Fundamentos de Estatstica Aplicada

e probabilidade
Aula 03
Prof. Valner Brusamarello

Variveis aleatrias contnuas

y Em medidas, os dados podem ser influenciados por

pequenas variaes de temperatura, presso,

vibrao, entre outras variveis no
controladas.
y Uma p
pea
tirada da produo,
p
, a qual
q possui
p
uma
medida muito precisa sempre possui disperso em
torno da mesma.
y comum modelar a faixa de valores possveis
dentro de um intervalo.
intervalo

Fontes potenciais de
variabilidade
y Exemplo 1: O consumo de um carro no

ddependentes
d t da
d distncia
di t i registrada
i t d apenas. D
Depende
d
de fatores como tipo de estrada, condies do carro,
ti dde gasolina,
tipo
li etc.
t
y Exemplo 2: Um engenheiro est projetando um
conector de nilon para aplicao automotiva. A
parede deste conector est condicionada a fora de
remoo do conector. O primeiro prottipo foi feito
e as seguintes foras de remoo so medidas: 12,6;
12,9; 13,4; 12,3 ;13,6; 13,5; 12,6; 13,1 N.

Funes densidade de probabilidade

Utilizada para descrever sistemas fsicos

Serve para descrever a distribuio de probabilidades de uma
varivel aleatria contnua x.
A probabilidade de x estar entre a e b determinada pela
integral de f(x) de a a b.

Ex.: Considere a funo densidade

probabilidade abaixo e calcule a
P(5<X<15).
f ( x) 0
+

f ( x )dx = 1

P (a X b) = f ( x )dx
a

0 P ( a < X < b) 1

Funes

densidade de probabilidade
p
y Histograma uma aproximao da funo densidade

probabilidade. O mesmo geralmente representado por um

grfico de barras.

Funo de distribuio cumulativa

F ( x) = P( X x) =

f (u )du

y F(x) uma funo contnua

y F(x)
( ) representa
p
a probabilidade
p

acumulada.
y Observe q
que os valores variam entre 0 e
1
y A funo
densidade probabilidade
p
de uma
varivel aleatria contnua pode ser
determinada a partir da diferenciao da
funo distribuio cumulativa.

f ( x) =

dF ( x)
dx

Mdia e varincia de uma varivel

aleatria contnua
y Se X uma varivel aleatria contnua com uma funo densidade

probabilidade
b bilid d f(
f(x)) a mdia
di ou o valor
l esperado
d dde X e a varincia
i i X
definida pelas equaes abaixo.
y O desvio
des io padro a raiz
rai quadrada
uadrada da mdia
mdia.
= E( X ) =

xf ( x)dx

2 = V (X ) =

(x )

f ( x )dx =

x 2 f ( x )dx 2

Mdia e varincia de uma

varivel aleatria discreta
y A mdia da amostra utiliza pesos iguais 1/n

como multiplicador
lti li d dde cada
d valor
l medido.
did
1
1
1
x = x1 + x2 + ... + xn
n
n
n
y A mdia ou o valor esperado de X denotados
por E(X)
= E ( X ) = xf ( x)
y x o ponto de equilbrio quando um peso
x
igual for colocado no local de cada medida ao
longo da linha numrica. Similarmente se f(x)
for a funo densidade de uma carga de uma
viga longa e delgada, E(X) o ponto no qual
a viga se equilibra. E(X) o centro de
distribuio.
distribuio

Mdia e desvios da mdia em uma

populao
p
p e uma amostra
n
y Mdia da amostra: valor mdio das observaes de
y
y
y

um conjunto de dados.
Amostra: conjunto de observaes sobre a
ppopulao.
p
Populao: Conjunto muito grande de observaes.
No exemplo
p anterior as 8 medidas constituem uma
amostra da populao. A populao deveria ser a
medida de todos os conectores.
A mdia da amostra uma boa estimativa da mdia
da populao

x=

i=1

Mdia da amostra
N

i=1

Mdia da populao

Mdia e varincia de uma varivel

aleatria discreta
s2 =

1
1
1
2
2
2
...
x

x
+
x

x
+
+
x

x
(1 )
( 2 )
( n )
n 1
n 1
n 1

y Para dados amostrais X1,X2, ..., Xn, a varincia um sumrio da

disperso ou espalhamento dos dados.

y s 2 usa pesos iguais de 1/(n-1) como multiplicador de cada desvio
2
quadrado
( xi x )
y Desvios calculados a partir da mdia da amostra tendem a ser menores que
desvios calculados a partir da mdia da populao.
y A varincia V(X)
( ) denotada ppor:
2
2

= V ( X ) = ( x ) f ( x)

= V ( X ) = x2 f ( x ) 2
2

y E o desvio p
padro:

= [V ( X )]

1/ 2

Mdia e desvios da mdia em uma

populao
p
p e uma amostra
y A variabilidade ou disperso
p

pode ser descrita pela varincia 2 ( xi x )

i =1
s
=
ou o desvio
des io padro da amostra
amostra.
n 1
y Em se tratando da p
populao,
p ,a
n
2
varincia e o desvio padro so
( xi )

2
i =1

=
referenciados
f
i d com
N

Graus de liberdade
y Note
N t que o di
divisor
i dda varincia
i i dda amostra
t o ttamanho
h dda amostra
t

menos 1 (n-1), enquanto para a varincia da populao, o tamanho da

ppopulao
p n.
y Se soubssemos o valor verdadeiro da mdia populacional , ento
poderamos encontrar a varincia da amostra como a mdia dos quadrados
d desvios
dos
d i das
d observaes
b
dda amostra em torno dde .
y Na prtica, o valor de quase nunca conhecido, e dessa forma, a soma
dos quadrados dos desvios em torno da mdia X tem que ser usada.
usada No
entanto as observaes Xi tendem a estar mais prximas do seu valor
mdio X, do que a mdia populacional .
y Para compensar isso, usamos n-1 como divisor ao invs de n. Se
usssemos n como divisor na varincia da amostra, obteramos uma
medida de variabilidade que seria,
seria em mdia,
mdia consistentemente menor
que 2 da populao.

Graus de liberdade
y Outra maneira de pensar acerca disso considerar a

varincia
i i s2, da
d amostra como estando
d baseada
b d em n-11
graus de liberdade.
y O termo graus

d liberdade
de
lib d d resulta
l do
d fato
f de
d que n
desvios X1 -X, X2 X, ..., Xn X sempre somam zero e
assim especificar os valores de quaisquer n-1
assim,
n 1 dessas
quantidades determina automaticamente aquele
restante.
restante
y Dessa forma, somente n-1 nos n desvios Xi X, esto
livremente determinados.
determinados

Representao
p
da mdia e desvios
de forma grfica

Distribuio Normal
y Modelo mais utilizado
y Teorema central do limite faz com que a forma seja um sino simtrico.
y Ponto central (mximo), representa a mdia
y Em uma medida, quando os desvios so decorrentes de variveis

independentes e podem ser igualmente positivos em relao mdia.

y Exemplo: o desvio no comprimento de uma pea dependente de
variaes na temperatura, vibraes, variaes de ngulos de corte,
desgaste da ferramenta de corte
corte, desgaste no mancal
mancal, variao na
velocidade, entre outras.
y Variveis aleatrias com diferentes mdias e varincias p
podem ser
modeladas pelas funes densidade de probabilidade normal com escolhas
apropriadas do centro e da largura da curva.
y E(x)= determina
d
o centro da
d funo
f
ddensidade
d d probabilidade
b b l d d e V(x)=2
a sua variabilidade;

Distribuio Normal
y Uma varivel aleatria X com funo densidade de

probabilidade
F ( x) =

1
2

( x )

2 2

para < x <

Tem uma distribuio normal, com parmetros , em que:

< <
>0

E( X ) =
V (X ) = 2

Distribuio Normal
y Da simetria de f(x):

P( X > ) = P( X < ) = 0.5

y A funo densidade de probabilidade diminui a medida

que x se afasta de .
y Pelo fato de mais de 0.9973 da probabilidade de uma
distribuio normal estar dentro do intervalo de (-3,
+3), 6 freqentemente referida como a largura de
uma distribuio normal.
y Uma varivel aleatria com =0 e 2=1 chamada de
varivel aleatria normal padro. Uma varivel aleatria
normall padro
d ddenotada
t d por Z
Z.

Distribuio Normal
y Exemplo: Utilize a tabela de probabilidades cumulativas para uma

varivel
i l aleatria
l t i padro
d para encontrar
t P(Z1
P(Z1.5).
5)

y A funo
u o dee distribuio
st u o cu
cumulativa
u at a dee uumaa varivel
a e aaleatria
eat a normal
o a

padro denotada por

( z ) = P( Z z )
y P(Z -4.6) no pode ser encontrada diretamente utilizando a tabela,

no entanto a ltima entrada na tabela ppode ser utilizada ppara encontrar

que P(Z -3.99)=0.000003. Logo P(Z -4.6) aproximadamente
zero.
y Encontre o valor z tal que P(Z > z)=0
z)=0.05.
05 Essa expresso de
probabilidade pode ser escrita como P(Z z) = 0.95. Pela tabela
observa-se que o valor mais prximo 0.95053 correspondente a
z=1 65
z=1.65

Tabela de probabilidades cumulativas para uma

varivel aleatria padro

Tabela de probabilidades cumulativas

para uma varivel aleatria padro

Distribuio Normal
y Todos os exemplos precedentes mostram como calcular as probabilidades para variveis

aleatrias normais padres. Para uma varivel aleatria genrica necessrio fazer uma
pequena transformao para utilizar a tabela.
y Se X for uma varivel aleatria normal com E(X)= e V(X)=2, ento a varivel
aleatria

Z=

ser uma varivel aleatria normal com E(Z)=0 e V(Z)=1 assim a tabela poder ser
utilizada.
Suponha que as medidas da corrente em um pedao de fio sigam a distribuio normal com
uma mdia de 10 mA e uma varincia de 4 mA2. Qual a probabilidade da medida
exceder 13 mA? Faa X denotar a corrente em mA, ento P(x>13)=?
Z=(X 10)/2 logo P(X>13)= P(Z>1
Z=(X-10)/2,
P(Z>1,5)
5) = 11 P(Z1,5)=0.06681
P(Z1 5)=0 06681
Qual a probabilidade da medida da corrente estar entre 9 e 11 mA?
P(9<X<11) = P((9-10)/2<(11-10)/2))= P(-0.5<Z<0.5) = P(Z<0.5)-P(Z<-0.5)=
0,69146 - 0.30854= 0.38292

Inferncia estatstica
y Mtodos utilizados para tomar decises ou tirar concluses a cerca da
y

y
y
y

populao
l
Exemplo: Um engenheiro est analisando a resistncia a tenso de um
componente
p
usado em um chassi de automvel. Uma vez que
q a
variabilidade da resistncia a trao est naturalmente presente em
componentes individuais, devido a diferenas nas matrias primas,
processos, medidas entre outros. Na prtica esse engenheiro est
interessado na resistncia mdia a trao, e para tal far uma estimativa
baseado em uma amostra da populao
Populao consiste na totalidade das obser
Populao:
observaes
aes em que
ue estamos
interessados
Amostra: um subconjunto de observaes selecionadas a partir de uma
populao.
As variveis aleatrias (X1, X2,...Xn) so uma amostra aleatria de
tamanho n se os dados Xi forem variveis aleatrias independentes e cada
um deles tiver a mesma distribuio de probabilidades.

M lh estimativa
Melhor
ti ti
y Quando um valor numrico reportado, geralmente

necessrio
i dar
d alguma
l
idia
idi da
d iincerteza
t dda estimao.
ti A
medida da incerteza geralmente empregada o desvio
padro da mdia dos dados (ou do estimador que est
sendo utilizado).
y A incerteza p
padro de um estimador o seu desvio
padro dado por = V ()
y Se a incerteza p
padro envolver pparmetros desconhecidos
que possam ser estimados ento a substituio daqueles
valores em produzir uma incerteza padro estimada.

M did da
Medida
d disperso
di

y Suponha que estejamos amostrando a partir de uma

normal com mdia e varincia 2.

distribuio
Sabemos que:
n

Mdia da amostra: valor mdio das

observaes de um conjunto de dados.
Amostra: conjunto
j
de observaes

sobre
a populao.
Populao: Conjunto muito grande de
observaes.
b

A mdia da amostra uma boa

estimativa da mdia da populao

X =

i =1

n
N

i =1

Medidas de disperso
p
y A variabilidade ou disperso pode ser

descrita pela varincia ou o desvio

padro
pa
o daa aamostra.
ost a.
y Em se tratando da populao, a
varincia
i i e o ddesvio
i padro
d so

referenciados com

(x x )

s2 =

i =1

n 1
n

2 =

(x )
i =1

Desvio padro da mdia

y Considere um caso genrico com as variveis aleatrias X1, X2,...Xp e

linear dessas variveis

constantes C1, C2,,...Cp.p Se Y for uma combinao
temos:
y Y= C1X1+C2X2+... +CpXn
y Podemos determinar o valor esperado de Y:
y
E (Y ) = C1 E ( X 1 ) + C2 E ( X 2 ) + ... + C p E ( X p ) e sua varincia:
V (Y ) = C12V ( X 1 ) + C2 2V ( X 2 ) + ... + C p 2V ( X p ) + 2 Ci C j cov( X i , X j )
i< j =2

y Ainda,
Ai d se X1, X2,...X
Xp forem
f
independentes
i d
d
ento

V (Y ) = C12V ( X 1 ) + C2 2V ( X 2 ) + ... + C p 2V ( X p )

y Essa uma concluso importante,

importante pois podemos concentrarmos na

combinao linear particular que representa a mdia de p variveis

aleatrias, com mdia e varincia idnticas, pois, se X1, X2,...Xp forem
independentes ento:

Desvio padro da mdia

Se a mdia X = X + X p+ ... + X com E ( X ) = ppara i=1,2,...p
, ,...p
ento E ( X ) = .
Se X1, X2.2 ... Xp, so independentes com V(Xi))=
2 para

V
(
X
)
=
i=1,2,...p ento
p
O desvio ppadro da mdia menor que
q da populao.
p p Este o

valor utilizado como incerteza padro!

1

X =

Quando o estimador seguir uma distribuio normal,

ppodemos ficar razoavelmente confiantes de que
q o valor
verdadeiro do parmetro encontra-se no intervalo da
incerteza ppadro estimada.
S
X =

Standard Deviation of the Mean

((Standard Error))
y Quando reportamos a mdia de N medidas, a incerteza que devemos

associar com esta mdia o desvio padro da mdia.

y O desvio padro da mdia menor que o desvio padro por um fator

1/n . Isso
1/
I reflete
fl t o ffato
t dde que ns
esperamos que a iincerteza
t ddo valor
l
da mdia seja menor quando utilizamos um grande nmero de medidas
N.

Distribuies

amostrais

y A inferncia estatstica lida com tomar decises acerca de uma populao,

populao baseando
baseando-se
se na

informao contida em uma amostra aleatria proveniente daquela populao.

y Considere o exemplo do volume mdio de uma lata de 300 ml. Um engenheiro considera uma
amostra aleatria de 25 latas e calcula o volume mdio amostral de enchimento com 298 ml.
ml O
engenheiro decidir provavelmente que a mdia da populao =300 ml, muio embora a mdia
amostral tenha sido 298 ml, porque ele sabe que a mdia amostral uma estimativa razovel de
e que a mdia amostral de 298 muito provvel de ocorrer, mesmo se a mdia verdadeira da
populao seja de =300 ml. De fato, se a mdia verdadeira for de 300 ml, ento os testes de 25
latas feitos rapidamente, talvez a cada 5 minutos, produziro valores de
que variaro acima e
abaixo de =300 ml
y A mdia
di amostrall uma estatstica,
i isto
i ,
uma varivel
i l aleatria
l i que ddepende
d ddos resultados
l d
X estatstica uma varivel aleatria, ela tem
obtidos em cada amostra particular. Uma vez que uma
uma distribuio de probabilidades
y A distribuio de probabilidades de
chamada de distribuio amostral da mdia

Distribuies amostrais
y Considere que queremos determinar a distribuio amostral da mdia da amostra.
amostra
y Esta amostra retirada de uma populao normal com mdia e varincia 2.
y A mdia da amostra:

X 1 + X 2 + ... + X n
y Tem uma distribuio normal com mdian e varincia:
X =

2 + 2 ... + 2 2
Xppopulao
=p que
=
= de uma
y Seestivermos
amostrando
q 2 tenha =uma distribuio
desconhecida de
X
n
n
n
probabilidades, a distribuio amostral da mdia da amostra ser aproximadamente
normal com mdia e varincia 2/n.
+ + ... +

Teorema central do limite

y Se X1, X2,...Xn for uma amostra aleatria de tamanho n retirada de uma

populao
l ffinita ou infinita,
f
com mdia
d e varincia

2, e se ffor a
mdia da amostra, ento
X a forma limite da distribuio de
Z=

y quando n tende a infinito, a distribuio

n normal padro.
y A aproximao normal para

depende do tamanho n da amostra.

X

Teorema central do limite

y Uma companhia eletrnica fabrica resistores que possuem uma resistncia mdia de

100 e um desvio padro de 10 .

A distribuio de resistncias normal.
normal Encontre
a probabilidade de uma amostra de n=25 resistores ter uma resistncia mdia menor
que 95 .
y A distribuio amostral da mdia da amostra normal com mdia e desvio padro:
y Padronizando
Padroni ando o ponto X =,100
temos:
temos

y E assim::

X = 95

X =

Z=

10
25

=2

95 100
= 2,5
25
2

P( X < 95)) = P ( Z < 2,5)

, ) = 0,, 0062

Teorema central do limite

y Suponha que uma varivel aleatria X tenha uma distribuio contnua
1 , 4 x 6
f ( x) = 2
0, caso contrrio

uniforme:
if

y Encontre a distribuio
d b
amostrall da
d mdia
d de
d uma amostra aleatria
l de
d

tamanho n=40. A mdia e a varincia de X so

=5

2 =

(6 4)

12

1
3

y O teorema centrall d
do lilimite
i iindica
di que a di
distribuio
ib i dde

aproximadamente normal com mdia e varincia

X = 5

X =
2

2
n

1
1
=
3 ( 40 ) 120

Bibliografia
y Estatstica aplicada e probabilidade para engenheiros, Douglas

Montgomery,
g
y George
g Runger,
g LTC 2 Ed.
y Design and analysis of experiments 2Ed. Douglas Montgomory.
John Wiley and Sons.
y BALBINOT A., BRUSAMARELLO V. J., Instrumentao e
Fundamentos de Medidas V 1 e V2 , 2006 e 2007.

Regresso
gy Aula opcionalLinear
y Valner Brusamarello

Coletando dados
y Estudo observacional: Os dados so observados a medida q
que esto disponveis.
p
y Ex.: Desempenho de componentes de plsticos. Observao de:

temperatura, encolhimento, resistncia, etc.

y Utilizao de dados para a construo de um modelo emprico.

y Ex.: Verificar histrica de pastilhas semicondutoras, onde variveis amostrais

so registradas e podem ser avaliadas ao longo do tempo.

y Freqentemente estes estudos envolvem um volume grande de dados e
grande
d domnio
d i dde conceitos
i estatsticos.
i

Coletando dados
y Experimento
p
pplanejado:
j
O engenheiro
g
pprovoca variaes
propositais
p p
em

variveis controladas. Observa a sada e ento toma a deciso sobre as principais

variveis responsveis pelas mudanas.
y Ex.: Um conector tem no prottipo inicial uma parede p. A fim de verificar
se a ffora dde remoo
ddo mesmo tem mudana
d
significativa,
i ifi i a parede
d
aumentada para p1.
y Experimentos planejados tendem a ser mais confiveis so recomendados em
estudos os quais possam ser aplicados.
aplicados
y Existem tcnicas de anlise estatsticas poderosas, assim como ferramentas
computacionais disponveis para avaliar resultados e hipteses sobre
p at estudos de variabilidades
variabilidade de sistemas.. Desde testes simples
multivariveis.

Modelos
y Mecanicista: Construdo a partir do mecanismo fsico bsico

que relaciona as variveis. Ex.:

y Pode-se
d
ajustar modelo
d l influncias
fl
externas:
I=

E
R

y Onde representa as fontes de variabilidade

no modeladas.

y Emprico: Modelo construdo pela observao

de um
E
I = + no mesmo. Ex.:
fenmeno e ppelas influncias de variveis

Modelo
d l dde resistncia

a trao, relacionando
l R
d comprimento e
altura da matriz.

N Obs

Exemplo: Modelo de resistncia trao

relacionando altura do molde e comprimento
do arame:
Resistncia a trao= 0 + 1 ( comp.) + 2 ( altura ) +

Denominado
modelo de
regresso

Resist.
Trao

Comp.
Arame

Alt. Molde

9,95

50

24,45

110

31,75

11

120

35

10

550

25,02

295

16 86
16,86

200

14,38

375

9,6

52

24,35

100

10

27,5

300

11

17,08

412

12

37

11

400

13

41 95
41,95

12

500

14

11,66

360

15

21,65

205

16

17,89

400

17

69

20

600

18

10,3

585

19

34,93

10

540

20

46 59
46,59

15

250

21

44,88

15

290

22

54,12

16

510

23

56,63

17

590

24

22,13

100

25

21,15

400

Anlise de regresso
y Tcnica estatstica para investigar relao

entre duas ou mais variveis.

y Problema: Tabela onde uma das variveis a
% da pureza de oxignio produzido em um
processo qumico de destilao e a outra
varivel
l a percentagem dde hhidrocarbonetos
d
b
presentes no condensador principal da
unidade de destilao.
y Grandezas:
Grande as x - Nvel
N el de hidrocarboneto y % Pureza do oxignio

N da
observao

Nvel de
hidrocarboneto

Pureza
%

0,99

90,01

1,02

89,05

1,15

91,43

1 29
1,29

93 74
93,74

1,46

96,73

1,36

94,45

0,87

87,59

1,23

91,77

1,55

99,42

10

1,4

93,65

11

1 19
1,19

93 54
93,54

12

1,15

92,52

13

0,98

90,56

14

1,01

89,54

15

1,11

89,85

16

1,2

90,39

17

1,26

93,25

18

1 32
1,32

93 41
93,41

19

1,43

94,98

20

0,95

87,33

Diagrama de disperso

Tendncia:
T
d i lilinear
Nenhuma curva
passa por todos
os pontos.
pontos
Pergunta: Posso
descrever o
processo com
uma reta?
Se afirmativo,
qual a reta q
q
que
melhor descreve
a relao?

Disperso x ajuste
102
100
98
Purreza O2 %

96
94
92
90
88
86
0,75

0,95

1,15

1,35

Nvel hidrocarboneto

1,55

1,75

Regresso
g
linear simples
p
y Os pontos repousam em torno de uma reta aleatoriamente,

considerando a mdia de y em relao a x.

y Pode-se ter, portanto um valor esperado:

E ( y | x ) = y| x = 0 + 1 x

0 e 1 coeficientes da regresso.
Modelo linear probabilstico:

y = 0 + 1 x +

termo aleatrio com mdia igual a zero

e variana 2.

Regresso linear simples

y Para cada valor de x existe uma distribuio do valor verdadeiro

de y. O valor de e 2 determinam se o ponto cai longe ou perto

da reta.
y Considerando n pares (x1,y1), (x2,y2), ...,(xn,yn)
existe
uma reta candidata.
y Karl Gauss (1777-1885)
(1777 1885) props o mtodo dos mnimos
quadrados. Estima-se 0 e 1 de modo a minimizar a soma dos
quadrados dos desvios verticais

Mnimos
quadrados
i = 1,
1 2,3,...,
23 n
yi = 0 + 1 xq
i + i
n

i =1

i =1

L = i2 = ( yi 0 1 xi )
L
0
L
1

^
^

= 2 yi 0 1 xi = 0

i =1
n

0 , 1

= 2 yi 0 1 xi xi = 0

i =1
n

0 , 1

i =1

i =1

n 0 + 1 xi = yi
^

0 xi + 1 x = yi xi
i =1

i =1

2
i

i =1

Mnimos quadrados
q
y Simplificando:

0 = y 1 x
n

1 =

1
y = yi
n i =1

y x

i =1

yi xi

i =1

i =1

xi
n
2
i =1
x

i
n
i =1
n

1 n
x = xi
n i =1

Regresso
g
Linear
simples
p

yi = 0 + 1 xi + ei

y resduo

i = 1,
1 2,3,...,
23 n

ei = yi yi

Notaes ao denominador

x
i
n
= xi2 i =1
n
i =1
n

S xx = ( xi x )

y x

i =1

Sxy = yi ( xi x ) = yi xi
2

i =1

i =1

Exemplo
p anterior: p
pureza O2
n = 20
20

x
i =1

2
i

20

y
i =1

= 1843, 21

x
i =1

20

x y

= 29, 29

20

i =1

= 2214, 66

= 23,92
20

y
i =1

2
i

y = 92,16

20

20
xi
S xx = xi2 i =1 = 0, 68
20

S xy 10,18

1 =
=
= 14,97
,
S xx 0, 68

x = 1, 2

= 170044,53
20

20

y x

i=1

20

Sxy = yi xi

i =1

i =1

= 10,18

0 = y 1 x = 92,16 (14,97 )1, 20 = 74, 20

Resultado do ajuste

y = 74, 20 + 14,97 x

Disperso x ajuste
102
100
Pureza O2 %

98
96
94
92
90
88
86
0,75

0,95

1,15

1,35

Nvel hidrocarboneto

1,55

1,75

Propriedades de varincia
dos estimadores de mnimos
q
quadrados
y 1 um estimador no tendencioso da inclinao

verdadeira 1
i
ei = yso
y Os resduos
utilizados
no clculo da
i y
estimativa de 2
y A soma dos quadrados dos resduos ou a soma dos
quadrados dos erros
n

sQE = ( yi yi )
i =1

Propriedades de variana
dos estimadores de mnimos
q
quadrados

Valor esperado
para a soma
dos quadrados
dos erros

y Uma frmula conveniente para o clculo de sQE pode

encontrada
d substituindo
b i i d o modelo
d l ajustado
j d
yi = 0 + 1 xi chegamos em:
y Fazendo ainda algumas simplificaes

E ( sQE ) = ( n 2 ) 2
n

Estimador
E
ti d no

tendencioso de
2

sQE
=
n2
2

sQ
QE = yi2 ny 2 1S xy
i =1
n

sQT = y ny = ( yi y )
i =1

2
i

i =1

sQE = sQT 1S xy

No
exemplo
p
anterior

14 97
S = 10,18
Sxy
10 18 = 14,97
1

2
yi
20
20
1843, 21)
(
i =1

2
2
2
sQT = yi ny = yi
= 170044,53
= 173,37
20
20
i =1
i =1
20

S
sQ

14,97 )(10,18 )
(
sQ
T
1 xy
2
E
=
=
= 173,37
= 1,17
n2
n2
20 2

Estimadores de varincia dos

coeficientes

Por fim pode-se chegar ao erro padro

estimado da inclinao

( )

se 1 =

2
Sxx

E ao erro padro do estimado da

interseco:

1
x
se 0 = 2

n
S
Sxx

( )

Grfico de resduos
resduos
3
2

y Disperso do resduo fornece

Resduos

indcios sobre a regresso.

1
0
-1

87

89

91

93

-2
-3
Pureza
u e a de O
O2 - y

R d
Resduos
3

Re
esduos

2
1
0
0 87
-10,87

1 07
1,07

1 27
1,27

1 47
1,47

-2
-3
Nvel de hidrocarboneto

1 67
1,67

95

97

99

Abusos e limitaes
y Freqentemente
q
mal empregada
p g
y Forte associao entre duas variveis no implica que existe relao causal entre
y

y
y
y

as mesmas
Ex.: O nmero de cegonhas
g
aumentou significativamente
g
aps
p a 2 guerra
g
mundial. Observou-se que o mesmo aconteceu com nascimento de bebs.
Concluso: O aumento de cegonhas provocou o aumento de bebs!!!???
Planejamento de experimentos a nica maneira de determinar relaes causais
Ajustes no devem ser extrapolados (apenas dentro da faixa considerada)
Testes de significncia so normalmente executados

Abusos e limitaes
y E se houverem mais que 2 variveis? 3 plano
plano, mais que 3

hiperespao. A continuao deste assunto regresso linear

mltipla e trata de regresso
g
multivariveis.
y E se a relao no for linear? Cuidado! Lembre-se do estudo do
seu processo. Voc deve ter conhecimento sobre as variveis das
quais est tratando

Transformao para uma

linha reta de funes
intrinsicamente lineares
Y = 0 e 1x ln (Y ) = ln ( 0 ) + x ln ( 1 ) +
1
Y = 0 + 1 + Y = 0 + 1 z +
x
1
z=
x
1
Y=
ln Y * = 0 + 1 x +
exp ( 0 + 1 x + )

( )

1
Y =
Y
*

Bibliografia
y A rea de p
projeto
j de experimentos
p
e todas as suas aplicaes
p e particularidades
p

muito importante em um trabalho cientfico. Busque mais informaes

quando chegar o momento de verificar os seus arquivos de dados. Talvez voc
p
ou ainda faltam muitos dados para
p conseguir
g provar
p
o
tenha mais do qque pensa
que voc busca!
y Assunto Geral: Projetos de Experimentos
y Estatstica aplicada e probabilidade para engenheiros,
engenheiros Douglas Montgomery,
Montgomery
George Runger, LTC 2 Ed.
y Design and analysis of experiments 2Ed. Douglas Montgomory. John Wiley and
Sons.

Exerccios

y Um estudo para determinar o efeito da

y
y
y
y

velocidade de misturador na quantidade

de impurezas de um processo de
fabricao de tintas.
Faa o grfico de disperso dos dados (xrpm x y-impurezas).
Determine a reta de ajuste.
Calcule os resduos para cada ponto
utilizado no ajuste
Calcule o erro residual quadrtico 2

RPM
20
22
24
26
28
30
32
34
36
38
40
42

impurezas
8,4
9,5
11,8
10,4
13,3
14,8
13 2
13,2
14,7
16 4
16,4
16,5
18,9
18,5

Exerccios
y U
Um artigo
g em Technometrics,, de S.C.

Narula e J. F. Wellington Vol. 19,

1977) apresenta dados de preos de
venda e taxas anuais para 24 casas.
casas
y Faa um ajuste de curva por mnimos

quadrados.
y Encontre o preo mdio de venda,

dado que a taxa paga x=7,50.

y Calcule o valor
alor ajustado de y

correspondendo a x=5,8980 e
encontre o resduo correspondente.

Preo de venda /1000

25,9
29,5
27,9
25,9
29,9
29 9
29,9
30,9
28,9
35 9
35,9
31,5
31
30 9
30,9
30
36,9
41 9
41,9
40,5
43,9
37,5
37,9
44,5
37,9
38,9
36,9
45,8

Taxas anuais/1000
4,9176
5,0208
4,5429
4,5573
5,0597
3 891
3,891
5,898
5,6039
5 8282
5,8282
5,3003
6,2712
5 9592
5,9592
5,05
8,2464
6 6969
6,6969
7,7841
9,0384
5,9894
7,5422
8,7951
6,0831
8,3607
8,14
9,1416

Exerccios
planta qumica est relacionada temperatura (F) mdia

y A quantidade de libras de vapor usadas por ms por uma

y
y
y

ambiente
b
para aquele
l ms.
O consumo do
d ano passado
d ea
temperatura so mostrados na seguinte tabela:
Considerando um modelo de regresso
g
linear simples,
p , faa
o
ajuste de curva para o consumo de vapor (y) por temperatura
mdia (x).
Qual ser a estimativa de consumo esperado de vapor quando
a temp. for 55 F?
Que mudana no uso mdio de vapor ser esperada quando a
temp. mdia
d variar 1 F?
Suponha que a temp. mdia mensal seja de 47 F. Calcule o
valor ajustado
j
de y e o resduo correspondente.
p

exerccios
ms
jan
fev
mar
abr
mai
jun
j l
jul
ago
set
out
nov
dez

Temp.
Temp
21
24
32
47
50
59
68
74
62
50
41
30

consumo/1000
185,79
214,47
288,03
424,84
454,58
539,03
621 55
621,55
675,06
562 03
562,03
452,93
369,95
273,98

exerccios
y Os dados relativos ao peso e presso sangunea

sistlica de 26 homens selecionados

aleatoriamente na faixa etria de 25 a 30 anos, so
mostrados na tabela seguinte. Considere que o
peso e a presso
sangunea
estejam ddistribudos
b d
normal e conjuntamente.
y Encontre a reta d
de regresso llinear

exerccios

indivduo

peso

Presso S.

165

130

167

133

180

150

155

128

212

151

175

146

190

150

210

140

200

148

10

149

125

11

158

133

12

169

135

13

170

150

14

172

153

15

159

128

16

168

132

17

174

149

18

183

158

19

215

150

20

195

163

21

180

156

22

143

124

23

240

170

24

235

165

25

192

160

26

187

159

Bibliografia
Bibli
Bibliografia
fi
y Estatstica aplicada e probabilidade para engenheiros, Douglas

Montgomery, George Runger

Montgomery
Runger, LTC 2
2 Ed.
Ed
y Design and analysis of experiments 2Ed. Douglas Montgomory.
John Wiley and Sons.
y BALBINOT A., BRUSAMARELLO V. J., Instrumentao e
Fundamentos de Medidas V 1 e V2 , 2006 e 2007.