Escolar Documentos
Profissional Documentos
Cultura Documentos
Estatística
Apresentação
Caro Aluno,
Ementário
Habilidades e Atitudes
Sumário
Aula 01 -
Conceitos Básicos de Estatística
Objetivos da Aula
Estatística Probabilidade
Descritiva
Estatística
Indutiva
Variável: sexo
Variável: diâmetro Variável: número de Variável: a candidata mais
masculino ou
externo caras obtidas bela.
feminino
Estatística.
As séries estatísticas geralmente encontradas são:
Referências Bibliográficas
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo:
Editora Edgard Blücher Ltda., 1992.
Aula 02
Distribuição de Freqüências e
Apresentação de Dados
Objetivos da Aula
Vejamos o exemplo:
Onde:
K = número de classes
N = número total de observações
Dessa forma:
Portanto temos:
Exemplo 2:
Referência Bibliográfica:
MANDIM, Daniel. Estatística Descomplicada. 10. ed. Brasília: Vestcon
Editora Ltda., 2003.
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo: Editora
Edgard Blücher Ltda., 1992.
Sites
ABNT – Associação Brasileira de Normas Técnicas: http://www.abnt.org.br/
Aula 03
Representação Gráfica
Tipos de representação gráfica e suas
aplicações.
Objetivos da aula:
Introdução
Na aula 2, conhecemos as técnicas de Distribuição de Freqüências
e de Apresentação de Dados. Hoje aprenderemos como facilitar o
entendimento e interpretação das informações através da utilização
de gráficos.
Histograma
Freqüentemente utilizado para dados agrupados em classes
(geralmente dados contínuos), privilegia a grandeza relativa em
detrimento à absoluta, que pode ser apresentada numa tabela
adicional quando imprescindível.
Poligonal Característica
É o gráfico que utiliza, em sua representação, o contorno do
histograma.
Polígono de Freqüências
É o gráfico que se obtém unindo-se por linhas retas os pontos
médios das bases superiores dos retângulos de um histograma;
tende a valorizar o comportamento da curva, apontando claramente
o crescimento, decrescimento ou estabilização.
Curva de Freqüências
É a suavização das retas obtidas no polígono de freqüências
Gráficos de Linhas
Semelhante ao polígono de freqüências, mas não derivado dos
pontos do histograma, muito utilizado para representação de séries
temporais.
Gráfico de Setores
Usualmente construído para apresentar a importância relativa das
proporções, com a disseminação das ferramentas de informática,
passou a incluir as grandezas absolutas.
Diagrama de Pareto
É uma ferramenta usada amplamente quando se objetiva ganhos de
qualidade, pois ela estabelece prioridades. Seu nome tem origem de
um economista italiano de chamado Pareto que, em seus estudos de
distribuição de renda, primeiramente construiu este tipo de gráfico.
Referências Bibliográficas
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo:
Editora Edgard Blücher Ltda., 1992.
Aula 04
Medidas de Tendência Central e
Separatrizes
Objetivos da aula:
∑x i
x= i =1
Onde:
x- - média aritmética
n- número de dados
xi - os valores da variável
n
Relembrando a notação ∑ xi(lê-se somatório de xi , i de 1 a n) significa
i =1
que todos os valores de xi devem ser somados, desde o primeiro (xi )
até o n-ésimo (xi ).
x g = n x1.x2 ......xn
Onde:
x g - média geométrica
n - número de dados
x1 x2 ..... xn - os valores da variável
∑c
x gp = i =1 x1c1 .x2c2 ......xncn
Onde:
x gp - média geométrica ponderada
n
xh = n
1
∑
i =1 xi
n
x hp = n
ci
∑i =1 xi
x hp - média harmônica ponderada
xi - os valores das variáveis
n - número de variáveis
ci - freqüência das variáveis
Moda
f mo − f ant
M o = li + c
2 f mo − (f ant + f post )
Onde:
li - limite inferior da classe modal
c - intervalo de classe
f mo - freqüência da classe modal
f ant - freqüência anterior à classe modal
f post- freqüência posterior à classe modal
Mediana
A Mediana ( ) é uma medida de tendência central, que divide uma série
ordenada (ROL) de tal maneira que pelo menos a metade, ou 50% dos
itens, sejam iguais ou maiores que ela. Dessa forma, é também uma
separatriz , dividindo a série em partes iguais.
n +1
E=
2
onde:
E - é o elemento central da amostra
n - é o número de valores da amostra
xi fi fac
2 5 5
4 10 15
6 15 30
8 12 42
10 5 47
12 3 50
Somatório 50
n 50
E= = = 25
2 2
6+6
Md = =6
2
E − f antac
M d = li + c
f Md
onde:
li - limite inferior da classe mediana
E - sempre determinado por
f Md - freqüência absoluta da classe mediana
f Md - freqüência acumulada anterior à classe mediana
c - intervalo de classe
1- Deseja-se obter o
ponto que divide o
conjunto em partes
Difícil de iguais;
Valor que divide o Menos sensível a determinar 2- Há valores
Mediana conjunto em duas valores extremos para grande extremos que
partes iguais. que a média. quantidade de afetam de maneira
dados acentuada a média;
3- A variável em
estudo é salário.
1-
Deseja-
se obter ima
Não se presta
medida rápida e
Valor “típico”; a análise
aproximada da
Maior quantidade matemática;Pode
Valor mais posição;
Moda de valores não haver moda
freqüente 2- A medida de
concentrados neste para certos
posição deve ser o
ponto conjuntos de
valor mais típico da
dados
distribuição.
x − M0 ≅ 3 x − Md ( )
Essa expressão pode ser apresentada sob diversas formas e indica,
geometricamente, que a mediana situa-se entre a média e a moda,
sendo sua distância à moda o dobro de sua distância à média.
Sua verificação prática tende a ser mais perfeita para conjuntos maiores
de dados, sendo a moda calculada com base em dados agrupados em
classe de freqüências.
Separatrizes
Quartis
Cálculo de Q1 :
n
− f aQ1
Q1 = liQ1 + 4 c
f Q1
Onde:
Cálculo de Q2:
3n
− f aQ3
Q3 = liQ3 + 4 c
f Q3
Faculdade On-line UVB 40
Estatística - UVB
Onde:
- limite inferior da classe que contém Q3
- freqüência acumulada das classes anteriores à classe que
contém Q3
- freqüência da classe que contém Q3
- amplitude da classe que contém Q3
Decis
in
− f aDi
Di = liDi + 10 c
f Di
Onde:
liDi - limite inferior da classe que contém D; i
f aDi - freqüência acumulada das classes anteriores à classe que
contém D ; i
f Di - freqüência da classe que contém D; i
c - amplitude da classe que contém D. i
Percentis
obtido por:
in
− f aPi
Pi = liPi + 100 c
f Pi
Onde:
liPi - limite inferior da classe que contém Pi ;
f aPi - freqüência acumulada das classes anteriores à classe que
;
contém Pi ;
f Pi - freqüência da classe que. contém Pi ;
c - amplitude da classe que contém Pi
Referências Bibliográficas
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo:
Editora Edgard Blücher Ltda., 1992.
Aula 05
Medidas de Dispersão, Assimetria
e Curtose
Objetivos da aula:
Introdução
A aula 4 apresentou os conceitos de média, moda e mediana que
permitem sintetizar em valores representativos o conjunto de valores
de uma amostra. Mas, de maneira geral, é importante que se saiba o
quanto de variação há entre os valores máximo e média; e mínimo e
média. Essa “distância” é a dispersão.
Amplitude Total
É a diferença entre o maior e o menor valor dos dados apresentados
At = x máx − x mín
At - amplitude total
xmáx - valor máximo observado na amostra
xmín - valor mínimo observado na amostra
∑d i
DMA = i =1
x
X= (1,3,5,7,9), x - = 5 e n =5
xi di = xi - x- |di|
1 1 - 5 = -4 4
3 3 - 5= -2 2
5 5 - 5= 0 0
7 7 - 5= 2 2
9 9 - 5= 4 4
Total 12
Então o DMA é:
∑d i
12
DMA = i =1
= = 2,4
x 5
∴
DMA = 2,4
∑ (d i * fi )
DMA = i =1
n
∑f
i =1
i
xi fi di = xi - x- |di| |di| * fi
1 10 1-5=-4 4 40
3 20 3-5 = -2 2 40
5 40 5-5 = 0 0 0
7 20 7-5 = 2 2 40
9 10 9-5 = 4 4 40
Total 100 Total 12 160
∑ (d i * fi )
160
DMA = i =1
n
= = 1,6
100
∑f
i =1
i
∴
DMA = 1,6
Q3 − Q1
Dq =
2
σ 2 = i =1 − i =1
n n
Você deve ter notado que a variância está ao quadrado
σ 2 ). Sob o ponto de vista prático, é um inconveniente;
(
dessa forma estabeleceu-se uma medida que tem utilidade
e interpretação práticas, denominada de Desvio Padrão que
é o valor positivo da raiz quadrada da variância, ou seja:
s= σ2
Nota:
yi = c * xi ⇒ s y = c * s x
Dispersão Relativa
Também conhecido como coeficiente de variação aponta a
homogeneidade dos dados, sua vantagem é caracterizar a
dispersão dos dados em termos relativos a seu valor médio.
Quanto menor o valor, mais homogêneo será o conjunto de
dados.
s
CV p =
x
Medidas de assimetria
Distribuição Simétrica
Distribuição Negativa
Distribuição Positiva
Coeficiente de Assimetria
As =
(
3 x − Md )
s
Se 0,15<|A5|1, a assimetria é considerada moderada; se |A5|>1 é forte.
Medidas de Curtose
Mesocúrtica Platicúrtica
Mesocúrtica
Coeficiente de curtose
Q3 − Q1
C=
2(P90 − P10 )
Se
C = 0,263 - curva mesocúrtica
C < 0,263 - curva leptocúrtica
C > 0,263 - curva platicúrtica
Referência Bibliográfica:
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São
Paulo: Editora Edgard Blücher Ltda., 1992.
Aula 06
Conceitos e Aplicações dos
Números-Índice
Objetivos da aula:
Introdução
Na aula 5 aprendemos os conceitos de Medidas de Dispersão,
Assimetria e Curtose. Nesta aula, compreenderemos os Números-
índice, ou simplesmente Índices, que estão presentes diariamente
em nossas vidas, seja pelo noticiário da TV ou ainda pelos jornais e
revistas, nos ajudando a tomar decisões de aspecto profissional e
também pessoal.
Números-Índice
O Número-índice é uma razão entre o valor de uma variável numa
data e o valor desta mesma variável em outra data. Esta razão se dá
dividindo o valor da variável na data objetivada ou atual pelo valor
desta variável na data base. O resultado então é multiplicado por
100.
Propriedades do Número-Índice
São quatro as propriedades básicas mais importantes do Número-
índice que veremos:
a) Identidade
I t ,t = 1 ou
I o ,o = 1
b) Reversão do Tempo
I s ,t * I t , s = 1,25 * 0,80 = 1
c) Circular
P1,2=1,08
P2,3=1,03
P3,4=1,04
Acompanhe no exemplo:
p1=300
p2=330
q1=1500
q2=1470
p2 330
p1, 2 = = = 1,10
p1 300
q2 1470
q1, 2 = = = 0,98
q1 1500
Elos Relativos
A propriedade circular dos Números-índice nos permite conhecer
os elos relativos de cada período que estamos tratando. Vejamos no
exemplo:
P92 300
P91,92 = * 100 = * 100 = 1,25 * 100 = 125
P91 240
P93 360
P92,93 = *100 = *100 = 1,2 *100 = 120
P92 300
P94 540
P94,93 = *100 = *100 = 1,5 *100 = 150
P93 360
Com estes dados podemos formar a tabela de elos relativos:
Relativos em Cadeia
Considerando o exemplo anterior temos:
P92 300
P91,92 = * 100 = * 100 = 1,25 * 100 = 125
P91 240
P93 360
P91,93 = *100 = *100 = 1,5 *100 = 150
P91 240
P94 540
P91,94 = * 100 = * 100 = 2,25 * 100 = 225
P91 240
Índices Agregativos
Os índices estudados até agora são caracterizados por serem
compostos apenas de uma variável, mas a composição de um índice
de inflação (um exemplo clássico de Índice Agregativo), por exemplo,
considera diversas variáveis com diversos pesos distintos.
Lo ,t =
∑ pt q o
∑ po qo
Nota: O relativo que queremos tratar é aquele de índice t. Então, se
desejamos ponderar o relativo de quantidade, teremos:
Lo ,t = ∑qp t o
∑ pq o o
=∑
pt qt
Po ,t
∑ po qt
Po ,t = ∑ qpt t
∑ pqo t
Considerando a tabela:
Por Laspeyres:
Lp93,94 = ∑
p94q93 (28 * 4) + (56 * 3) + (30 * 8) 520
= = = 1,625
∑ p93q93 (20 * 4) + (40 * 3) + (15 * 8) 320
Lp93,95 = ∑
p95q93 (34 * 4) + (62 * 3) + (40 * 8) 642
= = = 2,0063
∑ p95q93 (20 * 4) + (40 * 3) + (15 * 8) 320
Por Paasche:
Pp93,94 = ∑
p94q94 (28 * 3) + (56 * 3) + (30 *12) 612
= = = 1,700
∑ p93q94 (20 * 3) + (40 * 3) + (15 *12) 360
Pp93,95 = ∑
p95q95 (34 * 5) + (62 * 7) + (40 *14) 1164
= = = 1,9729
∑ p93q95 (20 * 5) + (40 * 7) + (15 *14) 590
Índices de Preços
Para construir um índice de preços, qualquer que seja sua finalidade,
devemos inicialmente responder às questões abaixo, observando os
detalhes dos aspectos levantados em cada uma delas:
Nota:
Uma empresa negociou com seu cliente que o reajuste de preço será
composto por três fatores principais: mão-de-obra, matérias-primas
e distribuição do produto entre a fábrica e os pontos de venda. No
último ano os custos se comportaram conforme a tabela abaixo:
300000
iMP = = 1,11
270000
65000
iD = = 1,30
50000
Faculdade On-line UVB 62
Estatística - UVB
Deflacionamento de Dados
Os aumentos de preços implicam em baixas no poder de compra ou no
valor da moeda. Por isso mesmo, a manutenção do poder de compra
dos salários é um problema que muito preocupa os assalariados de
países onde o valor da moeda está continuamente se deteriorando.
St
SR = * 100
IPt
1071
SR = * 100
101,24
SR = 1057,88
1. INPC/IBGE
2. IGP/FGV
3. IPC/FIPE
4. ICV do Dieese
5. INCC e CUB
Referência Bibliográfica:
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São
Paulo: Editora Edgard Blücher Ltda., 1992.
Aula 07
Amostragem
Objetivos da aula:
Introdução
. Em nosso encontro da aula 6 conhecemos os números índice, uma
técnica muito importante para acompanharmos a evolução ou
involução do valor de uma variável ao longo do tempo.
Amostragem
A utilização de técnicas de amostragem se faz necessária quando, por
questões práticas ou econômicas, é impossível (ou quase) estudar
toda a população.
• É propensa a parcialidades;
• A amostra é tão pequena que pode ser um problema acerca
da credibilidade dos resultados;
• Os resultados amostrados não podem ser usados para
extrapolações a partir dos casos selecionados para o
levantamento da população, e não podem prover estimativas
Fases do método:
a) listagem da população;
b) determinação do tamanho da amostra;
c) uso de números aleatórios (tabela ou algoritmos
computacionais).
• tamanho da população;
• o nível de confiabilidade desejável;
• o índice de precisão escolhido;
• o grau de dispersão;
• a taxa de ocorrência.
Amostragem Sistemática
Aqui os membros da população que participam da amostra são
determinados a partir de intervalos fixos, e não há a utilização de
tabelas de números aleatórios.
Faz-se então: ;
Vantagens:
Desvantagens:
Amostragem Estratificada
Consiste em dividir a população em subgrupos mais homogêneos
(estratos) e retirar amostras aleatórias simples dos subgrupos.
Por exemplo:
Solução:
judeus;
1. Uniforme
Na amostragem estratificada uniforme sorteia-se igual número de
elementos de cada estrato.
2. Proporcional
Na amostra estratificada proporcional, o número de elementos em
cada estrato é proporcional ao número de elementos existentes no
estrato.
3. Ótima
Na amostra estratificada ótima, quando se toma em cada estrato
um número de elementos proporcional ao número de elementos
do estrato e também à variação da variável de interesse no estrato,
medida pelo seu desvio padrão.
Exemplo:
a) Listar os quarteirões;
Referência Bibliográfica:
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São
Paulo: Editora Edgard Blücher Ltda., 1992.
Aula 08
Probabilidade
Objetivos da Aula
Introdução
A aula 7 nos apresentou as técnicas de amostragem; agora, veremos
os conceitos básicos de Probabilidade. Os fundamentos, aqui
apresentados, são inter-relacionados; para facilitar seu entendimento,
leia este material, detalhadamente, no mínimo duas vezes, antes
de ir para a aula digital. Já na web, trabalhe com a aula impressa
simultaneamente.
Bom aprendizado!
Probabilidade
A maioria dos fenômenos de que trata a estatística são de natureza
aleatória ou probabilística; dessa forma, é importante conhecer os
fundamentos dos cálculos de probabilidades para que se possa
continuar o estudo da estatística indutiva.
Conceitos Básicos
Experimento Aleatório (E)
Freqüência Relativa
Exemplos:
Eventos
Eventos Complementares
Eventos Independentes
Exemplo:
Então:
São eventos que não têm elemento comum ou, então, são aqueles
em que a ocorrência de um deles exclui a ocorrência de outros.
Probabilidade Condicional
Evento Composto
Caracteriza-sepelaocorrênciadeambososeventos(AeB),simultaneamente,
ou então pela ocorrência de um ou outro evento (A ou B).
Regras de Probabilidade
Imagine que os eventos A1, A2, A3, A4,... An, são mutuamente
exclusivos, ou seja, quando um ocorre, o outro não pode ocorrer
e nosso espaço amostral S é composto de todos os diversos
eventos
Permutações
Arranjos
Combinações
Veja:
Logo:
Exemplo:
Função de Probabilidade
Veja no exemplo:
Esperança Matemática
exemplo abaixo.
Onde:
X1=1.000,00 e p(x1)=0,97
X2=29.000,00 e p(x2)=0,03
Variância
Referência Bibliográfica
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo: Editora
Edgard Blücher Ltda., 1992.
CRESPO, Antonio Arnot. Estatística Fácil. São Paulo: Editora Saraiva, 1998.
Objetivos da Aula
Distribuição de Probabilidades
Imagine o número de acidentes num estacionamento:
Nenhum acidente:
Um acidente:
Dois acidentes:
Três acidentes:
A definição, então, é:
Seja X uma variável aleatória que pode assumir os valores x1, x2, x3,
..., xn. A cada valor xi correspondem pontos do espaço amostral.
Associamos, então, a cada valor xi a probabilidade pi de ocorrência
de tais pontos no espaço amostral. Desta forma temos:
Os valores x1, x2, x3, ..., xn e seus correspondentes p1, p2, p3, ..., pn
definem uma distribuição de probabilidade.
Distribuições Amostrais
Ao retirarmos uma amostra aleatória de uma população e calcularmos a
partir desta amostra qualquer quantidade, encontramos a estatística,
ou seja, chamaremos os valores calculados em função dos elementos
da amostra de estatísticas.
1 Neste capítulo, usamos para a média populacional, contrastando com a média amostral . Da
mesma forma, designará a variância populacional (e o desvio-padrão populacional), ao passo
que designa a variância amostral (e o desvio-padrão amostral)
A Distribuição Normal
A distribuição Normal é, talvez, a mais importante das distribuições
de probabilidade. Erros de mensuração de fenômenos físicos ou
econômicos são freqüentemente modelados pela distribuição
Normal; mas esta não é a única aplicação desta densidade.
A Distribuição Binomial
Vamos imaginar um experimento aleatório que tenha as seguintes
características:
Onde:
Bibliografia:
MANDIM, Daniel. Estatística Descomplicada. 10. ed. Brasília: Vestcon
Editora Ltda., 2003.
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo: Editora
Edgard Blücher Ltda., 1992.
CRESPO, Antonio Arnot. Estatística Fácil. São Paulo: Editora Saraiva, 1998.
Aula 10
Estimação e Intervalo de
Confiança
Objetivos da Aula
Introdução
Freqüentemente necessitamos, por meio das amostras, conhecer
informações gerais da população.
Estimação
A estimação é o processo que consiste no uso de dados da
amostra (dados amostrais) para estimar valores de parâmetros
populacionais desconhecidos, tais como média, desvio padrão,
proporções etc.
Estimativa Pontual
É quando fazemos uma única estimativa (um valor) para um
determinado parâmetro populacional. Vejamos os exemplos:
Estimativa Intervalar
É quando fazemos uma estimativa de um intervalo de valores possíveis,
no qual se admite esteja o parâmetro populacional.
Exemplo:
Distribuição t de Student
Para pequenas amostras a distribuição normal apresenta valores
menos precisos, o que nos leva a utilizar um modelo melhor. Por
isso iremos conhecer a distribuição t de Student.
Por exemplo:
Sabendo-se que uma amostra tem 25 elementos, que a sua média 150
e desvio padrão igual a 10. Represente um intervalo de confiança em
nível de 90%.
Por exemplo:
Bibliografia
CRESPO, Antonio Arnot. Estatística Fácil. São Paulo : Editora
Saraiva, 1998.
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo: Editora
Edgard Blücher Ltda., 1992.
Aula 11
Teste de Hipóteses
Objetivo da Aula:
Introdução
Nesta aula, veremos que para um determinado aspecto da população
e, inversamente aos problemas de estimação, vamos considerar que
existe uma hipótese que será válida até que se prove o contrário. Logo,
esta hipótese será testada com base nos resultados amostrais, sendo
aceita ou rejeitada
Teste de Hipóteses
Para começarmos, devemos ter claramente dois aspectos em mente:
Realidade
H0 verdadeira H0 falsa
Aceitar H0 Decisão correta Erro do tipo II
(1 - α) (β)
Decisão
Rejeitar H0 Erro do tipo I Decisão correta
(α) (1 - β)
Mas,
Aceita H0
Rejeita H0
α�
Valor Crítico
• Bilateral
α� α�
2 2
• Unilateral direito
α�
• Unilateral esquerdo
α�
1. Formulação de H0 e H1;
2. Escolha de uma distribuição amostral adequada;
3. Escolha de um nível de significância e definição da região
crítica;
4. Cálculo de uma estatística de teste;
5. Comparação do valor teste com a região crítica;
6. Rejeitar H0 se o valor teste excede a região crítica ou aceitar
em caso contrário.
Estatística de Teste
A Estatística de Teste é o cálculo do coeficiente “z” que, então no passo
5 será comparado com a região crítica.
x−µ
zteste =
σ
onde:
n
Ζ = estatística de teste
х- = média obtida na amostra
µ = média da população
s = desvio padrão da população
n = número de elementos na amostra
x − µ0
tteste =
s
n
onde:
Ζ = estatística de teste
х- = média obtida na amostra
µ0 = média esperada da população
S = desvio padrão da população
n = número de elementos na amostra
Referências Bibliográficas
Costa Neto, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo: Editora
Edgard Blücher Ltda., 1992.
Aula 12
Testes Não-Paramétricos
Objetivos da Aula
Introdução
Em nossa aula anterior vimos como podemos testar hipóteses
relacionadas a parâmetros conhecidos, desta forma estes testes então
são chamados paramétricos. Nesta aula veremos os testes que se
referem a outros aspectos, então chamados não paramétricos.
Teste do Qui-Quadrado
Este teste é utilizado para comparação entre as freqüências esperadas
e observadas, segundo um modelo probabilístico qualquer.
H0 – a hipótese é verdadeira
H1 – a hipótese é falsa
onde:
k - é o número de classes;
m - é o número de parâmetros estimados para se obter as
freqüências esperadas.
Teste de Independência
O teste x 2 de independência é aplicado a tabelas de
contingência, as quais são construídas no intuito de estudar
a relação entre duas variáveis categóricas.
Onde:
Foij é a freqüência observada
Feij é a freqüência esperada
Bibliografia
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo: Editora
Edgard Blücher Ltda., 1992.
Aula 13
Comparação de Várias Médias
Objetivos da Aula
Introdução
Já vimos como testarmos hipóteses paramétricas e não paramétricas.
Hoje, veremos a Comparação de Várias Médias e usaremos a principal
e mais importante técnica para esse fim, que é a Análise da Variância.
Análise da Variância
A análise da variância é um método suficientemente poderoso
para poder identificar diferenças entre as médias populacionais
devidas a várias causas, atuando simultaneamente sobre os
elementos da população.
1.Variação Total
x1 x1 x2 x2 x3 x3
x1 x2 x3
2.Razão F
3.Soma de Quadrados
tratamentos;
F
V
De
Onde:
0,01
0,05
2 18.513 19.000 19.164 19.247 19.296 19.329 19.353 19.371 19.385 19.396 19.405 19.412 19.419 19.424 19.429 19.446 19.471 19.479 19.487 19.492
3 10.128 9.552 9.277 9.117 9.013 8.941 8.887 8.845 8.812 8.785 8.763 8.745 8.729 8.715 8.703 8.660 8.594 8.572 8.549 8.538
4 7.709 6.944 6.591 6.388 6.256 6.163 6.094 6.041 5.999 5.964 5.936 5.912 5.891 5.873 5.858 5.803 5.717 5.688 5.658 5.643
5 6.608 5.786 5.409 5.192 5.050 4.950 4.876 4.818 4.772 4.735 4.704 4.678 4.655 4.636 4.619 4.558 4.464 4.431 4.398 4.382
6 5.987 5.143 4.757 4.534 4.387 4.284 4.207 4.147 4.099 4.060 4.027 4.000 3.976 3.956 3.938 3.874 3.774 3.740 3.705 3.687
7 5.591 4.737 4.347 4.120 3.972 3.866 3.787 3.726 3.677 3.637 3.603 3.575 3.550 3.529 3.511 3.445 3.340 3.304 3.267 3.249
8 5.318 4.459 4.066 3.838 3.688 3.581 3.500 3.438 3.388 3.347 3.313 3.284 3.259 3.237 3.218 3.150 3.043 3.005 2.967 2.947
9 5.117 4.256 3.863 3.633 3.482 3.374 3.293 3.230 3.179 3.137 3.102 3.073 3.048 3.025 3.006 2.936 2.826 2.787 2.748 2.727
10 4.965 4.103 3.708 3.478 3.326 3.217 3.135 3.072 3.020 2.978 2.943 2.913 2.887 2.865 2.845 2.774 2.661 2.621 2.580 2.559
11 4.844 3.982 3.587 3.357 3.204 3.095 3.012 2.948 2.896 2.854 2.818 2.788 2.761 2.739 2.719 2.646 2.531 2.490 2.448 2.426
12 4.747 3.885 3.490 3.259 3.106 2.996 2.913 2.849 2.796 2.753 2.717 2.687 2.660 2.637 2.617 2.544 2.426 2.384 2.341 2.319
13 4.667 3.806 3.411 3.179 3.025 2.915 2.832 2.767 2.714 2.671 2.635 2.604 2.577 2.554 2.533 2.459 2.339 2.297 2.252 2.230
14 4.600 3.739 3.344 3.112 2.958 2.848 2.764 2.699 2.646 2.602 2.565 2.534 2.507 2.484 2.463 2.388 2.266 2.223 2.178 2.155
15 4.543 3.682 3.287 3.056 2.901 2.790 2.707 2.641 2.588 2.544 2.507 2.475 2.448 2.424 2.403 2.328 2.204 2.160 2.114 2.090
16 4.494 3.634 3.239 3.007 2.852 2.741 2.657 2.591 2.538 2.494 2.456 2.425 2.397 2.373 2.352 2.276 2.151 2.106 2.059 2.035
17 4.451 3.592 3.197 2.965 2.810 2.699 2.614 2.548 2.494 2.450 2.413 2.381 2.353 2.329 2.308 2.230 2.104 2.058 2.011 1.986
18 4.414 3.555 3.160 2.928 2.773 2.661 2.577 2.510 2.456 2.412 2.374 2.342 2.314 2.290 2.269 2.191 2.063 2.017 1.968 1.943
19 4.381 3.522 3.127 2.895 2.740 2.628 2.544 2.477 2.423 2.378 2.340 2.308 2.280 2.256 2.234 2.155 2.026 1.980 1.930 1.905
20 4.351 3.493 3.098 2.866 2.711 2.599 2.514 2.447 2.393 2.348 2.310 2.278 2.250 2.225 2.203 2.124 1.994 1.946 1.896 1.870
21 4.325 3.467 3.072 2.840 2.685 2.573 2.488 2.420 2.366 2.321 2.283 2.250 2.222 2.197 2.176 2.096 1.965 1.916 1.866 1.839
22 4.301 3.443 3.049 2.817 2.661 2.549 2.464 2.397 2.342 2.297 2.259 2.226 2.198 2.173 2.151 2.071 1.938 1.889 1.838 1.811
23 4.279 3.422 3.028 2.796 2.640 2.528 2.442 2.375 2.320 2.275 2.236 2.204 2.175 2.150 2.128 2.048 1.914 1.865 1.813 1.785
24 4.260 3.403 3.009 2.776 2.621 2.508 2.423 2.355 2.300 2.255 2.216 2.183 2.155 2.130 2.108 2.027 1.892 1.842 1.790 1.762
25 4.242 3.385 2.991 2.759 2.603 2.490 2.405 2.337 2.282 2.236 2.198 2.165 2.136 2.111 2.089 2.007 1.872 1.822 1.768 1.740
26 4.225 3.369 2.975 2.743 2.587 2.474 2.388 2.321 2.265 2.220 2.181 2.148 2.119 2.094 2.072 1.990 1.853 1.803 1.749 1.720
27 4.210 3.354 2.960 2.728 2.572 2.459 2.373 2.305 2.250 2.204 2.166 2.132 2.103 2.078 2.056 1.974 1.836 1.785 1.731 1.702
28 4.196 3.340 2.947 2.714 2.558 2.445 2.359 2.291 2.236 2.190 2.151 2.118 2.089 2.064 2.041 1.959 1.820 1.769 1.714 1.685
29 4.183 3.328 2.934 2.701 2.545 2.432 2.346 2.278 2.223 2.177 2.138 2.104 2.075 2.050 2.027 1.945 1.806 1.754 1.698 1.669
30 4.171 3.316 2.922 2.690 2.534 2.421 2.334 2.266 2.211 2.165 2.126 2.092 2.063 2.037 2.015 1.932 1.792 1.740 1.683 1.654
40 4.085 3.232 2.839 2.606 2.449 2.336 2.249 2.180 2.124 2.077 2.038 2.003 1.974 1.948 1.924 1.839 1.693 1.637 1.577 1.544
50 4.034 3.183 2.790 2.557 2.400 2.286 2.199 2.130 2.073 2.026 1.986 1.952 1.921 1.895 1.871 1.784 1.634 1.576 1.511 1.476
60 4.001 3.150 2.758 2.525 2.368 2.254 2.167 2.097 2.040 1.993 1.952 1.917 1.887 1.860 1.836 1.748 1.594 1.534 1.467 1.430
80 3.960 3.111 2.719 2.486 2.329 2.214 2.126 2.056 1.999 1.951 1.910 1.875 1.845 1.817 1.793 1.703 1.545 1.482 1.411 1.370
100 3.936 3.087 2.696 2.463 2.305 2.191 2.103 2.032 1.975 1.927 1.886 1.850 1.819 1.792 1.768 1.676 1.515 1.450 1.376 1.333
120 3.920 3.072 2.680 2.447 2.290 2.175 2.087 2.016 1.959 1.910 1.869 1.834 1.803 1.775 1.750 1.659 1.495 1.429 1.352 1.307
240 3.881 3.033 2.642 2.409 2.252 2.136 2.048 1.977 1.919 1.870 1.829 1.793 1.761 1.733 1.708 1.614 1.445 1.375 1.290 1.237
Bibliografia
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo: Editora
Edgard Blücher Ltda., 1992.
Objetivos da Aula
Introdução
Em nossos estudos até este momento sempre nos concentramos em
descrever a forma da distribuição dos valores de uma variável, mas ao
trabalhamos com duas variáveis podemos avaliar e medir as relações
entre as variáveis estudadas, o que é chamado de correlação.
Relação Funcional
Neste tipo de relação a ligação entre as variáveis é exata, veja
o exemplo:
Onde:
P – é o perímetro
l – é a medida do lado do quadrado
Relação Estatística
Aqui existe uma relação entre as variáveis que não é exata, mas sim
estatística, veja o exemplo:
Correlação
Quando duas variáveis estão ligadas por uma relação estatística,
dizemos que existe correlação entre elas. A correlação, então, é
a verificação da existência e do grau de relação entre duas (ou
mais) variáveis.
Diagrama de Dispersão
O Diagrama de Dispersão é uma forma simplista e útil de verificar a
tendência da correlação existente.
Correlação Linear
Ao observarmos os diagramas abaixo, vemos que os pontos formam
uma elipse, quanto mais fina esta elipse, mais ela se aproximará de
uma reta, assim chamada de correlação linear.
logo:
Regressão Linear
Quando duas variáveis possuem certo grau de relacionamento
(verificado pela correlação), podemos aplicar a análise de regressão
que vai nos permitir descrever através de um modelo matemático, a
relação entre duas variáveis, partindo de n observações das mesmas.
Y = a + bX
q
a
b = tgq
Onde:
2.Função Potencial
3.Função Exponencial
4.Função Logística
Referência Bibliográfica
CRESPO, Antonio Arnot. Estatística Fácil. São Paulo: Editora Saraiva, 1998.
COSTA NETO, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo: Editora
Edgard Blücher Ltda., 1992.
Aula 15
Controle Estatístico de Processo
Objetivos da Aula
controle estatístico.
Capabilidade do Processo
Estar sob controle não é suficiente. Um processo “sob controle”,
pode produzir peças rejeitáveis. A verdadeira melhoria de um
processo é obtida através do equilíbrio entre repetibilidade,
consistência e capacidade de atender às especificações de
projeto. Índices de capabilidade comparam a distribuição do
processo com os limites de especificação.
Preparando-se
Primeiramente, identifique os processos-chave dos negócios de
sua organização, que agregam valor diretamente ao cliente. Não
os confunda com os processos de suporte (ex: recursos humanos,
elaboração de orçamentos ou de elementos exigidos para o
funcionamento de uma operação). A maioria das empresas tem
entre cinco e oito clientes principais - e/ou processos críticos
de missão, como o desenvolvimento de um novo produto de
preenchimento de pedido. Mapeie esses processos em um nível
médio e meça os resultados do processo atual. Os fluxos de
processos detalhados, como os que são encontrados no nível de
instrução de trabalho, não são necessários aqui. Ao invés disso,
Desmentindo os mitos
As empresas menores não devem ater-se aos mitos que rondam o
Seis Sigma. Um deles é a necessidade de Black Belts e Green Belts.
Embora isso seja exigido para as grandes corporações, não há essa
necessidade para as pequenas empresas. As ferramentas do Seis
Sigma não são completamente novas; elas remontam técnicas bem
conhecidas de gerenciamento total da qualidade da década de 80
e de ferramentas de controle estatístico do processo criadas nos
anos 30 e 40.
do Seis Sigma.
Bibliografia:
BRASSARD, Michael. Qualidade – Ferramentas para uma Melhoria
Contínua. Rio de Janeiro: QualityMark Editora Ltda., 1985.
SPANYI, Andrew; WURTZEL Marvin. Seis Sigma para todos nós. Disponível
em: http://www.banasqualidade.com.br Acesso em 21 nov. 2004,
09:30:40.