Escolar Documentos
Profissional Documentos
Cultura Documentos
2. SEMESTRE DE 2016
SUMRIO
iv
SUMRIO
ESTATSTICA DESCRITIVA
INTRODUO
Estatstica a cincia que trata da coleta, organizao, descrio, anlise e interpretao dos
dados experimentais. A FIGURA 1, a seguir, mostra o contexto em que se situa o estudo
completo da Estatstica, aqui subdividido em Estatstica Descritiva e Estatstica Indutiva (ou
Inferncia Estatstica).
Estatstica
Indutiva
A Estatstica Descritiva a parte que trata da organizao e descrio de dados, atravs dos
clculos de mdias, varincias, estudo de grficos, tabelas etc.
A Teoria das Probabilidades permite-nos modelar os fenmenos aleatrios, ou seja, aqueles em
que est presente a incerteza. uma ferramenta fundamental para a inferncia estatstica.
A Estatstica Indutiva compreende um conjunto de tcnicas baseadas em probabilidades, que a
partir de dados amostrais, permite-nos tirar concluses sobre a populao de interesse.
A Amostragem o ponto de partida para um estudo estatstico. O estudo de qualquer
fenmeno, seja ele natural, social, econmico ou biolgico, exige a coleta e a anlise de dados
estatsticos. A coleta de dados , pois, a fase inicial de qualquer pesquisa.
A Populao o conjunto de todas as observaes potenciais sobre determinado fenmeno. O
conjunto de dados efetivamente observados, ou extrados, constitui uma amostra da populao.
a partir do dado amostral, que se desenvolvem os estudos, com o objetivo de se fazer
inferncias sobre a populao.
1
SACHIKO ARAKI LIRA
1 ESTATSTICA DESCRITIVA
O objetivo da estatstica descritiva organizar os dados e apresent-los de forma a possibilitar a
visualizao das informaes subjacentes (que no so observveis). As tcnicas estatsticas e
grficas, disponveis para a anlise exploratria de dados, podem ser aplicadas a qualquer
conjunto de dados, sejam para dados populacionais ou amostrais.
O parmetro uma medida numrica que descreve de forma reduzida alguma caracterstica de
uma populao ou universo. habitualmente representado por letras gregas. Por exemplo:
(mdia), (desvio padro), (coeficiente de correlao). O parmetro normalmente
desconhecido e, deseja-se estimar atravs de dados amostrais.
Estatstica ou medida amostral uma medida numrica que descreve alguma caracterstica de
uma amostra. habitualmente representada por letras latinas. Por exemplo: X (mdia), S
(desvio padro), r (coeficiente de correlao).
Em resumo, a anlise exploratria de dados permite organizar os dados atravs de tabelas,
grficos e medidas de localizao e disperso, procurando mostrar um padro ou
comportamento de um conjunto de dados.
Varivel aleatria aquela cujo valor numrico no conhecido antes da sua observao. Esta
tem uma distribuio de probabilidades associada, o que permite calcular a probabilidade de
ocorrncia de certos valores.
Geralmente, utilizam-se letras maisculas (X, Y, Z...) para designar as variveis aleatrias, e
minsculas (x, y, z...) para indicar particulares valores dessas variveis. O comportamento de
uma varivel aleatria descrito por sua distribuio de probabilidade.
0 (8 10 ) 3 0,512
1 3 (8 10 ) 2 (2 10 ) 0,384
2 3 (8 10 ) (2 10 ) 2 0,096
3 (2 / 10 ) 3 0,008
2
ESTATSTICA DESCRITIVA
A funo de repartio ou funo de distribuio acumulada da v. a X definida por
FX ( x ) PX ( X x ) , x R , ou seja, definida como sendo a probabilidade de X assumir um valor
menor ou igual a x. Como exemplo tem-se o QUADRO 2.
3
SACHIKO ARAKI LIRA
4. Quando houver parcelas e total, e ocorrer diferena no arredondamento, deve-se fazer
correo na parcela (ou parcelas) onde o erro relativo for menor.
Exemplo:
2,4 para 2
13,4 14
16,1 16
----- ----
31,9 32
Uma varivel pode se apresentar das seguintes formas, quanto aos valores assumidos:
1.o Escala nominal: aquela que permite o agrupamento da unidade de observao (unidade da
pesquisa) de acordo com uma classificao qualitativa em categorias definidas, ou seja, consiste
simplesmente em nomear ou rotular, no sendo possvel estabelecer graduao ou ordenamento.
Ao se trabalhar com essa escala, cada unidade de observao deve ser classificada em uma e
somente uma categoria, isto , deve ser mutuamente excludente.
Por exemplo, seja X, a varivel, estado de uma pea de automvel. Neste caso, a varivel X
assume as categorias perfeita e defeituosa, sendo denominada dicotmica. Quando assume
mais de duas categorias denominada politmica. No tem significado aritmtico ou de
quantificao, no se faz clculos, apenas a contagem.
2.o Escala ordinal: permite o agrupamento da unidade de observao de acordo com uma ordem
de classificao. A escala ordinal fornece informaes sobre a ordenao das categorias, mas
no indica a grandeza das diferenas entre os valores.
Exemplo: Seja X a varivel que indica a qualidade de um determinado produto. Tem-se ento: A
(indicando melhor qualidade), B (qualidade intermediria) e C (pior qualidade).
3. Escala intervalar: uma escala ordinal em que a distncia entre as categorias sempre a
mesma. As escalas para medir temperaturas como a Fahrenheit e a Centgrada so exemplos de
escalas de intervalo. No se pode afirmar que 40 graus duas vezes mais quente que uma
temperatura de 20 graus, embora se possa dizer que a diferena entre 20 graus e 40 graus a
mesma que entre 75 graus e 95 graus.
4. Escala de razo: quando uma escala tem todas as caractersticas de uma escala intervalar e
o zero absoluto representa o ponto de origem, chamada escala de razo. Sempre que possvel,
prefervel utilizar a medida de escala de razo, pois a partir desta pode-se transformar em
escala intervalar, ordinal ou nominal, no ocorrendo o inverso.
De acordo com o nvel de mensurao, a varivel pode ser classificada em qualitativa ou
quantitativa. Varivel qualitativa aquela cujo nvel de mensurao nominal ou ordinal,
enquanto a quantitativa aquela em que o nvel de mensurao intervalar ou de razo.
A varivel quantitativa pode ser ainda discreta ou contnua, sendo a primeira resultante de
contagem, assumindo somente valores inteiros, e a ltima de medies, assumindo qualquer
4
ESTATSTICA DESCRITIVA
valor no campo dos nmeros reais. Apresentam-se, a seguir, os conceitos de variveis
quantitativas discretas e contnuas.
Varivel aleatria discreta: uma varivel aleatria X discreta se o conjunto de valores
possveis de X for finito ou infinito numervel.
Varivel aleatria contnua: a varivel aleatria X chamada de contnua quando o seu
contradomnio um conjunto infinito.
A FIGURA 2 apresenta os tipos de variveis de forma resumida.
Nominal
Qualitativa
Ordinal
Varivel
Discreta
Quantitativa
Contnua
FONTE: A autora
FONTE: A autora
1.3 TABELAS
Uma tabela deve apresentar os dados de forma resumida, oferecendo uma viso geral do
comportamento do fenmeno analisado.
5
SACHIKO ARAKI LIRA
1 - Ttulo: a indicao que precede a tabela e contm a identificao de trs fatores do
fenmeno.
observados.
Frequncia Relativa ( fr ):
fi k
fr e fri 1
n i1
Quando uma varivel quantitativa discreta assume poucos valores, pode-se considerar que cada
valor seja uma classe e que existe uma ordem natural nessas classes.
Quando se tratar de uma varivel quantitativa discreta que pode assumir um grande nmero de
valores distintos, a construo da tabela de frequncias e de grficos considerando cada valor
como uma categoria fica invivel. A soluo agrupar os valores em classes ao elaborar a
tabela.
Segundo Bussab e Morettin, a escolha dos intervalos depender do conhecimento que o
pesquisador tem sobre os dados. Assim, a definio do nmero de intervalos ou classes
arbitrria. Mas, vale lembrar que, quando se utiliza um pequeno nmero de intervalos pode-se
perder informaes, e ao contrrio, com um grande nmero de intervalos pode-se prejudicar o
resumo dos dados.
Existem duas solues para a definio do nmero de intervalos bastante utilizadas que so:
1) Se o nmero de elementos (n) for menor ou igual a 25 ento o nmero de classes (k) igual a
5; se n for maior que 25, ento o nmero de classes aproximadamente a raiz quadrada
positiva de n. Ou seja:
Para n 25, k = 5
Para n > 25, k = n
Amplitude total ou range (At): a diferena entre o maior e o menor valor observados no
conjunto de dados.
A t X mx X min
Amplitude dos intervalos ou das classes (h): a diviso da amplitude total (At) pelo nmero
de intervalos (k).
At
Ou seja: h
k
7
SACHIKO ARAKI LIRA
1.3.2.2 VARIVEL CONTNUA
Quando a varivel quantitativa em estudo contnua, que assume muitos valores distintos, o
agrupamento dos dados em classes ser sempre necessrio, na construo das tabelas de
frequncias.
Exemplo 1: A tabela abaixo apresenta as medidas de uma dimenso de uma pea produzida por
um processo de usinagem. Construir a tabela de distribuio de frequncias em classes.
102,8 - 136,4 - 110,1 - 115,9 - 118,5 - 149,3 - 125,3 - 144,8 - 129,7 - 132,7
135,0 108,2 - 138,1 - 138,6 - 139,6 - 144,4 - 125,9 - 145,2 - 145,7 120,4
ROL:
102,8 - 108,2 - 110,1 - 115,9 - 118,5 - 120,4 - 125,3 - 125,9 - 129,7 - 132,7
135,0 - 136,4 - 138,1 - 138,6 - 139,6 - 144,4 - 144,8 - 145,2 - 145,7 - 149,3
A t X mx X min 149 ,3 102,8 46,50
k5
A t 46,50
h 9,3 10
k 5
Exemplo 2: O tempo necessrio para se realizar certa operao industrial foi cronometrado (em
segundos), sendo feita 30 determinaes:
45 - 37 - 39 - 48 - 51 - 40 - 53 - 49 - 39 - 41 - 45 - 43 - 45 - 34 - 45
41 - 57 - 38 - 46 - 46 - 58 - 57 - 36 - 58 - 35 - 31 - 59 - 44 - 57 - 35
8
ESTATSTICA DESCRITIVA
ROL:
31 - 34 - 35 - 35 - 36 - 37 - 38 - 39 - 39 - 40 - 41 -41 - 43 - 44 - 45
45 - 45 - 45 - 46 - 46 - 48 - 49 - 51 - 53 - 57- 57 - 57 - 58 - 58 59
1.4 GRFICOS
O objetivo do grfico passar para o leitor uma viso clara do comportamento do fenmeno em
estudo, uma vez que os grficos transmitem informao mais imediata do que uma tabela.
A representao grfica de um fenmeno deve obedecer a certos requisitos fundamentais:
Este um grfico usado para apresentar dados organizados em intervalos de classes, utilizado
principalmente para representar a distribuio de variveis contnuas.
9
SACHIKO ARAKI LIRA
GRFICO 1 HISTOGRAMA DE FREQUNCIAS DA VARIVEL
HISTOGRAMA
ALEATRIA DE
X FREQUNCIAS
Freq.
10
9
8
7
6
5
4
3
2
1
0
76 105 134 163 192 221 250
Classes
Este diagrama muito til para uma primeira anlise dos dados.
Passos para construir um diagrama de ramo e folhas:
10 28 2
11 058 3
12 0559 4
13 256889 6
14 44559 5
10
ESTATSTICA DESCRITIVA
Considerando os dados do exemplo 2, tem-se: O tempo necessrio para se realizar certa
operao industrial foi cronometrado (em segundos):
31 - 34 - 35 - 35 - 36 - 37 - 38 - 39 - 39 - 40 - 41 -41 - 43 - 44 - 45
45 - 45 - 45 - 46 - 46 - 48 - 49 - 51 - 53 - 57- 57 - 57 - 58 - 58 59
3 145567899 9
4 0113455556689 13
5 13777889 8
11
SACHIKO ARAKI LIRA
No h um consenso sobre a definio de um outlier. Porm, no caso do boxplot em geral, a
maior parte das definies considera que pontos acima do valor do 3 quartil somado a 1,5 vezes
a IQ ou os pontos abaixo do valor do 1 quartil diminudo de 1,5 vezes a IQ, so considerados
outliers.
O grfico de linhas indicado para representar sries temporais ou sequncia temporal, que
um conjunto de dados em que as observaes so registradas na ordem em que elas ocorrem.
Este tipo de grfico importante para a anlise do controle de processo de produo e de
sries temporais.
A seguir, um exemplo de grfico de mdia (Grfico de X ) das medidas dos dimetros internos
(mm) de anis de pisto de motores de automveis, de 25 amostras de tamanho n=5 (GRFICO
4).
74,015 LSC=74,01
74,010
74,005
_
_
X=LC=74,00
74,000
73,995
73,990
LIC=73,99
1 3 5 7 9 11 13 15 17 19 21 23 25
Amostras
Estimador ou estatstica uma funo dos valores da amostra, ou seja, uma varivel aleatria,
pois depende dos elementos selecionados para compor a amostra.
Ao analisarmos a distribuio de frequncias de uma varivel quantitativa, proveniente de uma
amostra, deve-se, verificar basicamente trs caractersticas:
Localizao;
Variabilidade ou Disperso;
Forma.
12
ESTATSTICA DESCRITIVA
1.5.1 TENDNCIA CENTRAL
As medidas de tendncia central fazem parte, juntamente com as de posio, das chamadas
medidas de localizao, e indicam onde se concentra a maioria dos dados.
2. E ( X .K ) k E ( X)
13
SACHIKO ARAKI LIRA
5. E ( X X) 0 v.a. centrada
1) Suponha que um engenheiro esteja projetando um conector de nilon para ser usado em uma
aplicao automotiva. O engenheiro estabelece como especificao do projeto uma espessura
de 3/32 polegadas, mas est inseguro acerca do efeito dessa deciso na fora da remoo do
conector.
Oito unidades do prottipo so produzidas e suas foras de remoo so medidas (em libras-
fora): 12,6 - 12,9 - 13,4 - 12,3 - 13,6 - 13,5 - 12,6 - 13,1. A mdia da fora de remoo ser:
1n
X xi
n i1
X
1
12,6 12,9 13,4 12,3 13,6 13,5 12,6 13,1 104 13,0 libras-fora
8 8
Soluo:
INTERVALO DE
fi xi x i fi
CLASSES
31 |---- 36 4 33,5 134,0
36 |---- 41 6 38,5 231,0
41 |---- 46 8 43,5 348,0
46 |---- 51 4 48,5 194,0
51 |---- 56 2 53,5 107,0
56 |---- 61 6 58,5 351,0
TOTAL 30 1365,0
14
ESTATSTICA DESCRITIVA
k
x i fi 1365
i 1
X 45,50
n 30
3) Seja a distribuio de frequncias a seguir. Calcular a mdia das medidas da dimenso das
peas.
TOTAL 20 1,00
FONTE: Elaborada pela autora.
INTERVALO DE
fi xi x i fi
CLASSES
1.5.1.2 MEDIANA
A mediana o valor que ocupa a posio central do conjunto de observaes de uma varivel,
dividindo o conjunto em duas partes iguais, sendo que 50% dos dados tomam valores menores
ou iguais ao valor da mediana e os 50% restantes, acima do seu valor.
15
SACHIKO ARAKI LIRA
a) Para dados simples
(n 1)
PosM e 2 1
4
Exemplo de aplicao:
(8 1)
PosMe 2 1 4,5
4
A mediana a mdia aritmtica dos valores que ocupam a posio 4 e 5. Logo,
12,9 13,1
Me 13,0
2
4-7-5-8-6-6-4-5-8-7
Calcular a mediana.
Rol: 4 - 4 - 5 - 5 - 6 - 6 - 7 - 7 - 8 - 8
(10 1)
PosMe 2 1 5,5
4
66
Me 6
2
( n 2 ) fac
Me L i h
fi
16
ESTATSTICA DESCRITIVA
onde:
L i o limite inferior da classe que contm a mediana;
n o nmero de elementos do conjunto de dados;
' fac a frequncia acumulada da classe anterior a que contm a mediana;
fi a frequncia simples da classe que contm a mediana;
h o intervalo ou amplitude da classe que contm a mediana.
1) Seja a distribuio de frequncias a seguir. Calcular a mediana das medidas da dimenso das
peas.
TOTAL 20
Soluo:
n 20
1) O passo inicial calcular 10 ;
2 2
INTERVALO DE fi fac
CLASSES
TOTAL 20
( n 2 ) fac
Me L i h
fi
17
SACHIKO ARAKI LIRA
( 20 2 ) 6
Me 122,8 10 132,8
4
Soluo:
INTERVALO DE fi fac
CLASSES
4 4
31 |---- 36
6 10
36 |---- 41
8 18
41 |---- 46
4 22
46 |---- 51
2 14
51 |---- 56
6 30
56 |---- 61
TOTAL 30
n 30
15
2 2
( n 2 ) fac
Me Li h
fi
(15 ) 10
Me 41 5 44,125
8
1.5.1.3 MODA
A moda, representada por Mo , o valor que apresenta maior frequncia. Ela pode no existir
(distribuio amodal), ter somente um valor (unimodal) ou pode ter dois ou mais (bimodal ou
multimodal), principalmente quando a varivel assume muitos valores.
Exemplo:
18
ESTATSTICA DESCRITIVA
1) Considerando-se as foras de remoo, medidas em uma amostra de oito unidades do prottipo
(em libras-fora): 12,6 - 12,9 - 13,4 - 12,3 - 13,6 - 13,5 - 12,6 - 13,1.
Soluo:
Me 44,125
TOTAL 20
19
SACHIKO ARAKI LIRA
Soluo:
X 130,8
( 20 2 ) 6
Me 122,8 10 132,8
4
1.5.2.1 QUARTIL
(n 1)
PosQi i 1, i 1, 2, 3
4
Exemplo 2: Os dados abaixo so as medidas de uma dimenso de uma pea produzida por um
processo de usinagem.
102,8 - 108,2 - 110,1 - 115,9 - 118,5 - 120,4 - 125,3 - 125,9 - 129,7 - 132,7
20
ESTATSTICA DESCRITIVA
135,0 - 136,4 - 138,1 - 138,6 - 139,6 - 144,4 - 144,8 - 145,2 - 145,7 - 149,3
(20 1)
PosQ1 1 1 5,75 (5,75 elemento),
4
Logo, Q1 118,5 (120,4 118,5) * 0,75 119,925
(20 1)
PosQ2 2 1 10,5 (10,5 elemento),
4
Logo, Q 2 132,7 (135 ,0 132,7) * 0,5 133,85
(20 1)
PosQ3 3 1 15,25 (15,25 elemento),
4
Logo, Q 3 139,6 (144,4 139,6) * 0,25 140,80
n
PosQi i , i 1, 2, 3
4
( PosQi ) fac
Qi L i h
fi
onde:
Exemplos:
TOTAL 20
21
SACHIKO ARAKI LIRA
Soluo:
20
a) PosQ1 1 5
4
53
Q1 112,8 10 119,47
3
20
PosQ2 2 10
4
10 6
Q2 122,8 10 132,80
4
20
PosQ3 3 15
4
15 10
Q 3 132,8 10 142,80
5
A amplitude total mede a distncia entre o valor mximo e mnimo. Ela uma estatstica
rudimentar, pois embora fornea uma noo de disperso, no diz qual sua natureza.
A t Xmx Xmin
Exemplo de aplicao:
22
ESTATSTICA DESCRITIVA
Exemplo 1: Os dados a seguir so dimetros (em cm) de peas de automveis:
Tem-se que:
Exemplo: considerando os dados referentes aos dimetros (em cm) de peas de automveis e
os quartis correspondentes, j calculados anteriormente, calcular a amplitude interquartil.
(9 1)
PosQ1 1 1 3,0 (3 elemento), logo Q1 12,6
4
(9 1)
PosQ3 3 1 7,0 (7 elemento), logo Q 3 13,5
4
IQ 13,5 12,6 0,9
O desvio mdio a mdia dos valores absolutos dos desvios. calculada atravs da
expresso:
n
xi X
i 1
DM
n
Exemplo de aplicao:
Os dados a seguir so dimetros (em cm) de peas de automveis:
12,3 - 12,6 - 12,6 - 12,9 - 13,1 - 13,4 - 13,5 - 13,6 - 15,0. Tem-se que: X 13,22
23
SACHIKO ARAKI LIRA
QUADRO 4 - VALORES DA VARIVEL X E DES-
VIOS ABSOLUTOS EM RELAO
MDIA
xi xi X
12,3 0,92
12,6 0,62
12,6 0,62
12,9 0,32
13,1 0,12
13,4 0,18
13,5 0,28
13,6 0,38
15,0 1,78
5,22
n
xi X 5,22
i 1
DM 0,58
n 9
INTERVALO DE
fi xi xi X x i X fi
CLASSES
31 |---- 36 4 33,5 12,0 48
36 |---- 41 6 38,5 7,0 42
41 |---- 46 8 43,5 2,0 16
46 |---- 51 4 48,5 3,0 12
51 |---- 56 2 53,5 8,0 16
56 |---- 61 6 58,5 13,0 78
TOTAL 30 212
k
x i X fi 212
i 1
DM 7,0667 7,07
n 30
Propriedades da Varincia
24
ESTATSTICA DESCRITIVA
1. V (k ) 0 , onde k=constante
V ( X Y ) V( X) V( Y ) 2COV( X, Y )
x i
1 N
2 2
(varincia)
N i1
2 (desvio padro)
S2
1 n
xi X
n 1 i1
2
(varincia)
S S2 (desvio padro)
S2
1 n
xi X
n 1 i1
2
5,1556
9 1
0,6445
S 0,80
25
SACHIKO ARAKI LIRA
A varincia e o desvio padro populacional so obtidas pelas expresses:
x i fi x i fi
k k
2 2
2 i1
k
i1
(varincia)
N
fi
i1
2 (desvio padro)
S
2
(varincia)
k
n 1
fi 1
i1
S S2 (desvio padro)
Exemplo:
Seja a distribuio de frequncias a seguir. Calcular a varincia e o desvio padro.
INTERVALO DE
fi xi ( x i X ) 2 fi
CLASSES
TOTAL 20 3820,0
Dados: X 130,8
k
x i X fi
i 1
2
3820
S2 201,0526
n 1 20 1
S 14,18
INTERVALO DE
fi
CLASSES
31 |---- 36 4
36 |---- 41 6
41 |---- 46 8
46 |---- 51 4
51 |---- 56 2
56 |---- 61 6
TOTAL 30
26
ESTATSTICA DESCRITIVA
1.5.3.5 COEFICIENTE DE VARIAO
uma medida de disperso relativa. definido como o quociente entre o desvio padro e a
mdia, multiplicado por 100, para expressar porcentagem.
Em algumas situaes desejvel comparar o grau de disperso de dois conjuntos de dados
com unidades de medidas diferentes. Neste caso, deve-se usar o coeficiente de variao (CV),
que uma medida de disperso relativa, e ela no afetada pelas unidades de medida da
varivel. Ou ainda, quando as mdias dos dois conjuntos de dados so muito distintas, neste
caso faz-se necessrio utilizar uma medida de disperso relativa.
CV 100 coeficiente de variao populacional
S
CV 100 coeficiente de variao amostral
X
A distribuio de frequncias de uma varivel pode ter vrias formas, mas existem trs formas
bsicas, apresentadas atravs de histogramas e suas respectivas ogivas, que so grficos
especficos para distribuies de frequncias.
A distribuio simtrica, quando as observaes esto igualmente distribudas em torno de um
valor mais frequente (metade acima e metade abaixo). J, a assimetria de uma distribuio pode
ocorrer de duas formas:
assimetria positiva;
assimetria negativa.
Em alguns casos, apenas o conhecimento da forma da distribuio de frequncias de uma
varivel j nos fornece uma boa informao sobre o comportamento dessa varivel.
1 k
( x i X ) fi
3
n i 1
a3 32
1 k 2
( x i X ) fi
n i 1
27
SACHIKO ARAKI LIRA
Simtrica: a 3 0 e tem-se que mdia=mediana=moda
Graficamente:
1 k 4
( x i X ) fi
n i 1
a4
2
1 k 2
( x i X ) fi
i 1
n
28
ESTATSTICA DESCRITIVA
FONTE: COSTA NETO (1994)
INTERVALO DE
fi
CLASSES
TOTAL 20
Soluo:
INTERVALO DE
fi xi ( xi X ) ( x i X ) fi ( x i X ) 2 fi ( x i X ) 3 fi ( x i X ) 4 fi
CLASSES
1 k 1
( x i X ) fi
3
( 16.920)
n i 1
a3 20 32
-0,3205
32
1 k 1
( x i X ) fi 20 3.820
2
n i 1
29
SACHIKO ARAKI LIRA
1 k 1
( x i X ) fi
4
1.355.140
n i 1 20
a4 2
2
1,8573
1 k 2 1
( x i X ) fi 20 3.820
n i 1
A distribuio platicrtica.
INTERVALO DE
fi
CLASSES
31 |---- 36 4
36 |---- 41 6
41 |---- 46 8
46 |---- 51 4
51 |---- 56 2
56 |---- 61 6
TOTAL 30
Soluo:
INTERVALO DE
fi xi ( xi X ) ( x i X ) fi ( x i X ) 2 fi ( x i X ) 3 fi ( x i X ) 4 fi
CLASSES
31 |---- 36 4 33,5 -12 -48 576 -6.912 82.944
36 |---- 41 6 38,5 -7 -42 294 -2.058 14.406
41 |---- 46 8 43,5 -2 -16 32 -64 128
46 |---- 51 4 48,5 3 12 36 108 324
51 |---- 56 2 53,5 8 16 128 1.024 8.192
56 |---- 61 6 58,5 13 78 1.014 13.182 171.366
TOTAL 30 0 2.080 5.280 277.360
1 k 1
( x i X ) 3 fi (5.280)
n i1 30
a3 32
0,3049
32
1 k 1
( x i X ) fi 30 2.080
2
n
i1
1 k 1
( x i X ) 4 fi 277.360
n i1 30
a4 2
2
1,9230
1 k 2 1
( x i X ) fi 30 2.080
n i1
A distribuio platicrtica.
30
ESTATSTICA DESCRITIVA
LISTA DE EXERCCIOS NO. 1 ESTATSTICA DESCRITIVA
1. Conceitue:
a) Populao ou Universo;
b) Amostra;
c) Parmetro;
d) Estatstica ou medida amostral;
e) Varivel aleatria discreta e exemplifique;
f) Varivel aleatria contnua e exemplifique.
42,4 - 65,7 - 29,8 - 58,7 - 52,1 - 55,8 - 57,0 - 68,7 - 67,3 - 67,3 - 54,3 - 54,0 - 73,1 - 81,3 - 59,9
56,9 - 62,2 - 69,9 - 66,9 - 59,0 - 56,3 - 43,3 - 57,4 - 45,3 - 80,1 - 49,7 - 42,8 - 42,4 - 59,6 - 65,8
a) construir a distribuio de frequncias em classes;
b) calcular as frequncias relativa e acumulada;
c) construir o histograma de frequncias.
3. O tempo necessrio para se realizar certa operao industrial foi cronometrado (em
segundos), sendo feita 40 determinaes:
45 - 37 - 39 - 48 - 51 - 40 - 53 - 49 - 39 - 41 - 45 - 43 - 45 34 - 45 - 35
41 - 57 - 38 - 46 - 46 - 58 - 57 - 36 - 58 - 35 - 31 - 59 - 44 - 57 - 45 - 44
38 - 43 - 33 - 56 - 47 - 48 - 44 - 49
a) construir a distribuio de frequncias em classes;
b) calcular as frequncias relativa e acumulada;
c) construir o histograma de frequncias.
4. Foram obtidas oito medidas do dimetro interno de anis de pisto forjados de um motor de
um automvel. Os dados (em mm) so:
0,19 - 0,78 - 0,96 - 1,31 - 2,78 - 3,16 - 4,15 - 4,67 - 4,85 - 6,50 - 7,35 - 8,01 - 8,27 - 12,06 - 31,75 -
32,52 - 33,91 - 36,71 - 72,89.
Calcule a mdia, mediana, quartil 1, quartil 3, desvio padro e coeficiente de variao e comente
os resultados obtidos.
6. O pH de uma soluo medido oito vezes por uma operadora que usa o mesmo instrumento.
Ela obteve os seguintes dados:
31
SACHIKO ARAKI LIRA
7. Prevenir a propagao de trinca de fadiga em estruturas de avies um importante elemento
de segurana em aeronaves. Um estudo de engenharia para investigar a trinca de fadiga em
n=9 asas reportou os seguintes comprimentos (em mm) de trinca:
2,13 - 2,96 - 3,02 - 1,82 - 1,15 - 1,37 - 2,04 - 2,47 - 2,60
Calcule a mdia, os quartis (1,2 e 3), o desvio padro e o coeficiente de variao da amostra.
Comente os resultados obtidos.
Calcular a mdia, mediana, moda, varincia, desvio padro e coeficiente de variao. Comente
os resultados obtidos.
9. O tempo necessrio para se realizar certa operao industrial foi cronometrado (em
segundos), sendo feita 20 determinaes:
45 - 37 - 39 - 48 - 51 - 40 - 53 - 49 - 39 - 41 - 45 - 43 - 45 34 - 45 - 35 - 38 - 46 - 46 - 58
Faa uma anlise estatstica dos dados construindo a distribuio de frequncias em classes
(calcule tambm as medidas de assimetria e curtose).
10. As taxas de octanagem de combustvel para motor, de vrias misturas de gasolina foram
obtidas:
88,5 - 94,7 - 84,3 - 90,1 - 89,0 - 89,8 - 91,6 - 90,3 - 90,0 - 91,5 - 89,9
98,8 - 88,3 - 90,4 - 91,2 - 90,6 - 92,2 - 87,7 - 91,1 - 86,7 - 93,4 - 96,1
Faa uma anlise estatstica dos dados (calcule tambm as medidas de assimetria e curtose).
11. A propagao de trincas por fadiga em diversas peas de aeronaves tem sido objeto de
muitos estudos. Os dados a seguir consistem dos tempos de propagao (horas de vo) para
atingir um determinado tamanho de trinca em furos de fixadores propostos para uso em
aeronaves militares.
12. O tempo necessrio para se realizar certa operao industrial foi cronometrado (em
segundos), sendo feita 12 medies:
45 37 39 48 51 40 - 53 49 39 41- 45 43
32
ESTATSTICA DESCRITIVA
13. As taxas de octanagem de combustvel para motor, de vrias misturas de gasolina foram
obtidas:
88,5 - 94,7 80,0 - 90,1 - 89,0 - 89,8 - 91,6 - 90,3 - 90,0 - 91,5 - 89,9
33
SACHIKO ARAKI LIRA
ELEMENTOS DE PROBABILIDADES
DEFINIES
Definio 1: o fenmeno que, mesmo repetidos vrias vezes sob condies semelhantes,
apresentam resultados imprevisveis. O resultado final depende do acaso.
2.3 EVENTO
A
S
Exemplo:
Seja o espao amostral S (c, c ),(c, n),(n, c ),(n, n), resultado do experimento de seleo de
duas peas, sendo c=pea conforme e n=pea no conforme.
Suponha que A seja o subconjunto de resultados para os quais, no mnimo uma pea seja
conforme. Ento o evento A ser: A (c, c ),(c, n), (n, c ).
34
ELEMENTOS DE PROBABILIDADES
Por serem subconjuntos, possvel realizar a operao de unio (U) entre conjuntos. A Unio
de Eventos representa a ocorrncia de um evento OU de outro. Outra operao que pode ser
feita sobre Eventos a interseco (). A interseco de eventos representa a ocorrncia de
um E de outro.
A
Unio de eventos => A B
B
A B
AA AA S => P ( A A ) 1
AA AA => P ( A A ) 0
Exemplos:
P (2 ) P(no. 3 no dado 2 ) 1 6
P ( 1 2 ) P (1 E 2) P ( 1) P ( 2 ) 1 6 1 6 1 36
35
SACHIKO ARAKI LIRA
2) Suponha que numa produo diria de 850 peas fabricadas contenha 50 peas que no
satisfaam as exigncias dos consumidores. Duas peas so selecionadas, sendo que a
primeira pea reposta antes da segunda ser selecionada. Qual a probabilidade das duas
peas serem defeituosas?
50 50
P( D e D) 0,0035 0,35%
850 850
A
B
S
P ( A B ) P ( A OU B) P ( A ) P (B )
Exemplos:
P ( A B ) P ( A OU B) P ( no. 3 ) P (no. 4 ) 1 6 1 6 1 3
Soluo:
15
P(pequeno defeito) 0,15
100
10
P(no conforme ) 0,10
100
36
ELEMENTOS DE PROBABILIDADES
75
P(perfeito) 0,75
100
75 15
a) P(perfeito ou pequeno defeito) 0,90
100 100
15 10
b) P( pequeno defeito ou no conforme ) 0,25
100 100
nmero de elementos em A n ( A )
P (A)
nmero de elementos em S n ( S )
1) 0 P ( A ) 1
P (A ou B ) P ( A ) P (B)
P (A B )
P ( A | B) , AE
P (B )
Exemplo: O quadro a seguir fornece um exemplo de 400 itens classificados por falhas na
superfcie e como defeituosos (funcionalmente).
FALHAS NA SUPERFCIE
DEFEITUOSO
Sim No TOTAL
Sim 10 18 28
No 30 342 372
TOTAL 40 360 400
37
SACHIKO ARAKI LIRA
a) Qual a probabilidade do item ser defeituoso, dado que apresenta falhas na superfcie?
b) Qual a probabilidade de ter falhas na superfcie dado que defeituoso?
Soluo:
P ( A B ) P ( A | B) P ( B ) , ou de forma equivalente, P ( A B ) P ( B | A ) P ( A )
Exemplos:
1) A probabilidade de que um conector eltrico que seja mantido seco falhe durante o perodo de
garantia de um computador porttil 1%. Se o conector for molhado, a probabilidade de falha
durante o perodo de garantia ser de 5%. Se 90% dos conectores forem mantidos secos e 10%
forem mantidos molhados, qual a probabilidade dos conectores falharem durante o perodo da
garantia?
Soluo:
38
ELEMENTOS DE PROBABILIDADES
2) Suponha que na fabricao de semicondutores, a probabilidade seja de 0,10 de que um chip
que esteja sujeito a altos nveis de contaminao durante a fabricao cause uma falha no
produto. A probabilidade de 0,005 de que um chip que no esteja sujeito a altos nveis de
contaminao durante a fabricao cause uma falha no produto. Em um dado instante da
produo, 20% dos chips esto sujeitos a altos nveis de contaminao. Qual a probabilidade de
um produto usando um desses chips vir a falhar?
Soluo:
Uma das relaes mais importantes envolvendo probabilidades condicionais dada pelo
teorema de Bayes, que expressa uma probabilidade condicional em termos de outras
probabilidades condicionais.
P ( A i ).P ( B | A i )
P ( A i | B) k
P ( A j ).P ( B | A j )
j1
Exemplo: Uma determinada pea produzida por trs fbricas, 1, 2 e 3. Sabe-se que a fbrica
1 produz o dobro de peas que 2, e 2 e 3 produziram o mesmo nmero de peas durante um
perodo de produo especificado. Sabe-se tambm que 2% das peas produzidas por 1 e por 2
so defeituosas, enquanto 4% daquelas produzidas por 3 so defeituosas. Todas as peas so
colocadas num depsito. Uma pea retirada ao acaso do depsito e se verifica que
defeituosa. Qual a probabilidade de que tenha sido produzida na fbrica 1?
39
SACHIKO ARAKI LIRA
P(B | A 2 ) 0,02
1
P( A 2 )
4
P(B | A 3 ) 0,04
1
P( A 3 )
4
P ( A i ).P ( B | A i )
P ( A i | B) k
P ( A j ).P ( B | A j )
j1
P ( A 1 ).P ( B | A 1 )
P ( A 1 | B)
P ( A 1 ).P ( B | A 1 ) P ( A 2 ).P ( B | A 2 ) P ( A 3 ).P ( B | A 3 )
1 2 0,02
P ( A 1 | B) 0,40
1 2 0,02 1 4 0,02 1 4 0,04
1. De uma caixa contendo 100 peas entre as quais 10 so defeituosas se extraem quatro peas
ao acaso, sem reposio. Encontrar a probabilidade de que entre estas no ocorra:
a) nenhuma pea defeituosa;
b) nenhuma pea boa.
2. De um lote de 15 vlvulas 10 so boas. Encontrar a probabilidade de que de 3 vlvulas
extradas ao acaso, sem reposio, 2 sejam boas.
3. Uma caixa contm 20 peas das quais 5 so defeituosas. Extraem-se duas ao acaso, sem
reposio. Qual a probabilidade de:
a) ambas serem boas?
b) ambas serem defeituosas?
c) uma boa e outra defeituosa?
40
ELEMENTOS DE PROBABILIDADES
6. A probabilidade de que uma pea do tipo exigido se ache em cada uma de quatro caixas
igual, respectivamente, a 0,60; 0,70; 0,80 e 0,90. Calcular a probabilidade de que tal pea se
encontre:
a) no mximo em trs caixas;
b) pelo menos em duas caixas.
7. Um circuito eltrico constitudo de trs elementos ligados em srie que deixam de funcionar
com probabilidade p 1 0,10 ; p 2 0,15 ; p 3 0,20 , respectivamente. Achar a probabilidade de que
no haja corrente no circuito.
Comentrio: Sistemas deste tipo podem ser representados graficamente, conforme ilustrao
abaixo, onde os subsistemas A (eletrnico), B (hidrulico) e C (ativador mecnico), dispem-se
em srie. Considera-se a trajetria a-b como a trajetria do sucesso.
A B C
QUALIDADE
FABRI-
CANTE Aceitvel Marginal Inaceitvel TOTAL
A 128 10 2 140
B 97 5 3 105
C 110 5 5 120
41
SACHIKO ARAKI LIRA
12) Suponha que na fabricao de semicondutores, as probabilidades de que um chip, sujeito a
alto, mdio ou baixo nvel de contaminao durante a fabricao, cause uma falha no produto
sejam respectivamente iguais a 0,10, 0,01 e 0,001. Em um experimento particular da produo,
20% dos chips esto sujeitos a altos nveis de contaminao, 30% a nveis mdios de
contaminao e 50% a baixos nveis de contaminao. Qual a probabilidade de um produto
falhar ao usar um desses chips?
42
ELEMENTOS DE PROBABILIDADES
VARIVEIS ALEATRIAS E DISTRIBUIES
DISCRETAS DE PROBABILIDADES
3.1 DEFINIES
RX
S
X X( s )
s
Exemplo: Uma caixa contm 4 vlvulas, sendo duas perfeitas e duas defeituosas. Duas vlvulas
so retiradas aleatoriamente da caixa e testadas (sendo representadas por D se a pea
defeituosa e P se a pea perfeita). O espao amostral associado a este evento :
S={PP,PD,DP,DD}
Seja a varivel aleatria X=nmero de vlvulas defeituosas. Os valores possveis da
varivel aleatria X, sero:
R X { 0 ,1, 2 }
Tem-se que:
0 P( X x i ) 1
P( X x i ) 1
xS
Exemplo1: No lanamento de duas moedas ao ar, tem-se que os possveis resultados so: CC,
Ck, KC, KK (C=cara e K=coroa). Seja X, a varivel aleatria nmero de caras. Ento, X poder
assumir os valores:
43
SACHIKO ARAKI LIRA
0 , se s KK
X (s) 1, se s CK ou s KC
2 , se s CC
A distribuio de probabilidade da varivel aleatria X :
Xx P( X x )
0 1/4
1 1/2
2 1/4
Xx P( X x )
0 0,008
1 0,096
2 0,384
3 0,512
F( x ) P( X x )
F( x ) P( x i )
xi x
Esperana
44
VARIVEIS ALEATRIAS E DISTRIBUIES DISCRETAS DE PROBABILIDADES
E( X) x iP( x i )
i1
Varincia
i1
Exemplo 1: Seja X uma varivel aleatria discreta que representa o nmero de peas
defeituosas em cada 5 peas inspecionadas. Sabendo-se que a probabilidade de uma pea ser
defeituosa de 20%, obtm-se a seguinte distribuio de probabilidade:
xi 0 1 2 3 4 5
p (xi ) 0,3277 0,4096 0,2048 0,0512 0,0064 0,0003
E( X) 1
i1
( 4 1) 2 0,0064 (5 1) 2 0,0003
V( X) 0,7997
Exemplo 2: O tempo T, em minutos, necessrio para um operrio processar certa pea uma
varivel aleatria com a seguinte distribuio de probabilidade:
t 2 3 4 5 6 7
P(t) 0,1 0,1 0,3 0,2 0,2 0,1
Calcular: E ( X ) e V ( X )
a) E( X) x iP( x i )
i1
V( X) (2 4,6) 2 0,1 (3 4,6) 2 0,1 ( 4 4,6) 2 0,3 (5 4,6) 2 0,2 (6 4,6) 2 0,2 (7 4,6) 2 0,1
V( X) 2,04
45
SACHIKO ARAKI LIRA
Definio 4: Seja E um experimento com espao amostral S. Sejam X X(s) e Y Y(s) duas
funes, cada uma associando um nmero real a cada resultado s S . Tem-se ento que (X,Y)
uma Varivel Aleatria Bidimensional.
R XY
S
s X(s)
s
Y(s)
Seja o experimento: retirar uma barra de ferro de um lote e observar a dimenso (largura
e o comprimento); tem-se neste caso duas variveis aleatrias X e Y.
Exemplo 1: Seja X uma v.a. que indica o nmero de peas no conformes (no segue a
especificao definida no projeto de qualidade) produzidas pela mquina Z. Se a probabilidade
desta maquina produzir uma pea no conforme de 15%, ao selecionar aleatoriamente 5
peas, pede-se:
a) a probabilidade de nenhuma pea ser no conforme;
b) a probabilidade de todas as peas serem de acordo com especificao do projeto de
qualidade;
c) obter a distribuio de probabilidade e o grfico.
Soluo:
a) n 5
46
VARIVEIS ALEATRIAS E DISTRIBUIES DISCRETAS DE PROBABILIDADES
p 0,15
q 0,85
x0 (pea ser conforme)
5
P( X 0) (0,15 ) 0 (0,85 ) 50 0,4437
0
DISTRIBUIO DE PROBABILIDADE DE X
x P( X x )
0 0,4437
1 0,3915
2 0,1382
3 0,0244
4 0,0022
5 0,0001
Grficamente:
47
SACHIKO ARAKI LIRA
Exemplo 2: Seja X uma v.a. que indica o nmero de parafusos defeituosos produzidos pela
mquina A. Se a probabilidade desta maquina produzir um parafuso defeituoso de 5%, ao
selecionar aleatoriamente dois parafusos, qual a probabilidade de ambos serem defeituosos?
p =probabilidade de ser defeituoso=0,05
1 p = probabilidade de ser perfeito=1-0,05=0,95
2
P ( X 2) (0,05 ) 2 (0,95 ) 22 0,0025 0,25 %
2
Ao selecionar 50 parafusos produzidos por esta mquina, espera-se uma mdia de 2,5
parafusos defeituosos, e uma varincia de 2,4 (parafusos defeituosos)2.
A distribuio de Poisson pode ser aplicada a muitos casos prticos nos quais interessa
o nmero de vezes que um determinado evento pode ocorrer durante um intervalo de tempo ou
distncia, rea ou outra unidade de medida anloga.
Uma v.a. discreta X tem distribuio de Poisson se sua funo de probabilidade dada
por:
e x
P ( X x) , x 0 ,1, 2 , e 0 (probabilidade de sucesso)
x!
Soluo:
e 2 2 0 e 2 21 e 2 2 2
a) P( X 3) P( X 0) P( X 1) P( X 2)
0! 1! 2!
48
VARIVEIS ALEATRIAS E DISTRIBUIES DISCRETAS DE PROBABILIDADES
DISTRIBUIO DE PROBABILIDADE DE X
X P( X x )
0 0,1353
1 0,2707
2 0,2707
3 0,1804
4 0,0902
5 0,0361
6 0,0120
7 0,0034
8 0,0009
9 0,0002
10 0,0000
Grficamente:
49
SACHIKO ARAKI LIRA
3.2.3 DISTRIBUIO HIPERGEOMTRICA
k N k
xn x
P( X x )
N
n
0 , se x j
k N k
k j n j
F( x ) P( X x ) , se 0 x j
j 0 N
n
1 , se x j
Mdia: E( X) n p
Nn k k
Varincia: V( X) npq , onde p ; q 1 .
N 1 N N
50
VARIVEIS ALEATRIAS E DISTRIBUIES DISCRETAS DE PROBABILIDADES
2 30 2 2 28
0 3 0 0 3
P( X 1) 1 P( X 0) 1 1 1 0,8069 0,1931 19,31 %
30 30
3 3
DISTRIBUIO DE PROBABILIDADE DE
X
x p(x)
0 0,8069
1 0,1862
2 0,0069
3 0,0000
Grficamente:
Exemplo 2: Uma empresa adquiriu diversas caixas, cada uma contendo 15 lmpadas. Ela
decidiu fazer uma inspeo por amostragem sem reposio, analisando 5 lmpadas de uma
caixa. A caixa ser aceita caso encontre no mximo duas defeituosas. Qual a probabilidade de
aceitar uma caixa sabendo que a qualidade do produto definida por 20% de defeituosos?
N=15
n=5
51
SACHIKO ARAKI LIRA
x2
k 0,20 * 15 3
P( X 2) P( X 0) P( X 1) P( X 2)
3 15 3 3 15 3 3 15 3
0 5 0 1 5 1 2 5 2 792 1.485 660 2.937
P( X 2) 0,9780 97,80%
15 15 15 3.003 3.003
5 5 5
1. O nmero de mensagens enviadas por hora, atravs de uma rede de computadores, tem a
seguinte distribuio:
x = nmero de 10 11 12 13 14 15
mensagens
p(x) 0,08 0,15 0,30 0,20 0,20 0,07
Calcular:
E(X);
V(X).
2. Seja X=o nmero de cilindros do motor do prximo carro a ser regulado em certa oficina. A
funo de probabilidade dada por:
x 4 6 8
p(x) 0,5 0,3 0,2
a) calcular E( X)
b) calcular V( X)
c) calcular
3. Um proprietrio acaba de instalar 20 lmpadas em uma nova casa. Supondo que cada
lmpada tenha 0,20 de probabilidade de funcionar por mais de trs meses, pede-se:
a) qual a probabilidade de ao menos cinco delas durarem mais de trs meses?
b) qual o nmero mdio de lmpadas que devero ser substitudas em trs meses?
52
VARIVEIS ALEATRIAS E DISTRIBUIES DISCRETAS DE PROBABILIDADES
6. Um departamento de conserto de mquinas recebe uma mdia de 5 chamadas por hora. Qual
a probabilidade de que em uma hora selecionada aleatoriamente sejam recebidas:
a) Exatamente trs chamadas?
b) Menos que trs chamadas?
8. Suponha que 90% de todas as pilhas do tipo D, de certo fabricante, tenham voltagens
aceitveis. Um determinado tipo de lanterna necessita de 2 pilhas tipo D, e ela s funciona se as
duas pilhas tiverem voltagem aceitvel. Entre 10 lanternas selecionadas aleatoriamente, qual a
probabilidade de:
a) pelo menos 9 funcionarem?
b) no mximo 2 funcionarem?
11. Num lote de 20 pneus enviadas a um fornecedor sabe-se que h 5 defeituosos. Um cliente
vai a esse fornecedor comprar 4 pneus. Qual a probabilidade de levar 1 defeituoso?
53
SACHIKO ARAKI LIRA
VARIVEIS ALEATRIAS E DISTRIBUIES
CONTNUAS DE PROBABILIDADES
4.1 DEFINIES
f ( x ) 0 para todo x R X
f ( x)d( x) 1.
Exemplo: Seja X uma varivel contnua com funo densidade de probabilidade dada por:
x
f (x) , 2x6
16
f ( x ) 0 , para qualquer outros valores.
F( x ) P( X x )
54
VARIVEIS ALEATRIAS E DISTRIBUIES CONTNUAS DE PROBABILIDADES
Se X for varivel aleatria continua, tem-se:
x
F( x ) P( X x ) f ( x )dx
Exemplo: Seja X uma varivel contnua com funo densidade de probabilidade dada
por:
x
f (x) , 2x6
16
f ( x ) 0 , para outros valores.
6
2 6 6x 1 x2 1 2 32
F( x ) f ( x )dx f ( x )dx 0 dx 6 22 1
2 2 16 16 2 32 32
2
Esperana
E( X) x f ( x )dx
Varincia
Exemplo1: Seja X uma varivel contnua com funo densidade de probabilidade dada por:
x
f (x) , 2x6
16
f ( x) 0 , para qualquer outros valores.
Qual o valor esperado e a varincia de X?
6
1 x3
6
x 1 6 2 1 3
E( X) x dx x dx 6 2 3 4,33
2 16 16 2 16 2
3 48
x E( X) f ( x )dx
2
V( X)
55
SACHIKO ARAKI LIRA
6 x 6 x
V ( X ) ( x 4,33 ) 2 dx ( x 2 2 4,33 x 4,33 2 ) dx
2 16 2 16
6 6 6
x 3 8,66 2 18,7489 x
6 1 x4 8,66 x 3 18,7489 x 2
V( X) ( x ) dx
2 16 16 16 16 4 16 3 16 2
2 2 2
1 6 4 2 4 8,66 6 3 2 3 18,7489 62 22
V( X)
16 4 16 3 16 2
V( X) 1,22
4
x2
4 4
0,25 2
E( X) x 0,25dx 0,25 x dx 0,25 4 02 2
0 0 0
2 2
b) V( X) x E( X)2 f ( x )dx
3 4 x2
4
4 4
x 4
V( X) x 2 0,25dx 0,25 ( x 2 4x 4) dx 0,25 4 4x 0
2
3 2 0
0 0
0
V( X) 1,33
f ( x) e x , x0
F( x ) P( X x ) x0 e x dx 1 e x , x 0
Portanto: P( X x) e x
56
VARIVEIS ALEATRIAS E DISTRIBUIES CONTNUAS DE PROBABILIDADES
Os parmetros da distribuio so:
1
Mdia: E( X)
1
Varincia V( X)
2
Exemplo 1: O tempo de vida X (em horas) das lmpadas eltricas fabricadas por uma
empresa uma varivel aleatria, tendo sua funo densidade de probabilidade dada por:
0,002 x , se x 0
f ( x ) 0,002e
0 se x 0
a) qual a probabilidade do tempo de vida de uma lmpada ser superior a 600 horas?
b) qual o tempo de vida esperado?
Soluo:
a) 0,002
P( X 600) 600 0,002e 0,002 x e 0,002 x 600 0 e 0,002600 0,3012
1 1
b) E( X) 500 horas
0,002
57
SACHIKO ARAKI LIRA
2
1 x
1
2
f ( x) e , x R, R , R ,
2
F( x ) P( X x )
x
x 1
1 x 2
2
f ( x)d( x) e dx
2
Mdia: E ( X )
Varincia: V ( X ) 2
Quando se deseja especificar que a varivel aleatria X, segue distribuio normal com
mdia e varincia 2 , usa-se a notao: X ~ N ( ; 2 ) .
A distribuio normal definida a partir de dois parmetros, a mdia e a varincia 2 .
Por exemplo, a curva da distribuio normal f ( x ) para 40 e 10 , e valores da varivel
aleatria no intervalo (10, 70), mostrada no grfico abaixo.
Uma das caractersticas importantes que a partir desses dois parmetros ser possvel
calcular, por exemplo, a percentagem de valores que devero estar acima ou abaixo de um
determinado valor da varivel aleatria, ou entre esses dois valores definidos etc.
A probabilidade P ( a X b ) de a varivel aleatria contnua X ser igual ou maior que a
e, ao mesmo tempo, menor ou igual a b , obtida da rea definida pela funo f ( x ) entre os
limites a e b , sendo b a . O clculo feito integrando-se a funo f ( x ) no intervalo ( a, b ) ,
que bastante trabalhoso.
P( a X b )
b 1
1 x 2
2
a e dx
2
58
VARIVEIS ALEATRIAS E DISTRIBUIES CONTNUAS DE PROBABILIDADES
Representao Grfica:
Tem-se:
F( x )
1 x
1 x 2
dx
e 2
Mdia: E ( Z ) 0
Varincia: V ( Z ) 1
59
SACHIKO ARAKI LIRA
Grfico da distribuio normal padro:
f(z)
0,2508
0,0005
P (0,2485 X 0,2515 ) ?
0,2485 0,2508
Z1 4,6
0,0005
0,2515 0,2508
Z2 1,4
0,0005
0,8
60
VARIVEIS ALEATRIAS E DISTRIBUIES CONTNUAS DE PROBABILIDADES
4.3.3 DISTRIBUIO 2 ( QUI-QUADRADO)
f x ( 2 ) 2
1
2 21
e 2 2
, 2 0 ,
2
2
2 ~ 2 ( ) ou 2 ~ 2 .
Utilizao da distribuio 2
a) P (0 2 32 ) 0,975
b) P ( 2 10
2
) 0,900
61
SACHIKO ARAKI LIRA
4.3.4 DISTRIBUIO t DE STUDENT
1 ( 1)
2
2 t 2
f (t) 1 , t R ,
2
a) P ( t t 5 ) 0,05
b) P ( t t 8 ) 0,10
Deseja-se obter o valor de t 8 tal que acima dele se encontrem 10% da rea da
distribuio.
62
VARIVEIS ALEATRIAS E DISTRIBUIES CONTNUAS DE PROBABILIDADES
4.3.5 DISTRIBUIO F DE SNEDECOR
1
1 2 1 1
1
2 1
2 F 2
f (F) , F 0,
1 2
1 2 2
1 2
2 2 1
2
F
F ~ F(1 , 2 ) ou F ~ F1 , 2
Utilizao da distribuio F
a) P F F(6, 10 ) 0,01
Deseja-se obter o valor de F6 ,10 tal que abaixo dele estejam 1% da rea da distribuio.
F(6, 10 ) 5,39
b) P F F(3, 5) 0,05
Deseja-se obter o valor de F3 , 5 tal que acima dele estejam 5% da rea da distribuio.
F(3, 5) 5,4095
63
SACHIKO ARAKI LIRA
LISTA DE EXERCCIOS NO. 4 DISTRIBUIES DE PROBABILIDADES CONTNUAS
2. Suponha que um componente eletrnico tenha um tempo de vida X (em unidades de 1.000
horas) que considerado uma varivel aleatria com funo densidade de probabilidade
f ( x ) e x , x 0 . Qual a probabilidade de x 0,9 ?
3. O tempo (em horas) necessrio para reparar uma mquina uma varivel aleatria
exponencialmente distribuda com parmetro 1/ 2 . Determine a probabilidade de que o
tempo de reparo exceda duas horas.
5. Seja X a varivel aleatria que representa os dimetros dos parafusos produzidos por certa
mquina. Supondo que essa varivel tenha distribuio normal com mdia igual 2 cm e desvio
padro igual a 0,04 cm. Qual a probabilidade de um parafuso ter o dimetro com valor entre 2 e
2,05 cm ?
6. A tenso de ruptura (em newtons) de uma fibra sinttica representada por X e distribuda
como N (800,12 2 ) . O controle de qualidade na fabricao da fibra exige uma tenso de no
mnimo 772 N. Uma amostra da fibra randomicamente testada. Qual a probabilidade de
obtermos P( X 772) ?
7. Suponha que as frequncias indesejveis para um determinado sinal eltrico tenham uma
variao normal com mdia 60 Hz e desvio padro 15 Hz.
8. A vida mdia de certo aparelho de oito anos, com desvio padro de 1,8 ano. O fabricante
substitui os aparelhos que acusam defeito dentro do prazo de garantia. Se ele deseja substituir
no mximo 5% dos aparelhos que apresentem defeito, qual deve ser o prazo de garantia?
9. Um processo industrial produz peas com dimetro mdio de 2,00 e desvio padro de 0,01.
As peas com dimetro que se afaste da mdia por mais de 0,03 so consideradas defeituosas.
Admitida a normalidade:
a) qual a percentagem das peas defeituosas?
b) qual a percentagem de peas perfeitas?
64
VARIVEIS ALEATRIAS E DISTRIBUIES CONTNUAS DE PROBABILIDADES
10. Uma empresa usa anualmente milhares de lmpadas eltricas, que permanecem acesa
continuamente, dia e noite. A vida de uma lmpada pode ser considerada uma varivel aleatria
normal, com mdia de 50 dias e desvio padro de 15 dias. Em 1 de janeiro a companhia
instalou 8.000 lmpadas novas. Aproximadamente quantas devero ser substitudas em 1 de
fevereiro?
11. O dimetro do eixo principal de um disco rgido segue a distribuio normal com mdia
25,08 in. e desvio padro 0,05 in. Se as especificaes para esse eixo so 25,00 0,15 in.
Determine o percentual de unidades produzidas em conformidades com as especificaes.
65
SACHIKO ARAKI LIRA
NOES DE AMOSTRAGEM E
DISTRIBUIES AMOSTRAIS
5.1 INTRODUO
o mtodo mais simples e mais importante para selecionar uma amostra probabilstica;
consiste em listar todas as unidades elementares enumeradas de 1 a N;
sorteiam-se n elementos da populao, sendo que todos os elementos tm probabilidade
conhecida e diferente de zero de serem selecionados;
amostragem com reposio ou sem reposio.
Exemplo: Foram produzidos 500 anis de pisto em certo processo de produo. Deseja-se
obter uma amostra de 30 anis de pisto deste processo.
66
NOES DE AMOSTRAGEM E DISTRIBUIES AMOSTRAIS
Utilizando processo aleatrio simples com reposio:
1) enumerar os anis de pisto de 1 a 500;
2) todos os anis tero a mesma probabilidade de compor a amostra, igual a 0,2%;
3) gerar 30 nmeros aleatrios ou selecionar 30 nmeros utilizando tabelas de nmeros
aleatrios;
4) os anis que comporo a amostra sero aqueles correspondentes aos nmeros aleatrios;
5) a amostra de 30 anis de pisto ser composta pelos anis com as numeraes acima.
No excel:
3) a amostra de 30 anis de pisto ser composta pelos anis com as numeraes acima.
67
SACHIKO ARAKI LIRA
5.2.3 AMOSTRAGEM ESTRATIFICADA
Exemplo:
Ao retirar uma amostra aleatria de uma populao, est-se considerando cada valor da
amostra como um valor de uma varivel aleatria cuja distribuio de probabilidade a mesma
da populao, no instante da retirada desse elemento para a amostra.
Em consequncia do fato de os valores da amostra serem aleatrios, decorre que
qualquer quantidade calculada em funo dos elementos da amostra, tambm ser uma varivel
aleatria.
Os parmetros so valores tericos correspondentes populao e as estatsticas so
funes dos valores amostrais.
As estatsticas, sendo variveis aleatrias, tero alguma distribuio de probabilidade,
com uma mdia, varincia, etc. A distribuio de probabilidade de uma estatstica chama-se,
comumente, distribuio amostral ou distribuio por amostragem.
68
NOES DE AMOSTRAGEM E DISTRIBUIES AMOSTRAIS
de mesmo tamanho, as mdias das diferentes amostras no devero ser iguais. Apesar de a
mdia da populao ser a mesma, a mdia da amostra depender de cada amostra.
Com as mdias das amostras, possvel construir a distribuio de frequncias das
mdias das amostras, denominada distribuio amostral, cuja mdia denomina-se mdia da
distribuio amostral e seu desvio padro, erro padro.
Embora os parmetros, mdia e desvio padro, da populao no sejam conhecidos,
considera-se para o exemplo a seguir, como sendo conhecidos.
Seja uma populao constituda dos elementos: 2, 5, 7 e 10 , sendo N 4 . A mdia e a
varincia populacional so: 6,00 e 2 8,50 .
Considere as possveis amostras de 2 elementos ( n 2 ), que podem ser retiradas desta
populao.
a) Sem reposio
n
O nmero de amostras possveis dado por k CN . Ento, o nmero de amostras
possveis igual a 6.
X1 2 2 2 5 5 7
X2 5 7 10 7 10 10
E( X) 6
A mdia das mdias amostrais ou a mdia da distribuio amostral coincide com a mdia da
populao. Tem-se, ento, a primeira concluso importante: a mdia das mdias amostrais
a prpria mdia da populao.
V( X) 2,83
69
SACHIKO ARAKI LIRA
A varincia das mdias amostrais igual varincia da populao multiplicada pelo
1 Nn
fator:
n N 1
2 Nn
V( X) 2X (Varincia da distribuio amostral de mdias)
n N1
a) Com reposio
X1 2 2 2 2 5 5 5 5
X2 2 5 7 10 2 5 7 10
Mdia 2,0 3,5 4,5 6,0 3,5 5,0 6,0 7,5
AMOS- AMOS- AMOS- AMOS- AMOS- AMOS- AMOS- AMOS- AMOS-
TRAS TRA 9 TRA 10 TRA 11 TRA 12 TRA 13 TRA 14 TRA 15 TRA 16
X1 7 7 7 7 10 10 10 10
X2
2 5 7 10 2 5 7 10
E( X) 6
V( X)
1k
( X i E( X))
2 1
16 6,25 2,25 ... 6,25 16 68
k i1 16 16
V( X) 4,25
Resumindo:
2
V( X) X2 (Varincia da distribuio amostral de mdias)
n
b) Amostragem sem reposio:
E( X) X (Mdia da distribuio amostral de mdias)
2 Nn
V( X) X2 (Varincia da distribuio amostral de mdias)
n N1
Nn
onde o fator denominado de fator de populao finita. Evidentemente, tem-se que:
N 1
Nn
lim 1
N N 1
X X
Z n ~ N ( 0,1) .
2
n
71
SACHIKO ARAKI LIRA
Se, de uma populao com parmetros ( , 2 ) for retirada uma amostra de tamanho n
suficientemente grande, a distribuio de X ser aproximadamente normal N ( , n ) , seja
qual for a forma da distribuio da populao.
O teorema central do limite muito importante, pois permite utilizar a distribuio normal
para realizar inferncias da mdia amostral, seja qual for a forma da distribuio da populao.
a) Com reposio
pq
p (desvio padro da distribuio amostral de propores)
n
b) Sem reposio
pq N n
p (desvio padro da distribuio amostral de propores)
n N 1
(n 1) S 2
A estatstica 2 , segue uma distribuio qui-quadrado com n 1 graus de
2
liberdade. Sendo que S 2 a varincia amostral, dada por:
1 n
S2 ( x i X)
2
n 1 i1
72
NOES DE AMOSTRAGEM E DISTRIBUIES AMOSTRAIS
A partir da expresso da expresso de estatstica 2 , tem-se que:
S2
2 2 , com n
2
1
(n 1)
E ( S2 ) 2
2 4
V ( S2 )
n 1
73
SACHIKO ARAKI LIRA
ESTIMAO DE PARMETROS
6.1 INTRODUO
Inferncia estatstica tem como objetivo fazer generalizaes sobre uma populao, com
base nos dados amostrais.
Pontual
Estimao
Inferncia Por intervalo
Estatstica
Teste de Hipteses
74
ESTIMAO DE PARMETROS
Um estimador no tendencioso ou no viesado quando a sua mdia (ou esperana
ou expectncia) o prprio valor do parmetro populacional que est se pretendendo
estimar, ou seja: E( )
b) Consistncia
c) Eficincia
Dados dois estimadores 1 e 2 de um mesmo parmetro, mais eficiente aquele que
apresenta menor varincia, ou seja:
Se V ( 1 ) V ( 2 ) ento 1 mais eficiente que 2 .
Ainda, se 1 e 2 forem ambos no tendenciosos, a eficincia relativa ser dado pelo
quociente das respectivas varincias, ou seja:
V ( 1 )
.
V ( 2 )
d) Suficincia
Quando o parmetro estimado atravs de um nico valor diz-se que a estimao por
ponto ou pontual. Por exemplo: X um estimador pontual da mdia populacional ; S 2 um
estimador pontual da varincia populacional 2 ; etc.
75
SACHIKO ARAKI LIRA
n
( x i )2
i1
S2
n
k
O estimador utilizado a proporo amostral p . A expresso de p dada por: p ,
n
onde k o nmero de casos favorveis.
Consiste em construir um intervalo em torno da estimativa por ponto, de tal forma que ele
possua probabilidade conhecida (nvel de confiana (1 ) ) de conter o verdadeiro valor do
parmetro.
1 nvel de confiana.
A escolha do nvel de confiana depende do grau de preciso com que se deseja estimar
o parmetro. comum utilizar os nveis de 95% e 99%. Evidentemente, o aumento no nvel de
confiana implica no aumento de sua amplitude.
P( X Z 2 X Z 2 ) 1
n n
76
ESTIMAO DE PARMETROS
onde:
X a mdia da amostra;
o nvel de significncia adotado;
Z 2 o valor de Z da tabela da distribuio t para um determinado nvel de significncia e
graus de liberdade ;
o desvio padro da populao;
n o tamanho da amostra.
2 2
Z 2 Z 2
Exemplos de aplicao:
1) O desvio padro dos comprimentos de todas as peas produzidas por certa mquina 2 mm.
Uma amostra de 50 peas produzidas por essa mquina apresenta mdia igual a 25 mm.
Construir o I.C. de 95% para o verdadeiro comprimento das peas produzidas por essa
mquina.
Soluo:
2
n 50
X 25
1 95% ; 5% ; Z 2 1,96
77
SACHIKO ARAKI LIRA
2 2
P 25 1,96 25 1,96 95 %
50 50
P 24,45 mm 25,55 mm 95 %
Soluo:
2
n9
X 98
1 95% ; 5% ; Z 2 1,96
P X Z 2 X Z 2 1
n n
2 2
P 98 1,96 98 1,96 95 %
9 9
S S
P( X t 2 X t 2 ) 1
n n
onde:
X a mdia da amostra;
o nvel de significncia adotado;
t 2 o valor de t da tabela da distribuio t para um determinado nvel de significncia e
n 1 graus de liberdade;
78
ESTIMAO DE PARMETROS
S o desvio padro da amostra;
n o tamanho da amostra.
2 2
t 2 t 2
Exemplos de aplicao
1) Uma amostra de 20 cabos, produzidos por uma indstria, foram avaliados e medidas as
tenses de rupturas (em kgf). A mdia e o desvio padro da amostra so iguais a 762 kgf e 14,4
kgf, respectivamente. Deseja-se construir o intervalo de confiana de 95% para a tenso mdia
de ruptura de cabos produzidos pela indstria.
Soluo:
n 20
X 762
S 14,4
1 95% ; 5% ; n 1 19
t 2 2,09
S S
P X t 2 X t 2 1
n n
79
SACHIKO ARAKI LIRA
14,4 14,4
P 762 2,09 762 2,09 1
20 20
2) A resistncia do concreto compresso est sendo testada por um engenheiro civil. Ele
testa 12 corpos de prova e obtm dados abaixo. Construir um intervalo de 95% para a
resistncia mdia.
Dados: X 2259,92 ; S 35,57
Soluo:
n 12
1 95%
5%
n 1 11
t 2 2,20
S S
P X t 2 X t 2 1
n n
35,57 35,57
P 2259 ,92 2,20 2259 ,92 2,20 1
12 12
P 2.237,33 2.282,51 95 %
POPULACIONAIS 1 E 2
12 22 12 22
P ( X1 X 2 ) Z 2 (1 2 ) ( X1 X 2 ) Z 2 1
n1 n 2 n1 n 2
onde:
X 1 a mdia da amostra 1;
X 2 a mdia da amostra 2;
80
ESTIMAO DE PARMETROS
22 a varincia da populao 2;
n1 o tamanho da amostra 1;
n 2 o tamanho da amostra 2.
Exemplo de aplicao:
1) Os desvios padres das duraes das lmpadas eltricas fabricadas pelas indstrias A e B
so, respectivamente, 50 horas e 80 horas. Foram ensaiadas 40 lmpadas de cada marca e
as duraes mdias obtidas foram 1.200 horas e 1.100 horas, para A e B, respectivamente.
Construir o intervalo de confiana de 99% para a diferena entre os tempos mdios de vida
das lmpadas de marcas A e B, ou seja, A B .
Soluo:
A 50
B 80
n 40
X A 1200
XB 1100
1 99%
Z 2 2,58
2A B2 2A B2
( X A XB ) Z 2 A B ( X A XB ) Z 2
nA nB nA nB
50 2 80 2 50 2 80 2
(1200 1100 ) 2,58 A B (1200 1100 ) 2,58
40 40 40 40
1 1 1 1
P ( X1 X 2 ) t 2 S p2 ( ) 1 2 ( X1 X 2 ) t 2 S p2 ( ) 1
n1 n 2 n1 n 2
(n1 1) S12 (n 2 1) S 22
sendo que: S p2
n1 n 2 2
X 1 a mdia da amostra 1;
X 2 a mdia da amostra 2;
81
SACHIKO ARAKI LIRA
t 2 o valor de t da tabela da distribuio t para um determinado nvel de significncia e
n1 n 2 2 graus de liberdade;
Exemplo de aplicao:
Uma amostra de 5 tubos da fbrica A, apresentou os seguintes resultados quanto aos dimetros
(mm): X A 45,40 ; S 2A 1,30
E, uma amostra de 6 tubos da fbrica B, apresentou: X B 44,17 ; S B2 1,37 .
Construir o I. C. de 95% para as diferenas entre os dimetros mdios A B .
Soluo:
nA 5
nB 6
1 95 %
t 2 , com n1 n 2 2 graus de liberdade, logo 9
t 2 2,26
1 1 1 1
(X A XB ) t 2 S p2 ( ) A B ( X A XB ) t 2 S p2 ( )
n A nB n A nB
onde:
(n A 1) S 2A (n B 1) S B2 (5 1)(1,30) (6 1)(1,37)
S p2 1,34
n A nB 2 562
1 1 1 1
( 45,40 44,17) 2,26 1,34 A B ( 45,40 44,17) 2,26 1,34
5 6 5 6
P - 0,35 mm A B 2,81 mm 95 %
82
ESTIMAO DE PARMETROS
3) Quando as Varincias Populacionais 12 e 22 so Desconhecidas e Supostamente
Diferentes
S12 S 22 S12 S 22
P ( X1 X 2 ) t 2 1 2 ( X1 X 2 ) t 2 1
n1 n 2 n1 n 2
w 1 w 2 2 , onde w 1
S 12 S2
e w2 2 (mtodo de Aspin-Welch)
w 12 w 22 n1 n2
n1 1 n 2 1
onde:
X 1 a mdia da amostra 1;
X 2 a mdia da amostra 2;
Exemplo de aplicao:
1) Dois operrios mediram o tempo (em min) de certa operao industrial, obtendo:
Soluo:
1 95%
t 2 o valor de t da tabela da distribuio t para um determinado nvel de significncia e
graus de liberdade.
83
SACHIKO ARAKI LIRA
(w 1 w 2 )2 S12 S2
Onde: , onde w 1 e w2 2
w 12 w 22 n1 n2
n1 1 n 2 1
S12 7,77
w1 1,30
n1 6
S 22 16,30
w2 3,26
n2 5
(1,30 3,26) 2
7
1,30 2 3,26 2
6 1 5 1
S 12 S 22 S 12 S 22
( X1 X 2 ) t 2 1 2 ( X1 X 2 ) t 2
n1 n2 n1 n2
(n 1) S 2 (n 1) S 2
P 2
1
2 12 2
2
FIGURA 5 DISTRIBUIO 2
f ( 2 )
12 2 2 2
84
ESTIMAO DE PARMETROS
Exemplo de aplicao:
Foram realizadas 12 determinaes da densidade de certo metal ( g / cm3 ), obtendo-se o
seguinte resultado: S 2 0,02
Estimar a varincia populacional da densidade atravs de um intervalo de confiana de
95%.
Soluo:
12 2 3,8157
2 2 21,9200
Logo:
(n 1) S 2 (n 1) S 2
2
2 2 12 2
P 0,0100 2 0,0577 95 %
(n 1) S 2 (n 1) S 2
P 1
2 2 12 2
Exemplo de aplicao:
Soluo:
(n 1) S 2 (n 1) S 2
2 2 12 2
P 0,1002 0,2401 95 %
85
SACHIKO ARAKI LIRA
6.5.5 INTERVALO DE CONFIANA PARA PROPORO POPULACIONAL
p q p q
P p Z 2 p p Z 2 1
n n
x
onde p a proporo amostral (onde x representa o nmero de casos favorveis ao evento
n
estudado).
Exemplo de aplicao:
Em uma amostra de 200 peas produzidas por certa mquina, verificou-se que 10 eram
defeituosas. Estimar a verdadeira proporo de peas defeituosas produzidas por essa
mquina, utilizando I.C. de 90%.
Soluo:
n 200
10
p 0,05
200
q 1 p 0,95
Z 2 1,64
0,0247 p 0,0753
P 2,47 % p 7,53 % 90 %
86
ESTIMAO DE PARMETROS
6.6 DIMENSIONAMENTO DA AMOSTRA
Nn
e o Z 2
n n 1
Z2 2 2N
n
e 02 (N 1) Z2 2 2
Exemplo de aplicao:
Qual o tamanho mnimo da amostra para se estimar a mdia de uma populao cujo desvio
padro igual a 10, com confiana de 99% e preciso igual a 4? Supor que a amostragem
obtida:
a) com reposio;
b) sem reposio de uma populao com 1000 elementos;
Soluo:
10
e0 4
87
SACHIKO ARAKI LIRA
2
n Z
e o
2
2
10
n 2,58 41,6025 42
4
10
e0 4
N 1.000
1 99% , logo 1% e Z 2 2,58
Z2 2 2N
n
e 02 (N 1) Z2 2 2
2,58 2 10 2 1000
n 39,9792 40
4 (1000 1) 2,58 2 10 2
2
pq
e0 Z 2 ,
n
pq
n Z2 2
e02
Exemplo de aplicao:
Qual o tamanho de amostra suficiente para estimar a proporo de peas defeituosas fornecidas
por certa mquina, com preciso de 0,08 e 99% de confiana, sabendo que essa proporo no
ultrapassa a 0,10?
Soluo:
p 0,10
e0 0,08
88
ESTIMAO DE PARMETROS
pq
n Z 2 2
e 02
Supondo que o tempo para a execuo da operao industrial seja normalmente distribudo,
construir:
a) O I.C. de 95% para a mdia populacional;
b) O I.C. de 95% para a varincia populacional;
c) O I.C. de 95% para o desvio padro populacional;
2. Um fabricante produz anis para pistes de um motor de um carro. Sabe-se que o dimetro
do anel distribudo normalmente com 0,001 milmetro. Uma amostra aleatria de 15
anis tem um dimetro mdio de 74,036 milmetros. Construa o intervalo de confiana de
99% para o dimetro dos anis de pisto.
3. Sabe-se que a vida (em horas), de um bulbo de uma lmpada de 75 W distribuda
normalmente com 25 horas. Uma amostra aleatria de 20 bulbos tem uma vida mdia de
1.014 horas. Construa um intervalo de confiana de 95% para a vida mdia.
4. Um engenheiro do setor de pesquisa de um fabricante de pneu est investigando a vida
mdia do pneu em relao a um novo componente de borracha. Ele fabricou 16 pneus e
testou-os at o final da vida em um teste na estrada. A mdia e o desvio padro da amostra
so 60.139,7 e 3.645,94 km, respectivamente. Sabendo-se que a vida mdia do pneu
normalmente distribuda, encontre um intervalo de confiana de 95% para:
a) a vida mdia do pneu;
b) o desvio padro do tempo de vida do pneu.
n 15 ; X 8,23 ; S 0,03
89
SACHIKO ARAKI LIRA
10
populao que excede a especificao de rugosidade p 0,12 . Construir o intervalo de
85
confiana de 95% para a proporo populacional.
11. Duas formulaes diferentes de um combustvel oxigenado de um motor devem ser testadas
com a finalidade de estudar sua octanagem na estrada. A varincia da octanagem na
estrada no caso da formulao 1 12 1,5 e no caso da formulao 2 22 1,2 . Duas
amostras aleatrias de n1 15 e n2 20 so testadas, sendo que as octanagens mdias
observadas so X1 89,6 e X 2 92,5 . Considere normalidade das distribuies. Calcular o
intervalo de confiana de 90% para a diferena na octanagem mdia ( 2 1 ) observada na
estrada.
12. Dimetro de bastes de ao, fabricadas em duas mquinas extrusoras diferentes, est
sendo investigado. Duas amostras aleatrias de tamanhos de n1 15 e n 2 17 so
selecionadas e as mdias e varincias das amostras so X1 8,73 , S12 0,35 , X2 8,68 e
S12 0,40 , respectivamente. Suponha que 12 22 e que os dados sejam retirados de uma
populao normal. Construa um intervalo de confiana de 98% para a diferena no dimetro
mdio dos bastes.
13. Duas companhias fabricam um material de borracha para uso em uma aplicao automotiva.
A pea ser sujeita a um desgaste abrasivo no campo de aplicao. Assim, decide-se
comparar, atravs de um teste, o material produzido por cada companhia. Vinte e cinco
amostras de material de cada companhia so testadas em um teste de abraso, sendo a
quantidade de desgaste observada depois de 1000 ciclos. Para a companhia 1, a mdia e o
desvio padro do desgaste na amostra so X1 20 miligramas/1000 ciclos e S1 2
miligramas/1000 ciclos, enquanto para companhia 2 so X 2 15 miligramas/1000 ciclos e
90
ESTIMAO DE PARMETROS
S 2 8 miligramas/1000 ciclos. Construa um intervalo de confiana para 95% e 99% para a
diferena de mdia de desgastes, considerando que as populaes so normalmente
distribudas com varincias diferentes.
14. Um experimento realizado para estudar vrias caractersticas de pinos de ferro resultou em
38 observaes sobre a resistncia de corte (kip) de pinos de 3/8 polegada de dimetro e 35
observaes sobre a resistncia de pinos de 1/2 polegada de dimetro. Os resultados
obtidos foram:
PINOS n X S
Pino dimetro 3/8 38 6,140 0,9
Pino dimetro 1/2 35 4,250 1,3
15. Qual o tamanho mnimo de amostra para se estimar a mdia de uma populao cujo desvio
padro igual a 12, com confiana de 95% e preciso igual a 3? Supor que a amostragem
obtida sem reposio de uma populao com 2000 elementos.
16. Qual o tamanho de amostra suficiente para estimarmos a proporo de peas defeituosas
fornecidas por certa mquina, com erro de 0,03 e 99% de confiana, sabendo que a proporo
no ultrapassa de 0,10
17. Determinar o nmero mnimo de elementos de uma amostra, se desejamos estimar a mdia
populacional com 95% de confiana e erro amostral de 1, sendo que de uma amostra piloto com
70 elementos obteve-se varincia igual a 36.
18. Um fabricante de peas acredita que aproximadamente 5% de seus produtos so
defeituosos se ele deseja estimar a verdadeira porcentagem, com erro de 0,05, com 90% de
confiana. Qual dever ser o tamanho da amostra a ser retirada?
91
SACHIKO ARAKI LIRA
TESTES DE HIPTESES
R.R.
R.R. Figura 1 Figura 2 R.R. Figura 3
Os pontos -c e c so os pontos crticos, localizados nas tabelas das distribuies das estatsticas
do teste, considerando-se o nvel de significncia adotado e o nmero de graus de liberdade em
questo.
5) Definir o tamanho da amostra, coletar os dados e calcular o valor da estatstica
correspondente;
6) Rejeitar ou aceitar Ho, avaliando se o valor da estatstica, obtida a partir dos dados amostrais,
situa-se na rea de rejeio ou na regio de aceitao.
92
TESTES DE HIPTESES
7.1.2 ERRO ESTATSTICO
P (rejeitar H0 / H0 verdadeira )
Erro tipo II No rejeitar a hiptese nula quando ela for falsa, tambm denominado erro
beta ( ).
P (aceitar H0 / H0 falsa )
X 0
Z
n
onde:
X a mdia amostral;
0 o valor a ser testado;
o desvio padro populacional;
93
SACHIKO ARAKI LIRA
n o tamanho da amostra.
Exemplos de aplicao:
1) Uma pea ao ser fabricada, foi planejada de tal forma que uma de suas dimenses seja igual
a 10 cm. Conhece-se o desvio padro do processo produtivo, que igual a 0,8 cm e sabe-se
que a distribuio das dimenses normal. Uma amostra de 40 peas forneceu uma dimenso
mdia igual a 10,09 cm. H interesse em testar se a mdia populacional maior que 10 cm, ao
nvel de 5% de significncia.
Soluo:
Dados: 0,8 cm
n 40
X 10,09
X 0 10,09 10
A estatstica do teste calculada por: Z 0,71
0,8
n 40
Concluso: O valor de Z calculado 0,71 e o tabelado Z 0,05 1,64 . Portanto, aceita-se H0 , logo,
a mdia populacional igual a 10 cm.
2) Uma populao normalmente distribuda tem desvio padro conhecido, sendo igual a 5 mm.
Uma amostra de 20 elementos, obtida dessa populao, tem mdia igual a 46 mm. Pode-se
afirmar que a mdia dessa populao superior a 43mm, ao nvel de significncia de 1%?
Soluo:
a) Dados:
5 mm
n 20
X 46
94
TESTES DE HIPTESES
X 0
Z
n
Concluso: O valor de Z calculado 2,68 e o tabelado Z 0,01 2,33 . Portanto, rejeita-se H0 ,
logo, a mdia populacional maior que 43 mm.
Para amostras pequenas ( n 30 ) , a populao de onde a amostra foi retirada deve ser
normalmente distribuda. Se 2 desconhecida, a estatstica do teste calculada por:
X 0
t
S
n
onde:
X a mdia amostral;
0 o valor a ser testado;
S o desvio padro amostral;
n o tamanho da amostra.
Exemplos de aplicao:
Soluo:
Dados:
S 0,9 cm
n 20
X 10,8
As hipteses estatsticas so:
H0 : 10
95
SACHIKO ARAKI LIRA
H1 : 10
A estatstica do teste calculada por:
X 0 10,8 10
t 3,98
S 0,9
n 20
2) Um fabricante afirma que a tenso mdia de ruptura dos cabos produzidos por sua
companhia no inferior a 500 kgf. Uma amostra de 7 cabos foi ensaiada, obtendo-se os
resultados (em Kgf): X 485,14 e S 7,77 . Sabendo-se que a tenso de ruptura
normalmente distribuda, testar a hiptese de que a mdia populacional menor que 500 kgf,
utilizando o nvel de significncia de 5%.
Soluo:
X 0
A estatstica do teste calculada por: t
S
n
485,14 500
t -5,06
7,77
7
Concluso: O valor de t calculado -5,06 e o tabelado t ; 6 1,943 . Portanto, rejeita-se H0 ,
logo, a mdia populacional menor que 500 kgf.
Utiliza-se o teste para a proporo populacional (p) quando se deseja testar a hiptese
de que p supostamente igual a um determinado valor.
96
TESTES DE HIPTESES
H0 : p p 0
Os critrios a serem obedecidos que np 5 e n(1 p) 5 , exigindo assim que a amostra seja
grande. Para amostras suficientemente grandes (na prtica, n 30 ), a estatstica do teste
dada por:
p p 0
Z
p 0 (1 p 0 )
n
onde:
p a proporo amostral;
p 0 o valor a ser testado;
n o tamanho da amostra.
Exemplos de aplicao:
1) Um fabricante afirma que no mximo 3% das peas produzidas por sua indstria so
defeituosas. Um comerciante comprou 100 peas e verificou que 8 eram defeituosas. Testar a
hiptese de que a proporo de peas defeituosas superior a 3%, utilizando nvel de
significncia de 5%.
Soluo:
n 100
8
p 0,08
100
5%
97
SACHIKO ARAKI LIRA
0,08 0,03
Z 2,93
0,03 ( 1 0,03 )
100
Soluo:
n 200
192
p 0,96
200
1%
H0 : p 0,95
H1 : p 0,95
0,968 0,95
Z 0,65
0,95 ( 1 0,95 )
200
Para aplicar o teste para a varincia necessrio que a populao de onde foi extrada a
amostra seja normalmente distribuda.
(n 1) S 2
2
02
Exemplos de aplicao:
1) As chapas de ao, produzidas por uma indstria, tm especificao tal que a varincia de
suas espessuras (em mm) no deve ser superior a 0,0009 mm 2. Uma amostra de 30 chapas,
apresentaram espessura mdia de 3,157 mm e varincia igual a 0,00098 mm 2. O que se pode
concluir a cerca da especificao da indstria ao nvel de 5% de significncia sendo que as
espessuras das chapas tm distribuio normal?
Soluo:
n 30
X 3,157
S 2 0,00098
5%
H0 : 2 0,0009
H1 : 2 0,0009
(n 1) S 2
2
02
(30 1) 0,00098
2 31,58
0,0009
99
SACHIKO ARAKI LIRA
A.A.
.
A.R.
.
42,56
( X1 X 2 ) d 0
Z
12 22
n1 n2
100
TESTES DE HIPTESES
onde:
X1 a mdia da amostra 1;
X 2 a mdia da amostra 2;
12 a varincia da populao 1;
22 a varincia da populao 2;
n1 o tamanho da amostra 1;
n 2 o tamanho da amostra 2.
Exemplos de aplicao:
Soluo:
1) Dados:
X 1 40 ; 1 4 ; n1 30
X 2 35 ; 2 5 ; n 2 30
0,05
H0 : 1 2 0
H1 : 1 2 0
Concluso: O valor de Z calculado igual a 3,80 e valor tabelado 1,96, portanto, rejeita-se
H0 . Logo, as resistncias mdias das marcas A e B so diferentes.
101
SACHIKO ARAKI LIRA
2) Uma amostra de 100 vlvulas da Indstria A tem vida mdia X A 1530 h , sendo A 100 h .
Uma outra amostra de 70 vlvulas da Indstria B, tem vida mdia XB 1450 h , sendo B 90 h .
Testar a hiptese de que as vlvulas da indstria A em relao a B tem durao mdia superior
a 100 h. Utilizar 0,01.
Soluo:
Dados:
X A 1.530 ; A 100 ; n A 100
X B 1.450 ; 2 90 ; n 2 70
0,01
H0 : A B 100
H1 : A B 100
Z 0,01 2,33
Concluso: Como o valor de Z calculado igual a -1,36 e o valor tabelado 2,33, aceita-se H0 .
Logo, a diferena entre as duraes mdias das vlvulas da indstria A e B igual a 100 h.
102
TESTES DE HIPTESES
A estatstica do teste dada por:
( X1 X 2 ) d 0 (n1 1) S12 (n 2 1) S 22
t , onde S p2
1 1 n1 n 2 2
S p2 ( )
n1 n 2
onde:
X1 a mdia da amostra 1;
X 2 a mdia da amostra 2;
S 21 a varincia da amostra 1;
S 22 a varincia da amostra 2;
n1 o tamanho da amostra 1;
n 2 o tamanho da amostra 2.
A determinao da regio crtica ser com base no valor de t tabelado com
n1 n 2 2 graus de liberdade e nvel de significncia . Deve-se rejeitar H0 se o valor de t
calculado situar-se na regio de rejeio ou aceitar H0 se situar-se na regio de aceitao.
Exemplo de aplicao:
Dois tipos de solues qumicas foram ensaiados para se determinar os pH. Os resultados
obtidos foram:
X1 7,516 ; S 12 0,033 ; n1 5
X 2 7,505 ; S 22 0,011 ; n 2 6
Testar a hiptese de que no existe diferena entre os pH mdios das duas populaes,
supondo que os desvios padres populacionais so iguais. Usar 0,05 .
Soluo:
X 2 7,505 ; S 22 0,011 ; n 2 6
0,05
H0 : 1 2 0
H1 : 1 2 0
103
SACHIKO ARAKI LIRA
(5 1) 0,033 (6 1) 0,011
S p2 0,021
562
( 7,516 7,505) 0
t 0,13
1 1
0,021
5 6
Concluso: O valor de t calculado igual 0,13, menor que o valor tabelado, logo, aceita-se H0 .
Conclui-se, portanto, que os pH mdios das duas populaes so iguais.
( X1 X 2 ) d 0
t
S12 S 22
n1 n 2
Tem-se que:
X1 a mdia da amostra 1;
X 2 a mdia da amostra 2;
S 21 a varincia da amostra 1;
S 22 a varincia da amostra 2;
n1 o tamanho da amostra 1;
104
TESTES DE HIPTESES
n 2 o tamanho da amostra 2.
Exemplo de aplicao:.
Uma mesma distncia foi medida 5 vezes por dois instrumentos (em metros):
Testar a hiptese de que no existe diferena entre os resultados obtidos pelos dois
instrumentos. Utilizar o nvel de significncia de 5%.
Soluo:
X 2 100,40 ; S 22 0,01; n 2 5
0,05
H0 : 1 2 0
H1 : 1 2 0
( X1 X 2 ) d 0
t
S12 S 22
n1 n 2
(100,46 100,40) 0
t 0,19
0,473 0,01
5 5
S 12 0,473
w1 0,0946
n1 5
105
SACHIKO ARAKI LIRA
S 22 0,01
w2 0,002
n2 5
w 1 w 2 2
( 0,0946 0,002) 2
4,16 4
w 12 w 22 0,09462 0,0022
n1 1 n 2 1 4 4
Este teste deve ser utilizado quando os dados esto relacionados dois a dois de acordo
com algum critrio.
O teste t de Student para grupos dependentes aplicado para comparao das mdias
de dois grupos emparelhados, que utiliza para o seu clculo, a mdia das diferenas ( d ) entre
cada um dos pares formados pelas duas amostras.
Se n 30 (pares), a suposio explcita de normalidade da populao desnecessria
(Teorema Central do Limite).
As hipteses a serem testadas:
H0 : d d0
d d 0 ( teste unilateral esquerda)
H1 : d d 0 ( teste unilateral direita )
d d 0 ( teste bilateral )
Exemplo de aplicao: Uma amostra de 7 cabos de ao foi analisada antes e depois de sofrer
um tratamento para aumentar sua resistncia (em kgf/mm2). Os resultados obtidos foram:
Antes: 50 54 51 50 55 53 52
Depois: 60 61 57 54 59 58 60
106
TESTES DE HIPTESES
Testar a hiptese de que o tratamento eficiente, no nvel de significncia de 5%. Tratar
os dados como emparelhados.
Soluo:
H0 : d 0 ( o tratamento no eficiente)
H1 : d 0 ( o tratamento eficiente)
d d0 di 1 n 2 2
i 1
t , em que: d e S 2d di nd
Sd n n n 1 i1
7
Tem-se que di 44 , logo d 6,29 , S 2d 4,84 e S d 2,20 .
i 1
d d0 6,29 0
t 7,56
Sd n 2,20 7
Para aplicar o teste para a varincia necessrio que a populao de onde foi extrada a
amostra seja normalmente distribuda.
As hipteses estatsticas so:
H0 : 12 22
107
SACHIKO ARAKI LIRA
Rejeita-se H0 se o valor de F calculado situar-se na regio de rejeio ou aceitar H0 se
situar-se na regio de aceitao.
Exemplo de aplicao:
1) Foram testadas as durabilidades (em km) dos pneus das marcas A e B, obtendo-se para 5
pneus de cada marca os seguintes resultados:
Marca A: 30.000 32.000 28.000 26.000 31.000
Marca B: 25.000 30.000 20.000 21.000 23.000
Existe diferena significativa entre as varincias das durabilidades dos dois pneus, ao
nvel de 10% de significncia?
Soluo:
H0 : 12 22
H1 : 12 22
A estatstica do teste calculada por:
S12
F
S 22
A.A.
.
A.R.
A.R.
0,16 6,39
F 2 F( 2 ; 1; 2 F( 0,05 ; 4; 4 ) 6,39
108
TESTES DE HIPTESES
1 1
F1 2 F(1 2 ; 1; 2 ) 0,16
F( 2 2 ;1 ) 6,39
2) Foram ensaiadas vlvulas das marcas A e B, e verificou-se que os tempos de vida (em horas)
foram:
Testar a hiptese de igualdade para as varincias do tempo de vida das vlvulas de marcas A e
B, ao nvel de significncia de 10%.
Soluo:
S 2A 770
F 2
0,04
S B
17 .225
1 1
F1 2 F(1 2 ; 1; 2 ) 0,15
F( 2 ; 2; 1 ) 6,59
A.A.
.
A.R.
A.R.
0,16 6,39
0,11
0,15 6,59
9,12
109
SACHIKO ARAKI LIRA
Concluso: O valor de F calculado igual a 0,04 situando-se, portanto, na rea de rejeio de
H0 . Logo, as varincias do tempo de vida das vlvulas de marcas A e B so diferentes.
2. Deseja-se testar a hiptese de que o dimetro mdio da haste de liga de alumnio, produzidas
em uma mquina de calibragem, diferente de 0,5025 in. Uma amostra de 25 hastes
apresentou um dimetro mdio de 0,5046 in e desvio padro de 0,01 in. Utilizar 0,05 e supor
distribuio normal.
3. A fora mdia de resistncia de uma fibra sinttica uma caracterstica de qualidade de
interesse do fabricante, que deseja testar a hiptese de que a fora mdia maior que 50 psi,
usando 0,05 . O desvio padro populacional da fora de resistncia desconhecido. Uma
amostra de 16 exemplares de fibra selecionada e so obtidos os seguintes resultados:
X 50,86 ; S 1,66 . Sabe-se que a distribuio da fora de resistncia normal.
6. Uma amostra aleatria de 500 pinos de hastes de conexo contm 65 unidades no-
conformes. Testar a hiptese de que a verdadeira frao de defeituosos nesse processo maior
que 0,08. Usar 0,01.
7. Dois catalisadores esto sendo testados para determinar como afetam o rendimento mdio de
um processo qumico. Especificamente, o catalisador 1 est sendo usado atualmente, mas o
catalisador 2 aceitvel. Como o catalisador 2 mais barato, ele poderia ser adotado, desde
que no alterasse o rendimento do processo. Um teste realizado em uma fbrica piloto e os
resultados so apresentados abaixo. Existe alguma diferena entre os rendimentos mdios?
Usar 0,05 e supor que as populaes so normais e as varincias iguais.
Dados: X1 92,26 ; S1 1,39 ; n1 8 ; X 2 92,68 ; S 2 1,28 ; n 2 8
9. Uma pesquisa apresenta os resultados de uma anlise do peso do clcio no cimento padro e
no cimento misturado com chumbo. Nveis reduzidos de clcio so uma indicao de que o
mecanismo de hidratao no cimento est bloqueado, o que permitir a gua atacar vrios
locais da estrutura de cimento. Dez amostras do cimento padro acusaram um peso percentual
mdio de clcio de X1 90,0 , com desvio padro S1 5,0 e 15 amostras do cimento misturado
110
TESTES DE HIPTESES
com chumbo apresentaram um peso mdio de clcio de X 2 87,0 , com desvio padro de
S 2 4,0 . Testar a hiptese de que 1 2 maior zero, utilizando 0,01 e supondo que
ambas as populaes so normalmente distribudos e tm o mesmo desvio padro.
10. Dois tcnicos de controle de qualidade mediram o acabamento da superfcie de uma parte de
metal, cujos dados esto apresentados abaixo. Suponha que as medidas sejam normalmente
distribudas. Testar a hiptese de que as medidas mdias do acabamento da superfcie obtidas
pelos dois tcnicos so iguais. Usar 0,01 e supor varincias iguais.
Dados: X1 1,39 ; S 1 0,11 ; n1 7 ; X 2 1,18 ; S 2 0,12 ; n 2 8
11. Uma nova unidade de purificao instalada em um processo qumico. Antes de sua instalao,
uma amostra aleatria forneceu os seguintes dados sobre a porcentagem de impureza:
X1 9,85
S12 81,73
n1 10
Aps a instalao, uma amostra aleatria resultou em:
X 2 8,08
S 22 78,46
n2 8
possvel concluir que o novo aparelho de purificao reduziu a porcentagem mdia de
impureza? Usar 0,05 e supor que as populaes so normais e varincias populacionais
diferentes.
12. Dois tipos diferentes de mquina so usados para medir a fora de resistncia de uma fibra
sinttica. Deseja-se saber se as duas mquinas fornecem os mesmos valores mdios da
fora de resistncia. Oito espcimes de fibra so aleatoriamente selecionados e uma
medida da fora feita sobre cada espcime usando cada uma das mquinas.
Testar a hiptese de que no h diferena entre as duas mquinas quanto fora mdia de
resistncia, 0,05 .
Observao: Os dados nesse experimento foram emparelhados para evitar que diferenas entre
os espcimes de fibra (que podem ser substanciais) afetem o teste sobre a diferena das
mquinas.
13. Um operrio realizou uma mesma operao com dois equipamentos diferentes, e os tempos
gastos (em segundos foram):
111
SACHIKO ARAKI LIRA
Equipamento A: 10 11 10 12 15
Equipamento B: 8 10 15 12
Existe diferena significativa entre as varincias para os tempos gastos pelos dois
equipamentos, ao nvel de 10%? Supor as populaes normalmente distribudas.
14. Foram testadas vlvulas de marca A e verificou-se que os tempos de vida (em horas) foram:
1500 1450 1480 1520 1510. Sabendo-se que os tempos de vida das vlvulas so
normalmente distribudos, testar a hiptese de que a varincia do tempo de vida menor do que
700, ao nvel de 5% de significncia.
112
TESTES DE HIPTESES
TESTES DE ADERNCIA
INTRODUO
Os testes de aderncia servem para testar hipteses mais gerais sobre a distribuio dos
dados. A idia bsica que, dada uma amostra aleatria de tamanho n, observada de uma
varivel aleatria X , deseja-se testar:
H0 : X tem distibui o f 0
H1 : X no tem distibui o f 0
Ei n pi
onde:
O i o nmero de observaes ou freqncia absoluta observada da classe A i ;
n o nmero total de observaes;
Sendo verdadeira a hiptese nula, a estatstica acima tem distribuio assinttica de Qui-
quadrado com k p 1 graus de liberdade ( 2; k p1 ), onde k representa o nmero de classes e
p o nmero de parmetros da distribuio da populao, estimados a partir da amostra.
Para utilizar este teste tem-se as seguintes regras:
Se esta ltima condio no prevalecer, o teste pode ainda ser utilizado, embora com
moderada confiana, se no mais de 20% dos valores de Ei forem inferiores a 5 e nenhum for
inferior a 1. Quando tal no se verificar, procuram-se agregar classes adjacentes, de forma a
obter novas classes que satisfaam esta condio.
113
SACHIKO ARAKI LIRA
2
Se calc c2 , aceita-se H0 (H aderncia distribuio especificada)
2
Se calc c2 , rejeita-se H0 (No h aderncia distribuio especificada).
Grficamente:
A.A
A.R
c2
Exemplos de aplicao:
1) Supe-se que o nmero de defeitos nas placas de circuito impresso segue a distribuio de
Poisson. Uma amostra de 60 placas impressas foi coletada e observou-se o nmero de defeitos,
apresentados a seguir.
FREQUNCIA
NMERO DE
DEFEITOS OBSERVADA
0 32
1 15
2 9
3 4
No. DE NO. DE
DEFEITOS ( x i ) MQUINAS
p (X xi )
0 32 0,53
1 15 0,25
2 9 0,15
3 4 0,07
TOTAL 60 1,00
114
TESTES DE ADERNCIA
E( X) 0 0,53 1 0,25 2 0,15 3 0,07 0,75
e x
P ( X x) , onde a mdia.
x!
FREQUNCIA FREQUNCIA
NMERO DE ESPERADA
DEFEITOS OBSERVADA
0 32 60 0,472 28
1 15 60 0,354 21
2 9 60 0,133 8
3 4 60 0,041 3
A estatstica do teste :
n O Ei
2
(32 28 ) 2 (15 21) 2 (9 8) 2 ( 4 3) 2
2,74
2 i
i 1 Ei 28 21 8 3
Concluso:
Como calc
2
2,74 menor que 02,05; 2 g.l. 5,99 , aceita-se a hiptese de que a forma da
distribuio de defeitos Poisson.
2) Foram inspecionados 100 lotes de 3 peas cada um, sendo que o nmero X de peas
defeituosas por lote segue distribuio abaixo. Testar a hiptese de que a distribuio
binomial, utilizando 0,01 .
115
SACHIKO ARAKI LIRA
Soluo:
65 30 4 1
E( X) 0 1 2 3 0,41
100 100 100 100
Foram agrupadas as duas ltimas classes, pois a frequncia esperada da ltima classe
menor do que 1.
0 0,6361 100x0,6361=64 65
1 0,3106 100x0,3106=31 30
2 0,0533 100x0,0533=5 5
Concluso:
Como calc
2
0,05 menor que 02,01;1g.l. 6,64 , aceita-se a hiptese de que a forma da
distribuio de vlvulas defeituosas Binomial.
116
TESTES DE ADERNCIA
8.2 TESTE DE LILLIEFORS
O teste de Lilliefors utilizado para verificar a aderncia dos dados a uma distribuio
normal, sem a especificao de seus parmetros, ou seja, a mdia e o desvio padro so
calculados a partir da amostra.
As hipteses so:
H0 : a amostra provm de uma populao que segue uma distribuio normal
H1 : a amostra no provm de uma populao que segue uma distribuio normal
Exemplos:
1) Um fabricante de autopeas est para fechar um grande contrato com a montadora. O ponto-
chave a garantia da qualidade de seus produtos, especialmente do dimetro (em mm) dos
eixos produzidos, que ele supe seguir uma distribuio normal. Para realizar o teste, a
montadora selecionou uma amostra aleatria de 15 eixos, para testar as especificaes a 5% de
significncia. As valores so apresentados a seguir.
Soluo:
H0 : a amostra provm de uma populao que segue uma distribuio normal
H1 : a amostra no provm de uma populao que segue uma distribuio normal
1. Construo da distribuio acumulada da amostra, S( x) :
FREQ.
OBS. xi RELATIVA
S (xi )
1 93,45 0,0667 0,067
2 94,46 0,0667 0,133
3 94,93 0,0667 0,200
4 96,17 0,0667 0,267
5 96,74 0,0667 0,333
6 97,07 0,0667 0,400
7 97,68 0,0667 0,467
8 97,93 0,0667 0,533
9 99,10 0,0667 0,600
10 99,30 0,0667 0,667
11 100,73 0,0667 0,733
12 103,29 0,0667 0,800
13 103,60 0,0667 0,867
14 103,83 0,0667 0,933
15 105,20 0,0667 1,000
Mdia 98,90
Desvio Padro 3,70
117
SACHIKO ARAKI LIRA
2. Construo da funo de distribuio acumulada F( x ) , para cada valor de x i . Cada valor de
dimetro x i pode ser transformado em escore padronizado Z i . Por exemplo:
93,45 98,90
x 1 93,45 Z1 -1,47
3,70
Com base nos dados apresentados, e utilizando nvel de significncia de 1%, possvel
usar grfico de controle de mdia de Shewhart para monitorar o processo?
118
TESTES DE ADERNCIA
Soluo:
H0 : a amostra provm de uma populao que segue uma distribuio normal
H1 : a amostra no provm de uma populao que segue uma distribuio normal
FREQ.
OBS. xi RELATIVA
S (xi ) Zi F( x i ) F( x i ) S( x i1 ) F( x i ) S( x i )
1 0,03 0,04 0,040 -0,80 0,212 0,212 0,172
2 0,05 0,04 0,080 -0,79 0,214 0,174 0,134
3 0,19 0,04 0,120 -0,73 0,232 0,152 0,112
4 0,28 0,04 0,160 -0,69 0,244 0,124 0,084
5 0,31 0,04 0,200 -0,68 0,248 0,088 0,048
6 0,57 0,04 0,240 -0,56 0,285 0,085 0,045
7 0,63 0,04 0,280 -0,54 0,294 0,054 0,014
8 0,66 0,04 0,320 -0,53 0,299 0,019 0,021
9 0,66 0,04 0,360 -0,53 0,299 0,021 0,061
10 0,71 0,04 0,400 -0,50 0,306 0,054 0,094
11 0,75 0,04 0,440 -0,49 0,312 0,088 0,128
12 0,76 0,04 0,480 -0,48 0,314 0,126 0,166
13 0,85 0,04 0,520 -0,44 0,328 0,152 0,192
14 0,85 0,04 0,560 -0,44 0,328 0,192 0,232
15 0,99 0,04 0,600 -0,38 0,350 0,210 0,250
16 1,23 0,04 0,640 -0,28 0,389 0,211 0,251
17 1,41 0,04 0,680 -0,20 0,419 0,221 0,261
18 1,68 0,04 0,720 -0,09 0,465 0,215 0,255
19 2,18 0,04 0,760 0,13 0,551 0,169 0,209
20 3,01 0,04 0,800 0,49 0,686 0,074 0,114
21 3,52 0,04 0,840 0,71 0,760 0,040 0,080
22 4,89 0,04 0,880 1,30 0,903 0,063 0,023
23 5,48 0,04 0,920 1,55 0,940 0,060 0,020
24 5,94 0,04 0,960 1,75 0,960 0,040 0,000
25 9,49 0,04 1,000 3,28 0,999 0,039 0,001
mdia 1,88
DP 2,32
119
SACHIKO ARAKI LIRA
TAXAS DE
fi
OCTANAGEM
83,5 |--- 85,9 3
85,9 |--- 88,4 9
88,4 |--- 90,9 21
90,9 |--- 93,4 15
93,4 |--- 95,9 5
95,9 |--- 98,4 1
98,4 |--- 100,9 2
TOTAL 56
2. O tempo necessrio para se realizar certa operao industrial foi cronometrado (em
segundos), sendo feita 50 determinaes. A mdia e o desvio padro amostral so 46,32 e
7,44. A distribuio de frequncias encontra-se a seguir:
TEMPO
fi
(segundos)
32 |--- 36 5
36 |--- 40 7
40 |--- 44 5
44 |--- 48 14
48 |--- 52 8
52 |--- 56 3
56 |--- 60 8
TOTAL 50
Verificar se a amostra do tempo necessrio para realizar a operao provm de uma distribuio
normal, utilizando 0,01.
120
TESTES DE ADERNCIA
ANLISE DA VARINCIA
INTRODUO
contra a hiptese alternativa de que, pelo menos uma dessas mdias seja diferente das demais,
ou seja:
H1 : pelo menos uma mdia i .
Sejam as k amostras extradas das populaes, cujas mdias sero testadas. A partir
dessas amostras, possvel estimar a varincia 2 de trs maneiras, conforme apresentados a
seguir.
121
SACHIKO ARAKI LIRA
1) Varincia Total ( S 2t )
k n
( x i j X )2
j1 i1
S 2t
N1
Onde:
k o nmero de amostras;
k n
xi j
j1 i1
X a mdia do conjunto de todas as amostras;
N
k n
( Xj X)
2
j1i1
S 2e
k 1
Onde:
n
xi j
i1
Xj a mdia da j-sima amostra (j=1,2,...,k)
n
Esta varincia ( S2e ) tambm chamada de Quadrado Mdio Entre Amostras (QME).
122
ANLISE DA VARINCIA
O numerador denominado de Soma de Quadrados entre Amostras (SQE), ento
tem-se:
k n
SQE ( X j X ) 2
j1 i1
n
( xi j X j )
2
i1
S 2j
n 1
k n
( xi j X j )
2
j1i1
S r2
Nk
k n
SQR ( x i j X j ) 2
j1i1
Onde:
1 R.R.
O teste ser sempre unilateral. O valor crtico de F ser obtido para nvel de significncia
e ( k 1) e ( N k ) graus de liberdade, no numerador e denominador, respectivamente.
d) Clculo da estatstica F
S 2e
F
S r2
Total SQT N 1
f) Concluso
Exemplos da aplicao:
124
ANLISE DA VARINCIA
Soluo:
SOMAS
POSTOS DE n
MDIAS
INDICES DE PRODUO (%) ( x i j )
TRABALHO ( xi ) ( Xj)
i1
A 90,8 100 81,1 271,90 90,63
B 85,5 83 73,7 242,20 80,73
C 65,9 77,1 68,5 211,50 70,50
TOTAL 725,60 80,62
k n
x i j
j1i1
k n
xi j
j1 i1 725,6
X 80,62
N 9
Ento, tem-se:
SQT ( 90,8 80,62 ) 2 (100 ,0 80,62 ) 2 (81,1 80,62 ) 2 (77,1 80,62 ) 2 (68,5 80,62 ) 2
SQT 932,78
k n k
SQE ( X j X ) 2 n ( X j X ) 2
j1i1 j 1
2) Em uma indstria, quatro operrios executam uma mesma operao. Com o objetivo de
identificar se existe diferena entre os tempos gastos para executar a operao mencionada,
foram realizadas as seguintes observaes desses tempos (em segundos):
Operrio 1: 8,1 8,3 8,0 8,1 8,5
Operrio 2: 8,4 8,4 8,5 8,3
Operrio 3: 8,8 8,7 8,9
Operrio 4: 8,3 8,4 8,2 8,2 8,3 8,4
Verificar se a diferena significativa ao nvel de 1% de significncia.
Soluo:
H0 : 1 2 3 4
H1 : pelo menos uma mdia i
k n
x i j
j1i1
126
ANLISE DA VARINCIA
A mdia do conjunto de todas as amostras ser:
k n
xi j
j1 i1 150,8
X 8,4
N 18
Ento, tem-se:
SQT 0,98
k n
SQE ( X j X ) 2
j1i1
OBS: Neste caso, cada ( X j X ) 2 multiplicado pelo seu respectivo tamanho de amostra.
SQE 5 (8,2 8,4) 2 4 (8,4 8,4) 2 3 (8,8 8,4) 2 6 (8,3 8,4) 2
SQE 0,74
k n
SQR ( x i j X j ) 2
j1i1
SQR 0,24
e) Quadro da ANOVA
Concluso: Como F F0,01; 3; 14 , rejeita-se a hiptese H0 de que os tempos mdios gastos para
127
SACHIKO ARAKI LIRA
9.3 COMPARAES MLTIPLAS ENTRE MDIAS
1 1
QMR (k 1) Fk 1,Nk, .
ni nm
Exerccios de aplicao:
1) Para o exemplo dos ndices de produo segundo diferentes postos de trabalho, verificar
quais mdias so diferentes, utilizando 0,05 .
Soluo:
POSTOS DE MDIAS
TRABALHO ( Xj)
A 90,63
B 80,73
C 70,50
1 1
QMR (k 1) Fk 1,Nk,
ni nm
onde:
k 3 ( postos de trabalho)
Nk 93 6
0,05
n 3 (tamanho da amostra para cada grupo)
128
ANLISE DA VARINCIA
324,90
QMR 54,15 ( do exemplo de aplicao no. 1)
6
F2, 6 ; 0,05 5,14
1 1
0,05 54,15 2 5,14 19,26
3 3
Portanto, tem-se:
POSTOS DE DIFERENA
DIFERENA DE MDIAS
TRABALHO SIGNIFICATIVA
AeB 90,63 80,73 9,90 19,26 No
AeC 90,63 70,50 20,13 19,26 Sim
BeC 80,73 70,50 10,23 19,26 No
2) Para o exemplo de quatro operrios que executam uma mesma operao em uma indstria,
aplicar o mtodo de Scheff, utilizando 0,01.
Soluo:
1 1
X i X m QMR (k 1) Fk 1, N k,
ni nm
k4 ( operadores)
N 18
N k 18 4 14
0,01
129
SACHIKO ARAKI LIRA
F3; 14; 0,01 5,56
n2 4
Substituindo os valores na expresso do teste de Scheff:
1 1
0,0171 3 5,56 0,36
5 4
mdias.
Considerando os operrios 1 e 3, tem-se:
n1 5
n2 3
1 1
0,0171 3 5,56 0,39
5 3
n2 6
1 1
0,0171 3 5,56 0,32
5 6
n2 3
1 1
0,0171 3 5,56 0,41
4 3
n2 6
1 1
0,0171 3 5,56 0,34
4 6
130
ANLISE DA VARINCIA
n2 6
1 1
0,0171 3 5,56 0,38
3 6
Assim, tem-se:
OPERADORES Xi Xm CONCLUSO
O tempo mdio gasto para a execuo do operador nmero 3 difere do tempo mdio do
operador 1 e 4, ao nvel de 1% de significncia.
1. Uma empresa deseja adquirir certa mquina e verificou que existem no mercado trs marcas
diferentes: A, B, e C que satisfazem. Decidiu-se que ser comprada a mquina que apresentar
melhor rendimento. Foi realizado um ensaio com as trs mquinas em perodos iguais durante 5
dias e as produes resultantes foram:
2. Foram testados trs tipos de lmpadas eltricas e os tempos de vida (em horas) obtidos
foram:
lmpada A: 1.245 1.354 1.367 1.289
lmpada B: 1.235 1.300 1.230 1.189
lmpada C: 1.345 1.450 1.320
Existe diferena significativa entre os tempos mdios de vida dessas trs marcas de lmpadas,
ao nvel de significncia de 1%? Se necessrio, aplicar o teste de Scheff.
5) A resistncia de contato de um rel foi estudada para trs materiais diferentes (todos eram
ligas, tendo prata como base). Os dados encontram-se a seguir.
132
ANLISE DA VARINCIA
ANLISE DE CORRELAO E REGRESS0
SIMPLES
10.1 INTRODUO
100
80
60
40
20
0
2 7 12 17 22
A visualizao do diagrama de disperso possibilita ter uma boa ideia de como as duas
variveis se correlacionam.
133
SACHIKO ARAKI LIRA
10.3 ANLISE DE CORRELAO
Diferentes formas de correlao podem existir entre as variveis. O caso mais simples e
mais conhecido a correlao linear simples, envolvendo duas variveis, X e Y.
Este coeficiente mostra o grau de relacionamento entre as variveis, fornecendo um nmero,
indicando como as variveis variam conjuntamente. No h a necessidade de definir as relaes
de causa e efeito, ou seja, qual a varivel dependente e a independente.
Quando para maiores valores de X, existe uma tendncia de obter maiores valores de Y,
diz-se que existe correlao linear positiva, conforme o grfico 5, apresentado anteriormente.
Entretanto, pode ocorrer o inverso, ou seja, para maiores valores de X, existir uma tendncia de
obter menores valores de Y, diz-se neste caso, que existe correlao linear negativa,
conforme o grfico 6. Obviamente, existem muitos casos em que as variveis no so
correlacionadas linearmente, isto , a correlao linear nula, como apresentado no grfico 7.
GRFICO 6 DIAGRAMA DE DISPERSO ENTRE AS VARI- GRFICO 7 DIAGRAMA DE DISPERSO ENTRE AS VARI-
VEIS X E Y VEIS X E Y
DIAGRAMA DE DISPERSO DIAGRAMA DE DISPERSO
Y Y
120 70
100
60
50
80
40
60
30
40 20
20 10
0
0
2 7 12 17
2 7 12 17 22
X
X
X i XYi Y
n
r i 1
X i X Yi Y
n 2 n 2
i 1 i 1
134
ANLISE DE CORRELAO E REGRESSO
se 0 r 0,30 existe fraca correlao linear;
se 0,30 r 0,60 existe moderada correlao linear;
se 0,60 r 0,90 existe forte correlao linear;
se 0,90 r 1,00 existe correlao linear muito forte.
Exemplo de aplicao:
70
60
50
40
30
20
10
0
2 4 6 8 10 12 14
Quantidade de metal
A visualizao do diagrama de disperso possibilita ter uma boa idia de como as duas
variveis se relacionam, ou seja, qual a tendncia de variao conjunta que apresentam. O
grfico sugere a existncia de uma relao linear entre as duas variveis. Assim, calcular-se- o
coeficiente de correlao linear de Pearson.
135
SACHIKO ARAKI LIRA
OBS. xi yi ( xi X ) ( yi Y ) ( x i X )( y i Y ) ( x i X )2 ( y i Y )2
Tem-se que:
X i XYi Y
n
r
X,Y i 1
X i X Yi Y
n 2 n 2
i 1 i 1
r
X,Y 465
0,9560
65,73 3.600
r n2
t ~ t n2 .
1 r 2
136
ANLISE DE CORRELAO E REGRESSO
Exemplo de aplicao:
Seja o exemplo do processo de recobrimento de uma determinada pea com metal. Tem-se que
o coeficiente de correlao estimado r 0,9560 . Testar a hiptese de que a correlao
populacional diferente de zero, utilizando nvel de significncia de 5%.
As hipteses so:
H0 : 0 ( a correlao populacional igual a zero)
H1 : 0 ( a correlao populacional diferente de zero)
A estatstica t :
r n2 0,9560 10 2
t 9,22
1 r 2
1 0,95602
Anlise de regresso linear simples uma tcnica de modelagem utilizada para analisar
a relao entre uma varivel dependente (Y) e uma varivel independente X .
O objetivo dessa tcnica identificar uma funo que descreve, o mais prximo possvel,
a relao entre essas variveis e assim poder predizer o valor que a varivel dependente (Y) ir
assumir para um determinado valor da varivel independente X.
O modelo de regresso poder ser expresso como:
Y X
Y
34
32
30
28
26
24
22
20
20 22 24 26 28 X
30
137
SACHIKO ARAKI LIRA
Verifica-se no grfico que nem todos os pontos tocam a reta, e essa diferena o erro
(), mas supe-se que em mdia esses erros tendem a se anular, ou seja:
E ( i ) 0
Ao estabelecer o modelo de regresso linear simples, deve-se pressupor que:
1) os erros ( i ) tm distribuio normal;
2) os erros ( i ) so independentes;
3) i uma varivel aleatria com mdia igual a zero, isto , E ( i ) 0 ;
4) A varincia de i igual a 2 para todos os valores de X.
Uma vez escolhido o modelo de regresso, deve-se estimar os seus parmetros, neste
caso, os coeficientes da equao da reta, e . Isso pode ser feito a partir da aplicao do
Mtodo dos Mnimos Quadrados. Neste mtodo, a soma dos erros quadrticos (isto , a soma
dos quadrados da distncia vertical entre as observaes e a reta ajustada) mnima.
Os parmetros e so estimados atravs dos dados amostrais e a reta estimada
ser da forma:
Y a bX
Seja e i a distncia da reta ajustada aos pontos amostrais, o mtodo dos mnimos
quadrados minimiza a soma de ei2 , ou seja:
n n n
e i2 ( y i y i ) 2 ( y i a bx i ) 2
i1 i1 i1
A soluo analtica do sistema de equaes fornece os valores de " a" e " b" , como
apresentados a seguir.
a Y bX
138
ANLISE DE CORRELAO E REGRESSO
n
( x i X) y i
i1
b
n
( x i X) 2
i1
Exemplos de aplicao:
Soluo:
X 8,45
Y 35
139
SACHIKO ARAKI LIRA
n
( x i X )2 65,725
i1
n
( xi X ) yi 465,00
i1
n
( x i X) y i
i1 465,00
Logo, b n
7,0749
65,725
( x i X) 2
i1
OBS. xi yi y i
1 6 10 17,7
2 4 10 3,5
3 6 20 17,7
4 8 20 31,8
5 7,5 30 28,3
6 8,5 40 35,4
7 9,5 45 42,4
8 11 50 53,0
9 12 60 60,1
10 12 65 60,1
60
50
40
30
20
10
0
0 5 10 15
Quantidade de metal fundido
140
ANLISE DE CORRELAO E REGRESSO
10.4.2 TESTES DE HIPTESES NA REGRESSO
10.4.2.1TESTE t
b
t : , que segue distribuio t com n-2 graus de liberdade.
S2
S XX
Tem-se que:
S YY bS XY
S2 , que a estimativa de 2
n2
n
Onde: S XX ( x i X) 2
i1
n
S YY ( y i Y ) 2
i1
n n
n
xi yi
S XY x i y i i1 i
i1 n
141
SACHIKO ARAKI LIRA
GRFICO 10 DESVIOS TOTAL, EXPLICADO E RESIDUAL
Y a bX
yi
( y i Y) ( y i y i )
Y
( Y y i )
S YY b S XY
Residual SQR S YY b S XY n2 QMR QME
n2 F
QMR
Total SQT S YY n 1
142
ANLISE DE CORRELAO E REGRESSO
Exemplo de aplicao:
Soluo:
Para obter as somas dos quadrados faz-se necessrio os seguintes clculos:
OBS. xi yi xi yi ( xi X ) ( yi Y ) ( x i X )2 ( y i Y )2 ( xi X ) ( yi Y )
1 6 10 60,0 -2,45 -25 6,0 625 61,25
2 4 10 40,0 -4,45 -25 19,8 625 111,25
3 6 20 120,0 -2,45 -15 6,0 225 36,75
4 8 20 160,0 -0,45 -15 0,2 225 6,75
5 7,5 30 225,0 -0,95 -5 0,9 25 4,75
6 8,5 40 340,0 0,05 5 0,0 25 0,25
7 9,5 45 427,5 1,05 10 1,1 100 10,5
8 11 50 550,0 2,55 15 6,5 225 38,25
9 12 60 720,0 3,55 25 12,6 625 88,75
10 12 65 780,0 3,55 30 12,6 900 106,5
Total 84,5 350 3.422,5 65,70 3.600 465,00
a) Teste t
H0 : 0
H1 : 0
Tem-se que:
Calculando inicialmente:
n
S XX ( x i X) 2 65,70
i1
n
S YY ( y i Y ) 2 3.600
i1
n n
xi yi
n 84,5 350
S XY x i y i i1 i
3.422,5 465
i1 n 10
b 7,075 0
t 9,21 , que segue distribuio t com n-2 graus de liberdade.
2 38,7656
S
S XX 65,70
143
SACHIKO ARAKI LIRA
Tem-se que t0,05 / 2;8 2,31, logo, rejeita-se H0 e conclui-se que 0 .
b) ANOVA
n
SQT S YY ( y i Y ) 2 3.600
i1
SQE b SXY ,
n
sendo que S XY ( x i X )( y i Y ) 465
i 1
b 7,0749 (j calculado)
SQR S YY b S XY
Tem-se que F0,05;1, 8 5,32 , logo, conclui-se que a regresso de Y sobre X significativa,
2
Um outro indicador utilizado constantemente o coeficiente de determinao, R , que
indica quantos por cento a variao explicada pela regresso representa da variao total. Este
varia entre 0 e 1. Quanto mais prximo de 1, maior a explicao pelo modelo das variao
total. A expresso de R 2 dada por:
SQE
R2
SQT
SQE 3.289,829
R2 0,9138
SQT 3.600,000
144
ANLISE DE CORRELAO E REGRESSO
2) Foi realizada uma experincia relacionando os alongamentos de uma mola (cm) com as
cargas aplicadas (kg). Os resultados obtidos foram:
Carga (kg) 3 4 5 6 7 8 9 10
Alongamento (cm) 4,0 4,8 5,6 6,7 7,9 9,0 9,8 11,0
X-> carga
Y-> alongamento
OBS. xi yi ( xi X ) ( x i X )2 ( xi X ) yi
1 3 4,0 -3,5 12,25 -14,00
2 4 4,8 -2,5 6,25 -12,00
3 5 5,6 -1,5 2,25 -8,40
4 6 6,7 -0,5 0,25 -3,35
5 7 7,9 0,5 0,25 3,95
6 8 9,0 1,5 2,25 13,50
7 9 9,8 2,5 6,25 24,50
8 10 11,0 3,5 12,25 38,50
Total 52 58,8 0 42,00 42,70
Mdia 6,5 7,35
Tem-se que:
145
SACHIKO ARAKI LIRA
OBS. xi yi y i
1 3 4,0 3,8
2 4 4,8 4,8
3 5 5,6 5,8
4 6 6,7 6,8
5 7 7,9 7,9
6 8 9,0 8,9
7 9 9,8 9,9
8 10 11,0 10,9
10
0
0 2 4 6 8 10 12
Carga
OBS. xi yi ( xi X ) ( yi Y ) ( x i X )2 ( y i Y )2 ( x i X ) (y i Y)
1 3 4,0 -3,5 -3,35 12,25 11,2225 11,725
2 4 4,8 -2,5 -2,55 6,25 6,5025 6,375
3 5 5,6 -1,5 -1,75 2,25 3,0625 2,625
4 6 6,7 -0,5 -0,65 0,25 0,4225 0,325
5 7 7,9 0,5 0,55 0,25 0,3025 0,275
6 8 9,0 1,5 1,65 2,25 2,7225 2,475
7 9 9,8 2,5 2,45 6,25 6,0025 6,125
8 10 11,0 3,5 3,65 12,25 13,3225 12,775
Total 52 58,8 42,00 43,56 42,70
Mdia 6,5 7,35
146
ANLISE DE CORRELAO E REGRESSO
n
SQT S YY ( y i Y ) 2 43,56
i1
SQE b S XY ,
n
sendo que S XY ( x i X )( y i Y ) 42,70
i 1
b 1,01667 (j calculado)
SQR S YY b S XY
c) Coeficiente de determinao
SQE
R2
SQT
SQE 43,4117
R2 0,9966
SQT 43,5600
Graficamente, tem-se:
147
SACHIKO ARAKI LIRA
FUNO POTNCIA
Y
85
80
75
70
65 0 1
60
55
50
45
40
140 240 340 440 540
Y X
Para ajustar uma curva geomtrica Y X , a um conjunto de pontos ( xi , yi ) , pode-se
fazer atravs da seguinte transformao, considerando Y 0 e X 0 :
Z A T
onde:
Z ln Y
A ln
T ln X
A Z T
n
(t i T) z i
i1
n
(t i T)2
i1
Para obter a estimativa do modelo na sua forma original, faz-se a transformao inversa
dos coeficientes A e B . Tem-se ento que:
A ln , logo,
e A
148
ANLISE DE CORRELAO E REGRESSO
E a funo potncia estimada ser:
Y X
SQE STZ
n
onde: STZ ( ti T )( zi Z )
i1
S ZZ S TZ QME
Residual SQR SZZ STZ n2 QMR F
n2 QMR
Total SQT S ZZ n 1
149
SACHIKO ARAKI LIRA
O coeficiente de determinao, R 2 , que indica quantos por cento a variao explicada
pela regresso representa da variao total. Este varia entre 0 e 1. Quanto mais prximo de 1,
maior a explicao pelo modelo das variao total. A expresso de R 2 dada por:
SQE
R2
SQT
CARROS X Y
1 215 13,2
2 201 13,7
3 196 14,1
4 226 12,9
5 226 12,3
6 348 11,1
7 226 13,1
8 348 11,2
Soluo:
a) Diagrama de disperso
150
ANLISE DE CORRELAO E REGRESSO
CARROS xi yi zi ln( yi ) ti ln( xi ) (t i T) ( t i T) 2 (t i T) z i
1 215 13,2 2,5802 5,3706 -0,1191 0,0142 -0,3074
2 201 13,7 2,6174 5,3033 -0,1865 0,0348 -0,4880
3 196 14,1 2,6462 5,2781 -0,2116 0,0448 -0,5600
4 226 12,9 2,5572 5,4205 -0,0692 0,0048 -0,1770
5 226 12,3 2,5096 5,4205 -0,0692 0,0048 -0,1737
6 348 11,1 2,4069 5,8522 0,3624 0,1314 0,8724
7 226 13,1 2,5726 5,4205 -0,0692 0,0048 -0,1781
8 348 11,2 2,4159 5,8522 0,3624 0,1314 0,8756
SOMA 0,3709 -0,1362
MDIA 248,25 2,5383 5,4898
n
( t i T ) zi
in1
- 0,1362
-0,3674
0,3709
( ti T )2
i1
O modelo ajustado :
Z A T 4,5550 0,3674 T
151
SACHIKO ARAKI LIRA
CARROS xi yi t i ln( xi ) (t i T) ( t i T) ( z i Z )
zi ln( yi ) ( z i Z ) ( zi Z)2
1 215 13,2 2,5802 5,3706 0,0420 0,0018 -0,1191 -0,0050
2 201 13,7 2,6174 5,3033 0,0791 0,0063 -0,1865 -0,0148
3 196 14,1 2,6462 5,2781 0,1079 0,0116 -0,2116 -0,0228
4 226 12,9 2,5572 5,4205 0,0190 0,0004 -0,0692 -0,0013
5 226 12,3 2,5096 5,4205 -0,0287 0,0008 -0,0692 0,0020
6 348 11,1 2,4069 5,8522 -0,1313 0,0172 0,3624 -0,0476
7 226 13,1 2,5726 5,4205 0,0344 0,0012 -0,0692 -0,0024
8 348 11,2 2,4159 5,8522 -0,1223 0,0150 0,3624 -0,0443
SOMA 0,0543 -0,1362
MDIA 248,25 2,5383 5,4898
SQE S TZ
n
onde: S TZ ( t i T )( z i Z ) -0,1362
i1
Tem-se que F0,05 ;1; 6 5,99 . Como F 70,38 F0,05 ;1; 6 5,99 , conclui-se que a regresso
de Y sobre X significativa, ao nvel de 5% de significncia.
Finalmente, para analisar o grau de explicao do modelo, calcular-se- o coeficiente de
determinao.
SQE 0,0500
R2 0,9214
SQT 0,0543
Graficamente, tem-se:
152
ANLISE DE CORRELAO E REGRESSO
FUNO EXPONENCIAL
Y
200
180
160
140
120
100
80
60
40
1
20
0
0 5 10 15
X
O modelo estimado :
X
Y
Z ln Y
A ln
B ln
Assim, reduz-se ao problema de ajuste de uma reta aos pontos ( x i , z i ) , onde z i ln y i .
Os parmetros A e B so estimados atravs dos dados amostrais e a reta estimada ser da
forma:
Z A B X
i 1
Para obter a estimativa do modelo na sua forma original, faz-se a transformao inversa
dos coeficientes A e B . Tem-se ento que:
A ln , logo,
e A
B ln , logo, e B
153
SACHIKO ARAKI LIRA
10.6.2 TESTES DE HIPTESES NA REGRESSO
SQE
R2
SQT
154
ANLISE DE CORRELAO E REGRESSO
Exemplo:
Soluo:
OBS. xi yi z i ln( y i ) ( xi X ) ( x i X )2 ( xi X ) zi
1 6,0 10 2,3026 -2,45 6,00 -5,6413
2 4,0 10 2,3026 -4,45 19,80 -10,2465
3 6,0 20 2,9957 -2,45 6,00 -7,3395
4 8,0 20 2,9957 -0,45 0,20 -1,3481
5 7,5 30 3,4012 -0,95 0,90 -3,2311
6 8,5 40 3,6889 0,05 0,00 0,1844
7 9,5 45 3,8067 1,05 1,10 3,9970
8 11,0 50 3,9120 2,55 6,50 9,9757
9 12,0 60 4,0943 3,55 12,60 14,5349
10 12,0 65 4,1744 3,55 12,60 14,8191
SOMA 84,5 350 65,73 15,7045
MDIA 8,45 35 3,3674
i 1
155
SACHIKO ARAKI LIRA
A Z B X 3,3674 (0,2389 8,45) 1,3487
Assim, o modelo ajustado na forma linear ser:
Z A BX 1,3487 0,2389 X
Mas tem-se que:
A ln
, logo, e A e1,3487 3,8524
, logo,
B ln eB e0,2389 1,2699
a.3) O modelo ajustado na forma exponencial :
X 3,8524 1,2699 X
Y
OBS. xi yi y i
1 6,0 10 16,16
2 4,0 10 10,02
3 6,0 20 16,16
4 8,0 20 26,05
5 7,5 30 23,12
6 8,5 40 29,36
7 9,5 45 37,29
8 11,0 50 53,36
9 12,0 60 67,76
10 12,0 65 67,76
70
60
50
40
30
20
10
0
2 4 6 8 10 12 14
156
ANLISE DE CORRELAO E REGRESSO
OBS. xi yi z i ln( y i ) ( xi X ) (z i Z ) ( zi Z)2 ( x i X ) (z i Z )
1 6,0 10 2,3026 -2,45 -1,0648 1,1338 2,6088
2 4,0 10 2,3026 -4,45 -1,0648 1,1338 4,7384
3 6,0 20 2,9957 -2,45 -0,3717 0,1381 0,9106
4 8,0 20 2,9957 -0,45 -0,3717 0,1381 0,1673
5 7,5 30 3,4012 -0,95 0,0338 0,0011 -0,0321
6 8,5 40 3,6889 0,05 0,3215 0,1033 0,0161
7 9,5 45 3,8067 1,05 0,4393 0,1930 0,4612
8 11,0 50 3,9120 2,55 0,5446 0,2966 1,3888
9 12,0 60 4,0943 3,55 0,7269 0,5284 2,5807
10 12,0 65 4,1744 3,55 0,8070 0,6512 2,8648
SOMA 84,5 350 4,3177 15,7045
MDIA 8,45 35 3,3674
SQE BS XZ
n
onde: S XZ ( x i X )( z i Z ) 15,7045
i1
Quadro da ANOVA
FONTE DE SOMA DE GRAUS DE QUADRADO
VARIAO QUADRADOS LIBERDADE MDIO F
Explicada 3,7525 1 3,7525
53,11
Residual 0,5652 8 0,0706
Total 4,3177 9
Tem-se que F0,05;1; 8 5,32 . Como F 53,11 F0,05 ;1; 8 5,32 , conclui-se que a regresso
de Y sobre X significativa, ao nvel de 5% de significncia.
SQE 3,7525
R2 0,8691
SQT 4,3177
157
SACHIKO ARAKI LIRA
LISTA DE EXERCCIOS NO. 9 ANLISE DE CORRELAO E REGRESSO
Peso 12 13 14 14 16 18 19 22 24 26
Rendimento 16 14 14 13 11 12 09 09 08 06
Pede-se:
2) Um estudo foi desenvolvido para verificar o quanto o comprimento de um cabo da porta serial
de microcomputadores influencia na qualidade da transmisso de dados, medida atravs do
nmero de falhas em 100.000 lotes de dados transmitidos (taxa de falha). Os resultados foram:
Comp. do 8 8 9 9 10 10 11 11 12
Cabo (m)
Taxa de 2,2 2,1 3,0 2,9 4,1 4,5 6,2 5,9 9,8
Falha
Comp. do 12 13 13 14 14 15
Cabo (m)
Taxa de 8,7 12,5 13,1 19,3 17,4 28,2
Falha
Pede-se:
158
ANLISE DE CORRELAO E REGRESSO
a) Ajustar a funo linear e testar a existncia de regresso, adotando 0,05 . Qual o
coeficiente de explicao da funo linear?
b) Ajustar a funo potencial e testar a existncia de regresso, adotando 0,05 . Qual o
coeficiente de explicao da funo potencial?
c) Ajustar a funo exponencial e testar a existncia de regresso, adotando 0,05 . Qual o
coeficiente de explicao da funo exponencial?
d) Qual das trs funes ajustadas a melhor? Comente.
159
SACHIKO ARAKI LIRA
ANLISE DE REGRESSO LINEAR MLTIPLA
11 INTRODUO
O modelo estatstico de uma regresso linear mltipla, sendo Y a varivel dependente e,
as k ( k 1) variveis independentes X1 , X 2 , X k , ser dado por:
Y 0 1X1 2 X2 k Xk
Na forma matricial:
Y X
Y b0 b1X1 b 2 X2 bk Xk
b ( XX) 1 X Y
b 0 Y1 1 X 11 X 12 ... X 1 k
b Y 1 X 21 X 22 ... X 2 k
Onde: b 1 ; Y 2 ; X
b k Yn 1 X n 1 Xn 2 ... X n k
Y 0 1 X 1 2 X 2
b ( XX) 1 X Y
Y1 1 X11 X12
b 0
Onde: b b1 ;
Y 1 X 21 X 22
Y 2 ; X
b 2
Yn 1 X n1 X n2
FONTE DE
SOMA DOS QUADRADOS G.L. QUADRADO MDIO F
VARIAO
SQE
Explicada SQE b1S YX1 b 2S YX2 2 QME
2
SQR QME
Residual SQR S YY b1S YX1 b 2S YX2 n3 QMR F
n2 QMR
Total SQT S YY n 1
2
n
yi
yi
n
2 i1
onde: S YY , sendo a varincia de Y.
i1 n
n n
y i x 1i
S YX1 ( y i x 1i )
n i1 i1
, que a covarincia entre Y e X 1
i1 n
n n
y i x 2i
S YX 2 ( y i x 2 i )
n i1 i1
, que a covarincia entre Y e X2
i1 n
Se Fcalc F; 2; n3 , conclui-se que a regresso de Y sobre X1 e X2 significativa.
161
SACHIKO ARAKI LIRA
A expresso de R 2 dada por:
b1S YX1 b 2 S YX2 SQE
R2
S YY SQT
Exemplos:
yi x 1i x 2i
Soluo:
243
1 1,6 851
230
1 15,5 816
172 1 22,0 1058
91 1 43,0 1021
58 1 33,0 1357
Y X
125 1 40,0 1115
190 1 35,0 918
256 1 13,0 834
1 11,0 845
256 1 8,9 820
240
1 1 1 1 1 1 1 1 1 1
X 1,6 15,5 22,0 43,0 33,0 40,0 35,0 13,0 11,0 8,9
851 816 1058 1021 1357 1115 918 834 845 820
162
ANLISE DE REGRESSO LINEAR MLTIPLA
10 223 9.815 4,5640 0,0441 - 0,0055
1
X X 223 6.859,02 237.874,6 ( X X) 0,0441 0,0013 - 0,0001
9.815 237.874,6 9.961.201 - 0,0055 - 0,0001 0,0000
- 0,0883 0,7187 0,3378 0,2057 1,5122 0,1394 1,0123 0,5086 0,3594 0,4056
( XX)1X 0,0167 0,0036 0,0060 0,0102 0,0141 0,0127 0,0209 0,0010 0,0043 0,0051
0,0006 0,0007 0,0006 0,0001 0,0020 0,0003 0,0014 0,0004 0,0002 0,0002
508,6320
1
b ( XX) X Y - 1,2114
- 0,3011
OBS. x 1i x 2i y i x1i y i x 2i
yi y i2
1 243 1,6 851 388,8 206.793 59.049
2 230 15,5 816 3.565,0 187.680 52.900
3 172 22,0 1058 3.784,0 181.976 29.584
4 91 43,0 1201 3.913,0 109.291 8.281
5 58 33,0 1357 1.914,0 78.706 3.364
6 125 40,0 1115 5.000,0 139.375 15.625
7 190 35,0 918 6.650,0 174.420 36.100
8 256 13,0 834 3.328,0 213.504 65.536
9 256 11,0 845 2.816,0 216.320 65.536
10 240 8,9 820 2.136,0 196.800 57.600
SOMA 1861 223,0 9.815 33.494,8 1.704.865 393.575
MDIA 186,1 22,3 981,5
2
n
y i
n
i1 1.8612
S YY yi
2
393.575 - 47.242,9
i1 n 10
SQT S YY 47.242,9
n n
y i x 1i
n
i1 i1 1.861 223
S YX1 ( y i x 1i ) 33.494,8 - -8.005,5
i1 n 10
n n
y i x 2 i
n
i1 i1 1.861 9.815
S YX2 (y i x 2i ) 1.704.865 - -121.706,5
i1 n 5
163
SACHIKO ARAKI LIRA
ANOVA para verificar a significncia da regresso:
FONTE DE QUADRADO
SOMA DOS QUADRADOS G.L. F
VARIAO MDIO
Explicada SQE 46.343,6899 2 QME 2.3171,84
Concluso: Como F calculado igual a 180,38 e maior que F0,05 ; 2,7 4,74 , conclui-se
que a regresso significativa, ao nvel de 5% de significncia.
yi x 1i x 2i
145 151 70
210 221 91
193 215 92
229 247 122
195 243 79
Soluo:
145 1 151 70
210 1 221 91 1 1 1 1 1
Y 193 ; X 1 215 92 ;
X 151 221 215 247 243
229 1 247 122 70 91 92 122 79
195 1 243 79
164
ANLISE DE REGRESSO LINEAR MLTIPLA
5 1077 454 8,3935 - 0,0292 - 0,0209
1
X X 1077 237925 99792 ; ( XX) - 0,0292 0,0003 - 0,0004
454 99792 42770 - 0,0209 - 0,0004 0,00115
22,4821
1
b ( XX) X Y 0,4957
0,7175
yi x 1i x 2i y i x1i y i x 2i y i2
OBS.
1 145 151 70 21.895 10.150 21.025
2 210 221 91 46.410 19.110 44.100
3 193 215 92 41.495 17.756 37.249
4 229 247 122 56.563 27.938 52.441
5 195 243 79 47.385 15.405 38.025
SOMA 972 1077 454 213.748 90.359 192.840
MDIA 194,4 215,4 90,8
SQT S YY 3.883,2
n n
y i x 1i
n
i1 i1 972 1077
S YX1 ( y i x 1i ) 213.748 - 4.379,2
i1 n 5
n n
y i x 2 i
n
i1 i1 972 454
S YX2 (y i x 2i ) 90.359 - 2.101,4
i1 n 5
165
SACHIKO ARAKI LIRA
b) ANOVA para verificar a significncia da regresso:
FONTE DE QUADRADO
SOMA DOS QUADRADOS G.L. F
VARIAO MDIO
Explicada SQE 3.678,5239 2 QME 1839,262
Concluso: Como F calculado igual a 17,97 e maior que F0,10 ; 2,2 9,00 , conclui-se que a
regresso significativa, ao nvel de 10% de significncia.
X2 6 7 6 7 6 8 8 7 8
2) Um estudo realizado para investigar a relao entre a varivel resposta relativa a quedas de
presso em uma coluna de bolhas de uma chapa trmica e os previsores X1 = velocidade do
fludo superficial e X 2 = viscosidade do lquido, gerou os dados a seguir.
167
SACHIKO ARAKI LIRA
BIBLIOGRAFIA
168
BIBLIOGRAFIA
TABELAS
TABELA A1.1 REAS SOB A CURVA NORMAL
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
-3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
169
SACHIKO ARAKI LIRA
TABELA A1.2 REAS SOB A CURVA NORMAL
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
170
TABELAS
TABELA A2 - DISTRIBUIO t DE STUDENT
TESTE UNILATERAL
P 0,550 0,600 0,650 0,700 0,750 0,800 0,850 0,900 0,950 0,975 0,990 0,995
1 0,158 0,325 0,510 0,727 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,657
2 0,142 0,289 0,445 0,617 0,817 1,061 1,386 1,886 2,920 4,303 6,965 9,925
3 0,137 0,277 0,424 0,584 0,765 0,979 1,250 1,638 2,353 3,182 4,541 5,841
4 0,134 0,271 0,414 0,569 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604
5 0,132 0,267 0,408 0,559 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032
6 0,131 0,265 0,404 0,553 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707
7 0,130 0,263 0,402 0,549 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,500
8 0,130 0,262 0,400 0,546 0,706 0,889 1,108 1,397 1,860 2,306 2,897 3,355
9 0,129 0,261 0,398 0,544 0,703 0,883 1,100 1,383 1,833 2,262 2,821 3,250
10 0,129 0,260 0,397 0,542 0,700 0,879 1,093 1,372 1,813 2,228 2,764 3,169
11 0,129 0,260 0,396 0,540 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106
12 0,128 0,259 0,395 0,539 0,696 0,873 1,083 1,356 1,782 2,179 2,681 3,055
13 0,128 0,259 0,394 0,538 0,694 0,870 1,080 1,350 1,771 2,160 2,650 3,012
14 0,128 0,258 0,393 0,537 0,692 0,868 1,076 1,345 1,761 2,145 2,625 2,977
15 0,128 0,258 0,393 0,536 0,691 0,866 1,074 1,341 1,753 2,131 2,603 2,947
16 0,128 0,258 0,392 0,535 0,690 0,865 1,071 1,337 1,746 2,120 2,584 2,921
17 0,128 0,257 0,392 0,534 0,689 0,863 1,069 1,333 1,740 2,110 2,567 2,898
18 0,127 0,257 0,392 0,534 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878
19 0,127 0,257 0,391 0,533 0,688 0,861 1,066 1,328 1,729 2,093 2,540 2,861
20 0,127 0,257 0,391 0,533 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845
21 0,127 0,257 0,391 0,533 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831
22 0,127 0,256 0,390 0,532 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819
23 0,127 0,256 0,390 0,532 0,685 0,858 1,060 1,320 1,714 2,069 2,500 2,807
24 0,127 0,256 0,390 0,531 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,797
25 0,127 0,256 0,390 0,531 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787
26 0,127 0,256 0,390 0,531 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779
27 0,127 0,256 0,389 0,531 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771
28 0,127 0,256 0,389 0,530 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763
29 0,127 0,256 0,389 0,530 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756
30 0,127 0,256 0,389 0,530 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750
40 0,127 0,255 0,388 0,529 0,681 0,851 1,050 1,303 1,684 2,021 2,423 2,705
50 0,126 0,255 0,388 0,528 0,679 0,849 1,047 1,299 1,676 2,009 2,403 2,678
60 0,126 0,255 0,387 0,527 0,679 0,848 1,046 1,296 1,671 2,000 2,390 2,660
70 0,126 0,254 0,387 0,527 0,678 0,847 1,044 1,294 1,667 1,994 2,381 2,648
80 0,126 0,254 0,387 0,527 0,678 0,846 1,043 1,292 1,664 1,990 2,374 2,639
90 0,126 0,254 0,387 0,526 0,677 0,846 1,042 1,291 1,662 1,987 2,369 2,632
100 0,126 0,254 0,386 0,526 0,677 0,845 1,042 1,290 1,660 1,984 2,364 2,626
200 0,126 0,254 0,386 0,525 0,676 0,843 1,039 1,286 1,653 1,972 2,345 2,601
300 0,126 0,254 0,386 0,525 0,675 0,843 1,038 1,284 1,650 1,968 2,339 2,592
400 0,126 0,254 0,386 0,525 0,675 0,843 1,038 1,284 1,649 1,966 2,336 2,588
0,126 0,253 0,385 0,524 0,675 0,842 1,036 1,282 1,645 1,960 2,326 2,576
P 0,100 0,200 0,300 0,400 0,500 0,600 0,700 0,800 0,900 0,950 0,980 0,990
TESTE BILATERAL
171
SACHIKO ARAKI LIRA
TABELA A3 - DISTRIBUIO DE
2
P 0,005 0,010 0,025 0,050 0,100 0,250 0,750 0,900 0,950 0,975 0,990 0,995
1 0,000 0,000 0,001 0,004 0,016 0,102 1,323 2,706 3,842 5,024 6,635 7,879
2 0,010 0,020 0,051 0,103 0,211 0,575 2,773 4,605 5,992 7,378 9,210 10,597
3 0,072 0,115 0,216 0,352 0,584 1,213 4,108 6,251 7,815 9,348 11,345 12,838
4 0,207 0,297 0,484 0,711 1,064 1,923 5,385 7,779 9,488 11,143 13,277 14,860
5 0,412 0,554 0,831 1,146 1,610 2,675 6,626 9,236 11,071 12,833 15,086 16,750
6 0,676 0,872 1,237 1,635 2,204 3,455 7,841 10,645 12,592 14,449 16,812 18,548
7 0,989 1,239 1,690 2,167 2,833 4,255 9,037 12,017 14,067 16,013 18,475 20,278
8 1,344 1,647 2,180 2,733 3,490 5,071 10,219 13,362 15,507 17,535 20,090 21,955
9 1,735 2,088 2,700 3,325 4,168 5,899 11,389 14,684 16,919 19,023 21,666 23,589
10 2,156 2,558 3,247 3,940 4,865 6,737 12,549 15,987 18,307 20,483 23,209 25,188
11 2,603 3,054 3,816 4,575 5,578 7,584 13,701 17,275 19,675 21,920 24,725 26,757
12 3,074 3,571 4,404 5,226 6,304 8,438 14,845 18,549 21,026 23,337 26,217 28,300
13 3,565 4,107 5,009 5,892 7,042 9,299 15,984 19,812 22,362 24,736 27,688 29,820
14 4,075 4,660 5,629 6,571 7,790 10,165 17,117 21,064 23,685 26,119 29,141 31,319
15 4,601 5,229 6,262 7,261 8,547 11,037 18,245 22,307 24,996 27,488 30,578 32,801
16 5,142 5,812 6,908 7,962 9,312 11,912 19,369 23,542 26,296 28,845 32,000 34,267
17 5,697 6,408 7,564 8,672 10,085 12,792 20,489 24,769 27,587 30,191 33,409 35,719
18 6,265 7,015 8,231 9,391 10,865 13,675 21,605 25,989 28,869 31,526 34,805 37,157
19 6,844 7,633 8,907 10,117 11,651 14,562 22,718 27,204 30,144 32,852 36,191 38,582
20 7,434 8,260 9,591 10,851 12,443 15,452 23,828 28,412 31,410 34,170 37,566 39,997
21 8,034 8,897 10,283 11,591 13,240 16,344 24,935 29,615 32,671 35,479 38,932 41,401
22 8,643 9,543 10,982 12,338 14,042 17,240 26,039 30,813 33,924 36,781 40,289 42,796
23 9,260 10,196 11,689 13,091 14,848 18,137 27,141 32,007 35,173 38,076 41,638 44,181
24 9,886 10,856 12,401 13,848 15,659 19,037 28,241 33,196 36,415 39,364 42,980 45,559
25 10,520 11,524 13,120 14,611 16,473 19,939 29,339 34,382 37,653 40,647 44,314 46,928
26 11,160 12,198 13,844 15,379 17,292 20,843 30,435 35,563 38,885 41,923 45,642 48,290
27 11,808 12,879 14,573 16,151 18,114 21,749 31,528 36,741 40,113 43,195 46,963 49,645
28 12,461 13,565 15,308 16,928 18,939 22,657 32,621 37,916 41,337 44,461 48,278 50,993
29 13,121 14,257 16,047 17,708 19,768 23,567 33,711 39,088 42,557 45,722 49,588 52,336
30 13,787 14,954 16,791 18,493 20,599 24,478 34,800 40,256 43,773 46,979 50,892 53,672
35 17,192 18,509 20,569 22,465 24,797 29,054 40,223 46,059 49,802 53,203 57,342 60,275
40 20,707 22,164 24,433 26,509 29,051 33,660 45,616 51,805 55,759 59,342 63,691 66,766
45 24,311 25,901 28,366 30,612 33,350 38,291 50,985 57,505 61,656 65,410 69,957 73,166
50 27,991 29,707 32,357 34,764 37,689 42,942 56,334 63,167 67,505 71,420 76,154 79,490
55 31,735 33,571 36,398 38,958 42,060 47,611 61,665 68,796 73,312 77,381 82,292 85,749
60 35,535 37,485 40,482 43,188 46,459 52,294 66,982 74,397 79,082 83,298 88,379 91,952
65 39,383 41,444 44,603 47,450 50,883 56,990 72,285 79,973 84,821 89,177 94,422 98,105
70 43,275 45,442 48,758 51,739 55,329 61,698 77,577 85,527 90,531 95,023 100,425 104,215
75 47,206 49,475 52,942 56,054 59,795 66,417 82,858 91,062 96,217 100,839 106,393 110,286
80 51,172 53,540 57,153 60,392 64,278 71,145 88,130 96,578 101,880 106,629 112,329 116,321
85 55,170 57,634 61,389 64,749 68,777 75,881 93,394 102,079 107,522 112,393 118,236 122,325
90 59,196 61,754 65,647 69,126 73,291 80,625 98,650 107,565 113,145 118,136 124,116 128,299
95 63,250 65,898 69,925 73,520 77,818 85,376 103,899 113,038 118,752 123,858 129,973 134,247
100 67,328 70,065 74,222 77,930 82,358 90,133 109,141 118,498 124,342 129,561 135,807 140,170
110 75,550 78,458 82,867 86,792 91,471 99,666 119,608 129,385 135,480 140,917 147,414 151,949
172
TABELAS
TABELA A4 - DISTRIBUIO F DE SNEDECOR
Nvel de significncia de 1%
1 1 2 3 4 5 6 7 8 12 24
2
1 4.052,18 4.999,50 5.403,35 5.624,58 5.763,65 5.858,99 5.928,36 5.981,07 6.106,32 6.234,63 6.365,83
2 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,42 99,46 99,50
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,05 26,60 26,13
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,37 13,93 13,46
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 9,89 9,47 9,02
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,72 7,31 6,88
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,47 6,07 5,65
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,67 5,28 4,86
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,11 4,73 4,31
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,71 4,33 3,91
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,40 4,02 3,60
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,16 3,78 3,36
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 3,96 3,59 3,17
14 8,86 6,51 5,56 5,04 4,70 4,46 4,28 4,14 3,80 3,43 3,00
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,67 3,29 2,87
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,55 3,18 2,75
17 8,40 6,11 5,19 4,67 4,34 4,10 3,93 3,79 3,46 3,08 2,65
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,37 3,00 2,57
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,30 2,92 2,49
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,23 2,86 2,42
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,17 2,80 2,36
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,12 2,75 2,31
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,07 2,70 2,26
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,03 2,66 2,21
25 7,77 5,57 4,68 4,18 3,86 3,63 3,46 3,32 2,99 2,62 2,17
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 2,96 2,58 2,13
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 2,93 2,55 2,10
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 2,90 2,52 2,06
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 2,87 2,49 2,03
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 2,84 2,47 2,01
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,66 2,29 1,80
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,50 2,12 1,60
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,34 1,95 1,38
6,63 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,18 1,79 1,01
173
SACHIKO ARAKI LIRA
TABELA A5 - DISTRIBUIO F DE SNEDECOR
Nvel de significncia de 5%
174
TABELAS
TABELA A6 - DISTRIBUIO F DE SNEDECOR
175
SACHIKO ARAKI LIRA
TABELA A7 - VALORES CRTICOS ( dc ) PARA TESTE DE LILLIERFORS
n 5% 1%
4 0,381 0,417
5 0,337 0,405
6 0,319 0,364
7 0,300 0,348
8 0,285 0,331
9 0,271 0,311
10 0,258 0,294
11 0,249 0,284
12 0,242 0,275
13 0,234 0,268
14 0,227 0,261
15 0,220 0,257
16 0,213 0,250
17 0,206 0,245
18 0,200 0,239
19 0,179 0,235
20 0,190 0,231
25 0,173 0,200
30 0,161 0,187
0,886 1,031
n 30 dc dc
n n
176
TABELAS
SOLUES DAS LISTAS DE EXERCCIOS
2. a) k n 30 5,48 6
A t X mx X min 81,3 29,8 51,5
h9
3. a) k n 40 6,32 7
A t X mx X min 59 31 28
h4
4. X 74,004 ; Me 74,0035 ; Mo 74,005 ; DM 0,0030 ; S 0,0047 ; CV 0,0063%
2. P( x 2 b) 0,4945 ou 49,45%
3. a) P( b e b ) 0,5526 ou 55,26%
b) P( d e d ) 0,0526 ou 5,26%
c) P(1 pea boa e 1 pea defeituosa ) P(b e d) P( d e b) 0,3948 ou 39,48%
5. P( x 1) 0,4320 ou 43,20%
6. a) P( X 3) 0,6976 ou 69,76%
b) P( X 2) 1 0,0428 0,9572
177
SACHIKO ARAKI LIRA
7. P(no haja corrente ) 0,3880 ou 38,30%
8. R 0,8664 ou 86,64%
9. R 0,9975 ou
10. P ( A 1 | Q) 0,5882 ou 58,82%
1. E( X) 12,5
V( X) 1,85
2. a) E( X) 5,4
b) V( X) 2,44
c) 2,44 1,562
3. a) P( X 5) 0,37
b) mdia=4 funcionaro mais de 3 meses
20 4 16 lmpadas devero ser substitudas
4. a) P( X 5) 0,2373 ou 23,73%
b) 3,75
4. P( X 0) 0,6690 ou 66,90%
6. a) P( X 3) 0,1404 14,04%
b) P( X 3) 0,1247 12,47 %
7. a) P( X 2) 0,1117 11,17 %
b) P( X 49 ) 4,51 x10 48
8. a) P( x 9) 0,4068 40,68 %
b) P( x 2) 0,0001 0,01%
9. a) P( x 2)0,1247 12,47%
b) P( x 8) 0,0653 6,53%
c) P(5 x 8) 0,4914 49,14%
1. P( X 1) 0,6065
2. P( X 0,9) 0,5934
178
SOLUES DAS LISTAS DE EXERCCIOS
3. P( X 2) 0,3679
4. P( X 35 ) 0,9938
6. P( X 772 ) 0,9902
7. a) P( 40 X 70 ) 0,6568
b) x 40,80
8. x 5,03
9. a) P( X 1,97 ) ou P( X 2,03 ) 0,0027
b) Perfeitas 1 0,0027 0,9973
10. n=816
11. P( 24,85 X 25,15 ) 0,9192
1. a) P16,60 19,94 95 %
b) P 3,0269 2 19,0949 95 %
c) P 1,7399 4,3677 95 %
2. 74,0353 74,0367
5. a) 8,213 8,247
b) ( 0,0005 2 0,0022 )
c) ( 0,02 0,05 )
6. 0,05 p 0,19
7. 0,06 p 0,08
8. 0,02 p 0,06
9. 0,10 p 0,22
10. 6,66 1 2 8,34
11. 2,24 2 1 3,56
12. 0,48 1 2 0,58
13. a) 1,62 1 2 8,38
b) 0,43 1 2 9,57
179
SACHIKO ARAKI LIRA
17. n 139
18. n 52
1. Z calc 1,52
2. t calc 1,05
3. t calc 2,07
4. Z calc 0,21
5. Z calc 0,06
6. Z calc 4,13
7. t calc 0,63
8. t calc 0,63
9. t calc 1,66
14. calc
2
4,40
1) d 0,2034
2) d 0,1440
180
SOLUES DAS LISTAS DE EXERCCIOS
c) Y 236,6492 X 1,086 ; Fcalc 90,25 ; R 2 91,86%
181
SACHIKO ARAKI LIRA