Escolar Documentos
Profissional Documentos
Cultura Documentos
(Apostila) Estatística Aplicada A Engenharia I PDF
(Apostila) Estatística Aplicada A Engenharia I PDF
Estatstica Aplicada
a Engenharia I
Natal / RN
NDICE
UNIDADE I - ESTATSTICA DESCRITIVA ......................................................... 1
1.1 - NATUREZA E CAMPO DA ESTATSTICA ................................................................................................................. 1
1.2 - O MTODO ESTATSTICO ..................................................................................................................................... 1
1.3 - POPULAO, AMOSTRA E TIPOS DE VARIVEIS .................................................................................................. 2
1.4 - REPRESENTAO TABULAR.................................................................................................................................. 7
1.4.1 - Distribuio de Frequncias ........................................................................................................................... 8
1.5 - REPRESENTAO GRFICA ....................................................................................................................... 16
1.5.1 - Grfico de Setores ........................................................................................................................................ 16
1.5.2 - Grfico de Colunas e Barras ........................................................................................................................ 17
1.5.3 - Histograma e Polgono de Frequncias ........................................................................................................ 18
1.6 MEDIDAS DE TENDNCIA CENTRAL................................................................................................................... 20
1.6.1 - Mdia Aritmtica ......................................................................................................................................... 21
1.6.2 Mediana ....................................................................................................................................................... 23
1.6.3 - Moda ............................................................................................................................................................ 27
1.6.4 Separatrizes ................................................................................................................................................. 30
1.7 - MEDIDAS DE DISPERSO .................................................................................................................................... 32
1.7.1 Varincia ..................................................................................................................................................... 34
1.7.2 - Desvio Padro .............................................................................................................................................. 36
1.7.3 - Coeficiente de Variao ............................................................................................................................... 38
1.8 - ANLISE EXPLORATRIA DE DADOS .................................................................................................................. 39
1.8.1 - Esquema dos 5-Nmeros ............................................................................................................................. 39
1.8.2 - Box-Plot ....................................................................................................................................................... 40
REFERNCIAS
ANEXOS
ANEXO A - DISTRIBUIO NORMAL PADRO
TABELA B - DISTRIBUIO T DE STUDENT
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
UNIDADE I
ESTATSTICA DESCRITIVA
1.1 - Natureza e Campo da Estatstica
Estatstica a cincia que diz respeito coleta, apresentao e anlise de dados quantitativos, de tal
forma que seja possvel efetuar julgamentos sobre os mesmos.
Ramos da Estatstica:
a) Estatstica descritiva trata da observao de fenmenos de mesma natureza, da coleta de
dados numricos referentes a esses fenmenos, da sua organizao e classificao atravs de
tabelas e grficos, bem como da anlise e interpretao.
b) Probabilidade estatstica utilizada para analisar situaes que envolvem o acaso
(aleatoriedade).
c) Inferncia estatstica estuda as caractersticas de uma populao com base em dados
obtidos de amostras.
OBS: Estatstica Indutiva pode ser denominada como inferncia. Portanto, a estatstica indutiva
estuda as caractersticas de uma populao, com base em dados obtidos de amostras.
Inferncia = Induo + Margem de Erro
Coletas
Definio
do
Planejamento
Dados
problema
Apresentao
dos dados
dos
Tabelas e Grficos
andrerochaest@yahoo.com.br
Crtica
dos
Dados
Anlise e interpretao
dos dados
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
1)
corretamente o problema.
2)
levantar informaes sobre o assunto objeto do estudo. importante a escolha das perguntas em
um questionrio, que na medida do possvel, devem ser fechadas.
O levantamento de dados pode ser de dois tipos: Censitrio e Amostragem.
Outros elementos do planejamento de uma pesquisa so:
3)
Custos envolvidos;
Delineamento da amostra.
Coleta de Dados consiste na busca ou compilao dos dados. Pode ser classificado,
4)
Peridica (Censo);
Crtica dos dados objetiva a eliminao de erros capazes de provocar futuros enganos.
Faz-se uma reviso crtica dos dados suprimindo os valores estranhos ao levantamento.
5)
Apresentao dos dados a organizao dos dados denomina-se Srie Estatstica. Sua
Estatstica
andrerochaest@yahoo.com.br
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
POPULAO:
o conjunto de elementos (na totalidade) que tm, em comum, uma determinada
caracterstica. Pode ser finita, como o conjunto de alunos de uma determinada escola, ou infinita,
como o nmero de vezes que se pode jogar um dado.
AMOSTRA:
qualquer subconjunto da populao. A tcnica de seleo desse subconjunto de elementos
chamada de Amostragem.
Como j vimos, a inferncia estatstica tem como objetivo a estimao de parmetros para uma
populao tendo como base s informaes extradas atravs de uma amostra. Neste contexto, o
estudo dos mais diversos tipos de procedimentos de amostragem se faz necessrio.
Exerccio 1.1: Dentre os 3000 alunos de uma escola, selecionaram-se 30 e inquiriram-se sobre o
programa de televiso preferido. Sendo respondidos como programas preferidos Telejornal,
Novelas e Cinema, com 10, 12 e 8 alunos, respectivamente. Responda:
a) a populao;
b) a amostra.
Exerccio 1.2: Para saber a aceitao de uma nova rao canina para filhotes de mdio porte, uma
empresa selecionou 200 filhotes com at 6 meses de idade de diversas raas de mdio portem, e
contabilizou a engorda deles.
Indique:
a) a populao;
b) a amostra;
Exerccio 1.3: Para realizar um estudo sobre o tempo gasto, em segundos, por 100 atletas na corrida
dos 100 metros com obstculos, registrou-se o tempo gasto por 16 desses atletas e obtiveram-se os
seguintes resultados:
Indique:
a) a populao;
b) a amostra;
andrerochaest@yahoo.com.br
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exerccio 1.4: Um aluno da UFMG do curso de Cinema de Animao e Artes Digitais realizou
um sorteio dentre todas as fitas de VHS da biblioteca de sua Universidade, de 8 fitas para seu
Trabalho de Concluso de Curso.
a) a populao;
b) a amostra;
Exerccio 1.5: Um aluno de Biblioteconomia da UFRN est fazendo um levantamento de todas as
Dissertaes do curso de Histria, Geografia e Pedagogia, defendidas a partir do ano de 2000 e que
esto cadastradas no banco de dados da Biblioteca Zila Mamede. Dentre elas eles selecionou 10 de
cada curso e contabilizou as datas de defesa..
a) a populao;
b) a amostra;
As tcnicas de amostragem podem ser classificadas em dois grandes grupos: a amostragem
probabilstica e a amostragem no probabilstica.
1. Amostragem Probabilstica: neste grupo encontram-se os planos amostrais que utilizam
mecanismos aleatrios de seleo dos elementos da amostra, atribuindo a cada um deles
uma probabilidade, conhecida priori, de pertencer amostra.
2. Amostragem No Probabilstica: neste grupo encontram-se os planos amostrais que no
utilizam mecanismos aleatrios de seleo dos elementos da amostra, e dessa forma, no
existe nenhuma probabilidade associada seleo desses elementos.
Ambos os procedimentos tm vantagens e desvantagens. A grande vantagem das amostras
probabilsticas medir a preciso da amostra obtida. Tais medidas j so bem mais difceis para os
procedimentos do outro grupo. Diante disso, amostras probabilsticas so comumente utilizadas na
prtica. Os tipos de planos de amostragem probabilsticos so os seguintes:
Amostragem Aleatria Simples: cada elemento da populao tem a mesma chance (ou
probabilidade) de ser selecionado. Os elementos so escolhidos atravs de sorteio. Para isso,
tabelas de nmeros aleatrios so frequentemente utilizadas. Por exemplo, selecionar 5
alunos de uma turma usando a lista de chamada.
andrerochaest@yahoo.com.br
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exerccio 1.6: Para cada uma das seguintes situaes diga qual o tipo de amostragem foi utilizada.
O conselho universitrio de uma universidade deseja conhecer a opinio dos alunos e
professores sobre uma resoluo a ser votada, que estabelece horrios fixos para o
atendimento de alunos pelos professores. Para compor a amostra foram sorteados
aleatoriamente 10% dos alunos matriculados e 10% dos professores.
Um treinador de uma confederao esportiva deseja dividir 20 times em dois grupos. Para o
primeiro grupo seleciona aleatoriamente 10 times, e considera os 10 restantes para o segundo
grupo.
Uma lista de corredores de uma maratona contm 1000 nomes, numerados consecutivamente
de 1 a 1000. Iniciando-se do 5 nome, uma amostra foi composta considerando sorteados os
nomes referentes aos nmeros 15, 25, 35, 45, 55 e assim sucessivamente at que fossem
escolhidos 100 nomes.
Um socilogo na Universidade de Charleston seleciona 12 homens e 12 mulheres de cada
uma de quatro turmas de educao fsica.
andrerochaest@yahoo.com.br
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Um treinador sorteia 6 jogadores de seu time de futebol sem mais critrio s de seleo e tira
uma amostra de urina de cada um.
O programa Planned Parenthood (Planejamento Familiar) pesquisa 500 homens e 5000
mulheres sobre seus pontos de vista sobre o uso de anticoncepcionais.
TIPOS DE VARIVEIS:
condio inerente a uma populao natural existir variao quanto aos atributos que lhe podem
ser estudados. Portanto, a variabilidade uma caracterstica comum aos dados de observao e
experimentos. Um atributo sujeito variao descrito em Estatstica por uma varivel.
Nominal
Qualitativa
Ordinal
Varivel
Discreta
Quantitativa
Contnua
Varivel Qualitativa: os dados podem ser distribudos em categorias mutuamente exclusivas. Por
exemplo, sexo (masculino, feminino), cor, causa de morte, grupo sanguneo, etc.
- Nominal: as categorias podem ser permutveis (no existe ordem natural dos seus nveis);
Exemplo: [masculino, feminino], [sim, no], [fuma, no fuma];
- Ordinal: as categorias descrevem uma ordenao natural dos seus nveis.
Exemplo: [pssimo, ruim, regular, bom, timo].
Varivel Quantitativa: os dados so expressos atravs de nmeros. Por exemplo, idade, estatura,
peso, etc.
- Discreta: Assumem valores que podem ser associados aos nmeros naturais ( = 1, 2, 3,... ).
D uma ideia de contagem.
Exemplo: Nmero de irmos dos 30 alunos da turma de Engenharia
[0, 1, 2, 5, 3, 4, 1, 0, 2, 3, 5, 4, 0, 1, 2, 2, 1, 0, 1, 1, 2, 0, 0, 3, 2 , 3, 4, 2, 1, 2].
andrerochaest@yahoo.com.br
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
andrerochaest@yahoo.com.br
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
58
69
80
74
95
56
74
76
81
60
57
64
62
76
80
81
95
57
58
60
62
64
69
74
74
andrerochaest@yahoo.com.br
74
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Soluo:
Rol (dados em ordem crescente):
0
fi
f i%
6,7
13,3
10
33,3
20
16,7
10
Total
30
100
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exemplo 1.3: Veremos como fica a distribuio de frequncias simples com essas informaes
adicionais:
Nmero de filhos de empregados de uma multinacional
N de filhos
fi
f % F F F% F%
6,7
30
6,7
100
13,3 6
28
20
93,3
10
33,3 16 24 53,3
10
Total
30
100
20
80
22 14 73,3 46,7
16,7 27
90
26,7
30
100
10
10
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
11
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
f) Para indicar o intervalo, utilizaremos o smbolo |- . Por exemplo, no caso de haver o limite
inferior 7,4 e o limite superior 8,9. Indicaremos este intervalo como : 7,4 |- 8,9.
Isso significa todos os nmeros que esto entre 7,4 e o mais prximo possvel de 8,9, porm,
caso haja um nmero igual ao limite superior dessa classe, este dever ser computado apenas
na prxima classe (para o Exemplo do nmero 5, na 2 classe, sendo esta: 8,9 |- 10,4).
g) Uma vez definidas as classes, a tabela de frequncias pode ser construda, a partir da 2 coluna
de nome frequncia ou simplesmente fi, fazendo-se o processo de contagem, que consiste
em verificar a qual classe cada dado pertence.
OBS: Em algumas situaes, pode-se utilizar uma distribuio de frequncias por classes para
dados discretos quando todos os nmeros ou a maioria so diferentes.
Exemplo 1.4: Construir uma distribuio de frequncias para o nmero dirio de experimentos
realizados em um laboratrio durante duas semanas. [0, 2, 3 ,4 , 5, 10, 12, 7, 9, 0, 5, 13, 17, 10, 6].
Para essa situao, a mais vivel ser uma distribuio por classes, que dever seguir o mesmo
procedimento, apenas com o cuidado ao calcular o intervalo entre classes (i), o mesmo dever ser
arredondado para um nmero inteiro.
Exemplo 1.5: Construa de uma Distribuio de Frequncias com CLASSES para os dados
referentes ao Peso (kg) de 14 blocos de concreto:
56
57
58
60
62
64
69
74
74
74
76
80
81
95
Soluo:
Amplitude Total (A):
A = LS LI = 95 56 = 39.
andrerochaest@yahoo.com.br
12
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
fi
fi%
56,0 |- 63,8
35,71%
63,8 |- 71,6
14,28%
71,6 |- 79,4
28,58%
79,4 |- 87,2
14,28%
87,2 |-| 95
7,14%
Total
14
100%
1,65
1,58
1,54
1,65
1,40
1,61
1,08
1,81
1,38
1,56
1,83
1,69
1,22
1,22
1,68
1,47
1,68
1,49
1,80
1,33
1,83
1,50
1,46
1,67
1,60
1,23
1,54
1,73
1,43
2,18
1,46
1,53
1,60
1,59
1,49
1,46
1,72
1,56
1,43
1,69
1,15
1,89
1,47
2,00
1,58
1,37
1,40
1,76
1,62
1,96
1,66
1,51
1,31
2,29
1,58
2,34
1,66
1,71
1,44
1,66
1,36
1,43
1,26
1,47
1,52
1,57
1,33
1,86
1,75
1,57
1,83
1,52
1,66
1,90
1,59
1,47
1,86
1,73
1,55
1,52
1,40
1,86
2,02
andrerochaest@yahoo.com.br
13
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Soluo:
Rol (dados em ordem crescente):
1,08
1,15
1,22
1,22
1,23
1,26
1,31
1,33
1,33
1,36
1,37
1,38
1,40
1,40
1,40
1,43
1,43
1,43
1,44
1,46
1,46
1,46
1,47
1,47
1,47
1,47
1,49
1,49
1,50
1,51
1,51
1,52
1,52
1,52
1,53
1,54
1,54
1,55
1,56
1,56
1,57
1,57
1,58
1,58
1,58
1,59
1,59
1,60
1,60
1,61
1,62
1,65
1,65
1,66
1,66
1,66
1,66
1,67
1,68
1,68
1,69
1,69
1,71
1,72
1,73
1,73
1,75
1,76
1,80
1,81
1,86
1,86
1,86
1,86
1,86
1,86
1,89
1,90
1,96
2,00
2,02
2,18
2,29
2,34
c=7
fi
f%
Pm (X)
f %
f %
1,08 1,26
5,9
1,17
5,9
100
84
1,26 1,44
13
15,5
1,35
21,4
94,1
18
79
1,44 1,62
32
38,1
1,53
59,5
78,6
50
66
1,62 1,80
18
21,4
1,71
80,9
40,5
68
34
1,80 1,98
11
13,1
1,89
94,0
19,1
79
16
1,98 2,16
2,4
2,07
96,4
6,0
81
2,16
3,6
2,25
100
3,6
84
84
100
Total
2,34
andrerochaest@yahoo.com.br
14
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Observao 1: O melhor valor para representar cada classe o ponto mdio (Pm), o qual se obtm
pela frmula:
Pm = Li + (i / 2), ou ainda, Pm = (Li + Ls) / 2
Observao 2: 1,08 |- 1,26, intervalo fechado esquerda (pertencem a classe valores iguais ao
extremo inferior) e aberto direita (no pertencem a classe valores iguais ao extremo superior). De
forma anloga, 2,16 |-| 2,34, intervalo fechado esquerda e direita.
Responda:
a)
4,2 2,7
28,2 9,9
4,3
3,3 1,2
4,1
6,6
3,9
12,2 18
0,3 1,3
2,4
andrerochaest@yahoo.com.br
15
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Figura 1.1:: Principais raes caninas vendidas numa certa cidade em 2010
andrerochaest@yahoo.com.br
16
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Frequncia
856
457
985
247
112
98
631
124
102
3612
Percentual (%)
23,70
12,65
27,27
6,84
3,10
2,71
17,47
3,43
2,82
100
Figura 1.2:
1. Principais causas de morte nos EUA em 2004
andrerochaest@yahoo.com.br
17
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Figura 1.3: Principais raes caninas vendidas numa certa cidade em 2010
fr
F%
F%
19
19
9
2
1
50
38
38
18
4
2
100
19
38
47
49
50
-
38
76
94
98
100
-
andrerochaest@yahoo.com.br
18
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
andrerochaest@yahoo.com.br
19
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
HISTOGRAMA
Figura 1.4: Histograma da distribuio de frequncia dos preos dos ovos nos estados
POLGONO DE FREQUNCIAS
Figura 1.5: Polgono de frequncia dos preos dos ovos nos estados americanos
andrerochaest@yahoo.com.br
20
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
x
A mdia ser: X =
i=1
Exemplo 1.11: Nmero de tonadas a serem trocadas em 12 hotis de Natal (50, 62, 70, 86, 60, 64,
66, 77, 58, 55, 82, 74) X =67
Anlise: O nmero mdio de tomadas para serem trocadas de 67 por hotel.
Exerccio 1.9: Um gerente de supermercado quer estudar a movimentao de pessoas em seu
estabelecimento, constata que 195, 1.002, 941, 768 e 1.283 pessoas entraram no seu
estabelecimento nos ltimos cinco dias.
x f
i i
A mdia ser: X =
i=1
n
i =1
Exemplo 1.12: Nmero de peas com defeitos produzidas em 27 dias em certa fbrica
X
Total
10
27
andrerochaest@yahoo.com.br
21
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
n
x f
i i
i =1
n
X=
i =1
Anlise: Verifica-se que o nmero mdio de peas com defeitos de 2,3 por dia.
Exerccio 1.10: As informaes abaixo apresentam a idade dos usurios de drogas internos numa
clnica para tratamento. Determine a idade mdia dos internos.
Idade
fi
17
18
19
20
21
22
23
Total
26
A mdia ser: X =
m i
i =1
n
i =1
andrerochaest@yahoo.com.br
22
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
fi
Pm
1,5 |- 2,0
1,75
2,0 |- 2,5
16
2,25
2,5 |- 3,0
31
2,75
3,0 |- 3,5
34
3,25
3,5 |- 4,0
11
3,75
4,0 |- 4,5
4,25
4,75
100
Total
n
m i
X=
i =1
n
i =1
Anlise: Verifica-se que o peso mdio dos 100 nascidos vivos observados 3 kg.
1.6.2 Mediana
Valor que divide a distribuio em duas partes iguais, em relao quantidade de elementos. Isto ,
o valor que ocupa o centro da distribuio, de onde se conclui que 50% dos elementos ficam
abaixo dela e 50% ficam acima.
Colocados em ordem crescente, a mediana (Med ou Md) ou valor que divide a amostra, ou
populao, em duas partes iguais.
Med
100%
andrerochaest@yahoo.com.br
23
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Se n for mpar:
n +1
Med = elemento central (de ordem
)
2
Interpretao: o 3 elemento do rol (12) divide 50% da distribuio dos dados direita
e esquerda.
fi
11
Total
11
n = 11 (mpar)
Elemento mediano: [(n+1)/2] = 6 elemento
3 classe contm o 6 elemento Med = 3.
Se n for par:
n n
Med = mdia aritmtica dos dois elementos centrais (de ordem e + 1 )
2 2
Med = Mediana =
3 elemento + 4 elemento 12 + 14
=
= 13
2
2
Interpretao: a mdia do 3 e 4 elemento do rol (13) divide 50% da distribuio dos dados
direita e esquerda.
andrerochaest@yahoo.com.br
24
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
fi
82
85
10
15
87
15
30
89
38
90
42
Total
42
2 Passo: Calcular a ordem (n/2). Como a varivel contnua no importa se par ou mpar.
.i Med
/ 2 = x elemento;
F - = frequncia absoluta acumulada "abaixo de" da classe anterior classe que contm a
mediana;
25
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
fi
Pm
150 |- 200
35
175
35
200 |- 250
164
225
199
250 |- 300
31
275
230
300 |- 350
344
325
574
350 |- 400
112
375
686
400|- 450
32
425
718
10
475
728
Total
728
PMed F
364 - 230
0
Med = LI Med +
.i Med = 300 +
.(50) = 319, 75 C
f Med
344
fi
1,08 |- 1,26
1,26 |- 1,44
13
18
1,44 |- 1,62
32
50
1,62 |- 1,80
18
68
1,80 |- 1,98
11
79
1,98 |- 2,16
81
84
Total
84
andrerochaest@yahoo.com.br
26
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
1.6.3 - Moda
o valor que ocorre com maior frequncia na srie, ou seja, aquele que mais se repete.
Exemplo: Na srie 3, 4, 5, 7, 7, 7, 9, 9
Mo = 7
Mo = 6
Mo1 = 5 e Mo2 = 9
Mo4 = 12 e Mo5 = 13
Exemplo 1.19:
X
fi
13
15
25
10
Total
61
Mo = 6
andrerochaest@yahoo.com.br
27
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exemplo 1.20:
Tipo de Sangue
fi
547
441
123
AB
25
Total
1136
fi
1,08 1,26
1,26 1,44
13
1,44 1,62
32
1,62 1,80
18
1,80 1,98
11
1,98 2,16
2,16
2,34
Mo = 3 Med - 2 X
andrerochaest@yahoo.com.br
28
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exemplo 1.22: Calcule a moda de Pearson para os seguintes dados X = 1,61 e Med = 1,57.
fi
4,08 |- 5,44
49
49
5,44 |- 6,80
70
119
6,80 |- 8,16
142
261
8,16 |- 9,52
29
290
30
320
Total
320
29
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
1.6.4 Separatrizes
Alm das medidas de posio que estudamos, h outras que, consideradas individualmente,
no so medidas de tendncia central, mas esto ligadas mediana, j que se baseiam em sua
posio na srie. Essas medidas - os quartis, os percentis e os decis - so, juntamente com as
medianas, conhecidas pelo nome genrico de separatrizes.
Os quartis, decis e percentis so muito similares mediana, uma vez que tambm
subdividem a distribuio de medidas de acordo com a proporo das frequncias observadas.
Enquanto a mediana divide a distribuio em duas metades, os quartis dividem-se em quatro
quartos, os decis em 10 partes e os pontos percentis dividem a distribuio em 100 partes.
Mediana
(Me)
Quartis
Decis
(Q1, Q2 e Q3)
So utilizadas para se conhecer, com preciso, as distribuies dos dados como um todo. As
separatrizes podem ser utilizadas tanto em dados no-agrupados (em forma de rol ou em
distribuio de frequncia simples) tanto quanto em dados agrupados (distribuio de frequncias
em classes).
Relao visual das separatrizes
!-------------------!-------------------!
Md
!---------!---------!---------!---------!
Q1
Q2
Q3
!-----!-----!-----!-----!-----!-----!-----!-----!-----!-----!
D1 D2 D3 D4 D5 D6 D7 D8 D9
!----------!----------!----------!----------!----------!----------!----------!----------!----------!----------!
P10
P20
P30
P40
P50
P60
P70
P80
P90
andrerochaest@yahoo.com.br
30
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
PMe =
n
2
PQx =
x.n
, x = 1, 2, 3
4
PDx =
x.n
, x = 1, 2, ..., 9
10
PPx =
x.n
, x = 1, 2, ..., 99
100
em que:
x
Exemplo 1.23: Considere o tempo (anos) de 24 mquinas utilizadas numa indstria. Calcule os
Quartis.
17
18
19
20
21
22
23
24
25
26
27
33
35
38
39
42
44
46
48
50
54
57
29
32
andrerochaest@yahoo.com.br
31
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
32
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
objetivo construir medidas que avaliem a representatividade da mdia, para isto usaremos as
medidas de disperso.
Uma breve reflexo sobre as medidas de tendncia central permite-nos concluir que elas no
so suficientes para caracterizar totalmente uma sequncia numrica.
Se observarmos as seguintes sequncias:
X: 70, 70, 70, 70, 70
Y: 68, 69, 70, 71, 72
Z: 1, 38, 70, 76, 165
Calculando a mdia aritmtica de cada um desses conjuntos, obtemos:
X=
X=
350
= 70
5
Y=
y
n
350
= 70
5
Z=
z
n
350
= 70
5
Observamos, ento, que os trs conjuntos apresentam a mesma mdia aritmtica igual a 70.
Calculando a mediana para os trs, dar tambm o mesmo resultado, ou seja, 70. Assim,
pensaramos que essas trs variveis so iguais, no entanto, so sequncias completamente distintas
do ponto de vista da variabilidade de dados.
Na sequncia X, no h variabilidade dos dados. A mdia 70 representa bem qualquer valor
da srie. Na sequncia Y, a mdia 70 representa bem a srie, mas existem elementos da srie
levemente diferenciados da mdia 70. Na sequncia Z, existem muitos elementos bastante
diferenciados da mdia 70. Conclumos que a mdia 70 representa otimamente a sequncia X,
representa razoavelmente bem a sequncia Y, mas no representa bem a sequncia Z.
33
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
1.7.1 Varincia
a medida de disperso mais utilizada. definida como sendo o quociente entre a soma
dos quadrados dos desvios e o nmero de elementos. classificada em dois tipos:
2 =
Varincia Populacional ( )
2
S2
(
=
Xi X
Xi X
n 1
X
(
1
i)
2
= X i
N
N
X
(
)
1
i
2
=
X i
n 1
n
1,92
1,72
1,82
1,80
1,84
X=
( X X )
=
i
n 1
(1,92 1,82) + (1, 72 1,82) + (1,82 1,82 ) + (1,80 1,82) + (1,84 1,82)
=
5 1
0,0208
= 0,0052.
4
andrerochaest@yahoo.com.br
34
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exerccio 1.13: Calcule a varincia do nmero de incises feitas em trs crianas numa cirurgia dos
membros superiores e inferiores. Comenta sobre a variabilidade.
Corpo de prova
Laboratrio
I
II
III
IV
2,59
1,45
1,09
4,79
1,99
1,99
1,99
1,99
0,80
0,01
3,98
7,59
1
s =
n 1
( x f )
f
1
=
N
xi2
( x f )
f
N
2
xi2
1
s =
n 1
( Pm f )
f
2
Pm
1
=
N
( Pm f )
f
2
Pm
35
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Notaes:
1) Quando a sequncia de dados representa uma populao a varincia ser denotada por
desvio padro correspondente por
eo
2) Quando a sequncia de dados representa uma amostra a varincia ser denotada por S 2 e o
desvio padro correspondente por
(X
Xi X
n 1
OBS: Quanto maior o valor do desvio padro significa que mais dispersos esto os elementos
em torno da mdia.
Exerccio 1.14: Calcule o desvio-padro do Exerccio 1.13.
Interpretao do Desvio Padro
O desvio padro , sem dvida, a mais importante das medidas de disperso.
fundamental que o interessado consiga relacionar o valor obtido do desvio padro com os
dados da srie. Quando uma curva de frequncia representativa da srie perfeitamente simtrica (
X = Md = Mo ), podemos afirmar que os intervalos:
[ x , x + ] contm aproximadamente 68% dos valores da srie.
[ x 2 , x + 2 ] contm aproximadamente 95% dos valores da srie.
[ x 3 , x + 3 ] contm aproximadamente 99% dos valores da srie.
andrerochaest@yahoo.com.br
36
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exemplo 1.25: Suponha uma srie com mdia x = 100 e desvio padro = 5 , podemos interpretar
estes valores da seguinte forma:
andrerochaest@yahoo.com.br
37
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
CV =
s
100
X
ANLISE
1. DISPERSO BAIXA: CV 15%
2. DISPERSO MDIA: 15% CV 30%
3. DISPERSO ALTA: CV 30%
OBS.: Um CV alto indica que a disperso dos dados em torno da mdia muito grande.
Exemplo 1.26: Alturas e Pesos de Homens. Usando os dados amostrais de alturas e pesos de 40
homens de uma turma de estatstica, encontramos as estatsticas dadas na tabela a seguir.
Mdia - X
Desvio padro - S
Altura (cm)
168
7,56
Peso (kg)
72
10,98
Calcule o coeficiente de variao para altura e peso, e a seguir, compare os dois resultados.
andrerochaest@yahoo.com.br
38
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Soluo:
CV para Altura: CVAltura =
S
7,56
100 =
100 = 0, 045 100 = 4,5%.
X
168
S
10,98
100 =
100 = 0,1525 100 = 15, 25%.
X
72
Reparem que se fssemos comparar apenas o desvio padro (fazendo isso j estaramos
errando, pois no se podem comparar desvios-padro de populaes com unidades de medio
diferentes, neste caso cm e kg), iramos erroneamente deduzir que as duas populaes tinham
variabilidade muito prximas. No entanto, ao calcular os coeficientes de variao para as duas
populaes, analisa-se que a variabilidade das alturas dos homens quase quatro vezes menos que a
variabilidade dos pesos. Isso faz sentido intuitivamente, porque vemos rotineiramente que os pesos
entre homens variam muito mais do que as alturas. Por exemplo, muito raro ver dois homens
adultos com um deles tendo duas vezes a altura do outro, mas muito comum ver dois homens com
um deles pesando duas vezes o peso do outro.
Exerccio 1.14: Em um grupo de pacientes, foram tomadas as pulsaes (batidas por minuto) e
dosadas as taxas de cido rico (mg/100ml). Mas mdias e os desvios-padro foram:
Varivel
Mdia -
Desvio padro - S
Pulsao
68,7
8,7
cido rico
5,46
1,03
39
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Forma de representao:
Li
Q1
Q2 = Med
Q3
Ls
Notaes:
a) Q3 - Q1
b) Me - Li
= Disperso inferior
c) Ls - Me
= Disperso superior.
1.8.2 BOX-PLOT
a representao grfica dos 5-nmeros, em que so destacados o intervalo interquartil (dj)
3
3
e as observaes discrepantes, ou seja: valores menores que Q1 dj ou maiores que Q3 + dj . (Os
2
2
andrerochaest@yahoo.com.br
40
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
(Q3 + 3/2dj)
LS
Q3
Q2 = Med
Q1
LI
(Q1 - 3/2dj)
Exemplo 1.27: Os dados abaixo so referentes ao tempo em segundos at uma reao qumica
realizada em 40 tubos de ensaio. Construa um Boxplot e faa uma breve descrio sobre os dados.
47,5
50
50
57,5
60
62,3
63,2
63,56 64,5
65,1
72,2
72,3
74,1
74,8
75,7
76,2
79
79,2
79,3
81,5
82,1
84
88,1
88,5
90
92,6
94,7
95,5
96
98,3
98,7
99,2
100
101,2 110
85,3
x n 1 40
=
= 10o elemento = 65,1
4
4
2 40
= 20o elemento = 81,5
Q2 = Mediana =
4
3 40
Q3 =
= 30o elemento = 96
4
Q1 =
dj = Q3 - Q1 = 96 65,1 = 30,9.
Me - Li
= 81,5 47,5 = 34
andrerochaest@yahoo.com.br
41
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Ls - Me
1.
Podemos analisar que 25% dos experimentos tiveram uma reao qumica em at 65 segundos,
e que metade deles houve reao em at 81 segundos. Assim como na outra metade, teve
reao qumica acima de 81 segundos.
segundos
2.
Analisa-se
se tambm que 75% dos reaes ocorreram no mximo em 96 segundos,
segundos assim como,
25% delas no mnimo 96 s.
3.
Chama-se ateno que a reao mais rpida foi em 47 segundos e a mais demorada, de 136
segundos.
4.
42
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
UNIDADE II
PROBABILIDADE
A Teoria da probabilidade til para analisar situaes que envolvem o acaso. Jogos de
dados e de cartas, ou o lanamento de uma moeda para o ar. As distribuies de probabilidade
incorporam a estatstica descritiva e a teoria da probabilidade. Ambas formam a base da inferncia
estatstica. Algumas aplicaes:
Exemplo 2.1: Considere alguns exemplos de experimentos aleatrios, denotados aqui por .
1: Tempo, em horas, at a falha de um equipamento;
2: Nmero de itens defeituosos em uma linha de produo em um perodo de 24 horas;
3: Ocorrncia ou no da ruptura de uma viga a um peso x em toneladas;
4: A sequncia de caras e coroas verificada no lanamento de uma moeda 4 vezes;
5: Lanamento de uma moeda at que aparea cara pela primeira vez.
Embora no sejamos capazes de afirmar qual o particular resultado deste experimento, poderemos
descrever o conjunto de todo os seus possveis resultados.
andrerochaest@yahoo.com.br
43
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exemplo 2.2: Consideramos a seguir o espao amostral associado a cada um dos experimentos
citados no Exemplo 2.1.
Tempo, em horas, at a falha de um equipamento;
1 = { t ; t 0 }
Nmero de itens defeituosos em uma linha de produo em um perodo de 24 horas;
3 = { sim , no }
A sequncia de caras e coroas verificada no lanamento de uma moeda 4 vezes;
4 = {cccc, ccck, cckc, ckcc, kccc, kkkk, kkkc, kkck, kckk, ckkk, cckk, ckck, kckc, kkcc, ckkc, kcck}
Lanamento de uma moeda at que aparea cara pela primeira vez.
2.3 - Eventos
um subconjunto de um espao amostral.
Exemplo 2.3: Os eventos Ai a seguir referem-se aos espaos amostrais dados no Exemplo 2.2.
Tempo, em horas, at a falha de um equipamento;
A1 = { ocorre falha em menos de 3 horas } A1 = { t, t > 3};
44
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Obs: Tambm so eventos o prprio (chamado de evento certo,, ou seja, sempre ocorre), o
conjunto vazio (chamado de evento impossvel,
impossvel ou seja, nunca ocorre),, ou qualquer resultado
individual de .
Dado que os eventos associados a um espao amostral so por sua vez conjuntos, podemos
efetuar as operaes do tipo: unio, intercesso, complementao e diferena, de forma semelhante
s respectivas operaes que se realizam com os subconjuntos de qualquer conjunto abstrato, e
formar a partir destas operaes, novos eventos tais como:
A B
A B
A
Ac
B
A-B
andrerochaest@yahoo.com.br
45
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Quando dois eventos so tais que, eles nunca podem ocorrer simultaneamente, neste caso se
tem que A B = , eles so chamados eventos mutuamente exclusivos ou mutuamente
excludentes, (em termos de conjunto, diramos que so conjuntos disjuntos). Seguem-se exemplos,
para melhor esclarecer do acima exposto.
Ex. 1. Uma fbrica produz processadores para computador. Da linha de produo so
retirados 03 processadores e cada um testado. Classificando como B (bom) ou D (defeituoso). Um
espao amostral associado ao experimento :
= {0, 1, 2, 3, 4, ...}
Ex. 3. Seja agora o experimento que consiste em retirar uma lmpada de um lote e medir
seu tempo de vida antes de se queimar. Um espao amostral pode ser:
= R+, isto ,
= {t : t 0}
= {0, 1, 2, 3, 4, 5, 6}
Com exceo do exemplo 3, que contnuo, todos os demais so espaos amostrais do tipo
chamado discreto. Um espao amostral discreto quando formado por um conjunto contvel
(finito ou infinito). Caso contrrio, ele dito contnuo.
Consideremos novamente o Ex. 1. Sejam os eventos associados a este espao, tais como:
B =obter no mnimo 1 processador bom. Logo, B={DDB, DBD, BDD, BBD, BDB, DBB,
BBB}
Ento poderemos ter, por exemplo, os novos eventos (resultantes das operaes).
A C = ,
andrerochaest@yahoo.com.br
46
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Consideremos agora o exemplo 3 (espao amostral contnuo), e seja A o evento dado por:
A = o tempo de vida da lmpada inferior a 20 horas. Ento, A = {t : 0 t < 20} e Ac = (t 20}.
Naturalmente que A Ac = (t : t 0) = o evento certo. E observe que, sempre,
AAc=, para qualquer evento A.
Obs: Vale a pena lembrar as leis de MORGAN, referente a lgebra de conjuntos:
(A B)c = Ac Bc
(A B)c = Ac Bc
= {1, 2, 3, 4, 5, 6}
e cada ponto amostral tem a mesma probabilidade de ocorrncia que ser neste caso, p = 1/6.
Suponha, por exemplo, que sorteamos numa urna com n bolas numeradas, 1, 2, 3, ..., n, uma
bola ao acaso. A probabilidade de cada bola (cada ponto amostral) ser 1/n. Se um evento A,
associado a este espao formado por K pontos, digamos A = 1, 2, ..., 10, (n>10), ento se tem :
1 10
P( A) = 10 =
n n
P ( A) =
andrerochaest@yahoo.com.br
47
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
ABORDAGEM FREQUENTISTA
Suponha que lanamos um dado conhecido por favorecer a ocorrncia do nmero 3.
-
48
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
#( A)
n
n
P( A) = lim
10
100
200
300
...
1600
1800
2000
2300
2600
F(A)
0,800
0,520
0,595
0,5000
...
0,506
0,509
0,501
0,496
0,499
andrerochaest@yahoo.com.br
49
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
ABORDAGEM AXIOMTICA
A abordagem axiomtica motivada pelas definies clssica e frequentista. Ela representa uma
proposta para dar teoria da probabilidade uma base matemtica slida. Assim, nesta abordagem
que se baseiam as propriedades estabelecidas daqui em diante.
Este conceito de probabilidade se estabelece a partir de uma funo real P(A), definida sobre
os eventos associados a um espao amostral, a qual faz corresponder a cada subconjunto A, de
(sendo este subconjunto um evento), um n real, tal que cumpra os seguintes axiomas:
a) 0 P(A) 1
b) P() = 1
c) Se A e B so eventos mutuamente exclusivos, isto A B = , ento se tem que
P(AB) = P(A) + P(B).
Obs: Esta definio axiomtica mais abrangente que a regra de Laplace, dado que a definio
clssica se limita aos espaos amostrais finitos equiprovveis.
Teoremas Fundamentais do Clculo das Probabilidades
a) Se um conjunto vazio, ento P() = 0;
b) Sejam A e B eventos quaisquer, ento P(A B) = P(A) + P(B) P(A B);
c) Se Ac o complementar de A, ento P(Ac) = 1 P(A);
d) Se A B ento P(A) P(B);
50
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
P ( A / D) =
P(A D)
, com P(D) > 0
P ( D)
ou
Esta regra pode ser estendida para mais de dois eventos: Sejam A1, A2, , An eventos quaisquer
associados a , ento:
Soluo:
Sejam os eventos:
P( B / A) =
P(A B)
P(A)
# = 6 x 6 = 36
A = {(1,5), (2,4), (3,3), (4,2), (5,1)} # A = 5 P(A)=5/36
B = {(2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (1,2), (3,2), (4,2), (5,2), (6,2)} # B = 11 P(B)=11/36
A B = {(2,4), (4,2)} # (A B) = 2 P(A B) = 2/36
Portanto, P ( B / A) =
2
P( A B)
2
= 36 = .
5
P ( A)
5
36
Soluo:
Agora pede-se P(A/B). Portanto
2
2
P( A B)
= 36 = .
P( A / B) =
11
P( B)
11
36
andrerochaest@yahoo.com.br
51
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Soluo:
Sejam os eventos:
A1 = No 1 sorteio cai um ponto que ele estudou
A2 = No 2 sorteio cai um ponto que ele estudou
A3 = No 3 sorteio cai um ponto que ele estudou
B = No 3 sorteio cai um ponto que ele no estudou
a) (A1 A2 A3) = P(A1)P(A2/A1)P(A3/A1 A2) = 4/10 3/9 2/8 = 1/30
b) (A1 A2 B) = P(A1)P(A2/A1)P(B/A1 A2) = 4/10 3/9 6/8 = 1/10
Alta
Baixa
RESISTNCIA A
Alta
90
ARRANHES
Baixa
16
15
52
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
P(A) = P(A/B)
Naturalmente, que, se A independente de B, B tambm independente de A, desta forma:
P(B) = P(B/A)
A partir do teorema do produto podemos afirmar que se os eventos A e B so independentes ento
se tem:
Tm-se n eventos: A1, A2, , An, diremos que eles so independentes se e somente se, eles forem
independentes dois a dois; trs a trs; quatro a quatro; n a n.
.
.
Exemplo 2.10: Um lote de 165 chips semicondutores contm 40 itens defeituosos. Dois deles so
selecionados, ao acaso, sem reposio.
a) Qual a probabilidade de que o primeiro chip selecionado seja defeituoso?
b) Qual a probabilidade de que o segundo chip selecionado seja defeituoso, sabendo que o
primeiro deles foi defeituoso?
c) Qual a probabilidade de que ambos sejam defeituosos?
d) Como a resposta do item (b) mudaria se os chips selecionados fossem repostos antes da
primeira seleo?
e) Caso realizssemos um sorteio com reposio de 5 chips semicondutores, qual a
probabilidade do 1, 2 e o 5 serem defeituosos e os demais no serem defeituosos?
andrerochaest@yahoo.com.br
53
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Soluo:
Sejam os eventos:
ND: {O chip selecionado NO defeituoso}
Definio: Varivel aleatria (que escrevemos de modo abreviado: v.a.) num espao amostral ,
uma funo x, que associa , (isto , a cada
andrerochaest@yahoo.com.br
54
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
X()
b)
c)
d)
e)
f)
A partir do estudo das variveis aleatrias, foram definidos modelos probabilsticos (discretos e
contnuos) para as principais situaes do cotidiano. Destes, estudaremos a seguir trs modelos:
andrerochaest@yahoo.com.br
55
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exemplo 2.11: Suspeita-se que uma molstia contagiosa possa ter atingido os moradores de uma
regio. Cada morador da regio classificado conforme tenha sido contagiado ou no.
Exemplo 2.11: Uma operao de enchimento tente encher embalagens de detergentes at o peso
especificado.
Exemplo 2.12: Dentre os portadores de um determinado vrus, foram avaliados, aps a aplicao de
uma nova vacina teste, se cada um obteve cura ou no no determinado vrus.
Evento de interesse (Sucesso): O portador obteve a cura aps a aplicao da nova vacina.
Fracasso: O portador do vrus NO obteve a cura aps a aplicao da nova vacina.
P ( X = x ) = p x (1 p )
, x = 0,1.
Usaremos a notao X ~ Bernoulli (p). Observe que poderamos tambm representar a distribuio
de X coma tabela abaixo:
P(X)
1-p
Se X ~ Bernoulli (p) P ( X = x ) = p x (1 p )
, x = 0,1 , logo ;
E( X ) = p
Var ( X ) = pq
Exemplo 2.13: Uma empresa de cimento tm no estoque 10 sacos que foram produzidos a 3
semanas, 20 sacos que foram produzidos a 2 semanas e 20 sacos produzidos a 3 dias. Retira-se um
saco de cimento do estoque. Seja X o evento em que o saco de cimento foi fabricado a 3 dias.
Determine a probabilidade de sucesso e fracasso.
andrerochaest@yahoo.com.br
56
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Soluo:
1, se o saco de ciemnto foi fabricado a 3 dias;
X =
0, se o saco de ciemento NO foi fabricado a 3 dias.
Podemos calcular a distribuio de X pela sua frmula de distribuio de probabilidade, sendo esta
calculada abaixo:
1 x
P ( X = x ) = p x (1 p )
20
P ( X = 0) =
50
20
P ( X = 1) =
50
, x = 0,1
1 0
20
1
50
= 1 0, 6 = 0, 6
11
20
1
50
= 0, 4 1 = 0, 4
P(X)
0,6
0,4
E(X)=p=0,4;
Var(X)=p(1-p)=0,4(1-0,4)=0,24.
SSS
SFFF
F
...
...
n k
n k
n
P ( X = k ) = p k .q nk
k
andrerochaest@yahoo.com.br
57
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
em que
X = Nmero de sucessos variando de 1 at n;
p = Probabilidade de sucesso em cada repetio;
1-p = Probabilidade de fracasso em cada repetio;
n = Nmero de repeties
A varivel X tem distribuio Binomial, com parmetros n e p, e indicaremos pela notao
Se X ~ Binomial ( n, p )
n
P ( X = k ) = p k .q nk , logo ;
k
E( X ) = np
Var( X ) = npq= np(1-p)
O nmero esperado ou esperana de sucessos na distribuio Binomial facilmente encontrado.
Intuitivamente, analise as duas perguntas a seguir:
-
Se lanarmos uma moeda 100 vezes, qual o nmero esperado de caras (p=1/2)?
Soluo:
1) X~Binomail (100; 0,5) E(X)=np=1000,5=50.
Assim, se lanarmos uma moeda 100 vezes, esperamos que ocorram 50 caras. (Obs: Isso
quando estamos supondo que a moeda honesta, ou seja, a probabilidade de cara e coroa a
mesma, que nessa situao igual a 1/2).
2) X~Binomail (600; 1/6) E(X)=np=600(1/6)=100.
Assim, se lanarmos um dado 600 vezes, esperamos que o nmero de faces 5 ocorra 100
vezes.
Exemplo 2.14: Uma prova tem 10 questes independentes de igual pontuao. Cada questo tem 5
alternativas. Apenas uma das alternativas a correta. Se um aluno resolve a prova respondendo a
esmo as questes, qual a probabilidade de tirar nota 6?
andrerochaest@yahoo.com.br
58
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Soluo:
X = n de acertos.
X = 0, 1, .........., 10
E(X)=np=10(1/5)=2;
Var(X)=np(1-p)=10(1/5)(1-1/5)=100,20,8=1,6.
Exemplo 2.15: Um engenheiro qumico resolveu testar oito bicos de
bunsen que acabaram de
Soluo:
a) Seja X = {n de bicos de bunsen que esto funcionando corretamente dentre os 10 testados no
laboratrio}. X = 0, 1, ..., 10.
p = P( sucesso ) = P (o bico de bunsen est funcionando corretamente) = 4/5 = 0,8.
Assim, podemos definir X como:
andrerochaest@yahoo.com.br
59
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
10 4
P ( X = 7 ) = .
7 5
10 7
1
.
5
4 7 1 3
10!
=
.
=
(10 7 ) !7! 5 5
E ( X ) = n p = 10
4
=8
5
4 1
Var ( X ) = n p q = 10 = 1, 6
5 5
10
0
10 0
10
P ( X = 0 ) = ( 0,8 ) (1 0,8 )
= (1) (1) ( 0, 2 ) = 0,0000001024=0,00001%
0
10
1
10 1
9
P ( X = 1) = ( 0,8 ) (1 0,8 ) = (10 ) ( 0,8 ) ( 0, 2 ) = 0,000004096=0,0004%
1
10
2
10 2
8
P ( X = 2 ) = ( 0,8 ) (1 0,8 )
= ( 45 ) ( 0, 64 ) ( 0, 2 ) = 0,000073728=0,007%
2
P ( X 2 ) = P ( X = 0 ) + P ( X = 1) + P ( X = 2 ) =
= 0,00001% + 0,0004% + 0,007% = 0,00741%
c)
10
0
10 0
P ( X = 0 ) = ( 0,8 ) (1 0,8 )
=
0
=
(1)
(1)
( 0, 2 )
10
= 0,0000001024=0,00001%
andrerochaest@yahoo.com.br
60
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
e) P(ao menos 9 bicos de bunsen esto funcionando corretamente) = P(X9) = [P(X=9) + P(X=10)]
10
P ( X = 9) =
9
( 0,8)
= (10 ) ( 0,134217728 )
10 9
(1 0,8)
( 0, 2 )
=
= 0,2684=26,84%
10
10
10 10
P ( X = 10 ) =
(1 0,8 )
=
( 0,8 )
10
= (1) ( 0,1073741824 )
(1) = 0,1073741824=10,74%
P ( X 9 ) = P ( X = 9 ) + P ( X = 10 ) =
=
Exerccio 2.3: Um produto eletrnico contm 40 circuitos integrados. O fabricante declarou que 1 a
cada 50 defeituoso. Os circuitos integrados so independentes. O produto opera somente se
houver at dois circuitos integrados defeituosos.
a) Qual a probabilidade de que o produto opere?
e .k
k!
E( X ) =
Var( X ) =
andrerochaest@yahoo.com.br
61
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exemplo 2.16: Uma central telefnica recebe em mdia 5 chamadas por minuto. Suponha que as
chamadas seguem uma distribuio de Poisson. Calcule a probabilidade de:
a) No receber chamadas em um minuto;
b) Receber no mximo duas chamadas em quatro minutos;
c) Receber duas chamadas em trinta segundos;
d) Receber cinco chamadas em trinta segundos;
e) Receber trs chamadas em dois minutos.
Soluo:
Letra (a):
Seja X = o nmero de chamadas que chegam em t minutos, com distribuio de Poisson com
parmetro =5t.
= 5 1 = 5
P ( X = 0) =
e 5 ( 5 )
0!
= e 5 = 0, 00673
Letra (b):
= 5 4 = 20
P ( X 2 ) = P ( X = 0 ) + P ( X = 1) + P ( X = 2 ) = 0, 000000455
P ( X = 0) =
e 20 ( 20 )
0!
e 20 ( 20 )
P ( X = 1) =
P ( X = 2) =
1!
e20 ( 20 )
2!
Letra (c):
= 5 ( 0,5 ) = 2, 5
P ( X = 2) =
e 2,5 ( 2, 5 )
2!
= 0, 256
andrerochaest@yahoo.com.br
62
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Letra (d):
= 5 ( 0, 5 ) = 2, 5
P ( X = 5) =
e 2,5 ( 2,5 )
5!
= 0, 067
Letra (e):
= 5 2 = 10
P ( X = 3) =
e 10 (10 )
3!
= 0, 0075
1
, se X (a, b)
f (X ) = b a
0, caso contrrio
Ento dizemos que X tem distribuio uniforme no intervalo (a, b).
Exemplo 2.17: A dureza de uma pea de ao pode ser pensada como sendo uma varivel aleatria
com distribuio uniforme no intervalo (50; 70) da escala de Rockwell. Calcular a probabilidade de
que uma pea tenha dureza entre 55 e 60.
andrerochaest@yahoo.com.br
63
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Soluo:
Definindo X = Dureza de uma pea de ao, temos:
1
, se X (50, 70)
f ( X ) = 70 50
0, caso contrrio
Logo:
P ( 55 X 60 ) =
60
55
1
x 60 5 1
dx =
=
=
20
20 55 20 4
E(X ) =
a+b
2
Var ( X )
(b a )
=
12
Exerccio 2.5: O peso lquido, em libras, de um pacote com herbicida qumico uniforme no
intervalo de 49,75 a 50,25 libras. Determine:
a) Mdia e varincia do peso dos pacotes;
b) Probabilidade de um pacote de herbicida ter peso inferior a 50,1 libras.
telefnicas ocorrem em mdia razo de 6 por hora, ento o tempo mdio entre as chamadas ser
de 1/6 de hora, ou 10 minutos.
Uma varivel aleatria X tem distribuio Exponencial de probabilidade se a sua f.d.p.
dada por:
andrerochaest@yahoo.com.br
64
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
e x se x 0
f (x ) =
o grfico da f.d.p. de X :
0 se x < 0
e x dx = (e X ) |
=1
0
E(X ) =
Var ( X ) =
Exemplo 2.18: Uma fbrica de tubos de TV determinou que a vida mdia dos tubos de sua
fabricao de 800 horas de uso contnuo e segue uma distribuio exponencial. Qual a
probabilidade de que a fbrica no tenha que substituir um tubo gratuitamente, se oferece uma
garantia de 300 horas de uso?
Soluo:
X: vida til dos tubos de TV e E(X) = 800
Como E ( X ) =
= 800 =
1
800
x
1
800
e 800 , se x 0
f ( x) =
0 , se x < 0
1
Logo
300
300
300
1 X
1 8001 x
800
800
e dx = (e
)
= e + 1 = 1 e 3/8 = 0,3127
0
800
andrerochaest@yahoo.com.br
65
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exerccio 2.6: Certo tipo de fusvel tem durao de vida que segue uma distribuio exponencial
com vida mdia de 100 horas. Qual a probabilidade de um fusvel durar mais de 150 horas?
f (x) =
1
2
.e
( x ) 2
2 2
< x < +
Grfico: A figura abaixo ilustra uma particular curva normal, determinada por valores particulares
de e 2.
66
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
A Normal-Padro
Para o clculo das probabilidades, surgem dois grandes problemas:
1) Para integrao de f(x), pois para o clculo necessrio o desenvolvimento em sries;
2) Seria a elaborao de uma tabela de probabilidades, pois f(x) depende de dois parmetros,
fato este que acarretaria um grande trabalho para tabelar
tabelar essas probabilidades considerandoconsiderando
se as vrias combinaes de e 2.
andrerochaest@yahoo.com.br
67
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Os problemas foram solucionados por meio de uma mudana de varivel obtendo-se, assim,
a distribuio normal padronizada ou reduzida: Quando = 0 e 2 = 1, temos uma normal padro
ou reduzida, e escrevemos: N(0,1). Se X~N(, 2), ento a v.a. Z definida por
Z=
Uma das propriedades associadas distribuio normal a sua capacidade para predizer as
probabilidades de encontrar um valor entre dois nmeros quaisquer.
As probabilidades associadas distribuio normal so facilmente obtidas em tabelas.
Vejamos alguns exemplos:
Com vemos na figura a seguir a rea total sob a curva vale 1. Isto significa que a
probabilidade de ocorrer qualquer valor real 1. A curva simtrica em torno da mdia zero. A
probabilidade de ocorrer valer maior que zero 0,5, mas qual seria a probabilidade de ocorrer valor
entre zero e z = 1,25 ?
andrerochaest@yahoo.com.br
68
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
No cruzamento da linha 1,2 com a coluna 5 est o nmero 0,3944. Est a probabilidade
(39,44%) do ocorrer valor entre zero e z= 1,25.
andrerochaest@yahoo.com.br
69
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
0,0
0,0000
0,0040
0,0080
0,0120
0,0160
0,0199
0,0239
0,1
0,0398
0,0438
0,0478
0,0517
0,0557
0,0596
0,0636
0,2
0,0793
0,0832
0,0871
0,0910
0,0948
0,0987
0,1026
0,3
0,1179
0,1217
0,1255
0,1293
0,1331
0,1368
0,1406
0,4
0,1554
0,1591
0,1628
0,1664
0,1700
0,1736
0,1772
0,5
0,1915
0,1950
0,1985
0,2019
0,2054
0,2088
0,2123
0,6
0,2257
0,2291
0,2324
0,2357
0,2389
0,2422
0,2454
0,7
0,2580
0,2611
0,2642
0,2673
0,2703
0,2734
0,2764
0,8
0,2881
0,2910
0,2939
0,2967
0,2995
0,3023
0,3051
0,9
0,3159
0,3186
0,3212
0,3238
0,3264
0,3289
0,3315
1,0
0,3413
0,3438
0,3461
0,3485
0,3508
0,3531
0,3554
1,1
0,3643
0,3665
0,3686
0,3708
0,3729
0,3749
0,3770
1,2
0,3849
0,3869
0,3888
0,3907
0,3925
0,3944
0,3962
1,3
0,4032
0,4049
0,4066
0,4082
0,4099
0,4115
0,4131
1,4
0,4192
0,4207
0,4222
0,4236
0,4251
0,4265
0,4279
Exemplo 2.19: Suponhamos que o comprimento de um tubo de PVC tem distribuio normal com
mdia de 200cm e desvio padro de 20 cm. Veja o grfico desta distribuio.
70
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Qual a probabilidade de um tubo apresentar comprimento entre 200 e 225 cm. Est probabilidade
corresponde a figura a seguir.
Z=
X
- = mdia; = desvio padro
- X = valor pesquisado
A estatstica Z (Standard score) baseia-se na curva normal. Ela mede quanto um
determinado resultado (valor) afasta-se da mdia em unidades de desvio-padro. Um resultado cujo
valor coincide com a mdia tem escore z=0.
Como a quantidade de colesterol tem distribuio normal com mdia = 200 e desvio
padro () de 20, a varivel
Z = X - 200 tem distribuio normal reduzida.
20
Nesta distribuio, a mdia zero e, ao valor X = 225, corresponde:
Z = X - 200 = 1,25
20
andrerochaest@yahoo.com.br
71
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exemplo 2.20: Referente ao Exemplo .19, qual a probabilidade do tubo de PVC apresentar menos
do que 190 cm de comprimento. Para resolver este problema, preciso "reduzir" o valor X = 190
para uma normal padro. Assim, temos:
Z = 190 - 200 = - 0,50 .
20
A probabilidade de z assumir o valor menor que z = - 0,50 igual a probabilidade de ocorrer valor
maior do que z = 0,50 (fato este pela normal ser simtrica em torno do zero). Consultando o
ANEXO A da distribuio normal reduzida, vemos que no cruzamento entre a linha e a coluna, na
primeira coluna, temos o valor 0,5 e na primeira linha o valor zero para compor o nmero z = 0,50,
em que est o valor 0,1915; que a probabilidade de ocorrer valor zero e z = 0,50. Como a
probabilidade de ocorrer valor maior do que a mdia zero 0,5, a probabilidade pedida dada por:
0,5 - 0,1915 = 0,3085 ou 30,85%.
Exerccio 2.7: Sabendo a quantidade de calcrio por 100kg de cimento CP II F do tipo Composto
uma varivel aleatria com distribuio normal de mdia =16 kg e desvio padro =1,75 kg.
Calcule a probabilidade de numa amostra de 1000kg desse cimento apresentar de 13 a 18kg de
calcrio.
a) P(Z = 0)
b) P(Z 0)
g) P( Z 2,8)
d) P( Z -1,89)
i) P( -1,15 Z 2,37)
j) P( Z > 4,88)
andrerochaest@yahoo.com.br
72
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
t=
X
s/ n
andrerochaest@yahoo.com.br
73
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
2. A distribuio t de Student tem mdia t = 0 (tal como a normal padronizada, com mdia Z = 0).
3. O desvio-padro da distribuio t de Student varia com o tamanho da amostra, mas superior a
1 (ao contrrio da distribuio normal padronizada).
4. Na medida em que aumenta o tamanho 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.
( x x)
i =1
n 1
A necessidade dessa correo esta relacionada com o nmero de g.l., por exemplo:
andrerochaest@yahoo.com.br
74
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
n
= X =
i =1
xi
n
2 =
( x )
i =1
so estatsticas com "n" graus de liberdade, pois existem n valores xi livres que devem ser
considerados para podermos calcular o valor da estatstica.
A estatstica s2, por usar X ao invs de , tem um grau de liberdade a menos. Isso ocorre porque
para o clculo de s2 necessrio que se tenha calculado X , ou seja, j utilizamos uma vez todo os
valores da amostra; estes estiram sendo usados pela segunda vez para o clculo de s2.
Exerccio 2.9: Com base na tabela t de Student determine o valor da distribuio nos seguinte
casos:
a) t (5; 1%)
b) t (6; 2%)
c) t (19; 5%)
d) t (21; 10%)
e) t (28; 5%)
f) t (12; 1%)
andrerochaest@yahoo.com.br
75
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
UNIDADE III
INFERNCIA ESTATSTICA
Introduo
Nas ltimas unidades vimos como construir modelos probabilsticos para descrever alguns
fenmenos. Nessa parte, iremos estudar um ramo muito importante da Estatstica conhecido como
Inferncia Estatstica, ou seja, como fazer afirmaes sobre caractersticas de uma populao,
baseando-se em resultados de uma mostra.
Inferncia Estatstica o ramo da Estatstica que refere-se ao processo de obter informaes sobre
uma populao a partir de resultados observados na amostra.
POPULAO (N)
AMOSTRA (n)
Inferncia Estatstica
POPULAO: Conjunto de indivduos (ou objetos), tendo pelo menos uma varivel comum
observvel. Pode ser finita, como o conjunto de alunos de uma escola em um determinado ano, ou
infinita, como o nmero de vezes que se pode jogar um dado.
76
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
xi
TESTES DE HIPTESES
(Paramtricos e No-Paramtricos)
andrerochaest@yahoo.com.br
77
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
- E( X )=
- Var( X )=2/n
- A distribuio de X aproxima-se de uma distribuio normal com valor esperado
e varincia 2/n, quando n tende ao infinito. (Teorema Central do Limite).
Observaes:
i.
Como regra prtica, aceita-se que para amostras com mais de 30 elementos, a
aproximao citada em (iii) j pode ser considerada boa.
ii.
Soluo:
Temos nesse exemplo que a distribuio da mdia amostral X aproximadamente N(55; 6,4).
2
256
Ou seja, X ~ N , X ~ N 55,
X ~ N ( 55; 6, 4 ) . Assim, teremos:
n
40
X 55 60 55
P ( X > 60 ) = P
>
= P( Z > 1,98) = 0, 5 + 0, 4761 = 0,9761
6,
4
6,
4
andrerochaest@yahoo.com.br
78
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exemplo 3.2: Em certa cidade, 30% dos motoristas envolvidos em acidentes fatais mostram
evidncia do uso de drogas. Numa amostra de 200 acidentes fatais, qual ser a probabilidade de que
mais de 25% desses motoristas tenham usado drogas?
Soluo:
Definindo a varivel aleatria p =proporo de motoristas que usam drogas numa amostra de 200
acidentes fatais, temos que a distribuio de p aproximadamente N(0,30; 0,00105). Assim,
p 0,30
0, 25 0,30
P ( p > 0, 25) = P
>
= P ( Z > 1,54 ) = 0,9382 .
0,
00105
0,
00105
Logo, a probabilidade de que mais de 25% desses motoristas tenham usado drogas de 93,82%.
andrerochaest@yahoo.com.br
79
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
2) TESTES NO-PARAMTRICOS
INTERVALOS DE CONFIANA
um intervalo real, centrado na estimativa pontual que dever conter o parmetro com
determinada probabilidade. A probabilidade de o intervalo conter o parmetro estimado
denominada de nvel de confiana associado ao intervalo. A notao mais usual para o nvel de
confiana associado ao intervalo 1 - ou (1 - )%.
andrerochaest@yahoo.com.br
80
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Assim como as estimaes pontuais, os intervalos de confiana podem ser vistos como uma
tcnica para se fazer inferncia estatstica. Ou seja, a partir de um intervalo de confiana, construdo
com os elementos amostrais, pode-se inferir sobre um parmetro populacional.
Fundamenta-se nas distribuies amostrais
: Estimador de
: Parmetro populacional
1 2 , que contm
O valor da probabilidade
(1 ) .
1 2 ,
(1 ) .
andrerochaest@yahoo.com.br
81
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Mtodos
Fatores
Distribuio Normal
Distribuio t-Student
n 30
n < 30
2 (conhecida)
S2 (desconhecida)
Tamanho da amostra
Varincia
Varivel utilizada
Seja
X ~ N , 2 / n
Ento,
Z=
X
~ N (0,1)
/ n
(1 ) tem-se:
P ( Z
/ 2
Z Z
/ 2
)= 1
andrerochaest@yahoo.com.br
82
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
P Z / 2
Z / 2 = 1
/ n
P Z / 2.
X Z /2.
X =1
n
n
P X Z /2.
X + Z /2.
=1
n
n
Exemplo 3.5: O departamento de Recursos Humanos de uma grande empresa informa que o tempo
de execuo de tarefas que envolvem participao manual varia de tarefa para tarefa, mas que o
desvio padro permanece aproximadamente constante em 3 min. Uma nova tarefa est sendo
implantada na empresa. Uma amostra aleatria do tempo de execuo de 50 dessas novas tarefas
forneceu o valor mdio de 15 min. Determine o intervalo de confiana de 95% para o tempo mdio
de execuo dessa nova tarefa.
Sabe-se que,
X ~ N , / n
) , ento
X ~ N 15, 3
50
P X Z /2.
X + Z /2.
=1
n
n
3
3
15 + 1, 96.
P 15 1, 96.
= 95%
50
50
83
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Estimar
Quanto menor a amostra mais necessria se torna a introduo de uma correo: t(n-1) ao
invs de Z.
Sabe-se que,
Ento,
X ~ N , 2 / n
t n 1 =
Z=
X
~ N (0,1)
/ n
X
S/ n
P ( t / 2 t t / 2 ) = 1
X
P t / 2
t / 2 = 1
S/ n
S
S
P t / 2 .
X t / 2 .
X =1
n
n
andrerochaest@yahoo.com.br
84
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
S
S
P X t / 2 .
X + t / 2 .
= 1
n
n
OBS: Quanto menor o tamanho da amostra, mais necessrio se torna a introduo de uma correo,
a qual consiste em usar a varivel t-Student (t(n-1)) ao invs de usar a varivel Z.
Exemplo 3.6: Uma amostra de 25 peas de laminado usado na fabricao de placas de circuito foi
selecionada, e a quantidade de deformao (in.) sob condies especficas foi determinada para
cada pea, resultando em uma deformao mdia amostral de 0,0635 in. E um desvio-padro
amostral de 0,0065 in. Construa um intervalo de confiana para a mdia ao nvel de 99%.
Soluo:
Mdia amostral: X = 0, 0635 in.
Desvio padro amostral: S = 0, 0065 in.
Varivel: t(n-1) = t(24; 1%/2) = 2,7969
S
S
P X t / 2 .
X + t / 2 .
=1
n
n
0, 0065
0, 0065
P 0, 0635 ( 2, 7969 ) .
0, 0635 + ( 2, 7969 ) .
= 99%
25
25
andrerochaest@yahoo.com.br
85
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exerccio 3.1: Aps analisar o teor alcolico de 52 amostras de sangue de pessoas que estavam
numa festa, um qumico obteve atravs do software R uma mdia de 3,9% de C2H5OH e um desviopadro de 5,78% de C2H5OH.
a) Calcule um intervalo de 95% de confiana para o percentual mdio de C2H5OH para as
pessoas que beberam nessa festa. Interprete os resultados.
b) Com 99% de confiana, o intervalo para o percentual mdio de C2H5OH de [1,76% ;
6,04%]. Por que diferente do intervalo da letra (a)?
p ~ N p, pq
p
e
k
n.
Z=
Fixando-se um nvel de confiana
P p Z / 2 .
p ( q )
n
p p
~ N ( 0,1)
pq / n
(1 ) tem-se:
p p + Z / 2 .
p ( q )
= 1
n
Exemplo 3.7: Uma pesquisa recente efetuada com 300 habitantes de uma grande cidade revelou
que 128 pessoas apresentavam insuficincia respiratria. Determine um intervalo de confiana de
90% para a proporo de habitantes dessa cidade que apresentaram insuficincia respiratria.
Soluo:
n=300
&
k=128;
Logo, temos que a proporo das pessoas que apresentavam insuficincia respiratria de
p =
128
= 0, 4267 ou 42,67%. Assim, teremos para o clculo do intervalo de confiana:
300
andrerochaest@yahoo.com.br
86
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
I .C . = p Z / 2 .
p ( q )
n
p p + Z / 2 .
p ( q )
= 1
n
300
300
Interpretao: Podemos afirmar, a um nvel de 90% de confiana, que o intervalo [0,3982; 0,4552]
contm o valor verdadeira da proporo populacional. Logo, se realizssemos esse procedimento
100 vezes, por exemplo, espera-se que 90 dos intervalos calculados contenham o verdadeiro valor
do parmetro estimado. Ou seja, com 10% de significncia, o percentual de habitantes com
insuficincia respiratria ser entre 39,82% a 45,52%.
Exerccio 3.2: Um artigo em Fortune (21/09/1992) afirma que aproximadamente metade de todos
os engenheiros qumicos continua seus estudos acadmicos alm do grau de bacharelado, recebendo
no final o grau de mestre ou doutor. Dados de um artigo em Engineering Hozizons indicaram que
117 de 484 novos engenheiros qumicos graduados estavam planejando fazer uma ps-graduao.
Calcule um intervalo com 99% de confiana a cerca da proporo de engenheiros qumicos que
continuam seus estudos alm da graduao. Interprete os resultados.
andrerochaest@yahoo.com.br
87
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
HIPTESE ESTATSTICA
Suposio quanto ao valor de um parmetro ou quanto natureza da distribuio de uma
probabilidade
lidade de uma varivel populacional.
TIPOS DE HIPTESES
H 0 : aquela que ser testada, sendo sempre contrria ao resultado do experimento amostral;
hiptese nula. formulada com base nos dados populacionais.
Exemplo:
H0: = 0
H1: > 0
Regio de Rejeio (RR) e de Aceitao (RA) da Hiptese Nula
andrerochaest@yahoo.com.br
88
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Regra de Deciso
Se o teste estatstico acusar um valor na regio de rejeio de H0. Quando a probabilidade associada
a um valor observado de um teste estatstico menor ou igual do que o valor previamente
determinado de , conclumos que H0 falsa, tal valor observado chamado "significativo". H0
rejeitada sempre que ocorre um valor "significativo".
TIPOS DE ERROS:
1
Erro Tipo II (): P(aceitar H0 | H0 falsa) Probabilidade de aceitar H0 dado que H0 falsa.
Deciso
Realidade
Aceitar
H0
verdadeira
H0
falsa
H0
Deciso Correta
Erro Tipo II
Rejeitar
H0
( )
Deciso Correta (1 )
(1 )
Erro Tipo I
( )
ERRO TIPO I cometido quando rejeitamos H0 , quando na verdade, ela verdadeira. Esse tipo
de erro o mais importante a ser evitado. A probabilidade de se cometer um erro tipo I o que se
chama de nvel de significncia de um teste. =P(erro tipo I).
ERRO TIPO II cometido quando no rejeitamos H0, quando na verdade ela falsa.
Deseja-se: reduzir ao mnimo as probabilidades dos erros.
TAREFA DIFCIL: para uma amostra de tamanho n a probabilidade de se incorrer em um erro tipo
II aumenta medida que diminui a probabilidade do erro tipo I (vice-versa).
REDUO SIMULTNEA
AUMENTO DO
DOS ERROS
TAMANHO DE n
H0
e alternativa
andrerochaest@yahoo.com.br
H1 ;
89
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
e a varivel do teste.
H0
com RA e RC, ou seja, rejeitar Ho sempre que a estatstica calculada pertencer regio
crtica, caso contrrio, no rejeitar.
TESTES PARAMTRICOS
andrerochaest@yahoo.com.br
90
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
O procedimento para a realizao desse teste de hipteses pode ser resumido nos seguintes passos:
1. Enunciar as hipteses:
H 0 : = 0
( )
( a ) T este Bilateral
0
2
2
X
~ N (0,1)
X ~ N , Z =
2
n
n
A estatstica de teste uma estatstica amostral, usada para tomar uma deciso em relao
hiptese nula.
andrerochaest@yahoo.com.br
91
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
5.
Zcal =
6. Concluses
1. Se Z/2 < ZCalc < Z/2, no rejeita H0
Teste Bilateral
Teste Unilateral
Teste Unilateral
Exemplo 3.8: Em indivduos sadios, a taxa de fsforo no sangue tem distribuio aproximadamente
normal com mdia = 3 mg/100cc e desvio-padro = 0,6mg/100cc. Com o objetivo de saber se
no artritismo essa taxa mdia aumentou, um pesquisador tomou uma amostra de 36 doentes e testou
sua hiptese ao nvel de 5% de significncia. Observou-se na amostra a mdia X = 3,12mg/100cc.
Soluo:
As hipteses sero as seguintes
H0: = 3,0
H1: > 3,0 (teste unilateral)
OU
H0: A taxa de fsforo no sangue de pessoas com artritismo igual a 3,0mg/100cc.
H1: A taxa de fsforo no sangue de pessoas com artritismo maior que 3,0mg/100cc.
Usaremos = 0, 05. A estatstica a ser utilizada ser:
ZCalc =
2
n
andrerochaest@yahoo.com.br
92
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Aps termos calculado a estatstica do teste, vamos agora encontrar a probabilidade na tabela de
distribuio Normal-Padro (Tabela do ANEXO A). Lembre-se que como o teste unilateral, o
valor de ser igual a 5%, e no a 2,5%.
Logo, como a tabela da distribuio normal nos d de 0 at + (50% da rea total, ou probabilidade
igual a 0,5), temos que:
50% - = 50% - 5% = 45% = 0,45 Z = 1,645.
Como na tabela no encontramos um valor exato de 0,45. O mais prximo dessa probabilidade so
dois valores de P(Z < 1,64) = 0,4495 e P(Z < 1,65) = 0,4505. Repare que para Z=1,64 e Z=1,65, um
menor e outro maior, respectivamente, que 0,45 na mesma proporo. Assim, faz-se necessrio
realizar uma interpolao apenas realizando uma mdia aritmtica de ambos os valores de Z, tendo
assim: P(Z < 1,645) 0,445.
P ( Z < x ) = 0, 45 x =
1, 64 + 1, 65
= 1, 645 P ( Z < 1, 645 ) 0, 45.
2
andrerochaest@yahoo.com.br
93
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exerccio 3.3: Em indivduos normais, o consumo renal mdio de oxignio de 12 cm3/min com
desvio-padro de 2,3 cm3/min. Um pesquisador interessado em saber
saber se isso realmente ocorre,
selecionou uma amostra de 28 pessoas sadias e obteve um consumo renal mdio de oxignio de
13,45 cm3/min. Teste a um nvel de 5% se realmente ocorre o que o pesquisador averiguou.
averiguou Defina
as hipteses e interprete.
andrerochaest@yahoo.com.br
94
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Neste caso, como no conhecemos , precisamos calcular a estimativa S a partir de uma amostra.
Para a construo das hipteses a serem analisadas, a regio de rejeio ser baseada numa
estatstica de teste com base na distribuio t de Student:
T~
X
S2
n
~ tn 1
andrerochaest@yahoo.com.br
95
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
a) Enunciar as hipteses:
H 0 : = 0
( )
( a ) T este Bilateral
0
2
t(n1) .
c) Determinar RA e RC atravs da tabela t.
Tcal =
X
S/ n
e) Concluses
4. Se t/2 < TCalc < t/2, no rejeita H0
Teste Bilateral
Teste Unilateral
Teste Unilateral
Exemplo 3.9: A tolerncia de dieta diria de zinco recomendada entre homens com mais de 50 anos
15mg/dia. O artigo Nutrient Intakes and Dietary Patterns of Older Americans: A National
Study (J. Gerontology, 1992, pg. 145-150) relata sobre ingesto uma mdia de 17,3 mg/dia e
desvio-padro de 6,43 mg/dia para uma amostra de 88 homens com mais de 50 anos.
Esses dados, a um nvel de 5% de significncia, indicam que a ingesto de zinco diria mdia na
populao dos homens com mais de 50 anos est na tolerncia permitida? Defina as hipteses e
interprete.
Soluo:
As hipteses sero as seguintes
H0: = 15 mg/dia
H1: 15 mg/dia (teste bilateral)
andrerochaest@yahoo.com.br
96
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
OU
H0: Os homens com + de 50 anos esto com a tolerncia de dieta diria de zinco recomendada.
H1: Os homens com + de 50 anos NO esto com a tolerncia de dieta diria de zinco recomendada.
TCalc =
X
2
S
n
15 17,3 2,3
=
= 3,3557
6, 43
0, 6854
88
Os graus de liberdade (g.l.) para o teste t de Student sero obtidos da seguinte forma:
g.l. = n 1 = 88 1 = 87
Aps termos calculado a estatstica do teste e o nmero de g.l., vamos agora encontrar a
probabilidade na tabela de distribuio t-Studentl (Tabela do ANEXO B). Como usar esta tabela?
-
Localizar o valor correspondente de (g.l. = n - 1); Nesse caso temos que g.l.=88-1=87;
No cruzamento da linha com ( = 87) com a coluna ( = 2,5%), por ser um teste
bilateral, ento /2, est o nmero 1,9876.
andrerochaest@yahoo.com.br
97
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
25%
10%
5%
2,5%
81
0,6775
1,2921
1,6639
1,9897
82
0,6775
1,2920
1,6636
1,9893
83
0,6775
1,2918
1,6634
1,9890
84
0,6774
1,2917
1,6632
1,9886
85
0,6774
1,2916
1,6630
1,9883
86
0,6774
1,2915
1,6628
1,9879
87
0,6773
1,2914
1,6626
1,9876
88
0,6773
1,2912
1,6624
1,9873
89
0,6773
1,2911
1,6622
1,9870
90
0,6772
1,2910
1,6620
1,9867
Concluso: Como TCalc -t/2 , ou seja, -3,3557 < -1,9876.. Ento, a um nvel de significncia de
5%, rejeitaremos a hiptese nula, assim, os homens com + de 50 anos NO esto com a
tolerncia de dieta diria de zinco recomendada.
andrerochaest@yahoo.com.br
98
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exerccio 3.4: Uma companhia de produtos para o consumidor est formulando um xampu novo e
est interessado na altura (em milmetros) da espuma. A altura da espuma tem distribuio
aproximadamente normal com S = 20 mm. A companhia analisou 10 frascos de xampu e obteve
uma altura mdia de 175 mm, diferente da esperada pelos engenheiros, de 179 mm. Usando esses
resultados, a companhia pode assumir que seu xampu alcana a altura mdia menor que a estimada
pelos engenheiros? Faa um teste de hipteses para comprovar sua teoria.
H 0 : p = p0
p p0 (a)
H1 : p > p0 (b)
p < p (c)
0
Z cal =
p p 0
p0 q0 / n
4. Concluses
a) Se Z/2 < ZCalc < Z/2, no rejeita H0
b) Se ZCalc > Z/2, rejeita-se H0
c) Se ZCalc < -Z/2, rejeita-se H0
Exemplo 3.10: Um pesquisador afirma que a frao de circuitos integrados defeituosos produzidos
em um processo de fotolitografia (tcnica utilizada na confeco de circuitos integrados) igual a
5%. Uma amostra de 300 circuitos testada, encontrando 13 defeituosos. Teste ao nvel de
significncia de 1%, se o pesquisador est correto. Defina as hipteses e Interprete.
Soluo:
99
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
1. Enunciar as hipteses
H 0 : p = 0, 05
H 1 : p 0, 0 5
2. = 0.05
Varivel: Z = Z 5% = Z ( 2,5% ) = 1,96 .
2
2
4. Calcular a estatstica do teste:
Z cal =
p p 0
p0 q0 / n
0, 04 0, 05
( 0, 05 )( 0, 95 ) / 300
0, 01
= 0, 8
0, 0125
4. Determinar RA e RC:
5. Concluso:
Como -ZTab < ZCal < +ZTab 1,96 < -0,8 < 1,96; NO rejeita H0, ou seja, com 5% de
significncia, conclu-se
se que a frao de
de circuitos integrados defeituosos produzidos em um
processo de fotolitografia igual a 5%.
andrerochaest@yahoo.com.br
100
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exerccio 3.5: Uma mquina foi regulada para fabricar placas de 5 mm de espessura. No entanto,
aps uma inspeo de rotina, o tcnico informou ao seu dono que ela est produzindo 4% das placas
com defeitos. Assim, foi retirada uma amostra de 40 placas, identificando apenas 2 com defeito.
Teste a um nvel de 99% de confiana se a mquina est produzindo um percentual de peas com
defeito acima do que o tcnico informou. Defina as hipteses e interprete.
4.3.4 - Valor-P
A seo anterior sobre teste de hipteses mostrou que se pode rejeitar ou no uma hiptese usando
um nvel de significncia , um valor crtico e uma correspondente regio de rejeio, que a
abordagem clssica. A seguir, ser apresentada uma outra maneira equivalente, bastante comum e
abordada na maioria dos softwares estatsticos e na literatura cientfica, de se obter o mesmo
resultado final.
Definio: O valor-p a chance de encontrar o valor observado na amostra ou valores mais
extremos, assumindo que a hiptese nula, H0, verdadeira.
Observao 1: No caso do uso do valor-p, no precisamos mais calcular uma estatstica do teste e
compar-la com um valor tabela da distribuio de referncia (normal, t-student, F, qui-quadrado,
etc). Basta compararmos o resultado do valor-p diretamente com o nvel de significncia .
Observao 2: Quanto menor for o valor-p, mais forte ser a evidncia fornecida pela amostra
contra H0. Por outro lado, quanto maior for o valor-p, menor ser a evidncia contra H0.
Relao entre valor-p e
a) Se valor-p rejeita-se H0 e os dados SO estatisticamente significantes.
b) Se valor-p > no se rejeita H0 e os dados NO SO estatisticamente significantes.
andrerochaest@yahoo.com.br
101
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exemplo 3.11: Um pesquisador deseja determinar o efeito da taxa de escoamento de C2F6 sobre a
uniformidade do ataque qumico em uma pastilha de silicone usada na fabricao de um circuito
integrado. Trs taxas de escoamento so usadas no experimento e a uniformidade (em porcentagem)
resultante, para seis pastilhas de silicone para cada taxa de escoamento. O experimento foi
completamente aleatorizado.
HIPTESES TESTADAS:
H0: No h diferena na resposta entre as taxas de escoamento de C2F6;
H1: H diferena na resposta entre pelo menos duas das taxas de escoamento de C2F6.
Para uma valor-P = 0,0533, rejeita-se H0 (=5%)?
Soluo:
No rejeita H0, pois Valor-p > .
Exemplo 3.12: Um pesquisador deseja testar a resistncia do concreto compresso. Ele deseja
investigar quatro tcnicas diferentes de mistura. O experimento foi completamente aleatorizado.
HIPTESES TESTADAS:
H0: No h diferena na resposta entre as diferentes tcnicas de mistura;
H1: H diferena na resposta entre pelo menos duas das diferentes tcnicas de mistura.
a) Para uma valor-P = 0,000488, rejeita-se H0 (=5%)?
Soluo:
Rejeita H0, pois Valor-p < .
b) E se fosse testar com =1%? Rejeita H0 ?
Soluo:
Rejeita H0, pois Valor-p < 0,0488% < 1%.
c) Nesse caso, os dados so ESTATISTICAMENTE SIGNIFICANTES? Justifique.
Soluo:
So! Porque rejeitou H0.(Hiptese Nula)
andrerochaest@yahoo.com.br
102
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
Exemplo 3.13: Um experimento foi feito para determinar se quatro temperaturas especficas de
queima afetam a densidade de um certo tipo de tijolo. Utilizando 4 tijolos para cada temperatura
especfica, foi determinada a densidade para o tipo de tijolo de acordo com a variao das
temperaturas. O experimento foi completamente aleatorizado.
HIPTESES TESTADAS:
H0: No h diferena na densidade do tipo de tijolo variando as temperaturas;
H1:H diferena na densidade do tipo de tijolo em pelo menos duas das temperaturas.
a) Para um valor-P = 0,0000125, rejeita-se H0 (=1%)?
Soluo:
Rejeita H0, pois Valor-p < .
b) E se fosse testar com =5%? Rejeita H0 ?
Soluo:
Rejeita H0, pois Valor-p < 0,0488% < 1%.
c) Nesse caso, os dados so ESTATISTICAMENTE SIGNIFICANTES? Justifique.
Soluo:
So! Porque rejeitou H0.(Hiptese Nula)
andrerochaest@yahoo.com.br
103
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
REFERNCIAS
(Notas de Aula).
104
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
ANEXOS
TABELA A - DISTRIBUIO NORMAL PADRO
TABELA B DISTRIBUIO T DE STUDENT
andrerochaest@yahoo.com.br
105
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
P(0 Z zc)
zc
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,0
0,1
0,2
0,3
0,4
0,0000
0,0398
0,0793
0,1179
0,1554
0,0040
0,0438
0,0832
0,1217
0,1591
0,0080
0,0478
0,0871
0,1255
0,1628
0,0120
0,0517
0,0910
0,1293
0,1664
0,0160
0,0557
0,0948
0,1331
0,1700
0,0199
0,0596
0,0987
0,1368
0,1736
0,0239
0,0636
0,1026
0,1406
0,1772
0,0279
0,0675
0,1064
0,1443
0,1808
0,0319
0,0714
0,1103
0,1480
0,1844
0,0359
0,0753
0,1141
0,1517
0,1879
0,5
0,6
0,7
0,8
0,9
0,1915
0,2257
0,2580
0,2881
0,3159
0,1950
0,2291
0,2611
0,2910
0,3186
0,1985
0,2324
0,2642
0,2939
0,3212
0,2019
0,2357
0,2673
0,2967
0,3238
0,2054
0,2389
0,2704
0,2995
0,3264
0,2088
0,2422
0,2734
0,3023
0,3289
0,2123
0,2454
0,2764
0,3051
0,3315
0,2157
0,2486
0,2794
0,3078
0,3340
0,2190
0,2517
0,2823
0,3106
0,3365
0,2224
0,2549
0,2852
0,3133
0,3389
1,0
1,1
1,2
1,3
1,4
0,3413
0,3643
0,3849
0,4032
0,4192
0,3438
0,3665
0,3869
0,4049
0,4207
0,3461
0,3686
0,3888
0,4066
0,4222
0,3485
0,3708
0,3907
0,4082
0,4236
0,3508
0,3729
0,3925
0,4099
0,4251
0,3531
0,3749
0,3944
0,4115
0,4265
0,3554
0,3770
0,3962
0,4131
0,4279
0,3577
0,3790
0,3980
0,4147
0,4292
0,3599
0,3810
0,3997
0,4162
0,4306
0,3621
0,3830
0,4015
0,4177
0,4319
1,5
1,6
1,7
1,8
1,9
0,4332
0,4452
0,4554
0,4641
0,4713
0,4345
0,4463
0,4564
0,4649
0,4719
0,4357
0,4474
0,4573
0,4656
0,4726
0,4370
0,4484
0,4582
0,4664
0,4732
0,4382
0,4495
0,4591
0,4671
0,4738
0,4394
*0,4505
0,4599
0,4678
0,4744
0,4406
0,4515
0,4608
0,4686
0,4750
0,4418
0,4525
0,4616
0,4693
0,4756
0,4429
0,4535
0,4625
0,4699
0,4761
0,4441
0,4545
0,4633
0,4706
0,4767
2,0
2,1
2,2
2,3
2,4
0,4772
0,4821
0,4861
0,4893
0,4918
0,4778
0,4826
0,4864
0,4896
0,4920
0,4783
0,4830
0,4868
0,4898
0,4922
0,4788
0,4834
0,4871
0,4901
0,4925
0,4793
0,4838
0,4875
0,4904
0,4927
0,4798
0,4842
0,4878
0,4906
0,4929
0,4803
0,4846
0,4881
0,4909
0,4931
0,4808
0,4850
0,4884
0,4911
0,4932
0,4812
0,4854
0,4887
0,4913
0,4934
0,4817
0,4857
0,4890
0,4916
0,4936
2,5
2,6
2,7
2,8
2,9
0,4938
0,4953
0,4965
0,4974
0,4981
0,4940
0,4955
0,4966
0,4975
0,4982
0,4941
0,4956
0,4967
0,4976
0,4982
0,4943
0,4957
0,4968
0,4977
0,4983
0,4945
0,4959
0,4969
0,4977
0,4984
0,4946
0,4960
0,4970
0,4978
0,4984
0,4948
0,4961
0,4971
0,4979
0,4985
0,4949
0,4962
0,4972
0,4979
0,4985
*0,4951
0,4963
0,4973
0,4980
0,4986
0,4952
0,4964
0,4974
0,4981
0,4986
3,0
0,4989
0,4989
0,4989
0,4990
0,4990
3,10 ou + 0,4999
106
EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
= graus de liberdade
25%
10%
5%
2,5%
1%
0,5%
1
2
3
4
5
1,0000
0,8165
0,7649
0,7407
0,7267
3,0777
1,8856
1,6377
1,5332
1,4759
6,3138
2,9200
2,3534
2,1318
2,0150
12,7062
4,3027
3,1824
2,7764
2,5706
31,8207
6,9646
4,5407
3,7469
3,3649
63,6574
9,9248
5,8409
4,6041
4,0322
6
7
8
9
10
0,7176
0,7111
0,7064
0,7027
0,6998
1,4398
1,4149
1,3968
1,3830
1,3722
1,9432
1,8946
1,8595
1,8331
1,8125
2,4469
2,3646
2,3060
2,2622
2,2281
3,1427
2,9980
2,8965
2,8214
2,7638
11
12
13
14
15
0,6974
0,6955
0,6938
0,6924
0,6912
1,3634
1,3562
1,3502
1,3450
1,3406
1,7959
1,7823
1,7709
1,7613
1,7531
2,2010
2,1788
2,1604
2,1448
2,1315
16
17
18
19
20
0,6901
0,6892
0,6884
0,6876
0,6870
1,3368
1,3334
1,3304
1,3277
1,3253
1,7459
1,7396
1,7341
1,7291
1,7247
21
22
23
24
25
0,6864
0,6858
0,6853
0,6848
0,6844
1,3232
1,3212
1,3195
1,3178
1,3163
26
27
28
29
30
0,6840
0,6837
0,6834
0,6830
0,6828
31
32
33
34
35
25%
10%
5%
2,5%
1%
0,5%
46
47
48
49
50
0,6799
0,6797
0,6796
0,6795
0,6794
1,3002
1,2998
1,2994
1,2991
1,2987
1,6787
1,6779
1,6772
1,6766
1,6759
2,0129
2,0117
2,0106
2,0096
2,0086
2,4102
2,4083
2,4066
2,4049
2,4033
2,6870
2,6846
2,6822
2,6800
2,6778
3,7074
3,4995
3,3554
3,2498
3,1693
51
52
53
54
55
0,6793
0,6792
0,6791
0,6791
0,6790
1,2984
1,2980
1,2977
1,2974
1,2971
1,6753
1,6747
1,6741
1,6736
1,6730
2,0076
2,0066
2,00
2,0057
2,0049
2,0040
2,4017
2,4002
2,3988
2,3974
2,3961
2,6757
2,6737
2,6718
2,6700
2,6682
2,7181
2,6810
2,6503
2,6245
2,6025
3,1058
3,0545
3,0123
2,9768
2,9467
56
57
58
59
60
0,6789
0,6788
0,6787
0,6787
0,6786
1,2969
1,2966
1,2963
1,2961
1,2958
1,6725
1,6720
1,6716
1,6711
1,6706
2,0032
2,0025
2,0017
2,0010
2,0003
2,3948
2,3936
2,3924
2,3912
2,3901
2,6665
2,6649
2,6633
2,6618
2,6603
2,1199
2,1098
2,1009
2,0930
2,0860
2,5835
2,5669
2,5524
2,5395
2,5280
2,9208
2,8982
2,8784
2,8609
2,8453
61
62
63
64
65
0,6785
0,6785
0,6784
0,6783
0,6783
1,2956
1,2954
1,2951
1,2949
1,2947
1,6702
1,6698
1,6694
1,6690
1,6686
1,9996
1,9990
1,9983
1,9977
1,9971
2,3890
2,3880
2,3870
2,3860
2,3851
2,6589
2,6575
2,6561
2,6549
2,6536
1,7207
1,7171
1,7139
1,7109
1,7081
2,0796
2,0739
2,0687
2,0639
2,0595
2,5177
2,5083
2,4999
2,4922
2,4851
2,8314
2,8188
2,8073
2,7969
2,7874
66
67
68
69
70
0,6782
0,6782
0,6781
0,6781
0,6780
1,2945
1,2943
1,2941
1,2939
1,2938
1,6683
1,6679
1,6676
1,6672
1,6669
1,9966
1,9960
1,9955
1,9949
1,9944
2,3842
2,3833
2,3824
2,3816
2,3808
2,6524
2,6512
2,6501
2,6490
2,6479
1,3150
1,3137
1,3125
1,3114
1,3104
1,7056
1,7033
1,7011
1,6991
1,6973
2,0555
2,0518
2,0484
2,0452
2,0423
2,4786
2,4727
2,4671
2,4620
2,4573
2,7787
2,7707
2,7633
2,7564
2,7500
71
72
73
74
75
0,6780
0,6779
0,6779
0,6778
0,6778
1,2936
1,2934
1,2933
1,2931
1,2929
1,6666
1,6663
1,6660
1,6657
1,6654
1,9939
1,9935
1,9930
1,9925
1,9921
2,3800
2,3793
2,3785
2,3778
2,3771
2,6469
2,6459
2,6449
2,6439
2,6430
0,6825
0,6822
0,6820
0,6818
0,6816
1,3095
1,3086
1,3077
1,3070
1,3062
1,6955
1,6939
1,6924
1,6909
1,6896
2,0395
2,0369
2,0345
2,0322
2,0301
2,4528
2,4487
2,4448
2,4411
2,4377
2,7440
2,7385
2,7333
2,7284
2,7238
76
77
78
79
80
0,6777
0,6777
0,6776
0,6776
0,6776
1,2928
1,2926
1,2925
1,2924
1,2922
1,6652
1,6649
1,6646
1,6644
1,6641
1,9917
,9917
1,9913
1,9908
1,9905
1,9901
2,3764
2,3758
2,3751
2,3745
2,3739
2,6421
2,6412
2,6403
2,6395
2,6387
36
37
38
39
40
0,6814
0,6812
0,6810
0,6808
0,6807
1,3055
1,3049
1,3042
1,3036
1,3031
1,6883
1,6871
1,6860
1,6849
1,6839
2,0281
2,0262
2,0244
2,0227
2,0211
2,4345
2,4314
2,4286
2,4258
2,4233
2,7195
2,7154
2,7116
2,7079
2,7045
81
82
83
84
85
0,6775
0,6775
0,6775
0,6774
0,6774
1,2921
1,2920
1,2918
1,2917
1,2916
1,6639
1,6636
1,6634
1,6632
1,6630
1,9897
1,9893
1,9890
1,9886
1,9883
2,3733
2,3727
2,3721
2,3716
2,3710
2,6379
2,6371
2,6364
2,6356
2,6349
41
42
43
44
45
0,6805
0,6804
0,6802
0,6801
0,6800
1,3025
1,3020
1,3016
1,3011
1,3006
1,6829
1,6820
1,6811
1,6802
1,6794
2,0195
2,0181
2,0167
2,0154
2,0141
2,4208
2,4185
2,4163
2,4141
2,4121
2,7012
2,6981
2,6951
2,6923
2,6896
86
87
88
89
90
0,6774
0,6773
0,6773
0,6773
0,6772
1,2915
1,2914
1,2912
1,2911
1,2910
1,6628
1,6626
1,6624
1,6622
1,6620
1,9879
1,9876
1,9873
1,9870
1,9867
2,3705
2,3700
2,3695
2,3690
2,3685
2,6342
2,6335
2,6329
2,6322
2,6316
100
0,677
1,290
1,660
1,984
2,364
2,626
120
0,677
1,289
1,658
1,980
2,358
2,617
0,674
1,282
1,645
1,960
2,326
2,576
andrerochaest@yahoo.com.br
107