EST 220

Estatística Experimental
 Referências Bibliográficas
BANZATTO, D. A.; KRONKA, S. N. Experimentação agrícola. 4 ed. Jaboticabal: Funep, 2006. 237 p.
BARBETTA, P. A.; REIS, M. M.; BORNIA, A. C. Estatística para cursos de engenharia e informática. 3. ed. São
Paulo: Atlas, 2010. 416 p.
COSTA NETO, P. L. O. Estatística. 2. ed. São Paulo: Edgard Blücher, 2002. 280 p.
HINES, W. W.; MONTGOMERY, D. C.; GOLDSMAN, D. M.; BORROR, C. M. Probabilidade e estatística na
engenharia. 4. ed. Rio de Janeiro: LTC, 2006. 588 p.
HOFFMANN, R.; VIEIRA, S. Análise de regressão: uma introdução à econometria. 2. ed. São Paulo: Hucitec,
1983. 379 p.
MONTGOMERY, D. C.; RUNGER, G. C. Estatística aplicada e probabilidade para engenheiros. 5. ed. Rio de
Janeiro: LTC, 2012. 521 p.
MOORE, D. S.; McCABE, G. P. Introdução à prática da estatística. 3 ed. Rio de Janeiro: LTC, 2002. 536 p.
PIMENTEL-GOMES, F. Curso de estatística experimental. 12 ed. São Paulo: Livraria Nobel S.A, 1987. 467 p.
PIMENTEL-GOMES, F.; GARCIA, C. H. Estatística aplicada a experimentos agronômicos e florestais.
Piracicaba: Fealq, 2002. 309 p.
RIBEIRO JÚNIOR, J. I. Análises estatísticas no Excel – guia prático. 2 ed. Viçosa: Editora UFV, 2013. 311 p.
RIBEIRO JÚNIOR, J. I. Métodos estatísticos aplicados à melhoria da qualidade. Viçosa: Editora UFV, 2012.
385 p.
RIBEIRO JÚNIOR, J. I.; MELO, A. L. P. Guia prático para utilização do SAEG. Viçosa: Folha Artes Gráficas Ltda,
2008. 288 p.
VIEIRA, S.; HOFFMANN, R. Estatística experimental. São Paulo: Atlas, 1989, 179 p.
WERKEMA, M. C. C.; AGUIAR, S. Análise de regressão: como entender o relacionamento entre as variáveis
de um processo. Belo Horizonte: Werkema Editora, 2006. 306 p.
 Turmas
Horário Seg Ter Qua Qui Sex

T4 – PVB 107 T5 – PVB 109

8
J.Ivo Nerilson

T5 – PVB 109 T4 – PVB 107

10
Nerilson J.Ivo

T3 – PVB 209
14
J.Ivo

T6 – PVB 104 T3 – PVB 209 T6 – PVB 104

16
Policarpo J.Ivo Policarpo
 Conteúdo
Parte 1
Capítulo 1 – Testes de Hipóteses e Intervalos de Confiança
Capítulo 2 – Contrastes
Capítulo 3 – Introdução à Experimentação

Parte 2
Capítulo 4 – Delineamento Inteiramente Casualizado
Capítulo 5 – Procedimentos para Comparações Múltiplas
Capítulo 6 – Delineamento em Blocos Casualizados
Capítulo 7 – Delineamento em Quadrado Latino

Parte 3
Capítulo 8 – Experimentos Fatoriais
Capítulo 9 – Experimentos em Parcelas Subdivididas
Capítulo 10 – Regressão
Capítulo 11 – Correlação
Aula Semana Assunto
1 Apresentação da disciplina
06 a 10/03/17
2 Testes de hipóteses: conceitos
3 Teste t e intervalo de confiança para uma média
13 a 17/03/17
4 Teste F para duas variâncias
5 Teste t e intervalo de confiança para duas médias independentes
20 a 24/03/17
6 Teste t para duas médias dependentes
7 Contrastes: conceito, estimativa e variância
27 a 31/03/17
8 Contrastes ortogonais e métodos para obtenção
9 Introdução à experimentação
03 a 07/04/17
10 Prova 1 – 07/04/17 – Sex – 20:30 h
– 10 a 14/04/17 –
11 17 a 21/04/17 Delineamento inteiramente casualizado
12 Análise de variância
24 a 28/04/17
13 Pressuposições da análise de variância
14 01 a 05/05/17 Testes de Tukey e de Duncan
15 Testes t e de Scheffé
08 a 12/05/17
16 Delineamento em blocos casualizados
17 Delineamento em quadrado latino
15 a 19/05/17
18 Exercícios de aplicação
19 22 a 26/05/17 Prova 2 – 25/05/17 – Qui – 18:20 h
20 Experimentos fatoriais e interação AxB não significativa
29 a 02/06/17
21 Interação AxB significativa (fatoriais)
22 Experimentos em parcelas subdivididas e interação AxB não significativa
05 a 09/06/17
23 Interação AxB significativa (parcelas subdivididas)
24 12 a 16/06/17 Regressão linear de 1o grau
25 Regressão linear de 2o grau
19 a 23/06/17
26 Regressão linear com delineamento experimental
27 Correlação
26 a 30/06/17
28 Prova 3 – 29/06/17 – Qui – 18:20 h
29 Prova 4 – 03/07/17 – Seg – 12:00 h (somente para quem perdeu)
03 a 07/07/17
– –
30 11 a 14/07/17 Prova Final
Existe uma dependência mútua entre a classe científica,
sustentada pela sociedade, com a sociedade,
que depende da solução de seus problemas pelos pesquisadores.

SUPRIMENTO

SERVIÇOS
PESQUISA PRODUÇÃO
AGREGADOS

DISTRIBUIÇÃO
 Estatística

  

Antes da Produção Durante a Produção

  Depois da Produção
(off line) (on line)

  

DOE
CEP Amostragem
(Experimentação)

 

Melhoria
Controle
Projeto / Reprojeto
PROCESSO ESTATÍSTICA Para cada
objetivo,
existe uma
coleta de
dados e um
método
BOM estatístico
SENSO mais
adequados.

Os dados são os OLHOS, e não o cérebro da equipe técnica.

Dados com CONTEXTO.
• O estudo da estatística explora:
• Planejamento e coleta dos dados;
• Organização dos dados;
• Análise dos dados;
• Interpretação da análise estatística.

• Para o desenvolvimento de uma pesquisa

científica com qualidade é necessário:
• Bom planejamento;
• Obtenção dos dados com precisão;
• Correta exploração dos resultados.
 Por serem mais precisos do que as palavras,
os números são particularmente mais
adequados para transmitir as conclusões
científicas.

Poucos pesquisadores apreciam a estatística.

Mas os métodos estatísticos são
componentes fundamentais dos trabalhos
científicos.
DADOS

ESTATÍSTICA INFORMAÇÃO

DECISÃO
Processo
Variáveis não controláveis Inputs Processo Outputs

Variáveis controláveis (Xs)

Critical-to-quality (CTQs)
Variáveis-resposta (Ys)
Definir quais são as saídas (Ys) mais relacionadas com as CTQs.
Definir quais são as entradas (Xs) que mais afetam os Ys.
Clientes
 Sistema de Medição

Relação de Causa e Efeito

Controláveis (Xs)


Variáveis
Variáveis Produto
de
de  Processo  ou   CTQs
Saída
Entrada Serviço
(Ys)


Sistema de Medição
Não Controláveis ()
 Y f(X) +

Y1, Y2, ..., Yp X1, X2, ..., Xk

Dependente Independente
Explicada Explicativa
Resposta / Efeito Manipulação / Controle
Saída / Produto Entrada / Processo
Sintoma / Consequência Causa

Tomada de decisão baseada em dados.

 Y = f(X) + 
• Y = representa as saídas do processo
(produtos ou serviços);
• X = representa as entradas controláveis do
processo;
• f = função ou modo pelo qual as entradas
controláveis são transformadas em saídas;
•  = representa as entradas não controláveis
do processo.
 Fatores Controláveis

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 ... Xk

          

Y1
Processo Produto Sistema Y2
 ou  de 
Conjunto de Causas e Efeitos Serviço Medição ...
Yp

          

Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 ... Zk

Fatores Não Controláveis

 Fatores Controláveis
A B C D E F G H I J ... X
          
a1 b1 c1 d1 e1 f1 g1 h1 i1 j1 x1 DIFERENTES NÍVEIS
a2 b2 c2 d2 e2 f2 g2 h2 i2 j2 x2
a3 b3 c3 d3 e3 f3 g3 h3 i3 j3 ... x3  Qualitativos
a4 b4 c4 d4 e4 f4 g4 h4 i4 j4 x4 ou
... ... ... ... ... ... ... ... ... ... ... Quantitativos
          
Y1
Produto Y2
Processo  ou 
Serviço ...
Yp
           
? ? ? ? ? ? ? ? ? ? ... ? Variáveis-resposta
          
Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 ... ZK
Fatores Não Controláveis
 Fatores Controláveis

A B C D E F G H I J ... X

          
DEFINIDOS
a1 b1 c1 d1 e1 f1 g1 h1 i1 j1 ... x1 
EXATAMENTE
          

Produto
Processo Padronizado e Conhecido  ou  Y
Serviço

          

? ? ? ? ? ? ? ? ? ? ... ?

          

Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 ... Zk

Fatores Não Controláveis

 Fatores Controláveis

A B C D E F G H I J ... X

          

DEFINIDOS
“a1” “b1” “c1” “d1” “e1” “f1” “g1” “h1” “i1” “j1” ... “x1”  APROXIMADAMENTE

          

Produto
Processo “Padronizado” e Conhecido  ou  Y
Serviço

          

? ? ? ? ? ? ? ? ? ? ... ?

          

Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 ... Zk

Fatores Não Controláveis

 Fatores Controláveis

Leite Creme de Morango Suco de

Liquidificador Freezer
condensado leite picado limão

     

2 colheres Bater até ficar

1 lata 1 lata 2 latas >3h
de sopa homogêneo

     

Morango
Sorvete

Sabor
 

de
Processo Padronizado e Conhecido

     
? ? ? ? ? ?
     
Z1 Z2 Z3 Z4 Z5 Z6
Fatores Não Controláveis
 Fatores Controláveis

Extrato de
Sacarose Peptona pH K2HPO4 Temperatura
levedura

     

10 g/L 4 g/L 8 g/L 4 1 g/L 36 C

     

Atividade
Enzima
Processo Padronizado e Conhecido  

     
? ? ? ? ? ?
     
Z1 Z2 Z3 Z4 Z5 Z6
Fatores Não Controláveis
 Fatores Controláveis

A B C D E F G H I J ... X

          
Objetivo Teórico
a1 b1 c1 d1 e1 f1 g1 h1 i1 j1 ... x1 

          

Produto
Processo Padronizado e Conhecido  ou  Y
Serviço

           

? ? ? ? ? ? ? ? ? ? ... ?  Variável Aleatória

          

Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 ... ZK

Fatores Não Controláveis

 Fatores Controláveis

A B C D E F G H I J ... X

          

“a1” “b1” “c1” “d1” “e1” “f1” “g1” “h1” “i1” “j1” ... “x1”

          

Produto
Processo Padronizado e Conhecido  ou  Y
Serviço

           

? ? ? ? ? ? ? ? ? ? ... ? Variável Aleatória

          

Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 ... Zk

Fatores Não Controláveis

Especificação ou Tolerância
Variabilidade permitida ou tolerada
aos valores de Y

Centralizar
 Y
LIE VN LSE

• Y = variável-resposta
 Especificação

Maximizar
 Y
LIE

• Y = variável-resposta
 Especificação

Minimizar
 Y
LSE

• Y = variável-resposta
 Exemplo
• Máquina x1 • Máquina x1
• Média = 1.000 g • Média = 1.030 g
• Desvio-padrão = 2 g • Desvio-padrão = 20 g
• Máquina x2
• Média = 1.030 g
• Desvio-padrão = 20 g
• Y = peso do pacote (g)
• LIE = 985 g
• VN = 1.000 g
 Experimento
• Algo organizado de obter resultados.

• A organização indica a manipulação das

condições experimentais que levem, de
forma menos confusa possível, às conclusões
dos objetivos propostos.
 Benchmarking
• Comparar os resultados de uma empresa com os das
melhores do segmento.
• Obter um referencial.
• Obter informações para implementar as ações de
melhoria de desempenho.
• Orientar no processo de seleção e de
priorização dos projetos e das metas de
melhoria.
 Variável
Qualquer característica que apresenta diferentes valores.

Classificações das variáveis

NOMINAL sexo, cor dos olhos

QUALITATIVA
ORDINAL classe social, grau de instrução

CONTÍNUA peso, altura, salário, idade

QUANTITATIVA
DISCRETA número de filhos, número de carros
Variáveis Qualitativas
Sexo
Religião
NOMINAL Estado civil
Curso

Conceito
Grau de Instrução
ORDINAL Mês
Dia da semana
Variáveis Quantitativas
Número de faltas
DISCRETA Número de irmãos
Número de acertos

Altura
Área
CONTÍNUA Peso
Volume
 Média

y1  y 2  ...  yn
 yi
i1
y 
n n
 Média
• A média pode ser pensada como o centro de massa dos
valores das observações, isto é, o ponto de equilíbrio
após serem dispotas as observações sobre uma régua.

• Pontos afastados ou erros nas observações podem

afastar a média do grosso das observações.
 Mediana
• A mediana á a observação central, depois de ordenada a
amostra de dados.
Se a amostra tiver dimensão ímpar, coincide com a observação
central.
~
y  y  n1 
 
 2 
Se a amostra tiver dimensão par, a mediana toma o valor da média
das duas observações centrais.
y n   y n 
   1
~ 2 2 
y
2
• A mediana é mais robusta que a média a erros ou a
observações afastadas.
 Quartil
Divide em 4 partes um conjunto ordenado de valores.

0% 25% 50% 75% 100%

q1 q2 = md q3

q1: primeiro quartil

q2: segundo quartil = mediana
q3: terceiro quartil
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

d1 d2 d3 d4 d5 = md d6 d7 d8 d9

Decil
Divide o conjunto de dados em 10 partes iguais.
0% 1% 2% 3% 50% 97% 98% 99% 100%

p1 p2 p3 p50 = md p97 p98 p99

Percentil
Divide o conjunto de dados em 100 partes iguais.
Grupo 1: 3,4,5,6,7 Grupo 2: 1,3,5,7,9 Grupo 3: 5,5,5,5,5

* * * * *
G1

* * * * *
G2
*
*
*
*
G3 *

0 5 10

~ ~ ~
y1  y 2  y 3  y1  y 2  y3
Amplitude (range)

r = y(n) – y(1)

y(1)  y(2)  ...  y(n)

dma (desvio médio absoluto)

n
 | yi  y |
i 1
dm a 
n
 Variância

(y1  y)  (y 2  y)    (y n  y)
2 2 2  (y i  y)2
i1
2
sY  
n 1 n 1
 Desvio-padrão

É a raiz quadrada da variância

sY  2
sY
Coeficiente de variação

sY
cv Y  100
y
Erro-padrão da média

sY
sY 
n
 Variável Aleatória
• É qualquer variável que pode ser estudada por
uma distribuição de probabilidades.
• É aquela, cujos diferentes valores são provocados
somente por causas aleatórias, comuns, naturais
e inerentes a qualquer processo.

Variável aleatória discreta (v.a.d.)

Variável aleatória contínua (v.a.c.)
 Distribuição de Probabilidades
• Y = variável aleatória
• v.a. contínua
• Y ~ Normal (Y;  Y2 )

2
1 yY 
  
1 2  Y 
f(y)  e
 Y 2
f (y)

      

y
0,6827

0,9545

0,9973
 y–
f (z)

z=


-3 -2 -1 0 1 2 3
z
0,6827

0,9545
0,9973
 Tabela
Distribuição Normal Padronizada
 Tabela
Distribuição Normal Padronizada
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
1 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
2 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
3 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
 Exercício 1
Supondo que a vida útil (Y) dos pneus de
caminhões seja normal, com média de 50.000
km e desvio-padrão de 1.000 km, calcule:
a) P(Y  49.000)
b) P(Y  52.000)
c) P(Y  55.000)
d) P(47.000  Y  48.000)
 Exercício 2
Em uma empresa, o peso do pacote de pregos (Y), em g,
tem a seguinte distribuição de valores: Y ~ Normal (1.020
g; 225 g2). Para fins de comercialização, contabiliza-se
R$2,00 e considera-se 1.000 g para cada pacote.
Qual é a probabilidade desta empresa ser multada, dado
que o menor peso previsto pela legislação vale 985 g?
Dado que a empresa produza, em média, 15.000.000 de
pacotes por ano, é possível aumentar o seu lucro anual
em, aproximadamente, R$600.000,00?
 Exercício 3

Um reator nuclear entra em colapso, quando a

temperatura de resfriamento supera 40 C.
Considerando-se que ela tem distribuição
normal com  = 10 C e  = 1 C, qual é a
probabilidade deste evento acontecer?