Apostila Metodos Quantitativos

Métodos Quantitativos
Aluno: .......................................................................................................................................................................
Cursos: ......................................................................................................................................................................
. Turma: .................................................................
Distribuição de aulas
Evento Capítulo
Aula 01 1
Aula 02 2
Avaliação On‐Line 01 3
Aula 03 5
Aula 04 6
Avaliação On‐Line 02 4
1
Métodos Quantitativos
Núcleo Comum
1 Sumário
1. Estatística Descritiva.............................................................................................................................
1.1 Porque Estatística...........................................................................................................................
1.2 Medidas de Posição........................................................................................................................
1.3 Medidas de Dispersão....................................................................................................................
1.4 Resumo da Estatística Descritiva.................................................................................................
1.5 Exercícios – Estatística Descritiva................................................................................................
2 Probabilidade e distribuição de probabilidade de dados contínuos.....................................................
2.1 O Problema de Monty Hall e a resposta de Marilyn Vos Savant...................................................
2.2 Exemplo de Espaço Amostral e Distribuição de Probabilidades...................................................
2.3 Tipos de Dados.............................................................................................................................
2.4 Distribuição de Probabilidade de Dados Contínuos – Distribuição Normal...................................
2.5 Distribuição Normal Padronizada (Z)............................................................................................
2.6 Tolerância Natural e Seis Sigma...................................................................................................
2.7 Medidas de Capacidade do Processo (Cp e Cpk)..........................................................................
3 Distribuição de Probabilidade – Dados Discretos, Outras Distribuições e Teorema de Limite

Central.....................................................................................................................................................
3.1 Distribuição de Probabilidade de Dados Discretos.......................................................................
3.2 Distribuição de Probabilidade – Dados Discretos – Binomial.......................................................
3.3 Distribuição de Probabilidade – Dados Discretos – Poisson........................................................
3.4 Outras Distribuições......................................................................................................................
3.5 Teorema do Limite Central............................................................................................................
3.6 Exercícios.....................................................................................................................................
4 Teste de Hipóteses...............................................................................................................................
4.1 Erros  e ....................................................................................................................................
2
4.2 Passos para o Teste de Hipóteses................................................................................................
4.3 Tipos de Teste...............................................................................................................................
4.4 Teste de Hipóteses – Dados Contínuos - Média (1 amostra)........................................................
4.5 Teste de Hipóteses – Dados Contínuos - Média (2 amostras)......................................................
4.6 Teste de Hipóteses – Dados Contínuos Variabilidade (1 amostra)...............................................
4.7 Teste de Hipóteses – Dados Contínuos Variabilidade (2 amostras).............................................
4.8 Exercícios (Dados Contínuos)......................................................................................................
4.9 Teste de Hipóteses – Dados Discretos Proporção da População.................................................
4.10 Exercícios (Dados Discretos)......................................................................................................
5 Estimativa Estatística (Intervalo de Confiança e Tamanho da Amostra)...............................................
5.1 Estimativa do Intervalo de Confiança da Média............................................................................
5.2 Estimativa de Intervalo da Proporção da População....................................................................
5.3 Estimativa do Tamanho da Amostra – Dados contínuos...............................................................
5.4 Estimativa do Tamanho da Amostra – Dados de Proporção.........................................................
5.5 Exercícios.....................................................................................................................................
6 Relacionamento entre variáveis – correlação.......................................................................................
6.1 Relacionamento entre Duas Variáveis..........................................................................................
6.2 A relação entre desempenho escolar e nível socioeconômico.....................................................
6.3 Exemplo de Regressão Linear Simples........................................................................................
6.4 A Análise de Regressão................................................................................................................
6.5 Coeficiente de Correlação............................................................................................................
6.6 Coeficiente de Determinação........................................................................................................
6.7 Relação Gráfica, Coefiente e Natural entre Duas variáveis..........................................................
6.8 Correlação Espúria.......................................................................................................................
6.9 Exercícios – Regressão Linear Simples.......................................................................................
6.10 Relação Multivariável..................................................................................................................
6.11 Análise de Regressão Múltipla....................................................................................................
6.12 Regressão Linear Simples e Múltipla..........................................................................................
6.13 Exercícios – Análise de Regressão Múltipla...............................................................................
7 Referências Bibliográficas.....................................................................................................................
3
1. Estatística Descritiva
1.1 Porque Estatística
A sociedade atual está inserida em um em um ambiente onde há muitas informações e em tempo

real. Ou seja, saímos de uma era onde conseguir informações levava tempo e a restrição de acesso
era muito grande para uma era em que há muitas informações o que poderia facilitar o processo de
tomada de decisão. Mas ao contrário do que se imagina, ter muitas informações também significa ter
dificuldade em selecionar o que é relevante e o processo de tomada de decisão precisa ser cada vez
mais rápido. Hoje temos computadores em diversos formatos e tamanhos que nos permitem
processar dados rapidamente e assim transformá‐los em informações valiosas. Além disso, a internet
fez com que as informações estejam disponíveis em todo o momento e em qualquer lugar.
Há várias informações não numéricas e numéricas importantes que são essenciais para as melhorias
de processo. A tratativa dos dados nos direciona para fatos e não suposições. Com isso, pode‐se dizer
que a estatística tem um papel cada vez mais importante em praticamente todos os aspectos da
Sociedade. Mas ao mesmo tempo, temos que ter cuidado em como usar os dados estatísticos e quais
são os conceitos e ferramentas mais adequadas.
As ciências de uma maneira geral nos ensinam conceitos, ferramentas que se utilizam de modelos ou
conceitos “perfeitos”, “exatos”. No entanto, na vida real nos mostra que o comportamento dos
processos, fenômenos não seguem padrões exatos ainda que possam ser agrupados, classificados e
etc. em padrões que não são exatamente exatos. Mas o homem, no sentido humano da palavra,
busca o “encaixe” em padrões que possam ser usados para tomadas de decisões mesmo em coisas
simples do cotidiano. Como exemplo, “sigo por aqui ou por ali, em função do transito?”, “com base
nessas informações dos meus colegas, qual decisão tomar sobre minhas prioridades?”.
A importância da estatística como ferramenta para analisar dados, identificar seu comportamento e
ser elemento essencial na melhoria de processo já foi exaltado por vários mestres da qualidade ao
longo dos anos:
“O entendimento do controle estatístico é essencial para o gerenciamento, engenharia, manufatura,

compras de materiais e serviços”. (Deming, 1955)
“Qualidade de produtos e serviços requerem conceitos gerenciais, tecnológicos e estatísticos para

todas as funções e uma organização”. (Juran, 1960)
A estatística utiliza teorias e distribuições de probabilidades para entender e descrever a ocorrência

de eventos, através da observação direta de fenômenos ou através da realização de experimentos,
buscando descrever modelos matemáticos que considerem a aleatoriedade e a incerteza dos
4
resultados, entendendo o passado, observando tendência, estimando ou prevendo fenômenos
futuros, conforme o caso.
Hoje, há estatísticas sendo aplicadas em diversas situações: pesquisas de marketing para lançamento
de Produtos, comportamento de Mercado e etc., avaliações psicológica de um grupo de pessoas ou
sociedade, pesquisas médicas e biológicas, nos esporte, na indústria como um todo. O conhecimento
estatístico nos leva a algo que chamamos de “Gerenciamento baseado em conhecimento”.
Martin Hilbert e Priscila López, pesquisadores da Universidade da Carolina do Sul, publicaram um

artigo na revista SCIENCE em Abril de 2011, divulgando alguns dados sobre a quantidade de
informações que existe no mundo todo. Os números são impressionantes: 295 exabytes de dados,
espalhados por computadores pessoais, empresariais e servidores de todo o planeta. Esses dados são
de 2007, por isso estima‐se que hoje este número seja ainda maior. Cálculos dos cientistas
norteamericanos dão dicas de que a quantidade de informação do mundo cresce mais de 50% ao
ano, o que evidencia que atualmente a quantidade de dados seja muito maior.
Um estudo estatístico do IBGE, conforme pode ser observado no gráfico abaixo, demonstra que
saímos em 70 anos de um cenário em que 56% da população brasileira era composta por analfabetos
para um índice de 9,6% em 2010. Apesar de ainda demonstrar um índice elevado de analfabetismo, o
cenário é completamente diferente e as necessidades também mudam. Se antes, precisavam de uma
política voltada para elementos básicos do conhecimento, hoje, temos necessidade que o sistema
educacional volte‐se para outras formas de habilidade, alinhada com tecnologias, informações e
elementos da atualidade.
Figura 1-1 - Infográfico de Taxa de Analfabetismo
Conceitos de estatística remetem a elementos básicos como medidas de posição (média, mediana,
moda) e medidas de dispersão, variação dos dados (amplitude, variância, desvio padrão) e a
ferramentas mais complexas e menos elementares usadas para análises multivariadas (cluster, DOE,
Análise de Regressão Múltipla).
A estatística leva ao conhecimento. Coletar Dados, transformá‐los em informações com uso de

conceitos e ferramentas estatísticas, leva a aquisição de conhecimento.
5
Figura 1-2 - Diagrama de Dados a Conhecimento
O “Seis Sigma” em seu conceito básico e nos diversos programas já implantados ao longo de diversos
segmentos pelo mundo usa a estatística como elemento básico para análise dos processos e seus
problemas, para tomada de decisão e para a implantação de melhorias consistentes. O Seis Sigma é
um programa que visa transformações de processo, melhoria de gerenciamento e de tomada de
decisão baseado em conhecimento. A estatística é a base para a coleta e transformação de dados em
informação por meio de conceitos, cálculos e ferramentas que permitirão as mudanças para
transformação dos processos.
1.2 Medidas de Posição
1.2.1 Média (Média Aritmética)

É uma medida de posição ou localização cujo valor é obtido dividindo a soma de uma série de dados
pela quantidade de dados. Podemos chamar também de Ponto de Equilíbrio.
Símbolo
Média da População: 
Média da Amostra:
6
Obtenção da Média
Média da População:
sendo N, tamanho da população.
Média da Amostra:
∑
̅
, sendo n, tamanho da amostra.
Exemplo
Coletou‐se uma série de dados, referente à quantidade de reparos diários de um produto, conforme
tabela e gráfico abaixo. E em seguida calculou‐se a média.
Tabela 1-1 - Dados de exemplo para Estatística Descritiva
1 2 2 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4 4
5 5 5 5 5 5 5 5 5 6
6 6 6 6 6 6 7 7 7 7
7 7 8 8 8 8 8 9 9 9
10 10 11 11 12 13 13
Gráfico 1-1 - Distribuição de Dados - Estatística Descritiva
. . . . . . . . . . .
7
6
1.2.2 Média Aritmética Ponderada

Média que leva em consideração fatores de ponderação ou pesos (wi). É muito usada em cálculos de
avaliações em geral, como avaliações de alunos em período letivo.
Símbolo
São os mesmos da Média Aritmética regular.
Obtenção da Média
Média:
∑ ∙
Exemplo
∑
Se uma das avaliações do curso tem peso 2 e as outras duas tem peso 1. Nas duas primeiras provas, o
aluno tirou nota 8 e 10 e na última prova, de peso 2, o aluno tirou 5.
. .
. 7
1.2.3 Mediana
Valor do meio de uma série de dados quando todos os dados estão arranjados em ordem de
magnitude.
Exemplo
Vamos tomar o mesmo exemplo usado na média

Tabela 1-2 - Dados de Exemplo para Estatística Descritiva
1 2 2 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4 4
5 5 5 5 5 5 5 5 5 6
6 6 6 6 6 6 7 7 7 7
7 7 8 8 8 8 8 9 9 9
10 10 11 11 12 13 13
Como são 57 dados, tem que o item ordenado correspondente à mediana é o elemento 29, ou seja,
há 28 elementos anterior a mediana e 28 elementos superior ao valor da mediana. O elemento
ordenado de número 29 é: 5.
8
1.2.4 Moda
É o valor que mais se repete em uma série de dados.
Exemplo
Para o mesmo exemplo anterior, temos com o valor que mais se repete: 4. Como pode ser observado
no gráfico abaixo.
1.3 Medidas de Dispersão
As medidas de posição são muito importantes, mas sozinhas não conseguem dar uma visão clara do
comportamento dos dados. Em muitas situações a variabilidade é algo
indesejado. Traz perdas, situações de risco e etc.
Veja o cômico exemplo ao lado a seguir em que a média não é suficiente para
dar garantia sobre o diâmetro de uma corda e para dá a segurança a quem a
usa.
Figura 1-3 - Variação

9
1.3.1 Quantificando os dados e Noção de Variabilidade
Visualizando as três séries de dados abaixo, temos valores iguais nas respectivas séries para a soma e
média, mas veja que os valores de amplitude mudam.
Isso nos dá uma noção clara que ainda que os valores de posição sejam os mesmo, a variabilidade,
nesse caso representado pela amplitude pode ser diferente.
Soma Média Amplitude
15 3 4
15 3 4
15 3 2
Vamos a seguir ver algumas medidas de dispersão.
1.3.2 Amplitude
É a diferença entre o maior e o menor valor da série de dados.
Na série abaixo, a amplitude é: (Max:10) – (Min:4) = 6
8 5 9 10 7 8 7 5 4 7
1.3.3 Desvio
Eu uma série de dados o Desvio é a diferença de um determinado valor pela média da série. Para
a série de dados abaixo, a média é 7.
8 5 9 10 7 8 7 5 4 7
10
Os desvios são respectivamente:
8-7= 5-7= 9-7= 10-7= 7-7= 8-7= 7-7= 5-7= 4-7= 7-7=
+1 -2 +2 +3 0 +1 0 -2 -3 0
Bem, mas se quisermos ter uma ideia de variabilidade geral, seria razoável pensarmos em uma soma
de desvios. No entanto, como estamos falando de desvios em torno da média, isso significa que o
desvio para cima e para baixo em relação da média é o mesmo, ou seja, a soma dos desvios sempre
será zero.
Observe como isso é verdade ao fazer a soma dos desvios do exemplo acima.
1.3.4 Soma dos Quadrados dos Desvios
A soma do quadrado dos desvios elimina o efeito do sinal ao elevar a uma potência par.
N 2
x μ i
i1
8-7= 5-7= 9-7= 10-7= 7-7= 8-7= 7-7= 5-7= 4-7= 7-7=
Desvio +1 -2 +2 +3 0 +1 0 -2 -3 0
Quadrado
dos
Desvios 1 4 4 9 0 1 0 4 9 0
Para o exemplo, anterior, a Soma dos Quadrados dos Desvios é: 32.
Apesar de eliminar o efeito do sinal, essa métrica de variabilidade potencializa o valor de

variabilidade. Então, faz‐se necessária a existência de alguma outra medida que possa eliminar essa
potencialização.
1.3.5 Variância
Variabilidade para a População
A variância é uma das métricas de variabilidade mais comuns. A ideia é de dividir a soma dos
quadrados dos desvios.
11
Símbolo
2
Obtenção da Variância
N 2
x μ i
2  i1
Sendo N, igual ao tamanho da população.
Variabilidade para a Amostra
Para tal, o conceito é o mesmo e a formulação parecida. No entanto, a um elemento de correção para
o tamanho da amostra.
2
Símbolo s
Obtenção
da
Variância
para
Amostra
n 2
x  x i
s2  i1 n -1
1.3.6 Desvio Padrão
O desvio padrão é a métrica mais conhecida e usada como medida de variabilidade. Ela nada mais é
que a raiz quadra da variância, eliminando assim a potencialização do desvio que acontece no cálculo
da soma dos quadrados dos desvios.
Símbolo
12

Obtenção do Desvio Padrão
N 2
 x
i1
i  μ

N
A fórmula acima vale para a população.
Desvio Padrão para a amostragem (s)

N 2
s  x
i 1
i  x
n -1
1.4 Resumo da Estatística Descritiva
Como principais medidas de posição e dispersão, tem‐se a média, a variância e o desvio padrão.
Outras medidas como moda, mediana, para posição, e amplitude e soma dos quadrados dos desvios
para a dispersão também podem ser utilizadas.
Algo que chama atenção na estatística é o fato de permitir um julgamento da população com base em
análise descritiva a partir de amostras. Essa propriedade denomina‐se “Estocástica”.
Segue o diagrama e tabela abaixo com as principais medidas descritivas de posição e dispersão da
população e média.
13
1.5 Exercícios – Estatística Descritiva
(1) Em uma Tabela anote a altura de todos os alunos da sala de aula. Em seguida faça uma
Estatística Descritiva desses dados (média, moda, amplitude, variância e desvio padrão).
(2) Em uma companhia que tem 80 funcionários, 60 recebem R$ 4,55 e 20 recebem R$ 6,35.
Qual é o salário médio‐hora dessa empresa?
(3) Quatro grupos de estudante constituídos de 15, 20 ,10 e 18 indivíduos têm pesos médios
respectivos 81, 74, 77 e 70 kg. Determinar o peso médio de todos os estudantes.
(4) Em uma pesquisa do órgão regulador de medidas, foram tomados 50 unidades de um
determinado produto para verificar a sua espessura, cujas medidas são mostradas abaixo em
(mm). Calcule a média, amplitude e desvio padrão.
2 Probabilidade e distribuição de probabilidade de dados contínuos
A história da teoria das probabilidades se deu juntamente com o inicio dos jogos de cartas, dados e
de roleta. Por essa razão, muitos exemplos de probabilidade são relacionados e esses tipos de jogos.
Os estudos de probabilidade possibilitam o calculo da chance de ocorrência de certo resultado
específico de um “espaço amostral” em um evento chamado “experimento aleatório”.
Experimento Aleatório – É aquele experimento que, quando repetido em iguais condições, podem
fornecer resultados diferentes (dentro de um espaço amostral), ou seja, são resultados explicados ao
acaso.
Espaço Amostral – É o conjunto de todos os resultados possíveis de um experimento aleatório.
A probabilidade de ocorrência de um evento é um número entre 0 e 1 ou de 0% a 100%. Se o evento

não pode ocorrer, sua probabilidade é 0. Caso o evento seja certo, a sua probabilidade é 1.
A “tipo” de probabilidade que estudamos está relacionado ao que chamamos de frequência relativa,
quando a probabilidade se dá em função de eventos esperados em relação a uma quantidade de
eventos avaliados.
14
2.1 O Problema de Monty Hall e a resposta de Marilyn Vos Savant
Marilyn Vos Savant, escritora e colunista da revista Parade estadunidense, nos Estados Unidos,
responde a perguntas de seus leitores sobre matemática e ciência avançada. Por apresentar um alto
quociente de inteligência de 228 pontos, Marilyn Vos Savant já foi citada no Livro Guinness dos
Recordes.
A questão a seguir, proposta originalmente por ela, em 9 de setembro de 1990, talvez tenha se
tornado o caso mais conhecido envolvendo sua coluna.
“Suponha que você esteja em um game show, e é dada a você a escolha de três portas. Atrás de uma porta
está um carro, atrás das outros, cabras. Você escolhe uma porta, por exemplo, a No. 3. O anfitrião, que
sabe o que está por trás das portas, abre a porta No. 1, que tem uma cabra. E ele pergunta: Você quer
escolher a porta No. 2? É vantajoso mudar a sua escolha de porta?”
Esta questão, chamada de "O Problema de Monty Hall" por causa de sua semelhança com cenários do
game show Let's Make a Deal, já existia muito antes de ser colocada por Marilyn Vos Savant, mas foi
trazida à atenção nacional dos Estados Unidos pela sua coluna.
Marilyn Vos Savant respondeu argumentando que a seleção deve ser trocar para a porta No. 2 porque
ela tem 2/3 de chance de sucesso, enquanto a porta No. 1 tem apenas 1/3. Esse cálculo utiliza uma
forma elementar do cômputo de probabilidade:
Probabilidade = Número de Resultados Favoráveis à Exigência

Número de Casos Possíveis
Esta resposta provocou cartas de milhares de leitores, quase todas argumentando que as portas No. 1
e No. 2 cada um tem uma chance igual de sucesso. Uma coluna de sequência reafirmando sua
posição serviu apenas para intensificar o debate e logo se tornou um artigo na primeira página do The
New York Times.
Entre as fileiras dos argumentos contrários quase mil Ph.Ds escreveram cartas, e muitos deles eram
professores de matemática e pareciam especialmente irados. Um desses, que trabalhava no Instituto
de Pesquisa do Exército dos Estados Unidos afirmou:
“Se todos esses Ph.Ds estiverem errados, o país está passando por graves problemas.”
Mas o fato é que Marilyn estava certa, como pode ser visto no quadro a seguir. Considere que o
participante sempre escolhe inicialmente a porta 2 e o apresentador abre uma das outras 2 portas,
eliminando‐a. A probabilidade de ganhar é maior se for adotada a estratégia de mudar de opinião.
15
Nesta “simulação”, o participante sempre escolhe a porta 2. Entretanto, o mesmo resultado pode ser
obtido se qualquer uma das portas for escolhida e estratégia de mudar for mantida. Esse
acontecimento ilustra muito bem a nossa falta de capacidade de julgar apropriadamente sobre
probabilidades se não houver um entendimento claro do espaço amostral, bem como a estratégia do
experimento realizado.
2.2 Exemplo de Espaço Amostral e Distribuição de Probabilidades

Considere o experimento de lançamento de dados de forma aleatória. Todos os possíveis
resultados do lançamento de 1 dado são mostrados na tabela a seguir, com as suas respectivas
probabilidades.
Result Probabilid
ado ade
1 1/6
2 1/6
3 1/6 Distribuição
Espaço
de
Amostral 4 1/6 Probabilidades
5 1/6
6 1/6
Soma 21 1
Média 3,5
Tabela 2.1 – Espaço Amostral e Distribuição de Probabilidades do Experimento de
Lançamento do Dado
16
Considerando que o dado não está “viciado”, é de se esperar que o resultado dos lançamentos
resulte na seguinte distribuição de probabilidades. Ou seja, para cada um dos valores dos dados a
probabilidade é de 1/6.
2.3 Tipos de Dados
Os dados de forma original podem ser qualitativos ou quantitativos. Os dados qualitativos são dados
de atribuição, associados a dados nominais ou ordinais. Os dados quantitativos, por sua vez,
descrevem valores de quantidades associados a alguma grandeza, podem ser classificados em:
Contínuos ou Discretos.
Figura 2-1 - Tipos de Dados
Os dados contínuos referem‐se a dados que podem assumir quaisquer valores e apresentam valores
cujas mudanças se dão de forma linear. Os principais exemplos de dados contínuos são grandezas
físicas que são medidas, como exemplo: temperatura, pressão, comprimento, preso, viscosidade,
densidade e outros.
17
Os dados discretos por sua vez estão relacionados à contagem, por exemplo, quantidade de alunos
em sala de aula, quantidade de maças no cesto, quantidade de pessoas que trabalham em
determinado departamento.
Veja abaixo, alguns exemplos dos dados discretos e contínuos na figura 2.1‐2.
Figura 2-2 - Dados Quantitativos
2.4 Distribuição de Probabilidade de Dados Contínuos – Distribuição Normal
Normalmente associamos a distribuição de dados contínuos a processos em que há metas e os

resultados reais estão em torno dessa meta. Em outras palavras, os dados “normalmente” se
acomodam em torno da meta, e ao representarmos graficamente essa distribuição, obtemos o
formato da distribuição normal. Por exemplo: peso de pão francês, comprimento de lápis, quantidade
de bebida em uma garrafa.
Figura 2-3 - Distribuição Normal
18
Vale a pena relatar que, quando a distribuição normal foi criada em 1773, ela era conhecida como a
lei dos erros por causa da sua utilização na representação de erros em observações astronômicas e de
outras ciências naturais. Tempos depois se foi encontrando outras aplicações para os conceitos
relacionados com a distribuição normal, onde podemos visualizar exemplos em todas as áreas,
inclusive em situações do nosso cotidiano, conforme exemplos citados acima.
2.4.1 Características da Distribuição Normal
Parâmetros:
Média e Desvio Padrão: e
Formato
Distribuição simétrica em forma de sino, tendo os dados distribuídos em torno da média.
Figura 2-4 - Distribuição Normal
A probabilidade ou a distribuição de probabilidade normal pode ser caracterizada pela porção da

distribuição que compreende o valor (área) associado.
A função densidade de probabilidade é definida como:
xμ2
1 
2σ
2
e
f x  2 π σ  <x< 
19
A função de distribuição acumulativa, que determina a área que corresponde à probabilidade é:
xμ2
1  2
e
2π σ
P  F x   x 2σ dx ‐  <x< 

Vamos seguir o exemplo abaixo para avaliar a probabilidade de defeitos de um determinado processo.
Exemplo
Com a distribuição normal abaixo, qual é a probabilidade de produtos não constarem dentro dos
limites de especificação (de 48 a 55), em outras palavras qual é a probabilidade de defeitos?
Figura 2-5 Exemplo de Distribuição Normal
Conforme distribuição acima N(50, 22), a média é 50 e o desvio padrão é 2.
Considera‐se defeito tudo que está fora do especificado, ou seja, tudo que está abaixo de 58 e tudo
que está acima de 55. Portanto, faz‐se necessário calcular a probabilidade (P1) do produto apresentar
valor superior a 55 e probabilidade (P2) da medida ser menor que 48.
P (defeito) = P1 (X≥55) + P2 (X≤48)
Substituindo na função distribuição acumulativa:
xμ2
55 1 
2
2π σ
P  F x  48 e 2σ dx
Ou
xμ2 xμ2
1  2 48  1  2
e e
P1  2π σ 2σ
dx P2  55 2π σ 2σ
dx
20
Usando um software estatístico como o Statistica, podemos obter P1 e P2, conforme abaixo.
[P1] [P2]
2.5 Distribuição Normal Padronizada (Z)
A distribuição Normal Padronizada representa uma distribuição normal genérica, com médio no
ponto zero e desvio padrão unitário. Essa distribuição é utilizada para que se façam estimativas
relacionadas às distribuições de dados coletados, bem como comparações entre distribuições
diferentes.
A Distribuição Normal Padronizada é dividida em faixas, onde cada faixa tem o tamanho do desvio
padrão. Os estudos da distribuição normal estabeleceram a probabilidade de concentração de
resultados em cada faixa da distribuição. Essas probabilidades podem ser aplicadas a quaisquer
distribuições de dados contínuos, desde que se verifique que eles obedecem às características da
distribuição normal.
Para transformar os elementos de uma distribuição em valor padronizado, podemos usar a

“transformada Z”, conforme abaixo:
x μ
Z
σ
Vejamos um exemplo.
Exemplo:
Um determinado aluno de um curso obteve em dois testes o mesmo valor de pontuação, 70. A média
da turma foi de 60 pontos em ambos os testes, no entanto, os desvios padrões foram,
respectivamente, 10 e 5.
Apesar dos pontos do aluno ter sido o mesmo nos dois testes e a média da turma ter sido a mesma,
será que em relação ao todo, o aluno foi melhor em alguma das avaliações?
21
Vamos usar a transformação Z e verificar em termos de distribuição normal padronizada Z.
Observando os valores padronizados, tem‐se que na 2ª. avaliação, a nota do aluno A corresponde a 2
desvios padrões de distância (superior) em relação à média da turma e na avaliação 1, a nota de A
equivale a 1 desvio padrão de distância em relação à média da turma. Ou seja, em relação a
distribuição de notas da turma, o aluno A foi melhor na 2ª. avaliação em relação a 1ª. avaliação.
2.6 Tolerância Natural e Seis Sigma
A partir da distribuição normal, tem‐se a distribuição dividida em faixas que correspondem a 1 desvio
padrão. A Faixa 3, equivalente a faixa dos valores compreendidos entre a média e mais ou menos 3
desvios padrão é chamada de região de tolerância natural, pode‐se dizer isso porque os valores
obtidos por processos normalmente distribuídos se acomodam naturalmente dentro dessa faixa e
isso dá um padrão de previsibilidade (ou estimativa de probabilidades) para dados normalmente
distribuídos. Nessa faixa de ± 3, temos 99,73% dos dados. E é nessa faixa que se determina os
limites de controle, tanto usados em cartas de controle.
Figura 2-6 - Distribuição Normal Padronizada - Tolerância Natural
22
Em outras palavras, se os limites de especificação coincidem com os limites de controle, o índice de
defeito deve ser 1‐0,9973 = 0,27%.
Um processo se torna melhor quando a sua variabilidade reduz e dessa maneira os limites de controle
estão mais internos que os limites de especificação.
Figura 2-7 - Menor Desvio, Melhor Processo
O termo “Seis Sigma”, aliás, vem da condição em que em uma distribuição, os limites de especificação
correspondem a ± 6 desvios padrões em relação à média, conforme pode ser observado na figura 2.1‐
8.
Figura 2-8 - Processo Seis Sigma
23
2.7 Medidas de Capacidade do Processo (Cp e Cpk)
Cp e Cpk são medidas utilizadas para avaliar a capacidade dos processos. Levam em consideração as
especificações e o desvio padrão.
2.7.1 CP
Cp é o Índice de capacidade (potencial) do processo ideal para valores de especificação nos dois lados.
Como CP considera apenas os limites de especificação, toma‐se o centro da distribuição coincidindo

com a média entre os limites de especificação, ou seja, não considera eventuais deslocamentos.
2.7.2 CPK
Cpk é o Índice de capacidade (atual) do processo que aprova pela diferença entre a média do
processo e o valor médio da especificação. Em outras palavras, o deslocamento é levado em
consideração e acaba sendo mais rígido que o CP.
2.7.3 Avaliando CP e CPK
A avaliação de CP e CPK devem considerar as referências abaixo:
24
Cp, Cpk  1.0: Capacidade insuficiente do processo
Cp, Cpk  1.33 Boa capacidade do processo
Segue alguns valores de CP e CPK e os índices de defeito correspondente.
25
3 Distribuição de Probabilidade – Dados Discretos, Outras Distribuições
e Teorema de Limite Central
3.1 Distribuição de Probabilidade de Dados Discretos
Frequentemente temos a necessidade de analisar dados oriundos de situações onde os dados

gerados são discretos ou qualitativos, também chamados de dados categóricos, onde sua escala pode
ser ordinal, nominal, ou simplesmente números inteiros. Nesses casos, escala ou forma de
observação dos dados é um fato importante e determinante para a análise apropriada, bem como
futuras inferências com relação a população de onde os dados se originaram.
Dados discretos podem ser representados por quantidades, bem como taxas, índices ou
probabilidades, que podem ser representadas através de determinadas distribuições. As distribuições
comumente utilizadas para representar dados discretos são a distribuição Binomial e a distribuição de
Poisson.
3.2 Distribuição de Probabilidade – Dados Discretos – Binomial
A Distribuição Binomial é uma distribuição discreta mostrando a probabilidade de um evento que

pode assumir dois valores. (Exemplo: Cara ou coroa de uma moeda, PASSA/NÃO PASSA, produtos
bons / defeituosos). As seguintes condições devem ser satisfeitas para que se aplique a distribuição
binomial:
1. Experimento Bernoulli ‐ O resultado do experimento pode assumir somente dois valores,

como o lançamento de uma moeda.
2. Igualdade dos Experimentos ‐ Uma série de experimentos é feita sob as mesmas condições.
3. Independência dos Experimentos ‐ O resultado de um experimento não influencia nem é

influenciado por outros.
4. Igualdade de Probabilidades ‐ A probabilidade do resultado de um experimento é a mesma

probabilidade do mesmo resultado em qualquer outro experimento.
Os parâmetros da distribuição Binomial são:
X = Número de resultados esperados após n experimentos.
(x pode assumir os valores 0, 1, 2, 3, ..., n)
n = Número de experimentos p = probabilidade do resultado esperado de cada
experimento individualmente
3.2.1 Características da Distribuição Binomial
26
A função de densidade de probabilidade é definida conforme abaixo.
sendo, x = Número de resultados esperados após n experimentos x = {0, 1, ……,
n} n = Número de experimentos p = Probabilidade do resultado esperado de
cada experimento individualmente
3.2.2 Formato da Distribuição Binomial
O formato varia conforme o valor de p, como pode ser observado abaixo.
p < 0,5 – Inclinado para a direita.
p = 0,5 ‐ simétrico
p > 0,5 – Inclinado para a esquerda
27
Exemplo
Vamos usar o exemplo abaixo para melhor entendermos.
Suponha que um hospital possui um índice de absenteísmo (faltas dos funcionários) de 5%. Qual é a
probabilidade de que, em uma visita surpresa, o responsável pelo hospital encontre presente todos
os funcionários de um grupo de 10, escolhidos aleatoriamente? Têm‐se os parâmetros específicos:
n: Tamanho da amostra (n = 10) x: Número de funcionários ausentes
Para nenhum funcionário ausente, tem‐se que x=0. p:
Probabilidade de absenteísmo = 0,05.
Calculando P(X=0):
Portanto, a probabilidade de nenhum funcionário ter faltado em uma verificação aleatória de 10

funcionários em um grupo é de 59,87%.
Para esse mesmo exemplo, tem‐se a seguinte distribuição de probabilidade para que nenhum, 1, 2,
3,4 e 5 funcionários terem faltado.
Tabela 3-1 - Distribuição Binomial
x 0 1 2 3 4 5
P(X=x) 0,5987 0,3151 0,0746 0,0105 0,0010 0,0001
28
Gráfico 3-1 - Distribuição Binomial
3.3 Distribuição de Probabilidade – Dados Discretos – Poisson
A Distribuição de Poisson é uma distribuição discreta mostrando a probabilidade de um número de

ocorrências de um evento em um intervalo.
Alguns Exemplos:
• Número de clientes chegando à loja, por hora;
• Número de acidentes de trânsito, por dia;
• Número de acertos de passes de um jogador, por partida;
• Número de falhas em um rolo de papel, por metro;
• Número de acidentes em uma estrada, por dia.
A distribuição de Poisson se encaixa em eventos discretos que ocorrem de forma aleatória.
3.3.1 Características da Distribuição de Poisson
Os parâmetros da distribuição de Poisson são:
X = Número de resultados por intervalo (x pode assumir os valores 0, 1, 2, 3, ..., ∞)
 = taxa média de ocorrência por intervalo.
A função densidade de probabilidade é dada por:

29
λx eλ
PX  x x!
Sendo x = 0, 1,..., ∞
Exemplo
Esta é a história de um técnico de um determinado processo. Em média, três chamados de inspeção

acontecem por dia.
Baseado em um levantamento anterior, dois técnicos podem atender a esses três chamados. Se mais
de três chamados acontecerem em um dia, temos que considerar a opção de aumentar o número de
técnicos.
Encontre a probabilidade de que quatro ou mais chamados por dia acontecerem.
 = 3 chamados/dia
P(X≥4) = 1‐ [P(X=0) + P(X=1) + P(X=2) + P(X=3)]
-3 0
P(X=0) = (2,17828) . 3 = 0,0498
0!
-3 1
P(X=1) = (2,17828) . 3 = 0,1494
1!
-3
. 32 = 0,2244
P(X=2) = (2,17828)
2!
-
3 3
P(X=3) = (2,17828) . 3 = 0,2244

3!
P(X≥4) = 1‐ [0,0498 + 0,1494+ 0,2244+ 0,2244]
P(X≥4) = 0,3528  35,28%
A distribuição de probabilidade de Poisson desse exemplo pode ser representada conforme abaixo.
30
Gráfico 3-2 - Distribuição de Probabilidade de Poisson
3.4 Outras Distribuições
Além das distribuições que vimos, que são as mais comuns e elementares, existem outras
distribuições, que podemos chamar de sintéticas, porque não são distribuições encontradas no
campo mas foram criadas e são usadas em vários estudos estatísticos, como teste de hipóteses,
intervalo de confiança e outros.
Segue abaixo a tabela com descrição dessas distribuições.

Tabela 3-2 - Outras Distribuições
Distribuição padronizada usada para teste de
diferenças de médias quando o s não é
Distribuição t conhecido e para amostras de tamanho
pequeno.
Faz uma correção na distribuição
conforme o tamanho da amostra.

diferenças de proporções
Distribuição F (comparações de índices de defeito, taxas e
etc.).

Distribuição 2
encaixes.
3.5 Teorema do Limite Central
Para muitos estatísticos como o conceito mais importante de toda a teoria estatística é o teorema do
limite central, ligação entre a distribuição normal e as distribuições de amostragem, considerado
como a chave da estocástica.
O que diz o Teorema do Limite Central:
“Para quase todas as populações (Independente do formato da distribuição da população), a distribuição

da média das amostras sempre é normalmente distribuída.”
31
Figura 3-1 - Teorema do Limite Central
Figura 3-2 - Exemplo de Teorema do Limite Central
3.6 Exercícios
(5) A pontuação média de um teste promocional do qual 300 pessoas participaram foi de
65 pontos, com as pontuações normalmente distribuídas com desvio padrão de 12
pontos.
Pergunta:
a. Quantos participantes do teste obtiveram pontuação entre 50 e 70 pontos?
b. Quantos participantes do teste obtiveram pontuação entre 80 pontos ou mais?
(6) Uma dimensão (mm) de um certo produto é representado por N (551,1.82).

Qual é o índice de efeito em % se a dimensão deve ser de 550 ± 4 de acordo com as
32
especificações do produto? Use a Distribuição Normal Padronizada Z.
(7) Em um processo de envasamentos de bebidas, têm-se como especificações 640 e

660ml/garrafa. O gerente do referente processo resolveu verificar a capacidade do
referente processo. Fazendo sucessivas medições, identificou Média (m) de 655ml e
desvio padrão (s) de 2,0. Pede-se:
a. Calcule o CP e CPK.
b. Baseado somente no CP, pode-se dizer que o processo é bom. Explique.
c. Imagine que o CPK calculado tivesse dado um valor negativo. O que isso
significa?
(8) O seu fornecedor de materiais alega que está cumprindo com as exigências
contratuais de fornecimento com uma taxa de defeito não maior que 1%. Suponha
que durante uma auditoria no seu estoque, você colha uma amostra de 20 itens,
aleatoriamente. Considerando que a taxa de defeito é 0,01 qual é a probabilidade de
que você não encontre nenhum defeito nessa amostra de 20 itens?
(9) Suponha que tenha uma peça cujo índice de defeito é de 15%. Quando 5 peças são
selecionadas aleatoriamente para testes:
a. Qual a probabilidade de que nenhuma delas seja encontrada com
defeitos?
b. Qual é a probabilidade de uma das peças apresentar defeito?
c. Faça um gráfico demonstrando a distribuição de probabilidade.
(10) Na média histórica, somente 40% de todos os medicamentos são lucrativos para a
indústria farmacêutica. Uma determinada companhia líder do mercado desenvolveu
15 medicamentos no ano passado. Pergunta-se:
a. Quantos desses 15 medicamentos espera-se que tenham lucros com base no
histórico do segmento?
b. Qual é a probabilidade que mais da metade dos medicamentos desenvolvidos
nos anos passado sejam lucrativos?
33
(11) Em um determinado hospital, os enfermeiros trabalham em turnos de 8 horas na
enfermaria. Se há em média, 6 situações de emergência por dia, nos pacientes
internados nessa enfermaria, e caso aconteça, o enfermeiro fica em torno de 1 hora
atendendo a emergência. Quantos enfermeiros são necessários, em qualquer turno,
para que se tenha não mais que 1% de chance de uma situação de emergência não
ser atendida?
(12) Em uma certa máquina de montagem, a alimentação automática de peças pára 5

vezes em um dia devido a uma peça com problema, requerendo o operador remover
a peça problemática. Se o dispositivo pára até nove vezes por dia, um único
operador é suficiente. Para dez vezes ou mais, dois operadores são necessários
para atender a máquina. Determine quantos operadores devem atender a máquina
no processo.
(13) O número médio de aeronaves que pousam em uma determinada base aérea é de
24 por hora durante um dia normal de tráfico. As pistas dessa base são capazes de
suportar até 20 aeronaves por meia-hora. Encontre a probabilidade de operações de
pouso serem superiores ao limite de capacidade da base.
(14) Vamos através de um exercício, verificar se o Teorema do Limite Central é de fato

válido.
a. Dividir a turma em duas equipes.
b. Cada membro de cada equipe deverá lançar o dado 20 vezes.
c. Preencher a tabela abaixo.
d. Calcular a médias dos pontos, conforme os resultados dos lançamentos de
cada membro.
e. Ordenar as médias e fazer uma distribuição gráfica.
f. Fazer um gráfico de colunas demonstrando quantidade de vezes em que o
resultado foi 1, 2, 3, 4, 5 e 6.
34
4 Teste de Hipóteses
Vamos observar alguns questionamentos:
“A média de consumo de combustível difere em função do uso do tipo de combustível A ou B”;
“O tipo de analgésico determina a quantidade de alívio à dor”;
“A probabilidade de morte em acidentes de carro difere, dependendo se os passageiros utilizam cinto

de segurança ou não”;
“A filtragem de elementos tóxicos é melhor se utilizar o método 1 ao invés do método 2”;
“O tempo de execução de um processo quando realizado por um software é mais rápido que quando
é realizado por outro”;
“O índice de defeito de uma peça fornecida pelo Fornecedor A é menor que do fornecedor B”.
Uma hipótese estatística é uma afirmação sobre algum estado real da natureza que não é
completamente compreendido
O objeto dos testes de hipóteses é fazer julgamento mais acurados, comparativos entre médias,
variações ou proporções de uma amostra com uma referência, que pode ser a população ou mesmo
outra amostra.
35
Figura 4-1 - Teste de Hipóteses
Uma hipótese a ser testada consiste de duas afirmações complementares sobre um estado real da
natureza. As duas afirmações referem‐se a uma hipótese de que não há diferença (não há mudança) e
a outra é de que há diferença ou mudança.
H0: O tempo médio de um processo é igual ao tempo de referência (população).
H1: O tempo médio de resposta dos alunos não é igual ao tempo de referência.
Essas duas afirmações complementares são definidas como hipótese nula (H0) e hipótese
alternativa (H1). Como o estado real da natureza é raramente conhecido com 100% de certeza, essas
duas afirmações podem ser argumentadas e testadas. Probabilidade e estatística são combinadas
com dados amostrados para se fazer inferências sobre uma população inteira (o estado real da
natureza) com certa quantidade de incerteza mensurada.
4.1 Erros  e 
Uma analogia ao teste de hipóteses pode ser feita com o sistema legal onde um acusado em
julgamento é pressuposto inocente até que os acusadores apresentem evidencias irrefutáveis que
convençam o contrário. Nesse exemplo, as hipóteses a serem testadas são:
H0: O réu é inocente.
H1: O réu é culpado.
Independente da conclusão do júri, eles nunca realmente tem certeza sobre o estado real da
natureza. Concluir “H0: O réu é inocente” não significa que o réu é de fato inocente. Uma conclusão H0
simplesmente significa que não se tem evidencias suficientes para justificar sua condenação. Por
outro lado, concluir H1 não prova que ele é culpado, ao invés disso, implica somente que as evidencias
são irrefutáveis e dá ao júri certo nível de confiança em declarar o réu como culpado.
36
Considerando que os vereditos são dados com menos de 100% de certeza, há uma probabilidade
de erro em qualquer uma das duas conclusões. Considere a tabela a seguir, a probabilidade de
cometer um erro Tipo I é definida como (0 < < 1) e a probabilidade de cometer um erro Tipo II é
definida como (0 < < 1).
Tabela 4-1 - Teste de Hipótese e erros.
Estado Real da Natureza
H0 H1
Conclusão resultando
H0 Conclusão Correta
em um erro Tipo II
Conclusão
Tomada Conclusão
H1 resultando em um erro Conclusão Correta
Tipo I
No exemplo do julgamento, , a probabilidade de condenar uma pessoa inocente é a maior

preocupação. Para minimizar o risco desse tipo de conclusões errôneas, o sistema penal sempre
requer evidencias irrefutáveis para concluir H1. Embora a minimização de  tenha as suas vantagens,
é claro que buscar evidências irrefutáveis para se concluir H1 pode aumentar o risco , a probabilidade
do erro Tipo II. Para resolver esse dilema, as hipóteses estatísticas foram concebidas de forma que:
i. A decisão mais crítica é a que leva ao erro Tipo I;
ii.  é ajustado em um nível mínimo, usualmente 5%, 1%, ou 0,1% dependendo do quão critica
é a decisão associada ao erro (por exemplo, em áreas acadêmicas ou sociais normalmente se
utiliza 5%, enquanto que em hospitais ou áreas mais críticas, utiliza‐se 1% ou 0,1%);
iii. Baseado nos itens acima, a afirmação a ser testada fica com um nível de confiança mínimo
de
(100% ‐ ) com relação a H1; iv. A natureza de muitos testes estatísticos
requer igualdade de condições em H0.
v. Minimizar  enquanto se mantêm  constante requer aumento nos tamanhos das amostras.
37
4.2 Passos para o Teste de Hipóteses
Para a realização de teste de hipóteses, podemos seguir os seguintes passos:
Passo 1 Formular duas hipóteses

Passo 2 Determinar o Grau de severidade de julgamento
Passo 3 Estabelecer critério para julgamento
Passo 4 Deixar os dados falarem
Passo 5 Comparar para o julgamento
Passo 6 Tirar conclusões
Independente do tipo de teste, esses passos são universais e devem ser seguidos. Vejamos
a seguir os tipos de teste.
4.3 Tipos de Teste
Os testes de hipóteses podem ser variados: para avaliar diferença de médias, de variabilidade, de
proporção, de encaixe e outros.
Vejamos na tabela abaixo os principais testes.

Tipo de Dados Tipo de Testes Testes
Valores contínuos como TESTE DE DADOS

comprimento, peso e CONTÍNUOS
‐ Teste de Média (1 amostra, 2 amostras). – Z e t.
altura
‐ Teste de Variabilidade (1 amostra, 2 amostras). –
Z, t e t‐Welch.
Valores discretos como taxas e TESTE DE DADOS ‐ Teste de Proporção (1 Amostra) e (2
índices de defeito DISCRETOS Amostras) ‐
Dados que não seguem TESTE NÃO - Teste de Qualidade Encaixe

necessariamente uma PARAMÉTRICO - Teste de Independência
distribuição normal - Teste Kolmogorov‐Smirnov
- Teste da Mediana
- Teste de Wilcoxon
- Teste de Kruscal‐Wallis
- Teste de Ansari‐Bradley
- Teste de Lepage
38
4.4 Teste de Hipóteses – Dados Contínuos - Média (1 amostra)
Nesse tipo de teste de hipóteses vamos avaliar se a média de uma amostra (série de dados) é
diferente da média de referência (média da população). Em outras palavras verifica‐se se a média da
amostra pertence a outra distribuição ou a mesma distribuição da população.
 Verificar se a média  é diferente da média de referência 0.
Vamos tomar um exemplo para elaborar as hipóteses, entender os passos e fazer o julgamento
correto.
Exemplo
O tempo de conclusão de uma determinada atividade era de 16 horas no passado (desvio padrão:
0.5). Como preparativo para a introdução de um novo sistema, uma revisão completa foi feita nos
procedimentos dessa atividade. Por fim, nós fizemos um teste piloto durante algumas semanas após
essa revisão. O resultado pode ser visto abaixo. Você pode ver se houve melhorias?
Dados 1 2 3 4 5 6 7 8
Horas 15,3 15,8 15,0 16,5 15,3 15,5 15,8 14,8
Passo 1 – Formulação da Hipótese Estatística
H0: Hipótese Nula);

H1: ≠Hipótese Alternativa);
Figura 4-2 - Teste de Diferença de Média - 1 amostra
Passo 2 – Determinação do Nível de Significância 

39
= 0,05 (5%)
O valor Z correspondente é: Z = 1,96.
Passo 3 – Região Crítica

A região crítica refere‐se à porção de distribuição de probabilidade em que há um
risco de julgamento incorreto, ou seja, assumir H1, quando na verdade dever‐se‐ia manter H0.
Há duas situações:
(a) Teste de um lado só, ou seja, para verificar se há redução ou aumento da média
em relação à referência. R = 
(b) Teste de dois lados. É usado quando a hipótese alternativa H1 refere‐se às médias
serem diferentes  ≠ 0.
R = (/2) = 0,025
Passo 4 – Calcular o valor P(Z0).
Antes é necessário calcular o valor padronizado Z0, que pode ser obtido conforme abaixo.
̅ ,
  2,83
√
Para calcular o valor de P ou tenta-se verificar uma tabela de probabilidade que

normalmente está disponível em livros estatísticos ou usar um software estatístico, com o
Statística.
P(-2,83) = 0,002
Figura 4-3 - Statistica - Teste de Diferença de Média - 1 amostra
40
Passo 5 – Comparar o Valor P com R (Rejeitar ou Aceitar)
Se P < R  H1 é aceito.
Se P > R  Não há evidências suficientes para aceitar H1
No caso deste exemplo, P < R, pode‐se dizer que a média após a revisão dos procedimentos é
menor que a média histórica.
Figura 4-4 Passo 6 - Avaliação da Região Crítica
O Passo 6 refere‐se à conclusão relacionada ao problema original. Ou seja, a revisão nos

procedimentos do sistema foi válida em implicou em redução do tempo.
4.5 Teste de Hipóteses – Dados Contínuos - Média (2 amostras)
Nesse tipo de teste tem‐se por objetivo comparar médias de série de dados entre amostras. Em
termos de metodologia e passos não há significativas diferenças. A única diferença é no passo 4
anteriormente descrito, referente ao cálculo do valor Z0.
Passo 1 Formular duas hipóteses

Passo 2 Determinar o Grau de severidade de julgamento
Passo 3 Estabelecer critério para julgamento
Passo 4 Deixar os dados falarem
Passo 5 Comparar para o julgamento
Passo 6 Tirar conclusões
Vejamos o exemplo a seguir.
41
Exemplo
Em um determinado processo foram feitas mudanças e busca‐se avaliar se a média da determinada

medida do produto mudou ou não. Para tanto, foram amostradas peças antes e depois da melhoria,
cujos valores de média e desvio padrão são mostrados na tabela abaixo. Tabela 4-2 - Teste de Diferença
de Média - 2 amostras
Antes Depois
N 30 30
ẋ 1,3 1,5
S 0,2 0,1

H0: antesdepois Hipótese Nula);
Hipótese
H1: antes≠depois Alternativa);
Figura 4-5 - Teste de Diferença de Média - 2 amostras
Passo 2 – Determinação do Nível de Significância
 = 0,05 (5%)

A região crítica refere‐se à porção de distribuição de probabilidade em que há
um risco de julgamento incorreto, ou seja, assumir H1, quando na verdade dever‐seia
manter H0.
Há duas situações:
(a) Teste de um lado só, ou seja, para verificar se há redução ou aumento da
média em relação à referência. R = 
(b) Teste de dois lados. É usado quando a hipótese alternativa H1 referese às
médias serem diferentes Antes ≠  Depois. R = (/2) = 0,025
Antes é necessário calcular o valor padronizado Z0, que pode ser obtido conforme
abaixo.
̅ ̅ , ,
42
  4,89

Statística.
P(4,89) = 0,000001
Figura 4-6 - Statistica - Teste de Diferença de Média - 2 amostras
Passo 5 – Comparar o Valor P com R (Rejeitar ou Aceitar) Se

P < R  H1 é aceito.
No caso deste exemplo, P < R, pode-se dizer que a média após a revisão dos
procedimentos é menor que a média histórica.
Figura 4-7 - Teste de Diferença de Média - 2 amostras - Avaliação da Região Crítica
43
O Passo 6 refere‐se à conclusão relacionada ao problema original. Nesse caso, como P < R, assume‐se
H1, ou seja, as médias são diferentes.
4.6 Teste de Hipóteses – Dados Contínuos Variabilidade (1

amostra)
Os testes de hipóteses para variabilidade têm como objetivo comparar o desvio padrão de uma
amostra com uma referência da população. Em outras palavras, a ideia é verificar diferença de
variabilidade.
Figura 4-8 - Teste de Diferença da Variabilidade (1 amostra)
Os passos são os mesmos, conforme abaixo, diferenciando na obtenção do valor padronizado,

conforme poderá ser observado no passo 4.
Vejamos o exemplo abaixo.
Exemplo
Uma série de atividades foram realizadas para implementar melhorias à linha de produção a fim de
reduzir a variação no peso de um certo produto. O desvio padrão antes da implementação das
melhorias era de 30g. Foram selecionados 40 produtos como amostra e o desvio padrão dessa
amostragem s foi de 22g. É seguro dizer que as atividades contribuíram para reduzir a variação no
peso?
H0 :σ  σ0 σ0  30 Hipótese Nula);

H1 :σ  σ0  Hipótese Alternativa);

= 0,05 (5%)
44
Se teste dos dois lados (H1:  ≠ 0) 
Se teste de um lado (ex.: H1:  < 0) 
A distribuição usada é a 2.

Statística.
P(Z) = 0,0081

P = 0,0081 < R = 0,05
No caso deste exemplo, P < R, pode-se dizer que há mudança na variabilidade.
Figura 4-9 - Distribuição para avaliação de mudança de variabilidade
O Passo 6 refere‐se à conclusão relacionada ao problema original. Nesse caso, como P < R, assume‐se
H1.
4.7 Teste de Hipóteses – Dados Contínuos Variabilidade (2

amostras)
45
Para o teste de variabilidade de 2 amostras, compara‐se os desvios padrões entre duas amostras. Os
passos são os mesmos observados anteriormente.
Exemplo
Para implementar melhorias visando satisfação do cliente, o Centro de Informação aos Clientes
lançou um projeto para reduzir a variação no tempo necessário para preparar uma resposta a uma
pergunta feita por e‐mail. Como resultado de uma amostragem de 30 e‐mails antes e depois da
melhoria, o desvio padrão antes da melhoria era de 1,6 min e depois da melhoria 1,1 min. É seguro
dizer que a atividade implementada contribuiu para reduzir a variação no tempo de preparação da
resposta?
P < R  Assume‐se H1.
4.8 Exercícios (Dados Contínuos)
(15)O valor médio nacional do óleo lubrificante é R$ 6,00 (com desvio padrão de 50 centavos).
Você suspeitou que o preço do óleo lubrificante em sua região é maior que a média de preços
nacional. Então, você coletou amostras de 20 lojas em sua região e encontrou uma média de
R$ 6,20 (com desvio padrão de cinquenta e cinco centavos). Decida se pode afirmar que o
preço do óleo lubrificante em sua região é mais caro que a média nacional.
(16)Baseado em dados históricos, o número de funcionários que utilizavam a cantina da empresa

por dia era de uma média m de 700. Recentemente houve uma grande mudança no layout da
cantina. Para verificar se o número de funcionários que usam a cantina mudou, dez dias
46
foram amostrados para coleta de dados, como mostram os resultados da tabela ao lado.
Baseado nesses dados verifique se houve uma mudança no número de funcionários que
usam a cantina.
(considere o desvio padrão da amostra como uma estimativa do desvio padrão da
população).
Dias 1 2 3 4 5 6 7 8 9 10 Média Desvio
Amostrados Padrão
No. 728 697 724 733 712 734 698 682 757 705 717 22,286
Funcionários
(17)Os laboratórios A e B foram examinados e suas condições de análise foram remodeladas para
evitar problemas ocasionados por variações em seus resultados de análise.
Após isso, você conduziu uma análise nos dois laboratórios utilizando 10 amostras padrão,
com o resultado mostrado na tabela abaixo.
Se não houver uma diferença significativa na média dos valores analisados você pode
considerar como padrão essas condições de análise. Considere que os dados possuem a
dimensão de mg/100 ml.
(18)Pesquisas anteriores apontaram que 30% dos colaboradores estavam satisfeitos. Uma
campanha foi feita para aumentar esse índice de satisfação, seguida por uma nova pesquisa
feita em 50 colaboradores escolhidos aleatoriamente. Esta pesquisa revelou que 20 desses
colaboradores estavam satisfeitos. Comente sobre o resultado da campanha.
(19)O desvio padrão do método de análise de precisão convencional é de 2.8 segundos. O

método de análise simplificada foi desenvolvido recentemente. Os tempos de análise nesse
método são exibidos na tabela abaixo. Considere se a variação da tabela simplificada é maior
do que a tabela de análise de precisão convencional e decida por permanecer com a análise
de precisão atual (mais cara) ou mudar para análise simplificada (mais barata).
(20)Para verificar a precisão do processo das peças dos fornecedores A e B, examinamos uma
amostragem de 10 peças processadas por cada um dos fornecedores. Os resultados são
apresentados na tabela abaixo (unid: mm).
47
4.9 Teste de Hipóteses – Dados Discretos Proporção da
População
Até então, estávamos estudando Teste de Hipóteses para dados contínuos. Nesta seção vamos
estudar teste de hipóteses de proporção da população, como exemplo, taxas, índices de defeito e etc.
Seguem‐se os mesmos passos, no entanto, com mudanças na obtenção do valor padronizado.

H0 :0  Hipótese Nula);
Hipótese
H1 :0  Alternativa);

= 0,05 (5%)
Se teste dos dois lados (H1:  ≠ 0) 
Se teste de um lado (ex.: H1:  < 0) 
Encontrando-se o valor padronizado pela distribuição Z, temos:
48
Statística.

Se P > R  Não há evidências suficientes para aceitar H 1, permanece-se
com H0.
Passo 6 ‐ Toma‐se decisão conforme o problema levantado.
Agora vamos ver um exemplo.
Exemplo
As Lojas A e B foram examinadas para descobrir os respectivos índices de mercadorias idênticas

devolvidas. O número de mercadorias vendidas e o número de mercadorias devolvidas em cada uma
dessas lojas são apresentados aqui. Podemos assumir seguramente que há uma diferença no índice
de mercadorias devolvidas entre as lojas A e B?
Seguindo os passos:
49
No passo 5, tem‐se:
P = 0,18 > R = 0,05
Não se pode afirmar que há diferença nas proporções 1 e 2
Passo 6
Não há diferença na proporção de devolução de mercadorias das lojas A e B.
4.10 Exercícios (Dados Discretos)
(21)O índice de defeito atual de chips IC é de 15%. Como ação corretiva, foi decidido usar um novo tipo de
material. Ao testar 100 Chips IC que usam este novo material foram encontrados 7 produtos com
defeito. Determine se o índice de defeito diminuiu.
(22)Uma certa planta fabricou fita 8‐mm pelo método de

revestimento.
Para diminuir um índice de defeito, a planta começou a fabricar a fita pelo método de evaporação. Uma verificação
da qualidade foi feita em uma amostra de 50 fitas fabricadas no método de revestimento e outra amostra de 60
fitas fabricadas pelo método de evaporação. A verificação descobriu que 18 de 50 fitas fabricadas no método de
revestimento estavam com defeito e que 11 de 60 fitas fabricadas pelo método de evaporação estavam com
defeito. Determine se o índice de defeito do método de evaporação é menor que o de revestimento.
5 Estimativa Estatística (Intervalo de Confiança e Tamanho da Amostra)
50
5.1 Estimativa do Intervalo de Confiança da Média
Vamos ver algumas situações:
“O gerente regional de uma rede de lojas necessita saber qual é o tempo médio de
permanência dos clientes nas filas dos caixas após ter instalado um novo sistema de código
de barras nos produtos”.
“Uma empresa aérea gostaria de saber qual é o tempo médio de vida dos trens de pouso das
aeronaves de sua frota”.
“Uma empresa preocupada com o nível de estresse dos seus funcionários quer estimar qual é
a pressão sanguínea média deles”.
“O departamento de trânsito gostaria de estimar o tráfego médio em um determinado

horário (em número de carros) de um importante cruzamento da cidade”.
As sentenças acima demonstram situações em que se quer estimar médias de populações de

cenários específicos. Estimar qual é a média da população com base na média da
amostragem é um dos problemas mais comuns na estatística inferencial. Vejamos agora
como fazer estimativas com base em dados de amostras, já que em muitas situações é
impossível ou inviável obter diretamente da população.
Uma das propriedades mais importantes da estatística é a Estocástica. A Estocástica é a

propriedade que permite que dados de amostras possam ser usadas para se ter julgamentos
ou informações sobre a população. (Observar o quadro abaixo).
51
Figura 5-1 - Estocástica e Estimativa do Intervalo da Média
A estimativa de intervalo de média, como o próprio nome sugere, não determina o valor exato da
média da população, mas com base em amostras pode determinar um intervalo de confiança em que
a média da população se encontra. Baseia‐se, portanto, no conceito de distribuição da média das
amostras do teorema do limite central, e na possibilidade de quantificar o erro associado com a essa
estimativa.
A média da amostra serve como referência, mas não como resultado final. Ela é o que se chama de
“média pontual”.
O teorema do limite central postula que a distribuição de onde foi obtida a média ẋ é um cenário de
uma distribuição normal. Então, a média  da população está no centro dessa distribuição, apesar de
não sabermos o seu valor.
Dessa forma, intuitivamente foi estabelecida seguinte equação:
 = ẋ± erro
Onde esse erro, depende de algumas considerações estatísticas. Após algum desenvolvimento
matemático com base na distribuição normal padronizada, também chamada de distribuição Z, esse
erro foi estabelecido como sendo: erro = ± Z . (  / √n)
Onde Z é um valor padronizado em função do nível de confiança (chamado α) na estimativa,  é o

desvio padrão e n é o tamanho da amostra.
A tabela a seguir mostra os valores de Z mais utilizados para a estimativa de intervalo,

em função do nível de confiança α.
Tabela 5-1 - Nível de Confiança e Valor Padronizado
52
Nível de Confiança Valor
 Z
90% 1,64
95% 1,96
99% 2,58
Estimativas de intervalo normalmente utilizam um desses 2 níveis de confiança para . Caso seja
necessário um nível de confiança diferente desses valores apresentados, deve ser consultada uma
tabela detalhada dos valores  e Z.
Quando o Desvio Padrão da População é conhecido usa‐se a distribuição normal padronizada Z.
A figura abaixo demonstra em forma de diagrama como a estimativa é determinada e o que a mesma
representa.
Figura 5-2 - Intervalo de Confiança para a média com Desvio Padrão da População Conhecido
Essa estimativa de erro considera que o desvio padrão s da população é conhecido, entretanto, se
o tamanho da amostra n é maior ou igual a 30, pode‐se utilizar o desvio padrão da amostra como
estimativa do desvio padrão da população.
Para desconhecido e com amostra inferior a 30, utiliza‐se a distribuição t para a obtenção do
erro.
53
Figura 5-3 - Intervalo de Confiança para a média com Desvio Padrão da População Desconhecido
Vejamos o exemplo a seguir.
Exemplo
Para estimar a média do tempo de ciclo da montagem da peça em um certo processo, foram feitos
cálculos usando uma amostragem de 100 peças. A média e o desvio padrão obtidos com a
amostragem foram 140 segundos e 14 segundos, respectivamente. As investigações passadas
mostram que o desvio padrão da população original é de 12 segundos. Vamos determinar a
estimativa do intervalo das médias da população em relação ao tempo de ciclo.
Nesse caso o desvio padrão da população é conhecido. Então, vamos estimar o erro com base na
distribuição normal padronizada Z.
=̅+Z.(/√)
E utilizando um nível de confiança de 95%, tem‐se:
54
5.2 Estimativa de Intervalo da Proporção da População
Vimos na seção anterior como fazer a estimativa de intervalo para a média da população. Nesse
momento vamos ver como fazer a estimativa do intervalo de proporção da população.
O conceito que dá base à estimativa de proporção da população é a mesma que foi vista há pouco
para o intervalo de confiança da média. Tem‐se o teorema do limite central como base e a
distribuição normal padronizada para a determinação do erro.
Vamos observar abaixo como determinar o intervalo da proporção da população.
Figura 5-4 - Intervalo de Confiança para a Proporção
55
Exemplo
Em uma auditoria de trabalho, foram selecionadas 50 páginas aleatoriamente em documentos de um

certo grupo, e se constatou haver erros em cinco páginas. Vamos determinar a estimativa de
intervalo com o coeficiente de confiança de 95%, para encontrar a proporção de erros nos
documentos deste grupo.
Tem‐se:
5.3 Estimativa do Tamanho da Amostra – Dados contínuos
Quem trabalha com auditorias, inspeções de qualidade, pesquisas de campo, pesquisas eleitorais e
etc. deparam‐se sempre com uma questão importante: qual deve ser o tamanho da amostra. Para
algumas situações, como acontece com inspeções de produtos e peças por amostragem, há várias
normas e regulamentos referências pelo mundo, com base em tabelas originalmente militares, para
determinação do tamanho das amostras.
No entanto, em muitas situações, não se tem essas tabelas de referência. E então, questiona‐se, como
estimar o tamanho da amostra.
Como pode ser visto abaixo, o tamanho de amostra para dado contínuos é determinado também
considerando erro que é determinado pelo valor obtido a partir da distribuição normal padronizada
em decorrência do nível de confiança. Além disso, há a precisão h, também chamado erro máximo.
56
Figura 5-5 - Estimativa do Tamanho da Amostra - Dados Contínuos
Nos exercício 27, pode‐se praticar a estimativa de intervalo de proporção da população.
5.4 Estimativa do Tamanho da Amostra – Dados de Proporção
Para os casos em que o dado é uma proporção, por exemplo, índice de defeito, índice de intenção de
votos e etc., também é possível determinar o tamanho da amostra. Vejamos abaixo.
Nos exercícios 28 e 29, pode‐se praticar a estimativa de intervalo de proporção da população.
5.5 Exercícios
(23)Foi obtido um conjunto de dados de amostra que consistem em 16 valores em relação ao

peso de uma certa peça. Sabe‐se que o desvio padrão dessa peça é de 2 g. Deste conjunto de
57
dados, estime as médias da população com o coeficiente de confiança de 95%.
(24)O gerente regional de uma rede de lojas necessita saber qual é o tempo médio de
permanência dos clientes nas filas dos caixas após ter instalado um novo sistema de código
de barras nos produtos.
Uma amostra aleatória de 36 clientes e do registro do tempo que permaneceram no caixa do
supermercado. Determine o intervalo da média.
(25)A tabela abaixo mostra o resultado de 16 amostras para o tempo de resposta de um

determinado software. O tempo médio de resposta para um software similar de nossos
concorrentes é de 30 segundos. Estime o intervalo de confiança para a média de nosso
processo e compare com o processo do concorrente.
[Tempo de Resposta]
(26)Em uma pesquisa eleitoral, 300 pessoas foram entrevistadas e, dessas, 164 declaram voto no
candidato A. Considerando um intervalo de confiança de 95% estime o intervalo de confiança
da população votante no candidato A.
(27)Foi feita uma verificação preliminar para saber o comprimento de uma certa peça, e o desvio
padrão do comprimento acabou sendo 7 mm. Assumindo‐se um coeficiente de confiança de
95%, quantas peças devem ser amostradas para fazer a verificação real com uma precisão de
± 1 mm? Considere que o número total de peças é conhecido.
(28)Na condução de uma inspeção no recebimento, a precisão deve ser mantida abaixo de 1%.
Dado um nível de confiança de 95% e que o índice de defeito era de 2% ou menor, conforme
dados históricos, qual deveria ser o tamanho da amostra?
58
(29)Estamos próximos da mais uma eleição municipal majoritária. Em recente pesquisa, o
candidato líder apareceu com 23%. Considerando uma margem de erro de 3% e um intervalo
de confiança de 95%, qual deve ser o tamanho de amostragem da próxima pesquisa?
6 Relacionamento entre variáveis – correlação
Não há nada mais poderoso do que poder estimar o valor de uma variável conhecendo
outra(s). Isso significa a possibilidade de agilidade e economia para tomar algumas decisões. Para
tanto é necessário verificar se há uma relação física e natural entre as variáveis.
Nesse capítulo, vamos estudar correlação e regressão linear simples e regressão linear
múltiplas.
Há várias ferramentas que permitem mostrar a relação de entre variáveis, mas é somente
com regressão que é possível determinar um modelo matemático.
6.1 Relacionamento entre Duas Variáveis
Vamos ver algumas sentenças que demonstram a busca pela determinação da relação entre
duas variáveis.
É verdade que:
“Sempre que um pão cai, o lado com a manteiga estará virado para o chão?”
“Quanto mais velho, maior é a renda?”
“Quanto mais velho, maior é o tempo para percorrer um percurso correndo?”
“Então, quanto maior o salário, maior é o tempo para percorrer um trecho?"
“Há uma relação entre o tamanho do pé... e o tamanho do antebraço?”
“Existe uma relação entre temperatura e latitude?”
“Há uma relação entre pressão e altura?”
“Existe relação entre tempo de estudo e renda?”
Ainda motivando o estudo de relacionamento entre variáveis, vejamos um estudo com base
em pesquisa sobre a qualidade do ensino (com base na avaliação do Ideb) com o nível sócio
econômico.
59
6.2 A relação entre desempenho escolar e nível socioeconômico
Levantamento do GLOBO, com ajuda do economista Ernesto Martins Faria, da Fundação

Lemann, relaciona o desempenho das mais de 40 mil escolas públicas do país no Ideb 2009 com seu
nível socioeconômico. O resultado mostra que, apesar da condição econômica das famílias influenciar
o resultado escolar dos alunos, um pequeno grupo de instituições consegue contrariar as estatísticas
e deixar estudantes de baixíssima renda com indicadores de qualidade compatíveis com o de nações
desenvolvidas. No infográfico abaixo, consideramos apenas as 28 mil escolas com alto nível de
participação no Ideb, e listamos as 82 escolas que mais alavancaram o desempenho de seus alunos.
Figura 6-1 - Infográfico - Relação entre Nível Socioeconômico e Nível de Qualidade
60
Figura 6-2 - Escolas que se destacam nas 25 cidades mais pobres do país.
O estudo, acima, comprova de uma maneira geral, oque é de expectativa geral, quanto maior
o nível socioeconômico, mais é o nível educacional em uma região. A pesquisa em si possui dois
méritos. Um da comprovação entre as duas variáveis citadas acima, deixando de ser algo meramente
empírico para algo cientificamente comprovado. Mas ao mesmo tempo, apesar de demonstrar a
relação entre a as duas variáveis, ainda se aprofundando na análise dos pontos que aparentemente
não seguem ao padrão geral, ou seja, apesar do nível socioeconômico ser baixo, apresenta bom nível
educacional.
E é nessa avaliação que se destacam escolas em Sobral‐CE, que é a cidade que mais
apresentou escolas com nível de qualidade bom (acima de 6). Destaca‐se uma escola no interior do
Amazonas, Eirunepé. A Escola Dom Bosco apresentou uma pontuação de 8,7, mesmo sendo de uma
cidade cujo nível socioeconômico foi baixo.
6.3 Exemplo de Regressão Linear Simples
Observe os 16 pontos no gráfico mostrado a seguir e desenhe uma linha reta que corresponda
ao que você acredita ser a linha que melhor representa esses dados (isto é, desenhe uma linha de
regressão através desses pontos). A equação que representa esta linha de regressão tem o formato
de = b0 + b1x. O valor de b0 pode ser obtido se a linha for entendida até o ponto que intercepta o eixo
y, onde b0 corresponde ao valor resultante nessa interseção. Já o valor de b1 é a inclinação da curva.
Para encontrar b1, obtenha os valores de y quando x for igual a 0 e 10, respectivamente. Subtraia o
61
segundo valor de y do primeiro. A diferença é chamada de y. O cálculo de x será 10 – 0
= 10. Agora encontre y/x. Quando terminar, você terá encontrado os valores de b0 e b1. Substitua
os valores nos quadrados a seguir, e você terá a equação de regressão de y.
b0 b1
y = + x.
Figura 6-3 - Gráfico de Dispersão
Você pode querer comparar a sua solução com as dos outros colegas de classe. Se você fizer
isso, é muito provável que encontre diferentes soluções provenientes das outras pessoas. Essas
comparações mostram a diversidade de opiniões a respeito de como essa linha deve ser desenhada e,
portanto, a diversidade de combinações de b0 e b1.
É natural perguntar, “qual é a melhor linha?” Ou talvez, “há uma melhor linha?”. Enquanto
opiniões são permitidas, devemos ter algum critério para definir uma “melhor linha”. Há um método
chamado de “método dos mínimos quadrados” é o mais aceito como padrão para encontrar a melhor
equação que encaixa esses dados.
62
Este método também é capaz de ser aplicado em dados que possuam mais de uma variável
independente (por exemplo, = b0 + b1x1 + b2x2). Ele fornece formas de julgar o qual bem foram
estimados os coeficientes do modelo real, além de fornecer características de previsão.
Matematicamente, a obtenção dos valores de b0 e b1 através do método dos mínimos quadrados
resulta nas seguintes equações.
e ̅
̅
Através dos dados originais, podemos obter os seguintes resultados.
Tabela 6-1- Cálculo de Regressão Linear Simples

N X y x2 Xy y2
1 4,4 134,0 19,36 589,60 17.956,00
2 4,8 128,0 23,04 614,40 16.384,00
3 5,2 142,0 27,04 738,40 20.164,00
4 5,6 138,0 31,36 772,80 19.044,00
5 6,0 145,0 36,00 870,00 21.025,00
6 6,6 144,0 43,56 950,40 20.736,00
7 7,0 139,0 49,00 973,00 19.321,00
8 7,4 132,0 54,76 976,80 17.424,00
9 7,8 144,0 60,84 1123,20 20.736,00
10 7,8 148,0 60,84 1154,40 21.904,00
11 7,8 154,0 60,84 1201,20 23.716,00
12 8,4 140,0 70,56 1176,00 19.600,00
13 8,8 147,5 77,44 1298,00 21.756,25
14 9,0 152,0 81,00 1368,00 23.104,00
15 10,0 140,5 100,00 1405,00 19.740,25
16 10,2 160,0 104,04 1632,00 25.600,00
 116,8 2.288,0 899,68 16.843,20 328.210,50
143
̅= 7,3 =
63
̅
Esses coeficientes obtidos através da equação apresentada e dos cálculos da tabela se

aproximam dos valores estimados “de olho” que foram feitos anteriormente, mas não são
exatamente iguais. Dessa forma, precisamos utilizar métodos estatísticos de modelagem como estes
da regressão linear simples e mínimos quadrados para podermos, de forma consistente, analisar
dados amostrados.
6.4 A Análise de Regressão
Considere o cenário da medição do rendimento de determinado processo em 4 diferentes níveis de

temperatura: 700, 800, 900 e 1000. Assuma que o nosso objetivo é desenvolver um modelo que
permita estimar a resposta em níveis diferentes dos mencionados acima, bem como estar aptos a
determinar intervalos com relação a essas estimativas. Nós também desejamos medir a efetividade
desse modelo. A técnica chamada Regressão Linear Simples possibilita alcançar esses objetivos.
Assumindo que foram coletados três valores de resposta, ou observações, para cada um dos quatro
ajustes de temperaturas, conforme os dados mostrados na tabela a seguir, um gráfico representado a
relação da temperatura com o rendimento pode ser construído.
Tabela 6-2 - Rendimento para 4 temperaturas

Temperatura
700 800 900 1000
2,3 2,5 3,0 3,3
2,6 2,9 3,1 3,5
2,1 2,4 2,8 3,0
Neste gráfico, o segmento de reta construída “a olho” ou “a mão livre” representa a linha de
regressão. A proximidade de todas as observações com a linha indica a precisão da previsão dos
valores de y para uma dada temperatura.
O ponto chave da localização da linha é que ela fique num lugar que minimize a sua distância das
observações. Utilizando a fórmula de uma função linear [f(x) =b0 + b1x], onde b0 representa o ponto
de interseção com o eixo y e b1 representa a inclinação da reta, podemos estimar o valor de b0
graficamente como “zero”, simplesmente observando o gráfico. O valor da inclinação pode ser
estimado através da medição da mudança de y (y) para alguma mudança especifica de x (x), isto é,
64
Figura 6-4 - Desenho “a mão livre” da Linha de Regressão através dos Dados
Então, a linha de regressão construída a mão pode tomar a seguinte forma, y = 0,035x.
Considerando que todas as observações não ficam nessa linha, obviamente há certo erro em nossa
linha estimada. Para incorporar esse erro na formula de previsão de y, para um valor qualquer de x,
pode‐se utilizar a equação y = b0 + b1x + , onde  representa o erro, que é tipicamente considerado
como normalmente distribuído em torno de zero. Considera‐se também que  tem igual
variabilidade para todos os valores de x, dessa forma pode‐se dizer que o erro é independente.
O modelo matemático y = b0 + b1x +  é aplicável aos dados da população, isto é, todos os possíveis
valores de x e y.
A real equação de regressão desse modelo pode ser representada por E(y) = 0 + 1x. Entretanto, 0 e
1 são parâmetros desconhecidos da população. Então, a real equação de regressão é desconhecida.
Dados coletados através de experimentação e de processos controlados são dados amostrados (um
subconjunto da população), e desta forma, utiliza‐se de = b0 + b1x como aproximação da equação
real. Isto é, , b0 e b1 são estimativas de E(y), 0 e 1 , respectivamente.
Adicionalmente, é chamado de i‐ésimo resíduo estimado do . Esses termos são

representados no gráfico da figura a seguir, onde se utiliza i associado com a i‐ésima observação.
Pela figura apresentada a seguir, pode ser visto que a diferença entre cada observação e a média dos
dados pode ser dividida da seguinte forma:
65
Figura 6-5 - Gráfico mostrando a decomposição de (Yi-Ȳ)
Agora vamos exercitar um pouco nossos conhecimentos algébricos. Elevando ao quadrado cada um
dos lados dessa equação e somando todas as observações, após algumas manipulações, resulta na
seguinte equação.
Onde ∑ representa a Soma Quadrática dos Totais (Sum of Squares Total), um termo comum no
cálculo de variâncias. Os outros dois termos que representam as porções do SST são chamados de
Soma Quadrática dos erros (Sum of Squares Erros), SSE e Soma Quadrática da Regressão (Sum of
Squares due to Regression), SSR.
SSE e SSR são representados pelas equações,
∑ e ∑
Desta forma, em notação abreviada tem‐se,
SST = SSE + SSR.
6.5 Coeficiente de Correlação
Uma forma de medir a força da relação linear entre y e x é o coeficiente de correlação, cuja
representação matemática se dá por:
Uma forma de medir a força da relação linear entre y e x é o coeficiente de correlação, cuja
representação matemática se dá por:
66
∑ ̅∑
Para o exemplo apresentado na primeira sessão desse capítulo (Tabela 6.2), temos:
16.843,20
0,64
899,68 16 7,3 328.210,5 16 143 48.286,56
O valor de R é limitado ao intervalo [‐1,+1], onde ‐1 indica uma coleção negativa perfeita e +1 indica
uma correlação positiva perfeita. “Zero” indica que não há correlação linear entre y e x. Para a
Regressão Linear Simples, o sinal de R será o mesmo do valor b1 (que representa a inclinação da reta).
A fórmula para R mostrada acima é chamada de fórmula do coeficiente de correlação da amostra.
Quando |R| > 0,7 pode‐se dizer que há uma correlação relativamente forte entre x e y. Para o
exemplo apresentado na primeira sessão desse capítulo (Tabela 6.2), temos:
16.843,20
0,64
899,68 16 7,3 328.210,5 16 143 48.286,56
O valor de R é limitado ao intervalo [‐1,+1], onde ‐1 indica uma coleção negativa perfeita e +1 indica
uma correlação positiva perfeita. “Zero” indica que não há correlação linear entre y e x. Para a
Regressão Linear Simples, o sinal de R será o mesmo do valor b1 (que representa a inclinação da
reta). A fórmula para R mostrada acima é chamada de fórmula do coeficiente de correlação da
amostra. Quando |R| > 0,7 pode‐se dizer que há uma correlação relativamente forte entre x e y.
Vejamos no quadro abaixo exemplos de correlação.
67
Figura 6-6 - Exemplo de Correlações
6.6 Coeficiente de Determinação
Por outro lado, uma forma mais apropriada de medir a relação entre x e y pode ser através de uma
interpretação com base na variabilidade entre eles e do cálculo do coeficiente de determinação,
denominado R2.
A proporção da variabilidade em y que é explicada pelo relacionamento dos valores de y com os

valores de x é medida pelo R2. Para entender o significado de R2, considere a equação anteriormente
estabelecida, SST = SSR + SSE. Se ambos os lados dessa equação forem divididos por SST, se obtém:
Como SST representa a soma quadrática total, o termo SSE/SST representa a proporção da
variabilidade total dada pelos pontos ao longo da linha de regressão, e SSR/SST representa a
proporção da variabilidade total que pode ser explicada utilizando a linha de regressão, ao invés da
linha horizontal , para prever os valores de y. Utilizando um pouco de álgebra, pode ser mostrado
que:
∑
Então,
68
Se não houver relação linear entre x e y, então SSE = SST e R2=0. Se todas as observações coincidirem
com a linha de regressão (ou ), SSE = 0, o que implica que R2=1.
Figura 6-7 - Representação Gráfica de R2 = 0
Figura 6-8 - Representação Gráfica de R2 = 1
No exemplo da Tabela 6.2 o valor de R2 é igual a 0,64. Isso indica que 64% da variabilidade de y
podem ser explicada através da relação linear de y com x. A força dessa relação linear entre essas
duas variáveis está diretamente relacionada com a porção de variabilidade em y que pode ser
computada como em função de x. Neste exemplo, a forca da relação linear entre essas duas variáveis
pode ser considerada um pouco fraca, pois está abaixo de 0,70. Pode‐se dizer, por outro lado, que
36% da variabilidade em y permanece não explicada. Algumas vezes essa variabilidade não explicada
é chamada de variabilidade do ruído ou resíduo.
Testando R2
Considerando que R2 é computado de dados amostrados, ele é apenas uma estimativa de R2, a
verdadeira (mas desconhecida) força da relação linear entre x e y ao longo de todas as suas
populações. Nesse sentido, nós pretendemos testar o valor de R2 para garantir que ele é
significativamente diferente de zero. Para tal, vamos formular as seguintes hipóteses:
H0: R2 Hipótese Nula);

69
H1: R2≠ Hipótese Alternativa);
No caso da regressão linear simples, testar R2 é equivalente a testar o parâmetro da inclinação da

curva, no caso 1. E de forma alternativa, o teste de hipóteses ficaria da seguinte forma:
H0: 1 Hipótese Nula);
H1: 1≠ Hipótese Alternativa);

Em qualquer um dos casos, concluir H0 implica que os dados amostrados não fornecem evidências
para indicar uma relação linear significativa entre y e x. Concluir H1 indica a presença de uma relação
linear significativa com (1 ‐ p)100% de confiança. Alguns softwares estatísticos já fornecem esse valor
de p sem a necessidade de nenhum cálculo adicional, como é o caso do STATISTICA.
6.7 Relação Gráfica, Coefiente e Natural entre Duas Variáveis
Não basta que o coeficiente de correlação apresente uma valor acima de 0,7 para que estabeleça uma
relação sólida entre duas variáveis. É preciso observar 3 itens:
‐ Deve haver uma relação natural entre as variáveis.
‐ Deve‐se observar o gráfico de dispersão (verificar se o gráfico sugere uma relação linear) ‐
Analisar o valor do Coeficiente de Correlação
Vejamos diferentes situações em que todas apresentam o mesmo coeficiente de correlação R, no

entanto, há elementos que reduzem ou elevam o valor do coeficiente. Ou seja, em alguns desses
casos, por conta desse elemento há um “engano” de correlação ou em algumas situações esse
elemento sugere algo “fora do padrão”, “fora da curva” que pode ser retirado do estudo.
Figura 6-9 - Exemplo de Relações para um mesmo coeficiente de correlação
70
6.8 Correlação Espúria
Em algumas situações, podemos julgar a existência de correlação entre duas variáveis que na prática
não apresentam nenhuma relação natural. Normalmente, essa “correlação” é determinada pela
existência de uma outra variável que de fato apresenta uma correlação e uma relação natural com as
duas variáveis originais.
A esse tipo de correlação, chamamos de correlação Espúria.
Figura 6-10 - Correlação Espúria
Na figura 6.10, há um exemplo de correlação espúria entre as variáveis Tempo de Deslocamento (X) e
Faturamento Anual (Y). Sugere‐se que com mais tempo uma pessoa leva para percorre um percurso
qualquer, maior é sua renda ou faturamento anual.
De fato as variáveis X e Y apresentam correlação com uma terceira variável: idade (Z). Com o passar
dos anos, é normal que possamos crescer em nossas carreiras e, portanto, temos nossos rendimentos
aumentados. É também natural que quanto mais velhos, mais tempo levamos para percorrer
correndo um determinado percurso, sem levar em consideração treinamentos e etc.
6.9 Exercícios – Regressão Linear Simples
(30)Dadas as seguintes alturas (x) e pesos (y) de 12 homens, de acordo com a seguinte tabela,
construa um gráfico de correlação dos dados relacionando x e y. Encontre os valores de b0, b1
e construa a equação de regressão linear representando x e y.
71
(31)Para estudar a poluição de um rio, um cientista mediu a concentração de um determinado
composto orgânico (Y) e a precipitação pluviométrica na semana anterior (X), resumindo sua
amostra de acordo com a tabela a seguir:
a. Construa o gráfico de correlação entre essas duas variáveis.
b. Determine a equação de regressão linear.
c. Calcule o coeficiente de determinação.
d. Calcule o Coeficiente de Correlação
e. Existe alguma relação entre o nível de poluição e a precipitação pluviométrica?
6.10 Relação Multivariável
Vejamos as situações abaixo:
“O preço de uma casa é determinado por vários fatores: área total, área construída, localização...”
“Acidentes aéreos são normalmente causados por uma combinação de fatores.”
“A altura do filete de solda de uma placa é determinado por fatores como: temperatura da solda,
ângulo da esteira, velocidade.”
“A posição na carreira é normalmente determinado por: tempo de experiência profissional, formação

e resultados.”
Nas situações descritas acima temos exemplos de processos, fenômenos ou cenários em que uma
variável (de saída) é afeta não por uma única variável, mas muitas. A esse tipo de relação, chamamos
de relação multivariável.
Vejamos exemplo abaixo.
Exemplo
Observe o exemplo mostrado na tabela a seguir. Sendo y (Salário Anual) a variável dependente e
relacionando o par de variáveis x1 (Anos de Educação) e x2 (Anos de Experiência) como as variáveis
explanatórias (ou variáveis independentes), pode‐se pensar em estabelecer uma relação entre essas
variáveis, utilizando a técnica de regressão linear. Neste caso, quando há mais de uma variável
explanatória, denomina‐se regressão linear múltipla.
Tabela 6-3 - Relacionando o Salário Anual com Anos de Educação e Experiência

Variáveis
72
Y x1 x2
Salário Anual Anos de Anos de

(1.000 reais) Educação Experiência
15 5 7
17 10 5
26 9 14
24 13 8
27 15 6
O mesmo método dos mínimos quadrados é capaz de ser aplicado em dados que possuam mais de
uma variável independente (por exemplo, = b0 + b1x1 + b2x2). Ele fornece formas de julgar o quão bem
foram estimados os coeficientes do modelo real, além de fornecer características de previsão.
Matematicamente, a obtenção dos valores de b0, b1 e b2 através do método dos mínimos quadrados
resulta na seguinte equação.
= 0,98 + 1,24x1 + 0,99x2

Entretanto, para se avaliar adequadamente a qualidade dessa equação de previsão, algumas
considerações estatísticas precisam ser realizadas. O que caracteriza o método de análise de
regressão múltipla.
6.11 Análise de Regressão Múltipla
No caso da regressão linear simples visto anteriormente, a utilização do método dos mínimos
quadrados possibilita encontrar os coeficientes de uma equação de reta representando a relação
entre as variáveis x e y, como pode ser visto na figura a seguir. Os valores de b0 e b1 são obtidos de
forma a minimizar ei2, por esse motivo esta técnica é chamada de método dos mínimos quadrados.
Entretanto, quando se tem 2 variáveis independentes e se busca a relação com uma variável
dependente das duas primeiras, através deste mesmo método dos mínimos quadrados, a equação
Figura 6-11 - A equação de regressão linear e o método dos mínimos quadrados
de relacionamento = b0 + b1x1 + b2x2 representa um plano, como pode ser visualizado na
exemplificação da figura a seguir.
73
Figura 6-12 - Representação da regressão múltipla com duas variáveis e o método dos mínimos
quadrados
A figura a seguir mostra o resultado obtido pelo STATISTICA da regressão múltipla do exemplo de
salário anual.
Figura 6-13 - Resultado da regressão múltipla do exemplo de salário anual
Ao avaliar o resultado de uma regressão linear múltipla, especial atenção deve ser dada ao coeficiente
de correlação R2, aos valores dos coeficientes (B) e ao valor p (p‐level) do teste de hipótese realizado
para cada variável explanatória. O valor‐p está associado ao risco a do teste de hipóteses. Caso seja
menor ou igual a 0,05, considera‐se como relevante a inclusão da variável no modelo matemático da
regressão linear múltipla. Se o valor p estiver entre 0,05 e 0,10, a inclusão da variável pode ser
considerada. Caso o valor p seja maior que 0,10, não é recomendada a inclusão da variável no
modelo da regressão linear múltipla.
Tabela 6-4 - Resumo do valor p na análise da regressão linear múltipla
valor p Recomendação
Valor p < 0,05 Incluir a variável no modelo de regressão
0,05 < valor p < 0,10 Decidir se inclui ou não a variável no modelo de regressão
Valor p > 0,1 Não incluir a variável no modelo de regressão
74
6.12 Regressão Linear Simples e Múltipla
Veja na tabela abaixo os aspectos principais da regressão linear simples e múltipla
Tabela 6-5 - Análise de Regressão Simples e Múltipla
6.13 Exercícios – Análise de Regressão Múltipla
(32)Um fazendeiro quer saber o custo de manutenção de seu caminhão durante o corrente
ano, para tanto foram coletadas informações de quilometragem e tempo do caminhão. A
tabela abaixo nos mostra esses valores. Há uma relação entre o tempo do caminhão, a
quilometragem e o custo de manutenção? É possível estabelecer um modelo matemático?
75
(33)Um avalista coletou alguns dados referentes a características da casas e os valores
respectivos com os quais as mesmas foram comercializadas, conforme tabela abaixo.
a. Podemos afirmar entre as variáveis e o valor da casa?
b. Quais são as variáveis que apresentam relação com o valor da casa e que pertencem
ao modelo?
c. Demonstre o modelo encontrado.
7 Referências Bibliográficas
KIEMELE, Mark J., SCHMIDT, Stephen R., BERDINE, Ronald J., Basic Statistics – Tools for Continuous
Improvement. 4 ed. Colorado Springs, Air Academy Press, 1997.
SCHMIDT, Stephen R., LAUNSBY, Robert G., Understanding Industrial Designed Experiments. 4 ed.
Colorado Springs, Air Academy Press, 1998.
JURAN, J. M., Juran’s Quality Control Hand Book. 4 ed. New York, McGraw‐Hill, 1988.
DEMING, W. E., Qualidade: A Revolução da Administração. Rio de Janeiro, Marques Saraiva, 1990.
GEORGE, Michael, ROWLANDS, David, PRICE, Mark, MAXEY, John, The Lean Six Sigma Pocket Tool
Book. New York, Mc Graw Hill, 2005.
SPIEGEL, Murray R. Estatística. Coleção Shaum. São Paulo, Mc Graw Hill, 1977.
76

Apostila Metodos Quantitativos

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Metodos Quantitativos

Enviado por

Direitos autorais:

Formatos disponíveis

Métodos Quantitativos

1.1 Porque Estatística...........................................................................................................................

1.2 Medidas de Posição........................................................................................................................

1.3 Medidas de Dispersão....................................................................................................................

1.4 Resumo da Estatística Descritiva.................................................................................................

1.5 Exercícios – Estatística Descritiva................................................................................................

2 Probabilidade e distribuição de probabilidade de dados contínuos.....................................................

2.1 O Problema de Monty Hall e a resposta de Marilyn Vos Savant...................................................

2.2 Exemplo de Espaço Amostral e Distribuição de Probabilidades...................................................

2.3 Tipos de Dados.............................................................................................................................

2.4 Distribuição de Probabilidade de Dados Contínuos – Distribuição Normal...................................

2.5 Distribuição Normal Padronizada (Z)............................................................................................

2.6 Tolerância Natural e Seis Sigma...................................................................................................

2.7 Medidas de Capacidade do Processo (Cp e Cpk)..........................................................................

3 Distribuição de Probabilidade – Dados Discretos, Outras Distribuições e Teorema de Limite

3.1 Distribuição de Probabilidade de Dados Discretos.......................................................................

3.2 Distribuição de Probabilidade – Dados Discretos – Binomial.......................................................

3.3 Distribuição de Probabilidade – Dados Discretos – Poisson........................................................

3.4 Outras Distribuições......................................................................................................................

3.5 Teorema do Limite Central............................................................................................................

4.1 Erros  e ....................................................................................................................................

4.3 Tipos de Teste...............................................................................................................................

4.4 Teste de Hipóteses – Dados Contínuos - Média (1 amostra)........................................................

4.5 Teste de Hipóteses – Dados Contínuos - Média (2 amostras)......................................................

4.6 Teste de Hipóteses – Dados Contínuos Variabilidade (1 amostra)...............................................

4.7 Teste de Hipóteses – Dados Contínuos Variabilidade (2 amostras).............................................

4.8 Exercícios (Dados Contínuos)......................................................................................................

4.9 Teste de Hipóteses – Dados Discretos Proporção da População.................................................

4.10 Exercícios (Dados Discretos)......................................................................................................

5 Estimativa Estatística (Intervalo de Confiança e Tamanho da Amostra)...............................................

5.1 Estimativa do Intervalo de Confiança da Média............................................................................

5.2 Estimativa de Intervalo da Proporção da População....................................................................

5.3 Estimativa do Tamanho da Amostra – Dados contínuos...............................................................

5.4 Estimativa do Tamanho da Amostra – Dados de Proporção.........................................................

6 Relacionamento entre variáveis – correlação.......................................................................................

6.1 Relacionamento entre Duas Variáveis..........................................................................................

6.2 A relação entre desempenho escolar e nível socioeconômico.....................................................

6.3 Exemplo de Regressão Linear Simples........................................................................................

6.4 A Análise de Regressão................................................................................................................

6.5 Coeficiente de Correlação............................................................................................................

6.6 Coeficiente de Determinação........................................................................................................

6.7 Relação Gráfica, Coefiente e Natural entre Duas variáveis..........................................................

6.8 Correlação Espúria.......................................................................................................................

6.9 Exercícios – Regressão Linear Simples.......................................................................................

6.10 Relação Multivariável..................................................................................................................

6.11 Análise de Regressão Múltipla....................................................................................................

6.12 Regressão Linear Simples e Múltipla..........................................................................................

6.13 Exercícios – Análise de Regressão Múltipla...............................................................................

1.1 Porque Estatística

A sociedade atual está inserida em um em um ambiente onde há muitas informações e em tempo

“O entendimento do controle estatístico é essencial para o gerenciamento, engenharia, manufatura,

“Qualidade de produtos e serviços requerem conceitos gerenciais, tecnológicos e estatísticos para

A estatística utiliza teorias e distribuições de probabilidades para entender e descrever a ocorrência

Martin Hilbert e Priscila López, pesquisadores da Universidade da Carolina do Sul, publicaram um

Figura 1-1 - Infográfico de Taxa de Analfabetismo

A estatística leva ao conhecimento. Coletar Dados, transformá‐los em informações com uso de

1.2 Medidas de Posição

1.2.1 Média (Média Aritmética)

sendo N, tamanho da população.

Gráfico 1-1 - Distribuição de Dados - Estatística Descritiva

1.2.2 Média Aritmética Ponderada

São os mesmos da Média Aritmética regular.