1.

Introdução:

2. Distribuição Normal

A distribuição normal conhecida também como distribuição gaussiana é sem

dúvida a mais importante distribuição contínua. Sua importância se deve a vários
fatores, entre eles podemos citar o teorema central do limite, o qual é um resultado
fundamental em aplicações práticas e teóricas, pois garante que mesmo que os dados
não sejam distribuídos segundo uma normal a média dos dados converge para uma
distribuição normal conforme o número de dados aumenta. Além disso, diversos estudos
práticos tem como resultado uma distribuição normal. Podemos citar como exemplo a
altura de uma determinada população em geral segue uma distribuição normal, entre
outras características físicas e sociais tem um comportamento gaussiano, ou seja, segue
uma distribuição normal.

Uma variável aleatória contínua tem distribuição Normal se sua função densidade de
probabilidade for dada por:

Usamos a notação

A variação natural de muitos processos industriais é realmente aleatória. Embora as

distribuições de muitos processos possam assumir uma variedade de formas, muitas
variáveis observadas possuem uma distribuição de frequências que é, aproximadamente,
uma distribuição de probabilidade Normal.

O gráfico característico da distribuição normal é uma senóide:

FIGURA 1 – Grafico característico da distribuição normal.

O ponto central (máximo) representa a média.

Em uma medida, quando os desvios são decorrentes de variáveis independentes e

podem ser igualmente positivos em relação à média. Exemplo: o desvio no comprimento
de uma peça é dependente de variações na temperatura, vibrações, variações de ângulos
de corte, desgaste da ferramenta de corte, desgaste no mancal, variação na velocidade,
entre outras.

3. Testes de Hipóteses:
A inferência estatística é dividida em dois grandes tópicos: a estimação de
parâmetros de uma população e os testes de hipóteses.
A Estatística Não-Paramétrica é tão recente, que o aparecimento dos primeiros
testes, nesta área, datam do início do século com seu maior crescimento ocorrendo nos
últimos 40 anos. Um teste não-paramétrico é aquele cujo modelo não especifica
condições sobre os parâmetros da população da qual a amostra foi obtida.
Mesmo quando existem certas pressuposições, estas são mais brandas do que
aquelas associadas ao testes paramétricos.
São menos exigentes do que os paramétricos. Dispensam, por exemplo, a
normalidade dos dados e em geral, as probabilidades das afirmativas obtidas na maioria
dos testes não-paramétricos, são exatas, salvo quando se usam aproximações para
grandes amostras. Além disso independem da forma da população da qual a amostra foi
obtida e, em geral, são de mais fácil aplicação e exigem, quase sempre, menor volume
de cálculos.
Existem testes não-paramétricos que nos permitem trabalhar com dados de
diferentes populações, o que não é possível com os paramétricos. Estes testes são úteis
nos casos em que é difícil estabelecer uma escala de valores quantitativos para os dados.
O pesquisador pode apenas dizer que um dado tem mais ou menos da característica que
está sendo analisada, sem poder precisar ou quantificar as diferenças. Os dados se
encontram numa certa ordem de classificação: mais ou menos; melhor ou pior; maior ou
menor; etc. Eles são mais eficientes do que os paramétricos, quando os dados da
população não têm uma distribuição normal. E quando a população é normalmente
distribuída, sua eficiência, em alguns casos, é levemente inferior à dos concorrentes.

3.1. Etapas dos Testes de Hipóteses:

Qualquer teste de hipóteses não-paramétrico segue os seguintes passos: formular as
hipóteses nula e alternativas; estabelecer a estatística (estimador) a ser utilizada e sua
distribuição teórica determinada; fixar o nível de significância do teste; calcular a
estatística teste (a estimativa), tomar a decisão e fazer a conclusão enunciando a tomada
de decisão.

3.2. Tipos de Testes Não - Paramétricos:

Os testes não-paramétricos podem ser divididos em testes para:
• Uma amostra
• Duas amostras emparelhadas (dependentes)
• Duas amostras independentes
• Várias amostras emparelhadas (dependentes)
• Várias amostras independentes
 A seguir vamos mostrar uma breve noção de alguns destes testes.

4. Modelo Qui – Quadrado:

A distribuição χ2 ou chi-quadrado é uma das distribuições mais utilizadas em
estatística inferencial, principalmente para realizar testes que servem para avaliar
quantitativamente a relação entre o resultado de um experimento e a distribuição
esperada para o fenômeno. Isto é, ele nos diz com quanta certeza os valores observados
podem ser aceitos como regidos pela teoria em questão. Muitos outros testes de hipótese
usam, também, a distribuição χ2.
É um teste não paramétrico, ou seja, não depende dos parâmetros populacionais,
como média e variância.

Para aplicar o teste as seguintes proposições precisam ser satisfeitas:

• Os grupos são independentes,

• Os itens de cada grupo são selecionados aleatoriamente,

• As observações devem ser frequências ou contagens,

• Cada observação pertence a uma e somente uma categoria e

• A amostra deve ser relativamente grande (pelo menos 5 observações em

cada célula e, no caso de poucos grupos - pelo menos 10 - Exemplo: em tabelas 2x
2).

Karl Pearson propôs a seguinte fórmula para medir as possíveis discrepâncias entre
proporções observadas e esperadas:

em que:

• o = frequência observada para cada classe,

• e = frequência esperada para aquela classe.

 Como (o - e) = d (desvio), então podemos reescrever a equação da seguinte
maneira:

Percebe-se que as frequências observadas são obtidas diretamente dos dados das
amostras, enquanto que as frequências esperadas são calculadas a partir destas.

É importante notar que (o - e) é a diferença entre a frequência observada e a

esperada em uma classe. Quando as frequências observadas são muito próximas às
esperadas, o valor de χ2 é pequeno. Mas, quando as divergências são grandes (o - e)
passa a ser também grande e, consequentemente, χ 2 assume valores altos.

O pesquisador trabalha com duas hipóteses:

• Hipótese nula: As frequências observadas não são diferentes das

frequências esperadas. Não existe diferença entre as frequências (contagens) dos
grupos. Portanto, não há associação entre os grupos.

• Hipótese alternativa: As frequências observadas são diferentes da

frequências esperadas, portanto existe diferença entre as frequências. Portanto,
há associação entre os grupos.

É necessário obter duas estatísticas denominadas χ2 calculado e χ2 tabelado. As

frequências observadas são obtidas diretamente dos dados das amostras, enquanto que
as frequências esperadas são calculadas a partir destas.

Assim, o χ2 calculado é obtido a partir dos dados experimentais, levando-se em

consideração os valores observados e os esperados, tendo em vista a hipótese.

Já o χ2 tabelado depende do número de graus de liberdade e do nível de

significância adotado.

A tomada de decisão é feita comparando-se os dois valores de χ2 :

• Se χ2 calculado > ou = χ2 tabelado: Rejeita-se Ho.

 • Se χ2 calculado < χ2 tabelado: Aceita-se Ho.

Quando se consulta a tabela de χ2 observa-se que é determinada uma probabilidade

de ocorrência daquele acontecimento.

5. Teste “t” de Student:

O teste t de Student ou somente teste t é um teste de hipótese que usa conceitos

estatísticos para rejeitar ou não uma hipótese nula quando a estatística de teste ( )
segue uma distribuição t de Student. Essa premissa é normalmente usada quando a
estatística de teste, na verdade, segue uma distribuição normal, mas a variância da
2 2
população é desconhecida. Nesse caso, é usada a variância amostral e, com
esse ajuste, a estatística de teste passa a seguir uma distribuição t de Student. Uma
variável aleatória contínua X tem distribuição t de Student com υ graus de
liberdade, denotada por tv , se sua função densidade for dada por:

O parâmetro υ, chamado de graus de liberdade, está associado ao número de

parcelas independentes em uma soma.

Temos as seguintes propriedades:

 Figura 2 – Gráfico da distribuição t de student para os graus de liberdade 1, 5 e 25.

Essa distribuição tem as seguintes características:

• Cada número de graus de liberdade da origem a uma distribuição t diferente.

• A função densidade tem a mesma forma em sino da distribuição Normal, mas
reflete uma maior variabilidade (com curvas mais alargadas) que é de se esperar
em amostras pequenas. A distribuição t-Student se aproxima da normal quando
aumenta o número de graus de liberdade.

A curva é simétrica em torno do zero, ou seja, dado um a R, tem-se que:

f (a) = f (-a).

Logo, P(X ≤ - a) = P(X ≥ a).

Ao contrário da distribuição normal, não existe uma relação entre as diferentes

distribuições t, assim seria necessária uma tabela para cada valor de υ.
É comum que os livros didáticos apresentem tabelas da distribuição t que envolvem os
valores críticos.
O motivo para isso é que a maioria das aplicações da distribuição t envolve a construção
de intervalos de confiança ou de testes de hipóteses.
6. Conclusão:
Com o desenvolvimento dos métodos estatísticos ao longo da história, pode-se
acurar cada vez mais os resultados experimentais e dessa forma conseguiu-se
melhorar a qualidade dos mesmos. Esse fato é de extrema importância para a
eficiência dos processos desenvolvidos pela engenharia, pois conferem maior
confiabilidade e precisão a estes. Portanto, faz-se necessário estar sempre buscando
estes métodos e acompanhar sua evolução.

7. Referencias Bibliográficas:

1. Teste de Hipótese. Material didático PUCRS. Diponivel em:

http://www.pucrs.br/famat/sergio/Estatistica_Basica_T126/Teste_de_hipotese.pd
f
2. Biometria e Testes de Significância. Disponível em:
http://www.ufpa.br/dicas/biome/biotestes.htm
3. Estatística – Qui-quadrado. Material didático UFPA. Disponível em:
http://www.ufpa.br/dicas/biome/biopdf/bioqui.pdf
4. Modelos de Probabilidade e Inferência Estatística. Notas de aula;
Departamento de Estatística – UFPB. Disponível em:
http://www.de.ufpb.br/~ulisses/disciplinas/notas_de_aula-2013-1.pdf
5. Testes de Hipóteses Não – paramétricos. Material didático UFRGS.
Disponível em:
http://www.mat.ufrgs.br/~viali/estatistica/mat2282/material/textos/Testes_Nao_
Parametricos.pdf