1

Conteúdo 1: Planejamento/Otimização – Prof. Natal Pires – Engenharia de Automação Industrial –

2015/2

Apresentação, análise e pensamento crítico. Distribuição Normal

Regra Empírica Distribuição normal padronizada

𝟏 𝟏 𝒙− 𝟐
− ( )
𝒇(𝒙) = 𝒆 𝟐 
√𝟐

𝑥−
𝑧=


Fórmulas do desvio padrão

Cálculo de média
∑𝒙
̅=
𝒙
𝒏
Fórmula 1: Desvio padrão amostral Fórmula 2: Fórmula abreviada para o desvio padrão amostral
∑(𝑥 − 𝑥̅ )2 𝑛 ∑(𝑥 2 ) − (∑ 𝑥)2
𝑠=√ 𝑠=√
𝑛−1 𝑛(𝑛 − 1)
 2

Medidas de Posição Relativa: Score “z”

TABELA DA DISTRIBUIÇÃO NORMAL PADRÃO  z score

0 z
X

z 0
X

z  Positivo
z  Negativo
A entrada da tabela para z é a área sob a curva normal padrão à
A entrada da tabela para z é a área sob a curva normal padrão à esquerda de z.
esquerda de z.

Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
- 3,0 0,0013 0,0010 0,0007 0,0005 0,0003 0,0002 0,0002 0,0001 0,0001 0,0000
- 2,9 0,0019 0,0018 0,0017 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
- 2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0020 0,0020 0,0019
- 2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
- 2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
- 2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
- 2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
- 2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
- 2,2 0,0139 0,0136 0,0132 0,0129 0,0126 0,0122 0,0119 0,0116 0,0113 0,0110
- 2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
- 2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
- 1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0238 0,0233
- 1,8 0,0359 0,0352 0,0344 0,0336 0,0329 0,0322 0,0314 0.0307 0,0300 0,0294
- 1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
- 1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
- 1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0570 0,0559
- 1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0722 0,0708 0,0694 0,0681
- 1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
- 1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
- 1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
- 1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
- 0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
- 0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
- 0,7 0,2420 0,2389 0,2358 0,2327 0,2297 0,2266 0,2236 0,2206 0,2177 0,2148
- 0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
- 0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
- 0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
- 0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
- 0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
- 0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
- 0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
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 0,7703 0,7734 0,7764 0,7794 0,7823 0,7853
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 0,9278 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9430 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 0,9648 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9700 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9762 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 0,9874 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 0,9990 0,9993 0,9995 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999
 3

Conteúdo 1: Planejamento/Otimização – Prof. Natal Pires – Engenharia de Automação Industrial – 2011/2

𝑥−
𝑧=

1) Use a Tabela para determinar as seguintes probabilidades para a variável aleatória normal padrão Z.
a) P(-1<Z<1) b) P(-2<Z<2) c) P(-3<Z<3) d) P (Z>3) e) P (0<Z<1)
a) Neste caso, devemos calcular a probabilidade de o valor de “z” estar entre -1 e 1. Para isso, devemos consultar uma tabela com valores
para distribuição “z” normal padrão. Os valores de probabilidade dentro da tabela referem-se a áreas à esquerda de um determinado valor
de “z”. Sendo assim, numericamente, o valor solicitado pode ser calculado a partir da seguinte expressão:
P(-1<Z<1) = P(Z<1) – P(Z<-1) = 0,8413 - 0,1587=0,6826 = 68,26%
b) De modo análogo teremos aqui que:
P(-2<Z<2) = P(Z<2) – P(Z<-2) = 0,9772 - 0,0228=0,9544 = 95,44%
c) E neste caso:
P(-3<Z<3) = P(Z<3) – P(Z<-3) = 0,9987 - 0,0013=0,9974 = 99,74%
d) A probabilidade pedida, neste caso, refere-se a uma área à direita. Porém, a tabela de “z” nos fornece área à esquerda. Usando a
propriedade de complementaridade, podemos calcular a probabilidade pedida da seguinte maneira:
P (Z>3) = 1 – P(Z<3) = 1 – 0,9987 = 0,0013 = 0,13%
e) De modo análogo ao realizado em “a”, “b” e “c”, temos que:
P (0<Z<1) = P(Z<1) – P(Z<0) = 0,8413 – 0,5000 = 0,3413 = 34,13%
2) Suponha que X seja distribuída, normalmente, com uma média de 10 e um desvio-padrão de 2. Determine o seguinte:
a) P(X<13) b) P(X>9) c) P (6<X<14) d) P(2<X<4) e) P(2<X<8) (Item “e” corrigido)
a) Neste caso, temos que fazer a conversão da variável aleatória “X” para o valor padronizado “z”. Isso pode ser facilmente realizado com
base na média e desvio-padrão fornecidos. Daí segue que:
𝑥− 13 − 10
𝑧= = = 1,5
 2
Sendo assim, P(X<13) = P(Z<1,5) = 0,9332 = 93,32%
b) Do mesmo modo, temos que:
P(X>9) = P(Z>-0,5)= 1 – P(Z<-0,5) = 1 – 0,3085 = 0,6915 = 69,15%
c) P(6<X<14) = P(-2<Z<2) e de acordo com o item “b” da questão 1, temos que:
P(-2<Z<2) = P(Z<2) – P(Z<-2) = 0,9772-0,0228=0,9544 = 95,44%
d) P(2<X<4) = P(-4<Z<-3) = P(Z<-3) – P(Z<-4) = 0,0013 – 0,0000 = 0,0013 = 0,13%
e) P(2<X<8) = P(-4<Z<-1) = P(Z<-1) – P(Z<-4) = 0,1587 – 0,0000 = 0,1587 = 15,87%
3) A resistência à tração do papel pode ser modelada por uma distribuição normal com uma média de 35 libras por
polegada quadrada e um desvio padrão de 2 libras por polegada quadrada.
2
a) qual é a probabilidade da resistência da amostra ser menor do que 40 lb/in ? [Resp. 0,99379]
2
b) se as especificações requererem que a resistência à tração exceda 30 lb/in , que proporção das amostras será rejeitada?
[Resp. 0,00621]
a) Primeiramente precisamos converter os dados fornecidos para valores de “z”. Isso é feito conforme se mostra a seguir:
𝑥− 40 − 35
𝑧= = = 2,5
 2
Ou seja, o valor de X igual a 40 corresponde a um valor padronizado(“z”) igual a 2,5. Daí, temos que:
 4

P(X<40) = P(Z<2,5) = 0,9938 = 99,38%

b) A proporção requerida é numericamente igual à probabilidade de termos valores de X abaixo de 30 lb/in2, que em termos de “z”
equivale à proposição:
𝑥− 30 − 35
𝑧= = = −2,5
 2
P(Z<-2,5) = 0,0062 = 0,621%
4) A largura de uma linha de uma ferramenta usada para fabricação de semicondutores é supostamente distribuída como
uma distribuição normal com média de 0,5 micrômetro e um desvio padrão de 0,05 micrômetro.
a) qual é a probabilidade da largura da linha ser maior que 0,62 micrômetro? [Resp.0,0082]
b) qual é a probabilidade da largura da linha estar entre 0,47 e 0,63 micrometro? [Resp.0,721]
c) abaixo de qual valor está a largura da linha de 90% das amostras? [Resp.0,564]
a) Neste caso temos que calcular, P(X>0,62), ou seja, em valor padronizado “z”, temos:
𝑥− 0,62 − 0,5
𝑧= = = 2,4
 0,05
P(Z>2,4) = 1 – P(Z<2,4) = 1 – 0,9918 = 0,0082 = 0,82%
b) Aqui o cálculo é: P(0,47<X<0,63), que em termos de “z” temos: P(-0,6<Z<2,6) = P(Z<2,6) – P(Z<-0,6) = 0,9953 – 0,2743
= 0,721 = 72,1%
c) Aqui o raciocínio é primeiramente encontrar na tabela de “z” para qual valor de “z” temos 90% de área à esquerda. Neste caso
encontramos facilmente o valor de: Z  1,28. Daí temos que:
𝑥− 𝑥 − 0,5
𝑧= = = 1,28  𝒙 = 𝟎, 𝟓𝟔𝟒 𝒎𝒊𝒄𝒓ô𝒎𝒆𝒕𝒓𝒐
 0,05
5) O volume de enchimento de uma máquina automática de enchimento usada para encher latas de bebidas gasosas é
distribuída normalmente com media 12,4 onças fluida e um desvio padrão de 0,1 onça fluída.
a) qual é a probabilidade do volume de enchimento ser menor que 12 onças fluidas? [Resp. 0]
b) se todas as latas menores que 12,1 ou maiores que 12,6 onças forem rejeitadas, que proporção de latas será rejeitada?
[Resp.0,0241]
c) determine as especificações (mínima e máxima) que sejam simétricas em torno da média que incluam 99% de todas as
latas. [Resp. (12,142; 12,658)]
a) P(X<12) = P(Z<-4)  0
b) Neste caso, a proporção rejeitada, Pr, será dada por:
Pr = 1 – P(12,1<X<12,6) = 1 – P(-3<Z<2) = 1 – [P(Z<2) – P(Z<-3)] = 1 – (0,9772-0,0013) = 0,0241 = 2,41%
c) Aqui, temos que encontrar os limites mínimo e máximo da especificação de modo que tenhamos apenas 0,5% de latas abaixo do valor
mínimo e 0,5% acima do valor máximo. Daí, temos que para 0,5% = 0,005  Z = -2,575, e por simetria, temos que o limite 99,5%
= 0,9950  Z = 2,575. Logo podemos calcular:
Limite inferior:
𝑥− 𝑥 − 12,4
𝑧= = = −2,575  𝒙 = 𝟏𝟐, 𝟏𝟒𝟐𝟓 𝒐𝒛
 0,1
Limite superior:
𝑥− 𝑥 − 12,4
𝑧= = = 2,575  𝒙 = 𝟏𝟐, 𝟔𝟓𝟕𝟓 𝒐𝒛
 0,1
 5

6) A vida de um semicondutor a laser, a uma potência constante, é normalmente distribuída com uma média de 7.000
horas e desvio padrão de 600 horas.
a) qual é a probabilidade de laser falhar antes de 5.000 horas? [Resp. 0,00043]
b) qual é o tempo de vida em horas que 95% dos lasers excedem? [Resp. 6013 horas]
a) Aqui devemos calcular o valor de P(X<5000) = P(Z<-3,33) = 0,0004 = 0,04%
b) Devemos encontrar valor de “z” correspondente a 5% = 0,05 de onde temos que: Z = -1,645. Daí segue que:
𝑥−𝑥 − 7000
𝑧= = = −1,645  𝒙 = 𝟔𝟎𝟏𝟑 𝒉𝒐𝒓𝒂𝒔
 600
7) O diâmetro do ponto produzido por uma impressora é normalmente distribuído com uma média de 0,002 polegadas
e um desvio padrão de 0,0004 polegada.
a) qual é a probabilidade do diâmetro de um ponto exceder 0,0026 polegada?
b) qual é a probabilidade de um diâmetro estar entre 0,0014 e 0,0026 polegada?
a) A probabilidade requerida é: P(X>0,0026) = P(Z>1,5) = 1 – P(Z<1,5) = 1 – 0,9332 = 0,0668 = 6,68%
b) Aqui o cálculo é: P(0,0014<X<0,0026) = P(-1,5<Z<1,5) = P(Z<1,5) – P(Z<-1,5) = 0,9332 – 0,0668 = 0,8664 =
86,64%.
8) Suponha que as medidas da corrente em um pedaço de fio sigam a distribuição normal, com média de 10 miliampères
2
e uma variância de 4 (miliampères) .
a) qual é a probabilidade da medida exceder 13 miliampères? [Resp. 0,0681]
b) qual é a probabilidade da medida da corrente estar entre 9 e 11 miliampère? [Resp. 0,38292]
a) Devemos calcular P(X>13) = P(Z>1,5) = 1 – P(Z<1,5) = 1 – 0,9332 = 0,0668 = 6,68%
b) Aqui o cálculo é: P(9<X<11) = P(-0,5<Z<0,5) = P(Z<0,5) – P(Z<-0,5) = 0,6915 – 0,3085 = 0,383 = 38,3%.
9) Dada uma distribuição normal com média 40 e desvio padrão 6, encontre :
a) A área abaixo de 32 [Resp. 0,0918]
b) A área acima de 27 [Resp. 0,9850]
c) A área entre 42 e 51 [Resp. 0,3371]
d) O ponto que tem 45% da área abaixo dele [Resp. 39,22]
e) O ponto que tem 13 % da área acima dele. [Resp. 46,78]
a) P(X<32) = P(Z<-1,33) = 0,0918 = 9,18%
b) P(X>27) = P(Z>-2,17) = 1 – P(Z<-2,17) = 1 – 0,0150 = 0,985 = 98,5%
c) P(42<X<51) = P(0,33<Z<1,83) = P(Z<1,83) – P(Z<0,33) = 0,9664 – 0,6293 = 0,3371 = 33,71%.
d) Na tabela de “z” temos que para 45% à esquerda o valor de “z” é Z = -0,12, de onde teremos que:
𝑥− 𝑥 − 40
𝑧= = = −0,13  𝒙 = 𝟑𝟗, 𝟐𝟐
 6
e) Este ponto corresponde a valor que tem 87% abaixo dele (à esquerda). Logo teremos que para ele Z = 1,13. Portanto temos que:
𝑥−𝑥 − 40
𝑧= = = 1,13  𝒙 = 𝟒𝟔, 𝟕𝟖
 6
10) O diâmetro de um cabo elétrico é normalmente distribuído com média 0,8 e variância 0,0004. Qual é a probabilidade
de que o diâmetro ultrapasse 0,81? [Resp. 0,3085]
A probabilidade a ser calculada é: P(X>0,81) = P(Z>0,5) = 1 – P(Z<0,5) = 1 – 0,6915 = 0,3085 = 30,85%
11) A média de vida de pequenos motores é de 10 anos com um desvio padrão de 2 anos. O fabricante repõe gratuitamente
todos os motores que falham durante a garantia. Se ele deseja repor apenas 3% dos motores que falham, qual deve ser o
 6

valor da garantia a ser oferecida por ele? Assuma distribuição normal para a vida dos motores. [Resp. 6,24 anos]. Pense
no significado de o fabricante lhe conceder 5 anos de garantia e alguém quiser lhe oferecer mais um ano de
garantia estendida por um precinho “camarada” dividido em algumas parcelas!
Neste caso, devemos calcular o valor de tempo para o qual 97% dos motores sobrevivam, ou seja, não apresentem falha. Isto corresponde ao
valor de “z” para os 3% de motores que terão os menores tempos de duração, isto é, os 3% à esquerda. Sendo assim, devemos encontrar o
valor de “z” equivalente a uma área de 0,03 na tabela. Logo, Z = -1,88. Daí segue que:
𝑥− 𝑥 − 10
𝑧= = = −1,88  𝒙 = 𝟔, 𝟐𝟒 𝒂𝒏𝒐𝒔
 2
Nesta circunstância, estaríamos pagando por um tempo de garantia que foi deduzido de forma inescrupulosa pelo fabricante!
12) O número de pedidos para a compra de certo produto que uma companhia recebe por semana distribui-se
normalmente, com média 125 e desvio padrão 30. Se em uma semana o estoque disponível é de 150 unidades, qual a
probabilidade de que todos os pedidos sejam atendidos? Qual deveria ser o estoque para que se tivesse 98% de
probabilidade de que todos os pedidos sejam atendidos? [Resp. 0,7967; 187 peças]
A probabilidade a ser calculada é: P(X<150) = P(Z<0,83) = 0,7967 = 79,67%
Agora vamos determinar o valor de “z” para 98% à esquerda e assim calcular o número de unidades para atender a demanda. Temos que
este valor é: Z = 2,05. Sendo assim temos que:
𝑥− 𝑥 − 125
𝑧= = = 2,05  𝒙 = 𝟏𝟖𝟔, 𝟓 𝟏𝟖𝟕 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔
 30
13) Certo tipo de resistência elétrica são consideradas aceitáveis se estiverem entre 45 e 55 ohms, e são consideradas ideais
se estiverem entre 48 e 52 ohms. A produção dessas resistências tem média de 53 ohms e desvio padrão de 3 ohms. Em
um lote de 200 resistências aceitáveis, quantas resistências ideais devemos esperar encontrar? [Resp. 87]
Sabendo que no lote temos 200 resistências aceitáveis, devemos, antes, calcular o número de resistências totais que temos, para aí sim,
calcularmos a quantidade de resistências ideais que iremos encontrar numa amostra que tem 200 resistências aceitáveis. Daí, precisamos
encontrar primeiro, P(45<X<55) = P(-2,67<Z<0,67) = P(Z<0,67) – P(Z<-2,67) = 0,7486 – 0,0038 = 0,7448 = 74,48%.
Este resultado nos mostra que em média estas 200 resistências aceitáveis correspondem a 74,48% de determinada amostra. A amostra
total corresponde a 100%, quando então encontramos facilmente que a mesma deve ser composta de 268,5  269 resistências. Agora é só
calcularmos a proporção desta amostra que deve se apresentar como resistências ideais. Neste sentido, o cálculo necessário será:
P(48<X<52) = P( -1,67<Z<-0,33) = P(Z<-0,33) – P(Z<-1,67) = 0,3707 – 0,0475 = 0,3232 = 32,32%. Este último valor
corresponde a: Resistências ideais = 268,5  0,3232 = 86,8  87 resistências.
Obs.: Outra maneira de resolver de forma mais direta (dispensa um cálculo intermediário) este problema é através do seguinte cálculo:
200 resistências aceitáveis ----------- 74,48%
X resistências ideais ------------ 32,32%
X = 86,8  87 resistências ideais
14) O tempo para que um sistema computacional execute determinada tarefa é uma variável aleatória de distribuição
normal, com média 320 segundos e desvio padrão de 7 segundos. Qual a probabilidade de a tarefa ser executada entre
310 e 330 segundos? [Resp. 0,8472]
Aqui temos que calcular: P(310<X<330) = P(-1,43<Z<1,43) = P(Z<1,43) – P(Z<-1,43) = 0,9236 – 0,0764 = 0,8472 =
84,72%
 7

15) O padrão de qualidade recomenda que os pontos impressos por uma impressora estejam entre 3,7 e 4,3 mm. Uma
impressora imprime pontos cujo diâmetro médio é igual a 4 mm e o desvio padrão 0,19 mm. Suponha que o diâmetro
dos pontos tenha distribuição normal.
a) Qual é a probabilidade do diâmetro de um ponto dessa impressora estar dentro do padrão? [Resp. 0,8858]
b) Qual deveria ser o desvio padrão para que a probabilidade do item (a) atingisse 95%? [Resp. 0,153mm]
a) Devemos calcular: P(3,7<X<4,3) = P(-1,58<Z<1,58) = P(Z<1,58) – P(Z<-1,58) = 0,9429 – 0,0571 = 0,8858 = 88,58%
b) Observando que a distribuição é simétrica, podemos realizar o cálculo de 2 maneiras: 1ª – Encontrar valor “z” para 2,5% ou 0,025
Z = -1,96; 2ª – Encontrar valor “z” para 97,5% ou 0,9750  Z = 1,96. Depois podemos proceder ao cálculo com qualquer um dos
limites correspondentes. Vejamos:
1ª Maneira:
𝑥− 3,7 − 4
𝑧= = = −1,96   = 𝟎, 𝟏𝟓𝟑 𝒎𝒎
 
2ª Maneira:
𝑥− 4,3 − 4
𝑧= = = 1,96   = 𝟎, 𝟏𝟓𝟑 𝒎𝒎
 
16) Suponha que os diâmetros de parafusos produzidos por uma fábrica seguem uma distribuição normal com média
0,25 polegadas e desvio padrão 0,02 polegadas. Um parafuso é considerado defeituoso se seu diâmetro é ≤0,20 polegadas
ou ≥0,28 polegadas. Encontre a porcentagem de parafusos defeituosos produzidos pela fábrica? [Resp. 7,3%]
O cálculo requerido é: Pdefeitusosos = 1 – P(0,20<X<0,28) = 1 – P(-2,5<Z<1,5) = 1 – [P(Z<1,5) – P(Z<-2,5)] = 1 – (0,9332-
0,0062) = 0,073 = 7,3%
17) Um fabricante de baterias sabe que por experiência passada, que as baterias de sua fabricação têm vida média de 600
dias e desvio padrão de 100 dias, sendo que a duração segue uma distribuição normal. O fabricante oferece uma garantia
de 312 dias, isto é, troca as baterias que apresentarem falhas nesse período.
a) Calcule a probabilidade de uma bateria apresentar falha nesse período? [Resp. 0,002]
b) Sabendo que a firma produz 10.000 baterias mensalmente, quantas baterias, ele espera trocar mensalmente, pelo uso
da garantia? [Resp. 20 baterias]
a) Neste caso, a probabilidade requerida é: P(X<312) = P(Z<-2,88) = 0,0020 = 0,2%
b) Nº baterias = 100000,002 = 20 baterias

Conteúdo 2: Planejamento/Otimização – Prof. Natal Pires – Engenharia de Automação Industrial – 2015/2

 8

Intervalos de Confiança
 
𝑥̅ − 𝑧𝛼⁄2 < µ < 𝑥̅ + 𝑧𝛼⁄2 ( 𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑜)
√𝑛 √𝑛
𝑠 𝑠
𝑥̅ − 𝑡𝛼⁄2 < µ < 𝑥̅ + 𝑡𝛼⁄2 ( 𝑑𝑒𝑠𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑜)
√𝑛 √𝑛

Intervalo de confiança para média ( 𝒄𝒐𝒏𝒉𝒆𝒄𝒊𝒅𝒐) Intervalo de confiança para média ( 𝒅𝒆𝒔𝒄𝒐𝒏𝒉𝒆𝒄𝒊𝒅𝒐)
Intervalo de confiança Intervalo de confiança
𝑥̅ − 𝐸    𝑥̅ + 𝐸 𝑥̅ − 𝐸    𝑥̅ + 𝐸
Margem de erro Margem de erro
𝜎 𝑠
𝐸 = 𝑧𝛼⁄2 𝐸 = 𝑡𝛼⁄
√𝑛 2
√𝑛
Tamanho da amostra Tamanho da amostra
𝑧𝛼⁄ 𝜎 2 𝑡𝛼⁄ 𝑠 2
𝑛=( 2 ) 𝑛=( 2
)
𝐸 𝐸
Para pensar!
 Sugira uma forma de diminuir o erro em um trabalho de estimativa qualquer.
Analisando a expressão para cálculo do erro:
𝜎
𝐸 = 𝑧𝛼⁄2
√𝑛
O erro diminuirá quando aumentarmos “n”, diminuir a variabilidade “” ou diminuir o valor de "𝒛𝜶⁄ ".
𝟐

 Como é que o nível de confiança altera o tamanho da amostra?

 Comente a afirmação: um processo com grande variabilidade demandará amostras grandes para se ter boas
Quando alteramos o nível de confiança, acabamos por alterar o valor de z ou t. No caso de z temos:
99% de confiança: 𝒛𝜶⁄ = 𝟐, 𝟓𝟕𝟓
𝟐

95% de confiança: 𝒛𝜶⁄ = 𝟏, 𝟗𝟔𝟎

𝟐

90% de confiança: 𝒛𝜶⁄ = 𝟏, 𝟔𝟒𝟓

𝟐

Assim, podemos observar que ao aumentarmos a confiança, aumentamos o erro. Logo, se aumentarmos a confiança, teremos que
aumentar a amostra “n”, como estratégia para fazer com que o erro permaneça o mesmo ou até mesmo diminua.
estimativas.
Correto! O ideal seria que tivéssemos um intervalo o mais estreito possível (pequeno “E”) e com elevada confiança. No entanto, grandes
valores de , como se pode observar pela expressão do erro, aumenta sobremaneira o valor de “E”, e para não perder confiança e se ter boas
estimativas teremos que aumentar o valor de “n”, e assim garantir um intervalo mais estreito. Porém, em termos práticos, geralmente um
aumento muito grande de “n” resulta em custos elevados. Neste sentido, o analista deve sempre avaliar com critério todas as possibilidades.

Exemplo 1: Em uma indústria de cerveja, a quantidade de cerveja inserida em latas tem-se comportado como uma
variável aleatória com média de 350 mL e desvio padrão de 3 mL. Após alguns problemas na linha de produção, suspeita-
se que houve alteração na média. Uma amostra de 20 latas acusou média de 346 mL. Construa um intervalo de confiança
 9

para o novo valor da quantidade média  de cerveja inserida em latas, com nível de confiança 95%, supondo que não
tenha ocorrido no desvio padrão do processo. Em seguida construa um intervalo de confiança cujo nível de confiança
seja de 90%. Interprete os resultados.
1º: 95% de confiança
Primeiramente vamos calcular o erro, e daí poderemos encontrar os limites inferior e superior do intervalo em questão. Neste caso, como o
desvio padrão é conhecido, podemos usar a distribuição de “z” para fazer os cálculos. Daí segue que:
𝜎 3
𝐸 = 𝑧𝛼⁄2 = 1,96 = 1,31
√𝑛 √20
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
346 − 1,31    346 + 1,31  344,7    347,3
Isto mostra que estatisticamente, ao nível de confiança de 95%, houve alteração na média do processo, pois o valor da média antiga (350
mL) não pertence ao intervalo.
2º: 90% de confiança
Daí segue que:
𝜎 3
𝐸 = 𝑧𝛼⁄2 = 1,645 = 1,10
√𝑛 √20
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
346 − 1,10    346 + 1,10  344,9    347,1
Isto mostra que estatisticamente, ao nível de confiança de 90%, houve alteração na média do processo, pois o valor da média antiga (350
mL) não pertence ao intervalo.
Exemplo 2: Deseja-se avaliar a dureza esperada  do aço produzido sob um novo processo de têmpera. Uma amostra
de 10 corpos de prova do aço produziu os seguintes resultados de dureza, em HRc (Rockwell Hardness) :
36,4; 35,7; 37,2; 36,5; 34,9; 35,2; 36,3; 35,8; 36,6; 36,9
Construir um intervalo de confiança para , com nível de confiança de 95%.
O primeiro passo aqui é calcularmos a média e o desvio padrão do conjunto de medidas. Daí segue que:
Média = 36,15 e Desvio-padrão = 0,7352
Como não se conhece o desvio-padrão da população, e nosso “n” é igual 10, vamos usar a distribuição “t de Student”. Logo, na tabela de
“t” temos que procurar o valor de t sabendo que o intervalo é bilateral e com  = 5% = 0,05. Daí para n – 1 = 9 graus de liberdade,
encontramos que 𝑡𝛼⁄2 = 2,262. Daí segue que:
𝑠 0,7352
𝐸 = 𝑡𝛼⁄2 = 2,262 = 0,53
√𝑛 √10
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
36,15 − 0,53    36,15 + 0,53  35,62    36,68
Isto mostra que estatisticamente, em 95% das amostras do aço produzido, a média esperada para a dureza estará entre 35,62 e 36,68
HRc.
 10

Exemplo 3: Considere que um engenheiro julgou o resultado anterior, pouco preciso. Ele tolera um erro amostral
máximo de 0,3 HRc. Além disso, ele quer realizar estimações com nível de confiança de 99%. Qual deve ser o tamanho
da amostra?
Trata-se aqui de um cálculo de tamanho da amostra a ser empregada na construção do intervalo de confiança. A expressão a ser empregada
é dada por:
𝑡𝛼⁄2 𝑠 2 3,250 × 0,7352 2
𝑛=( ) =( ) = 63,4  64 𝑐𝑜𝑟𝑝𝑜𝑠 𝑑𝑒 𝑝𝑟𝑜𝑣𝑎
𝐸 0,3
Portanto, precisamos de 64 corpos de prova para satisfazer a precisão desejada. Supondo que os 64 corpos de prova serão
retirados de uma população infinita, não precisamos fazer qualquer correção com a expressão:
𝑁 × 𝑛𝑜
𝑛= , 𝑎𝑟𝑟𝑒𝑑𝑜𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑜 𝑝𝑎𝑟𝑎 𝑜 𝑖𝑛𝑡𝑒𝑖𝑟𝑜 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟.
𝑁 + 𝑛0 − 1
Exercícios
1) Uma fundição produz blocos para motor de caminhões. Os blocos têm furos para as camisas e deseja-se verificar qual
é o diâmetro médio do processo do furo. A empresa retirou uma amostra de 36 blocos e mediu os diâmetros de 36 furos
(1 a cada bloco). A amostra acusou média de 98,0 mm e desvio padrão de 4,0 mm. Construir um intervalo de confiança
para a média do processo, com nível de confiança de 99%. Interpretar o resultado. Se o processo deveria ter média de
100 mm, há evidência (com 99% de confiança) de que a média do processo não está no valor ideal? Explique. Resp.
98,0±1,8 mm
Este exercício pode ser resolvido de duas formas: usando a distribuição “t de Student” ou a distribuição de “z”, pois n > 30 e desvio-padrão
usado é estimado a partir desta amostra de 36 componentes, o que, como sabemos é uma boa estimativa do desvio populacional.
1º Modo: Na tabela de “t” não temos 35 graus de liberdade (apenas 30 e 40), e sendo assim, como a diferença de “t” é pequena, podemos
fazer uma interpolação, e obter facilmente o valor de 2,727. O valor correto obtido através de um software é 2,724.
𝑠 4
𝐸 = 𝑡𝛼⁄2 = 2,724 = 1,816
√𝑛 √36
𝑠 4
𝐸 = 𝑡𝛼⁄2 = 2,727 = 1,818
√𝑛 √36
Observe que o erro no cálculo entre o valor real de “t” (2,724) e o valor interpolado de “t” (2,727), é muito pequeno. Como as medidas realizadas tem
precisão apenas para a 1ª casa decimal podemos escrever que E = 1,8 mm em ambos os casos.
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
98 − 1,8    98 + 1,8  96,2    99,8
Como foi usada uma amostra com n>30, uma forma mais fácil de resolver este cálculo seria usar a distribuição de “z”. Ao nível de
confiança de 99% temos z = 2,575. Logo:
𝜎 4
𝐸 = 𝑧𝛼⁄2 = 2,575 = 1,72
√𝑛 √36
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
98 − 1,72    98 + 1,72  96,3    99,7
Isto mostra que estatisticamente, ao nível de confiança de 99%, houve alteração na média do processo não está no valor ideal, pois o valor
da média ideal (100 mL) não pertence ao intervalo.
 11

Importante: Observe que a diferença para cada limite dos intervalos obtido a partir de “z” e “t” é de 0,1%, ou seja, neste caso um erro
desprezível. A importância da distribuição “t de Student” torna-se cada vez mais importante à medida que o valor de “n” diminui de 30.
2) Seja a construção de um plano para garantir a qualidade dos parafusos vendidos em caixas com 100 unidades. Um dos
requisitos é controlar o comprimento médio dos parafusos. Quer-se saber quantos parafusos deve-se examinar em cada
caixa, para garantir que a média da amostra (𝑥̅ ) não difira do comprimento médio dos parafusos da caixa () em mais que
0,8 mm. Considere que a estimação seja realizada com nível de confiança de 95%. Análises feitas na linha de produção
indicam variância em torno de 2 mm2. Resp. 11 parafusos
Neste caso, devemos observar primeiramente que iremos retirar a amostra de uma população finita (100 unidades). Isso é importante para
que façamos a correção do valor calculado ao final. O cálculo será:
2
𝑧𝛼⁄2  2
1,96 × √2
𝑛𝑜 = ( ) =( ) = 12,005
𝐸 0,8
Agora, fazendo a correção para população finita, temos:
𝑁 × 𝑛𝑜 100 × 12,005
𝑛= = = 10,81 ≅ 11 𝑝𝑎𝑟𝑎𝑓𝑢𝑠𝑜𝑠
𝑁 + 𝑛0 − 1 100 + 12,005 − 1
3) Uma empresa tem 2.400 empregados. Deseja-se extrair uma amostra de empregados para verificar o grau de satisfação
em relação à qualidade da comida no refeitório. Em uma amostra piloto (Importante: discutir!), numa escala de 0 a 10,
o grau de satisfação recebeu nota média 6,5 e desvio padrão 2,0.
a) Determine o tamanho mínimo da amostra, supondo amostragem aleatória simples, com erro máximo de 0,5 unidade
e nível de confiança de 99%. Resp. 102 empregados
b) Considerando que a amostra planejada no item anterior tenha sido realizada e obteve-se média 5,3 e desvio padrão 1,8
ponto. Construa um intervalo de confiança de 99% de confiança para o parâmetro . Resp. 5,30±0,45 pontos
c) Considerando o resultado do item anterior, você diria, com nível de confiança de 99%, que a nota média seria superior
a 5,0 se a pesquisa fosse aplicada a todos os 2.400 funcionários? Justifique.
a) Novamente, temos uma população finita com 2400 empregados. Portanto, temos que o cálculo será:
𝑧𝛼⁄2 
2,575 × 2 2
2
𝑛𝑜 = ( ) =( ) = 106,09
𝐸 0,5
Agora, fazendo a correção para população finita, temos:
𝑁 × 𝑛𝑜 2400 × 106,09
𝑛= = = 101,6 ≅ 102 𝑒𝑚𝑝𝑟𝑒𝑔𝑎𝑑𝑜𝑠
𝑁 + 𝑛0 − 1 2400 + 106,09 − 1
b) Como foi usada uma amostra com n>30, uma forma mais fácil de resolver este cálculo seria usar a distribuição de “z”. Ao nível de
confiança de 99% temos z = 2,575. Logo:
𝜎 1,8
𝐸 = 𝑧𝛼⁄2 = 2,575 = 0,46
√𝑛 √102
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
5,30 − 0,46    5,30 + 0,46  4,84    5,76
c) Como o limite inferior do intervalo está abaixo de 5,0 (4,84) não podemos fazer esta afirmação. Tal afirmação poderia ser realizada
apenas se o limite inferior do intervalo de confiança fosse maior do que 5,0.
4) Para avaliar a precisão de uma balança de laboratório, pesa-se repetidas vezes um objeto padrão de peso conhecido
igual a 10 gramas. As leituras da balança têm distribuição normal com média desconhecida (essa média é 10 gramas, se a
 12

balança é equilibrada). Sabe-se que o desvio padrão das leituras é 0,0002 grama. Pesa-se o objeto 5 vezes e o resultado
médio é 10,0023 gramas. Estabeleça um intervalo de 95% de confiança para a média de repetidas pesagens do objeto.
Quantas observações ou medidas devem entrar no cálculo da média, a fim de que se obtenha uma margem de 0,0001
de erro com 95% de confiança?
Neste caso, como conhecemos o desvio padrão, iremos realizar o cálculo usando a distribuição “z”. Isto é importante, pois como você poderá
observar, iremos obter um intervalo de confiança mais estreito. (Pense: Para 4 graus de liberdade temos t  2,776!)
 0,0002
𝐸 = 𝑧𝛼⁄2 = 1,96 = 0,000175
√𝑛 √5
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
10,0023 − 0,000175    10,0023 + 0,000175  10,0021    10,0025
Para determinar o valor de “n” devemos realizar o seguinte cálculo:
𝑧𝛼⁄2 
1,96 × 0,0002 2
2
𝑛=( ) =( ) = 15,4  16 𝑚𝑒𝑑𝑖𝑑𝑎𝑠
𝐸 0,0001
5) Sugira formas de se obter intervalos de confiança mais estreitos, ou seja, com limites mais próximos da média
verdadeira?
Neste caso, a saída é diminuir o valor de “E”. Portanto, como já foi colocado anteriormente, analisando a expressão para cálculo do erro:
𝜎
𝐸 = 𝑧𝛼⁄2
√𝑛
O erro diminuirá quando aumentarmos “n”, diminuir a variabilidade “” ou diminuir o valor de "𝒛𝜶⁄ ".
𝟐

6) (Corrigido) Um departamento de manutenção recebeu um carregamento de máquinas defeituosas. Sabe-se, por

experiência passada que o desvio padrão em relação ao tempo necessário para conserto é de 15 min. Construa um
intervalo de confiança, a um nível de confiança de 95%, sabendo-se que foram analisadas 16 máquinas, obtendo-se um
tempo médio para conserto de 85 minutos. Resp. 77,65 a 92,35
Como o desvio padrão já é conhecido, temos que:
 15
𝐸 = 𝑧𝛼⁄2 = 1,96 = 7,35
√𝑛 √16
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
85 − 7,35    85 + 7,35  77,65    92,35

Exercícios Extra – Intervalo de Confiança

Planejamento/Otimização – Prof. Natal Pires – Engenharia de Automação Industrial – 2011/2
 13

1) Uma empresa usa uma máquina para encher garrafas de um litro com água mineral. Suponha que a população de
volumes esteja normalmente distribuída. (a) A empresa deseja estimar o volume médio que a máquina coloca nas garrafas
dentro de um mililitro. Determine o tamanho mínimo necessário de amostra para a construção de um intervalo de
confiança de 95 por cento para a média populacional. Suponha que o desvio padrão populacional seja de 3 mililitros. (b)
Refaça a parte (a) usando uma tolerância ao erro de 2 mililitros. Qual tolerância requer um tamanho da amostra maior?
Justifique.
a) Para determinar o valor de “n” devemos realizar o seguinte cálculo:
𝑧𝛼⁄2  2 1,96 × 3 2
𝑛=( ) =( ) = 34,6  35 𝑚𝑒𝑑𝑖𝑑𝑎𝑠
𝐸 1
b) O cálculo agora para determinar o valor de “n” devemos realizar o seguinte cálculo:
𝑧𝛼⁄2  2 1,96 × 3 2
𝑛=( ) =( ) = 8,6  9 𝑚𝑒𝑑𝑖𝑑𝑎𝑠
𝐸 2
Como podemos observar, ao se aumentar a tolerância (erro), acabamos por diminuir o tamanho da amostra. Observe ainda que quando
você dobra a tolerância, o valor de “n” cai por um fator de aproximadamente 22.
2) Experiência passada indicou que a resistência à quebra de um fio usado na fabricação de material moldável é
normalmente distribuída e que  = 2 psi. Uma amostra aleatória de 9 espécimes é testada e a resistência média à quebra
foi de 98 psi. Encontre um intervalo de confiança de 95% para resistência média à quebra. Suponha que o fabricante dá
como especificação um valor de resistência à quebra igual a 105 psi. O que você pode afirmar sobre esta especificação.
Como o desvio padrão já é conhecido de experiência anterior, temos que:
 2
𝐸 = 𝑧𝛼⁄2 = 1,96 = 1,31
√𝑛 √9
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
98 − 1,31    98 + 1,31  96,69    99,31
De acordo com o resultado podemos afirmar com um nível de confiança de 95% que a afirmação do fabricante não procede, pois o valor
especificado (105 psi) está fora do intervalo de confiança obtido para a referida amostra.
3) Uma máquina de pós-mistura de bebidas é ajustada para liberar certa quantidade de xarope em uma câmara onde ela
é mistura com água carbonatada. Uma amostra de 25 bebidas apresentou um conteúdo médio de 𝑥̅ = 1,10 onça fluida e
um desvio-padrão s = 0,015 onça fluida. Encontre o IC de 95% para o volume médio de xarope liberado.
Como não se conhece o desvio-padrão da população, e nosso “n” é igual 25, vamos usar a distribuição “t de Student”. Logo, na tabela de
“t” temos que procurar o valor de t sabendo que o intervalo é bilateral e com  = 5% = 0,05. Daí para n – 1 = 24 graus de liberdade,
encontramos que 𝑡𝛼⁄ = 2,064. Daí segue que:
2
𝑠 0,015
𝐸 = 𝑡𝛼⁄2 = 2,064 = 0,006
√𝑛 √25
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
1,10 − 0,006    1,10 + 0,006  1,094    1,106
Isto mostra que estatisticamente, em 95% das amostras de bebida, a média esperada para o conteúdo de xarope estará entre 1,094 e 1,106
oz.
 14

4) O brilho de um tubo de imagem de televisão pode ser avaliado medindo-se a quantidade de corrente requerida para
atingir um determinado nível de brilho. Uma amostra de 10 tubos resultou em 𝑥̅ = 317,2 microampères e s = 15,7
microampères. Encontre um IC a 99% para a corrente média requerida. Estabeleça qualquer suposição necessária sobre
a população dos dados em foco.
Como não se conhece o desvio-padrão da população, e nosso “n” é igual 10, vamos usar a distribuição “t de Student”. Logo, na tabela de
“t” temos que procurar o valor de t sabendo que o intervalo é bilateral e com  = 1% = 0,01. Daí para n – 1 = 9 graus de liberdade,
encontramos que 𝑡𝛼⁄ = 3,250. Daí segue que:
2
𝑠 15,7
𝐸 = 𝑡𝛼⁄2 = 3,250 = 16,14
√𝑛 √10
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
317,2 − 16,14    317,2 + 16,14  301,06    333,34
Isto mostra que estatisticamente, em 99% das amostras de tubo, a média esperada para a corrente estará entre 301,06 e 333,34
microampères.
5) Uma empresa usa um pulverizador automático para aplicar tinta em metais. O pulverizador é ajustado para aplicar uma
camada de tinta com uma polegada de espessura. (a) A empresa deseja estimar a espessura média da tinta pulverizada
dentro de 0,0625 polegada. Determine o tamanho mínimo necessário de amostra para construir um intervalo de confiança
de 90 por cento para a média populacional. Suponha que o desvio padrão populacional seja de 0,25. (b) Refaça a parte
(a) usando uma tolerância ao erro de 0,03125. Qual tolerância ao erro requer um tamanho de amostra maior? Justifique.
a) Para determinar o valor de “n” devemos realizar o seguinte cálculo:
𝑧𝛼⁄  2 1,645 × 0,25 2
𝑛=( 2
) =( ) = 43,3  44 𝑚𝑒𝑑𝑖𝑑𝑎𝑠
𝐸 0,0625
b) Para determinar o valor de “n” devemos realizar o seguinte cálculo:
𝑧𝛼⁄2  2 1,645 × 0,25 2
𝑛=( ) =( ) = 173,2  174 𝑚𝑒𝑑𝑖𝑑𝑎𝑠
𝐸 0,03125
Observe que aqui nós diminuímos a tolerância pela metade, e para construirmos o intervalo requerido tivemos que aumentar o número de
medidas por um fator de 22.
6) Um fabricante de minibolas de futebol deseja estimar a circunferência média das bolas dentro de 0,15 polegada. Tenha
em mente que a população de circunferências está normalmente distribuída.
(a) Determine o tamanho mínimo necessário de amostra para construir um intervalo de confiança de 99 por cento para
a média populacional. Suponha que o desvio padrão populacional seja de 0,20 polegada. (b) Refaça a parte (a) usando um
desvio padrão de 0,10 polegada. Que desvio padrão requer uma amostra de tamanho maior? Justifique.
a) Para determinar o valor de “n” devemos realizar o seguinte cálculo:
𝑧𝛼⁄  2 2,575 × 0,20 2
𝑛=( 2
) =( ) = 11,8  12 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
𝐸 0,15
b) Para determinar o valor de “n” devemos realizar o seguinte cálculo:
𝑧𝛼⁄  2 2,575 × 0,10 2
𝑛=( 2
) =( ) = 2,9  3 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
𝐸 0,15
Observe que aqui nós diminuímos a variabilidade pela metade, e para construirmos o intervalo requerido pudemos diminuir o número de
medidas por um fator de 22.
 15

7) Um fabricante de lâmpadas deseja que seus produtos tenham vida média de mil horas. Para manter a média, amostras
aleatórias de 16 lâmpadas são testadas periodicamente. Se os valores t estiverem entre –t0,99 e t0,99, a empresa considerará
essas lâmpadas aceitáveis. Uma amostra de 16 lâmpadas é selecionada ao acaso e testada. A duração média das lâmpadas
da amostra foi de 1.015 horas, com desvio padrão de 25 horas. A empresa julgará aceitáveis essas lâmpadas? Justifique.
Como não se conhece o desvio-padrão da população, e nosso “n” é igual 16, vamos usar a distribuição “t de Student”. Logo, na tabela de
“t” temos que procurar o valor de t sabendo que o intervalo é bilateral e com  = 1% = 0,01. Daí para n – 1 = 15 graus de liberdade,
encontramos que 𝑡𝛼⁄2 = 2,947. Daí segue que:
𝑠 25
𝐸 = 𝑡𝛼⁄2 = 2,947 = 18,4
√𝑛 √16
Como sabemos, os limites inferior e superior são dados por:
𝑥̅ − 𝐸    𝑥̅ + 𝐸
1015 − 18,4    1015 + 18,4  996,6    1033,4
Isto mostra que estatisticamente, em 99% das amostras de tubo, a vida média esperada para as lâmpadas estará entre 996,6 e 1033,4
horas. Sendo assim, como a vida média de 1000 horas se encontra dentro do intervalo de confiança e, assim, podemos dizer que o processo
está sob controle e a empresa julgará as lâmpadas aceitáveis.

Conteúdo 3: Planejamento/Otimização – Prof. Natal Pires – Engenharia de Automação Industrial

2015/2
Teste de Hipóteses
Seguem alguns exemplos de hipóteses:
 Substituindo o processador A pelo processador B, altera-se o tempo de resposta de um computador;
 16

 Aumentado a dosagem de cimento, aumenta-se a resistência do concreto;

 Uma campanha publicitária produz efeito positivo nas vendas;
 A implementação de um programa de melhoria da qualidade em uma empresa prestadora de serviços melhora a
satisfação de seus clientes.
Dado um problema de teste de hipóteses, precisamos formular as chamadas hipótese nula (Ho) e hipótese alternativa
(Ha).
Testes unilaterais e bilaterais

Testes para uma média

Caso 1: Variância conhecida
Na indústria cerâmica, avalia-se sistematicamente a resistência de amostras de massas cerâmicas, após o processo de
queima. Dessas avaliações, sabe-se que certo tipo de massa tem resistência mecânica aproximadamente normal, com
média de 53 MPa e variância 16 MPa2. Após a troca de alguns fornecedores de matérias-primas, deseja-se verificar se
houve alteração na qualidade. Uma amostra de 15 corpos de prova de massa cerâmica acusou média igual a 50 MPa.
Qual é a conclusão ao nível de significância de 5%? Você aprovaria as matérias-primas do novo fornecedor no caso de a
indústria ser sua?
O primeiro passo neste tipo de exercício é propor a hipótese nula e a Agora precisamos obter o valor de zcalculado para poder finalizar o
hipótese alternativa. Neste caso temos que: teste. Como conhecemos neste caso a variância, vamos utilizar a
Ho:  = 53 Mpa distribuição de “z”.
𝑥−𝜇
Ha:  ≠ 53 Mpa 𝑧𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝜎
⁄ 𝑛
Desta forma, decidimos por um teste de hipótese bilateral, com as √
50 − 53
regiões assinaladas a seguir, cujo nível de significância é  = 5%: 𝑧𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = = −2,90
4⁄
√15
0,4

0,4

0,3
0,3
Aceitar Ho
Probabilidade

Aceitar Ho
Probabilidade

0,2
0,2

0,1 0,1
Rejeitar Ho
Rejeitar Ho Rejeitar Ho
Rejeitar Ho
0,025 0,025
0,025 0,025
0,0
-1,96 0 1,96
0,0 -2,90 X
-1,96 0 1,96
X

Com este resultado podemos rejeitar a hipótese nula, ou seja, ao nível

de confiança de 95% podemos afirmar que houve mudança na
resistência média da massa cerâmica. Neste caso podemos afirmar
ainda que houve diminuição da resistência em questão.

Caso 2: Caso da variância desconhecida

O tempo para transmitir 10 MB em determinada rede de computadores varia segundo um modelo normal, com média
de 7,4 s e variância igual a 1,3 s2. Depois de algumas mudanças na rede, acredita-se numa redução no tempo de transmissão
de dados. Foram realizados 10 ensaios independentes com um arquivo de 10 MB e foram anotados os tempos de
transmissão, em segundos:
 17

6,8 7,1 5,9 7,5 6,3 6,9 7,2 7,6 6,6 6,3
Existe evidência suficiente de que o tempo médio de transmissão dos dados foi reduzido? Use nível de significância de
1%.
Aqui primeiramente vamos calcular a média e desvio padrão Agora precisamos obter o valor de tcalculado para poder finalizar o teste. Como
do conjunto medidas realizado. Daí se obtém que: conhecemos neste caso a variância, vamos utilizar a distribuição de “t”.
Média = 6,82 s 𝑥−𝜇
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝑠
Desvio padrão = 0,551 s ⁄ 𝑛
√
Agora podemos propor a hipótese nula e a hipótese 6,82 − 7,4
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = = −3,33
alternativa. Neste caso temos que: 0,551
⁄
√10
Ho:  = 7,4 s
0,4
Ha:   7,4 s
Desta forma, decidimos por um teste de hipótese unilateral à
0,3
esquerda. Na tabela da distribuição “t de Student” para um
Probabilidade

Aceitar Ho
teste unilateral com n – 1 = 9 graus de liberdade e nível de
0,2
significância de 1%, encontramos tcrítico igual a 2,821. Sendo
o teste unilateral à esquerda e utilizando a questão de 0,1

simetria, podemos estabelecer o valor tcrítico = -2,821 para o Rejeitar Ho

0,01
referido teste. As regiões de interesse estão assinaladas a 0,0
-2,82 0
-3,33 X
seguir, cujo nível de significância é  = 1%:

0,4

Com este resultado podemos rejeitar a hipótese nula, ou seja, ao nível de

0,3 confiança de 99% podemos afirmar que houve mudança no tempo médio de
Probabilidade

Aceitar Ho transmissão dos dados. Neste caso podemos afirmar que houve diminuição
0,2

no tempo de transmissão dos dados.

0,1

Rejeitar Ho

0,01
0,0
-2,82 0
X

Exercícios
1) Em certo banco de dados, o tempo de realização das buscas é aproximadamente normal, com médias de 53 s e desvio
padrão de 14 s. Depois de realizadas algumas modificações no sistema, observou-se que, em 30 consultas, o tempo médio
caiu para 45 s. Há evidência de melhora? Admita que 30 observações possam ser consideradas uma amostra aleatória
e que não houve alteração na variância. Use  = 1%.
Neste exercício fica claro pelo enunciado que conhecemos a variância do Agora precisamos obter o valor de zcalculado para poder finalizar o
processo em análise, e assim iremos utilizar a distribuição de “z” para teste. Como conhecemos neste caso a variância, vamos utilizar a
fazer o referido teste. Daí, o primeiro passo neste tipo de exercício é distribuição de “z”.
propor a hipótese nula e a hipótese alternativa. Neste caso temos que: 𝑥−𝜇
𝑧𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝜎
Ho:  = 53 s ⁄ 𝑛
√
Ha:   53 s
 18

Desta forma, decidimos por um teste de hipótese unilateral à esquerda, 45 − 53

𝑧𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = = −3,13
14⁄
com as regiões assinaladas a seguir, cujo nível de significância é  =
√30
1%:
0,4

0,4

0,3

0,3

Density
0,2
Density

0,2
0,1

0,01
0,1 0,0
-2,33 0
-3,13 X

0,01
0,0
-2,33 0
X
Com este resultado podemos rejeitar a hipótese nula, ou seja, ao
nível de confiança de 99% podemos afirmar que houve mudança
no tempo médio de realização das buscas. Neste caso podemos
afirmar ainda que houve diminuição do tempo de busca em
questão.
2) Certo tipo de pneu dura, em média, 50.000 km. O fabricante investiu em uma nova composição de borracha para
pneus. Vinte pneus, fabricados com essa nova composição, duraram, em média 55.000 km, com desvio padrão de 4000
km. Supondo que a durabilidade dos pneus segue uma distribuição aproximadamente normal, verificar se os dados
provam que os novos pneus são mais duráveis. Use  = 1%.
Neste caso, como não conhecemos o desvio padrão populacional, Agora precisamos obter o valor de tcalculado para poder finalizar o teste.
iremos usar a distribuição “t de Student” para realizar o referido Como conhecemos neste caso a variância, vamos utilizar a distribuição
teste. Agora podemos propor a hipótese nula e a hipótese de “t”.
alternativa. Neste caso temos que: 𝑥−𝜇
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝑠
Ho:  = 50000 km ⁄ 𝑛
√
Ha:   50000 km 55000 − 50000
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = = 5,59
4000⁄
Desta forma, decidimos por um teste de hipótese unilateral à √20
direita. Na tabela da distribuição “t de Student” para um teste
0,4
unilateral com n – 1 = 19 graus de liberdade e 1% de
significância encontramos tcrítico igual a 2,539. As regiões de
0,3
interesse estão assinaladas a seguir, cujo nível de significância é
 = 1%:
Density

0,2

0,1

0,01
0,0
0 2,54
X 5,59

Com este resultado podemos rejeitar a hipótese nula, ou seja, ao nível de

 19

confiança de 99% podemos afirmar que houve mudança no tempo médio

0,4
de duração dos novos pneus. Neste caso podemos afirmar que houve
0,3 aumento no tempo de duração dos mesmos e que a nova composição de
borracha é responsável por este aumento.
Density

0,2

0,1

0,01
0,0
0 2,54
X

Comparação de duas médias

Caso 1: Diferenças entre médias – dependentes
𝑑̅ − ∆
𝑡=𝑠
𝑑
⁄
√𝑛
1) Para testar a eficácia de um aditivo na milhagem da gasolina, foi medida a milhagem de nove carros com e sem
aditivo. Os resultados estão listados a seguir. Sendo =0,10, você pode concluir que o aditivo melhora a milhagem?
Carro 1 2 3 4 5 6 7 8 9
Milhagem sem aditivo 34,5 36,7 34,4 39,8 33,6 35,4 38,4 35,3 37,9
Milhagem com aditivo 36,4 38,8 36,1 40,1 34,7 38,3 40,2 37,2 38,7

O primeiro passo é calcular 𝑑̅ e 𝑠𝑑 para o conjunto de dados obtidos. Agora precisamos obter o valor de tcalculado para poder finalizar o teste.
Neste caso temos: Este valor é obtido a partir da seguinte expressão.
Média = 1,61 e desvio-padrão = 0,77 𝑑̅ − ∆
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝑠
𝑑
Agora vamos estabelecer as hipóteses necessárias para o teste: ⁄
√𝑛
Ho: aditivo = sem aditivo 1,61 − 0
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = = 6,70
Ha: aditivo  sem aditivo 0,77
⁄
√9
O teste em questão é unilateral à direita. Vamos utilizar a
0,4
distribuição “t de Student” para n – 1 = 8 graus de liberdade e
nível de significância de 10%. Nestas circunstâncias encontramos
0,3

tcrítico = 1,397. As regiões de interesse estão assinaladas no gráfico

Density

a seguir: 0,2

0,1

0,1

0,0
0 1,397
X 6,70

O valor calculado se encontra na região de rejeição da hipótese nula.

Sendo assim, podemos concluir com 90% de confiança de que o aditivo
resulta numa melhora da milhagem dos veículos.
 20

0,4

0,3
Density

0,2

0,1

0,1

0,0
0 1,397
X

2) A tabela mostra o número de horas diárias que uma amostra de 13 pacientes sofreu de dor de cabeça antes e depois
de sete semanas de terapia do tecido liso e tratamento a laser. Sendo =0,01, teste a alegação de que o novo tratamento
reduz o número de horas diárias de dor de cabeça.
Paciente 1 2 3 4 5 6 7 8 9 10 11 12 13
Horas diárias de dor de
4,1 3,9 3,8 4,5 2,4 3,6 3,4 3,4 3,5 2,7 3,7 4,4 3,2
cabeça (antes)
Horas diárias de dor de
2,2 2,8 2,5 2,6 1,9 1,8 2,0 1,6 1,5 2,1 1,8 3,0 1,7
cabeça (depois)

O primeiro passo é calcular 𝑑̅ e 𝑠𝑑 para o conjunto de dados obtidos. Agora precisamos obter o valor de tcalculado para poder finalizar o teste.
Neste caso temos: Este valor é obtido a partir da seguinte expressão.
Média = 1,47 e desvio-padrão = 0,49 𝑑̅ − ∆
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝑠
𝑑
Agora vamos estabelecer as hipóteses necessárias para o teste: ⁄
√𝑛
Ho: antes = depois 1,47 − 0
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = = 10,82
Ha: antes  depois 0,49
⁄
√13
O teste em questão é unilateral à direita. Vamos utilizar a
distribuição “t de Student” para n – 1 = 12 graus de liberdade e 0,4

nível de significância de 1%. Nestas circunstâncias encontramos

0,3
tcrítico = 2,681. As regiões de interesse estão assinaladas no gráfico
a seguir:
Density

0,2

0,4

0,1

0,3
0,01
0,0
0 2,681
10,82
Density

X
0,2

0,1 O valor calculado se encontra na região de rejeição da hipótese nula.

0,01
Sendo assim, podemos concluir com 99% de confiança de que o
0,0
0
X
2,681
diminui o tempo médio com que as pessoas ficam com dor de cabeça.

Caso 2: Diferença entre médias – amostras grandes (n  30) e independentes

 21

(𝑥̅1 − 𝑥̅2 ) − ∆
𝑧=
𝜎2 𝜎2
√ 1+ 2
𝑛1 𝑛2

1) Um engenheiro de segurança registra a distância de frenagem de dois tipos de pneus. Cada amostra selecionada
aleatoriamente tem 35 pneus. Os resultados dos testes são mostrados a seguir:
Tipo A Tipo B
Média 1 = 42 m Média 2 = 45 m
Desvio 1 = 4,7 m Desvio 2 = 4,3 m
Em =0,1, o engenheiro pode apoiar a afirmação de que a distância de frenagem média é diferente para os dois tipos
de pneus?
De acordo com os dados fornecidos vamos começar estabelecendo as (𝑥̅1 − 𝑥̅2 ) − ∆
𝑧=
hipóteses necessárias para o teste:
𝜎2 𝜎2
√ 1+ 2
Ho: Tipo B = Tipo A 𝑛1 𝑛2

Ha: Tipo B ≠ Tipo A (45 − 42) − 0 3

𝑧= = = 2,79
O teste em questão é bilateral. Vamos utilizar a distribuição “z” 2 2 1,08
√4,7 + 4,3
para um nível de significância de 10%. Nestas circunstâncias 35 45

encontramos zcrítico = ±1,645. As regiões de interesse estão 0,4

assinaladas no gráfico a seguir:

0,3
0,4
Density

0,2
0,3
Density

0,1
0,2

0,05 0,05

0,0
0,1 -1,645 0 1,645
X 2,79

0,05 0,05

0,0
-1,645 0 1,645 O valor calculado se encontra na região de rejeição da hipótese nula.
X
Sendo assim, podemos concluir com 90% de confiança de que há
Agora precisamos obter o valor de zcalculado para poder finalizar o diferença entre as distâncias de frenagem entre os tipos de pneus
teste. Este valor é obtido a partir da seguinte expressão. testados. Neste sentido ainda podemos concluir que o pneu tipo A
(menor distância de frenagem) é melhor que o pneu tipo B.
2) Para comparar as distâncias de frenagem para dois tipos de pneus, um engenheiro de segurança conduz 50 testes de
freio para cada um dos dois tipos de pneus. Os resultados dos testes são mostrados a seguir:
Tipo C Tipo D
Média 1 = 55 m Média 2 = 51 m
Desvio 1 = 5,3 m Desvio 2 = 4,9 m
Em =0,1, o engenheiro pode apoiar a afirmação de que a distância de frenagem média é diferente para os dois
tipos de freios?
 22

De acordo com os dados fornecidos vamos começar estabelecendo as (𝑥̅1 − 𝑥̅2 ) − ∆

𝑧=
hipóteses necessárias para o teste:
𝜎2 𝜎2
√ 1 + 2
Ho: Tipo C = Tipo D 𝑛1 𝑛2

Ha: Tipo C ≠ Tipo D (55 − 51) − 0 4

𝑧= = = 3,92
O teste em questão é bilateral. Vamos utilizar a distribuição “z” 2 2 1,02
√5,3 + 4,9
para um nível de significância de 10%. Nestas circunstâncias 50 50

encontramos zcrítico = ±1,645. As regiões de interesse estão 0,4

assinaladas no gráfico a seguir:

0,3

0,4

Density
0,2
0,3

0,1
Density

0,2

0,05 0,05

0,0
-1,645 0 1,645
0,1
X 3,92

0,05 0,05

0,0
O valor calculado se encontra na região de rejeição da hipótese nula.
-1,645 0 1,645
X
Sendo assim, podemos concluir com 90% de confiança de que há
Agora precisamos obter o valor de zcalculado para poder finalizar o diferença entre os tipos de freios testados. Neste sentido ainda podemos
teste. Este valor é obtido a partir da seguinte expressão. concluir que o freio tipo D (menor distância de frenagem) é melhor
que o freio tipo C.
3) Você quer comprar um aspirador de pó e um vendedor lhe diz que os custos de reparo para o modelo A e para o
modelo B são iguais. Você pesquisa os custos de reparo de 34 aspiradores de pó do modelo A e 46 do modelo B. Os
resultados da pesquisa são mostrados a seguir.
Modelo A Modelo B
Média 1 = R$50,00 Média 2 = R$60,00
Desvio 1 = R$10,00 Desvio 2 = R$18,00
Em =0,01 você pode rejeitar a afirmação do vendedor?
De acordo com os dados fornecidos vamos começar estabelecendo as (𝑥̅1 − 𝑥̅2 ) − ∆
𝑧=
hipóteses necessárias para o teste:
𝜎2 𝜎2
√ 1+ 2
Ho: B = A 𝑛1 𝑛2

Ha: B ≠ A (60 − 50) − 0 10

𝑧= = = 3,17
O teste em questão é bilateral. Vamos utilizar a distribuição “z” 2 2 3,16
√18 + 10
para um nível de significância de 1%. Nestas circunstâncias 46 34

encontramos zcrítico = ±2,575. As regiões de interesse estão

assinaladas no gráfico a seguir:
 23

0,4 0,4

0,3 0,3
Density

Density
0,2
0,2

0,1
0,1

0,005 0,005
0,0 0,005 0,005
-2,575 0 2,575
0,0
X -2,575 0 2,575
X 3,17

Agora precisamos obter o valor de zcalculado para poder finalizar o

O valor calculado se encontra na região de rejeição da hipótese nula.
teste. Este valor é obtido a partir da seguinte expressão.
Sendo assim, podemos concluir com 99% de confiança de que há erro
na afirmação feita pelo vendedor.
Caso 3: Diferença entre médias – amostras pequenas (n  30) e independentes
(𝑥̅1 − 𝑥̅2 ) − ∆
𝑡=
1 1
𝑠𝑝 √ +
𝑛1 𝑛2
e
(𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22
𝑠𝑝2 =
𝑛1 + 𝑛2 − 2

g..=n1+n2-2

1) As distâncias de frenagem de 8 Volkswagen GTIs e 10 Ford Focus foram testadas enquanto viajavam a 80 km/h em
pista seca. Os resultados são mostrados a seguir:
GTI Focus
Média = 134 m Média = 143 m
Desvio = 6,9 m Desvio = 2,6 m
n=8 n=10
Você pode concluir que existe uma diferença média da distância de frenagem dos dois tipos de carros? Use =0,01.
Assuma que as populações são distribuídas normalmente e as variâncias das populações são iguais.
De acordo com os dados fornecidos vamos começar estabelecendo as Agora precisamos obter o valor de tcalculado para poder finalizar o teste.
hipóteses necessárias para o teste: Este valor é obtido a partir da seguinte expressão.
Ho: Focus = GTI (𝑥̅1 − 𝑥̅2 ) − ∆
𝑡=
Ha: Focus ≠ GTI 1 1
𝑠𝑝 √𝑛 + 𝑛
1 2
O teste em questão é bilateral. Vamos utilizar a distribuição “t de
(143 − 134) − 0 9
Student” para n1 + n2 – 2 = 16 graus de liberdade e um nível de 𝑡= = = 3,83
1 1 2,35
significância de 1%. Nestas circunstâncias encontramos tcrítico = 4,96√ +
10 8
±2,921. As regiões de interesse estão assinaladas no gráfico a
seguir:
 24

0,4
0,4

0,3

0,3
Density

0,2

Density
0,2
0,1

0,005 0,005
0,0 0,1
-2,921 0 2,921
X

0,005 0,005
Primeiramente, neste caso, deveremos calcular o sp, conforme 0,0
-2,921 0 2,921
X 3,83

expressão a seguir:
O valor calculado se encontra na região de rejeição da hipótese nula.
(𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22
𝑠𝑝2 = Sendo assim, podemos concluir com 99% de confiança de que há
𝑛1 + 𝑛2 − 2
(10 − 1)2,62 + (8 − 1)6,92 394,11 diferenças entre as distâncias de frenagem entre os dois carros, sendo
𝑠𝑝2 = = = 24,63 que nesse quesito o modelo GTI se mostrou mais eficiente.
10 + 8 − 2 16
2) Um fabricante afirma que o alcance de chamada do seu telefone sem fio 2,4 GHz é maior do que o do seu
principal concorrente. Você realiza um estudo usando 14 telefones selecionados aleatoriamente deste fabricante e 16
telefones similares – do concorrente – selecionados aleatoriamente. Os resultados são mostrados a seguir:
Fabricante Concorrente
Média = 1275 m Média = 1250 m
Desvio = 45 m Desvio = 130 m
n=14 n=16
Em =0,05, você pode apoiar a afirmação do fabricante? Assuma que as populações são normalmente distribuídas e as
variâncias de população são iguais.
De acordo com os dados fornecidos vamos começar Agora precisamos obter o valor de tcalculado para poder finalizar o teste. Este
estabelecendo as hipóteses necessárias para o teste: valor é obtido a partir da seguinte expressão.
Ho: Fabricante = Concorrente (𝑥̅1 − 𝑥̅2 ) − ∆
𝑡=
Ha: Fabricante  Concorrente 1 1
𝑠𝑝 √ +
𝑛1 𝑛2
O teste em questão é unilateral à direita. Vamos utilizar
(1275 − 1250) − 0 25
a distribuição “t de Student” para n1 + n2 – 2 = 28 graus 𝑡= = = 0,68
1 1 36,59
de liberdade e um nível de significância de 5%. Nestas 99,97√14 + 16

circunstâncias encontramos tcrítico = 1,701. As regiões de

0,4
interesse estão assinaladas no gráfico a seguir:

0,4
0,3

0,3
Density

0,2
Density

0,2

0,1 0,1

0,05
0,05
0,0
0 1,701
X 0,0
0 1,701
X 0,68
 25

Primeiramente, neste caso, deveremos calcular o sp, O valor calculado se encontra na região de aceitação da hipótese nula. Sendo
conforme expressão a seguir: assim, podemos concluir com 95% de confiança de que o alcance das chamadas
(𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22 do telefone do fabricante é igual ao alcance das chamadas de telefone do
𝑠𝑝2 =
𝑛1 + 𝑛2 − 2 concorrente.
(14 − 1)452 + (16 − 1)1302 279825
𝑠𝑝2 = =
14 + 16 − 2 28
= 9993,75
3) Um engenheiro que comparar as resistências à tensão de barras de aço que são produzidas usando um método
convencional e um método experimental. Para tal, o engenheiro seleciona aleatoriamente barras de aço que são fabricadas
usando o método e registra as seguintes resistências à tensão (em newtons por mm2).
Método experimental
395 389 421 394 407 411 389 402 422 416 402 408 400 386 411 405 389
Método convencional
362 352 380 382 413 384 400 378 419 379 384 388 372 383
Em =0,10, o engenheiro pode afirmar que o método experimental produz aço com maior resistência à tensão?
O engenheiro deve recomendar o uso do método experimental? Assuma que as variâncias de população não são iguais.
Aqui precisaremos primeiramente calcular a média e desvio padrão Primeiramente, neste caso, deveremos calcular o sp, conforme
de cada grupo de medidas expressão a seguir:
Experimental Convencional (𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22
𝑠𝑝2 =
Média = 402,76 N/mm2 Média = 384,00 N/mm2 𝑛1 + 𝑛2 − 2
Desvio = 11,34 N/mm2 Desvio = 17,70 N/mm2 (17 − 1)11,342 + (14 − 1)17,702
𝑠𝑝2 =
n=17 n=14 17 + 14 − 2
6756,8796
= = 233,00
29
De acordo com os dados fornecidos vamos então estabelecer as Agora precisamos obter o valor de tcalculado para poder finalizar o teste.
hipóteses necessárias para o teste: Este valor é obtido a partir da seguinte expressão.
Ho: Experimental = Convencional (𝑥̅1 − 𝑥̅2 ) − ∆
𝑡=
Ha: Experimental  Convencional 1 1
𝑠𝑝 √𝑛 + 𝑛
1 2

(402,76 − 384,00) − 0 18,76

O teste em questão é unilateral à direita. Vamos utilizar a 𝑡= = = 3,41
1 1 5,51
distribuição “t de Student” para n1 + n2 – 2 = 29 graus de 15,26√17 + 14
liberdade e um nível de significância de 10%. Nestas circunstâncias
encontramos tcrítico = 1,311. As regiões de interesse estão
assinaladas no gráfico a seguir:
 26

0,4 0,4

0,3 0,3
Density

Density
0,2 0,2

0,1
0,1

0,1
0,1
0,0
0 1,311 0,0
X 0 1,311
X 3,57

O valor calculado se encontra na região de rejeição da hipótese nula.

Sendo assim, podemos concluir com 90% de confiança de que o método
experimental é superior ao método convencional.
4) Um engenheiro alega que não há diferença no diâmetro médio das arruelas fabricadas por dois métodos diferentes.
O primeiro método produz arruelas com os seguintes diâmetros (em polegadas).
0,861 0,864 0,882 0,887 0,858 0,879 0,887 0,876 0,870 0,894 0,884 0,882 0,869 0,859 0,887 0,875 0,863 0,887
0,882 0,862 0,906 0,880 0,877 0,864 0,873 0,860 0,866 0,869 0,877 0,863 0,875 0,883 0,872 0,879 0,861

O segundo método produz arruelas com os diâmetros a seguir (em polegadas).

0,705 0,703 0,715 0,711 0,690 0,720 0,702 0,686 0,704 0,712 0,718 0,695 0,708 0,695 0,699 0,715 0,691 0,696
0,680 0,703 0,697 0,694 0,714 0,694 0,672 0,688 0,700 0,715 0,709 0,698 0,696 0,700 0,706 0,695 0,715
Sendo =0,01, você pode rejeitar a alegação do engenheiro?

Aqui precisaremos primeiramente calcular a média e desvio padrão de (𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22
𝑠𝑝2 =
cada grupo de medidas 𝑛1 + 𝑛2 − 2
1º Método 2º Método (35 − 1)0,011252 + (35 − 1)0,011092
𝑠𝑝2 =
Média = 0,875 pol. Média = 0,701 pol. 35 + 35 − 2
0,008485
Desvio = 0,01125 pol. Desvio = 0,01109 pol. = = 0,000124775
68
n=35 n=35 Agora precisamos obter o valor de tcalculado para poder finalizar
De acordo com os dados fornecidos vamos começar estabelecendo as o teste. Este valor é obtido a partir da seguinte expressão.
hipóteses necessárias para o teste: (𝑥̅1 − 𝑥̅2 ) − ∆
𝑡=
Ho: 1º Método = 2º Método 1 1
𝑠𝑝 √𝑛 + 𝑛
Ha: 1º Método ≠ 2º Método 1 2

(0,875 − 0,701) − 0 0,174

O teste em questão é bilateral. Vamos utilizar a distribuição “t de 𝑡= = = 65,2
1 1 0,00267
Student” para n1 + n2 – 2 = 68 graus de liberdade e um nível de 0,01117 √ +
35 35
significância de 1%. Nestas circunstâncias encontramos por interpolação
um valor aproximado de tcrítico = 2,65. As regiões de interesse estão
assinaladas no gráfico a seguir:
 27

0,4 0,4

0,3
0,3

Density
Density

0,2
0,2

0,1

0,1

0,005 0,005
0,0
-2,65 0 2,65
0,005 0,005 X 65,2
0,0
-2,65 0 2,65
X
O valor calculado se encontra na região de rejeição da hipótese
Primeiramente, neste caso, deveremos calcular o sp, conforme expressão a nula. Sendo assim, podemos concluir com 99% de confiança de
seguir: que há diferença nos diâmetros das arruelas produzidas pelos
dois métodos. Portanto, a afirmação do engenheiro está
equivocada.

Conteúdo 4: Planejamento/Otimização – Prof. Natal Pires – Engenharia de Automação Industrial

2015/2
Teste para uma variância
Muitas vezes há interesse em verificar possíveis alterações na variabilidade. Nesses casos, o teste pode ser feito com as
seguintes hipóteses:
𝐻𝑜 : 2 = 2𝑜 𝑒 𝐻𝑎 : 2 ≠ 2𝑜
No caso de teste unilateral, a hipótese alternativa seria:
𝐻𝑎 : 2 > 2𝑜 𝑜𝑢 𝐻𝑎 : 2 < 2𝑜
A estatística do teste é calculada por:
(𝑛 − 1)𝑠 2
2 =
2𝑜
Onde:
𝟐𝒐 é 𝑎 𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑠𝑒𝑔𝑢𝑛𝑑𝑜 𝐻𝑜
 28

𝒏 é 𝑜 𝑡𝑎𝑚𝑎𝑚𝑛ℎ𝑜 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎
𝒔𝟐 é 𝑎 𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎
Exemplo 1: Uma rede de computadores passou por algumas mudanças. Dados históricos mostram que a rede apresenta
variância de 1,3 s2. Após serviço de manutenção, foram medidos 10 tempos de envio de um pacote de 10 MB. O desvio
padrão encontrado para tais medidas foi de 0,5514 s. Existe evidência suficiente de que as mudanças na rede de
computadores alteraram a variabilidade no tempo de transmissão de dados? Use  = 5%.
De acordo com os dados fornecidos vamos começar estabelecendo as (𝑛 − 1)𝑠 2
2 =
hipóteses necessárias para o teste: 2𝑜
Ho: 𝜎 2 = 1,3 𝑠 2 (10 − 1)0,55142
2 = = 2,11
1,3
Ha: 𝜎 2 ≠ 1,3 𝑠 2
Para 9 graus de liberdade e usando a distribuição 2 para um nível 0,10

de significância de 5% para um teste bilateral, temos as seguintes

0,08

regiões de interesse.
Density 0,06

0,10 0,04

0,08 0,02
0,025
0,025
0,00
Density

0,06 0 2,70 19,0

X
2,11

0,04
Dessa forma, como o valor calculado está na região de rejeição da
0,02
0,025
hipótese nula, devemos aceitar a hipótese alternativa, ou seja, ao nível
0,025
0,00
0 2,70 19,0
de confiança de 95%, podemos afirmar que a intervenção na rede fez
X
com que a variabilidade de transmissão dos dados tenha diminuído
Uma vez determinando os limites críticos, vamos agora obter o valor de 1,3 s2 para (0,5514)2 = 0,3 s2.
calculado de 2 a partir dos dados. Isto pode ser feito a partir da
seguinte expressão:
Exemplo 2: Usuários de uma rede de transmissão de energia elétrica tem reclamado da alta variação na tensão (desvio
padrão 12 V). A empresa encarregada da transmissão de energia elétrica na região instalou novos transformadores. O
desvio padrão calculado sobre 30 observações independentes foi de 8 V e a distribuição de frequências dos valores da
amostra sugere uma distribuição normal. Há evidência de redução na variação da tensão? Use =5%
De acordo com os dados fornecidos vamos começar estabelecendo as (𝑛 − 1)𝑠 2
2 =
hipóteses necessárias para o teste: 2𝑜
Ho: 𝜎 2 = 122 = 144 𝑉 2 (30 − 1)82
2 = = 12,89
122
Ha: 𝜎 2  122 = 144 𝑉 2
Para 29 graus de liberdade e usando a distribuição 2 para um
nível de significância de 5% para um teste unilateral à esquerda,
temos as seguintes regiões de interesse.
 29

0,06 0,06

0,05 0,05

0,04
0,04
Density

Density
0,03
0,03

0,02
0,02

0,01
0,05 0,01
0,05
0,00
17,7
X
0,00
17,7
12,89 X

Uma vez determinando os limites críticos, vamos agora obter o valor

Dessa forma, como o valor calculado está na região de rejeição da
calculado de 2 a partir dos dados. Isto pode ser feito a partir da
hipótese nula, devemos aceitar a hipótese alternativa, ou seja, ao nível
seguinte expressão:
de confiança de 95%, podemos afirmar que a instalação dos novos
transformadores, surtiu efeito positivo no sentido de diminuir a
variabilidade da tensão.
Exemplo 3: Em certo banco de dados a realização de buscas tem apresentado ao longo do tempo um desvio padrão de
14 s. Ao ser realizado um trabalho de manutenção, foram realizadas 30 observações e o desvio padrão encontrado para
esta amostra foi de 12 s. Há evidência de alteração na variância? Use  = 5%
De acordo com os dados fornecidos vamos começar estabelecendo as (𝑛 − 1)𝑠 2
2 =
hipóteses necessárias para o teste: 2𝑜
Ho: 𝜎 2 = 142 = 196 𝑠 2 (30 − 1)122
2 = = 21,3
142
Ha: 𝜎 2 ≠ 142 = 196 𝑠 2
0,06
Para 29 graus de liberdade e usando a distribuição 2 para um
0,05

nível de significância de 5% para um teste bilateral, temos as

0,04

seguintes regiões de interesse.

Density

0,03

0,06 0,02

0,05
0,01

0,025
0,04 0,025
0,00
16,0 45,7
Density

0,03 21,3 X

0,02
Dessa forma, como o valor calculado está na região de aceitação da
0,01

0,00
0,025

16,0 45,7
0,025
hipótese nula, devemos aceitar a hipótese nula, ou seja, ao nível de
X

confiança de 95%, podemos afirmar que o trabalho de manutenção

Uma vez determinando os limites críticos, vamos agora obter o valor
realizado não teve efeito sobre a variabilidade do sistema em questão.
calculado de 2 a partir dos dados. Isto pode ser feito a partir da
seguinte expressão:
Teste F para duas variâncias
Suponha que queremos comparar se duas populações, supostamente com distribuições normais, tem a mesma variância.
Formulamos as hipóteses por:
𝐻𝑜 : 12 = 22 𝑒 𝐻𝑎 : 12 ≠ 22
Onde:
𝟐𝟏 é 𝑎 𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑑𝑎 𝑝𝑜𝑝𝑢𝑙𝑎çã𝑜 1
𝟐𝟐 é 𝑎 𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑑𝑎 𝑝𝑜𝑝𝑢𝑙𝑎çã𝑜 2
 30

A distribuição de referência para este teste é a chamada distribuição F com g = n1 – 1 no numerador e g = n2 -1 no

denominador, para os níveis de significância 0,10; 0,05; 0,025 e 0,01. O maior valor de variância a ser testada vem sempre
no numerador.
𝑠12
𝐹= 2
𝑠2
Exemplo 1: O fabricante I de um tipo especial de aço afirma que, em relação à resistência à tração, seu produto é mais
homogêneo que o do fabricante II. Para verificar essa afirmação foi considerada uma amostra de 11 cabos de aço do
fabricante I e uma de 15 cabos do fabricante II. As estimativas dos desvios padrões obtidas foram, respectivamente, 5
kg/cm2 e 8 kg/cm2. Com esses resultados, qual seria a conclusão a respeito da afirmação do fabricante I? Use =5%.
A partir das informações fornecidas pelo problema vamos propor as Uma vez determinando o limite crítico, vamos agora obter o valor
hipóteses necessárias para se realizar o teste em questão. calculado de F a partir dos dados. Isto pode ser feito a partir da
𝐻𝑜 : 12 = 22 seguinte expressão:
𝐻𝑎 : 12  22 𝑠12
𝐹=
Daí definiremos que: 𝑠22

1 2 82
𝐹= = 2,56
52
𝒔𝟐 64 kg2/cm4 25 kg2/cm4
n 15 11 0,8

0,7
Dessa forma, faremos um teste unilateral à direita, onde temos 14
0,6
graus de liberdade para o numerador e 10 graus de liberdade para 0,5
Density

o denominador. Consultando a tabela de distribuição F para  = 0,4

0,3
5%, encontra-se facilmente o valor crítico representado na
0,2
distribuição a seguir.
0,1
0,05
0,0
0,8 0 2,86
2,56 X
0,7

0,6
Como o valor calculado de F está na região de aceitação da hipótese
0,5
nula, podemos concluir que, ao nível de confiança de 95%, a
Density

0,4

0,3 afirmação do fabricante I não é verdadeira, e podemos afirmar que

0,2

0,1
ambos os cabos apresentam mesma homogeneidade.
0,05
0,0
0 2,86
X

Exemplo 2: Pastilhas de semicondutores são atacadas por um gás como forma de atingir uma espessura apropriada. A
variabilidade da espessura nestas pastilhas é uma característica crítica. Um engenheiro está testando dois gases diferentes
para ver se há diferença de variabilidade entre eles, sendo que o gás 1 tem um custo 20% maior do que o gás 2. Dessa
forma, ele testa 20 pastilhas com cada gás e, os desvios padrão da espessura de óxido são s1 = 1,96 angstrons e s2 = 2,13
angstrons, respectivamente. Há qualquer evidência que indique ser um gás preferível em relação a outro? Use  = 5%.
A partir das informações fornecidas pelo problema vamos propor as O limite inferior é calculado através do recíproco de 𝐹𝛼; 1 ;2 ,
hipóteses necessárias para se realizar o teste em questão. conforme expressão a seguir.
𝐻𝑜 : 12 = 22 1
𝐹1−𝛼; 2 ;1 =
𝐻𝑎 : 12 ≠ 22 𝐹𝛼; 1 ;2
 31

Daí definiremos que: 1 1

𝐹97,5; 19;19 = = = 0,396
1 2 𝐹0,25; 19; 19 2,525

𝒔𝟐 4,5369 3,8416 Uma vez determinando os limites críticos, vamos agora obter o

n 20 20 valor calculado de F a partir dos dados. Isto pode ser feito a partir
da seguinte expressão:
Dessa forma, faremos um teste bilateral, onde temos 19 graus de
liberdade para o numerador e 19 graus de liberdade para o 𝑠12
𝐹= 2
𝑠2
denominador. Aqui surge uma questão importante, pois o nível de
4,5369
significância requerido para o teste é de 5%, porém o teste é bilateral, e 𝐹= = 1,18
3,8416
sendo assim, deveremos consultar uma tabela de F para  = 2,5% =
1,0
0,025. Lembre-se de que conforme discutido em aula, ao consultar Fcrítico para gl = 20 Fcrítico para gl = 15

0,382 0,398

tabelas de F podemos ter problemas para encontrar todos os graus de 0,8

liberdade necessários. Neste caso, podemos fazer uma interpolação para 0,6 2,51 2,62

Density
o gl desejado, ou até mesmo realizar o teste com dois limites que
0,4
contenham no intervalo o gl de interesse. Daí, só precisaremos fazer a
interpolação se o valor de Fcalculado estiver dentro do intervalo considerado. 0,2
0,025
Aqui neste exercício apresentarei todos os valores de Fcrítico citados 0,025
0,0
0 0,396 2,53
anteriormente. Nas outras resoluções irei omitir tal fato, e usarei o valor 1,18 X

de Fcrítico correto para o gl necessário. Para obter este valor estarei Como o valor calculado de F está na região de aceitação da
utilizando um software estatístico. hipótese nula, podemos concluir que, ao nível de confiança de

1,0
95%, não há qualquer evidência de melhores resultados de um
Fcrítico para gl = 20 Fcrítico para gl = 15

0,382 0,398
gás em relação a outro. Dessa forma, por motivos óbvios
0,8
deveríamos optar por aquele que tem o menor custo.
0,6 2,51 2,62
Obs.: Veja que o valor 1,18 não ficou em nenhum dos intervalos
Density

(0,382; 0,398) e (2,51; 2,62). Sendo assim, os limites inferior

0,4
(0,393) e superior (2,53) nem precisariam ser estimados caso
0,2 tivéssemos apenas a tabela de distribuição F à nossa disposição.
0,025
0,025
Porém, ao usarmos um software estatístico todos estes
0,0
0 0,396 2,53
X inconvenientes se tornam desconsideráveis.

Exemplo 3: A empresa A alega que a vida útil de seus aparelhos tem variância menor do que a dos aparelhos da empresa
B. Uma amostra aleatória da duração de 20 aparelhos da empresa A tem variância de 2,6. Uma amostra aleatória de 20
aparelhos da empresa B tem uma variância de 2,8. Sendo  = 0,05, você pode confirmar a alegação da empresa A?
A partir das informações fornecidas pelo problema vamos propor as Uma vez determinando o limite crítico, vamos agora obter o valor
hipóteses necessárias para se realizar o teste em questão. calculado de F a partir dos dados. Isto pode ser feito a partir da
𝐻𝑜 : 12 = 22 seguinte expressão:
𝐻𝑎 : 12  22 𝑠12
𝐹=
Daí definiremos que: 𝑠22

1 2
 32

𝒔𝟐 2,8 2,6 2,8

𝐹= = 1,08
2,6
n 20 20
Dessa forma, faremos um teste unilateral à direita, onde temos 19 1,0

graus de liberdade para o numerador e 19 graus de liberdade para o

0,8

denominador, com nível de significância de 5%. Consultando a tabela

0,6
de distribuição F para  = 5%, encontra-se facilmente o valor crítico

Density
representado na distribuição a seguir. 0,4

1,0 0,2

0,05
0,8 0,0
0 2,17
1,08 X

0,6
Como o valor calculado de F está na região de aceitação da hipótese
Density

0,4
nula, podemos concluir que, ao nível de confiança de 95%, não há

0,2
qualquer evidência de que a marca A tenha menor variância que a
0,05
marca B. Deste modo, a alegação da empresa A é falsa.
0,0
0 2,17
X

Exemplo 4: Uma empresa que fabrica artefatos de plástico para um painel de automóvel recebeu um novo molde de
injeção que, supõe-se, é mais consistente do que o atual. Um técnico do setor de qualidade quer testar se o novo molde
produzirá painéis com menos variabilidade na espessura do que os atuais. A tabela a seguir exibe amostras aleatórias
independentes (de tamanho 12) das espessuras dos painéis (em milímetros) tanto para o atual quanto para o novo molde.
Suponha que as amostras tenham sido extraídas de uma população normalmente distribuída. Sendo  = 0,05, teste a
alegação de que o novo molde produz painéis com menos variabilidade na espessura do que o molde atual.
Novo 9,611 9,618 9,594 9,580 9,611 9,597 9,638 9,568 9,605 9,603 9,647 9,590
Atual 9,571 9,642 9,650 9,651 9,596 9,636 9,570 9,537 9,641 9,625 9,626 9,579

A partir das informações fornecidas pelo problema vamos propor as Uma vez determinando o limite crítico, vamos agora obter o valor
hipóteses necessárias para se realizar o teste em questão. calculado de F a partir dos dados. Isto pode ser feito a partir da
𝐻𝑜 : 12 = 22 seguinte expressão:
𝐻𝑎 : 12  22 𝑠12
𝐹= 2
A partir dos dados fornecidos obtemos e definimos que: 𝑠2

1 (Atual) 2 (Novo) 0,001336

𝐹= = 2,91
0,000458
𝒔𝟐 0,001336 0,000458
n 12 12
Dessa forma, faremos um teste unilateral à direita, onde temos 11
graus de liberdade para o numerador e 11 graus de liberdade para o
denominador, com nível de significância de 5%. Consultando a tabela
de distribuição F para  = 5%, encontra-se facilmente o valor crítico
representado na distribuição a seguir.
 33

0,8 0,8

0,7 0,7

0,6 0,6

0,5 0,5

Density
Density

0,4
0,4

0,3
0,3

0,2
0,2

0,1
0,1
0,05
0,05 0,0
0,0 0 2,82
0 2,82 X 2,91
X

Como o valor calculado de F está na região de rejeição da hipótese

nula, podemos concluir que, ao nível de confiança de 95%, o novo
molde produz painéis com menos variabilidade na espessura do que
o molde atual.
Exemplo 5: Dois engenheiros estão disputando uma vaga numa indústria e realizaram uma determinação laboratorial,
cujos resultados são apresentados a seguir:
Engenheiro A: n = 11; sA = 0,210 e Engenheiro B: n = 13; sB = 0,641.
A princípio, qual dos engenheiros parece ser o mais habilidoso? Prove se existe ou não alguma diferença significativa
entre as precisões destes dois conjuntos de resultados. Caso seja possível, qual engenheiro você contrataria? Use  = 5%.
A partir das informações fornecidas pelo problema vamos propor as 𝑠12
𝐹=
hipóteses necessárias para se realizar o teste em questão. 𝑠22
𝐻𝑜 : 12 = 22 0,410881
𝐹= = 9,32
0,0441
𝐻𝑎 : 12 ≠ 22
A partir dos dados fornecidos obtemos e definimos que: 0,8

1 (B) 2 (A) 0,7

0,6
𝒔𝟐 0,410881 0,0441
0,5

n 13 11
Density

0,4

Dessa forma, faremos um teste bilateral, onde temos 12 graus de 0,3

liberdade para o numerador e 10 graus de liberdade para o 0,2

0,025
denominador, com nível de significância de 5%. Consultando a 0,1
0,025
0,0
tabela de distribuição F para  = 2,5%, encontram-se facilmente 0 0,296
X
3,62
9,32

os valores críticos representados na distribuição a seguir.

Como o valor calculado de F está na região de rejeição da hipótese
nula, podemos concluir que, ao nível de confiança de 95%, o
engenheiro A é mais habilidoso do que o engenheiro B.
 34

0,8

0,7

0,6

0,5
Density

0,4

0,3

0,2
0,025
0,1
0,025
0,0
0 0,296 3,62
X

Uma vez determinados os limites críticos, vamos agora obter o valor

calculado de F a partir dos dados. Isto pode ser feito a partir da
seguinte expressão:
Exemplo 6: Os seguintes resultados foram obtidos durante uma comparação entre um método novo e um método
tradicional de determinação da porcentagem de níquel em um aço especial:
Método Novo Método a) As variâncias dos dois métodos pertencem a uma mesma
Tradicional população (ou seja, são iguais?)? Usar  = 5%.
Média 𝑥̅ = 7,85% 𝑥̅ = 8,03% b) Calcule ao nível de confiança de 95% se há diferença
Desvio padrão 𝑠 = 0,130% 𝑠 = 0,095% estatisticamente significativa entre os dois métodos.
Amostras 𝑛1 = 5 𝑛1 = 6
a) A partir das informações fornecidas pelo problema vamos propor Uma vez determinados os limites críticos, vamos agora obter o valor
as hipóteses necessárias para se realizar o teste em questão. calculado de F a partir dos dados. Isto pode ser feito a partir da
𝐻𝑜 : 2𝑁𝑜𝑣𝑜 = 2𝑇𝑟𝑎𝑑𝑖𝑐𝑖𝑜𝑛𝑎𝑙 seguinte expressão:
𝐻𝑎 : 2𝑁𝑜𝑣𝑜 ≠ 2𝑇𝑟𝑎𝑑𝑖𝑐𝑖𝑜𝑛𝑎𝑙 𝑠12
𝐹=
A partir dos dados fornecidos obtemos e definimos que: 𝑠22

1 (Novo) 2 (Tradicional) 0,0169

𝐹= = 1,87
0,009025
𝒔𝟐 0,0169 0,009025
n 5 6 0,7

Dessa forma, faremos um teste bilateral, onde temos 4 graus de 0,6

liberdade para o numerador e 5 graus de liberdade para o 0,5

0,025
Density

0,4
denominador, com nível de significância de 5%. Consultando a tabela
0,3
de distribuição F para  = 2,5%, encontram-se facilmente os valores
0,2
críticos representados na distribuição a seguir.
0,1

0,025
0,0
0,7 0,107
7,39
1,87 X
0,6

0,5
Como o valor calculado de F está na região de aceitação da hipótese
0,025
Density

0,4
nula, podemos concluir que, ao nível de confiança de 95%, não há
0,3

0,2
diferença entre as variâncias apresentadas, e assim, podemos
0,1 afirmar que elas pertencem à mesma população.
0,025
0,0 0,107
7,39
X
 35

b) A tabela fornecida nos apresenta os valores a seguir: Primeiramente, neste caso, deveremos calcular o sp, conforme
expressão a seguir:
Método Novo Método Tradicional (𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22
𝑠𝑝2 =
𝑥̅ = 7,85% 𝑥̅ = 8,03% 𝑛1 + 𝑛2 − 2

𝑠 = 0,130% 𝑠 = 0,095% (6 − 1)0,0952 + (5 − 1)0,1302

𝑠𝑝2 =
6+5−2
𝑛1 = 5 𝑛1 = 6
0,112725
De acordo com os dados fornecidos vamos começar estabelecendo as hipóteses = = 0,012525
9
necessárias para o teste: Agora precisamos obter o valor de tcalculado para poder
Ho: Método Novo = Método Tradicional finalizar o teste. Este valor é obtido a partir da seguinte
Ha: Método Novo ≠ Método Tradicional expressão.
(𝑥̅1 − 𝑥̅2 ) − ∆
𝑡=
O teste em questão é bilateral. Vamos utilizar a distribuição “t de Student” 1 1
𝑠𝑝 √𝑛 + 𝑛
1 2
para n1 + n2 – 2 = 9 graus de liberdade e um nível de significância de 5%.
(8,03 − 7,85) − 0 0,18
Nestas circunstâncias encontramos o valor de tcrítico = 2,262. As regiões de 𝑡= = = 2,66
1 1 0,0677
interesse estão assinaladas no gráfico a seguir: 0,1119√6 +
5

0,4 0,4

0,3
0,3
Density
Density

0,2
0,2

0,1
0,1

0,025 0,025
0,0
0,025 0,025 -2,262 0 2,262
X 2,66
0,0
-2,262 0 2,262
X
O valor calculado se encontra na região de rejeição da hipótese
nula. Sendo assim, podemos concluir com 95% de confiança
de que há diferença entre as médias obtidas pelos dois
métodos.

Importante: na realização da avaliação NÃO poderá ser utilizada calculadora gráfica (HP e/ou similares). Poderão ser empregadas
calculadoras simples que contenham funções estatísticas tais como média e desvio-padrão apenas. As probabilidades e valores de “z”, “t”,
2 e F, deverão ser obtidos a partir das tabelas que irão acompanhar a avaliação.

Sucesso a todos!