Escolar Documentos
Profissional Documentos
Cultura Documentos
AULA 1
1
O que é Estatística?
Tipos de estatística:
• Estatística Descritiva: utiliza números para descrever fatos.
• Probabilidade: analisa situações que envolvem o acaso.
• Inferência Estatística: analisa e interpreta dados amostrais.
Dados e Variáveis
Dados são fatos que representam as coisas do mundo real em sua forma primária e
possuem pouco valor além de si mesmos. Apesar disso, estão entre os recursos mais
valiosos de uma organização.
Variáveis são características de um item. Dados são os diferentes valores que podem ser
associados a uma variável.
2
População e Amostra
conclusão.
Tabela de Frequências
Para organizar os dados, à medida que o número de observações
3
Gráfico de Barras
9
0
32 33 34 35 36 37 38 39
Gráfico de Setores
32
33
34
35
36
37
38
39
4
Histograma
6
0
16 24 32 40 48
8 16 24 32 40
Polígono de Frequências
6
0
16 24 32 40 48
8 16 24 32 40
5
Exemplo
Pedidos:
a) Construa a tabela de frequências.
b) Construa o gráfico de barras correspondente.
c) Construa o gráfico de setores correspondente.
Exercício
Um estudo sobre o valor da diária dos funcionários de uma empresa foi
feito por parte do Financeiro. Uma amostra de 20 funcionários
escolhidos aleatoriamente apresentou os seguintes resultados:
Pedidos:
6
Medidas de Posição
Medidas Separatrizes:
• Quartis.
• Decis.
• Percentis.
Medidas de Variação
• Amplitude.
• Amplitude Interquartil.
• Variância.
• Desvio Padrão.
• Coeficiente de Variação.
• Coeficiente de Assimetria de Pearson.
7
Medidas de Posição para Dados
Numéricos
Medidas de Tendência Central:
n
∑X i
X1 + X 2 + L + Xn
• Média aritmética: X= i=1
=
n n
Exemplo
54 54 56 63 65 75 78 88 89 92
Pedidos:
a) Calcule a média.
b) Calcule a mediana.
c) Calcule a moda.
8
Medidas de Posição para Dados
Numéricos
Medidas Separatrizes:
• Quartis: medidas descritivas que dividem os dados ordenados em 4
partes.
Q1 Q2 Q3
( n + 1) 2(n + 1) 3( n + 1)
Q1 = Q2 = Q3 =
4 4 4
(n + 1) ( n + 1)
• Decis: dividem em 10 partes. D1 = P1 =
10 100
• Percentis: dividem em 100 partes.
Exemplo
6 8 14 14 14 14 16 16 18 22 24 32
Pedidos:
9
Medidas de Variação para Dados
Numéricos
• Amplitude: Diferença entre o maior e o menor valor num conjunto de
dados.
Amplitude =
Xmaior− Xmenor
∑ (X − X)i
2
S2 = i =1
n -1
• Desvio Padrão:
n
∑ (X i − X) 2
S= i =1
n -1
10
Exemplo
6 8 14 14 14 14 16 16 18 22 24 32
Pedidos:
b) Calcule a variância.
S
CV = ⋅ 100%
X
11
Medidas de Variação para Dados
•
Numéricos
Coeficiente de Assimetria de Pearson (Sk): Indica o grau de
distorção da distribuição em relação à uma distribuição simétrica.
Sk = 3( x − Mediana)
s
Assimétrica negativa Simétrica Assimétrica positiva
Exemplo
6 8 14 14 14 14 16 16 18 22 24 32
Pedidos:
12
Ferramenta: Estatística Descritiva
X maior
X menor
Q3 X maior
X menor Q1
X menor
X maior
X menor Q1
Q3 X maior
X menor X maior
X menor Q1 Q3 X maior
13
Medidas de Posição para
População N
∑X i
X1 + X 2 + L + X N
• Média aritmética: µ= i =1
=
N N
N
∑(X i − µ) 2
• Variância: σ2 = i =1
N
N
∑(X i − µ) 2
• Desvio Padrão: σ= i =1
N
ESTATÍSTICA APLICADA
AULA 2
14
Probabilidade
Exemplos:
Probabilidade: Principais
Abordagens
• Probabilidade clássica a priori: Baseada no conhecimento prévio
sobre o processo envolvido.
Exemplo: Um dado de 6 faces é jogado. A probabilidade de obter o
número 3 é de 1/6, a probabilidade de obter o número 7 é 0/6, a
probabilidade de obter um número menor do que 5 é de 4/6, etc.
15
Probabilidade: Principais
Abordagens
• Probabilidade subjetiva: Nas duas abordagens anteriores, enquanto
a probabilidade de um evento favorável é calculada de maneira
objetiva, a probabilidade subjetiva refere-se à chance de ocorrência
atribuída a um evento por parte de um determinado indivíduo. Essa
chance provavelmente será diferente da probabilidade subjetiva
atribuída por um outro indivíduo.
Exemplo: A probabilidade de que a linha telefônica esteja ocupada.
Definições Importantes
• Experimento: É a ação ou um ensaio por meio do qual
resultados específicos são obtidos.
• Resultado: É a consequência de um único ensaio em um
experimento.
• Espaço amostral: É o conjunto de todos os resultados possíveis
em um experimento.
• Evento: Consiste em um ou mais resultados e é um subconjunto
do espaço amostral.
• Complemento do evento: Consiste em todos os resultados do
espaço amostral que não estejam incluídos no evento principal.
16
Regra da Adição
A probabilidade de ocorrer “A” ou “B” é:
P(AUB) = P(A) + P(B) – P(A e B)
Solução:
A = a carta é um rei; B = a carta é vermelha
P(A) = 4/52
P(B) = 26/52
P(A e B) = 2/52
logo P(AUB) = 4/52 + 26/52 – 2/52 = 0,54
Regra da Multiplicação
17
Regra da Multiplicação
Exemplo: Suponha que de cada 100 pessoas que vão tirar o visto
no consulado americano, 70 desejam o visto de turismo e 30 o visto
de trabalho. Suponha também que 60% das pessoas que desejam
o visto de turismo já estiveram nos EUA. Dos que desejam o visto
de trabalho, 35% já estiveram nos EUA. Determine a probabilidade
de se escolher aleatoriamente uma pessoa que deseje tirar o visto
de turismo e nunca esteve nos EUA.
Solução:
P(visto de turismo e nunca) = P(visto de turismo) X P(nunca / visto
de turismo)
P(visto de turismo e nunca) = 0,7 X 0,4 = 0,28
Exercício
Pedidos:
a) Qual a probabilidade de ser sorteado um cliente que gosta de
creme e morango?
b) P(só de creme)?
c) “Gostar de creme”, “gostar de chocolate” são mutuamente
excludentes?
d) “Gostar de creme” e “gostar de chocolate ou de morango” são
complementares entre si?
18
Exercício
Pedidos:
a) “Aplicar em poupança” e “aplicar em fundo DI” são mutuamente
exclusivos?
b) “Aplicar em poupança” e “aplicar em fundo DI” são
complementares? Por quê?
Probabilidade Condicional
É a probabilidade de um evento ocorrer dado que outro evento já
ocorreu. Escreve-se essa situação com P(B/A) e lê-se “a probabilidade
de ocorrer o evento B, dado que ocorreu o evento A”.
19
Exercício
Uma empresa que realiza vendas online possui em seus arquivos a
informação de que 40% dos seus clientes são da América do
Norte, enquanto que 30% são da Europa, 20% são da América do Sul
e o restante são de outros lugares. Dos clientes que são da América do
Norte, 30% pagam a vista, enquanto 70% parcelam o valor. Estes
percentuais para os outros continentes são os seguintes
respectivamente: Europa: 40% e 60%; América do Sul: 35% e 65%; e
Outros lugares: 20% e 80%.
Pedidos:
a) Qual a probabilidade de “ser de outros lugares” ou “ser da América
do Norte”?
b) Qual a probabilidade de “ser da América do Norte” e “pagar a
vista”?
Teorema de Bayes
Tendo ocorrido o evento X1, os casos possíveis de terem acontecido
são:
• Ocorrer Y1 e X1;
• Ocorrer Y2 e X1;
• Ocorrer Y3 e X1;
P(Y2) . P(X1/Y 2)
P(Y2/X 1) =
P(Y1) . P(X1/Y 1) + P(Y2) . P(X1/Y 2) + P(Y3) . P(X1/Y 3)
20
Exercício
Pedido:
Exercício
De cada 200 carros fabricados, 80 são VW, 40 são GM, 20 são Fiat, 10
Pedidos:
a) Considerando que foi sorteado um carro escuro, qual a
probabilidade de se da marca Fiat?
b) Os eventos “VW”, “GM”, “Fiat”, e “claro” são coletivamente
exaustivos?
c) Os eventos “claro” e “escuro” são complementares entre si?
d) os eventos “Fiat” e “escuros” são independentes entre si? Por quê?
21
Distribuições de Probabilidade
Discretas
Uma variável aleatória é discreta se o número de resultados possíveis
é finito ou pode ser contado.
Exemplo: suponha que a variável aleatória em estudo seja o número
de pessoas que passam pela porta de um determinado banco em um
determinado período do dia. Podem passar 50 ou 51 pessoas, mas não
podem passar 50,7. Essa variável pode assumir uma infinidade de
valores, mas não pode assumir valores fracionários.
Distribuição Binomial
A distribuição binomial é uma distribuição discreta de
probabilidade, aplicável sempre que o processo de amostragem é do
tipo de Bernoulli:
• Em cada tentativa existem dois resultados possíveis, mutuamente
exclusivos. Eles são chamados, por conveniência, sucesso e
fracasso;
• As séries de tentativas, ou observações, são constituídas de eventos
independentes;
• A probabilidade de sucesso, indicada por p, permanece constante de
tentativa para tentativa. Ou seja, o processo é estacionário.
n!
P(X) = p X (1 − p ) n − X
X!(n − X)!
22
Exemplo
A fim de fazer uma pesquisa de mercado com montadoras
multinacionais, observou-se que uma montadora produz peças para
carro com uma probabilidade de produção de 1 peça defeituosa igual a
20%. Esta probabilidade permanece inalterada ao longo do tempo.
Pedidos:
Distribuição de Poisson
É a probabilidade de ocorrer um sucesso em um intervalo de tempo ou
espaço.
µ x × e−µ
Onde: P( x) = ; µ = λt
x!
= nº médio de sucesso no intervalo pretendido
= nº de sucessos pretendido
23
Exemplo
Distribuição Hipergeométrica
Determina a probabilidade de sucessos numa sequência de n
extrações de uma população finita, sem reposição.
Considera-se “população finita” quando o tamanho da amostra for
maior do que 5% do tamanho da população. Caso o tamanho da
população não seja conhecido, tratar-se-á como população não finita.
C xr × C nN−−xr
Onde: P( x) =
C nN
= tamanho da população
N = tamanho da amostra
n = número de sucessos na população
r = número de sucessos desejado na amostra
x
24
Exemplo
Distribuições Probabilidade
Contínuas
Uma variável aleatória contínua é aquela que pode assumir qualquer
valor de uma escala.
Exemplo: o tempo entre duas requisições chegarem a um servidor.
• Normal.
• Log Normal.
• Uniforme.
25
Distribuição Normal
Propriedades:
f(X)
Distribuição Normal
Função de densidade da probabilidade normal:
2
X −µ
− 12
e σ
1
f ( x) =
onde: σ 2π
e = constante ≅ 2,71828
π = constante ≅ 3,14159
µ = média da população
σ = desvio padrão da população
X = qualquer valor da variável contínua, -∞ <X< ∞
26
Distribuição Normal Padronizada
Fórmula de transformação:
X −µ
Z=
σ
Exemplo
Dada uma distribuição normal padronizada, com média aritmética igual
a zero e desvio padrão igual a um.
Pedidos:
1,68?
27
Exemplo
Exercício
Um conjunto de notas de provas finais em um curso de Estatística foi
considerado como normalmente distribuído, com uma média igual a 6,7
e um desvio padrão igual a 1,8.
Pedidos:
a) Qual é a probabilidade de se obter uma nota maior do que 7,4 nessa
prova?
b) Qual é a probabilidade de se obter uma nota igual ou menor do que
9,0 nessa prova?
c) Que percentagem de alunos tirou entre 5,3 e 8,9?
d) Que percentagem de alunos tirou entre 7,0 e 8,9?
e) Apenas 5% dos alunos que fizeram a prova obtiveram pontuação
mais alta de que nota?
28
Distribuição Log-Normal
Frequentemente usada na modelagem do preço de ações e outros
ativos financeiros. Também pode modelar o tempo até a ocorrência de
um defeito de uma máquina.
Diz-se que “X” é uma variável aleatória distribuída segundo uma log-
normal quando o seu logarítimo natural for normalmente distribuído.
Passos:
1) Fazer o IL(índice de lucratividade) de cada linha;
2) Fazer o ln de cada IL;
3) Fazer o gráfico (a média é sempre no meio);
4) Aplicar a fórmula da normal;
5) Ir na tabela da normal;
6) Chegar à conclusão.
Distribuição Log-Normal
Onde:
preço de venda
IL (índice de lucratividade) =
preço de compra
ln x − média
Fórmula da normal =
desvio padrão
29
Exemplo
Considere que você seja o gerente de uma carteira de investimentos
Compra Venda
3,00 3,05
3,10 3,19
2,90 2,98
2,85 2,95
2,70 2,78
Distribuição Uniforme
Quando uma variável aleatória pode tomar qualquer valor numa
escala contínua entre dois pontos, de tal maneira que nenhum valor
seja mais provável que o outro, então as probabilidades associadas
à variável podem ser descritas pela distribuição uniforme.
30
Exemplo
Ao analisar uma proposta de trabalho, João fica sabendo por um
Distribuição de Amostragem
Um dos principais objetivos da análise de
dados é realizar inferências estatísticas, isto
é, utilizar estatísticas tais como a média
aritmética da amostra e a proporção da
amostra para estimar os parâmetros
correspondentes nas respectivas
populações.
A inferência estatística tira conclusões sobre
uma população e não sobre uma amostra.
31
Conceitos
Parâmetro populacional é uma
característica numérica da população:
Média (µ), desvio padrão (σ) e proporção da população
(π ou p).
Distribuição de Amostragem
da Média Aritmética
É a distribuição de probabilidade de todos
X
os valores possíveis da média da amostra,
(de um determinado tamanho de amostra n).
A média aritmética de todas as possíveis
médias aritméticas da amostra será igual à
média aritmética da população, µ.
32
Distribuição de Amostragem
da Média Aritmética
O desvio padrão das médias aritméticas de
todas as possíveis amostras é chamado de
erro padrão da média aritméticaσ Xe é
representado por σ .
σX =
n
Distribuição de Amostragem
da Média Aritmética
33
Exemplo
A Oxford Cereals abastece milhares de caixas de
cereais durante um turno de oito horas. Como
gerente de operações da unidade de
produção, você é responsável por monitorar a
quantidade de cereal colocada em cada caixa.
Para ser coerente com o conteúdo especificado
na embalagem, as caixas devem conter uma
média aritmética de 368 gramas de cereal. Em
razão da velocidade do processo, o peso do
cereal varia de caixa para caixa, fazendo com
que algumas caixas fiquem mal abastecidas
enquanto outras ficam hiperabastecidas.
Exemplo
Se o processo não estiver funcionando
de maneira apropriada, o peso médio
das caixas pode se desviar
demasiadamente do peso especificado
no rótulo, 368 gramas, e se torna
inaceitável. Uma vez que a pesagem de
cada caixa individual consome uma
quantidade demasiadamente grande de
tempo, é dispendiosa e ineficiente, você
deve extrair uma amostra de caixas.
34
Exemplo
Para cada amostra selecionada, você
planeja pesar as caixas individuais e calcular
a média aritmética para a amostra. Você
precisa determinar a probabilidade de que
essa média aritmética da amostra tenha sido
extraída aleatoriamente de uma população
cuja média aritmética é igual a 368 gramas.
Com base em sua análise, você terá que
decidir entre manter, alterar ou interromper o
processo.
Exemplo
Retornando ao processo de abastecimento
de cereais, se você selecionar
aleatoriamente uma amostra de 25 caixas
sem reposição dos milhares de caixas
abastecidas durante um determinado
turno, a amostra contém muito menos do
que 5% da população. Considerando que o
desvio padrão do processo de
abastecimento de cereais seja 15
gramas, calcule o erro padrão da média
aritmética.
35
Amostragem a partir de populações
normalmente distribuídas
Exemplo 3: O gerente da agência bancária verificou que o
saldo médio das contas correntes aumentou.
Considerando todos os clientes da agência, a média e o
desvio padrão do saldo médio das contas correntes
são, respectivamente, $375 e $118. Se for retirada uma
amostra de 100 contas correntes, qual a probabilidade de
a média dos saldos médios
36
Exercício
O tempo gasto por um caixa de banco, com cada
cliente, tem média aritmética da população µ=3,1
minutos e desvio padrão σ=0,4 minuto. Se você
selecionar uma amostra aleatória de 16 clientes,
Distribuição de amostragem
da proporção
ATENÇÃO: A notação utilizada será π para proporção
populacional e p para a proporção da amostra.
A proporção da amostra
X número de sucessos
p= =
n tamanho da amostra
Erro padrão da proporção
π (1 − π )
σp =
n
37
Distribuição de amostragem
da proporção
A distribuição de amostragem
da proporção para uma população finita
(amostragem com reposição), segue a
distribuição binomial.
Aula 2
Distribuição de amostragem
da proporção
Encontrando Z para a distribuição de
amostragem da proporção.
p −π p −π
Z= =
σp π (1 − π )
n
Aula 2
38
Exemplo
Aula 2
Estimativa
Exemplos: X ⇒ µ X = µ
S2 ⇒σ 2
Aula 3
39
Estimativa
Estimativa de intervalo – a estimativa está
incluída num intervalo considerando um grau de
acerto denominado intervalo de confiança que
contém a estimativa pontual.
Aula 3
Estimativa
Quanto maior a confiança maior será o intervalo.
0% de confiança → um ponto
100% de confiança → um intervalo de -∞ a +∞
Aula 3
40
Estimativa do intervalo de confiança
da média aritmética - σ conhecido
σ conhecido
σ
X ±Z⋅ ou
n
σ σ
X −Z⋅ ≤µ≤ X +Z⋅
n n
Z é chamado de valor crítico
onde é o erro de amostragem
σ
Z⋅
n
41
Estimativa do intervalo de confiança
da média aritmética - σ conhecido
Aula 3
Aula 3
42
Estimativa do intervalo de confiança
da média aritmética - σ
desconhecido
S
SX =
n
Aula 3
Distribuição t de Student
É similar à distribuição normal padronizada.
Possui maior área nas caudas e menor área no
centro, em comparação com a distribuição normal
padronizada (possui maior dispersão porque σ é
desconhecido).
Uma distribuição t com mais graus de liberdade
(maior tamanho da amostra) tem menos variabilidade
e se assemelha mais com a distribuição normal
padronizada.
Aula 3
43
Intervalo de confiança da média
aritmética - σ desconhecido
Distribuição t
X −µ
t=
S
n
Graus de liberdade
n-1
Aula 3
S
X ± tn −1 ⋅ ou
n
S S
X − tn −1 ⋅ ≤ µ ≤ X + tn −1 ⋅
n n
onde tn-1 é o valor crítico da distribuição t com n-1 graus de liberdade
Aula 3
44
Intervalo de confiança da média
aritmética - σ desconhecido
Exemplo 3: Suponha que uma amostra de
100 faturas de vendas de um empresa seja
selecionada, a partir da população de faturas
de vendas, durante o mês, e a média
aritmética da amostra de 100 faturas de
vendas seja $110,27, com um desvio padrão
da amostra igual a $28,95. Construa uma
estimativa do intervalo de confiança de 95%
do total de todas as faturas de vendas.
Aula 3
Aula 3
45
Estimativa do intervalo de
confiança para a proporção
Lembrete: quando nπ≥5 e n(1-π)≥5 ( ou
X e n-X são maiores do que 5) a
distribuição binomial se aproxima da
distribuição normal. p(1 − p) ou
p ± Z ⋅σ = p ± Z ⋅
p
n
p (1 − p ) p (1 − p )
p−Z⋅ ≤π ≤ p+Z ⋅
n n
X números de sucessos
=
n tamanho da amostra
onde:
Aula 4
46
Exemplo
Aula 4
Exercício
Uma pesquisa realizada junto a 750
trabalhadores indagou sobre o quanto eles
utilizavam a internet no trabalho: 243 afirmaram
utilizá-la dentro de limites e 183 afirmaram não
utilizar a internet no local de trabalho.
a) Construa um intervalo de confiança de 95%
para a proporção de todos os trabalhadores
que utilizavam a internet dentro de limites.
b) Construa um intervalo de confiança de 95%
para a proporção de todos os trabalhadores
que não utilizavam a internet no local de
trabalho.
Aula 4
47
Tamanho da amostra para a
média aritmética
Para determinar o tamanho da amostra, você
deve conhecer três fatores:
Aula 4
Aula 4
48
Tamanho da amostra para a média
aritmética
Na maioria dos casos, σ é desconhecido. Na prática, pode-se
escolher entre os seguintes procedimentos:
Aula 4
Aula 4
49
Tamanho da amostra para
uma proporção
Para determinar o tamanho da amostra
para estimar uma proporção, você
deve conhecer três fatores:
Aula 4
Z 2 p(1 − p) p(1 − p)
n= onde e = Z ⋅
e2 n
Aula 4
50
Tamanho da amostra para
uma proporção
Para o cálculo do tamanho da amostra teremos que ter
o valor estimado da proporção populacional π. Na
prática, esse valor pode ser escolhido por meio de um
dos seguintes procedimentos:
Um estudo piloto para selecionar uma amostra
preliminar.
Use o julgamento para o valor de π.
Aula 4
Aula 4
51
ESTATÍSTICA APLICADA
AULA 3
Teste de Hipóteses
Aula 5
52
Teste de Hipóteses
Aula 5
Aula 5
53
Teste de Hipóteses
Aula 5
Teste de Hipóteses
Aula 5
54
Teste de Hipóteses
A hipótese nula, H0, sempre se refere a um valor
especificado do parâmetro da população e não
como uma estatística da amostra.
A afirmativa da hipótese nula sempre contém um
sinal de igualdade com relação ao valor
especificado do parâmetro da população.
A afirmativa da hipótese alternativa nunca contém
um sinal de igualdade com relação ao valor
especificado do parâmetro da população.
Aula 5
Teste de Hipóteses
Você é gerente de uma lanchonete e
deseja determinar se o tempo de
espera para atender a um pedido se
modificou, no mês anterior, em relação
ao valor anterior de 4,5
minutos, correspondente à média
aritmética da população. Declare a
hipótese nula e a hipótese alternativa.
Aula 5
55
Teste de Hipóteses
Aula 5
Teste de Hipóteses
Ao ser utilizada uma estatística da
amostra para tomar decisões sobre um
parâmetro da população, existe um
risco de que uma conclusão incorreta
seja obtida. Dois diferentes tipos de
erro podem ocorrer ao ser aplicada a
metodologia do teste de hipóteses:
Erro do Tipo I: rejeitar H0, quando não deveria
Erro do Tipo II: não rejeitar H0, quando deveria
Aula 5
56
Teste de Hipóteses
Riscos na tomada de decisão
Teste de Hipóteses
Riscos na tomada de decisão
57
Teste de Hipóteses
Riscos na tomada de decisão
Decisão
H0 verdadeiro H0 falso
Estatística
Decisão correta Erro do tipo II
Não rejeitar H0
Confiança = 1-α P(Erro tipo II) = β
Decisão correta
Erro do tipo I
Rejeitar H0 Eficácia = 1-β
P(Erro tipo I) = α
Aula 5
Teste de Hipóteses
Riscos na tomada de decisão
Uma maneira de controlar e reduzir o erro do tipo II é
aumentar o tamanho da amostra. Tamanhos de
amostras maiores, de maneira geral, permitem detectar
pequenas diferenças entre os valores verdadeiros e os
valores da hipótese, com relação aos parâmetros da
população.
Aula 5
58
Exercício
Na legislação dos EUA, o acusado é tido como
inocente até que seja provado culpado.
Considere uma hipótese nula, H0, em que o
acusado seja inocente, e uma hipótese
alternativa, H1, em que o acusado seja culpado.
Um júri tem duas decisões possíveis: condenar o
acusado (isto é, rejeitar H0) ou não condenar o
acusado (isto é, não rejeitar H0). Explique o
significado dos riscos de ser cometido um erro do
tipo I ou do tipo II.
Aula 5
Aula 5
59
Teste Z de Hipóteses para a média
aritmética – σ conhecido
Método do valor crítico para o teste de hipóteses
Aula 5
Exemplo
Suponha que a amostra de 25 caixas de
cereais indicasse uma média da amostra
igual a 372,5 gramas, e o desvio padrão
da população, σ, fosse assumido como
sendo igual a 15 gramas. Se um nível de
significância de 0,05 for
utilizado, existem evidências de que a
média aritmética da população seja
diferente de 368 gramas?
Aula 5
60
Exemplo
Você é gerente de uma lanchonete e deseja determinar se o
tempo de espera para atender a um pedido se modificou, no
mês anterior, em relação ao valor anterior de 4,5
minutos, correspondente à média aritmética da população. Com
base em experiências passadas, você pode pressupor que a
população é distribuída nos moldes da distribuição normal, com
desvio padrão de 1,2 para a população. Você seleciona uma
amostra de 25 pedidos durante um período de uma hora. A
média aritmética da amostra é de 5,1 minutos. Existem
evidências, no nível de significância de 0,05 de que a média
aritmética da população do tempo de espera para o
atendimento de um pedido se modificou, no mês passado, em
relação ao seu valor anterior de 4,5 minutos para a média
aritmética da população.
Aula 5
Testes Unicaudais
ou Teste Direcional
É um teste de hipóteses no qual a rejeição
da hipótese nula ocorre para valores da
estatística do teste em uma cauda da
distribuição amostral.
Aula 5
61
Testes Unicaudais
Exemplo
Uma empresa que processa queijos está
interessada em avaliar se alguns fornecedores de
leite para a sua produção estão adicionando água
a seu leite na tentativa de aumentar a quantidade
de leite fornecido para o processamento. Sabe-se
que água em excesso reduz o ponto de
congelamento do leite. O ponto de congelamento
do leite natural é normalmente distribuído, com
média aritmética de -0,545ºC. Sabe-se, também,
que o desvio padrão da temperatura de
congelamento do leite é igual a 0,008ºC.
Aula 5
Testes Unicaudais
Exemplo
Uma vez que a empresa de queijos está
interessada somente em determinar se o ponto de
congelamento do leite é inferior àquele que seria
esperado para o leite natural, toda a região de
rejeição se encontra localizada na cauda inferior
da distribuição.
H 0 : µ ≥ −0,5450
H1 : µ < −0,5450
Aula 5
62
Testes Unicaudais
Exemplo
Se uma amostra de 25 recipientes de
leite for selecionada, e a média aritmética
do ponto de congelamento da amostra for
determinada como sendo -
0,550ºC, resolver o problema utilizando o
teste Z e o valor-p.
Aula 5
Exemplo
Uma empresa que fabrica barras de chocolate está
particularmente preocupada com o fato de a média
aritmética do peso de uma barra de chocolate não ser
superior a 6,03 onças. Experiências passadas
permitem que você pressuponha que o desvio padrão
seja de 0,02 onça. Uma amostra com 50 barras de
chocolate foi selecionada, e a média aritmética da
amostra é 6,034 onças. Utilizando o nível de
significância de 0,01, existem evidências de que a
média aritmética da população correspondente ao
peso das barras de chocolate seja maior do que 6,03
onças?
Aula 5
63
Teste t de Hipóteses para a média
aritmética – σ desconhecido
Estatística do teste t
X −µ
t=
S
n
Graus de liberdade
n-1
Aula 5
Exemplo
Aula 5
64
Exemplo - continuação
Na tentativa de verificar a afirmação do
gerente de marketing foi realizada uma
pesquisa de renda mensal em uma
amostra de 50 associados escolhidos
aleatoriamente na população de
associados. O resultado da pesquisa
mostrou que a variável aleatória renda
mensal tem média $2.590 e desvio padrão
$285. Que conclusões podemos tirar
desses dados da amostra?
Aula 5
Exemplo - continuação
Aula 5
65
Exemplo - continuação
Para determinarmos qual é a afirmação verdadeira, recorreremos
ao teste de hipóteses.
H 0 : µ = $2.500
H1 : µ ≠ $2.500
Aula 5
Exemplo - continuação
Aula 5
66
Exercício
O gerente de uma empresa no ramo de telefonia
está interessado em determinar se a instalação
de um novo equipamento telefônico aumentou as
vendas médias por funcionário. No último ano, as
vendas durante o mês de julho foram de
R$3.987,00. Logo que o mês de julho terminou no
ano corrente, o gerente selecionou uma amostra
de quinze funcionários e avaliou o nível de
vendas de cada um deles, que se caracterizou da
seguinte maneira:
Aula 5
Exercício
Aula 5
67
Teste Z de Hipóteses para a
proporção
p −π
Z=
π (1 − π )
n
onde:
X números de sucessos
=
p = proporção de sucessos na amostra = n tamanho da amostra
n = tamanho da amostra
Aula 5
X − nπ
Z=
nπ (1 − π )
Aula 5
68
Exemplo
Aula 5
Exemplo
Aula 5
69
Teste χ2 para a diferença entre duas
proporções
H 0 : π1 = π 2
H1 : π1 ≠ π 2
Nesse teste, em vez de comparar
diretamente proporções de sucessos, os
dados são examinados em termos da
freqüência de sucessos nos dois grupos.
Aula 10
Aula 10
70
Tabela de Contingência 2x2
Tabela de contingência 2x2 para a pesquisa de
satisfação do hóspede.
Hotel
Escolheria
novamente o Beachcomber Windsurfer Total
hotel?
Aula 10
Aula 10
71
Cálculo da freqüência esperada
fe
Caso a hipótese nula seja verdadeira, ou seja, se as
proporções de sucessos nas duas populações forem iguais
entre si, então as proporções das amostras, calculadas a partir
de cada grupo, iriam divergir uma da outra, somente em função
do acaso, e cada uma iria fornecer uma estimativa do
parâmetro comum da população, π. Por isso, uma estatística
que agrupa ou combina essas duas estimativas separadas
dentro de uma estimativa geral do parâmetro da população, π,
fornece mais informações do que qualquer uma das duas
estimativas em separado poderia fornecer. Essa estatística é
X1 + X 2 X
p= = proporção geral de sucessos
n1 + n2 n
Aula 10
72
Grau de Liberdade
onde:
Regra de decisão
A hipótese nula é rejeitada em favor da
hipótese alternativa se a estatística calculada do
teste χ2 for maior do que o valor crítico da cauda
superior, a partir da distribuição qui-quadrada,
que possui 1 grau de liberdade.
Aula 10
73
Exemplo
Aula 10
Exemplo
Para resolvermos esse exemplo teremos que:
Calcular .
Calcular as freqüências esperadas. p
Criar a tabela de contingência 2x2 para comparar
os dados observados (fo) e esperados (fe), relativos
à satisfação de hóspedes.
Calcular a estatística do teste χ2.
Encontrar o valor crítico da estatística do teste χ2.
Aula 10
74
Exercício
Aula 10
Exercício
Condição da fôrma
Qualidade Nenhuma
Partículas Total
da placa partícula
Aula 10
75
ESTATÍSTICA APLICADA
AULA 4
Regressão Linear
76
Regressão Linear Simples
Descrevemos a equação linear através da fórmula:
y = a + bx
b =
n ∑ xy − ( ∑ x )( ∑ y)
n ∑ x 2
− ( ∑ x)2
a =
∑ y
−
b ∑ x
n n
Exemplo
77
Regressão Linear Múltipla
yˆ = a + b1 x1 + b 2 x 2 + L + b n x n
78
Exemplo
Vendas de uma loja de departamento:
79