
Mediana (Md)
aquele elemento que ocupa a posio central, ou seja, divide a massa de dados em duas
partes iguais.
Dados no agrupados
(porm, ordenados)
, se n mpar
y n+1
2
M d(Y ) =
y n2 +y n2 +1 , se n par
2
Dados agrupados
o valor que separa a rea do grfico em
duas partes iguais.2
Ex.: Y = {3, 5, 6, 8, 9} M d(Y ) = 6 e y = 6, 2
PROPRIEDADES DA MEDIANA
(1) Se X = Y + k, ento, M d(X) = M d(Y ) + k.
Demonstrao:
Se n mpar:
M d(X) = x n+1
2
= y n+1 + k
2
= M d(Y ) + k
33
Se n par:
y n2 + y n2 +1
2
x n2 + k + x n2 +1 + k
=
2
x n2 + x n2 +1 + 2k
=
2
x n2 + x n2 +1
=
+k
2
= M d(Y ) + k
M d(X) =
(2) Se X = Y k, ento, M d(X) = M d(Y ) k.

Demonstrao:
Se n mpar:
M d(X) = x n+1
2
= y n+1 k
2
= M d(Y ) k
Se n par:
y n2 + y n2 +1
2
x n2 k + x n2 +1 k
=
2
x n2 + x n2 +1
=
k
2
= M d(Y ) k
M d(X) =
34
3.5.3
Moda (Mo)
valor mais freqente, aquele que mais se repete.

Variveis discretas
Verifica-se o valor que mais se repete.
Variveis contnuas
Aconselha-se trabalhar com dados agrupados, pelo mtodo de Czuber.
MTODO DE CZUBER
O mtodo de Czuber permite encontrar-se a moda em dados agrupados. Como era de se
esperar, a moda estar contida na classe mais freqente ou, no histograma, a coluna mais alta.
Essa classe recebe o nome de classe modal. Dentro da classe modal a moda se situar mais prximo
quela classe adjacente que for mais consecutivamente mais alta. Analise a frmula e entenda sua
lgica no histograma ilustrativo da Figura 3.6.
M o(Y ) = LIM +
1
cM ,
1 + 2
(3.12)
sendo 1 = Df rM Df rM 1 e 1 = Df rM Df rM +1 .
0.00
0.05
dfr
0.10
0.15
Em que LIM o limite inferior da classe modal; Df rM a densidade de freqncia relativa da

classe modal; Df rM 1 a densidade de freqncia relativa da classe anterior modal; Df rM a
densidade de freqncia relativa da classe posterior modal; cM : amplitude da classe modal.
44
46
48
50
52
54
56
Varivel
Figura 3.6: Histograma ilustraando geometricamente mtodo de Czuber.
35
Esta a rotina usada para fazer o grfico da Figura 3.6:

h<-hist(canela,breaks=c(44.33,46.08,47.83,49.58,51.33,53.08,54.83,56.58),
main=,freq=FALSE,ylab=dfr,xlab=Varivel,col=gray(seq(0.1,1.0,length=6)))
points(c(49.58,51.33),c(h$density[3],h$density[4]),"l")
points(c(49.58,51.33),c(h$density[4], h$density[5]),"l")
points(c(50.357,50.357), c(0.134,0),"l")
PROPRIEDADES DA MODA
(1) Se X = Y + k, ento, M o(X) = M o(Y ) + k.
Demonstrao:
M o(X) = x mais freqente.
= y mais freqente + k
= M o(Y ) + k
(2) Se X = Y k, ento, M o(X) = M o(Y ) k.
Demonstrao:
M o(X) = x mais freqente.
= y mais freqente k
= M o(Y ) k
Das medidas de posio apresentadas, apenas a moda no se encontra implementada nos

comandos bsicos do R.
ex<-c(3,5,6,8,9)
mean(ex)
median(ex)
#mdia
#mediana
INFLUNCIA SOFRIDA POR DADOS EXTREMOS:
Me > Md > Mo
36
3.6
Medidas de disperso
As medidas de disperso indicam quanto os dados variam.

Considere o seguinte exemplo: Imagine trs situaes distintas em que certa varivel X
medida em quatro observaes (quatro elementos em cada amostra). Os trs conjuntos de dados
resultantes esto explicitados na tabela a seguir. Caso voc aplique nesses conjuntos de dados as
medidas de posio conhecidas at o momento, o resultado ser exatamente o mesmo, sugerindo
que as trs massas de dados so iguais. Mas isso claramente no verdade! O que fazer?
Observao
1
2
3
4
x
M d(x)
M o(x)
I
100
100
100
100
100
100
100
II
80
100
100
120
100
100
100
III
10
100
100
190
100
100
100
Fica claro que as medidas de posio, por si s, no so suficientes para descrever um conjunto
de dados. No exemplo, os trs conjuntos de dados diferem quanto variabilidade. Por exemplo, o
conjunto III varia muito mais que os outros dois. A est evidenciada a importncia das medidas
de disperso ou variabilidade.
3.6.1
Amplitude (A)
Amplitude total (ou simplesmente Amplitude), como j mencionando na construo de histogramas, o intervalo total de variao dos dados.
A = M V O mvo
No exemplo,
Amplitude
I
100 100 = 0
II
120 80 = 40
III
190 10 = 180
Os conjuntos j comeam a mostrar suas diferenas. Mas h uma desvantagem: amplitudes

s podem ser comparadas se os conjuntos tiverem o mesmo nmero de dados. intuitivo que se
dois conjuntos apresentam nmeros de elementos diferentes, o conjunto maior tem mais chance
de ter uma amplitude tambm maior. Nesse caso, a diferena entre as amplitudes dos conjuntos
refletiria a diferena no nmero de elementos e no a variabilidade dos dados.
Alm disso, essa uma medida de disperso limitada, pois s leva em conta valores os extremos.
Considere agora os conjuntos de dados:
I
II
5 15
5 10
15 15 40
20 30 40
AI = 35
AII = 35
Os conjuntos so diferentes, apresentam variabilidades diferentes, porm a amplitude no conseguiu detectar esse fato.
37
PROPRIEDADES DA AMPLITUDE
(1) Se X = Y + k, ento, A(X) = A(Y ).
Demonstrao:
A(X) = M V Ox mvox
= (M V Oy + k) (mvoy + k)
= M V Oy mvoy = A(Y )
(2) Se X = Y k, ento, A(X) = A(Y ) k.
Demonstrao:
A(X) = M V Ox mvox
= (M V Oy k) (mvoy k)
= (M V Oy mvoy ) k
= A(Y ) k
3.6.2
Varincia e Desvio Padro
A varincia e o desvio padro so as duas medidas de disperso mais usadas. Elas so grandezas
proporcionais, por isso sero tratadas em um mesmo tpico.
Ambas se valem de todas as observaes para calcular suas quantidades e se baseiam no desvio
em relao mdia
ei = yi y.
VARINCIA
Notao: normalmente, a varincia da populao designada pela letra grega sigma minsculo
ao quadrado ( 2 ); e a varincia da amostra, pela letra S 2 (quando se tratar da varivel aleatria)
e s2 (quando se tratar de uma estimativa de S 2 ).
Se X uma varivel aleatria V (X) tambm denota a Varincia de X.
Censos
n
X
e2i
2
i=1
Amostras
n
X
e2i
2
S =
i=1
n1
Dados agrupados
Sendo mi o ponto mdio da classe i (i = 1, 2, . . . , k).

No exemplo,
k
X
i=1
f ri (mi y)2
38
Varincia
I
0
II
266,67
III
5400
Nesse caso, a varincia identificou a diferena na variabilidade dos conjuntos, porm seu valor
absoluto no interpretvel praticamente porque ela se expressa no quadrado da unidade dos
dados. Por exemplo, o peso de um grupo de bovinos alimentados com certa rao varia 266, 67kg 2 .
(!!??)
PROPRIEDADES DA VARINCIA
(1) Se X = Y + k, ento, V (X) = V (Y ).
Demonstrao:
Pn
V (X) =
2
i=1 ei
n1
Pn
(xi x)2
= i=1
n1
Pn
(yi + k (
y + k))2
= i=1
n1
Pn
(yi y)2
= i=1
= V (Y )
n1
(2) Se X = Y k, ento, V (X) = V (Y ) k 2 .

Demonstrao:
Pn
V (X) =
2
i=1 ei
n1
Pn
)2
i=1 (xi x
=
n1
Pn
y k))2
i=1 (yi k (
=
n1
Pn
) k)2
i=1 ((yi y
=
n1
Pn
)2
i=1 (yi y
=
k2
n1
= V (Y ) k 2
39
DESVIO PADRO
Notao: O desvio padro recebe a mesma notao que a varincia, porm sem o quadrado,
ou seja, o desvio padro da populao designado por ; e o desvio padro da amostra, por S
(varivel aleatria) ou s (estimativa de S).
Se X uma varivel aleatria DP (X) tambm denota o Desvio Padro de X.
Censos
= 2
Amostras
S = S2
No exemplo,
Desvio Padro
I
0
II
16,33
III
73,48
Alm de utilizar todos os dados para computar sua medida de variabilidade, o desvio padro
ainda retorna um valor expresso na unidade dos dados, o que o torna mais facilmente interpretvel.
Por exemplo, quando se diz que o peso de bovinos alimentados com certa rao costuma variar
16,33kg ao redor da sua mdia de peso, o leitor consegue ter uma idia prtica da variao.
PROPRIEDADES DO DESVIO PADRO
(1) Se X = Y + k, ento, DP (X) = DP (Y ).
Demonstrao:
p
DP (X) =
V (X)
= V (Y )
= DP (Y )
(2) Se X = Y k, ento, DP (X) = DP (Y ) k.
Demonstrao:
DP (X) =
V (X)
= V (Y ) k 2
= DP (Y ) k
40
3.6.3
Coeficiente de Variao (CV)
O Coeficiente de variao uma medida de variabilidade padronizada, ou seja, expressa percentualmente a variao dos dados em relao mdia.
Censos
CV (%) =
Amostras
S
CV (%) =
X
Sua grande vantagem permitir a comparao de grandezas diferentes, que esto em unidades
diferentes (por exemplo: o que mais varivel, o ganho de peso de sunos ou a altura de plantas
de milho?).
Por outro lado, ele possui srias restries de uso e inspira cuidados. Primeiro, quando a
mdia da varivel aleatria em questo tende a zero, o CV tende ao infinito (o que no faz sentido
prtico). Segundo, de acordo com as propriedades da mdia a do desvio padro, a adio de
uma constante s observaes altera a mdia da nova varivel aleatria, mas no altera seu desvio
padro, ou seja, por meio de algumas transformaes de variveis o CV pode ser criminosamente
manipulado.
No exemplo,
CV(%)
I
0
II
16,33
III
73,48
Nesse caso a interpretao se torna ainda mais imediata, porm no podemos nos esquecer das
ressalvas feitas anteriormente.
PROPRIEDADES DO COEFICIENTE DE VARIAO
(1) Se X = Y + k, ento,
CV (X) < CV (Y ), se k > 0

CV (X) > CV (Y ), se k < 0
Demonstrao:
DP (X)
X
DP (Y + k)
=
Y +k
DP (Y )
=
Y +k
CV (X) =
DP (Y )
DP (Y )
Se k > 0, ento
<
Y +k
Y
DP (Y )
DP (Y )
>
Se k < 0, ento
Y +k
Y
41
(2) Se X = Y k, ento, CV (X) = CV (Y ).

Demonstrao:
DP (X)
X
DP (Y k)
=
Y k
DP (Y ) k
=
Y k
DP (Y )
=
= CV (Y )
Y
CV (X) =
As medidas de disperso encontradas de forma direta no R so a varincia e o desvio

padro, porm a amplitude e o CV podem ser implementados facilmente pode segue:
c1<-c(100,100,100,100)
c2<-c(80,100,100,120)
c3<-c(10,100,100,190)
Ac1<-range(c1)[2]-range(c1)[1]
var(c2)
sd(c2)
CVc3<-sd(c3)/mean(c3)*100
#Amplitude
#Varincia
#Desvio padro
#Coeficiente de variao
42
4
PROBABILIDADE
Para todos ns, noes de probabilidade ou respostas intuitivas a questes de probabilidade

so comuns desde a mais tenra idade. Qualquer pessoa, por menos conhecimento estatstico que
tenha capaz de responde pergunta: Qual a probabilidade de se retirar uma carta de ouros de
um baralho honesto?
Fazemos intuitivamente: Se um baralho honesto tem 13 cartas do naipe ouros e o total de
13
1
cartas do baralho 52, ento a chance de uma carta de ouros ser tirada ao acaso
= =1:4
52
4
ou 25%.
Formalizando o que foi feito intuitivamente, temos
P (A) =
|B|
|C|
(4.1)
em que | | a cardinalidade de um conjunto;1 A um evento e; B e C so conjuntos. Mais especificamente, B o conjunto que contm todos os eventos de interesse e C o espao amostral ().
No exemplo, B = {x|x uma carta do naipe de ouros} e C = {x|x uma carta do baralho} 2 .
LEI DOS GRANDES NMEROS
A lei dos grandes nmeros um conceito fundamental em Estatstica e Probabilidade que
descreve como a mdia de uma amostra, suficientemente grande e selecionada aleatoriamente, se
torna provvel de estar perto da mdia da populao. Uma definio e trazida pelo site Wikipdia
(2006): "Se um evento de probabilidade p for observado repetidamente ao longo de realizaes
independentes, a relao da freqncia observada desse evento ao nmero total das repeties
converge para p enquanto o nmero das repeties se torna arbitrariamente grande."Dizendo com
outras palavras e colocando no contexto da construo de histogramas, pode-se entender que
quando n , as freqncias das classes tendem a se estabilizar.
Considere o seguinte exemplo: no lanamento de uma moeda honesta qual a probabilidade de
sair cara? Resp.: 50%. Isto intuitivo devido lei dos grandes nmeros.
Figura 4.1 traz a simulao de 500 lanamentos de uma moeda honesta, a contagem do nmero
de caras obtidas em cada lanamento e a plotagem da freqncia relativa de caras (nmero de
caras/nmeros de lanamentos). Note que, quanto mais n (nmero de lanamentos) aumenta,
1
2
Cardinalidade: nmero de elementos de um conjunto.

Para uma perfeita compreenso deste captulo necessria uma reviso de Teoria dos Conjuntos.
44
0.8
0.7
0.6
0.4
0.5
Freqncia Relativa
0.9
1.0
mais a freqncia relativa tende a se estabilizar em 50%, o que corrobora a afirmao intuitiva
anterior.
100
200
300
400
500
Nmero de lanamentos
Figura 4.1: Simulao do lanamento de uma moeda honesta 500 vezes, comportamento de sua
freqncia relativa.
Rotina R da simulao do lanamento de uma moeda honesta 500 vezes.

cara<-0
fr<-vector("numeric",500)
for (i in 1:500)
{
moeda<-runif(1,0,1)
if (moeda>0.5) {cara<-cara+1}
fr[i]<-cara/i
}
x<-seq(1:500)
plot(x,fr,"l",xlab="Nmero de lanamentos",ylab="Freqncia Relativa")
abline(h=.5,lty=3)
PROBABILIDADE
45
REGRA DO E E REGRA DO OU
Aqui sero apresentadas as regras do e e do ou apenas para eventos independentes. Quando

os eventos so dependentes, so necessrios alguns cuidados que no so objetos desse curso
introdutrio.
Regra do e: A probabilidade de ocorrem dois eventos A e B simultaneamente
P (A e B) = P (A) P (B) = P (A B) .
(4.2)
Exemplo: no lanamento de 2 dados honestos, qual a probabilidade de se tirar 3 e 5?

P (3) P (5) =
1 1
1
=
= 0, 0278 = 2, 78%
6 6
36
Regra do ou: A probabilidade de ocorrer o evento A ou o evento B em um dado experimento

P (A ou B) = P (A) + P (B) = P (A B) .
(4.3)
Exemplo: no lanamento de um dado honesto qual a probabilidade de se tirar 3 ou 5?
P (3) + P (5) =
1 1
2
+ = = 0, 3333 = 33, 33%
6 6
6
ALGUMAS DEFINIES TEIS

Probabilidade a freqncia relativa associada a uma varivel descritora de uma populao
infinita.
Distribuio de probabilidade a distribuio de freqncia relativa em uma populao infinita.
Parmetro de uma distribuio a constante que determina (estabelece) a forma3 da distribuio.
AXIOMAS DA PROBABILIDADE
(i) Se A um evento pertencente a , ento P (A) > 0.
(ii) P () = 1.
(iii) Sejam A1 , A2 , A3 , . . . eventos disjunto pertencentes a (interseco nula), ento P (A1 A2 A3 . . .) =

P (A1 ) + P (A2 ) + P (A3 ) + . . ..
No sentido mais amplo da palavra
46

PROPRIEDADES DERIVADAS DOS AXIOMAS

(i) P A = 1 P (A).
(ii) P () = 0.
(iii) P (A B) = P (A) + P (B) P (A B).
(iv) 0 P (A) 1.
FUNO DENSIDADE DE PROBABILIDADE

Funo densidade de probabilidade (fdp) a funo que descreve a probabilidade de uma
varivel aleatria associada a uma populao infinita, onde a rea representa a probabilidade e a
altura, a densidade de probabilidade.
PROPRIEDADES DA FDP
(i) A rea total abaixo da curva igual a 1,
Z +
f (x)dx = 1.
0.2
0.0
0.1
fdp(x)
0.3
0.4
Figura 4.2: Esquema da integral de uma funo densidade de probabilidade.
PROBABILIDADE
47
A rotina a seguir mostra como foi feita a Figura 4.2.

x <- seq(-4,4,by=.01)
y<-dnorm(x, mean=0,sd=1, log = FALSE)
rx<-rev(x)
ry<-vector("numeric", length(rx))
x<-c(x,rx)
y<-c(y,ry)
plot(x,y,"l",xlab="x",ylab="fdp(x)")
polygon(x, y, col = "gray")
(ii) No existe probabilidade negativa.
f (x0 ) 0
4.1
x0 D(X)
Distribuies de probabilidade discretas
Se caracteriza pela funo f (X), em que X uma varivel aleatria discreta.

Anlogo varivel aleatria contnua, se X assume k valores, ento:
k
X
P [X = xi ] = 1.
i=1
DEFINIES TEIS
Esperana matemtica de X o valor mdio esperado para infinitas realizaes da varivel
aleatria discreta X.
k
X
E[X] = M e(X) =
xi P [X = xi ]
i=1
Varincia de X uma medida da variabilidade das infinitas realizaes da varivel aleatria

discreta X.
k
X
2
X =
(X E[X])2 P [X = xi ]
i=1
48
4.1.1
Distribuio Binomial
A distribuio Binomial de probabilidades uma distribuio discreta que se caracteriza pela

seguinte funo densidade:
P [X = x] = Cn,x px q nx ,
(4.4)
em que,
Cn,x =
n!
.
x!(n x)!
(4.5)
Os parmetros da Binomial so: n (nmero de eventos) e p (probabilidade de sucesso). q no

considerado um parmetro porque ele funo de p, q = 1 p.
A Binomial possui quatro caractersticas marcantes:
(a) Ser uma soma de ensaios de Bernoulli, ou seja, de ensaios que possuem apenas dois resultados
possveis (sucesso ou fracasso).
(b) As realizaes desses ensaios so eventos independentes.
(c) A probabilidade de sucesso (p) constante ao longo dos ensaios.
(d) O nmero de ensaios finito.
A esperana matemtica (mdia) e a varincia da distribuio Binomial so funes de seus
dois parmetros, n e p, a saber:
E[X] = np;
(4.6)
2
X
= V (X) = npq.
(4.7)
Exemplo: Em uma ninhada de aves, nove ovos foram chocados. Qual a probabilidade de
nascerem sete machos?
Sabe-se que a probabilidade de um filhote ser macho 50% (p = 0, 5); o nmero de ovos nessa
ninhada 9 (n = 9); e a varivel aleatria (X), desse experimento, representa o nmero de filhotes
machos. Alm disso, queremos descobrir a probabilidade dessa varivel assumir o valor sete, ou
seja, nascerem sete machos nessa ninhada (x = 7); ento
P [X = 7] = C9,7 p7 q 97 = 36 0, 57 0, 52
= 7%.
PROBABILIDADE
4.1.2
49
Distribuio Poisson
Distribuio discreta de probabilidades caracterizada pela seguinte funo densidade de probabilidade:

e x
.
(4.8)
x!
Neste curso, a distribuio de Poisson ser usada apenas como uma aproximao a distribuio
Binomial, quando n muito grande e p muito pequeno. Portanto, vale ressaltar que, alm das
caractersticas da distribuio Binomial, a Poisson apresenta as seguintes particularidades:
P [X = x] =
(a) Pode descrever eventos raros.

(b) A varivel discreta assume apenas valores inteiros positivos (X = 0, 1, . . .).
(c) n > 50 e p < 0, 1.
O parmetro da distribuio Poisson o . Note, pelas frmulas a seguir que tambm a
mdia dessa distribuio.
E[X] = V [X] = ;
(4.9)
= np.
(4.10)
Exemplo: Supondo que a ocorrncia mdia de chuvas acima de 50mm/h, em uma regio, seja
de 1, 5 por ano, qual a probabilidade de, em um dado ano, no chover mais de 50mm/h? E ter
apenas uma chuva intensa? E duas? Faa a distribuio de probabilidade dessa varivel at 6
chuvas intensas.
fdp: P [X = 0] =
e1,5 1, 50
= 0, 2231.
0!
e1,5 1, 51
= 0, 3347.
1!
..
.
e1,5 1, 55
fdp: P [X = 5] =
= 0, 0141.
5!
fdp: P [X = 1] =
e1,5 1, 56
= 0, 0035.
6!
Portanto, temos a seguinte distribuio de freqncias:
fdp: P [X = 6] =
X
P [X = x]
0
0,2231
1
0,3347
2
0,2510
3
0,1255
4
0,0421
5
0,0142
6
0,0035
50
4.2
Distribuies de probabilidades contnuas
0.0
0.0
0.1
0.1
0.2
0.2
0.3
0.4
0.3
0.5
0.4
Pode-se entender distribuies contnuas de probabilidade como generalizaes de histogramas

construdos para grandes tamanhos amostrais (n ).
-2
-1
-3
-2
-1
0.0
0.0
0.1
0.1
0.2
0.2
0.3
0.3
0.4
0.4
-3
-4
-2
-4
-2
Figura 4.3: Esquema da generalizao terica de histogramas para funes densidade de probabilidade, quando n .
PROBABILIDADE
51
Veja a rotina utilizada para a construo dos grficos da Figura 4.3.

x1 <- rnorm(50,0,1)
hist(x1,freq=FALSE,xlab="",ylab="",main="")
x2<- rnorm(500,0,1)
x3 <- rnorm(50000,0,1)
x4<-seq(-4,4,by=.01)
y<-dnorm(x4, mean=0, sd=1, log = FALSE)
plot(x4,y,"l",lwd=3, xlab="",ylab="",main="")
polygon(x4, y, col = "gray")
Vamos entender o que acontece quando o tamanho da amostra cresce. Sejam as seguintes
regras de determinao da amplitude e nmero de classes de um histograma convencional:
k = 5 log n
4.2.1
c=
A
.
k1
Distribuio Normal de probabilidades
Definio: uma varivel aleatria contnua tem distribuio Normal se ela segue a seguinte
funo densidade de probabilidade:
2
1 x
f (x) =
.
(4.11)
e 2
2
Notao:4
N (, 2 ).
Portanto, a mdia e a varincia so os dois parmetros da distribuio Normal, sendo o
parmetro de locao e 2 o parmetro de forma.
M e(X) = ;
(4.12)
V (X) = 2 .
(4.13)
L-se: distribuio Normal com mdia e varincia 2 .
52

PROPRIEDADES DA DISTRIBUIO NORMAL
(1) simtrica.
(2) Tem forma de sino.
(3) Est definida de a +, com caudas assintticas ao eixo X.
(4) Apresenta a particularidade: M e = M o = M d.
(5) Dois parmetros: De forma: 2 e de locao .
Exemplo: A velocidade de veculos em uma rodovia segue uma distribuio Normal com mdia
60km/h e varincia 400(km/h)2 .
(a) Qual a probabilidade de um veculo ser flagrado a mais de 100km/h?
Soluo:
Z
f (x)dx =
100
100
20 2
e 2
x 60
20
2
dx.
0.010
0.000
0.005
fdp(x)
0.015
0.020
Essa integral no trivial!
50
100
150
Velocidade (km/h)
Figura 4.4: Esquema destacando a area acima de 100km/h em uma distribuio de media 60km/h
e varincia 400(km/h)2 .
PROBABILIDADE
53
Veja a rotina utilizada para fazer a Figura 4.4.

x<-seq(-30,150,by =.01)
rx<-seq(100,150,by =.1)
ry<-numeric(2*length(rx))
ry[1:length(rx)]<-dnorm(rx,mean=60,sd=20,log=FALSE)
rx<-c(rx,rev(rx))
plot(x,y,l,xlab=Velocidade (km/h),ylab=fdp(x))
polygon(rx, ry, col = "gray")
abline(v=60,h=0,lty=3)
DISTRIBUIO NORMAL PADRONIZADA (REDUZIDA OU PADRO)

Uma soluo simples e eficiente para o problema apresentado acima definio da distribuio
Normal padronizada. Essa distribuio apresenta, como principais caractersticas, a mdia igual
a zero e a varincia (e o desvio padro) igual a 1.
Mediante as seguintes propriedades, uma distribuio Normal qualquer (mdia e varincia
quaisquer) pode ser temporariamente transformada em uma Normal padro, por convenincia.
Devido a essa correspondncia, resultados de integrais calculadas (por processos numricos) para
atender Normal padro, servem para gerar resultados de quaisquer integrais que se deseje em
outras Normais.
Seja X uma varivel aleatria que segue uma distribuio N (, 2 ). As seguintes afirmaces
se verificam:
(I) (X ) N (0, 2 );

X
(II)
N
, 1 ; e, portanto,
X
(III)
N (0, 1)
Devido a definio de seus parmetros, ou seja, sabendo que = 0 e 2 = 1, a funo densidade

de probabilidade da Normal Padronizada se reduz a
X2
1
f (X) = e 2 .
2
Ento, retomando o problema, podemos definir uma varivel aleatria Z, tal que
Z=
X
.
(4.14)
54
100 60
= 2 e utilizando a Tabela 9.2 do Apndice ??, temos que P (X > 100) =
20
P (Z > 2) = 0, 5 0, 4772 = 0, 0228 = 2, 28%.
Da, z =
0.010
0.000
0.005
fdp(x)
0.015
0.020
(b) E qual a chance de um automvel estar trafegando entre 40 e 70km/h?
50
100
150
Velocidade (km/h)
Figura 4.5: Esquema destacando a area entre 40 e 100km/h em uma distribuio de media 60km/h
e varincia 400(km/h)2 .

x<-seq(-30,150,by = .01)
rx<-seq(40,70,by =.1)
ry[1:length(rx)]<-dnorm(rx,mean=60,sd=20, log = FALSE)
rx<-c(rx,rev(rx))
polygon(rx, ry, col = gray)
PROBABILIDADE
55
40 60
70 60
= 1 e z2 =
= 0, 5. E olhando
20
20
na tabela: P (40 < X < 70) = P (1 < z < 0, 5) = 0, 3413 + 0, 1915 = 53, 28%.
Aqui, devemos transformar dois pontos: z1 =
(c) Qual intervalo contm 90% dos veculos?
0.010
0.000
0.005
fdp(x)
0.015
0.020
O processo aqui o inverso. Eu tenho a probabilidade (ou porcentagem de veculos) e desejo

saber os pontos, ou seja, as velocidades que delimitam essa rea.
50
100
150
Velocidade (km/h)
Figura 4.6: Esquema destacando o intervalo que contem 90% dos veculos em uma distribuio de
media 60km/h e varincia 400(km/h)2 .
56

x<-seq(-30,150,by = .01)
rx<-seq(27.1,92.9,by=.1)
ry[1:length(rx)]<-dnorm(rx,mean=60,sd=20, log = FALSE)
rx<-c(rx,rev(rx))
polygon(rx, ry, col = gray)
X2 60
= X2 = 92, 9km/h
20
X1 60
1, 645 =
= X1 = 27, 1km/h
20
P (27, 1 < X < 92, 9) = 90%
1, 645 =
APROXIMAO DA BINOMIAL NORMAL

Quando nos deparamos com uma situao em que uma varivel aleatria Binomial, mas n e
p so muito grande grandes,
np > 5 e npq > 5
as contas usuais da distribuio Binomial se tornam mais difceis de executar. Em tais situaes,
podemos utilizar uma aproximao pela distribuio Normal para fazer os clculos de interesse.
Devemos seguir as seguintes relaes de transformao:
= np e 2 = npq.
Exemplo: Um Eng. Agrnomo faz um teste de germinao com n = 500 sementes, sabendo
que seu poder nominal de germinao de p = 83%. Se seu poder de germinao estiver correto,
qual a probabilidade de que, pelo menos, 430 sementes germinem?
= 500 0, 83 = 415 sementes.
2 = 500 0, 83 0, 17 = 70, 55 = = 8, 4 sementes.
430 415
z=
1, 79.
8, 4
P (X > 430) = P (Z > 1, 79) = 0, 0367 = 3, 67%.
PROBABILIDADE
57
APROXIMAO DA POISSON NORMAL

Em situao semelhante, porm, dessa vez se tratando de uma varivel Poisson, uma mdia
muito grande,
> 15,
tambm podemos aproximar uma distribuio Normal seguindo as transformaes:
= e 2 = .
Exemplo: Suponha que a mdia de chuvas fracas por ano em certa regio seja de = 30 .
Qual a probabilidade de ocorrerem mais de 45 chuvas desse tipo no prximo ano?
= = 2 = 30
= 5, 48 chuvas fracas
45 30
z=
= 2, 74
5, 8
P (X < 45) = P (Z < 2, 74) = 0, 0031 = 0, 31%
4.2.2
Outras distribuies contnuas
Existe uma infinidade de outras distribuies contnuas muito usadas em Estatstica Aplicada
que, infelizmente, no sero tratadas aqui, a saber: distribuio Uniforme, Exponencial, Weibull,
Gama, etc.
58
5
AMOSTRAGEM
Na grande maioria das situaes prticas, o exame exaustivo de todos os elementos de uma
populao (censo) no possvel por ser cara, demorada ou mesmo impossvel (populaes infinitas).
Nestes casos imperativo o uso de tcnicas de amostragem. O uso de amostras traz diversas
vantagens como:
menor custo;
maior rapidez;
boa acurcia (se coletada corretamente);
torna vivel o exame em analises destrutivas, etc.
As amostras devem ser representativas, ou seja, guardar semelhanas com a populao. Para
isso necessrio, sempre que possvel, a aleatorizao, casualizao ou sorteio.
5.1
Amostragens no-aleatrias
Sao utilizadas quando o sorteio no possvel, mas se faz um esforo para garantir a representatividade. Algumas delas:
(a) Difcil acesso: Exemplo: Amostragem de minrio em vages. Embora seja praticamente
impossvel tomarmos minrios em todas as partes do vago, essa tende a ser uma situao
homognea e a coleta em pontos da superfcie pode ser suficiente.
(b) Coleta a esmo: Exemplo: Amostragem de solo. Nesse caso costuma-se fazer um caminhamento
em zigue-zague, que um esforo de aleatorizao.
(c) Por convenincia: Exemplo: Pesquisa onde se fazem perguntas a pessoas prximas ao pesquisador. Em casos em que se pode considerar que as pessoas que esto passando, naquele
momento, ao lado do pesquisador esto ali por puro acaso.
(d) Intencional: Exemplo: Escolha de cada indivduo. O pesquisador determina exatamente que
ser observado, mas se esfora garantir a representatividade de sua escolha.
(e) Auto-escolha: Exemplo: Voluntrios para uma pesquisa mdica. A rea mdica muitas frequentemente se enquadra nesta amostragem, onde no se pode escolher aquelas pessoas que
ficam doentes, por exemplo. Neste caso, pode-se considerar que as pessoas adoecem aleatoriamente.
60
5.2
5.2.1
Amostragens aleatrias
Amostragem aleatria simples (AAS)
Deve ser realizada em populaes estritamente homogneas.

Ela se caracteriza pelo sorteio de n elementos de uma populao.
Pode ser feita com ou sem reposio dos elementos amostrados populao.
SORTEIO
(a) Tabelas de nmeros aleatrios: 0 a 99.999;
(b) Calculadoras: Tecla RAN N (tamanho da populao);
(c) Softwares estatsticos.
INCONVENIENTES
Populaes estritamente homogneas so pouco comuns.
muito trabalhosa em populaes grandes, porque todos os elementos devem ser numerados
(ou, pelo menos, identificados), e impossvel em populaes infinitas.
MODELO ESTATSTICO
Yi = + ei ,
(5.1)
em que Yi a observao do indivduo i da amostra; a mdia da populao; e ei o desvio

aleatrio referente ao indivduo i.
5.2.2
Amostragem aleatria estratificada (AAE)
utilizada em populaes heterogneas.

Deve-se dividir a populao em estratos homogneos (dentro), mas diferentes entre si. Da
sorteiam-se elementos de cada estrato proporcionalmente a seu tamanho.
MODELO ESTATSTICO
Yij = + ti + eij
(5.2)
em que Yij o valor do indivduo j do estrato i; a mdia populacional; ti o efeito do estrato

i; ei o efeito aleatrio (desvio) do indivduo j do estrato i.
Obs.: Mdia do estrato i: i = + ti .
AMOSTRAGEM
5.2.3
61
Amostragem aleatria por conglomerado (AAC)
Conglomerado subdiviso da populao objetivando economia de recursos, pois somente alguns

sero sorteados.
Principal objetivo: economia de tempo e recursos.
H homogeneidade entre conglomerados e espera-se que a variabilidade de populao esteja
representada dentro de cada um deles.
Exemplo: Em uma pesquisa dentre os domiclios de Lavras, se uma AAS fosse feita, provavelmente os sorteados ficariam muito espalhados, sendo difcil de serem observados. Da sorteia-se 7
bairros e 10 domiclios por bairro para facilitar o processo.
MODELO ESTATSTICO
Yij = + ci + eij ,
(5.3)
em que Yij o valor do indivduo j do conglomerado i; a mdia populacional; ti o efeito

(aleatrio) do conglomerado i; ei o efeito aleatrio (desvio) do indivduo j do conglomerado i.
Tabela 5.1: Diferenas bsicas entre a amostragem aleatria estratificada (AAE) e a amostragem
aleatria por conglomerado (AAC).
AAE
Todo estado observado
Efeito fixo
Estratos so diferentes entre si
Objetivo: > representatividade
5.2.4
AAC
Alguns conglomerados so sorteados
Efeito aleatrio
Conglomerados so semelhantes entre si
Objetivo: < custo
Amostragem aleatria sistemtica (AS)
utilizada em situaes em que elementos da populao esto dispostos em srie.

Apenas o 1 elemento sorteado, os demais so tomados sistematicamente, e se distanciam
distantes um passo de amostragem (k).
Objetivo: facilitar o processo.
62

POPULAES FINITAS
(a) Defini-se o passo de amostragem: k =
N
.
n
(b) Sorteia-se o primeiro elemento dentre os k primeiros.

(c) Tornam-se os demais de k em k.
POPULAES MUITO GRANDES OU INFINITAS

(a) Toma-se o 1 elemento a esmo.
(b) Tomam-se os demais elementos de maneira igualmente espaada.
MODELO ESTATISTICO1
Y i = + ui ,
(5.4)
ui = uij + ei .
(5.5)
em que
Geralmente admiti-se (parmetro de auto correlao2 ) igual a zero, da,

Yi = + ei .
1
2
Um dos modelos possveis.

Note que, quando = 0, o modelo estatstico igual ao da amostragem aleatria simples.
(5.6)
6
INFERNCIA ESTATSTICA
Inferncia o conjunto de tcnicas que generalizam informaes amostrais para toda a populao.
Grandes reas Estimao (Intervalos de confiana) e Deciso (Testes de hipteses).
TEOREMA CENTRAL DO LIMITE
Seja uma populao qualquer com mdia e varincia a 2 . Se infinitas amostras de ta das amostras tero distribuio
manho n so coletadas dessa populao, ento as mdias (X)
2
aproximadamente Normal com mdia e varincia

, medida que n tende ao infinito.
n
6.1
Distribuio de amostragem
ao longo de infinitas
Definio: E a distribuio de probabilidade de estimadores ou f ()
amostras aleatrias.
6.1.1
Distribuio de funes da mdia amostral (populaes normais)
X
tem distribuio Normal padronizada,
N (0, 1). Agora, como saber qual a distribuio da mdia X?

Se X N (, 2 ), ento as seguintes afirmaces se verificam:
Sabemos que se X tem distribuio Normal, Z =
(I)
X N (n, n); e
P
(II)
X
N
n
N
(III) X
2
,
; portanto
n
2
,
n
64
Se padronizarmos a mdia, ou seja, subtrairmos da mdia populacional e dividirmos por seu

desvio padro, conseguimos encontrar a quantidade que segue uma Normal padro:
= Z = X N (0, 1).
f (X)
(6.1)
Mas como geralmente desconhecido, tem-se que utilizar uma quantidade que mais se
assemelhe. Essa quantidade o seu estimador, S. Porm, quando substitumos por S, devemos
pagar um preo. A nova quantidade no segue mais uma distribuio Normal padro (Z), mas
uma aproximao da Normal padro, a distribuio t de Student, com n 1 graus de liberdade,
tn1 .
=
f (X)

X
tn1
S
(6.2)
Graus de liberdade: O nmero de graus de liberdade para um conjunto de dados corresponde

ao nmero de valores que podem variar aps terem sido impostas certas restries a todos
os valores.
A distribuio t de Student uma distribuio de probabilidades muito parecida com a distribuio Normal padro. Ela simtrica, tem forma de sino, centrada em zero, mas mais
larga e sua forma varia em funo do tamanho da amostra (n). Quanto maior a amostra mais
a distribuio t se assemelha a uma distribuio z, ou seja,
n , tn1 N (0, 1).
PROPRIEDADES IMPORTANTES DA DISTRIBUIO T DE STUDENT1
(1) A distribuio t de Student diferente, conforme o tamanho da amostra.
(2) Ela tem a mesma forma geral simtrica (forma de sino) que a distribuio Normal, mas reflete
a maior variabilidade (com distribuies mais amplas) que esperada em pequenas amostras.
(3) Tem mdia t = 0.
(4) O desvio padro da distribuio t de Student varia com o tamanho da amostra, mas superior
a 1.
(5) Na medida em que aumenta o tamanho n da amostra, a distribuio t de Student se aproxima
mais e mais da distribuio Normal padronizada. Para valores n > 30, as diferenas so to
pequenas que podemos utilizar os valores crticos Z em lugar de valores crticos t.
1
Adaptado de Triola, 1999.
65
0.0
0.1
0.2
0.3
0.4
Figura 6.1: Demonstrao da curva Normal (linha cheira) padro e da curva t com 5 (linha
tracejada) e 30 (linha pontilhada) graus de liberdade.

x<-seq(-4,4,by=.01)
yn<-dnorm(x,mean=0,sd=1)
yt1<-dt(x,df=5)
yt2<-dt(x,df=30)
plot(x,yn,l,lty=1,xlab=,ylab=)
points(x,yt1, l, lty=2)
points(x, yt2, l, lty=3)
66
6.2
6.2.1
Estimao
Estimao por ponto
a obteno de uma estimativa do valor paramtrico com base em informaes vindas da

amostra.
Estimadores mais comuns:
P
Xi
=X= i
n
P
2
(X
X)
i
2 = i
n1
x
p = , x = nmero de sucessos
n
\
1 2 = X1 X2
1 2 =
...
6.2.2
Estimao por intervalo
Intervalo de confiana (IC): o intervalo que contm o parmetro real com 1 de confiana.
Confiana: = 1
Significncia:
A maioria dos intervalos de confiana segue a seguinte forma geral:
IC () = q/2 EP
(6.3)
em que a confiana associada ao intervalo; uma funo qualquer do parmetro de interesse;

o estimador desse parmetro; q/2 um quantil de uma distribuio associada ao estimador e;
EP o erro padro do estimador.
67
IC para a media ()
2 CONHECIDO
Z=

X
N (0, 1)
(6.4)
Ento, podemos deduzir o intervalo de confiana para a mdia:

"
P z/2
P [z < Z < z] =
#

X
<
< z/2 =
< z/2 =
P z/2 < X
n
n
z/2 < < X

+ z/2 =
P X
n
n
+ z/2 > > X

z/2 =
P X
n
n
P X z/2 < < X + z/2 =

n
n
IC () = X z/2
n
2 DESCONHECIDO
t=

X
S
n
tn1
(6.5)
Analogamente, consegue-se o intervalo
t/2 S
IC () = X
n
FATOR DE CORREO PARA POPULAES FINITAS

Em populaes finitas o erro (e) do IC deve ser corrigido pelo fator de correo:
r
N n
.
N 1
Ou seja, o intervalo de confiana geral passa a ser
#
"
r
N
n
IC () = e
N 1
(6.6)
(6.7)
68
IC para proporo (p)

Existem diversas aproximaes mais precisas, porm muito mais trabalhosas. Por isso podemos
utilizar a aproximao binomial normal.
Este procedimento no recomendado quando
n
p 5 ou n(1 p) 5.
Se X binomial e n grande
X N (np, npq)
pq
X
N p,
n
n
pq
p N p,
n
A partir da fica fcil enxergar que
"
IC (p) = p z/2
pq
n
IC para a diferena entre duas medias (1 2 )

VARINCIAS CONHECIDAS
Se uma varivel aleatria
X1
N (1 , 12 ),
X2
N (2 , 22 ),
1 N
ento X
E se outra varivel
2 N
ento X
2
1 ,
n1
2
2 , 2
n2
Da,
1 X
2) N
(X
2 2
1 2 , 1 + 2
n1 n2
Contudo, as varincias consideradas conhecidas podem ser iguais ou diferentes.

12 6= 22
1 X
2 ) z/2
IC (1 2 ) = (X
12 22
+
.
n1 n2
69
12 = 22 = 2
s
"
1 X
2 ) z/2
IC (1 2 ) = (X
1
1
+
n1 n2
#
.
VARINCIAS DESCONHECIDAS
No caso em que no so conhecidas as varincias populacionais, a tendncia natural utilizar
1 X
2 no mais normal,
seus estimadores. S 2 o estimador de 2 , porm a distribuio de X
mas sim uma t.
E mesmo quando as varincias populacionais so desconhecidas, deve-se decidir por consideralas iguais ou diferentes.
12 6= 22
1 X
2 ) t/2
IC (1 2 ) = (X
S12
n1
S22
n2
Em que os graus de liberdade de t so dados por

2
2
S1
S22
+
n1
n2
= 2 2 2 2 .
S1
n1
n1 1
S2
n2
n2 1
12 = 22 = 2
s
"
1 X
2 ) t/2
IC (1 2 ) = (X
Em que
Sp =
Sp2
(n1 1)S12 + (n2 1)S22

n1 + n2 2
e os graus de liberdade sao dados por

= n1 + n2 2.
1
1
+
n1 n2
#
.
70
6.3
Testes de hipteses
Teste de hiptese: uma ferramenta que permite testar se um valor pertinente de ser o valor
real de parmetro em questo.
6.3.1
Teste de homogeneidade de Varincias (teste F):
2
Smaior
1, em que Fc uma varivel aleatria que segue uma
2
Smenor
distribuio F de probabilidades com graus de liberdade 1 = n1 1 e 2 = n2 1, ou seja,
Estatstica de teste: Fc =
Fc F (1 , 2 ) = F [(n1 1), (n2 2)].
0.4
0.0
0.2
f(X)
0.6
DISTRIBUIO F DE PROBABILIDADES
Figura 6.2: Distribuio F de probabilidade ressaltando a regio de aceitao de um teste de

homogeneidade de varincias (de 1 at um Fc qualquer).
71

x<-seq(0,7,by=.01)
y<-df(x,10,10)
plot(x, y, "l", xlab= X, ylab=f(X))
rx<-seq(1,3.7,by =.1)
ry<-vector(numeric,2*length(rx))
ry[1:length(rx)]<-df(rx,10,10)
rx<-c(rx,rev(rx))
plot(x,y,l,xlab=X,ylab=f(X))
abline(h=0)
HIPTESES
Todo teste de hipteses considera duas hipteses: a Hiptese Nula ou Hiptese de nulidade
(H0 ); e a Hiptese Alternativa (H1 ).
A hiptese H0 aquela que descreve aquilo que suspeita, ou seja, aquela afirmao que se quer
testar efetivamente. J a hiptese H1 traz aquela afirmao que sera considerada verdade se a
hiptese H0 for considerada no plausvel (se H0 for rejeitada).
Vamos voltar a considerar o caso particular do teste F. Considerando as definies das hipteses
H0 e H1 , o teste F deseja testar
2
maior
=1
H0 :
2
menor
,
2
maior
1
H1 :
2
menor
ou ainda,
2
2
H0 : maior
= menor
2
2
H1 : maior menor
RESULTADOS E TIPOS DE ERROS POSSVEIS

Erro tipo I: o erro que se comete ao rejeitar H0 , se ela verdadeira.
Erro tipo II: o erro que se comete ao aceitar H0 , se ela falsa.
Nvel de significncia do teste: o valor da probabilidade de se cometer o erro tipo I.
Poder do teste: a probabilidade de se rejeitar H0 , quando ela realmente falsa.
72
Tabela 6.1: Representao tabular dos resultados possveis em um teste de hipteses e os erros e
acertos que eles acarretam.
Deciso
6.3.2
Verdade
H0 verdadeira
Ok!
Erro tipo I
Aceita-se H0
Rejeita-se H0
Teste sobre (populaes infinitas)

2 DESCONHECIDO
Estatstica de teste: tc =
0
X
.
S/ n
As hipteses consideradas nesse teste so:
H0 : = 0
,
H1 : 6= 0
ou ainda,
Teste bilateral:
H 0 : = 0
.
H1 : > 0 ou < 0
t/2 < tc < t/2 , Aceita-se H0

.
Caso contrrio, Rejeita-se H0
Teste unilateral superior
e teste unilateral inferior
t c < t ,
Aceita-se H0
,
tc > t ,
Aceita-se H0
H0 falsa
Erro tipo II
Ok!
73
0.0
0.0
0.1
0.1
0.2
0.2
0.3
0.3
0.4
0.4
(a)
(b)
Figura 6.3: (a) Ilustrao do teste unilateral superior. (b) Ilustrao do teste bilateral. A area
hachurada representa a regio de rejeio do teste.
Veja como fazer as Figura 6.3 (a)...

x<-seq(-4,4,by =.01)
rx<-seq(1.5,4,by =.1)
ry[1:length(rx)]<-dnorm(rx, mean=0,sd=1, log = FALSE)
rx<-c(rx,rev(rx))
plot(x,y,l,xlab=,ylab=)
abline(h=0,lty=3)
... e (b)
rx<-seq(2,4,by =.1)
ry[1:length(rx)]<-dnorm(rx, mean=0,sd=1, log = FALSE)
rx<-c(rx,rev(rx))
rx1<- seq(-4,-2,by =.1)
ry1<-numeric(2*length(rx1))
ry1[1:length(rx1)]<-dnorm(rx1, mean=0,sd=1, log = FALSE)
rx1<-c(rx1,rev(rx1))
plot(x,y,l,xlab=,ylab=)
polygon(rx1, ry1, col = "gray")
abline(h=0,lty=3)
74
6.3.3
Teste sobre propores (p)
p p
Estatstica de teste: zc = r
pq
n
As hipteses consideradas nesse teste so:
H0 : p = p0
,
H1 : p 6= p0
ou ainda,
Teste bilateral:
H0 : p = p 0
.
H1 : p > p0 ou p < p0
z/2 < zc < z/2 , Aceita-se H0

.
Teste unilateral superior
e teste unilateral inferior
z c < z ,
Aceita-se H0
,
zc > z ,
Aceita-se H0
.
7
CORRELAO E REGRESSO
Correlao: mede o grau de relacionamento entre duas ou mais variveis.

Regresso: o estudo que busca ajustar uma equao a um conjunto de dados de forma que a
relao entre variveis possa ser descrita matematicamente.
7.1
7.1.1
Correlao
Coeficiente de correlao linear (r ou )
Mede a correlao de duas variveis.

n
X
n
X
Xi Yi
!
Xi
i=1
n
X
!
Yi
i=1
i=1
= v
n
!2
n
!2
u
u
X
X
u
n
Xi
Yi
u n
X
uX 2
i=1
i=1
2
u
X
i
i
u
n
n
u i=1
i=1
7.1.2
(7.1)
Coeficiente de determinao (r2 ou 2 )
Indica, percentualmente, quanto da variao da varivel dependente (Y ) que explicada pelo

modelo de regresso. Note que, no caso da Regresso Linear Simples, o modelo em questo a
reta.
2 =
Variao explicada pelo modelo

Variao total
(7.2)
76
Vamos nos ater ao caso em que nosso modelo uma reta, ou seja, estamos lidando com
Regresso Linear. Nesse caso particular o coeficiente de determinao se torna
2 =
Variao explicada pela reta

SQRL
=
,
Variao total
SQT
(7.3)
em que SQRL significa Soma de Quadros de Regresso Linear, SQT significa Soma de Quadrados
Total e essas quantidades sao calculadas pelas expresses
n
X
n
X
SQRL =
Xi Yi
Xi
i=1
n
X
!
Yi
i=1
n
X
Xi2
n
X
i=1
n
X
SQT =
!2
(7.4)
Xi
i=1
i=1
!2
Yi
i=1
(7.5)
A diferena entre a variao total e a variao explicada pela reta de regresso chamada de
desvio, e pode ser calculada pela Soma de Quadrados de Desvios (SQD)
SQD = SQT SQRL.
(7.6)
Alm de estimar os coeficientes da reta de regresso possvel testar se eles so significativos.

Por exemplo, pode-se testar se o coeficiente 1 estatisticamente igual a zero ou no. Se for
considerado igual a zero, ou seja, se aceita-se H0 nesse teste, isso significa que apenas a constante
0 seria suficiente para explicar os dados, Y no varia com a variao de X. Por outro lado, se 1
for considerado significativo, esse um bom indicativo a favor do modelo estimado.
O seguinte teste pode ser feito o seguinte teste F para o ajuste de uma regresso linear.
HIPTESES
H0 : 1 = 0
H1 : 1 6= 0 > ou <
CORRELAO E REGRESSO
77
ESTATSTICA DE TESTE
Fc =
SQRL
,
S2
S2 =
SQD
.
n2
em que
TESTE
Fc < F (, 1 , 2 ), Aceita-se H0
,
Fc > F (, 1 , 2 ), Rejeita-se H0
em que F (, 1 , 2 ) o valor tabelado para a distribuio F com 1 e 2 graus de liberdade, e

100% de probabilidade.
7.2
Regresso
Um estudo de regresso busca essencialmente associar uma varivel Y (denominada varivelresposta) a um conjunto de outras p variveis X1 , X2 , . . . , Xp (denominadas covariveis ou variveis
explicadoras). Esta associao segundo uma forma funcional do tipo
Y = f (X1 , X2 , . . . , Xp ),
onde a funo f pode ser, princpio, qualquer uma. Quando f assume a forma funcional
linear (isto , f uma combinao linear das covariveis
f (X1 , X2 , . . . , Xp ) = 0 + 1 X1 + 2 X2 + . . . + p Xp ,
em que os coeficientes i (i = 1, 2, . . . , p) so nmeros fixos chamados parmetros), a regresso
chamada linear, caso contrrio, uma regresso no-linear. Numa regresso linear, quando p = 1
denominamos o estudo como regresso linear simples, caso contrrio, denominamos regresso linear
mltipla.
7.2.1
Regresso Linear Simples
Explica, por meio de uma reta, a relao entre duas variveis.

MODELO ESTATSTICO
Yi = 0 + 1 X1i + ei ,
(7.7)
78
em que Yi o valor da varivel Y para o indivduo i; 0 o intercepto; 1 o coeficiente linear;

X1i o valor da (co)varivel X para o indivduo i; ei o erro aleatrio associado ao indivduo i.
ESPERANA MATEMTICA
E[Yi ] = 0 + 1 X1i
(7.8)
ESTIMAO DE PARMETROS POR MEIO DO MTODO DOS QUADRADOS MNIMOS

Existem diversos mtodos que permitem estimar os parmetros de interesse no contexto de
Regresso Linear Simples (0 e 1 ), mas aqui trataremos apenas do Mtodo dos Quadrados Mnimos.
O Mtodo dos Quadrados Mnimos fornece aqueles valores de 0 e 1 que minimizam a soma
de quadrados dos resduos, ou seja, que minimizam a distancia entre os valores observados e os
estimados pelo modelo (reta), ao longo de todas as observaes ao mesmo tempo.
Por exemplo, considere a Figura 7.1. Ela traz a representao de uma massa de dados fictcia.
Duas variveis quaisquer X e Y se relacionam de maneira diretamente proporcional, ou seja, so
positivamente correlacionadas. Esse tipo de relacionamento sugere que uma reta pode ser o modelo ideal para descrever o comportamento, por exemplo, de Y , de acordo com o comportamento
de X. A Figura 7.1 destaca que possvel infinitas retas passando por entre os pontos, porm,
apenas uma delas possui a propriedade de estar a menor distncia quadrtica de todos os pontos
ao mesmo tempo. Os coeficientes dessa reta podem ser estimados pelo Mtodo dos Quadrados
Mnimos por meio dos estimadores 7.2.1 e 7.2.1.
A seguir, a rotina para voc reproduzir a Figura 7.1.

x<-seq(0,100)
y<-2*x+35
y1<-y+rnorm(101,0,50)
reg<-lm(y1~x)
a<-reg$coefficients[1]
b<-reg$coefficients[2]
y2<-a + b*x
y3<-(y2[51]-50*(b-1))+(b-1)*x
y4<-(y2[51]-50*(b+1))+(b+1)*x
y5<-(y2[51]-50*(b+2))+(b+2)*x
plot(x,y1,pch=19,xlab=X,ylab=Y)
lines(x,y2,lwd=2)
lines(x,y3,lty=3)
lines(x,y4,lty=3)
lines(x,y5,lty=3)
79
100
200
300
CORRELAO E REGRESSO
20
40
60
80
100
Figura 7.1: Representao de possveis retas (pontilhadas) e aquela estimada por quadrados mnimos (linha cheia) em uma massa de dados fictcia.
n
X
n
X
1 =
Xi
i=1
Xi Yi
n
X
!
Yi
i=1
i=1
n
X
(7.9)
Pn
Xi2
i=1
n
X
=
0 = Y 1 X
i=1
2
i=1 (Xi )
n
Y
1
Pn
i=1
(7.10)
Exemplo: As famosas cocadeiras baianas costumam produzir suas prprias quitandas. Para
isso, elas cumprem a difcil tarefa de quebrar dezenas de cocos por dia. Querendo evitar trabalho
desnecessrio, elas desejam quebrar apenas aqueles frutos que contiverem uma grande quantidade
de polpa. Portanto, procedem da seguinte maneira: furam o coco, medem sua quantidade de gua
e, com base em sua experincia, decidem se vale a pena quebrar o mesmo. Como esse procedimento
impreciso, as baianas desejam a nossa ajuda. Considerando os dados apresentados na Tabela
7.1, vamos estimar um modelo adequado para estimar o volume de polpa de frutos de coco (Y ) a
80
partir de sua quantidade de gua (X).

O primeiro passo para a resoluo desse problem a anlise exploratria dos dados, por
exemplo, por meio de um diagrama de disperso (Figura 7.2).
Tabela 7.1: Volume de polpa (cm3 ), volume de gua (cm3 ) e teor de clcio (mg/100ml) em 20
cocos verdes.
Fruto
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Polpa
9,02
13,10
14,76
21,54
15,62
18,34
20,23
8,88
14,06
23,59
16,62
21,93
10,56
12,28
20,68
9,53
13,73
5,73
15,08
21,57
gua
17,87
13,75
12,72
6,98
11,01
10,48
10,19
19,11
12,72
0,45
10,67
1,59
14,91
14,14
9,40
16,23
12,74
20,64
12,34
6,44
Clcio
7,52
24,77
30,74
7,58
23,33
20,49
14,84
5,51
31,03
4,33
21,75
4,92
19,50
20,16
12,20
11,54
29,39
3,79
23,40
7,47
A seguir, a rotina para voc reproduzir a Figura 7.2

polpa<-c(9.02,13.10,14.76,21.54,15.62,18.34,20.23,8.88,14.06,23.59,16.62,21.93,
10.56,12.28,20.68,9.53,13.73,5.73,15.08,21.57)
agua<-c(17.87,13.75,12.72,6.98,11.01,10.48,10.19,19.11,12.72,0.45,10.67,1.59,
14.91,14.14,9.40,16.23,12.74,20.64,12.34,6.44)
plot(agua,polpa,xlab=expression(paste(gua (, cm^3,),)),
ylab=expression(paste(Polpa (, cm^3 ,),)))
81
15
10
Polpa (cm3)
20
CORRELAO E REGRESSO
10
15
20
gua (cm3)
Figura 7.2: Diagrama de disperso entre a varivel independente volume de gua de coco e a
varivel dependente volume de polpa de coco.
Os dados amostrais sugerem que, quanto mais gua tem um coco, menos polpa ele possui.
Alm dessa informao, o diagrama de disperso nos faz suspeitar que as duas variveis possuem
um relao linear, ou seja, uma reta pode ser um bom modelo para este caso. Vamos estimar os
coeficientes dessa reta de duas formar.
(a) Usando uma calculadora: Uma calculadora das mais simples pode nos ajudar a a estimar
os coeficientes 0 e 1 facilmente. Primeiramente, faamos uma tabela auxiliar com todas as
quantidades de interesse (Tabela 7.2).
De posse dessa tabela so precisamos substituir as quantidades nas frmulas dos coeficientes.
1 =
(234, 38) (306, 85)

3119, 430 3595, 975
20
0, 94
=
2
(234, 38)
3253, 462 2746, 7
3253, 462
20
306,
85
234,
38
0 =
+ 0, 94
26, 36
20
20
3119, 430
82

Tabela 7.2: Tabela auxilar para clculo dos coeficientes do modelo linear.
X
17,87
13,75
12,72
6,98
11,01
10,48
10,19
19,11
12,72
0,45
10,67
1,59
14,91
14,14
9,40
16,23
12,74
20,64
12,34
6,44
234,38
Y
9,02
13,10
14,76
21,54
15,62
18,34
20,23
8,88
14,06
23,59
16,62
21,93
10,56
12,28
20,68
9,53
13,73
5,73
15,08
21,57
306,85
X2
319,3369
189,0625
161,7984
48,7204
121,2201
109,8304
103,8361
365,1921
161,7984
0,2025
113,8489
2,5281
222,3081
199,9396
88,3600
263,4129
162,3076
426,0096
152,2756
41,4736
3253,462
XY
161,1874
180,1250
187,7472
150,3492
171,9762
192,2032
206,1437
169,6968
178,8432
10,6155
177,3354
34,8687
157,4496
173,6392
194,3920
154,6719
174,9202
118,2672
186,0872
138,9108
3119,430
(b) Usando o R: ainda mais fcil resolver tal problema usando o R. Primeiro devemos inserir
a massa de dados, por exemplo, em vetores. Em seguida, podemos usar a funo lm(), que ajusta
modelos lineares. Para especificarmos que desejamos uma reta, basta dizer que os dados do vetor
polpa so funo dos dados do vetor gua. Da seguinte maneira
polpa<-c(9.02, 13.10, 14.76, 21.54, 15.62, 18.34, 20.23, 8.88,
14.06, 23.59, 16.62, 21.93, 10.56, 12.28, 20.68, 9.53, 13.73,
5.73, 15.08, 21.57)
agua<-c(17.87, 13.75, 12.72, 6.98, 11.01, 10.48, 10.19, 19.11,
12.72, 0.45, 10.67, 1.59, 14.91, 14.14, 9.40, 16.23, 12.74,
20.64, 12.34, 6.44)
lm(polpa~agua)
O resultado obtido por esse procedimento exatamente o mesmo. As nicas diferenas se
devem a arredondamentos feito no item anterior. Isso mostra que ambos procedimentos so
equivalentes.
CORRELAO E REGRESSO
83
15
10
Polpa (cm3)
20
Finalmente, podemos informar para as baianas que o modelo estimado a reta P olpa =
26, 36 0, 94 Agua, e ilustrar o resultado com a reta estimada plotada junto as pontos amostrais
(Figura 7.3).
10
15
20
gua (cm )
Figura 7.3: Reta de regresso estimada e pontos amostrais.
Para se reproduzir a Figura 7.3 deve-se repetir o procedimento do diagrama de disperso

e acrescentar os seguintes comandos:
x<-seq(1:20)
reta<-26.36-0.94*x
lines(x,reta)
84
7.2.2
Regresso Mltipla
Sistema de Equaes Normais (SEN):

y1 = 0 + 1 x11 + 2 x21 + . . . + k xk1 + e1
y2 = 0 + 1 x12 + 2 x22 + . . . + k xk2 + e2
..
.
yn = 0 + 1 x1n + 2 x2n + . . . + k xkn + en
y1
y2
..
.
yn
1 x11 x21
1 x12 x22
.. ..
..
. .
.
1 x1n x2n
. . . xk1
. . . xk2
.
..
. ..
. . . xkn
0
1
..
.
k
e1
e2
..
.
en
Expressando esse sistema em notao matricial,

Y = X +
(7.11)
Diferenciando-se essa expresso com respeito a e igualando-se a zero, tem-se que o estimador
de quadrados mnimos do vetor
X 0 X = X 0 Y
= (X 0 X)1 X 0 Y.
(7.12)
8
APNDICE A: EXERCCIOS PROPOSTOS
LISTA 1: Tcnicas de Somatrio

1. Sejam os conjuntos X = {2, 4, 4, 3, 2} e Y = {1, 2, 3, 6, 7}. Obtenha:
1.1.
4
X
Xi
1.2.
X i Yi
5
X
1.5.
(3Xi + 2Yi )
i=1
1.4.
5
X
5
X
Yi
1.3.
i=1
i=1
4
X
4Xi2
i=1
1.6
i=1
4
X
i=2
Xi Yi +
5
X
Yi2 .
i=1
e S 2 . Es2. Duas importantes estatsticas so a mdia e a varincia amostral, respectivamente, X

sas duas quantidades dependem de somatrios. Portanto, dada a amostra X = {2, 4, 5, 6, 1, 8},
calcule a sua mdia e varincia:
=
X
" n
#
Pn
2
X
X
(
X
)
1
i
i
i=1
i=1
, S2 =
X2
.
n
n 1 i=1 i
n
Pn
3. Demonstre numrica e algebricamente que

para demonstrar numericamente.
n
X
= 0. Use os dados do exerccio anterior

Xi X
i=1
Pn
(Xi A)2
4. Descubra qual o valor de A para que a funo Q(A) =
atinja seu mnimo.
n1
(Dica: sendo Q(A) uma funo quadrtica em A, seu mnimo pode ser encontrado usando sua
derivada.)
i=1
86

LISTA 2: Distribuio de freqncias e histograma
1. Para cada um dos cenrios a seguir, responda as perguntas de (a) a (e):
I. Uma cooperativa agrcola deseja realizar uma pesquisa com o objetivo de caracterizar as propriedades rurais de seus cooperados. Como forma de obter estas informaes foram distribudos
questionrios para todos eles, por meio dos quais procurou-se avaliar o nvel tecnolgico adotado
(baixo, mdio ou alto), a atividade predominante na fazenda (caf, milho, leite etc.) e o nmero
de empregados da propriedade.
II. Um pesquisador, para obter informaes a respeito de uma cultura atualmente plantada
no sul de Minas Gerais, visita 50 propriedades e faz uma avaliao referente ao tamanho da rea
plantada com a cultura (ha), a produo obtida (Kg) e as principais pragas e doenas.
(a) Qual a populao em estudo?
(b) Classifique essa populao (finita ou infinita).
(c) Utilizou-se uma amostra para realizar o estudo? Por qu?
(d) Quais foram as variveis estudadas?
(e) Classifique essas variveis quanto sua natureza.
2. Foi feito um levantamento dos pesos (Kg) de 48 crianas de 8 a 12 anos:
19,1
34,0
39,0
44,5
20,0
34,2
39,1
45,2
23,3
35,2
39,2
47,5
24,2
35,3
39,4
48,3
28,2
36,3
39,4
49,2
28,2
36,5
41,0
50,1
30,5
36,7
42,1
56,2
30,6
37,2
42,2
57,1
31,0
37,2
43,0
57,2
31,1
38,6
43,0
58,2
32,0
38,7
44,3
60,2
32,0
39,0
44,4
60,3
(a) Construa uma distribuio de freqncias de ocorrncia.

(b) Construa o histograma e o polgono de freqncia.
(c) Obtenha as distribuies de freqncias acumuladas acima de e abaixo de e construa as
ogivas.
3. Nos cenrios a seguir identifique: (i) a populao; (ii) a classificao da populao; (iii) a
varivel de interesse; (iv) a classificao da varivel.
(a) Estudo da distribuio da renda familiar dos moradores da cidade de Lavras (MG), utilizando
os dados do Censo 2000 do IBGE.
(b) Estudo do nvel escolar de todos os funcionrios de uma cooperativa.
(c) Estudo da identificao das espcies florestais que ocorrem na regio a ser alagada pela Hidreltrica do Funil. Sero demarcadas regies representativas para este levantamento.
(d) Estudo da rea (em ha) das propriedades rurais do sul de Minas Gerais. Como h muitas
propriedades, apenas algumas delas sero visitadas.
87
4. Foi contado o nmero de lagartas rosca (Agrotis ipisilon) em todos os 50 canteiros de mudas
de eucalipto da Fazenda Experimental da UFLA, encontrando-se o seguinte resultado:
5
4
1
2
5
0
3
4
1
4
2
4
2
4
1
3
1
3
0
2
1
4
1
0
3
2
2
0
3
5
1
2
2
3
3
4
4
3
3
4
2
0
(a) Estes dados so de uma populao ou de uma amostra?

(b) Classifique a varivel em questo.
(c) Construa a distribuio de freqncias (f a) absolutas e acumuladas (F , F ).
(d) Construa um grfico adequado para representar essas observaes.
5. Uma pesquisa sobre renda familiar foi feita com 100 pessoas entrevistadas ao acaso no
centro de Lavras (Tabela 8.1).
Tabela 8.1: Distribuio de freqncia de rendas familiares de 100 entrevistados, em Lavras, MG.
Classes (R$)
[0, 00; 300, 00)
[300, 00; 1.000, 00)
[1.000, 00; 5.000, 00)
> 5.000, 00
Total
xi
150,00
650,00
3.000,00
-
fa
70
25
4
1
100
fr
0,70
0,25
0,04
0,01
1,00
df r
0, 0023333 = 23.333 107
0, 0003571 = 3.571 107
0, 0000100 = 100 107
0, 0000004 = 4 107
-
(a) Faa o histograma com a freqncia relativa (f r) de ocorrncia e outro com a densidade de
freqncia relativa (df r). Compare-os. Em que eles se diferem? Qual dos dois correto? Por qu?
(b) Qual o limite superior da ltima classe utilizado pelo autor para calcular suas freqncias?
88

LISTA 3: Medidas de posio
1. Calcule a mdia, mediana e a moda dos exerccios 2 e 4 da segunda aula prtica. Interprete
cada medida.
2. Considere a seguinte distribuio de freqncias.
Tabela 8.2: Distribuio de freqncias das mdias dirias de produo de leite no perodo de
lactao de 201 vacas da raa holandesa, de um rebanho pertencente ao Ncleo de Criadores de
Gado Holands do Sul de Minas Gerais. Lavras, 1992.
Produo de Leite
fa
[5, 25; 8, 15)
2
[8, 15; 11, 05)
5
[11, 05; 13, 95)
23
[13, 95; 16, 85)
38
[16, 85; 19, 75)
48
[19, 75; 22, 65)
37
[22, 65; 25, 55)
29
[25, 55; 28, 45)
13
[28, 45; 31, 35)
3
[31, 35; 34, 25]
3
Totais
201
Fonte: Trabalho prtico de estudantes de Estatstica do ano de
fr
0,0100
0,0249
0,1144
0,1891
0,2388
0,1841
0,1443
0,0646
0,0149
0,0149
1,0000
1992.
fp
1,00
2,49
11,44
18,91
23,88
18,41
14,43
6,46
1,49
1,49
100,00
(a) Calcule as medidas de posio usando os dados elaborados.

(b) Calcule os percentis de 1%, 5%, 25%, 50%, 75%, 95% e 99%, usando a frmula:
X
in
fa
Pi = LPi + 100
c,
fpi
P
em que LPi o limite inferior da classe do percentil;
f a o somatrio das freqncias
das classes anteriores; fpi a freqncia da classe do percentil.
89
LISTA 4: Medidas de disperso

1. Demonstre a igualdade algbrica a seguir e utilize-a para estabelecer uma frmula menos trabalhosa para o desvio-padro:
n
X
n
X
i=1
2=
(Xi X)
n
X
i=1
Xi2
!2
Xi
i=1
Nota: Por menos trabalhosa entenda um nmero menor de operaes aritmticas, dado um
conjunto de dados de tamanho n. Verifique que, para a frmula do desvio padro que utiliza o
primeiro membro como numerador, so necessrias 4n + 2 operaes, enquanto que, ao utilizar
a identidade algbrica acima sero necessrias apenas 3n + 4 operaes.
2. Calcule o desvio-padro, a varincia e o coeficiente de variao dos exerccios 2 e 4 da segunda
aula prtica. Interprete cada medida.
3. Considere a tabela 8.2 da lista de exerccios nmero 3. Calcule as medidas de variabilidade
usando os dados elaborados.
90

LISTA 5: Probabilidade
1. A probabilidade que um homem esteja vivo daqui a 30 anos 2/5 a da sua mulher 2/3.
Determinar a probabilidade que daqui a 30 anos:
(a)
(b)
(c)
(d)
(e)
Ambos estejam vivos;

Somente o homem esteja vivo;
Somente a mulher esteja viva;
Nenhum esteja vivo;
Pelo menos um esteja vivo.
2. Uma companhia que fura poos artesianos trabalha numa regio escolhendo aleatoriamente o
ponto de furo. No encontrando gua nessa tentativa, sorteia outro local e, caso tambm no
obtenha sucesso, faz uma terceira e ltima tentativa. Admita probabilidade 0, 7 de encontrar
gua em qualquer ponto dessa regio. Determine o espao amostral e calcule a probabilidade
de:
(a) Encontrar gua na segunda tentativa.
(b) Encontrar gua em at duas tentativas.
(c) Encontrar gua.
3. A tabela a seguir apresenta dados dos 1000 ingressantes de uma universidade, com informaes
sobre rea de estudo e classe scio econmica.
Classe
rea
Alta
Mdia
Baixa
Exatas
120
156
68
Humanas
72
85
112
Biolgicas
169
145
73
Se um aluno ingressante escolhido ao acaso, determine a probabilidade de:
(a)
(b)
(c)
(d)
Ser da classe econmica mais alta.

Estudar na rea de Exatas.
Estudar na rea de Humanas, sendo de classe mdia.
Ser da classe baixa, dado que estuda na rea de Biolgicas.
4. Estatsticas dos ltimos anos do departamento estadual de estradas so apresentadas na tabela

a seguir, contendo o nmero de acidentes com vtimas, fatais ou no, e as condies do principal
motorista envolvido, sbrio ou alcoolizado.
Vtimas
Motoristas
Sbrio
Alcoolizado
No fatais
1228
2393
Fatais
275
762
Voc diria que o fato do motorista estar ou no alcoolizado interfere na ocorrncia de vtimas
fatais?
91
LISTA 6: Distribuio Binomial/Poisson

1. Sabe-se que 5% de um rebanho bovino est com febre aftosa. Qual a probabilidade de que
num lote de seis animais retirados desse rebanho tenha-se:
(a) nenhum animal com febre aftosa?
(b) dois animais com febre aftosa?
(c) mais de um animal com febre aftosa?
2. Numa leitegada de cinco leites qual a probabilidade de:
(a) no haver fmeas?
(b) haver duas fmeas?
(c) haver pelo menos duas fmeas?
3. Numa criao de coelhos 40% so machos. Num dia em que nasam vinte coelhos, qual a
probabilidade de nascer:
(a) cinco coelhos machos?
(b) pelo menos dois coelhos machos?
4. Suponha que a percentagem de germinao de uma semente de feijoeiro seja de 60%. Sero
semeadas trs sementes por cova em um canteiro com vinte e quatro covas.
(a) Qual a probabilidade de obter-se pelo menos uma cova falhada no canteiro?
(b) Qual ser o nmero esperado de covas falhadas no canteiro?
5. Numa lmina verificou-se que existem em mdia 5 bactrias/cm2 . A lmina foi subdividida
em 300 quadros de 1cm2 . Em quantos destes quadros em mdia voc espera encontrar no mximo
6 bactrias? Qual a probabilidade de se encontrar mais de 4 bactrias por centmetro quadrado?
6. Um pesquisador da rea de zootecnia conseguiu uma srie de dados dos ltimos 120 anos,
com o registro do nmero de ocorrncias de uma doena rara em eqinos da localidade em que
trabalhava. Os dados obtidos foram:
Ocorrncias
0
1
2
3
4
5
Anos
55
40
17
5
2
1
(a) Estime o nmero mdio de doenas/ano.
(b) Calcule para cada valor de X, as probabilidades associadas. Suponha que X possua
distribuio de Poisson.
(c) Calcule a freqncia esperada (em anos) para cada valor de X.
(d) Compare os resultados esperados com os observados. Com base nesta comparao, voc
pode afirmar que a distribuio de Poisson adequada para explicar a ocorrncia desta doena na
regio de estudo? Justifique.
7. A granja acima havia comprado um lote de vacinas com deficincia nominal de imunizao
rotulada como 1 animal vacinado no imunizado em cada 2500 animais vacinados, em mdia.
Para um teste, a vacina foi aplicada em um lote de 5000 animais. Depois de decorrido algum tempo,
constatou-se que 4 animais manifestaram a doena. Como voc analisaria estatisticamente este
resultado?
92

LISTA 7: Distribuio Normal
1. Considerando que os pesos dos coelhos Norfolk ao abate aos 90 dias obedea uma distribuio
Norma de freqncias, com mdia de 2, 70kg e varincia de 0, 04kg 2 . Responda:
(a) Qual a freqncia de coelhos com peso acima de 2, 90 kg?
(b) E entre 2, 90 e 3, 00 kg?
(c) Qual o peso que superado por apenas 1% dos coelhos?
2. O dimetro X das esferas de rolamentos fabricadas por certa indstria tem distribuio Normal,
com mdia 0, 6140cm e varincia 0, 00252cm2 . O lucro T de cada esfera depende de seu dimetro
segundo a funo abaixo: T = R$10, 00 se a esfera boa (0, 6080 < X < 0, 6200) ou T = R$1, 10
se a esfera defeituosa (X < 0, 6080 ou X > 0, 6200) Calcule:
(a) as freqncias de ocorrncia de esferas boas.
(b) as freqncias de ocorrncia de esferas defeituosas.
(c) a mdia de T.
3. Uma mquina de empacotar caf produz pacotes de caf com pesos segundo uma distribuio
Normal de freqncias, com mdia de 500g e desvio-padro de 3g.
(a) Num lote de 10.000 pacotes, em quantos voc espera encontrar menos de 490g de caf?
(b) Considere que possvel ajustar a mdia com que os pacotes so cheios. Qual deve ser o
ajuste da mdia para que 99% dos pacotes no tenham peso inferior a 500g?
4. Em uma granja de frangos, um estudo estatstico cuidadoso determinou que a lei de freqncias
de ocorrncia de peso final (em kg) desses frangos, dentro de um perodo pr-especificado de
tempo, Normal, com 1.881g de mdia e desvio-padro igual a 210g.
(a) Voc julga possvel estes animais serem submetidos a condies de manejo, alimentao,
ambiente e outros fatores no-homogneos?
(b) Se um frango escolhido aleatoriamente, qual seria a medida de sua expectativa de que tal
animal teria peso superior a 2.000g?
93
LISTA 8: Amostragem
1. Uma pessoa retirou trs maas da superfcie de cada uma das caixas de maas que estavam
em uma quitanda, para verificar a sua qualidade. Isto uma amostra aleatria? Existe algum
problema com este mtodo de amostragem? Comente.
2. Deseja-se testar durante um ms um novo tipo de rao alimentcia em vacas leiteiras. O
objetivo conhecer o incremento mdio da produo de leite por vaca, quando utilizada a nova
rao. Para isto, planejou-se determinar a diferena entre a produo do leite do ms em que foi
fornecida a nova rao e a produo do ms anterior de cada vaca. Sabe-se que, em qualquer caso,
antes e depois da rao, a produo de leite de vacas jovens superior (ou pelo menos diferente)
da produo de vacas adultas, sendo esta diferena significativa. A granja conta atualmente com
653 vacas leiteiras, sendo que, aps uma anlise estatstica e de custos, determinou-se aplicar a
rao em 36 animais.
(a) Qual a populao em estudo?
(b) Qual amostra?
(c) Qual o tamanho da populao e qual o tamanho da amostra?
(d) A populao finita ou infinita? Por qu?
(e) Qual seria o parmetro que se deseja conhecer? possvel conhecer o valor exato desse
parmetro?
(f) Qual o estimador que voc utilizaria para estimar o parmetro do item (e)?
(g) Para esse tipo de estudo, qual tipo de amostragem voc recomendaria utilizar? Por qu?
3. Planeje uma amostragem aleatria sistemtica para amostrar 20 hastes de amortecedores
da linha de produo da Magnetti Marelli Cofap de Lavras, durante um turno de produo de
6300 hastes aproximadamente. Sorteie as hastes que devero ser selecionadas.
4. Uma empresa cafeeira do Sul de Minas dispe de 3.200 funcionrios distribudos nas diversas
atividades conforme o quadro abaixo:
Atividade
Campo
Armazm
Indstria
Administrao
Gerncia
Empregados
1.600
720
480
240
160
(a) Na sua opinio seria razovel levantar as informaes desejadas atravs de uma amostragem
aleatria simples de n = 160 funcionrios? Justifique.
(b) Planeje uma amostragem estratificada de n = 160, determinando o tamanho da amostra
para cada atividade.
(c) Usando a calculadora, ou um software, ou a tabela de nmeros aleatrios, sorteie os componentes da amostra para os empregados que trabalham na gerncia.
5. Foi tomada uma amostra aleatria simples de 17 bovinos no rebanho de uma grande fazenda
de gado de corte, fornecendo os seguintes valores para o peso destes animais:
94
222,5
215,0

250,0
212,2
268,7
227,9
267,3
231,6
277,0
207,3
206,1
235,3
241,4
240,2
265,4
225,9
233,1
6. Quantos animais adicionais voc recomenda amostrar para que o erro de estimao caia
50%, em relao ao erro calculado com o tamanho da amostra inicial?
7. Quantos animais devem ser amostrados se no se admitir errar mais do que 1% da mdia
para mais ou para menos?
95
LISTA 9: Distribuio de amostragem da mdia e intervalo de confiana

1. Numa Universidade foi tomada uma amostra de 40 estudantes, anotando-se as suas alturas
em cm. Os resultados forneceram:
40
X
xi = 6950
i=1
40
X
x2i = 1213463
i=1
(a) Encontre as estimativas por ponto de m e s.

(b) Construa o intervalo de confiana de 95% para a mdia da populao. Interprete.
2. Determine o intervalo de confiana para mdia com 90%, na seguinte situao:
x = 15
Sx = 2
n = 16
N = 200
3. Um pecuarista se entusiasmou por uma nova rao amplamente divulgada pelos meios de
comunicao. Para verificar a eficincia da rao, ele selecionou uma AAS de 49 bois de seu
rebanho e os alimentou por 30 dias obtendo um ganho de peso mdio de 31, 7kg com um desvio
padro de 2, 6kg.
(a) Construa o intervalo de confiana de 95% para a mdia e interprete.
(b) Qual dever ser o tamanho da amostra para que o erro no seja superior a 0, 7kg com
probabilidade de 95%.
4. Foi feito uma amostra aleatria simples de tamanho n = 30 do rebanho N = 201 do Ncleo
dos Criadores de Gado Holands do Sul de Minas com o objetivo de descrever a produo de leite.
Os dados obtidos na amostra foram:
17,7
23,3
19,3
20,7
15,3
19,6
19,3
23,7
26,6
19,3
18,8
14,3
18,0
25,2
19,7
16,9
18,0
32,7
19,7
22,8
14,1
20,1
21,1
16,8
21,0
18,8
19,7
21,2
25,9
19,3
(a) Estime a mdia e a varincia da populao

(b) Estime a proporo dos animais que produzem menos que 20kg de leite.
(c) Construa o intervalo de confiana para a produo total do rebanho com coeficiente de
confiana de 95% e considere s = 4, 91kg.
5. Um levantamento amostral sobre aspectos de higiene e sade envolvendo bairros perifricos
de Lavras, mostrou, entre outros fatos, a seguinte resposta a pergunta: "voc lava sua caixa
dgua?"
Resposta
Nmero de residncias
Nunca
13
3 em 3 meses
11
6 em 6 meses
4
Anualmente
22
Poucas vezes
18
Total
68
Nota: Considere 5.000 residncias na periferia de Lavras, quando esta pesquisa foi feita (1992).
96
Construa um IC para a proporo de todas as residncias na periferia de Lavras que nunca

lavam, ou lavam poucas vezes. Construa um IC para o nmero total de residncias na periferia
de Lavras que nunca lavam ou poucas vezes lavam.
97
LISTA 10: Intervalo de Confiana e Testes de Hiptese

1. Para comparar 2 sistemas do plantio de arroz, foram cultivadas 16 parcelas de 10m2 (2m x
5m), anotando-se os rendimentos (kg). Os resultados foram:
Arroz de sequeiro
Arroz irrigado
1,1 1,0 1,4 1,3 1,5 0,9

2,0 2,5 2,4 2,1 1,8 1,9 1,9 2,3 2,5 2,6
Calcule um IC para a verdadeira diferena de produtividade dos 2 sistemas. Considere varincias iguais.
2. Um administrador colecionou dados sobre aumento na produtividade no ltimo ano para
uma amostra de empresas que produzem equipamentos para mecanizao agrcola. As firmas
foram classificadas de acordo com seus investimentos em pesquisa e desenvolvimento nos ltimos
3 anos. Os resultados do estudo seguem abaixo, onde o aumento na produtividade medido numa
escala de 0 10.
Investimento
Baixo
Alto
Firmas
1
7,6
8,5
2
8,2
9,7
3
6,8
10,1
4
5,8
7,8
5
6,9
9,6
6
6,6
9,5
Considere as varincias populacionais diferentes, e construa um IC para a verdadeira diferena

entre as mdias de produtividade.
3. Acredita-se que peixes do gnero Astymax (Lambari) da represa de Camargos possuem
seus pesos distribudos segundo uma Normal, com mdia 13, 36g e um desvio padro de 4, 79g.
Um Lambari com 25, 2g foi pescado recentemente. Esta observao coloca em dvida o que se
acredita? Embase estatisticamente sua resposta.
4. Os produtores de uma certa semente de milho afirmam que seu poder de germinao de
92%. Um fazendeiro tomou 10 sementes e plantou-as para testar se verdadeira tal afirmao. Oito
sementes germinaram. Este fato pode substituir cientificamente a acusao de que as sementes
no tm 92% de germinao?
5. Indique claramente quais as hipteses de nulidade e alternativa que seriam convenientes
para serem testadas nas seguintes situaes:
(a) Um laticnio afirma que o teor de gordura do seu creme de leite de 25%, mas alguns
consumidores tm dvidas a esse respeito.
(b) Um produtor rural calcula que a viabilidade econmica de sua infra-estrutura atingida
com uma produtividade de 8, 2t/ha, e deseja saber se corresponde produtividade atual.
(c) Um pecuarista utiliza medicamentos diferentes em dois rebanhos e deseja saber se eles
determinam condies sanitrias diferentes.
(d) O limite de tolerncia para comercializao de uma certa virose em campos de produo
de batata-semente de 10%; deseja-se saber se determinado campo deve ser condenado.
6. Um gerente de cooperativa suspeita que um produtor tenha fraudado o leite.
98

(a) Quais os tipos de erro para a hiptese H0 : leite normal.
(b) Qual o tipo de erro que menos grave?
7. Uma montadora de automveis anuncia que seus carros consomem, em mdia, 11 litros a
cada 100Km, com desvio padro de 0, 8 litros (considere que o consumo possua uma distribuio
Normal). Voc compra um automvel dessa marca, obtendo 11, 3 litros por 100Km, como consumo
mdio. O que voc pode concluir sobre o anncio da montadora a um nvel de significncia de 5%.
99
LISTA 11: Regresso e correlao

1. Use os valores dados abaixo para estimar a equao de regresso e plote a reta de regresso:
20
X
xi = 200
i=1
20
X
20
X
yi = 300
i=1
xi yi = 6200
i=1
20
X
x2i = 3600
n = 20
i=1
2. Foi feito um estudo sobre adio de sulfato de clcio (CaSO4) uria e seu efeito no ganho
de peso de novilhos tratados com cana. Os resultados obtidos foram os seguintes:
X
Y
0
495
5
560
10
590
15
620
20
615
Em que X a concentrao de CaSO4 e Y o ganho de peso dirio em gramas.

(a) Faa um diagrama de disperses para os dados.
(b) Estime a equao de regresso que se ajusta aos dados
(c) Plote a equao estimada.
(d) Interprete praticamente a equao de regresso.
(e) Calcule e interprete as trs variaes admitidas no modelo
(f) Teste o ajuste de regresso linear aos dados atravs do Teste F ( = 5%)
(g) Calcule o coeficiente de correlao e intrprete
(h) Encontre o coeficiente de determinao (r2 ).
3. Procurou-se realizar um estudo com o objetivo de saber o efeito na produo de leite de um
grupo de vacas tratadas com diferentes nveis de protena. Foram obtidos os seguintes dados:
X
Y
10
11,8
12
10,2
14
12,1
Pede-se o mesmo que no exerccio anterior.
16
13,2
18
12,1
20
15,4
22
15,6
100
9
APNDICE B: TABELAS
102
Tabela 9.1: Probabilidades () da distribuio normal padro N (0, 1) para valores do quantil Zt
padronizado de acordo com o seguinte evento: P (0 < Z < Zt ) = .
Zt
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0
0,0000
0,0398
0,0793
0,1179
0,1554
0,1915
0,2257
0,2580
0,2881
0,3159
0,3413
0,3643
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,4641
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,4953
0,4965
0,4974
0,4981
0,4987
0,4990
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
1
0,0040
0,0438
0,0832
0,1217
0,1591
0,1950
0,2291
0,2611
0,2910
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,4920
0,4940
0,4955
0,4966
0,4975
0,4982
0,4987
0,4991
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
2
0,0080
0,0478
0,0871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3686
0,3888
0,4066
0,4222
0,4357
0,4474
0,4573
0,4656
0,4726
0,4783
0,4830
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4982
0,4987
0,4991
0,4994
0,4995
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
3
0,0120
0,0517
0,0910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3238
0,3485
0,3708
0,3907
0,4082
0,4236
0,4370
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983
0,4988
0,4991
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
4
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2704
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984
0,4988
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
5
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
6
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,3770
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,4750
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
7
0,0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,3340
0,3577
0,3790
0,3980
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,4850
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985
0,4989
0,4992
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
8
0,0319
0,0714
0,1103
0,1480
0,1844
0,2190
0,2517
0,2823
0,3106
0,3365
0,3599
0,3810
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,4980
0,4986
0,4990
0,4993
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
9
0,0359
0,0753
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,3830
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,4890
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986
0,4990
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,4999
0,5000
APNDICE B: TABELAS
103
Tabela 9.2: Probabilidades () da distribuio normal padro N (0, 1) para valores do quantil Zt
padronizado de acordo com o seguinte evento: P (Z > Zt ) = .
Zt
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0
0,5000
0,4602
0,4207
0,3821
0,3446
0,3085
0,2743
0,2420
0,2119
0,1841
0,1587
0,1357
0,1151
0,0968
0,0808
0,0668
0,0548
0,0446
0,0359
0,0287
0,0228
0,0179
0,0139
0,0107
0,0082
0,0062
0,0047
0,0035
0,0026
0,0019
0,0013
0,0010
0,0007
0,0005
0,0003
0,0002
0,0002
0,0001
0,0001
0,0000
1
0,4960
0,4562
0,4168
0,3783
0,3409
0,3050
0,2709
0,2389
0,2090
0,1814
0,1562
0,1335
0,1131
0,0951
0,0793
0,0655
0,0537
0,0436
0,0351
0,0281
0,0222
0,0174
0,0136
0,0104
0,0080
0,0060
0,0045
0,0034
0,0025
0,0018
0,0013
0,0009
0,0007
0,0005
0,0003
0,0002
0,0002
0,0001
0,0001
0,0000
2
0,4920
0,4522
0,4129
0,3745
0,3372
0,3015
0,2676
0,2358
0,2061
0,1788
0,1539
0,1314
0,1112
0,0934
0,0778
0,0643
0,0526
0,0427
0,0344
0,0274
0,0217
0,0170
0,0132
0,0102
0,0078
0,0059
0,0044
0,0033
0,0024
0,0018
0,0013
0,0009
0,0006
0,0005
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
3
0,4880
0,4483
0,4090
0,3707
0,3336
0,2981
0,2643
0,2327
0,2033
0,1762
0,1515
0,1292
0,1093
0,0918
0,0764
0,0630
0,0516
0,0418
0,0336
0,0268
0,0212
0,0166
0,0129
0,0099
0,0075
0,0057
0,0043
0,0032
0,0023
0,0017
0,0012
0,0009
0,0006
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
4
0,4840
0,4443
0,4052
0,3669
0,3300
0,2946
0,2611
0,2296
0,2005
0,1736
0,1492
0,1271
0,1075
0,0901
0,0749
0,0618
0,0505
0,0409
0,0329
0,0262
0,0207
0,0162
0,0125
0,0096
0,0073
0,0055
0,0041
0,0031
0,0023
0,0016
0,0012
0,0008
0,0006
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
5
0,4801
0,4404
0,4013
0,3632
0,3264
0,2912
0,2578
0,2266
0,1977
0,1711
0,1469
0,1251
0,1056
0,0885
0,0735
0,0606
0,0495
0,0401
0,0322
0,0256
0,0202
0,0158
0,0122
0,0094
0,0071
0,0054
0,0040
0,0030
0,0022
0,0016
0,0011
0,0008
0,0006
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
6
0,4761
0,4364
0,3974
0,3594
0,3228
0,2877
0,2546
0,2236
0,1949
0,1685
0,1446
0,1230
0,1038
0,0869
0,0721
0,0594
0,0485
0,0392
0,0314
0,0250
0,0197
0,0154
0,0119
0,0091
0,0069
0,0052
0,0039
0,0029
0,0021
0,0015
0,0011
0,0008
0,0006
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
7
0,4721
0,4325
0,3936
0,3557
0,3192
0,2843
0,2514
0,2206
0,1922
0,1660
0,1423
0,1210
0,1020
0,0853
0,0708
0,0582
0,0475
0,0384
0,0307
0,0244
0,0192
0,0150
0,0116
0,0089
0,0068
0,0051
0,0038
0,0028
0,0021
0,0015
0,0011
0,0008
0,0005
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
8
0,4681
0,4286
0,3897
0,3520
0,3156
0,2810
0,2483
0,2177
0,1894
0,1635
0,1401
0,1190
0,1003
0,0838
0,0694
0,0571
0,0465
0,0375
0,0301
0,0239
0,0188
0,0146
0,0113
0,0087
0,0066
0,0049
0,0037
0,0027
0,0020
0,0014
0,0010
0,0007
0,0005
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
0,0000
9
0,4641
0,4247
0,3859
0,3483
0,3121
0,2776
0,2451
0,2148
0,1867
0,1611
0,1379
0,1170
0,0985
0,0823
0,0681
0,0559
0,0455
0,0367
0,0294
0,0233
0,0183
0,0143
0,0110
0,0084
0,0064
0,0048
0,0036
0,0026
0,0019
0,0014
0,0010
0,0007
0,0005
0,0003
0,0002
0,0002
0,0001
0,0001
0,0001
0,0000
104
Tabela 9.3: Quantis superiores da distribuio de qui-quadrado (2 ) com graus de liberdade e

para diferentes valores da probabilidade () de acordo com o seguinte evento: P (2 > 2 ) = .
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
0,995
0,000039
0,010025
0,071721
0,206989
0,411742
0,675727
0,989256
1,344
1,735
2,156
2,603
3,074
3,565
4,075
4,601
5,142
5,697
6,265
6,844
7,434
8,034
8,643
9,260
9,886
10,520
11,160
11,808
12,461
13,121
13,787
20,707
27,991
35,534
83,852
187,324
403,949
850,891
0,990
0,000157
0,020101
0,114831
0,297109
0,554298
0,872090
1,239
1,646
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,879
13,565
14,256
14,953
22,164
29,707
37,485
86,923
191,990
410,874
861,015
0,975
0,000982
0,050636
0,215793
0,484418
0,831212
1,237
1,690
2,180
2,700
3,247
3,816
4,404
5,009
5,629
6,262
6,908
7,564
8,231
8,907
9,591
10,283
10,982
11,689
12,401
13,120
13,844
14,573
15,308
16,047
16,791
24,433
32,357
40,482
91,573
198,984
421,189
876,028
0,950
0,003932
0,102587
0,351843
0,710723
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
11,591
12,338
13,091
13,848
14,611
15,379
16,151
16,928
17,708
18,493
26,509
34,764
43,188
95,705
205,135
430,198
889,081
0,900
0,015791
0,210721
0,584369
1,064
1,610
2,204
2,833
3,490
4,168
4,865
5,578
6,304
7,042
7,790
8,547
9,312
10,085
10,865
11,651
12,443
13,240
14,041
14,848
15,659
16,473
17,292
18,114
18,939
19,768
20,599
29,051
37,689
46,459
100,624
212,386
440,745
904,291
0,750
0,101532
0,575364
1,213
1,923
2,675
3,455
4,255
5,071
5,899
6,737
7,584
8,438
9,299
10,165
11,037
11,912
12,792
13,675
14,562
15,452
16,344
17,240
18,137
19,037
19,939
20,843
21,749
22,657
23,567
24,478
33,660
42,942
52,294
109,220
224,882
458,754
930,093
0,500
0,455
1,386
2,366
3,357
4,351
5,348
6,346
7,344
8,343
9,342
10,341
11,340
12,340
13,339
14,339
15,338
16,338
17,338
18,338
19,337
20,337
21,337
22,337
23,337
24,337
25,336
26,336
27,336
28,336
29,336
39,335
49,335
59,335
119,334
239,334
479,334
959,333
APNDICE B: TABELAS
105
Tabela 9.4: Quantis superiores da distribuio de qui-quadrado (2 ) com graus de liberdade e

para diferentes valores da probabilidade () de acordo com o seguinte evento: P (2 > 2 ) = .
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
0,500
0,454940
1,386
2,366
3,357
4,351
5,348
6,346
7,344
8,343
9,342
10,341
11,340
12,340
13,339
14,339
15,338
16,338
17,338
18,338
19,337
20,337
21,337
22,337
23,337
24,337
25,336
26,336
27,336
28,336
29,336
39,335
49,335
59,335
119,334
239,334
479,334
959,333
0,250
1,323
2,773
4,108
5,385
6,626
7,841
9,037
10,219
11,389
12,549
13,701
14,845
15,984
17,117
18,245
19,369
20,489
21,605
22,718
23,828
24,935
26,039
27,141
28,241
29,339
30,435
31,528
32,620
33,711
34,800
45,616
56,334
66,981
130,055
254,392
500,519
989,180
0,100
2,706
4,605
6,251
7,779
9,236
10,645
12,017
13,362
14,684
15,987
17,275
18,549
19,812
21,064
22,307
23,542
24,769
25,989
27,204
28,412
29,615
30,813
32,007
33,196
34,382
35,563
36,741
37,916
39,087
40,256
51,805
63,167
74,397
140,233
268,471
520,111
1016,566
0,050
3,841
5,991
7,815
9,488
11,070
12,592
14,067
15,507
16,919
18,307
19,675
21,026
22,362
23,685
24,996
26,296
27,587
28,869
30,144
31,410
32,671
33,924
35,172
36,415
37,652
38,885
40,113
41,337
42,557
43,773
55,758
67,505
79,082
146,567
277,138
532,075
1033,193
0,025
5,024
7,378
9,348
11,143
12,833
14,449
16,013
17,535
19,023
20,483
21,920
23,337
24,736
26,119
27,488
28,845
30,191
31,526
32,852
34,170
35,479
36,781
38,076
39,364
40,646
41,923
43,195
44,461
45,722
46,979
59,342
71,420
83,298
152,211
284,802
542,599
1047,760
0,010
6,635
9,210
11,345
13,277
15,086
16,812
18,475
20,090
21,666
23,209
24,725
26,217
27,688
29,141
30,578
32,000
33,409
34,805
36,191
37,566
38,932
40,289
41,638
42,980
44,314
45,642
46,963
48,278
49,588
50,892
63,691
76,154
88,379
158,950
293,888
555,006
1064,867
0,005
7,879
10,597
12,838
14,860
16,750
18,548
20,278
21,955
23,589
25,188
26,757
28,300
29,819
31,319
32,801
34,267
35,718
37,156
38,582
39,997
41,401
42,796
44,181
45,559
46,928
48,290
49,645
50,993
52,336
53,672
66,766
79,490
91,952
163,648
300,182
563,561
1076,621
106
Tabela 9.5: Quantis superiores da distribuio de F (F0,10 ) com 1 graus de liberdade do numerador
e 2 graus de liberdade do denominador, valor da probabilidade () de 10% de acordo com o
seguinte evento:P (F > F0,10 ) = 0, 10.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
1
39,86
8,53
5,54
4,55
4,06
3,78
3,59
3,46
3,36
3,29
3,23
3,18
3,14
3,10
3,07
3,05
3,03
3,01
2,99
2,97
2,96
2,95
2,94
2,93
2,92
2,91
2,90
2,89
2,89
2,88
2,84
2,81
2,79
2,75
2,73
2,72
2,71
2,71
2
49,50
9,00
5,46
4,32
3,78
3,46
3,26
3,11
3,01
2,92
2,86
2,81
2,76
2,73
2,70
2,67
2,64
2,62
2,61
2,59
2,57
2,56
2,55
2,54
2,53
2,52
2,51
2,50
2,50
2,49
2,44
2,41
2,39
2,35
2,32
2,31
2,31
2,30
3
53,59
9,16
5,39
4,19
3,62
3,29
3,07
2,92
2,81
2,73
2,66
2,61
2,56
2,52
2,49
2,46
2,44
2,42
2,40
2,38
2,36
2,35
2,34
2,33
2,32
2,31
2,30
2,29
2,28
2,28
2,23
2,20
2,18
2,13
2,11
2,10
2,09
2,08
4
55,83
9,24
5,34
4,11
3,52
3,18
2,96
2,81
2,69
2,61
2,54
2,48
2,43
2,39
2,36
2,33
2,31
2,29
2,27
2,25
2,23
2,22
2,21
2,19
2,18
2,17
2,17
2,16
2,15
2,14
2,09
2,06
2,04
1,99
1,97
1,96
1,95
1,94
5
57,24
9,29
5,31
4,05
3,45
3,11
2,88
2,73
2,61
2,52
2,45
2,39
2,35
2,31
2,27
2,24
2,22
2,20
2,18
2,16
2,14
2,13
2,11
2,10
2,09
2,08
2,07
2,06
2,06
2,05
2,00
1,97
1,95
1,90
1,87
1,86
1,85
1,85
1
6
58,20
9,33
5,28
4,01
3,40
3,05
2,83
2,67
2,55
2,46
2,39
2,33
2,28
2,24
2,21
2,18
2,15
2,13
2,11
2,09
2,08
2,06
2,05
2,04
2,02
2,01
2,00
2,00
1,99
1,98
1,93
1,90
1,87
1,82
1,80
1,79
1,78
1,77
7
58,91
9,35
5,26
3,98
3,37
3,01
2,78
2,62
2,51
2,41
2,34
2,28
2,23
2,19
2,16
2,13
2,10
2,08
2,06
2,04
2,02
2,01
1,99
1,98
1,97
1,96
1,95
1,94
1,93
1,93
1,87
1,84
1,82
1,77
1,74
1,73
1,72
1,72
8
59,44
9,37
5,25
3,95
3,34
2,98
2,75
2,59
2,47
2,38
2,30
2,24
2,20
2,15
2,12
2,09
2,06
2,04
2,02
2,00
1,98
1,97
1,95
1,94
1,93
1,92
1,91
1,90
1,89
1,88
1,83
1,80
1,77
1,72
1,70
1,68
1,68
1,67
9
59,86
9,38
5,24
3,94
3,32
2,96
2,72
2,56
2,44
2,35
2,27
2,21
2,16
2,12
2,09
2,06
2,03
2,00
1,98
1,96
1,95
1,93
1,92
1,91
1,89
1,88
1,87
1,87
1,86
1,85
1,79
1,76
1,74
1,68
1,66
1,64
1,64
1,63
10
60,20
9,39
5,23
3,92
3,30
2,94
2,70
2,54
2,42
2,32
2,25
2,19
2,14
2,10
2,06
2,03
2,00
1,98
1,96
1,94
1,92
1,90
1,89
1,88
1,87
1,86
1,85
1,84
1,83
1,82
1,76
1,73
1,71
1,65
1,63
1,61
1,61
1,60
11
60,47
9,40
5,22
3,91
3,28
2,92
2,68
2,52
2,40
2,30
2,23
2,17
2,12
2,07
2,04
2,01
1,98
1,95
1,93
1,91
1,90
1,88
1,87
1,85
1,84
1,83
1,82
1,81
1,80
1,79
1,74
1,70
1,68
1,63
1,60
1,58
1,58
1,57
APNDICE B: TABELAS
107
e 2 graus de liberdade do denominador, valor da probabilidade () de 10% de acordo com o
seguinte evento: P (F > F0,10 ) = 0, 10.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
12
60,71
9,41
5,21
3,90
3,27
2,90
2,67
2,50
2,38
2,28
2,21
2,15
2,10
2,05
2,02
1,99
1,96
1,93
1,91
1,89
1,87
1,86
1,84
1,83
1,82
1,81
1,80
1,79
1,78
1,77
1,71
1,68
1,66
1,60
1,57
1,56
1,55
1,55
13
60,90
9,41
5,21
3,89
3,26
2,89
2,65
2,49
2,36
2,27
2,19
2,13
2,08
2,04
2,00
1,97
1,94
1,92
1,89
1,87
1,86
1,84
1,83
1,81
1,80
1,79
1,78
1,77
1,76
1,75
1,70
1,66
1,64
1,58
1,55
1,54
1,53
1,52
14
61,07
9,42
5,20
3,88
3,25
2,88
2,64
2,48
2,35
2,26
2,18
2,12
2,07
2,02
1,99
1,95
1,93
1,90
1,88
1,86
1,84
1,83
1,81
1,80
1,79
1,77
1,76
1,75
1,75
1,74
1,68
1,64
1,62
1,56
1,53
1,52
1,51
1,50
15
61,22
9,42
5,20
3,87
3,24
2,87
2,63
2,46
2,34
2,24
2,17
2,10
2,05
2,01
1,97
1,94
1,91
1,89
1,86
1,84
1,83
1,81
1,80
1,78
1,77
1,76
1,75
1,74
1,73
1,72
1,66
1,63
1,60
1,55
1,52
1,50
1,49
1,49
20
61,74
9,44
5,18
3,84
3,21
2,84
2,59
2,42
2,30
2,20
2,12
2,06
2,01
1,96
1,92
1,89
1,86
1,84
1,81
1,79
1,78
1,76
1,74
1,73
1,72
1,71
1,70
1,69
1,68
1,67
1,61
1,57
1,54
1,48
1,45
1,44
1,43
1,42
1
30
62,26
9,46
5,16
3,82
3,17
2,80
2,56
2,38
2,25
2,16
2,08
2,01
1,96
1,91
1,87
1,84
1,81
1,78
1,76
1,74
1,72
1,70
1,69
1,67
1,66
1,65
1,64
1,63
1,62
1,61
1,54
1,50
1,48
1,41
1,38
1,36
1,35
1,34
40
62,53
9,47
5,15
3,80
3,16
2,78
2,54
2,36
2,23
2,13
2,05
1,99
1,93
1,89
1,85
1,81
1,78
1,75
1,73
1,71
1,69
1,67
1,66
1,64
1,63
1,61
1,60
1,59
1,58
1,57
1,51
1,46
1,44
1,37
1,33
1,31
1,30
1,30
60
62,79
9,47
5,14
3,79
3,14
2,76
2,51
2,34
2,21
2,11
2,03
1,96
1,90
1,86
1,82
1,78
1,75
1,72
1,70
1,68
1,66
1,64
1,62
1,61
1,59
1,58
1,57
1,56
1,55
1,54
1,47
1,42
1,40
1,32
1,28
1,26
1,25
1,24
120
63,06
9,48
5,13
3,78
3,12
2,74
2,49
2,32
2,18
2,08
2,00
1,93
1,88
1,83
1,79
1,75
1,72
1,69
1,67
1,64
1,62
1,60
1,59
1,57
1,56
1,54
1,53
1,52
1,51
1,50
1,42
1,38
1,35
1,26
1,22
1,19
1,18
1,17
240
63,19
9,49
5,11
3,77
3,12
2,73
2,48
2,30
2,17
2,07
1,99
1,92
1,86
1,81
1,77
1,73
1,70
1,67
1,65
1,63
1,60
1,59
1,57
1,55
1,54
1,52
1,51
1,50
1,49
1,48
1,40
1,35
1,32
1,23
1,18
1,15
1,14
1,12
63,33
9,49
5,13
3,76
3,10
2,72
2,47
2,29
2,16
2,06
1,97
1,90
1,85
1,80
1,76
1,72
1,69
1,66
1,63
1,61
1,59
1,57
1,55
1,53
1,52
1,50
1,49
1,48
1,47
1,46
1,38
1,33
1,29
1,19
1,13
1,09
1,06
1,00
108
e 2 graus de liberdade do denominador valor da probabilidade () de 5% de acordo com o seguinte
evento: P (F > F0,05 ) = 0, 05.
1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
1
161,45
18,51
10,13
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
4,17
4,08
4,03
4,00
3,92
3,88
3,86
3,85
3,84
2
199,50
19,00
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,37
3,35
3,34
3,33
3,32
3,23
3,18
3,15
3,07
3,03
3,01
3,01
3,00
3
215,70
19,16
9,27
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,07
3,05
3,03
3,01
2,99
2,97
2,96
2,95
2,93
2,92
2,84
2,79
2,76
2,68
2,64
2,62
2,61
2,60
4
224,58
19,25
9,11
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
2,69
2,61
2,56
2,53
2,45
2,41
2,39
2,38
2,37
5
230,16
19,30
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,55
2,53
2,45
2,40
2,37
2,29
2,25
2,23
2,22
2,21
6
234,0
19,33
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,45
2,43
2,42
2,34
2,29
2,25
2,18
2,14
2,12
2,11
2,10
7
236,8
19,35
8,88
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,37
2,36
2,35
2,33
2,25
2,20
2,17
2,09
2,05
2,03
2,02
2,01
8
238,9
19,37
8,84
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,32
2,31
2,29
2,28
2,27
2,18
2,13
2,10
2,02
1,98
1,96
1,95
1,94
9
240,5
19,38
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,27
2,25
2,24
2,22
2,21
2,12
2,07
2,04
1,96
1,92
1,90
1,89
1,88
10
241,9
19,40
8,78
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
2,16
2,08
2,03
1,99
1,91
1,87
1,85
1,84
1,83
11
242,98
19,40
8,76
5,94
4,70
4,03
3,60
3,31
3,10
2,94
2,82
2,72
2,63
2,57
2,51
2,46
2,41
2,37
2,34
2,31
2,28
2,26
2,24
2,22
2,20
2,18
2,17
2,15
2,14
2,13
2,04
1,99
1,95
1,87
1,83
1,81
1,80
1,79
APNDICE B: TABELAS
109
e 2 graus de liberdade do denominador, valor da probabilidade () de 5% de acordo com o seguinte
evento: P (F > F0,05 ) = 0, 05.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
12
243,91
19,41
8,74
5,91
4,68
4,00
3,57
3,28
3,07
2,91
2,79
2,69
2,60
2,53
2,48
2,42
2,38
2,34
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,15
2,13
2,12
2,10
2,09
2,00
1,95
1,92
1,83
1,79
1,77
1,76
1,75
13
244,69
19,42
8,72
5,89
4,66
3,98
3,55
3,26
3,05
2,89
2,76
2,66
2,58
2,51
2,45
2,40
2,35
2,31
2,28
2,25
2,22
2,20
2,18
2,15
2,14
2,12
2,10
2,09
2,08
2,06
1,97
1,92
1,89
1,80
1,76
1,74
1,73
1,72
14
245,36
19,42
8,71
5,87
4,64
3,96
3,53
3,24
3,03
2,86
2,74
2,64
2,55
2,48
2,42
2,37
2,33
2,29
2,26
2,22
2,20
2,17
2,15
2,13
2,11
2,09
2,08
2,06
2,05
2,04
1,95
1,89
1,86
1,78
1,73
1,71
1,70
1,69
15
245,95
19,43
8,69
5,86
4,62
3,94
3,51
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,07
2,06
2,04
2,03
2,01
1,92
1,87
1,84
1,75
1,71
1,69
1,68
1,67
20
248,0
19,45
8,65
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,99
1,97
1,96
1,94
1,93
1,84
1,78
1,75
1,66
1,61
1,59
1,58
1,57
1
30
250,1
19,46
8,60
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,74
1,69
1,65
1,55
1,51
1,48
1,47
1,46
40
251,1
19,47
8,57
5,72
4,46
3,77
3,34
3,04
2,83
2,66
2,53
2,43
2,34
2,27
2,20
2,15
2,10
2,06
2,03
1,99
1,96
1,94
1,91
1,89
1,87
1,85
1,84
1,82
1,81
1,79
1,69
1,63
1,59
1,50
1,44
1,42
1,41
1,39
60
252,2
19,48
8,54
5,69
4,43
3,74
3,30
3,01
2,79
2,62
2,49
2,38
2,30
2,22
2,16
2,11
2,06
2,02
1,98
1,95
1,92
1,89
1,86
1,84
1,82
1,80
1,79
1,77
1,75
1,74
1,64
1,58
1,53
1,43
1,37
1,35
1,33
1,32
120
253,3
19,49
8,49
5,66
4,40
3,70
3,27
2,97
2,75
2,58
2,45
2,34
2,25
2,18
2,11
2,06
2,01
1,97
1,93
1,90
1,87
1,84
1,81
1,79
1,77
1,75
1,73
1,71
1,70
1,68
1,58
1,51
1,47
1,35
1,29
1,26
1,24
1,22
240
253,8
19,49
8,42
5,64
4,39
3,69
3,25
2,95
2,73
2,56
2,43
2,32
2,23
2,15
2,09
2,03
1,99
1,94
1,90
1,87
1,84
1,81
1,79
1,76
1,74
1,72
1,70
1,68
1,67
1,65
1,54
1,48
1,43
1,31
1,24
1,20
1,18
1,15
254,31
19,50
8,53
5,63
4,36
3,67
3,23
2,93
2,71
2,54
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,69
1,67
1,65
1,64
1,62
1,51
1,44
1,39
1,25
1,17
1,12
1,08
1,00
110
Tabela 9.9: Quantis superiores da distribuio de F (F0,025 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 2,5% de acordo com
o seguinte evento: P (F > F0,025 ) = 0, 025.
1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
1
647,79
38,51
17,44
12,22
10,01
8,81
8,07
7,57
7,21
6,94
6,72
6,55
6,41
6,30
6,20
6,12
6,04
5,98
5,92
5,87
5,83
5,79
5,75
5,72
5,69
5,66
5,63
5,61
5,59
5,57
5,42
5,34
5,29
5,15
5,09
5,06
5,04
5,02
2
799,50
39,00
16,03
10,65
8,43
7,26
6,54
6,06
5,71
5,46
5,26
5,10
4,97
4,86
4,77
4,69
4,62
4,56
4,51
4,46
4,42
4,38
4,35
4,32
4,29
4,27
4,24
4,22
4,20
4,18
4,05
3,97
3,93
3,80
3,75
3,72
3,70
3,69
3
864,14
39,15
15,42
9,98
7,76
6,60
5,89
5,41
5,08
4,82
4,63
4,47
4,35
4,24
4,15
4,08
4,01
3,95
3,90
3,86
3,82
3,78
3,75
3,72
3,69
3,67
3,65
3,63
3,61
3,59
3,46
3,39
3,34
3,23
3,17
3,14
3,13
3,12
4
899,58
39,25
15,08
9,60
7,39
6,23
5,52
5,05
4,72
4,47
4,28
4,12
4,00
3,89
3,80
3,73
3,66
3,61
3,56
3,51
3,48
3,44
3,41
3,38
3,35
3,33
3,31
3,29
3,27
3,25
3,13
3,05
3,01
2,89
2,84
2,81
2,80
2,79
5
921,85
39,30
14,87
9,36
7,15
5,99
5,29
4,82
4,48
4,24
4,04
3,89
3,77
3,66
3,58
3,50
3,44
3,38
3,33
3,29
3,25
3,22
3,18
3,15
3,13
3,10
3,08
3,06
3,04
3,03
2,90
2,83
2,79
2,67
2,62
2,59
2,58
2,57
6
937,1
39,33
14,71
9,20
6,98
5,82
5,12
4,65
4,32
4,07
3,88
3,73
3,60
3,50
3,41
3,34
3,28
3,22
3,17
3,13
3,09
3,05
3,02
2,99
2,97
2,94
2,92
2,90
2,88
2,87
2,74
2,67
2,63
2,52
2,46
2,43
2,42
2,41
7
948,2
39,36
14,60
9,07
6,85
5,70
5,00
4,53
4,20
3,95
3,76
3,61
3,48
3,38
3,29
3,22
3,16
3,10
3,05
3,01
2,97
2,93
2,90
2,87
2,85
2,82
2,80
2,78
2,76
2,75
2,62
2,55
2,51
2,39
2,34
2,31
2,30
2,29
8
956,7
39,37
14,51
8,98
6,76
5,60
4,90
4,43
4,10
3,85
3,66
3,51
3,39
3,29
3,20
3,12
3,06
3,01
2,96
2,91
2,87
2,84
2,81
2,78
2,75
2,73
2,71
2,69
2,67
2,65
2,53
2,46
2,41
2,30
2,25
2,22
2,21
2,19
9
963,3
39,39
14,44
8,90
6,68
5,52
4,82
4,36
4,03
3,78
3,59
3,44
3,31
3,21
3,12
3,05
2,98
2,93
2,88
2,84
2,80
2,76
2,73
2,70
2,68
2,65
2,63
2,61
2,59
2,57
2,45
2,38
2,33
2,22
2,17
2,14
2,13
2,11
10
968,6
39,40
14,39
8,84
6,62
5,46
4,76
4,30
3,96
3,72
3,53
3,37
3,25
3,15
3,06
2,99
2,92
2,87
2,82
2,77
2,73
2,70
2,67
2,64
2,61
2,59
2,57
2,55
2,53
2,51
2,39
2,32
2,27
2,16
2,10
2,08
2,06
2,05
11
973,03
39,41
14,34
8,79
6,57
5,41
4,71
4,24
3,91
3,66
3,47
3,32
3,20
3,09
3,01
2,93
2,87
2,81
2,76
2,72
2,68
2,65
2,62
2,59
2,56
2,54
2,51
2,49
2,48
2,46
2,33
2,26
2,22
2,10
2,05
2,02
2,01
1,99
APNDICE B: TABELAS
111
o seguinte evento: P (F > F0,025 ) = 0, 025.
1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
12
976,71
39,41
14,30
8,75
6,53
5,37
4,67
4,20
3,87
3,62
3,43
3,28
3,15
3,05
2,96
2,89
2,82
2,77
2,72
2,68
2,64
2,60
2,57
2,54
2,51
2,49
2,47
2,45
2,43
2,41
2,29
2,22
2,17
2,05
2,00
1,97
1,96
1,94
13
979,84
39,42
14,27
8,71
6,49
5,33
4,63
4,16
3,83
3,58
3,39
3,24
3,12
3,01
2,92
2,85
2,79
2,73
2,68
2,64
2,60
2,56
2,53
2,50
2,48
2,45
2,43
2,41
2,39
2,37
2,25
2,18
2,13
2,01
1,96
1,93
1,92
1,90
14
982,53
39,43
14,24
8,68
6,45
5,30
4,60
4,13
3,80
3,55
3,36
3,21
3,08
2,98
2,89
2,82
2,75
2,70
2,65
2,60
2,56
2,53
2,50
2,47
2,44
2,42
2,39
2,37
2,36
2,34
2,21
2,14
2,09
1,98
1,92
1,89
1,88
1,87
15
984,87
39,43
14,21
8,66
6,43
5,27
4,57
4,10
3,77
3,52
3,33
3,18
3,05
2,95
2,86
2,79
2,72
2,67
2,62
2,57
2,53
2,50
2,47
2,44
2,41
2,39
2,36
2,34
2,32
2,31
2,18
2,11
2,06
1,94
1,89
1,86
1,85
1,83
20
993,1
39,45
14,11
8,56
6,33
5,17
4,47
4,00
3,67
3,42
3,23
3,07
2,95
2,84
2,76
2,68
2,62
2,56
2,51
2,46
2,42
2,39
2,36
2,33
2,30
2,28
2,25
2,23
2,21
2,20
2,07
1,99
1,94
1,82
1,77
1,74
1,72
1,71
30
1001
39,46
14,00
8,46
6,22
5,07
4,36
3,89
3,56
3,31
3,12
2,96
2,84
2,73
2,64
2,57
2,50
2,44
2,39
2,35
2,31
2,27
2,24
2,21
2,18
2,16
2,13
2,11
2,09
2,07
1,94
1,87
1,82
1,69
1,63
1,60
1,58
1,57
40
1006
39,47
13,94
8,41
6,17
5,01
4,31
3,84
3,51
3,26
3,06
2,91
2,78
2,67
2,59
2,51
2,44
2,38
2,33
2,29
2,25
2,21
2,18
2,15
2,12
2,09
2,07
2,05
2,03
2,01
1,88
1,80
1,74
1,61
1,55
1,52
1,50
1,48
60
1010
39,48
13,85
8,36
6,12
4,96
4,26
3,78
3,45
3,20
3,00
2,85
2,72
2,61
2,52
2,45
2,38
2,32
2,27
2,22
2,18
2,14
2,11
2,08
2,05
2,03
2,00
1,98
1,96
1,94
1,80
1,72
1,67
1,53
1,46
1,42
1,41
1,39
120
1014
39,49
13,68
8,31
6,06
4,90
4,20
3,73
3,39
3,14
2,94
2,79
2,66
2,55
2,46
2,38
2,32
2,26
2,20
2,16
2,11
2,08
2,04
2,01
1,98
1,95
1,93
1,91
1,89
1,87
1,72
1,64
1,58
1,43
1,35
1,31
1,29
1,27
240
1016
39,49
13,43
8,28
6,03
4,88
4,17
3,70
3,36
3,11
2,91
2,76
2,63
2,52
2,43
2,35
2,28
2,22
2,17
2,12
2,08
2,04
2,01
1,97
1,94
1,92
1,89
1,87
1,85
1,83
1,68
1,59
1,53
1,38
1,29
1,24
1,21
1,19
1018
39,50
13,90
8,26
6,02
4,85
4,14
3,67
3,33
3,08
2,88
2,72
2,60
2,49
2,40
2,32
2,25
2,19
2,13
2,09
2,04
2,00
1,97
1,94
1,91
1,88
1,85
1,83
1,81
1,79
1,64
1,55
1,48
1,31
1,21
1,14
1,10
1,00
112
Tabela 9.11: Quantis superiores da distribuio de F (F0,01 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 1% de acordo com o
seguinte evento: P (F > F0,01 ) = 0, 01.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
1
4052
98,50
34,12
21,20
16,26
13,75
12,25
11,26
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,18
8,10
8,02
7,95
7,88
7,82
7,77
7,72
7,68
7,64
7,60
7,56
7,31
7,17
7,08
6,85
6,74
6,69
6,66
6,63
2
4999
99,01
30,74
18,00
13,28
10,92
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5,39
5,18
5,06
4,98
4,79
4,69
4,65
4,63
4,61
3
5403
99,05
29,34
16,68
12,05
9,77
8,45
7,59
6,99
6,55
6,21
5,95
5,74
5,56
5,42
5,29
5,18
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,67
4,64
4,60
4,57
4,54
4,51
4,31
4,20
4,12
3,95
3,86
3,82
3,80
3,78
4
5625
99,24
28,60
15,98
11,39
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
4,02
3,83
3,72
3,65
3,48
3,40
3,36
3,34
3,32
5
5764
99,30
28,11
15,52
10,96
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,69
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,85
3,82
3,78
3,75
3,73
3,70
3,51
3,41
3,34
3,17
3,09
3,06
3,04
3,02
1
6
5859
99,33
27,77
15,21
10,67
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
3,47
3,29
3,19
3,12
2,96
2,88
2,84
2,82
2,80
7
5928
99,36
27,52
14,97
10,45
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
3,30
3,12
3,02
2,95
2,79
2,71
2,68
2,66
2,64
8
5981
99,37
27,32
14,80
10,29
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
3,17
2,99
2,89
2,82
2,66
2,59
2,55
2,53
2,51
9
6022
99,39
27,16
14,66
10,15
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,18
3,15
3,12
3,09
3,07
2,89
2,78
2,72
2,56
2,48
2,44
2,43
2,41
10
6056
99,40
27,03
14,55
10,05
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
2,98
2,80
2,70
2,63
2,47
2,40
2,36
2,34
2,32
11
6083
99,41
26,92
14,45
9,96
7,79
6,54
5,73
5,18
4,77
4,46
4,22
4,02
3,86
3,73
3,62
3,52
3,43
3,36
3,29
3,24
3,18
3,14
3,09
3,06
3,02
2,99
2,96
2,93
2,91
2,73
2,63
2,56
2,40
2,32
2,28
2,27
2,25
APNDICE B: TABELAS
113
Tabela 9.12: Quantis superiores da distribuio de F (F0,01 ) com 1 graus de liberdade do numerador e 2 graus de liberdade do denominador valor da probabilidade () de 1% de acordo com o
seguinte evento:P (F > F0,01 ) = 0, 01.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
12
6106
99,42
26,82
14,37
9,88
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,46
3,37
3,30
3,23
3,17
3,12
3,07
3,03
2,99
2,96
2,93
2,90
2,87
2,84
2,66
2,56
2,50
2,34
2,26
2,22
2,20
2,18
13
6126
99,42
26,74
14,31
9,82
7,66
6,41
5,61
5,05
4,65
4,34
4,10
3,91
3,75
3,61
3,50
3,40
3,32
3,24
3,18
3,12
3,07
3,02
2,98
2,94
2,90
2,87
2,84
2,81
2,79
2,61
2,51
2,44
2,28
2,20
2,17
2,15
2,13
14
6143
99,43
26,67
14,25
9,77
7,60
6,36
5,56
5,01
4,60
4,29
4,05
3,86
3,70
3,56
3,45
3,35
3,27
3,19
3,13
3,07
3,02
2,97
2,93
2,89
2,86
2,82
2,79
2,77
2,74
2,56
2,46
2,39
2,23
2,16
2,12
2,10
2,08
15
6157
99,43
26,60
14,20
9,72
7,56
6,31
5,52
4,96
4,56
4,25
4,01
3,82
3,66
3,52
3,41
3,31
3,23
3,15
3,09
3,03
2,98
2,93
2,89
2,85
2,81
2,78
2,75
2,73
2,70
2,52
2,42
2,35
2,19
2,11
2,08
2,06
2,04
20
6209
99,45
26,34
14,02
9,55
7,40
6,16
5,36
4,81
4,41
4,10
3,86
3,66
3,51
3,37
3,26
3,16
3,08
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,37
2,27
2,20
2,03
1,96
1,92
1,90
1,88
1
30
6261
99,47
26,02
13,84
9,37
7,23
5,99
5,20
4,65
4,25
3,94
3,70
3,51
3,35
3,21
3,10
3,00
2,92
2,84
2,78
2,72
2,67
2,62
2,58
2,54
2,50
2,47
2,44
2,41
2,39
2,20
2,10
2,03
1,86
1,78
1,74
1,72
1,70
40
6287
99,47
25,79
13,74
9,28
7,14
5,91
5,12
4,57
4,17
3,86
3,62
3,43
3,27
3,13
3,02
2,92
2,84
2,76
2,69
2,64
2,58
2,54
2,49
2,45
2,42
2,38
2,35
2,33
2,30
2,11
2,01
1,94
1,76
1,68
1,63
1,61
1,59
60
6313
99,48
25,43
13,65
9,19
7,06
5,83
5,03
4,48
4,08
3,78
3,54
3,34
3,18
3,05
2,93
2,83
2,75
2,67
2,61
2,55
2,50
2,45
2,40
2,36
2,33
2,29
2,26
2,23
2,21
2,02
1,91
1,84
1,66
1,57
1,52
1,50
1,47
120
6339
99,49
24,62
13,56
9,08
6,97
5,74
4,95
4,40
4,00
3,69
3,45
3,25
3,09
2,96
2,84
2,75
2,66
2,58
2,52
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,17
2,14
2,11
1,92
1,80
1,73
1,53
1,43
1,38
1,35
1,32
240
6353
99,49
23,38
13,51
9,01
6,92
5,70
4,90
4,36
3,95
3,65
3,41
3,21
3,05
2,91
2,80
2,70
2,61
2,54
2,47
2,41
2,35
2,31
2,26
2,22
2,18
2,15
2,12
2,09
2,06
1,86
1,74
1,67
1,46
1,35
1,29
1,26
1,22
6366
99,50
26,13
13,46
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,17
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,36
2,31
2,26
2,21
2,17
2,13
2,10
2,06
2,03
2,01
1,80
1,68
1,60
1,38
1,25
1,17
1,11
1,00
114
o seguinte evento:P (F > F0,005 ) = 0, 005.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
1
16211
198,50
55,55
31,33
22,78
18,64
16,24
14,69
13,61
12,83
12,23
11,75
11,37
11,06
10,80
10,58
10,38
10,22
10,07
9,94
9,83
9,73
9,63
9,55
9,48
9,41
9,34
9,28
9,23
9,18
8,83
8,63
8,49
8,18
8,03
7,95
7,92
7,88
2
20000
199,04
49,49
26,28
18,31
14,54
12,40
11,04
10,11
9,43
8,91
8,51
8,19
7,92
7,70
7,51
7,35
7,21
7,09
6,99
6,89
6,81
6,73
6,66
6,60
6,54
6,49
6,44
6,40
6,35
6,07
5,90
5,79
5,54
5,42
5,36
5,33
5,30
3
21614
198,70
47,03
24,23
16,51
12,90
10,87
9,59
8,71
8,08
7,60
7,22
6,92
6,68
6,47
6,30
6,15
6,02
5,91
5,81
5,73
5,65
5,58
5,52
5,46
5,41
5,36
5,31
5,27
5,24
4,97
4,82
4,73
4,50
4,38
4,33
4,30
4,28
4
22500
199,21
45,76
23,15
15,55
12,03
10,05
8,80
7,96
7,34
6,88
6,52
6,23
6,00
5,80
5,64
5,50
5,37
5,27
5,17
5,09
5,02
4,95
4,89
4,83
4,79
4,74
4,70
4,66
4,62
4,37
4,23
4,14
3,92
3,82
3,77
3,74
3,72
5
23056
199,29
44,90
22,45
14,93
11,46
9,52
8,30
7,47
6,87
6,42
6,07
5,79
5,56
5,37
5,21
5,07
4,96
4,85
4,76
4,68
4,61
4,54
4,49
4,43
4,38
4,34
4,30
4,26
4,23
3,99
3,85
3,76
3,55
3,45
3,40
3,37
3,35
1
6
23437
199,3
44,29
21,97
14,51
11,07
9,16
7,95
7,13
6,54
6,10
5,76
5,48
5,26
5,07
4,91
4,78
4,66
4,56
4,47
4,39
4,32
4,26
4,20
4,15
4,10
4,06
4,02
3,98
3,95
3,71
3,58
3,49
3,28
3,19
3,14
3,11
3,09
7
23715
199,4
43,83
21,62
14,19
10,79
8,89
7,69
6,89
6,30
5,86
5,52
5,25
5,03
4,85
4,69
4,56
4,44
4,34
4,26
4,18
4,11
4,05
3,99
3,94
3,89
3,85
3,81
3,77
3,74
3,51
3,38
3,29
3,09
2,99
2,94
2,92
2,90
8
23925
199,4
43,46
21,35
13,95
10,57
8,68
7,50
6,69
6,12
5,68
5,35
5,08
4,86
4,67
4,52
4,39
4,28
4,18
4,09
4,01
3,94
3,88
3,83
3,78
3,73
3,69
3,65
3,61
3,58
3,35
3,22
3,13
2,93
2,84
2,79
2,77
2,74
9
24091
199,4
43,16
21,14
13,76
10,39
8,51
7,34
6,54
5,97
5,54
5,20
4,94
4,72
4,54
4,38
4,25
4,14
4,04
3,96
3,88
3,81
3,75
3,69
3,64
3,60
3,56
3,52
3,48
3,45
3,22
3,09
3,01
2,81
2,71
2,67
2,64
2,62
10
24224
199,4
42,91
20,96
13,61
10,25
8,38
7,21
6,42
5,85
5,42
5,09
4,82
4,60
4,42
4,27
4,14
4,03
3,93
3,85
3,77
3,70
3,64
3,59
3,54
3,49
3,45
3,41
3,38
3,34
3,12
2,99
2,90
2,71
2,61
2,56
2,54
2,52
11
24334
199,41
42,68
20,82
13,48
10,13
8,27
7,10
6,31
5,75
5,32
4,99
4,72
4,51
4,33
4,18
4,05
3,94
3,84
3,76
3,68
3,61
3,55
3,50
3,45
3,40
3,36
3,32
3,29
3,25
3,03
2,90
2,82
2,62
2,52
2,48
2,46
2,43
APNDICE B: TABELAS
115
o seguinte evento:P (F > F0,005 ) = 0, 005.
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
240
480
960
12
24426
199,42
42,49
20,70
13,37
10,03
8,18
7,01
6,23
5,66
5,24
4,91
4,64
4,43
4,25
4,10
3,97
3,86
3,76
3,68
3,60
3,54
3,47
3,42
3,37
3,33
3,28
3,25
3,21
3,18
2,95
2,82
2,74
2,54
2,45
2,40
2,38
2,36
13
24505
199,42
42,32
20,60
13,28
9,95
8,10
6,94
6,15
5,59
5,16
4,84
4,57
4,36
4,18
4,03
3,90
3,79
3,70
3,61
3,54
3,47
3,41
3,35
3,30
3,26
3,22
3,18
3,15
3,11
2,89
2,76
2,68
2,48
2,39
2,34
2,32
2,29
14
24572
199,43
42,16
20,51
13,20
9,88
8,03
6,87
6,09
5,53
5,10
4,77
4,51
4,30
4,12
3,97
3,84
3,73
3,64
3,55
3,48
3,41
3,35
3,30
3,25
3,20
3,16
3,12
3,09
3,06
2,83
2,70
2,62
2,42
2,33
2,28
2,26
2,24
15
24630
199,43
42,02
20,44
13,13
9,81
7,97
6,81
6,03
5,47
5,05
4,72
4,46
4,25
4,07
3,92
3,79
3,68
3,59
3,50
3,43
3,36
3,30
3,25
3,20
3,15
3,11
3,07
3,04
3,01
2,78
2,65
2,57
2,37
2,28
2,23
2,21
2,19
20
24836
199,4
41,43
20,16
12,89
9,59
7,76
6,61
5,83
5,27
4,86
4,53
4,27
4,06
3,88
3,73
3,61
3,50
3,40
3,32
3,24
3,18
3,12
3,06
3,01
2,97
2,93
2,89
2,86
2,82
2,60
2,47
2,39
2,19
2,09
2,05
2,02
2,00
1
30
25044
199,5
40,59
19,89
12,64
9,36
7,54
6,40
5,63
5,07
4,65
4,33
4,07
3,86
3,69
3,54
3,41
3,30
3,21
3,12
3,05
2,98
2,92
2,87
2,82
2,77
2,73
2,69
2,66
2,63
2,40
2,27
2,19
1,98
1,89
1,84
1,81
1,79
40
25148
199,5
39,93
19,75
12,50
9,24
7,42
6,29
5,52
4,97
4,55
4,23
3,97
3,76
3,59
3,44
3,31
3,20
3,11
3,02
2,95
2,88
2,82
2,77
2,72
2,67
2,63
2,59
2,56
2,52
2,30
2,16
2,08
1,87
1,77
1,72
1,69
1,67
60
25253
199,5
38,85
19,61
12,36
9,12
7,31
6,18
5,41
4,86
4,45
4,12
3,87
3,66
3,48
3,33
3,21
3,10
3,00
2,92
2,84
2,77
2,71
2,66
2,61
2,56
2,52
2,48
2,45
2,42
2,18
2,05
1,96
1,75
1,64
1,59
1,56
1,53
120
25359
199,5
36,37
19,47
12,20
9,00
7,20
6,06
5,30
4,75
4,34
4,01
3,76
3,55
3,37
3,22
3,10
2,99
2,89
2,81
2,73
2,66
2,60
2,55
2,50
2,45
2,41
2,37
2,33
2,30
2,06
1,93
1,83
1,61
1,49
1,43
1,40
1,36
240
25411
199,5
32,90
19,39
12,07
8,94
7,15
6,01
5,25
4,69
4,28
3,96
3,70
3,49
3,32
3,17
3,04
2,93
2,83
2,75
2,67
2,60
2,54
2,49
2,44
2,39
2,35
2,31
2,27
2,24
2,00
1,86
1,76
1,52
1,40
1,33
1,29
1,25
25464
199,50
41,83
19,32
12,14
8,88
7,08
5,95
5,19
4,64
4,23
3,90
3,65
3,44
3,26
3,11
2,98
2,87
2,78
2,69
2,61
2,55
2,48
2,43
2,38
2,33
2,29
2,25
2,21
2,18
1,93
1,79
1,69
1,43
1,28
1,19
1,13
1,00
116
Tabela 9.15: Quantis superiores da distribuio t de Student (t ) com graus de liberdade e para
diferentes valores da probabilidade () de acordo com o seguinte evento: P (t > t ) = .
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
240
480
960
1920
3840
0,250
1,000
0,816
0,765
0,741
0,727
0,718
0,711
0,706
0,703
0,700
0,697
0,695
0,694
0,692
0,691
0,690
0,689
0,688
0,688
0,687
0,686
0,686
0,685
0,685
0,684
0,684
0,684
0,683
0,683
0,683
0,681
0,679
0,677
0,676
0,675
0,675
0,675
0,675
0,674
0,200
1,376
1,061
0,979
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,848
0,845
0,843
0,842
0,842
0,842
0,842
0,842
0,150
1,963
1,386
1,250
1,190
1,156
1,134
1,119
1,108
1,100
1,093
1,088
1,083
1,079
1,076
1,074
1,071
1,069
1,067
1,066
1,064
1,063
1,061
1,060
1,059
1,058
1,058
1,057
1,056
1,055
1,055
1,050
1,045
1,041
1,039
1,038
1,037
1,037
1,037
1,036
0,100
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,296
1,289
1,285
1,283
1,282
1,282
1,282
1,282
0,050
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,671
1,658
1,651
1,648
1,646
1,646
1,645
1,645
0,025
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,000
1,980
1,970
1,965
1,962
1,961
1,961
1,960
0,010
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,390
2,358
2,342
2,334
2,330
2,328
2,327
2,326
0,005
63,657
9,925
5,841
4,604
4,032
3,707
3,500
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,660
2,617
2,596
2,586
2,581
2,578
2,577
2,576
0,001
636,619
31,599
12,924
8,610
6,869
5,959
5,408
5,041
4,781
4,587
4,437
4,318
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850
3,819
3,792
3,768
3,745
3,725
3,707
3,690
3,674
3,659
3,646
3,551
3,460
3,373
3,332
3,311
3,301
3,296
3,293
3,291

Introdução A Estatistica No R

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Introdução A Estatistica No R

Enviado por

Direitos autorais:

Formatos disponíveis

CURSO DE PS-GRADUAO LATO SENSU

INTRODUO ESTATSTICA BSICA COM R

Eric Batista Ferreira

Universidade Federal de Lavras - UFLA

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

Ficha Catalogrfica Preparada pela Diviso de Processos Tcnicos da

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

Distribuies de probabilidades contnuas . . . . . . . . . . . . . . . . . . . . . . .

8 APNDICE A: EXERCCIOS PROPOSTOS

Representao tabular dos resultados possveis em um teste de hipteses e os erros

Volume de polpa (cm3 ), volume de gua (cm3 ) e teor de clcio (mg/100ml) em 20

Distribuio de freqncia de rendas familiares de 100 entrevistados, em Lavras, MG. 87

Probabilidades () da distribuio normal padro N (0, 1) para valores do quantil

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

Esquema ilustrativo dos elementos tpicos de um somatrio. . . . . . . . . . . . .

Tela inicial do R em ambiente Windows. . . . . . . . . . . . .

Simulao do lanamento de uma moeda honesta 500 vezes, comportamento de sua

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

R uma linguagem e ambiente para computao estatstica e grfica. um projeto GNU

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

voc, por exemplo, o espelho da Universidade Federal do Paran: http://cran.br.r-project.org/.

Figura 1.1: Tela inicial do R em ambiente Windows.

Figura 1.2: Mensagem ao tentar sair do R, em ambiente Windows.

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

Figura 1.3: Esquema de um objeto.

#e recebe uma matriz

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

#elemento da linha 1, coluna 3

#de uma s vez

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

Alguns conceitos importantes

Estatstica conjunto de tcnicas para a coleta, organizao, anlise e interpretao de dados,

CLASSIFICAES DE UMA POPULAO

(a) Qualitativas nominais:

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

Principais aplicaes da Estatstica

(a) Pesquisa cientfica:

Principalmente usados na Fsica, Qumica e Matemtica. As

As variaes naturais no so desprezadas e so descritas por

(c) Levantamentos em geral:

Cincia o conjunto metdico de conhecimentos obtidos mediante a observao e a experincia. Observao

Ingesta de rao (kg/dia)

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

Bibliografia consultada e recomendada

Bussab, W.O.; Morettin, P.A. Estatstica bsica. 1987. Atual.

Notao: Esta a letra grega sigma maiscula: .

Figura 2.1: Esquema ilustrativo dos elementos tpicos de um somatrio.

Ex4 : Seja A = {a1 , a2 , a3 , a4 , a5 } um conjunto de dados. Ento o somatrio dos elementos de

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

axi = ax1 + ax2 + . . . + axn = a(x1 + x2 + . . . + xn ) = a

2yi = 2y1 + 2y2 + 2y3 = 2(y1 + y2 + y3 ) = 2

2) Sejam X e Y variveis aleatrias, ento

2x1 3y1 + 2x2 3y2 =

3) Sejam a e b constantes e X e Y variveis aleatrias, ento

axi + byi = ax1 + ax2 + . . . + axn + by1 + by2 + . . . + byn

3xi + 4yi = 3x1 + 3x2 + 4y1 + 4y2

4) Seja k uma constante, ento

= k(1| + 1 +{z. . . + 1}) = nk.

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade

(b) Freqncia relativa (fr): representa, em forma decimal, a proporo de ocorrncias de um

(c) Freqncia percentual (fp): representa, em forma percentual, a proporo de ocorrncias de

EDITORA - UFLA/FAEPE - Gesto de empresas com nfase em qualidade