(Apostila) Estatística Aplicada A Engenharia I

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE CINCIAS EXATAS E DA TERRA

DEPARTAMENTO DE ESTATSTICA

Estatstica Aplicada
a Engenharia I
Prof. Msc. Andr Luiz Sena da Rocha
andrerochaest@yahoo.com.br

DEPARTAMENTO DE ESTATSTICA

Estatstica Aplicada
a Engenharia I

Prof. Msc. Andr Luiz Sena da Rocha

Natal / RN


Estatstica Aplicada
NDICE

UNIDADE I - ESTATSTICA DESCRITIVA ......................................................... 1
1.1 - NATUREZA E CAMPO DA ESTATSTICA ................................................................................................................. 1
1.2 - O MTODO ESTATSTICO ..................................................................................................................................... 1
1.3 - POPULAO, AMOSTRA E TIPOS DE VARIVEIS .................................................................................................. 2
1.4 - REPRESENTAO TABULAR .................................................................................................................................. 7
1.4.1 - Distribuio de Frequncias ........................................................................................................................... 8
1.5 - REPRESENTAO GRFICA ....................................................................................................................... 16
1.5.1 - Grfico de Setores ........................................................................................................................................ 16
1.5.2 - Grfico de Colunas e Barras ........................................................................................................................ 17
1.5.3 - Histograma e Polgono de Frequncias ........................................................................................................ 18
1.6 MEDIDAS DE TENDNCIA CENTRAL................................................................................................................... 20
1.6.1 - Mdia Aritmtica ......................................................................................................................................... 21
1.6.2 Mediana ....................................................................................................................................................... 23
1.6.3 - Moda ............................................................................................................................................................ 27
1.6.4 Separatrizes ................................................................................................................................................. 30
1.7 - MEDIDAS DE DISPERSO .................................................................................................................................... 32
1.7.1 Varincia ..................................................................................................................................................... 34
1.7.2 - Desvio Padro .............................................................................................................................................. 36
1.7.3 - Coeficiente de Variao ............................................................................................................................... 38
1.8 - ANLISE EXPLORATRIA DE DADOS .................................................................................................................. 39
1.8.1 - Esquema dos 5-Nmeros ............................................................................................................................. 39
1.8.2 - Box-Plot ....................................................................................................................................................... 40

UNIDADE II - PROBABILIDADE ......................................................................... 43
2.1 - EXPERIMENTOS ALEATRIOS ............................................................................................................................. 43
2.2 - ESPAO AMOSTRAL ............................................................................................................................................ 44
2.3 - EVENTOS .............................................................................................................................................................. 44
2.4 - RESULTADOS EQUIPROVVEIS ........................................................................................................................... 47
2.5 DEFINIES DE PROBABILIDADE ....................................................................................................................... 48
2.6 - PROBABILIDADE CONDICIONAL ......................................................................................................................... 50
2.7 - EVENTOS INDEPENDENTES .................................................................................................................................. 53
2.8 VARIVEL ALEATRIA UNIDIMENSIONAL ........................................................................................................ 54
2.9 - MODELOS DE PROBABILIDADE DISCRETOS ....................................................................................................... 55
2.9.1 - Distribuio de Bernoulli ............................................................................................................................. 55
2.9.2 - Distribuio Binomial .................................................................................................................................. 57
2.9.3 - Distribuio de Poisson ................................................................................................................................ 61

2.10 - PRINCIPAIS DISTRIBUIES CONTNUAS ......................................................................................................... 63
2.10.1 - Distribuio Uniforme ............................................................................................................................... 63
2.10.2 - Distribuio Exponencial ........................................................................................................................... 64
2.10.3 Distribuio Normal .................................................................................................................................. 64
2.10.4 - Distribuio t de Student ............................................................................................................................ 73

UNIDADE III - INFERNCIA ESTATSTICA .................................................... 76
4.1 - DISTRIBUIO AMOSTRAL DA MDIA E DA PROPORO .................................................................................. 78
4.1.1 Distribuio Amostral da Mdia ................................................................................................................. 78
4.1.2 Distribuio Amostral da Proporo ........................................................................................................... 79
4.2 - ESTIMAO POR PONTO E INTERVALO ............................................................................................................... 80
4.2.1 - Estimao Pontual ........................................................................................................................................ 80
4.2.2 - Estimao Intervalar .................................................................................................................................... 80
4.2.2.1- Intervalo de confiana para a mdia ........................................................................................................................ 82
4.2.2.2 - Intervalo de confiana para a proporo ................................................................................................................ 86
4.3 - TESTES DE HIPTESES ........................................................................................................................................ 87
4.3.1 - Teste para a Mdia quando
2
conhecido .................................................................................................. 90
2
desconhecido............................................................................................. 95
4.3.3 - Teste para Propores .................................................................................................................................. 99
4.3.4 - Valor-P ...................................................................................................................................................... 101

REFERNCIAS

ANEXOS
ANEXO A - DISTRIBUIO NORMAL PADRO
TABELA B - DISTRIBUIO T DE STUDENT

EST0323 Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha

1
UNIDADE I
ESTATSTICA DESCRITIVA

1.1 - Natureza e Campo da Estatstica

Estatstica a cincia que diz respeito coleta, apresentao e anlise de dados quantitativos, de tal
forma que seja possvel efetuar julgamentos sobre os mesmos.
Ramos da Estatstica:
a) Estatstica descritiva trata da observao de fenmenos de mesma natureza, da coleta de
dados numricos referentes a esses fenmenos, da sua organizao e classificao atravs de
tabelas e grficos, bem como da anlise e interpretao.
b) Probabilidade estatstica utilizada para analisar situaes que envolvem o acaso
(aleatoriedade).
c) Inferncia estatstica estuda as caractersticas de uma populao com base em dados
obtidos de amostras.

OBS: Estatstica Indutiva pode ser denominada como inferncia. Portanto, a estatstica indutiva
estuda as caractersticas de uma populao, com base em dados obtidos de amostras.

Inferncia = Induo + Margem de Erro

1.2 - O Mtodo Estatstico
A realizao de uma pesquisa deve passar, necessariamente pelas fases apresentadas abaixo:

Coletas
dos
Dados
Definio
do
problema
Planejamento
Crtica
dos
Dados
Apresentao
dos dados
Tabelas e Grficos
Anlise e interpretao
dos dados


2
1) Definio do problema Saber exatamente o que se pretende pesquisar, ou seja, definir
corretamente o problema.
2) Planejamento determinar o procedimento necessrio para resolver o problema, como
levantar informaes sobre o assunto objeto do estudo. importante a escolha das perguntas em
um questionrio, que na medida do possvel, devem ser fechadas.
O levantamento de dados pode ser de dois tipos: Censitrio e Amostragem.
Outros elementos do planejamento de uma pesquisa so:
Cronograma das atividades;
Custos envolvidos;
Exame das informaes disponveis;
Delineamento da amostra.

3) Coleta de Dados consiste na busca ou compilao dos dados. Pode ser classificado,
quanto ao tempo em:
Contnua (inflao, desemprego, etc);
Peridica (Censo);
Ocasional (pesquisa de mercado, eleitoral)

4) Crtica dos dados objetiva a eliminao de erros capazes de provocar futuros enganos.
Faz-se uma reviso crtica dos dados suprimindo os valores estranhos ao levantamento.

5) Apresentao dos dados a organizao dos dados denomina-se Srie Estatstica. Sua
apresentao pode ocorrer por meio de tabelas e grficos.
6) Anlise e Interpretao dos Dados consiste em tirar concluses que auxiliem o
pesquisador a resolver seu problema, descrevendo o fenmeno atravs do clculo de medidas
estatsticas, especialmente as de posio e as de disperso.

1.3 - Populao, Amostra e Tipos de Variveis

Inferncia Obteno de resultados para uma populao com base em observaes
Estatstica extradas a partir de uma amostra retirada desta populao.


3
POPULAO:
o conjunto de elementos (na totalidade) que tm, em comum, uma determinada
caracterstica. Pode ser finita, como o conjunto de alunos de uma determinada escola, ou infinita,
como o nmero de vezes que se pode jogar um dado.

AMOSTRA:
qualquer subconjunto da populao. A tcnica de seleo desse subconjunto de elementos
chamada de Amostragem.

Como j vimos, a inferncia estatstica tem como objetivo a estimao de parmetros para uma
populao tendo como base s informaes extradas atravs de uma amostra. Neste contexto, o
estudo dos mais diversos tipos de procedimentos de amostragem se faz necessrio.

Exerccio 1.1: Dentre os 3000 alunos de uma escola, selecionaram-se 30 e inquiriram-se sobre o
programa de televiso preferido. Sendo respondidos como programas preferidos Telejornal,
Novelas e Cinema, com 10, 12 e 8 alunos, respectivamente. Responda:
a) a populao;
b) a amostra.

Exerccio 1.2: Para saber a aceitao de uma nova rao canina para filhotes de mdio porte, uma
empresa selecionou 200 filhotes com at 6 meses de idade de diversas raas de mdio portem, e
contabilizou a engorda deles.
Indique:
a) a populao;
b) a amostra;

Exerccio 1.3: Para realizar um estudo sobre o tempo gasto, em segundos, por 100 atletas na corrida
dos 100 metros com obstculos, registrou-se o tempo gasto por 16 desses atletas e obtiveram-se os
seguintes resultados:
Indique:
a) a populao;
b) a amostra;

4
Exerccio 1.4: Um aluno da UFMG do curso de Cinema de Animao e Artes Digitais realizou
um sorteio dentre todas as fitas de VHS da biblioteca de sua Universidade, de 8 fitas para seu
Trabalho de Concluso de Curso.
a) a populao;
b) a amostra;

Exerccio 1.5: Um aluno de Biblioteconomia da UFRN est fazendo um levantamento de todas as
Dissertaes do curso de Histria, Geografia e Pedagogia, defendidas a partir do ano de 2000 e que
esto cadastradas no banco de dados da Biblioteca Zila Mamede. Dentre elas eles selecionou 10 de
cada curso e contabilizou as datas de defesa..
a) a populao;
b) a amostra;

As tcnicas de amostragem podem ser classificadas em dois grandes grupos: a amostragem
probabilstica e a amostragem no probabilstica.

1. Amostragem Probabilstica: neste grupo encontram-se os planos amostrais que utilizam
mecanismos aleatrios de seleo dos elementos da amostra, atribuindo a cada um deles
uma probabilidade, conhecida priori, de pertencer amostra.
2. Amostragem No Probabilstica: neste grupo encontram-se os planos amostrais que no
utilizam mecanismos aleatrios de seleo dos elementos da amostra, e dessa forma, no
existe nenhuma probabilidade associada seleo desses elementos.

Ambos os procedimentos tm vantagens e desvantagens. A grande vantagem das amostras
probabilsticas medir a preciso da amostra obtida. Tais medidas j so bem mais difceis para os
procedimentos do outro grupo. Diante disso, amostras probabilsticas so comumente utilizadas na
prtica. Os tipos de planos de amostragem probabilsticos so os seguintes:

Amostragem Aleatria Simples: cada elemento da populao tem a mesma chance (ou
probabilidade) de ser selecionado. Os elementos so escolhidos atravs de sorteio. Para isso,
tabelas de nmeros aleatrios so frequentemente utilizadas. Por exemplo, selecionar 5
alunos de uma turma usando a lista de chamada.


5
Amostragem Estratificada: a populao dividida em estratos (ou grupos) homogneos,
sendo selecionada uma amostra aleatria simples de cada estrato. Por exemplo, selecionar
alunos de 5 a 8 srie de uma determinada escola. Neste caso, cada srie corresponde a um
estrato, e de cada estrato uma amostra aleatria simples dos alunos extrada, lembrando
que pra tanto seria necessrio sorteio a partir da lista de chamada tambm.

Amostragem Sistemtica: os elementos so selecionados segundo uma regra pr-definida.
bastante utilizada quando os elementos da populao esto arranjados em uma ordem. Por
exemplo, se em uma concessionria deseja-se estimar o preo total dos seus carros a partir
de uma amostra de 10 carros selecionar possuindo para tanto uma lista dos carros em ordem
de preo do maior para o menor, ou do menor para o maior. Uma observao importante
que, por exemplo, se os elementos escolhidos estiverem em ordem no se deve pegar os
primeiros elementos, ou os ltimos, ou os do meios, deve-se percorrer elementos de cada
parte.

Exerccio 1.6: Para cada uma das seguintes situaes diga qual o tipo de amostragem foi utilizada.
O conselho universitrio de uma universidade deseja conhecer a opinio dos alunos e
professores sobre uma resoluo a ser votada, que estabelece horrios fixos para o
atendimento de alunos pelos professores. Para compor a amostra foram sorteados
aleatoriamente 10% dos alunos matriculados e 10% dos professores.

Um treinador de uma confederao esportiva deseja dividir 20 times em dois grupos. Para o
primeiro grupo seleciona aleatoriamente 10 times, e considera os 10 restantes para o segundo
grupo.

Uma lista de corredores de uma maratona contm 1000 nomes, numerados consecutivamente
de 1 a 1000. Iniciando-se do 5 nome, uma amostra foi composta considerando sorteados os
nomes referentes aos nmeros 15, 25, 35, 45, 55 e assim sucessivamente at que fossem
escolhidos 100 nomes.

Um socilogo na Universidade de Charleston seleciona 12 homens e 12 mulheres de cada
uma de quatro turmas de educao fsica.


6
Um treinador sorteia 6 jogadores de seu time de futebol sem mais critrio s de seleo e tira
uma amostra de urina de cada um.
O programa Planned Parenthood (Planejamento Familiar) pesquisa 500 homens e 5000
mulheres sobre seus pontos de vista sobre o uso de anticoncepcionais.

TIPOS DE VARIVEIS:

condio inerente a uma populao natural existir variao quanto aos atributos que lhe podem
ser estudados. Portanto, a variabilidade uma caracterstica comum aos dados de observao e
experimentos. Um atributo sujeito variao descrito em Estatstica por uma varivel.

Nominal
Qualitativa
Ordinal
Varivel
Discreta
Quantitativa
Contnua

Varivel Qualitativa: os dados podem ser distribudos em categorias mutuamente exclusivas. Por
exemplo, sexo (masculino, feminino), cor, causa de morte, grupo sanguneo, etc.
- Nominal: as categorias podem ser permutveis (no existe ordem natural dos seus nveis);
Exemplo: [masculino, feminino], [sim, no], [fuma, no fuma];

- Ordinal: as categorias descrevem uma ordenao natural dos seus nveis.
Exemplo: [pssimo, ruim, regular, bom, timo].

Varivel Quantitativa: os dados so expressos atravs de nmeros. Por exemplo, idade, estatura,
peso, etc.
- Discreta: Assumem valores que podem ser associados aos nmeros naturais ( 1, 2, 3, ... = ).
D uma ideia de contagem.
Exemplo: Nmero de irmos dos 30 alunos da turma de Engenharia
[0, 1, 2, 5, 3, 4, 1, 0, 2, 3, 5, 4, 0, 1, 2, 2, 1, 0, 1, 1, 2, 0, 0, 3, 2 , 3, 4, 2, 1, 2].

7
- Contnua: Assume infinitos valores em um dado intervalo. D uma ideia de medio.
Exemplo: altura e/ou peso de animais ou de pessoas.
[1.70, 1.57, 1.80, 1.94, 1.68, 1.71]

Exerccio 1. 7: Classifique com relao ao tipo de varivel as seguintes informaes:
Sexo (Masculino ou Feminino);
Tempo de uso de um HD de 1 TB (em meses completos);
Tempo em horas para trmino de uma simulao num software;
Altura de jogadores de vlei de certo time (em metros);
Fuma (Sim ou No);
Peso de vigas de concreto (em quilogramas);
Nmero de filhotes de uma ninhada;
Tolerncia ao cigarro (indiferente, incomoda pouco, incomoda muito);
Horas que gasta estudando.
Resultado final de uma disciplina da UFRN (Aprovado ou Reprovado)

1.4 - Representao Tabular

Consiste em dispor os dados em linhas e colunas, distribudas de modo ordenado, segundo algumas
regras prticas e obedecendo (ainda) Resoluo n 886/66, de 26 de outubro de 1966, do Conselho
Nacional de Estatstica. As tabelas devem conter:

a) Ttulo - O qu? (fenmeno). Onde? (poca). Quando? (local).
b) Cabealho - indica o contedo das colunas
c) Coluna Indicadora - especifica o contedo das linhas
d) Cabealho da coluna indicadora - indica o contedo da coluna indicadora
e) Corpo - caselas ou clulas, onde so registrados os dados.
f) Rodap - notas e identificao da fonte de onde foram coletados os dados.

8

1.4.1 - Distribuio de Frequncias

Tabelas com grandes nmeros de dados so cansativas e no do uma viso rpida e geral do
fenmeno. Dessa forma, necessrio que os dados sejam organizados em uma tabela de
distribuio de frequncias. Estas podem ser simples (dados no-agrupados) ou por classes (dados
agrupados).

DISTRIBUIO DE FREQUNCIAS SIMPLES:
Srie estatstica para dados nominais, ordinais e discretos, organizados em uma tabela.

Construo de uma Distribuio de Frequncias:
Para a construo de uma distribuio de frequncias os seguintes componentes so necessrios:
Dados Brutos: so os dados apresentados desordenadamente, da forma como foram coletados.
Exemplo 1.1: Peso (kg) de 14 blocos de concreto (dados brutos):
74 58 69 80 74 95 56 74 76 81 60 57 64 62
Rol: so os dados apresentados em ordem crescente.
Exemplo 1.1: Peso (kg) de 14 blocos de concreto (em forma de rol):
56 57 58 60 62 64 69 74 74 74 76 80 81 95


9
Construo de uma Distribuio de frequncias simples
1. Ordenar os dados brutos em forma de rol (ordem crescente)
2. Listar todos os elementos diferentes, numa coluna de nome X.
3. Listar a frequncia de todos os elementos diferentes numa coluna de nome "fi" ou "frequncia".
4. Somar todos os elementos da coluna "fi" (total).

Exemplo 1.2: Numa pesquisa feita para detectar o nmero de filhos de empregados de uma
multinacional, foram encontrados os seguintes valores:
1 4 2 5 3 2 0 3 2 1 5 4 2 5 0
3 2 4 2 3 2 3 2 1 4 2 1 3 4 2

Soluo:
Rol (dados em ordem crescente):
0 0 1 1 1 1 2 2 2 2 2 2 2 2 2
2 3 3 3 3 3 3 4 4 4 4 4 5 5 5

Tabela de Distribuio de Frequncias:

Nmero de filhos por empregado de uma multinacional
Nmero de filhos (X) fi f i%
0 2 6,7
1 4 13,3
2 10 33,3
3 6 20
4 5 16,7
5 3 10
Total 30 100
Fonte: Dados Fictcios

Algumas consideraes ou concluses:
Qual o nmero de funcionrios que no tem filhos? Qual o seu percentual?
Quantos funcionrios tm cinco filhos e qual o seu percentual?
A maioria dos funcionrios tem quantos filhos? E a minoria? Informe o percentual de ambos.


10
INFORMAES ADICIONAIS NUMA DISTRIBUIO DE FREQUNCIAS
Alm das informaes contidas na tabela, destaca-se outros parmetros relevantes:
- LI = limite inferior de cada classe;
- LS = limite superior de cada classe;
- P
m
= ponto mdio de cada classe x = (L
i
+ Ls) / 2;
- fi = frequncia absoluta = nmero de ocorrncias de cada classe;
- fi % = frequncia percentual fi % = (fi / n) 100;
- F = frequncia absoluta acumulada "abaixo de";
- F = frequncia absoluta acumulada "acima de";
- F% = frequncia percentual acumulada "abaixo de";
- F% = frequncia percentual acumulada "acima de";

Exemplo 1.3: Veremos como fica a distribuio de frequncias simples com essas informaes
adicionais:
Nmero de filhos de empregados de uma multinacional
N de filhos fi f % F F F% F%
0 2 6,7 2 30 6,7 100
1 4 13,3 6 28 20 93,3
2 10 33,3 16 24 53,3 80
3 6 20 22 14 73,3 46,7
4 5 16,7 27 8 90 26,7
5 3 10 30 3 100 10
Total 30 100 - - - -
Fonte: Dados fictcios
Responda:
a) Quantos empregados tm at 2 filhos?
Resp: Se d por F, sendo igual a 16 filhos.
b) Quantos empregados tm ao menos 4 filhos?
Resp: Se d por F, sendo igual a 8 filhos.
c) Qual o percentual de empregados com no mximo 1 filho?
Resp: Se d por F%, sendo igual a 93,3%.
d) Qual o percentual de empregados com no mnimo 2 filhos?
Resp: Se d por F%, sendo igual a 80%.

11
DISTRIBUIO DE FREQUNCIAS POR CLASSES:
Srie estatstica para dados contnuos. Os nmeros so agrupados em classes, com suas respectivas
frequncias absolutas, relativas e percentuais, com o objetivo de facilitar ao analista o seu estudo.

Os seguintes componentes so utilizados apenas em distribuio de frequncias em classes:
Amplitude Total (A): a diferena entre o maior valor do rol (LS) e o menor valor (LI).

A = LS - LI

Nmero de Classes (c): corresponde quantidade de classes, nas quais sero agrupados os
elementos do rol. Para determinar c, utiliza-se a frmula de Sturges:

C = 1 + (3,33333.....) log(n)
em que n = nmero de elementos do rol.
Amplitude ou Intervalo de Classe (i): geralmente utilizam-se intervalos iguais, obtidos atravs
da frmula:
i = A/C

Construo de uma Distribuio de frequncias por classes
a) Ordenar os dados brutos em forma de rol (ordem crescente)
b) Calcular a amplitude total: A = LS - LI
c) Calcular o nmero de classes e arredondar o valor final para um nmero inteiro utilizando a
regra e arredondamento:
C = 1 + (3,33333.....) log(n)
d) Calcular o intervalo entre classes: i = A / C.
e) A 1 coluna ser a das classes. O menor nmero dos dados em rol ser o limite inferior da
primeira classe (LI da frmula utilizada na amplitude total A), a partir do qual todas as
outras classes sero definidas a partir deste nmero, somando ele ao intervalo entre classes.
Exemplo: Para C = 5, i = 1,5 e LI = 7,4 (menor nmero dos dados em forma de rol).
O limite inferior da 1 classe ser 7,4 e o limite superior da mesma classe ser
LI + i = 7,4 + 1,5 = 8,9.
Por sua vez, o limite inferior da 2 classe ser 8,9 e o superior: 8,9 + i = 8,9 + 1,5 = 10,4.
Este procedimento ser realizado at termos o nmero C de classes (este previamente
calculado).

12
f) Para indicar o intervalo, utilizaremos o smbolo |- . Por exemplo, no caso de haver o limite
inferior 7,4 e o limite superior 8,9. Indicaremos este intervalo como : 7,4 |- 8,9.
Isso significa todos os nmeros que esto entre 7,4 e o mais prximo possvel de 8,9, porm,
caso haja um nmero igual ao limite superior dessa classe, este dever ser computado apenas
na prxima classe (para o Exemplo do nmero 5, na 2 classe, sendo esta: 8,9 |- 10,4).
g) Uma vez definidas as classes, a tabela de frequncias pode ser construda, a partir da 2 coluna
de nome frequncia ou simplesmente f
i
, fazendo-se o processo de contagem, que consiste
em verificar a qual classe cada dado pertence.

OBS: Em algumas situaes, pode-se utilizar uma distribuio de frequncias por classes para
dados discretos quando todos os nmeros ou a maioria so diferentes.

Exemplo 1.4: Construir uma distribuio de frequncias para o nmero dirio de experimentos
realizados em um laboratrio durante duas semanas. [0, 2, 3 ,4 , 5, 10, 12, 7, 9, 0, 5, 13, 17, 10, 6].
Para essa situao, a mais vivel ser uma distribuio por classes, que dever seguir o mesmo
procedimento, apenas com o cuidado ao calcular o intervalo entre classes (i), o mesmo dever ser
arredondado para um nmero inteiro.

Exemplo 1.5: Construa de uma Distribuio de Frequncias com CLASSES para os dados
referentes ao Peso (kg) de 14 blocos de concreto:

56 57 58 60 62 64 69 74 74 74 76 80 81 95

Soluo:
Amplitude Total (A): A = LS LI = 95 56 = 39.

Nmero de Classes (C): C = 1 + (3,33333.....) log(n) = 1 + 3,333 log (14) = 4,82 5.

Intervalo de Classe (i): A=39 e C=5 i = A/C = 39/5 = 7,8.


13
Peso de blocos de concreto
Peso (kg) fi fi%
56,0 |- 63,8 5 35,71%
63,8 |- 71,6 2 14,28%
71,6 |- 79,4 4 28,58%
79,4 |- 87,2 2 14,28%
87,2 |-| 95 1 7,14%
Total 14 100%

Exemplo 1.6: Um determinado hospital est interessado em analisar a quantidade de creatinina (em
miligramas por 100 mililitros) encontrada na urina (de 24 horas) de seus pacientes internados com
problemas renais. Os dados so os seguintes:

1,51 1,65 1,58 1,54 1,65 1,40 1,61 1,08 1,81 1,38 1,56 1,83
1,69 1,22 1,22 1,68 1,47 1,68 1,49 1,80 1,33 1,83 1,50 1,46
1,67 1,60 1,23 1,54 1,73 1,43 2,18 1,46 1,53 1,60 1,59 1,49
1,46 1,72 1,56 1,43 1,69 1,15 1,89 1,47 2,00 1,58 1,37 1,40
1,76 1,62 1,96 1,66 1,51 1,31 2,29 1,58 2,34 1,66 1,71 1,44
1,66 1,36 1,43 1,26 1,47 1,52 1,57 1,33 1,86 1,75 1,57 1,83
1,52 1,66 1,90 1,59 1,47 1,86 1,73 1,55 1,52 1,40 1,86 2,02


14
Soluo:
Rol (dados em ordem crescente):
1,08 1,15 1,22 1,22 1,23 1,26 1,31 1,33 1,33 1,36 1,37 1,38
1,40 1,40 1,40 1,43 1,43 1,43 1,44 1,46 1,46 1,46 1,47 1,47
1,47 1,47 1,49 1,49 1,50 1,51 1,51 1,52 1,52 1,52 1,53 1,54
1,54 1,55 1,56 1,56 1,57 1,57 1,58 1,58 1,58 1,59 1,59 1,60
1,60 1,61 1,62 1,65 1,65 1,66 1,66 1,66 1,66 1,67 1,68 1,68
1,69 1,69 1,71 1,72 1,73 1,73 1,75 1,76 1,80 1,81 1,86 1,86
1,86 1,86 1,86 1,86 1,89 1,90 1,96 2,00 2,02 2,18 2,29 2,34

Amplitude Total (d uma ideia do campo de variao dos dados):
A = LS - LI = (2,34) - (1,08) = 1,26
Analisando-se a quantidade de creatinina encontrada na urina dos 84 pacientes verificou-se que,
ocorreu a variao de 1,26 no seu campo (de 1,08 a 2,34).

Estabelecer o Nmero de Classes (c):
c = 1 + (3,3333.....) log(n) = 1 + (3,3333....) log(84) = 7,414 c = 7

Estabelecer o Intervalo de Classe (i):

i = A / c = (1,26) / 7 = 0,18
Quantidade de creatinina (ml) encontrada na urina de 84 pacientes com problemas renais.
Classes f
i
f % P
m
(X)
% f % f
F F
1,08 1,26 5 5,9 1,17 5,9 100 5 84
1,26 1,44 13 15,5 1,35 21,4 94,1 18 79
1,44 1,62 32 38,1 1,53 59,5 78,6 50 66
1,62 1,80 18 21,4 1,71 80,9 40,5 68 34
1,80 1,98 11 13,1 1,89 94,0 19,1 79 16
1,98 2,16 2 2,4 2,07 96,4 6,0 81 5
2,16 2,34
3 3,6 2,25 100 3,6 84 3
Total 84 100 - - - - -


15
Observao 1: O melhor valor para representar cada classe o ponto mdio (P
m
), o qual se obtm
pela frmula:
P
m
= L
i
+ (i / 2), ou ainda, P
m
= (L
i
+ L
s
) / 2

Observao 2: 1,08 |- 1,26, intervalo fechado esquerda (pertencem a classe valores iguais ao
extremo inferior) e aberto direita (no pertencem a classe valores iguais ao extremo superior). De
forma anloga, 2,16 |-| 2,34, intervalo fechado esquerda e direita.

Responda:
a) Quantos pacientes tm at 1,79 ml de creatinina?
Resp: Se d por F, sendo igual a 68 pacientes.
b) Quantos pacientes tm ao menos 1,98 ml de creatinina?
Resp: Se d por F, sendo igual a 5 pacientes.
c) Qual o percentual de pacientes com no mximo 1,61 ml de creatinina?
Resp: Se d por F%, sendo igual a 59,5%. (mais da metade).
d) Qual o percentual de pacientes com no mnimo 1,98 ml de creatinina?
Resp: Se d por F%, sendo igual a 6%.

Exerccio 1.8: Na fabricao de semicondutores, o ataque qumico por via mida frequentemente
usado para remover silicone da parte posterior das pastilhas antes da metalizao. A taxa de ataque
uma caracterstica importante no processo. Um tipo de soluo pra ataque qumico foi estudada,
usando uma amostra de 50 pastilhas. As taxas observadas de ataque (10
-3
mils/min) so dadas a
seguir:

2,1 4,2 2,7 28,2 9,9 9 2 6,6 3,9 1,6 14,7 9,6 16,1 8,1 8,2 20,2 6,9
4,3 3,3 1,2 4,1 18,4 0,2 6,1 13,5 7,4 0,2 8,3 0,3 1,3 14,1 1,0 2,4 2,4
16,2 8,7 24,1 1,4 8,2 5,8 1,6 3,5 12,2 18 26,7 3,7 12,3 23,1 5,6 0,4

EST0323 Estatstica Aplicada a Engenharia I

1.5 - REPRESENTAO GRFICA

Todo o grfico deve apresentar ttulo (pode ser colocado tanto acima como abaixo) e escala
(crescem da esquerda para a direita e de baixo para cima). As legendas devem ser
direita ou abaixo do grfico. A seguir vemos os principais tipos de grficos:

1.5.1 - Grfico de Setores

Tambm conhecido como Grfico de Pizza, este gr
parte de um todo. , ento, usado um crculo de raio qualquer, com a rea ou ngulo total sendo
proporcional ao total (100%) da srie de dados a representar e a r
circular sendo proporcional a cada dado da srie.

Exemplo 1.7: Exemplo de um grfico de setores

Tabela 1.1: Principais raes caninas vendidas numa certa cidade em 2010
Marca da Rao

Figura 1.1: Principais raes caninas vendidas numa certa cidade em 2010
Estatstica Aplicada a Engenharia I Prof. Msc. Andr Luiz Sena da Rocha
REPRESENTAO GRFICA
(crescem da esquerda para a direita e de baixo para cima). As legendas devem ser
direita ou abaixo do grfico. A seguir vemos os principais tipos de grficos:
Tambm conhecido como Grfico de Pizza, este grco usado quando cada valor representa uma
proporcional ao total (100%) da srie de dados a representar e a rea ou ngulo de cada setor
circular sendo proporcional a cada dado da srie.
Exemplo de um grfico de setores
: Principais raes caninas vendidas numa certa cidade em 2010
Marca da Rao Percentual (%)
Caninus 18
Campeo 15
Foster 24
Pedigree 43

16
(crescem da esquerda para a direita e de baixo para cima). As legendas devem ser colocadas
co usado quando cada valor representa uma
ea ou ngulo de cada setor


1.5.2 - Grfico de Colunas e Barras

As variaes quantitativas da tabela so r
horizontalmente. usado para representar qualquer tipo de srie.

Exemplo 1.8: Exemplo de um Grfico de Barras

Tabela 1.2: Principais causas de morte nos EUA em 2004
Tipo de morte
Acidentes de carro
lcool
Armas de fogo
Cigarro
Doenas Infecciosas
Doenas Venreas
Drogas
Obesidade
Outras
Total
Fonte: Ie Estatsticas, 2004.

Figura 1.

Grfico de Colunas e Barras
As variaes quantitativas da tabela so representadas por colunas dispostas verticalmente ou
horizontalmente. usado para representar qualquer tipo de srie.
Grfico de Barras
: Principais causas de morte nos EUA em 2004
morte Frequncia Percentual (%)
Acidentes de carro 856 23,70
457 12,65
Armas de fogo 985 27,27
247 6,84
Doenas Infecciosas 112 3,10
Doenas Venreas 98 2,71
631 17,47
124 3,43
102 2,82
3612 100
Figura 1.2: Principais causas de morte nos EUA em 2004

17
epresentadas por colunas dispostas verticalmente ou
Percentual (%)


Exemplo 1.9: Exemplo de um Grfico de Colunas
Figura 1.3: Principais raes caninas vendidas numa certa cidade

1.5.3 - Histograma e Polgono de Frequncias

A apresentao tabular dos dados feita atravs de uma distribuio de frequncias. Fica
complementada com uma representao gr
de frequncias so tipos de grcos usados para representar uma distribui
de uma varivel quantitativa contnua.

Exemplo 1.10: Exemplo de um histograma e de um polgono de frequncias

Tabela 1.3: Distribuio de frequncias dos preos de ovos

Preo dos ovos

47 68
68 89
89 110
110 131
131 152
Total

Fonte: GUJARATI. Basic Econometrics

Grfico de Colunas
Principais raes caninas vendidas numa certa cidade em 2010
Histograma e Polgono de Frequncias
complementada com uma representao grca desses mesmos dados. O histograma e o polgono
cos usados para representar uma distribuio de frequncias simples
de uma varivel quantitativa contnua.
Exemplo de um histograma e de um polgono de frequncias
: Distribuio de frequncias dos preos de ovos - EUA - 1990
f f
r
F F%
19 38 19
19 38 38
9 18 47
2 4 49
1 2 50
50 100 -
Basic Econometrics. McGraw-Hill, 3a ed. 1995.

18

em 2010
ca desses mesmos dados. O histograma e o polgono
de frequncias simples
F%
38
76
94
98
100
-

19
Um histograma um conjunto de retngulos com bases sobre um eixo horizontal dividido de
acordo com os comprimentos de classes, centros nos pontos mdios das classes e reas
proporcionais ou iguais s frequncias.
Um polgono de frequncias um grco de linha que se obtm unindo por uma poligonal
os pontos correspondentes s frequncias das diversas classes, centradas nos respectivos pontos
mdios. Para obter as intersees da poligonal com o eixo, cria-se em cada extremo uma classe com
frequncia nula. Note que esses grcos podem ser construdos com base nas frequncias absolutas
ou relativas. O importante que a escala nos eixos horizontal e vertical, bem como os retngulos,
sejam construdos de forma a que suas reas espelhem a proporcionalidade dessas frequncias.
Na Figura 1.10 apresentamos o histograma para a distribuio de frequncias dada na Tabela
1.17, referente ao preo da dzia de ovos nos estados americanos em 1990. Aqui cabe uma
observao sobre o histograma, que foi construdo com o software free R; cada retngulo foi
construdo de modo que sua rea fosse exatamente igual frequncia relativa. Por exemplo, todos
os retngulos tm base 21, que a amplitude de classe. A altura dos dois primeiros retngulos
[rea/base = 0,38 / 21 = 0,0180952], de modo que a rea resultante 0,38. Para a terceira classe,
temos que [altura = rea/base = 0,18 / 21 = 0,0085714].
O ponto fundamental na interpretao de um histograma compreender que as reas dos
retngulos representam as frequncias de cada classe. Como a varivel contnua e a frequncia
dada se refere a uma classe de valores, a suposio que se faz que essa frequncia se distribui
uniformemente pela classe. Na Figura 1.10, a frequncia relativa da classe 47 68 0,38 (ou 38%)
e ela est uniformemente distribuda pela classe, o que signica que subclasses de mesmo
comprimento teriam a mesma frequncia. Por exemplo, as frequncias das classes 4757,5 e
57,568 seriam ambas iguais 0,19. J a subclasse 8995 teria uma frequncia de 0,0085714
(9589) = 0,0514286. Mais uma vez, o princpio que rea = frequncia. Com relao ao polgono
de frequncias, a ideia representar o comportamento tpico de cada classe atravs do seu ponto
mdio. Assim, o polgono de frequncia est representado na Figura 1.11


20
HISTOGRAMA

Figura 1.4: Histograma da distribuio de frequncia dos preos dos ovos nos estados

POLGONO DE FREQUNCIAS

Figura 1.5: Polgono de frequncia dos preos dos ovos nos estados americanos

1.6 Medidas de Tendncia Central

Os dados quantitativos, apresentados em tabelas e grficos, constituem a informao bsica
do problema. Mas conveniente apresentar medidas que mostrem a informao de maneira
resumida.


21
Medidas de Tendncia Central
So medidas que tendem para o centro da distribuio e tm a capacidade de represent-la como um
todo. Do o valor do ponto em torno do qual os dados se distribuem. As principais so: Mdia
Aritmtica, Mediana e Moda e algumas.

1.6.1 - Mdia Aritmtica

A mdia aritmtica pode ser definida em dois tipos: populacional ( ) e amostral ( X). Nos dois
casos existem trs situaes quanto aos clculos.

1. Dados apresentados em forma de rol:
A mdia ser:
rol do elementos de nmero
rol do elementos os todos de soma
n
x
X
n
i
= =
=1 i

Exemplo 1.11: Nmero de tonadas a serem trocadas em 12 hotis de Natal (50, 62, 70, 86, 60, 64,
66, 77, 58, 55, 82, 74) X=67
Anlise: O nmero mdio de tomadas para serem trocadas de 67 por hotel.

Exerccio 1.9: Um gerente de supermercado quer estudar a movimentao de pessoas em seu
estabelecimento, constata que 195, 1.002, 941, 768 e 1.283 pessoas entraram no seu
estabelecimento nos ltimos cinco dias. Descubra o nmero mdio de pessoas que entraram
diariamente neste estabelecimento nos ltimos cinco dias.

2. Dados apresentados em forma de distribuio de frequncia simples:
A mdia ser:
=
=
=
n
1 i
i
n
i i
f
f x
X
1 i

Exemplo 1.12: Nmero de peas com defeitos produzidas em 27 dias em certa fbrica
X 0 1 2 3 4 Total
f 2 4 10 6 5 27

22
2,3
27
(4).(5) (3).(6) (2).(10) (1).(4) (0).(2)
f
f x
X
n
1 i
i
n
i i
=
+ + + +
= =
=
=1 i

Anlise: Verifica-se que o nmero mdio de peas com defeitos de 2,3 por dia.

Exerccio 1.10: As informaes abaixo apresentam a idade dos usurios de drogas internos numa
clnica para tratamento. Determine a idade mdia dos internos.

Idade f
i

17 2
18 4
19 5
20 6
21 3
22 4
23 2
Total 26

3. Dados apresentados em forma de distribuio de frequncia em classes:

A mdia ser:
=
=
=
n
1 i
i
n
1 i
i m
f
f P
X


23
Exemplo 1.13: Nascidos vivos segundo o peso ao nascer, em kg.
Classes f
i
P
m

1,5 |- 2,0 3 1,75
2,0 |- 2,5 16 2,25
2,5 |- 3,0 31 2,75
3,0 |- 3,5 34 3,25
3,5 |- 4,0 11 3,75
4,0 |- 4,5 4 4,25
4,5 |-| 5,0 1 4,75
Total 100 -
3
100
(4,75).(1) ) (2,25).(16 (1,75).(3)
f
f P
X
n
1 i
i
n
i m
=
+ + +
= =
=
=

1 i

Anlise: Verifica-se que o peso mdio dos 100 nascidos vivos observados 3 kg.

1.6.2 Mediana

Valor que divide a distribuio em duas partes iguais, em relao quantidade de elementos. Isto ,
o valor que ocupa o centro da distribuio, de onde se conclui que 50% dos elementos ficam
abaixo dela e 50% ficam acima.

Colocados em ordem crescente, a mediana (Med ou Md) ou valor que divide a amostra, ou
populao, em duas partes iguais.

0 Med 100%

a) Varivel Discreta: os dados esto dispostos em forma de rol ou em uma distribuio de
frequncia simples.


24
Se n for mpar:
Med = elemento central (de ordem
1
2
n + | |
|
\
)

- Exemplo 1.14: Dados em forma de rol:
Seja a amostra: 8, 10, 12, 14, 16 Med =
5 1
3
2
+ | |
=
|
\

elemento do rol = 12
Interpretao: o 3 elemento do rol (12) divide 50% da distribuio dos dados direita
e esquerda.
- Exemplo 1.15: Dados em uma distribuio de frequncia simples:
Suponha a seguinte distribuio de frequncia simples.
X f
i

F
1 1 1
2 3 4
3 5 9
4 2 11
Total 11 -
n = 11 (mpar)
Elemento mediano: [(n+1)/2] = 6 elemento
3 classe contm o 6 elemento Med = 3.

Se n for par:
Med = mdia aritmtica dos dois elementos centrais (de ordem
2
n | |
|
\
e 1
2
n | |
+
|
\
)
- Exemplo 1.16: Dados em forma de rol:
Seja a amostra: 8, 10, 12, 14, 16, 19
6
3 elemento do rol
2 2
6
1 1 4 elemento do rol
2 2
n
n
| | | |
= =
| |
\ \
| | | |
+ = + =
| |
\ \

Med =
3 elemento 4 elemento 12 14
13
2 2
Mediana
+ +
= = =

Interpretao: a mdia do 3 e 4 elemento do rol (13) divide 50% da distribuio dos dados
direita e esquerda.

25
- Exemplo 1.17: Dados em uma distribuio de frequncia simples:
Suponha a seguinte distribuio de frequncia simples.
X f
i

F
82 5 5
85 10 15
87 15 30
89 8 38
90 4 42
Total 42 -

n = 42 (par)
Elemento mediano: (n/2) = 21 elemento
(n/2) + 1 = 22 elemento
3 classe contm o 21 e o 22 elemento
Med = (87 + 87)/2 = 87

b) Varivel Contnua: os dados esto agrupados em uma distribuio de frequncias em classes,
ento:

1 Passo: Organizar os dados em forma de rol (ordem crescente);
2 Passo: Calcular a ordem (n/2). Como a varivel contnua no importa se par ou mpar.
3 Passo: Atravs da F identificar a classe que contm a mediana, isto , a posio da
mediana.
4 Passo: Utilizar a frmula:
Med
Med
Med
Med
.i
f
F P
LI Med
|
|
\
|
+ =

- LI
Med
= limite inferior da classe que contm a mediana;
- P
Med
= posio da mediana = 2 f
i
/
= x elemento;
-
-
F = frequncia absoluta acumulada "abaixo de" da classe anterior classe que contm a
mediana;
- f
Me
= frequncia absoluta da classe que contm a mediana;
- i
Me
= intervalo da classe que contm a mediana;

26
Exemplo 1.18: Temperatura (C) para o derretimento de certo material eletrnico.
Temperatura f
i
P
m
F

150 |- 200 35 175 35

200 |- 250 164 225 199

250 |- 300 31 275 230

300 |- 350 344 325 574

350 |- 400 112 375 686

400|- 450 32 425 718

455 |-| 500 10 475 728

Total 728 - -

P
Me
= (n/2) (728/2) 364 elemento 4 classe: [300; 350)
0 Med
Med Med
Med
P F 364- 230
Med LI .i 300 .(50) 319, 75
f 344
C
| |
| |
= + = + =
| |
\
\

Exerccio 1.11: Um determinado hospital est interessado em analisar a quantidade de creatinina
(em miligramas por 100 mililitros) encontrada na urina (de 24 horas) de seus pacientes internados
com problemas renais. Calcule a Mediana.

Quantidade de creatinina (ml) encontrada na urina de 84 pacientes com problemas renais.
Classes f
i
F
1,08 |- 1,26 5 5
1,26 |- 1,44 13 18
1,44 |- 1,62 32 50
1,62 |- 1,80 18 68
1,80 |- 1,98 11 79
1,98 |- 2,16 2 81
2,16 |-| 2,34 3 84
Total 84 -


27
1.6.3 - Moda

o valor que ocorre com maior frequncia na srie, ou seja, aquele que mais se repete.

Exemplo: Na srie 3, 4, 5, 7, 7, 7, 9, 9 M
o
= 7

SRIE UNIMODAL (TEM UMA NICA MODA)
Exemplo: Na srie 3, 5, 6, 6, 6, 7, 8 M
o
= 6
SRIE BIMODAL (OCORREM DUAS MODAS)
Exemplo: Na srie 2, 5, 5, 5, 6, 7, 9, 9, 9, 10, 10 M
o1
= 5 e M
o2
= 9
SRIE TRIMODAL (OCORREM TRS MODAS)
Exemplo: Na srie 4, 4, 4, 5, 6, 7, 7, 7, 8, 9, 9, 9 M
o1
= 4, M
o2
= 7 e M
o3
= 9
SRIE POLIMODAL (OCORREM QUATRO OU MAIS MODAS)
Exemplo: Na srie 0, 0, 1, 3, 3, 4, 7, 8, 8, 11, 12, 12, 13, 13 M
o1
= 0, M
o2
= 3, M
o3
= 8,
M
o4
= 12 e M
o5
= 13
SRIE AMODAL (NO EXISTE MODA)
Exemplo: Na srie 0, 1, 3, 4, 7, 8 no existe moda

a) DADOS APRESENTADOS EM UMA DISTRIBUIO DE FREQUNCIA SIMPLES.
M
o
= elemento que tenha maior frequncia

Exemplo 1.19:
X fi
1 13
3 15
6 25
10 8
Total 61
M
o
= 6


28
Exemplo 1.20:
Tipo de Sangue fi
O 547
A 441
B 123
AB 25
Total 1136
M
o
= sangue do tipo "O"

b) DADOS APRESENTADOS EM UMA DISTRIBUIO DE FREQUNCIA CLASSES.

Nesse caso, a moda pode ser determinada atravs de quatro processos.

1. Moda Bruta (M
oB
)
Corresponde ao ponto mdio da classe modal, ou seja, M
oB
= (l
i
+ l
s
)/2

Exemplo 1.21: Quantidade de Creatinina
Classes f
i

1,08 1,26 5
1,26 1,44 13
1,44 1,62 32
1,62 1,80 18
1,80 1,98 11
1,98 2,16 2
2,16 2,34
3

2. Moda de Pearson (M
oP
)

Utilizada mais especificamente, juntamente com X e Med, para mostrar o comportamento da
distribuio, em relao a concentrao ou no de seus elementos.

Mo 3 Med- 2 X =

29
Utiliza-se a M
oP
para a anlise da assimetria.

a) Assimetria esquerda:
oP
M Med X < < (concentrao direita ou nos valores maiores);
b) Simtrica: X Med M
oP
= = (concentrao no centro);
c) Assimetria direita: X Med M
oP
< < (concentrao esquerda ou nos valores menores).

Exemplo 1.22: Calcule a moda de Pearson para os seguintes dados X = 1,61 e Med = 1,57.

Mo 3 Med- 2 X= 3(1,57) - 2(1, 61) =1, 49 =

Anlise: X Med M
oP
< < , o que indica uma assimetria direita, isto , uma maior concentrao
esquerda (ou em direo aos valores menores).

Exerccio 1.12: Calcule a moda de pearson para a distribuio de frequncias abaixo:
Quantidade (ml) encontrada numa amostra de 320 solues utilizadas num processo qumico.
Quantidade (ml) f
i
F
4,08 |- 5,44 49 49
5,44 |- 6,80 70 119
6,80 |- 8,16 142 261
8,16 |- 9,52 29 290
9,52 |-| 10,88 30 320
Total 320 -

30
1.6.4 Separatrizes

Alm das medidas de posio que estudamos, h outras que, consideradas individualmente,
no so medidas de tendncia central, mas esto ligadas mediana, j que se baseiam em sua
posio na srie. Essas medidas - os quartis, os percentis e os decis - so, juntamente com as
medianas, conhecidas pelo nome genrico de separatrizes.
Os quartis, decis e percentis so muito similares mediana, uma vez que tambm
subdividem a distribuio de medidas de acordo com a proporo das frequncias observadas.
Enquanto a mediana divide a distribuio em duas metades, os quartis dividem-se em quatro
quartos, os decis em 10 partes e os pontos percentis dividem a distribuio em 100 partes.

Mediana (Me) divide em duas partes iguais
Quartis (Q
1
, Q
2
e Q
3
) dividem em quatro partes iguais
Decis (D
1
, D
2
, ..., D
9
) dividem em dez partes iguais
Percentis (P
1
, P
2
, ..., P
99
) dividem em cem partes iguais

So utilizadas para se conhecer, com preciso, as distribuies dos dados como um todo. As
separatrizes podem ser utilizadas tanto em dados no-agrupados (em forma de rol ou em
distribuio de frequncia simples) tanto quanto em dados agrupados (distribuio de frequncias
em classes).

Relao visual das separatrizes

!-------------------!-------------------!
Md

!---------!---------!---------!---------!
Q1 Q2 Q3

!-----!-----!-----!-----!-----!-----!-----!-----!-----!-----!
D1 D2 D3 D4 D5 D6 D7 D8 D9

!----------!----------!----------!----------!----------!----------!----------!----------!----------!----------!
P10 P20 P30 P40 P50 P60 P70 P80 P90


31
SEPARATRIZES PARA DADOS NO-AGRUPADOS

Primeiro encontra-se a posio e em seguida identifica a classe para cada separatriz.
As posies so calculadas da seguinte maneira:
1 Posio da Mediana: P
Me
=
2
n

2 Posio dos Quartis: P
Qx
=
. n
4
x
, x = 1, 2, 3
3 Posio dos Decis: P
Dx
=
. n
10
x
, x = 1, 2, ..., 9
4 Posio dos Percentis: P
Px
=
. n
100
x
, x = 1, 2, ..., 99
em que:
x refere-se determinao da separatriz (exemplo para quartil, x=1,2,3);
n refere-se ao nmero de elementos dos dados ou distribuio.

Exemplo 1.23: Considere o tempo (anos) de 24 mquinas utilizadas numa indstria. Calcule os
Quartis.
17 18 19 20 21 22 23 24 25 26 27 29 32
33 35 38 39 42 44 46 48 50 54 57

Calculando os quartis, temos:
1
2
3
1 24
6 elemento=22
4 4
2 24
12 elemento=29
4
3 24
18 elemento=42
4
o
o
o
x n
Eq
Eq Mediana
Eq

= = =
= = =
= =

Em relao aos quartis, encontramos os 6, 12 e o 18 elemento da distribuio dos dados, que
correspondem aos nmeros 22, 29 e 42. Assim, podemos concluir que 25% das mquinas tm idade
de at 22 anos de uso, como tambm metade delas tm at 29 anos e 25% tm ao menos 42 anos.
25% das mquinas tm mais de 42 anos de uso na indstria.


32
Calculando os Decis 3, 7 e 9, temos:

3
5
9
3 24 7 8 23 24
7, 2 23, 5
10 10 2 2
5 24
12 elemento=29
10
9 24 21 22 48 50
21, 6 49
10 2 2
o o
o
o o
x n elemento elemento
Ed
Ed Mediana
elemento elemento
Ed
+ +
= = = = =
= = =
+ +
= = = =

Em relao aos decis calculados, encontramos os 7, 12 e o 22 elemento da distribuio dos
dados, que correspondem aos nmeros 23,5, 29 e 49. Assim, podemos concluir que 30% das
mquinas tm at 23,5 anos de uso, como tambm metade delas tm at 29 anos e 90% tm ao
menos 49 anos. 10% das mquinas tm mais de 49 anos de uso na indstria.

Calculando os Percentis 30, 70 e 90, temos:

17
35
83
17 24 4 5 20 21
4, 08 elemento 20, 5
100 100 2 2
35 24 8 9 24 25
8, 4 elemento 24, 5
100 2 2
83 24 19 20 44 46
19, 92 elemento 45
100 2 2
o o
o
o o
o
o o
o
x n
Ep
Ep
Ep
+ +
= = = = =
+ +
= = = =
+ +
= = = =

Em relao aos percentis calculados, encontramos os 4, 8 e o 20 elemento da distribuio dos
dados, que correspondem aos nmeros 20,5; 24,5 e 45. Assim, podemos concluir que 17% das
mquinas tm at 20,5 anos de uso, como tambm 35% deles tm at 24,5 anos e 65% tm ao
menos 24,5 anos. Conclui-se tambm que 83% tm at 45 anos de utilizao na indstria e 17%
tm no mnimo 45 anos.

1.7 - Medidas De Disperso

Utilizaremos o termo disperso para indicar o grau de afastamento de um conjunto de
nmeros em relao a sua mdia, pois ainda que consideremos a mdia como um nmero que tem a
faculdade de representar uma srie de valores ela no pode por si mesma, destacar o grau de
homogeneidade ou heterogeneidade que existe entre os valores que compem o conjunto. O nosso

33
objetivo construir medidas que avaliem a representatividade da mdia, para isto usaremos as
medidas de disperso.
Uma breve reflexo sobre as medidas de tendncia central permite-nos concluir que elas no
so suficientes para caracterizar totalmente uma sequncia numrica.
Se observarmos as seguintes sequncias:

X: 70, 70, 70, 70, 70
Y: 68, 69, 70, 71, 72
Z: 1, 38, 70, 76, 165

Calculando a mdia aritmtica de cada um desses conjuntos, obtemos:

350
70
5
i
x
X X
n
= = =

i
y
350
Y 70
n 5
= = =

i
z
350
Z 70
n 5
= = =

Observamos, ento, que os trs conjuntos apresentam a mesma mdia aritmtica igual a 70.
Calculando a mediana para os trs, dar tambm o mesmo resultado, ou seja, 70. Assim,
pensaramos que essas trs variveis so iguais, no entanto, so sequncias completamente distintas
do ponto de vista da variabilidade de dados.

Na sequncia X, no h variabilidade dos dados. A mdia 70 representa bem qualquer valor
da srie. Na sequncia Y, a mdia 70 representa bem a srie, mas existem elementos da srie
levemente diferenciados da mdia 70. Na sequncia Z, existem muitos elementos bastante
diferenciados da mdia 70. Conclumos que a mdia 70 representa otimamente a sequncia X,
representa razoavelmente bem a sequncia Y, mas no representa bem a sequncia Z.
Nosso objetivo construir medidas que avaliem a representatividade da mdia. Para
isto, usaremos as medidas de disperso.
Observe que na sequncia X os dados esto totalmente concentrados sobre a mdia 70, no
h disperso de dados. Na sequncia Y, h forte concentrao dos dados sobre a mdia 70, mas h
fraca disperso de dados. J na srie Z h fraca concentrao de dados em torno da mdia 70 e forte
disperso de dados em relao mdia 70.
As principais medidas de disperso absolutas so: amplitude total, varincia, desvio padro e
coeficiente de variao.


34
1.7.1 Varincia

a medida de disperso mais utilizada. definida como sendo o quociente entre a soma
dos quadrados dos desvios e o nmero de elementos. classificada em dois tipos:

Varincia Populacional (
2
)
( ) ( )
2
2
2 2
1 i
i
i
X X
X
X
N N N

= =
`

)

Varincia Amostral (s
2
)
( ) ( )
2
2
2 2
1
1 1
i
i
i
X X
X
S X
n n n

= =
`

)

Exemplo 1.24: Calcule a varincia da estatura do tempo em anos do funcionamento de 5 geradores
de certa indstria automobilstica:

1,92 1,72 1,82 1,80 1,84

Antes de calcular a varincia, necessrio calcular a mdia (
X
). Logo:

1, 92 1, 72 1,82 1,80 1,84 9,1
1,82
5 5
X
+ + + +
= = =

( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
2
2 2 2 2 2
2
2 2 2 2 2
1, 92 1, 82 1, 72 1, 82 1,82 1,82 1,80 1,82 1,84 1,82
1 5 1
0,1 0,1 0 0, 02 0, 02
0, 01 0, 01 0 0,0004 0,0004
4 4
0,0208
0,0052.
4
i
X X
S
n
+ + + +
= =

+ + + +
+ + + +
= = =
= =


35
Exerccio 1.13: Calcule a varincia do nmero de incises feitas em trs crianas numa cirurgia dos
membros superiores e inferiores. Comenta sobre a variabilidade.

Laboratrio
Corpo de prova
I II III IV
A 2,59 1,45 1,09 4,79
B 1,99 1,99 1,99 1,99
C 0,80 0,01 3,98 7,59

IMPORTANTE: Quando os dados esto dispostos em uma tabela de distribuio de frequncia
(simples ou em classes), utilizam-se as seguintes frmulas:

1 Caso Frequncia Simples
( )
(
(
(

n
f x
f x
n
s
i
i
2
2 2
1
1

( )
(
(
(

N
f x
f x
N
i
i
2
2 2
1

2 Caso Frequncia em Classes
( )
(
(
(

n
f Pm
f Pm
n
s
2
2 2
1
1

( )
(
(
(

N
f Pm
f Pm
N
2
2 2
1

ATENO: Desvantagem do uso da varincia
No clculo da varincia, quando elevamos ao quadrado a diferena ) x (x
i
, a unidade de
medida da srie fica tambm elevada ao quadrado.
Portanto, a varincia dada sempre no quadrado da unidade de medida da srie. Se os dados
so expressos em metros, a varincia expressa em metros quadrados. Em algumas situaes, a
unidade de medida da varincia nem faz sentido. o caso, por exemplo, em que os dados so
expressos em litros. A varincia ser expressa em litros quadrados.
Logo, o valor da varincia no pode ser comparado diretamente com os dados da srie, ou
seja: varincia no tem interpretao.

Soluo: Utilizar o DESVIO PADRO como medida.

36
1.7.2 - Desvio Padro

Medida de disperso que apresenta as propriedades da varincia e tem a mesma unidade de
medida dos dados. a raiz quadrada da varincia.
Notaes:
1) Quando a sequncia de dados representa uma populao a varincia ser denotada por
2
e o
desvio padro correspondente por
.
2) Quando a sequncia de dados representa uma amostra a varincia ser denotada por
2
S e o
desvio padro correspondente por S .
Desvio Padro Populacional ()
( )
2
i
X X
N
=

Desvio Padro Amostral (s)
( )
2
1
i
X X
S
n

OBS: Quanto maior o valor do desvio padro significa que mais dispersos esto os elementos
em torno da mdia.

Exerccio 1.14: Calcule o desvio-padro do Exerccio 1.13.

Interpretao do Desvio Padro

O desvio padro , sem dvida, a mais importante das medidas de disperso.
fundamental que o interessado consiga relacionar o valor obtido do desvio padro com os
dados da srie. Quando uma curva de frequncia representativa da srie perfeitamente simtrica (
Mo Md X = == = = == = ), podemos afirmar que os intervalos:
] x , x [ + ++ + contm aproximadamente 68% dos valores da srie.
] 2 x , 2 x [ + ++ + contm aproximadamente 95% dos valores da srie.
] 3 x , 3 x [ + ++ + contm aproximadamente 99% dos valores da srie.

OBS: Quando a distribuio no perfeitamente simtrica, estes percentuais apresentam pequenas
variaes para mais ou para menos, segundo
as trs propriedades definidas acima no ocorrem com exatido.

Exemplo 1.25: Suponha uma srie com mdia
estes valores da seguinte forma:

1. Os valores da srie esto concentrados em torno de 100.

2. O intervalo [95, 105] contm aproximadamente 68% dos valores da srie.
O intervalo [90, 110] contm aproximadamente 95% dos valores da srie.

Quando a distribuio no perfeitamente simtrica, estes percentuais apresentam pequenas
variaes para mais ou para menos, segundo o caso. Ou seja, na presena de assimetria ou
as trs propriedades definidas acima no ocorrem com exatido.
Suponha uma srie com mdia 100 = == = x e desvio padro 5 = == =

Os valores da srie esto concentrados em torno de 100.
15] contm aproximadamente 99% dos valores da srie.

37

Quando a distribuio no perfeitamente simtrica, estes percentuais apresentam pequenas
o caso. Ou seja, na presena de assimetria ou outliers,
5 , podemos interpretar


38
1.7.3 - Coeficiente de Variao

Dissemos antes que, por serem as unidades do desvio-padro as mesmas que as unidades dos
dados originais, mais fcil entender o desvio-padro do que a varincia. No entanto, aquela
mesma propriedade torna difcil comparar a variao para valores originados de diferentes
populaes, ou seja, quando as medidas de duas ou mais variveis so expressas em unidades
diferentes como peso/altura, capacidade/comprimento, etc. Usa-se ento o Coeficiente de Variao
(CV), que uma medida relativa, que expressa o desvio padro como uma porcentagem da mdia
aritmtica e ele no tem unidade especfica. Quanto mais prximo de zero, mais homognea a
distribuio. Quanto mais distante, mais dispersas.
O CV mede a disperso em relao mdia. a razo entre o desvio padro e a mdia. O
resultado obtido dessa operao multiplicado por 100, para que o coeficiente de variao seja
dado em porcentagem.
100
s
CV
X
=

ANLISE
1. DISPERSO BAIXA: CV 15%
2. DISPERSO MDIA: 15% CV 30%
3. DISPERSO ALTA: CV 30%

OBS.: Um CV alto indica que a disperso dos dados em torno da mdia muito grande.

Exemplo 1.26: Alturas e Pesos de Homens. Usando os dados amostrais de alturas e pesos de 40
homens de uma turma de estatstica, encontramos as estatsticas dadas na tabela a seguir.

Mdia - X
Desvio padro - S
Altura (cm) 168 7,56
Peso (kg) 72 10,98

Calcule o coeficiente de variao para altura e peso, e a seguir, compare os dois resultados.


39
Soluo:
CV para Altura:
7, 56
100 100 0, 045 100 4, 5%.
168
Altura
S
CV
X
= = = =

CV para Peso:
10, 98
100 100 0,1525 100 15, 25%.
72
Peso
S
CV
X
= = = =

Reparem que se fssemos comparar apenas o desvio padro (fazendo isso j estaramos
errando, pois no se podem comparar desvios-padro de populaes com unidades de medio
diferentes, neste caso cm e kg), iramos erroneamente deduzir que as duas populaes tinham
variabilidade muito prximas. No entanto, ao calcular os coeficientes de variao para as duas
populaes, analisa-se que a variabilidade das alturas dos homens quase quatro vezes menos que a
variabilidade dos pesos. Isso faz sentido intuitivamente, porque vemos rotineiramente que os pesos
entre homens variam muito mais do que as alturas. Por exemplo, muito raro ver dois homens
adultos com um deles tendo duas vezes a altura do outro, mas muito comum ver dois homens com
um deles pesando duas vezes o peso do outro.

Exerccio 1.14: Em um grupo de pacientes, foram tomadas as pulsaes (batidas por minuto) e
dosadas as taxas de cido rico (mg/100ml). Mas mdias e os desvios-padro foram:

Varivel Mdia - Desvio padro - S
Pulsao 68,7 8,7
cido rico 5,46 1,03

Compare a disperso da Pulsao com as taxas de cido rico.

1.8 - Anlise Exploratria de Dados

1.8.1 - Esquema dos 5-Nmeros

No caso de uma distribuio com outliers, no ideal representar um conjunto de valores
com o uso da mdia e do desvio-padro, pois devido a presena de valores extremos, elas foram
afetados. Tukey (1970, 1977) sugeriu o uso de cinco medidas para analisar casos como esse, sendo
elas:

40
a) Limite Inferior (Li) e Limite Superior ( Ls)
b) Q
1
, Q
2
e Q
3

Forma de representao:

Notaes:
a) Q
3
- Q
1
= Intervalo interquartil (dj)
b) Me - Li = Disperso inferior
c) Ls - Me = Disperso superior.

Estas cinco medidas so chamadas de estatstica de ordem e so medidas resistentes de
posio de uma distribuio. Dizemos que uma medida de posio resistente quando for pouco
afetada por mudanas de uma pequena poro dos dados. A mediana uma medida resistente, ao
passo que a mdia no o .

1.8.2 BOX-PLOT

a representao grfica dos 5-nmeros, em que so destacados o intervalo interquartil (dj)
e as observaes discrepantes, ou seja: valores menores que Q dj 1
3
2
ou maiores que
Q dj 3
3
2
+
. (Os
pontos discrepantes so representados por um asterisco ou travesso).
O desenho esquemtico (Figura abaixo) d uma ideia da posio, disperso, assimetria,
caudas e dados discrepantes. A posio central dos valores dada pela mediana e a disperso por dj.
As posies relativas de Q
1
, Q
2
e Q
3
, do uma noo da assimetria. As caudas so as linhas acima e
abaixo do retngulo (ou caixa).

Ls Q
2
= Med
Li
Q
3 Q
1

41
(Q3 + 3/2dj)

LS

Q1

LI

(Q1 - 3/2dj)
Q2 = Med
Q3

Desenho esquemtico do Box-plot

Exemplo 1.27: Os dados abaixo so referentes ao tempo em segundos at uma reao qumica
realizada em 40 tubos de ensaio. Construa um Boxplot e faa uma breve descrio sobre os dados.

47,5 50 50 57,5 60 62,3 63,2 63,56 64,5 65,1 72,2 72,3 74,1 74,8
75,7 76,2 79 79,2 79,3 81,5 82,1 84 85,3 88,1 88,5 90 92,6 94,7
95,5 96 98,3 98,7 99,2 100 101,2 110 122,7 125,9 134,6 136,2

O que vamos precisar:
LI = 47,5
LS = 136,2
1
2
3
1 40
10 elemento = 65,1
4 4
2 40
20 elemento = 81,5
4
3 40
30 elemento = 96
4
o
o
o
x n
Q
Q Mediana
Q

= = =
= = =
= =

dj = Q
3
- Q
1
= 96 65,1 = 30,9.
Me - Li = 81,5 47,5 = 34

Ls - Me = 136,2 81,5 = 54,7
Assim, podemos calcular os limites que informaro se h pontos discrepantes (
3
1
3 3
96 30, 9 142,35
2 2
3 3
65,1 30, 9 18,75
2 2
Q dj
Q dj
| | | |
+ = + =
| |
\ \
| | | |
= =
| |
\ \
Logo, no h nenhum outlier, uma vez que no existe nenhum
segundos ou com tempo inferior a

1. Podemos analisar que 25% dos
e que metade deles houve reao em
reao qumica acima de 81 segundos
2. Analisa-se tambm que 75% dos
25% delas no mnimo 96 s.
3. Chama-se ateno que a reao mais rpida
segundos.
4. No h outliers na distribuio dos dados.

Assim, podemos calcular os limites que informaro se h pontos discrepantes (
96 30, 9 142,35
65,1 30, 9 18,75

, uma vez que no existe nenhuma reao com tempo superior
tempo inferior a 18 segundos. O grfico representado abaixo:

Podemos analisar que 25% dos experimentos tiveram uma reao qumica em
houve reao em at 81 segundos. Assim como na outra
segundos.
se tambm que 75% dos reaes ocorreram no mximo em 96 segundos
a reao mais rpida foi em 47 segundos e a mais demorada,
na distribuio dos dados.

42
Assim, podemos calcular os limites que informaro se h pontos discrepantes (outliers).
empo superior a 142
. O grfico representado abaixo:

experimentos tiveram uma reao qumica em at 65 segundos,
na outra metade, teve
segundos, assim como,
a mais demorada, de 136

43

UNIDADE II
PROBABILIDADE

A Teoria da probabilidade til para analisar situaes que envolvem o acaso. Jogos de
dados e de cartas, ou o lanamento de uma moeda para o ar. As distribuies de probabilidade
incorporam a estatstica descritiva e a teoria da probabilidade. Ambas formam a base da inferncia
estatstica. Algumas aplicaes:
- Na maioria dos jogos esportivos (futebol, basquete, surfe...), at certo ponto;
- Na deciso de parar de imunizar pessoas com menos de 20 anos contra determinada doena;
- Na deciso de arriscar-se a atravessar uma rua no meio do quarteiro;
- Na engenharia, com uso na tomada de decises, sendo aplicado principalmente conceitos de
planejamento de experimentos e amostragem;
- Todas utilizam a probabilidade consciente ou inconscientemente.

2.1 - Experimentos Aleatrios

So experimentos que ao serem repetidos nas mesmas condies no produzem sempre o mesmo
resultado, ou seja, exibem variao nos seus resultados.

Exemplo 2.1: Considere alguns exemplos de experimentos aleatrios, denotados aqui por .
1: Tempo, em horas, at a falha de um equipamento;
2: Nmero de itens defeituosos em uma linha de produo em um perodo de 24 horas;
3: Ocorrncia ou no da ruptura de uma viga a um peso x em toneladas;
4: A sequncia de caras e coroas vericada no lanamento de uma moeda 4 vezes;
5: Lanamento de uma moeda at que aparea cara pela primeira vez.

Embora no sejamos capazes de armar qual o particular resultado deste experimento, poderemos
descrever o conjunto de todo os seus possveis resultados.


44
2.2 - Espao Amostral

Denotado por S ou , denido como o conjunto de todos os possveis resultados de um
experimento aleatrio.

Exemplo 2.2: Consideramos a seguir o espao amostral associado a cada um dos experimentos
citados no Exemplo 2.1.
Tempo, em horas, at a falha de um equipamento;
1 = { t ; t 0 }
Nmero de itens defeituosos em uma linha de produo em um perodo de 24 horas;
2 = {0, 1, ..., n}; sendo n o nmero mximo de itens produzidos em 1 dia.
Ocorrncia ou no da ruptura de uma viga a um peso x em toneladas;
3 = { sim , no }
A sequncia de caras e coroas vericada no lanamento de uma moeda 4 vezes;
4 = {cccc, ccck, cckc, ckcc, kccc, kkkk, kkkc, kkck, kckk, ckkk, cckk, ckck, kckc, kkcc, ckkc, kcck}
Lanamento de uma moeda at que aparea cara pela primeira vez.
5 = {c, kc, kkc, kkkc, kkkkc, ...}

2.3 - Eventos

um subconjunto de um espao amostral.

Exemplo 2.3: Os eventos Ai a seguir referem-se aos espaos amostrais dados no Exemplo 2.2.
Tempo, em horas, at a falha de um equipamento;
A1 = { ocorre falha em menos de 3 horas } A1 = { t, t > 3};
Nmero de itens defeituosos em uma linha de produo em um perodo de 24 horas;
A2 = { menos de 5 itens defeituosos } A2 = { 0, 1, 2, 3, 4 };
Ocorrncia ou no da ruptura de uma viga a um peso x em toneladas;
A3 = { viga com ruptura} A3 = { sim };
A sequncia de caras e coroas vericada no lanamento de uma moeda 4 vezes;
A4 = { somente caras } A4 = { cccc };
Lanamento de uma moeda at que aparea cara pela primeira vez.
A5 = { aparea cara em at 3 lanamentos } A5 = { c, kc, kkc }.

Obs: Tambm so eventos o prprio
conjunto vazio (chamado de evento impossvel
individual de .
Dado que os eventos associados a um espao amostral so por sua vez conjuntos, podemos
efetuar as operaes do tipo: unio, intercesso, complementao e diferena,
s respectivas operaes que se realizam com os subconjuntos de qualquer conjunto abstrato, e
formar a partir destas operaes, novos eventos tais como:
{ ou A x : x B A =
A ou sempre que ocorre B, e somente neste caso.
{ e A x : x B A =
ocorrem A e B simultanea
A
c
= {x : x , x
ocorre, (e no ocorre, se A ocorre). Claramente nota
A B = {x : x A e x
ocorre A e no ocorre B.
Tambm so eventos o prprio (chamado de evento certo, ou seja, sempre ocorre),
evento impossvel, ou seja, nunca ocorre), ou qualquer resultado
unio, intercesso, complementao e diferena,
formar a partir destas operaes, novos eventos tais como:
} B x ou , isto : A B o evento que ocorre sempre que ocorre
A ou sempre que ocorre B, e somente neste caso.

A B
} B x isto : A B o evento que ocorre somente quando
simultaneamente.

A B
A}, isto A
c
o evento contrrio de A, somente ocorre se A no
ocorre, (e no ocorre, se A ocorre). Claramente nota-se que A
c
A =

A e x B}, isto : (A B) o evento que ocorre unicamente quando
ocorre A e no ocorre B.

A-B
A B
A
A
c

45
, ou seja, sempre ocorre), o
, ou qualquer resultado
unio, intercesso, complementao e diferena, de forma semelhante
B o evento que ocorre sempre que ocorre
B o evento que ocorre somente quando
o evento contrrio de A, somente ocorre se A no
A = .
B) o evento que ocorre unicamente quando

46
Quando dois eventos so tais que, eles nunca podem ocorrer simultaneamente, neste caso se
tem que A B = , eles so chamados eventos mutuamente exclusivos ou mutuamente
excludentes, (em termos de conjunto, diramos que so conjuntos disjuntos). Seguem-se exemplos,
para melhor esclarecer do acima exposto.

Ex. 1. Uma fbrica produz processadores para computador. Da linha de produo so
retirados 03 processadores e cada um testado. Classificando como B (bom) ou D (defeituoso). Um
espao amostral associado ao experimento :
= {BBB, DDD, BBD, DBB, DDB, DBD, BDD, BDB}
Ex. 2. Considere o experimento que consiste em selecionar uma famlia aleatoriamente, em
certo distrito do Serid, e verificar o n de filhos que esta famlia j registrou. Um espao amostral
associado a este experimento :
= {0, 1, 2, 3, 4, ...}
Ex. 3. Seja agora o experimento que consiste em retirar uma lmpada de um lote e medir
seu tempo de vida antes de se queimar. Um espao amostral pode ser:
= R
+
, isto , = {t : t 0}
Ex. 4. Um dado lanado e o n que aparece na face superior observado. Um espao
amostral :
= {0, 1, 2, 3, 4, 5, 6}

Com exceo do exemplo 3, que contnuo, todos os demais so espaos amostrais do tipo
chamado discreto. Um espao amostral discreto quando formado por um conjunto contvel
(finito ou infinito). Caso contrrio, ele dito contnuo.
Consideremos novamente o Ex. 1. Sejam os eventos associados a este espao, tais como:
A = obter dois processadores defeituosos. Logo, A = {DDB, DBD, BDD}
B =obter no mnimo 1 processador bom. Logo, B={DDB, DBD, BDD, BBD, BDB, DBB,
BBB}
C = obter no mximo 1 processador defeituoso. Logo, C = {BBB, BBD, BDB, DBB}
Ento poderemos ter, por exemplo, os novos eventos (resultantes das operaes).
A B = {DDB, DBD, BDD} = A
A C = , (portanto A e C so incompatveis ou mutuamente exclusivos ou excludentes).
A C = {BBB, BBD, DBB, DDB, DBD, BDD, BDB}
B
c
= {DDD}, (portanto B
c
um evento elementar).

47
Consideremos agora o exemplo 3 (espao amostral contnuo), e seja A o evento dado por:
A = o tempo de vida da lmpada inferior a 20 horas. Ento, A = {t : 0 t < 20} e A
c
= (t 20}.
Naturalmente que A A
c
= (t : t 0) = o evento certo. E observe que, sempre,
AA
c
=, para qualquer evento A.

Obs: Vale a pena lembrar as leis de MORGAN, referente a lgebra de conjuntos:
(A B)
c
= A
c
B
c
(o complementar da unio igual interseo dos complementares)
(A B)
c
= A
c
B
c
(o complementar da interseo igual unio dos complementares)

2.4 - Resultados Equiprovveis

Muitos experimentos aleatrios sugerem que os distintos resultados de um espao amostral
finito estejam associados, cada um deles, a um mesmo valor p, que representa a probabilidade de
sua ocorrncia. Por exemplo, em um lanamento de um dado honesto se tem que o espao amostral
finito formado por:
= {1, 2, 3, 4, 5, 6}
e cada ponto amostral tem a mesma probabilidade de ocorrncia que ser neste caso, p = 1/6.

Suponha, por exemplo, que sorteamos numa urna com n bolas numeradas, 1, 2, 3, ..., n, uma
bola ao acaso. A probabilidade de cada bola (cada ponto amostral) ser 1/n. Se um evento A,
associado a este espao formado por K pontos, digamos A = 1, 2, ..., 10, (n>10), ento se tem :

1 10
( ) 10 P A
n n
| |
= =
|
\

n de elementos do evento casos favorveis
( )
n de elementos do espao casos possveis
A
P A = =


48
2.5 Definies de Probabilidade

ABORDAGEM CLSSICA

Seja um espao amostral nito, formado por n eventos equiprovveis. Seja A um evento de
com m destes elementos. Ento a probabilidade de A a frao

P(A) = m / n

Exemplo 2.4. Considere o lanamento de um dado honesto. Queremos obter a probabilidade da
ocorrncia de um nmero par.
O espao amostral associado = {1, 2, 3, 4, 5, 6}.
Resultados de disjuntos e equiprovveis. Se denimos A = {nmero par} = {2, 4, 6}, a
probabilidade deste evento dada por P(A) = 3/6 = 1/2.

Exemplo 2.5. Considere o lanamento de duas moedas. Queremos saber a probabilidade do evento
A={duas caras}. Considere o espao amostral 1 = {duas caras, duas coroas, uma cara e
uma coroa}.
Se usamos a denio acima com este espao amostral, diramos que P(A) = 1/3. Esta resposta
falsa, pois os elementos de 1 no so equiprovveis. O espao amostral equiprovvel seria
={cc, ck, kc, kk} e como A = {cc} temos que P(A) = 1/4.

ABORDAGEM FREQUENTISTA

Suponha que lanamos um dado conhecido por favorecer a ocorrncia do nmero 3.
- Os 6 eventos elementares do espao amostral so igualmente provveis?
o NO!
- Qual a probabilidade da ocorrncia do nmero 1?
o A denio clssica no nos ajuda neste caso. Pois os eventos no so equiprovveis.

Limitaes da denio clssica: S se aplica a espaos amostrais nitos e equiprovveis. Assim,
levaram a considerar outra forma de calcular probabilidade de um evento partindo da frequncia
relativa do evento ao se repetir o experimento, n vezes, sob as mesmas condies.

Definio: Podemos denir P(A)
repeties independentes de um experimento, com n tendendo ao in
nmero de vezes em que o evento A ocorreu nas n repeties independentes de um expe
dizemos ento que

Na prtica a probabilidade de A aproximada pela frequncia relativa do evento em um certo
nmero de repeties.

Exemplo 2.6. Considere uma certa
desconhecida. Para se obter essa
independentes de cada lanamento. A Tabela 1 e a Figura 1 a seguir mostram os resultados obtidos.

Figura 1: Frequncia relativa de cara

Tabela 1: Frequncia relativa de cara
n 10 100 200
F(A) 0,800 0,520 0,595

P(A) como o limite da frequncia relativa da ocorrncia de A em n
repeties independentes de um experimento, com n tendendo ao innito, ou seja, se #(A) o
nmero de vezes em que o evento A ocorreu nas n repeties independentes de um expe
#( )
( ) lim
n
A
P A
n
=
Considere uma certa moeda cuja probabilidade de ocorrncia
essa probabilidade, esta moeda submetida
de cada lanamento. A Tabela 1 e a Figura 1 a seguir mostram os resultados obtidos.
Figura 1: Frequncia relativa de cara
de cara
300 ... 1600 1800 2000 2300
0,5000 ... 0,506 0,509 0,501 0,496

49
como o limite da frequncia relativa da ocorrncia de A em n
nito, ou seja, se #(A) o
nmero de vezes em que o evento A ocorreu nas n repeties independentes de um experimento,
ocorrncia de cara
submetida a n repeties
de cada lanamento. A Tabela 1 e a Figura 1 a seguir mostram os resultados obtidos.

2300 2600
0,496 0,499

50
ABORDAGEM AXIOMTICA

A abordagem axiomtica motivada pelas denies clssica e frequentista. Ela representa uma
proposta para dar teoria da probabilidade uma base matemtica slida. Assim, nesta abordagem
que se baseiam as propriedades estabelecidas daqui em diante.
Este conceito de probabilidade se estabelece a partir de uma funo real P(A), definida sobre
os eventos associados a um espao amostral, a qual faz corresponder a cada subconjunto A, de
(sendo este subconjunto um evento), um n real, tal que cumpra os seguintes axiomas:
a) 0 P(A) 1
b) P() = 1
c) Se A e B so eventos mutuamente exclusivos, isto A B = , ento se tem que
P(AB) = P(A) + P(B).

Obs: Esta definio axiomtica mais abrangente que a regra de Laplace, dado que a definio
clssica se limita aos espaos amostrais finitos equiprovveis.

Teoremas Fundamentais do Clculo das Probabilidades
a) Se um conjunto vazio, ento P( ) = 0;
b) Sejam A e B eventos quaisquer, ento P(A B) = P(A) + P(B) P(A B);
c) Se A
c
o complementar de A, ento P(A
c
) = 1 P(A);
d) Se A B ento P(A) P(B);

2.6 - Probabilidade Condicional

Sejam A e D, eventos quaisquer, associados a um espao amostral sendo P(D) > 0. Muitos
problemas envolvem o clculo da probabilidade da ocorrncia de A, quando j se tem a informao
de que houve a ocorrncia de D. Isto , a probabilidade de A ser calculada considerando-se a
condio de que j houve a ocorrncia de D. Esta nova informao (de que D ocorreu) equivale a
restringir o espao amostral, que agora ser considerado como o conjunto dos pontos amostrais que
formam o evento D. A probabilidade de A, dentro desta condio, chama-se probabilidade
condicional de A, dado que D ocorreu. Na qual ser escrita sob a forma: P(A / D), sendo definida
como:

51
) D ( P
) D A ( P
) D / A ( P

= , com P(D) > 0

Desta relao acima, obtemos a chamada REGRA DO PRODUTO DE PROBABILIDADE,
dada por:
P(A D) = P(D) P(A / D) ou P(A D) = P(A) P(D / A)

Esta regra pode ser estendida para mais de dois eventos: Sejam A
1
, A
2
, , A
n
eventos quaisquer
associados a , ento:

P(A
1
A
2
... A
n
) = P(A
1
)P(A
2
/A
1
)P(A
3
/A
1
A
2
) ... P(A
n
/A
1
A
2
A
n-1
)

Exemplo 2.7: Um par de dados honestos lanado. Qual a probabilidade de ocorrer o n 2 em
pelo menos um dos dados, se j tem a informao de que ocorreu que a soma dos n igual a seis?

Soluo:
Sejam os eventos: A: a soma dos dois dados 6
B: ocorre o n 2 em pelo menos um dos dados
) A ( P
) B A ( P
) A / B ( P

=
# = 6 x 6 = 36
A = {(1,5), (2,4), (3,3), (4,2), (5,1)} # A = 5 P(A)=5/36
B = {(2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (1,2), (3,2), (4,2), (5,2), (6,2)} # B = 11 P(B)=11/36
A B = {(2,4), (4,2)} # (A B) = 2 P(A B) = 2/36
Portanto,
2
( ) 2
36
( / )
5
( ) 5
36
P A B
P B A
P A
= = = .

Exemplo 2.8: Consideremos novamente o lanamento de dois dados honestos. Qual a
probabilidade de ocorrer a soma igual a 6, sabendo-se que em um dos dados apareceu o n 2?
Soluo:
Agora pede-se P(A/B). Portanto
2
( ) 2
36
( / )
11
( ) 11
36
P A B
P A B
P B
= = = .

52
Exemplo 2.9: Para a 3 avaliao de estatstica, um professor indica os 10 primeiros captulos do
livro adotado e diz que elaborar 10 problemas, numerados de 1 a 10, onde cada um deles ser
baseado no respectivo captulo a ser estudado (ex: problema 1 captulo 1, etc.) O professor avisa
que a prova constar de apenas 3 destes 10 problemas, os quais sero sorteados no incio da
avaliao aleatoriamente, um aps outro, entre 10 papeizinhos numerados de 1 a 10, que
correspondero aos respectivos problemas. Um estudante, por causa da festa da padroeira, somente
estudou os 4 primeiros captulos.
a) Qual a probabilidade de que caia na avaliao somente captulos que ele tenha estudado?
b) Qual a probabilidade de que somente no 3 sorteio (a 3 questo) caia exatamente um
ponto que ele no estudou?
Soluo:
Sejam os eventos:
A
1
= No 1 sorteio cai um ponto que ele estudou
A
2
A
3
B = No 3 sorteio cai um ponto que ele no estudou
a) (A
1
A
2
A
3
) = P(A
1
)P(A
2
/A
1
)P(A
3
/A
1
A
2
) = 4/10 3/9 2/8 = 1/30
b) (A
1
A
2
B) = P(A
1
)P(A
2
/A
1
)P(B/A
1
A
2
) = 4/10 3/9 6/8 = 1/10

Exerccio 2.1: Discos de plstico de policarbonato, provenientes de um fornecedor, so analisados
com relao resistncia a arranhes e a choque. Os resultados de 130 discos esto resumidos a
seguir:

RESISTNCIA AO CHOQUE
Alta Baixa
RESISTNCIA A
ARRANHES
Alta 90 9
Baixa 16 15

Determine as seguintes probabilidades:
1) Probabilidade de o disco ter alta resistncia a choque.
2) Probabilidade de o disco ter alta resistncia a choque sabendo que o disco tem alta
resistncia a arranhes.
3) Probabilidade de o disco ter alta resistncia a arranhes.
4) Probabilidade de o disco ter alta resistncia a arranhes sabendo que ele tem alta resistncia
a choque.

53
2.7 - Eventos Independentes

Definio: Um evento A considerado independente de um outro evento B se a probabilidade de A
igual a probabilidade condicional de A dado B, isto :
P(A) = P(A/B)
Naturalmente, que, se A independente de B, B tambm independente de A, desta forma:
P(B) = P(B/A)
A partir do teorema do produto podemos afirmar que se os eventos A e B so independentes ento
se tem: P(A B) = P(A) P(B)
Tm-se n eventos: A
1
, A
2
, , A
n
, diremos que eles so independentes se e somente se, eles forem
independentes dois a dois; trs a trs; quatro a quatro; n a n.

P(A
1
A
2
) = P(A
1
) P(A
2
)
P(A
1
A
2
A
3
) = P(A
1
) P(A
2
) P(A
3
)
P(A
1
A
2
A
3
A
4
) = P(A
1
) P(A
2
) P(A
3
) P(A
4
)
. . . . .
. . . . .
. . . . .
P(A
1
A
2
... A
n
) = P(A
1
) P(A
2
) ... P(A
n-1
) P(A
n
)

Exemplo 2.10: Um lote de 165 chips semicondutores contm 40 itens defeituosos. Dois deles so
selecionados, ao acaso, sem reposio.
a) Qual a probabilidade de que o primeiro chip selecionado seja defeituoso?
b) Qual a probabilidade de que o segundo chip selecionado seja defeituoso, sabendo que o
primeiro deles foi defeituoso?
c) Qual a probabilidade de que ambos sejam defeituosos?
d) Como a resposta do item (b) mudaria se os chips selecionados fossem repostos antes da
primeira seleo?
e) Caso realizssemos um sorteio com reposio de 5 chips semicondutores, qual a
probabilidade do 1, 2 e o 5 serem defeituosos e os demais no serem defeituosos?

54
Soluo:
Sejam os eventos:
D: {O chip selecionado defeituoso} ND: {O chip selecionado NO defeituoso}
a) P(D1) = 40/165 = 24,24%
b) P(D2|D1) = 39/164 = 23,78%
c) P(D1D2) = P(D1) P(D2|D1) = 0,2424 0,2378 = 5,76%
d) n = 2 COM Reposio Eventos independentes
P(D2|D1) = P(D2) = P(D1) = 24,24%
a) n = 5 COM Reposio P(D1D2 ND3 ND4 D5)
P(D1)P(D2|D1)P(ND3|D1D2 )P(ND4|D1D2 ND3)P(D5|D1D2 ND3 ND4)
Sob independncia P(D1)P(D2)P(ND3)P(ND4)P(D5)
(0,2424)
3
(125/165)
2
= (0,0142)(0,5739) = 0,0081 = 0,81%

2.8 Varivel Aleatria Unidimensional

Ao descrever um espao amostral de um experimento, no especificamos que um resultado
individual necessariamente seja um nmero. Por exemplo, ao descrever uma pea manufaturada,
podemos empregar apenas as categorias defeituosa e no defeituosa. Tambm, ao observar a
temperatura durante o perodo de 24 horas, podemos simplesmente registrar a curva traada pelo
termgrafo. Contudo, em muitas situaes experimentais, estaremos interessados na mensurao de
alguma coisa e no seu registro como um nmero. Mesmo nos casos mencionados acima, poderemos
atribuir um nmero a cada resultado (no numrico) do experimento. Por exemplo, poderemos
atribuir o valor 1 (um) s peas perfeitas e o valor 0 (zero) s defeituosas. Poderemos registrar a
temperatura mxima do dia, ou a temperatura mnima, ou a mdia das temperaturas mxima e
mnima. Consideremos um experimento aleatrio , e seja o espao amostral associado a este
experimento.

Definio: Varivel aleatria (que escrevemos de modo abreviado: v.a.) num espao amostral ,
uma funo x, que associa , (isto , a cada
), um n real, X(). Ver Figura abaixo.


55

X R
X()

Como foi visto anteriormente em classificao de tipo de variveis numricas, as variveis
aleatrias podem ser de dois tipos: discretas ou contnuas.

Exerccio 2.2: Classifique com relao ao tipo de varivel aleatria:
a) Tempo, em horas, at a falha de um equipamento;
b) Ocorrncia ou no de hipertenso em um paciente;
c) Idade de pacientes de uma clnica de Pediatria;
d) Contgio ou no de uma doena;
e) Nmero de pessoas contagiadas com um vrus;
f) Nvel de colesterol no sangue de um paciente;

A partir do estudo das variveis aleatrias, foram definidos modelos probabilsticos (discretos e
contnuos) para as principais situaes do cotidiano. Destes, estudaremos a seguir trs modelos:

2.9 - Modelos de Probabilidade Discretos

Em muitos problemas tericos e aplicados, e a primeira vista, sob diversas condies, vrias
funes de probabilidade aparecem com tanta frequncia que merecem ser estudadas. Nesta
Unidade, estudaremos o Modelo de Probabilidade Discreto de Bernoulli e Binomial.

2.9.1 - Distribuio de Bernoulli

Um experimento ou ensaio de Bernoulli um experimento aleatrio cujo resultado pode ser
classicado em duas categorias, chamadas de sucesso e fracasso. Uma v.a. que associa o valor
1 (com probabilidade p) ocorrncia de sucesso e o valor 0 (com probabilidade 1-p) ocorrncia de
fracasso em uma realizao de um ensaio de Bernoulli dita ter distribuio de Bernoulli.


56
Exemplo 2.11: Suspeita-se que uma molstia contagiosa possa ter atingido os moradores de uma
regio. Cada morador da regio classificado conforme tenha sido contagiado ou no.
Evento de interesse (Sucesso): A pessoa examinada foi contagiada.
Fracasso: A pessoa examinada NO foi contagiada.

Exemplo 2.11: Uma operao de enchimento tente encher embalagens de detergentes at o peso
especificado.
Evento de interesse (Sucesso): A embalagem do detergente est com o peso especificado.
Fracasso: A embalagem do detergente NO est com o peso especificado.

Exemplo 2.12: Dentre os portadores de um determinado vrus, foram avaliados, aps a aplicao de
uma nova vacina teste, se cada um obteve cura ou no no determinado vrus.
Evento de interesse (Sucesso): O portador obteve a cura aps a aplicao da nova vacina.
Fracasso: O portador do vrus NO obteve a cura aps a aplicao da nova vacina.

A funo de probabilidade da distribuio de Bernoulli dada por:
( ) ( )
1
1 , 0,1.
x
x
P X x p p x
= = =

em que p[0, 1].
Usaremos a notao X ~ Bernoulli (p). Observe que poderamos tambm representar a distribuio
de X coma tabela abaixo:
X 0 1
P(X) 1 - p p

Esperana (mdia) e Varincia
Se X ~ Bernoulli (p)
( ) ( )
1
1 , 0,1
x
x
P X x p p x
= = = , logo ;
p X E = ) (
pq X Var = ) (

Exemplo 2.13: Uma empresa de cimento tm no estoque 10 sacos que foram produzidos a 3
semanas, 20 sacos que foram produzidos a 2 semanas e 20 sacos produzidos a 3 dias. Retira-se um
saco de cimento do estoque. Seja X o evento em que o saco de cimento foi fabricado a 3 dias.
Determine a probabilidade de sucesso e fracasso.

57
Soluo:
1, se o saco de ciemnto foi fabricado a 3 dias;
0, se o saco de ciemento NO foi fabricado a 3 dias.
X

=

Podemos calcular a distribuio de X pela sua frmula de distribuio de probabilidade, sendo esta
calculada abaixo:
( ) ( )
1
1 , 0,1
x
x
P X x p p x
= = =
( )
0 1 0
20 20
0 1 1 0, 6 0, 6
50 50
P X
| | | |
= = = =
| |
\ \

( )
1 1 1
20 20
1 1 0, 4 1 0, 4
50 50
P X
| | | |
= = = =
| |
\ \

Logo, a distribuio de X pode ser representada por:
X 0 1
P(X) 0,6 0,4

Podemos calcula tambm a esperana e varincia da v.a. X:
E(X)=p=0,4;
Var(X)=p(1-p)=0,4(1-0,4)=0,24.

2.9.2 - Distribuio Binomial

Consideremos n tentativas de um mesmo experimento aleatrio. Cada tentativa admite
apenas dois resultados: fracasso com probabilidade q e sucesso com probabilidade p, p + q = 1. As
probabilidades de sucesso e fracasso so as mesmas para cada tentativa.
Seja X: n de sucessos de n tentativas independentes. Vamos determinar a funo de
probabilidades da varivel X, isto , P(X = k).
Um resultado particular (RP) seria:

k n k
F ... FFF S ... SSS

Logo, a probabilidade de ocorrer esse resultado particular dada por:
P(RP) = P(SSS ... SFFF ... F) =

k n k
q ... qq p ... p . p

Considerando todas as n-plas com k sucessos, temos:
( ) .
k n k
n
P X k p q
k
| |
= =
|
\


58
em que
X = Nmero de sucessos variando de 1 at n;
p = Probabilidade de sucesso em cada repetio;
1-p = Probabilidade de fracasso em cada repetio;
n = Nmero de repeties
A varivel X tem distribuio Binomial, com parmetros n e p, e indicaremos pela notao
X~Binomial (n, p).

Se X ~ Binomial ( n, p ) ( ) .
k n k
n
P X k p q
k
| |
= =
|
\
, logo ;
E( X ) = np
Var( X ) = npq= np(1-p)

O nmero esperado ou esperana de sucessos na distribuio Binomial facilmente encontrado.
Intuitivamente, analise as duas perguntas a seguir:

- Se lanarmos uma moeda 100 vezes, qual o nmero esperado de caras (p=1/2)?
- Se lanarmos um dado 600 vezes, qual o nmero esperado de faces 5 (p=1/6)?
Soluo:
1) X~Binomail (100; 0,5) E(X)=np=1000,5=50.
Assim, se lanarmos uma moeda 100 vezes, esperamos que ocorram 50 caras. (Obs: Isso
quando estamos supondo que a moeda honesta, ou seja, a probabilidade de cara e coroa a
mesma, que nessa situao igual a 1/2).
2) X~Binomail (600; 1/6) E(X)=np=600(1/6)=100.
Assim, se lanarmos um dado 600 vezes, esperamos que o nmero de faces 5 ocorra 100
vezes.

Exemplo 2.14: Uma prova tem 10 questes independentes de igual pontuao. Cada questo tem 5
alternativas. Apenas uma das alternativas a correta. Se um aluno resolve a prova respondendo a
esmo as questes, qual a probabilidade de tirar nota 6?


59
Soluo:
X = n de acertos. X = 0, 1, .........., 10
p = Probabilidade (acerto) = 1/5 X~Binomial( 10, 1/5 )

( )
6 10 6
10
1 4
6 0,0055=0,55%
6 5 5
k n k
n
P X p q
k
| | | |
| | | |
= = = =
| | | |
\ \
\ \

Podemos calcula tambm a esperana e varincia da v.a. X:

E(X)=np=10(1/5)=2;
Var(X)=np(1-p)=10(1/5)(1-1/5)=100,20,8=1,6.

Exemplo 2.15: Um engenheiro qumico resolveu testar oito bicos de
bunsen que acabaram de chegar de uma compra realizada para seu
laboratrio. Ele selecionou aleatoriamente 5 itens, sendo desses, 4
estavam funcionando perfeitamente. Caso ele deseje analisar outros 10
bicos de bunsen que foram comprados para outro laboratrio, calcule:
A probabilidade de exatamente sete estarem funcionando
corretamente?
Qual a probabilidade de que at dois estejam funcionando
corretamente?
Qual a probabilidade de que nenhum esteja funcionando corretamente?
Qual a probabilidade de que metade dos bicos de bunsen estejam funcionando
corretamente?
Qual a probabilidade de que ao menos nove bicos de bunsen estejam funcionando
corretamente?

Soluo:
a) Seja X = {n de bicos de bunsen que esto funcionando corretamente dentre os 10 testados no
laboratrio}. X = 0, 1, ..., 10.
p = P( sucesso ) = P (o bico de bunsen est funcionando corretamente) = 4/5 = 0,8.
Assim, podemos definir X como: X ~ Binomial (n = 10; p = 0,8) .

60
( )
( )
( ) ( ) ( )
7 10 7
7 3
10
4 1
P 7 . .
7 5 5
10! 4 1
. =
10 7 !7! 5 5
= 120 0,2097152 0,008 0,201326592=20,13%
X
| |
| | | |
= = =
| | |
\ \
\
| |
| | | |
=
|
| |
|
\ \
\
=

( )
4
10 8
5
E X n p = = = ( )
4 1
10 1, 6
5 5
Var X n p q = = =
b) Nesse, a probabilidade procurada se dar por:
P(at 2 dois bicos de bunsen esto funcionando corretamente) = P(X2) =
= [P(X=0) + P(X=1) + P(X=2)]
Assim, temos:
( ) ( ) ( ) ( ) ( ) ( )
0 10 0 10
10
0 0, 8 1 0, 8 1 1 0, 2 0,0000001024=0,00001%
0
P X
| |
= = = =
|
\

( ) ( ) ( ) ( ) ( ) ( )
1 10 1 9
10
1 0,8 1 0, 8 10 0, 8 0, 2 0,000004096=0,0004%
1
P X
| |
= = = =
|
\

( ) ( ) ( ) ( ) ( ) ( )
2 10 2 8
10
2 0, 8 1 0, 8 45 0, 64 0, 2 0,000073728=0,007%
2
P X
| |
= = = =
|
\

( ) ( ) ( ) ( ) 2 0 1 2
0,00001% 0,0004% 0,007% 0,00741%
P X P X P X P X = = + = + = =
= + + =

c)
( ) ( ) ( )
( ) ( ) ( )
0 10 0
10
10
0 0, 8 1 0,8
0
1 1 0, 2 0,0000001024=0,00001%
P X
| |
= = =
|
\
= =

d) P(metade dos itens esto funcionando corretamente) = P(X=5)
( ) ( ) ( )
( ) ( ) ( )
5 10 5
10
5 0, 8 1 0, 8
5
252 0,32768 0,00032 0,025690112 2, 56%
P X
| |
= = =
|
\
= = =


61
e) P(ao menos 9 bicos de bunsen esto funcionando corretamente) = P(X9) = [P(X=9) + P(X=10)]

( ) ( ) ( )
( ) ( ) ( )
9 10 9
1
10
9 0, 8 1 0, 8
9
10 0,134217728 0, 2 0,2684=26,84%
P X
| |
= = =
|
\
= =

( ) ( ) ( )
( ) ( ) ( )
10 10 10
10
10 0,8 1 0,8
10
1 0,1073741824 1 0,1073741824=10,74%
P X
| |
= = =
|
\
= =

( ) ( ) ( ) 9 9 10
26, 84% 10, 74% 37, 58%
P X P X P X = = + = =
= + =

Exerccio 2.3: Um produto eletrnico contm 40 circuitos integrados. O fabricante declarou que 1 a
cada 50 defeituoso. Os circuitos integrados so independentes. O produto opera somente se
houver at dois circuitos integrados defeituosos.
a) Qual a probabilidade de que o produto opere?
b) Qual a probabilidade de que o produto no opere?

2.9.3 - Distribuio de Poisson

Consideremos a probabilidade de ocorrncia de sucessos em um determinado intervalo.
A probabilidade da ocorrncia de um sucesso no intervalo proporcional ao intervalo. A
probabilidade de mais de um sucesso nesse intervalo bastante pequena com relao
probabilidade de um sucesso.
Por exemplo: automveis que passam numa esquina. Poderemos num determinado intervalo
de tempo anotar o n de carros que passaram, porm, o n de carros que deixaram de passar pela
esquina no poder ser determinado.
Seja X o n de sucessos no intervalo ento:
! k
. e
) k X ( P
k
= =

E( X ) =
Var( X ) =

62
Exemplo 2.16: Uma central telefnica recebe em mdia 5 chamadas por minuto. Suponha que as
chamadas seguem uma distribuio de Poisson. Calcule a probabilidade de:
a) No receber chamadas em um minuto;
b) Receber no mximo duas chamadas em quatro minutos;
c) Receber duas chamadas em trinta segundos;
d) Receber cinco chamadas em trinta segundos;
e) Receber trs chamadas em dois minutos.

Soluo:

Letra (a):
Seja X = o nmero de chamadas que chegam em t minutos, com distribuio de Poisson com
parmetro =5t.
( )
( )
0
5
5
5 1 5
5
0 0, 00673
0!
e
P X e
= =
= = = =

Letra (b):
( ) ( ) ( ) ( )
5 4 20
2 0 1 2 0, 000000455 P X P X P X P X
= =
= = + = + = =

( )
( )
( )
( )
( )
( )
0
20
1
20
2
20
20
0
0!
20
1
1!
20
2
2!
e
P X
e
P X
e
P X
= = =
= = =
= = =

Letra (c):
( )
( )
( )
2
2,5
5 0, 5 2, 5
2, 5
2 0, 256
2!
e
P X
= =
= = =


63
Letra (d):
( )
( )
( )
5
2,5
5 0, 5 2, 5
2, 5
5 0, 067
5!
e
P X
= =
= = =

Letra (e):
( )
( )
3
10
5 2 10
10
3 0, 0075
3!
e
P X
= =
= = =

Exerccio 2.4: O nmero de falhas na superfcie de painis de plstico usados no interior de
automveis tem uma distribuio de Poisson, com uma mdia de 0,05 falha por p quadrado de
painel de plstico. Considere que o interior de uma automvel contm 10 ps quadrados de painel
plstico. Calcule:
e) Probabilidade de no haver falha na superfcie do interior do automvel.
f) Se 10 carros forem vendidos para uma companhia de aluguel de carros, qual ser a
probabilidade de nenhum dos 10 carros ter qualquer falha na superfcie?
g) Se 10 carros forem vendidos para uma companhia de aluguel de carros, qual ser a
probabilidade de no mximo dois carros terem qualquer falha na superfcie?

2.10 - Principais Distribuies Contnuas

2.10.1 - Distribuio Uniforme
Se X uma varivel aleatria contnua com funo de densidade de probabilidade:
1
, se ( , )
( )
0, caso contrrio
X a b
f X b a

Ento dizemos que X tem distribuio uniforme no intervalo (a, b).

Exemplo 2.17: A dureza de uma pea de ao pode ser pensada como sendo uma varivel aleatria
com distribuio uniforme no intervalo (50; 70) da escala de Rockwell. Calcular a probabilidade de
que uma pea tenha dureza entre 55 e 60.

64
Soluo:
Definindo X = Dureza de uma pea de ao, temos:
1
, se (50, 70)
( ) 70 50
0, caso contrrio
X
f X

Logo:
( )
60
55
60
1 5 1
55 60
55 20 20 20 4
x
P X dx = = = =

( )
2
a b
E X
+
=
( )
( )
2
12
b a
Var X

=

Exerccio 2.5: O peso lquido, em libras, de um pacote com herbicida qumico uniforme no
intervalo de 49,75 a 50,25 libras. Determine:
a) Mdia e varincia do peso dos pacotes;
b) Probabilidade de um pacote de herbicida ter peso inferior a 50,1 libras.

2.10.2 - Distribuio Exponencial

A distribuio exponencial envolve probabilidades ao longo do tempo ou da distncia entre
ocorrncias num intervalo contnuo. Por exemplo, a exponencial usada como modelo do tempo
entre falhas de equipamento eltrico, tempo entre a chegada de clientes a um supermercado, tempo
entre chamadas telefnicas, etc. H estreita relao entre a distribuio exponencial e a de Poisson.
Na verdade, se um processo de Poisson tem mdia de ocorrncias durante um intervalo, o espao
(ou tempo, etc) entre ocorrncias naquele intervalo de 1/. Por exemplo, se as chamadas
telefnicas ocorrem em mdia razo de 6 por hora, ento o tempo mdio entre as chamadas ser
de 1/6 de hora, ou 10 minutos.
Uma varivel aleatria X tem distribuio Exponencial de probabilidade se a sua f.d.p.
dada por:


65
<

=

0 x se 0
0 x se e
) x ( f
x
o grfico da f.d.p. de X :

0
( ) | 1
0
x X
e dx e

= =

( )
1
E X
=
( )
2
1
Var X
=

Exemplo 2.18: Uma fbrica de tubos de TV determinou que a vida mdia dos tubos de sua
fabricao de 800 horas de uso contnuo e segue uma distribuio exponencial. Qual a
probabilidade de que a fbrica no tenha que substituir um tubo gratuitamente, se oferece uma
garantia de 300 horas de uso?
Soluo:
X: vida til dos tubos de TV e E(X) = 800
Como ( )
1 1 1
800
800
E X

= = =
Logo
1
800 1
800
, 0
( )
0 , 0
x
e se x
f x
se x

=

<

300
1 1
800
800 800
300
3/8
0
300
1
(0 300) ( ) 1 1 0, 3127
0 800
x X
P X e dx e e e

< < = = = + = =


66
Exerccio 2.6: Certo tipo de fusvel tem durao de vida que segue uma distribuio exponencial
com vida mdia de 100 horas. Qual a probabilidade de um fusvel durar mais de 150 horas?

2.10.3 Distribuio Normal

Definio: Dizemos que a v. a. X tem distribuio normal com parmetros e
2
, e + < <
+ < <
2
0 , se sua f.d.p. dada por
2
2
2
) x (
e .
2
1
) x ( f

=
, + < < x

Grfico: A figura abaixo ilustra uma particular curva normal, determinada por valores particulares
de e
2
.

Pode-se demonstrar que:
a) E(X) =
b) Var(X) =
2

c) f(x) 0 quando x
d) - e + so pontos de inflexo de f(x);
e) x = ponto de mximo de f(x), e o valor mximo
2
1
;
f) f(x) simtrica ao redor de x = , isto , f( + x) = f( - x), para todo + < < x

A distribuio normal, independente dos valores dos parmetros, apresenta sempre a seguinte
relao:

Se X tem distribuio normal, com mdia

Entendendo os parmetros da distribuio Normal:

1) A mdia informa o centro da distribuio. um parmetro de locao.
2) O desvio-padro informa o formato da curva.

A Normal-Padro
Para o clculo das probabilidades, surgem
1) Para integrao de f(x), pois para o clculo necessrio o desenvolvimento em sries;
2) Seria a elaborao de uma tabela de probabilidades, pois f(x) depende de dois parmetros,
fato este que acarretaria um grande trabalho para tabel
se as vrias combinaes de
Se X tem distribuio normal, com mdia e varincia
2
, escreveremos: X~N(
Entendendo os parmetros da distribuio Normal:
A mdia informa o centro da distribuio. um parmetro de locao.
informa o formato da curva.
Para o clculo das probabilidades, surgem dois grandes problemas:
Para integrao de f(x), pois para o clculo necessrio o desenvolvimento em sries;
Seria a elaborao de uma tabela de probabilidades, pois f(x) depende de dois parmetros,
fato este que acarretaria um grande trabalho para tabelar essas probabilidades considerando
se as vrias combinaes de e
2
.

67

X~N(,
2
).
A mdia informa o centro da distribuio. um parmetro de locao.

Para integrao de f(x), pois para o clculo necessrio o desenvolvimento em sries;
Seria a elaborao de uma tabela de probabilidades, pois f(x) depende de dois parmetros,
ar essas probabilidades considerando-

68
Os problemas foram solucionados por meio de uma mudana de varivel obtendo-se, assim,
a distribuio normal padronizada ou reduzida: Quando = 0 e
2
= 1, temos uma normal padro
ou reduzida, e escrevemos: N(0,1). Se X~N(,
2
), ento a v.a. Z definida por

=
X
Z ter uma distribuio N(0,1).

fcil demonstrar que Z tem mdia 0 e varincia 1. A normalidade de Z j no imediata e no
ser provada aqui. A figura abaixo ilustra a N(0,1).

Uma das propriedades associadas distribuio normal a sua capacidade para predizer as
probabilidades de encontrar um valor entre dois nmeros quaisquer.

As probabilidades associadas distribuio normal so facilmente obtidas em tabelas.
Vejamos alguns exemplos:
Com vemos na figura a seguir a rea total sob a curva vale 1. Isto significa que a
probabilidade de ocorrer qualquer valor real 1. A curva simtrica em torno da mdia zero. A
probabilidade de ocorrer valer maior que zero 0,5, mas qual seria a probabilidade de ocorrer valor
entre zero e z = 1,25 ?


69

Probabilidade de ocorrer valor entre zero e z=1,25

A probabilidade da ocorrncia do valor entre zero e z = 1,25, corresponde rea pontilhada na
figura acima. Podemos encontrar esta probabilidade na tabela de distribuio normal (Tabela do
ANEXO A). Como usar esta tabela?

- Localizar na 1
a
coluna o valor 1,2
- Na 1
a
linha, est o valor 5.
- n
0
1,2 compe com o algarismo 5, o n
0
z = 1,25.
- No cruzamento da linha 1,2 com a coluna 5 est o nmero 0,3944. Est a probabilidade
(39,44%) do ocorrer valor entre zero e z= 1,25.


70

0 1 2 3 4 5 6
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772

0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454
0,7 0,2580 0,2611 0,2642 0,2673 0,2703 0,2734 0,2764
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315

1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279
Tabela da Distribuio Normal Padro
Verso Reduzida (Verso completa no ANEXO A)

Exemplo 2.19: Suponhamos que o comprimento de um tubo de PVC tem distribuio normal com
mdia de 200cm e desvio padro de 20 cm. Veja o grfico desta distribuio.

Distribuio normal do comprimento de um tubo de PVC

71
Qual a probabilidade de um tubo apresentar comprimento entre 200 e 225 cm. Est probabilidade
corresponde a figura a seguir.

Probabilidade de taxa de colesterol entre 200 e 225

Para calcular a probabilidade associada distribuio normal, usa - se a frmula:

X
Z

=
- = mdia; = desvio padro
- X = valor pesquisado

A estatstica Z (Standard score) baseia-se na curva normal. Ela mede quanto um
determinado resultado (valor) afasta-se da mdia em unidades de desvio-padro. Um resultado cujo
valor coincide com a mdia tem escore z=0.
Como a quantidade de colesterol tem distribuio normal com mdia = 200 e desvio
padro () de 20, a varivel

Z = X - 200 tem distribuio normal reduzida.
20
Nesta distribuio, a mdia zero e, ao valor X = 225, corresponde:

Z = X - 200 = 1,25
20

72
Consultando a Tabela do ANEXO A da distribuio normal padro, vemos que a probabilidade de
Z assumir valor entre zero e z = 1,25 de 0,3944 ou 39,44%.

Exemplo 2.20: Referente ao Exemplo .19, qual a probabilidade do tubo de PVC apresentar menos
do que 190 cm de comprimento. Para resolver este problema, preciso "reduzir" o valor X = 190
para uma normal padro. Assim, temos:

Z = 190 - 200 = - 0,50 .
20

A probabilidade de z assumir o valor menor que z = - 0,50 igual a probabilidade de ocorrer valor
maior do que z = 0,50 (fato este pela normal ser simtrica em torno do zero). Consultando o
ANEXO A da distribuio normal reduzida, vemos que no cruzamento entre a linha e a coluna, na
primeira coluna, temos o valor 0,5 e na primeira linha o valor zero para compor o nmero z = 0,50,
em que est o valor 0,1915; que a probabilidade de ocorrer valor zero e z = 0,50. Como a
probabilidade de ocorrer valor maior do que a mdia zero 0,5, a probabilidade pedida dada por:
0,5 - 0,1915 = 0,3085 ou 30,85%.

Exerccio 2.7: Sabendo a quantidade de calcrio por 100kg de cimento CP II F do tipo Composto
uma varivel aleatria com distribuio normal de mdia =16 kg e desvio padro =1,75 kg.
Calcule a probabilidade de numa amostra de 1000kg desse cimento apresentar de 13 a 18kg de
calcrio.

Exerccio 2.8: Seja Z uma varivel aleatria Normal Padro, determine:

a) P(Z = 0)
b) P(Z 0)
c) P(Z < 1,96)
d) P( Z -1,89)
e) P(Z > -1,89)
f) P(Z > -2,33)
g) P( Z 2,8)
h) P(0,16 < Z < 2,08)
i) P( -1,15 Z 2,37)
j) P( Z > 4,88)


73
2.10.4 - Distribuio t de Student

A Distribuio t de Student trata-se de um modelo de distribuio contnua que se assemelha
distribuio normal padro, N(0,1). Ela utilizada particularmente, quando se tem amostras com
tamanhos inferiores a 30 elementos ou quando no conhecemos o desvio-padro populacional.
Diferente da Normal que necessita apenas do nvel de significncia , alm do valor de , a
distribuio t possui um parmetro adicional chamado "grau de liberdade".

Se a distribuio de uma populao essencialmente normal (com a forma
aproximadamente de um sino), ento a distribuio de
n / s
X
t

=
, com (n-1) graus de liberdade,

essencialmente uma distribuio t de Student para todas as amostras de tamanho n. A
distribuio t de Student, geralmente conhecida como distribuio t, utilizada na determinao de
valores crticos denotados por
2 /
t
.
A tabela da t (Tabela do ANEXO B) relaciona valores da distribuio t juntamente com
reas denotadas por . Os valores de
2 /
t
so obtidos localizando o nmero adequado de graus de

liberdade ((n-1) gruas de liberdade).

OBS: O nmero de graus de liberdade para um conjunto de dados corresponde ao nmero de
valores que podem variar aps terem sido impostas certas restries a todos os valores.

PROPRIEDADES IMPORTANTES DA DISTRIBUIO t DE STUDENT:
1. A distribuio t de Student tem a mesma forma geral simtrica (curva em forma de sino) que a
distribuio normal, mas reflete maior variabilidade que esperada em pequenas amostras. Ver
Figura abaixo.

74

2. A distribuio t de Student tem mdia t = 0 (tal como a normal padronizada, com mdia Z = 0).
3. O desvio-padro da distribuio t de Student varia com o tamanho da amostra, mas superior a
1 (ao contrrio da distribuio normal padronizada).
4. Na medida em que aumenta o tamanho da amostra, a distribuio t de Student se aproxima mais
e mais da distribuio normal padronizada. Para valores n > 30, as diferenas so to pequenas
que podemos utilizar os valores crticos Z.

CONDIES PARA A UTILIZAO DA DISTRIBUIO t DE STUDENT
1. O tamanho da amostra pequeno 30 n ;
2. desconhecido;
3. A populao original tem distribuio essencialmente normal (como a distribuio da
populao original normalmente desconhecida, estimamos construindo um histograma dos
dados amostrais ou realizando algum teste de normalidade como o teste de Shapiro-Wilk).

GRAUS DE LIBERDADE DE UMA ESTATSTICA:
Sabe-se que, a varincia de uma amostra deve ser calculada por
( )
2
2 1
1
n
i
i
x x
S
n
=
.
A necessidade dessa correo esta relacionada com o nmero de g.l., por exemplo:

75
1
n
i
i
x
X
n
=
= =
e
( )
2
2 1
n
i
i
x
n

so estatsticas com "n" graus de liberdade, pois existem n valores x
i
livres que devem ser
considerados para podermos calcular o valor da estatstica.
A estatstica s
2
, por usar X ao invs de , tem um grau de liberdade a menos. Isso ocorre porque
para o clculo de s
2
necessrio que se tenha calculado X , ou seja, j utilizamos uma vez todo os
valores da amostra; estes estiram sendo usados pela segunda vez para o clculo de s
2
.

Exerccio 2.9: Com base na tabela t de Student determine o valor da distribuio nos seguinte
casos:
a) t (5; 1%)
b) t (6; 2%)
c) t (19; 5%)
d) t (21; 10%)
e) t (28; 5%)
f) t (12; 1%)


76
UNIDADE III
INFERNCIA ESTATSTICA

Introduo
Nas ltimas unidades vimos como construir modelos probabilsticos para descrever alguns
fenmenos. Nessa parte, iremos estudar um ramo muito importante da Estatstica conhecido como
Inferncia Estatstica, ou seja, como fazer afirmaes sobre caractersticas de uma populao,
baseando-se em resultados de uma mostra.

Inferncia Estatstica o ramo da Estatstica que refere-se ao processo de obter informaes sobre
uma populao a partir de resultados observados na amostra.

POPULAO (N) AMOSTRA (n)

Inferncia Estatstica

POPULAO: Conjunto de indivduos (ou objetos), tendo pelo menos uma varivel comum
observvel. Pode ser finita, como o conjunto de alunos de uma escola em um determinado ano, ou
infinita, como o nmero de vezes que se pode jogar um dado.

AMOSTRA: Qualquer subconjunto da populao

A maioria das pesquisas realizadas nas mais variadas reas do conhecimento humano so
feitas com amostras. O pesquisador, no entanto, almeja generalizar seus resultados, ou seja, saber
se o que obteve com amostras vlido para toda a populao. Essa , sem dvida, a essncia da

77
inferncia estatstica. Formalmente, a Inferncia ou Estatstica Indutiva a parte da Estatstica que
estuda a estimao e os testes sobre os parmetros populacionais.

ALGUNS CONCEITOS IMPORTANTES

AMOSTRA ALEATRIA: Seja X uma varivel populacional. Uma amostra aleatria o
conjunto de n variveis aleatrias independentes,
( )
n
x x x , , ,
2 1

, extradas de uma populao,
tal que cada
i
x
tem a mesma caracterstica, ou distribuio da varivel X.

PARMETRO: Medida usada para descrever uma caracterstica da populao [ ),... ( ), ( ,
2
x x ].

ESTIMADOR (ESTATSTICA): Medida usada para descrever uma caracterstica da amostra.
[ ),... ( ), ( ,
2
x S x S X ]

ESTIMATIVA: o valor numrico do estimador. Por exemplo, 8 , 17 X = uma estimativa da
mdia populacional .
ESTIMAO (Pontual e Intervalar)
INFERNCIA
ESTATSTICA
TESTES DE HIPTESES
(Paramtricos e No-Paramtricos)


78
4.1 - Distribuio Amostral da Mdia e da Proporo

4.1.1 Distribuio Amostral da Mdia

Sejam X uma v.a. com valor esperado e varincia
2
e X a mdia de uma amostra
aleatria de tamanho n de X. Ento:
- E( X )=
- Var( X )=
2
/n
- A distribuio de X aproxima-se de uma distribuio normal com valor esperado
e varincia
2
/n, quando n tende ao infinito. (Teorema Central do Limite).
Observaes:
i. Como regra prtica, aceita-se que para amostras com mais de 30 elementos, a
aproximao citada em (iii) j pode ser considerada boa.
ii. Se a distribuio normal com valor esperado e a varincia
2
, ento a mdia
amostral baseada em uma amostra aleatria de tamanho n tem distribuio normal
com valor esperado e varincia
2
/n, independente do tamanho da amostra.

Exemplo 3.1: A elasticidade de um polmero afetada pela concentrao de um reagente. Numa
baixa concentrao, a elasticidade mdia verdadeira igual a 55 e o desvio-padro da elasticidade
igual a 16. Se retirada uma amostra de tamanho 40, qual ser a probabilidade da elasticidade mdia
estar acima de 60?

Soluo:
Temos nesse exemplo que a distribuio da mdia amostral X aproximadamente N(55; 6,4).
Ou seja, ( )
2
256
~ , ~ 55, ~ 55; 6, 4
40
X N X N X N
n
| |
| |

| |
\
\
. Assim, teremos:

( )
55 60 55
60 ( 1, 98) 0, 5 0, 4761 0, 9761
6, 4 6, 4
X
P X P P Z
| |

> = > = > = + =
|
|
\

Logo, probabilidade da mdia amostral estar acima de 60 de 97,61%.


79
4.1.2 Distribuio Amostral da Proporo

Consideremos uma populao que tem uma proporo p de portadores de certa caracterstica
e seja X
1
, X
2
, ..., X
n
uma amostra aleatria onde X
i
, 1 i n, definida por:
1, se o i-simo elemento portador da caracterstica;
0, em caso contrrio.
i
X

=

Temos que X
i
, 1 i n, tem distribuio de Bernoulli, com E(Xi)=p e Var(X)=p(1-p). Portanto, a
distribuio da mdia amostral X se aproxima de uma distribuio normal, com valor esperado p e
varincia p(1-p)/n, quando n tende ao infinito. (Teorema Central do Limite).

Observao: Dado que X a proporo de elementos da amostra que so portadores da citada
caracterstica, ento costumamos fazer X p = .

Exemplo 3.2: Em certa cidade, 30% dos motoristas envolvidos em acidentes fatais mostram
evidncia do uso de drogas. Numa amostra de 200 acidentes fatais, qual ser a probabilidade de que
mais de 25% desses motoristas tenham usado drogas?

Soluo:
Definindo a varivel aleatria p =proporo de motoristas que usam drogas numa amostra de 200
acidentes fatais, temos que a distribuio de p aproximadamente N(0,30; 0,00105). Assim,

( ) ( )
0, 30 0, 25 0, 30
0, 25 1, 54 0, 9382
0, 00105 0, 00105
p
P p P P Z
| |

> = > = > =
|
|
\
.

Logo, a probabilidade de que mais de 25% desses motoristas tenham usado drogas de 93,82%.


80
4.2 - Estimao por ponto e intervalo

4.2.1 - Estimao Pontual

A partir da amostra procura-se obter um nico valor aproximado de um determinado parmetro
populacional.

Exemplo 3.3: A mdia amostral ( X ) um estimador pontual da mdia populacional ( ).

Desvantagens: Por obter um nico valor aproximado de um determinado parmetro populacional,
em geral INSUFICIENTE! Pois a estimao pontual no fornece meios diretos para aferir a
qualidade da estimativa. Alternativamente, podem-se determinar intervalos que contenham o
parmetro populacional com uma confiana elevada. Estes so chamados de Intervalos de
Confiana, em que nesse caso, se faz necessrio realizar uma Estimao Intervalar.

4.2.2 - Estimao Intervalar

A partir da amostra procura-se construir um intervalo de variao,
2 1

, com uma
certa probabilidade de conter o verdadeiro parmetro populacional.

1) TESTES PARAMTRICOS
A hiptese formulada com respeito ao valor de um parmetro populacional.
2) TESTES NO-PARAMTRICOS
A hiptese formulada com respeito natureza da distribuio da populao.

INTERVALOS DE CONFIANA

um intervalo real, centrado na estimativa pontual que dever conter o parmetro com
determinada probabilidade. A probabilidade de o intervalo conter o parmetro estimado
denominada de nvel de confiana associado ao intervalo. A notao mais usual para o nvel de
confiana associado ao intervalo 1 - ou (1 - )%.

81
Assim como as estimaes pontuais, os intervalos de confiana podem ser vistos como uma
tcnica para se fazer inferncia estatstica. Ou seja, a partir de um intervalo de confiana, construdo
com os elementos amostrais, pode-se inferir sobre um parmetro populacional.

Fundamenta-se nas distribuies amostrais

: Parmetro populacional

: Estimador de

A partir da distribuio de probabilidade de
possvel construir um intervalo

2 1

, que contm
, e exigir que a probabilidade do intervalo seja de

( ) 1
.

O valor da probabilidade
( ) 1
que usualmente assume os valores 90%, 95%, 98%, etc.,
denominado NVEL DE CONFIANA (quanto maior melhor), e o valor chamado NVEL
DE SIGNIFICNCIA (quanto menor melhor), isto , representa o erro que se est cometendo
quando se afirma que a probabilidade do intervalo,
2 1

, conter o verdadeiro valor do
parmetro populacional
( ) 1
.

VANTAGEM DO USO DE ESTIMAO INTERVALAR:

Permite uma idia da preciso com que foi calculada a estimativa do parmetro, pois
expressa o erro aceito ao calcul-la.
- Intervalo muito pequeno ALTA PRECISO DA ESTIMATIVA DO PARMETRO;
- Quanto maior o grau de confiana MENOR PRECISO DA ESTIMATIVA DO
PARMETRO.

Exemplo 3.4: Suponha, n = 25, 12 = X e 1,2 S = .
( ) ( ) 49 . 12 51 . 11 % 95 < < = IC : amplitude = 0,98
( ) ( ) 67 . 12 31 . 11 % 99 < < = IC : amplitude = 1,36


82
4.2.2.1- Intervalo de confiana para a mdia

Neste caso, existem 2 mtodos para estimativa de
atravs do intervalo de confiana; as

utilizaes desses mtodos dependem do tamanho da amostra ou do fato de ter ou no
conhecimento do valor do desvio-padro populacional.

1 Caso: Se n 30 e a varincia populacional conhecida
1) Utiliza-se o mtodo da distribuio normal (a varivel utilizada ser a Z).
2 Caso: Para amostras pequenas (n < 30) e varincia populacional desconhecida
2) Utiliza-se o mtodo da distribuio t-Student (a varivel utilizada ser a t).

Fatores
Mtodos
Distribuio Normal Distribuio t-Student
Tamanho da amostra n 30 n < 30
Varincia
2
(conhecida) S
2
(desconhecida)
Varivel utilizada Z T

CASO 1: INTERVALO DE CONFIANA PARA A MDIA POPULACIONAL COM A
VARINCIA POPULACIONAL CONHECIDA

Seja
( )
2
, ~ N X . Sabe-se que o estimador de
, X (mdia amostral), tem distribuio de

probabilidade dada por:

( ) n N X / , ~
2

, para populaes infinitas
Ento,
( ) 1 , 0 ~
/
N
n
X
Z

=

Fixando-se um nvel de confiana
( ) 1
tem-se:

( )

= 1
2 / 2 /
Z Z Z P

83

=
|
|
\
|

1
/
2 / 2 /
Z
n
X
Z P

= |
\
|
1 . .
2 / 2 /
X
n
Z X
n
Z P

= |
\
|
+ 1 . .
2 / 2 /
n
Z X
n
Z X P

Exemplo 3.5: O departamento de Recursos Humanos de uma grande empresa informa que o tempo
de execuo de tarefas que envolvem participao manual varia de tarefa para tarefa, mas que o
desvio padro permanece aproximadamente constante em 3 min. Uma nova tarefa est sendo
implantada na empresa. Uma amostra aleatria do tempo de execuo de 50 dessas novas tarefas
forneceu o valor mdio de 15 min. Determine o intervalo de confiana de 95% para o tempo mdio
de execuo dessa nova tarefa.
Sabe-se que,
( ) n N X / , ~
2

, ento ( )
2
3
~ 15,
50
X N
;
Como o exemplo pede um intervalo de confiana de 95%, ento =100%-95%=5%.

Pela Tabela do ANEXO A (Tabela da Normal Padro), o valor de /2=1,96. Ento, temos :

= |
\
|
+ 1 . .
2 / 2 /
n
Z X
n
Z X P

3 3
15 1, 96. 15 1, 96. 95%
50 50
P
| |
+ =
|
\

( )
15 0, 8316 15 0, 8316 95% P + =


84
( )
14,1684 15, 8316 95% P =

[ ]
5%
14,1684; 15, 8316 IC
=
=

Interpretao: Podemos afirmar, a um nvel de 95% de confiana, que o intervalo [14,16; 15,83]
contm a verdadeira mdia. Logo, se realizssemos esse procedimento 100 vezes, por exemplo,
espera-se que 95 dos intervalos calculados contenham o verdadeiro valor do parmetro estimado.

CASO 2: INTERVALO DE CONFIANA PARA A MDIA POPULACIONAL COM A
VARINCIA POPULACIONAL DESCONHECIDA

Estimar
com base na amostra, S.

Como S uma varivel aleatria, a substituio s verificada para amostras grandes
(n 30)
S

S um estimador viesado para
, mas aumentando o tamanho da amostra o vis tende a

desaparecer; portanto o IC para
pode ser construdo.

Quanto menor a amostra mais necessria se torna a introduo de uma correo: t
(n-1)
ao
invs de Z.

Sabe-se que,
( ) n N X / , ~
2

e
( ) 1 , 0 ~
/
N
n
X
Z

=

Ento,
n S
X
t
n
/
1

=

( )

= 1
2 / 2 /
t t t P

=
|
|
\
|

1
/
2 / 2 /
t
n S
X
t P

= |
\
|
1 . .
2 / 2 /
X
n
S
t X
n
S
t P


85

= |
\
|
+ 1 . .
2 / 2 /
n
S
t X
n
S
t X P

OBS: Quanto menor o tamanho da amostra, mais necessrio se torna a introduo de uma correo,
a qual consiste em usar a varivel t-Student (t
(n-1)
) ao invs de usar a varivel Z.

Exemplo 3.6: Uma amostra de 25 peas de laminado usado na fabricao de placas de circuito foi
selecionada, e a quantidade de deformao (in.) sob condies especficas foi determinada para
cada pea, resultando em uma deformao mdia amostral de 0,0635 in. E um desvio-padro
amostral de 0,0065 in. Construa um intervalo de confiana para a mdia ao nvel de 99%.

Soluo:
Mdia amostral: 0, 0635 . X in =
Desvio padro amostral: 0, 0065 . S in =
Varivel: t
(n-1)
= t
(24; 1%/2)
= 2,7969

= |
\
|
+ 1 . .
2 / 2 /
n
S
t X
n
S
t X P

( ) ( )
0, 0065 0, 0065
0, 0635 2, 7969 . 0, 0635 2, 7969 . 99%
25 25
P
| |
+ =
|
\

( )
0, 0598 0, 0671 99% P =

[ ]
1%
0, 0598; 0, 0671 IC
=
=

contm a verdadeira mdia; A preciso dessa estimativa nos permite afirmar, com 99% de certeza,
de que no estamos errando por mais de 0,00365 ([0,0671 - 0,0598] / 2) nessa estimao. Logo, se
realizssemos esse procedimento 100 vezes, por exemplo, espera-se que 99 dos intervalos
calculados contenham o verdadeiro valor do parmetro estimado. Ou seja, espera-se a um nvel de
99% de confiana, que a deformao mdia, medida em in., nas placas de circuito seja entre
0,0671 in. a 0,0598 in.


86
Exerccio 3.1: Aps analisar o teor alcolico de 52 amostras de sangue de pessoas que estavam
numa festa, um qumico obteve atravs do software R uma mdia de 3,9% de C
2
H
5
OH e um desvio-
padro de 5,78% de C
2
H
5
OH.
a) Calcule um intervalo de 95% de confiana para o percentual mdio de C
2
H
5
OH para as
pessoas que beberam nessa festa. Interprete os resultados.
b) Com 99% de confiana, o intervalo para o percentual mdio de C
2
H
5
OH de [1,76% ;
6,04%]. Por que diferente do intervalo da letra (a)?

4.2.2.2 - Intervalo de confiana para a proporo

Sabendo que a distribuio amostral da proporo :
( )
~ ,
pq
p N p
n
e
k
p
n
.
Quando n for grande, n 30 a distribuio binomial se aproxima da Normal, ento:

( )
~ 0,1
/
p p
Z N
pq n
=

Fixando-se um nvel de confiana
( ) 1
tem-se:

( ) ( )
/ 2 / 2

. . 1
p q p q
P p Z p p Z
n n

| |
| + =
|
\

Exemplo 3.7: Uma pesquisa recente efetuada com 300 habitantes de uma grande cidade revelou
que 128 pessoas apresentavam insuficincia respiratria. Determine um intervalo de confiana de
90% para a proporo de habitantes dessa cidade que apresentaram insuficincia respiratria.

Soluo:
n=300 & k=128;
Logo, temos que a proporo das pessoas que apresentavam insuficincia respiratria de
128
0, 4267
300
p = = ou 42,67%. Assim, teremos para o clculo do intervalo de confiana:

87
( ) ( )
( ) ( ) ( ) ( )
( )
( )
/ 2 / 2
10%

. . . . 1
0, 4267 0, 5733 0, 4267 0, 5733
. . 0, 4267 1, 645. 0, 4267 1, 645. 90%
300 300
. . 0, 4267 0, 0285 0, 4267 0, 0285 90%
. . 0, 3982 0, 4552 90%
0, 3982
p q p q
I C p Z p p Z
n n
I C p
I C p
I C p
IC

=
| |
| = + =
|
\
| |

| = + =
|
\
= + =
= =
=
[ ]
; 0, 4552

contm o valor verdadeira da proporo populacional. Logo, se realizssemos esse procedimento
100 vezes, por exemplo, espera-se que 90 dos intervalos calculados contenham o verdadeiro valor
do parmetro estimado. Ou seja, com 10% de significncia, o percentual de habitantes com
insuficincia respiratria ser entre 39,82% a 45,52%.

Exerccio 3.2: Um artigo em Fortune (21/09/1992) afirma que aproximadamente metade de todos
os engenheiros qumicos continua seus estudos acadmicos alm do grau de bacharelado, recebendo
no final o grau de mestre ou doutor. Dados de um artigo em Engineering Hozizons indicaram que
117 de 484 novos engenheiros qumicos graduados estavam planejando fazer uma ps-graduao.
Calcule um intervalo com 99% de confiana a cerca da proporo de engenheiros qumicos que
continuam seus estudos alm da graduao. Interprete os resultados.

4.3 - Testes de Hipteses

Suponha que numa determinada regio, o peso de crianas aos 12 anos, seja modulado pela
distribuio normal, tal que X ~N (48, 16). Um pesquisador da rea mdica desconfia que devido a
mudanas nos hbitos alimentares, o peso mdio seja maior. Para tentar comprovar sua suposio o
pesquisador seleciona, por processo aleatrio, uma amostra de 100 crianas dessa populao,
obtendo como peso amostral x = 51,3 kg. Ser que ele tem razo? A resposta deve ser analisada
cuidadosamente e uma deciso mais segura s possvel depois de submeter seus dados a um teste
estatstico, tambm conhecido como teste de hipteses que estar sujeito a uma regra de deciso.
Regra de deciso que permite aceitar ou rejeitar uma hiptese, deciso esta que tomada em
funo dos valores amostrais. Em outras palavras, formula-se uma hiptese quanto ao valor do

parmetro populacional, e pelos elementos amostrais faz
da hiptese nula (H
0
).

HIPTESE ESTATSTICA
Suposio quanto ao valor de um parmetro ou quanto natureza da distribuio de uma
probabilidade de uma varivel populacional.

TIPOS DE HIPTESES
0
H : aquela que ser testada, sendo sempre contrria ao resultado do experimento amostral;
hiptese nula. formulada com base nos dados populacionais.
1
H : qualquer hiptese diferente da hiptese nula, sendo sempre a favor do resultado do
experimento amostral; hiptese alternativa.
OBS: a aceitao de H
0
implica na rejeio de

REGIO DE REJEIO E TIPOS DE TESTES
uma regio da Distribuio Amostral, definida de modo que seja igual a
H
0
. O tamanho da regio de rejeio expresso por
distribuio amostral. A localizao da R.C. (regio
indica o sentido da diferena, usa

Exemplo: H
0
: =
0
H
1
: >
0

Regio de Rejeio (RR) e de Aceitao (RA) da Hiptese Nula

Observe que essas duas regies diferem entre si em localizao, mas no em tamanho.

parmetro populacional, e pelos elementos amostrais faz-se um teste que indicar a rejeio, ou no,
lidade de uma varivel populacional.
: aquela que ser testada, sendo sempre contrria ao resultado do experimento amostral;
hiptese nula. formulada com base nos dados populacionais.
: qualquer hiptese diferente da hiptese nula, sendo sempre a favor do resultado do
experimento amostral; hiptese alternativa.
implica na rejeio de H
1
, e a rejeio de H
0
implica na aceitao de
IPOS DE TESTES
uma regio da Distribuio Amostral, definida de modo que seja igual a
. O tamanho da regio de rejeio expresso por , e est localizada nas extremidades da
distribuio amostral. A localizao da R.C. (regio crtica) est afetada pela natureza de H
indica o sentido da diferena, usa-se um teste unilateral, caso contrrio, usa-se bilateral.
as duas regies diferem entre si em localizao, mas no em tamanho.

88
se um teste que indicar a rejeio, ou no,
: aquela que ser testada, sendo sempre contrria ao resultado do experimento amostral;
: qualquer hiptese diferente da hiptese nula, sendo sempre a favor do resultado do
implica na aceitao de H
1
.
, a probabilidade sob
localizada nas extremidades da
crtica) est afetada pela natureza de H
1
. Se H
1

se bilateral.

as duas regies diferem entre si em localizao, mas no em tamanho.

89
Regra de Deciso
Se o teste estatstico acusar um valor na regio de rejeio de H
0
. Quando a probabilidade associada
a um valor observado de um teste estatstico menor ou igual do que o valor previamente
determinado de , conclumos que H
0
falsa, tal valor observado chamado "significativo". H
0

rejeitada sempre que ocorre um valor "significativo".

TIPOS DE ERROS:
1 Erro Tipo I (): P(rejeitar H
0
| H
0
verdadeira) Probabilidade de rejeitar H
0
dado que H
0

verdadeira.
2 Erro Tipo II (): P(aceitar H
0
| H
0
falsa) Probabilidade de aceitar H
0
dado que H
0
falsa.
Realidade
Deciso
Aceitar
0
H
Rejeitar
0
H

0
H
verdadeira Deciso Correta
( ) 1
Erro Tipo I
( )

0
H
falsa Erro Tipo II
( )
Deciso Correta
( ) 1

ERRO TIPO I cometido quando rejeitamos H
0
, quando na verdade, ela verdadeira. Esse tipo
de erro o mais importante a ser evitado. A probabilidade de se cometer um erro tipo I o que se
chama de nvel de significncia de um teste. =P(erro tipo I).
ERRO TIPO II cometido quando no rejeitamos H
0
, quando na verdade ela falsa.

Deseja-se: reduzir ao mnimo as probabilidades dos erros.

TAREFA DIFCIL: para uma amostra de tamanho n a probabilidade de se incorrer em um erro tipo
II aumenta medida que diminui a probabilidade do erro tipo I (vice-versa).

REDUO SIMULTNEA AUMENTO DO
DOS ERROS TAMANHO DE n

PROCEDIMENTO PARA CONSTRUO DO TESTE DE HIPTESE:
1. Estabelecer as hipteses de nulidade
0
H
e alternativa
1
H
;

90
2. Escolhe um nvel de significncia
, em geral, usa-se: 0,05; 0,01 ou 0,001;

3. Selecionar uma estatstica apropriada e determinar as RA e RC para
0
H
, com o auxlio das
tabelas estatsticas, considerando
e a varivel do teste.
4. Com os elementos amostrais, calcular o valor da varivel do teste.
5. Concluir pela aceitao ou rejeio de
0
H
pela comparao do valor obtido no 4 passo
com RA e RC, ou seja, rejeitar H
o
sempre que a estatstica calculada pertencer regio
crtica, caso contrrio, no rejeitar.

TESTES PARAMTRICOS

2
conhecido

Quando queremos realizar um teste de hiptese para a mdia populacional, se conhecemos o valor
do desvio-padro da populao, teremos como base para a estatstica do teste a distribuio normal.

muito comum situaes em que necessitamos estudar um determinado parmetro ou caracterstica
de certa populao. No entanto, esse procedimento pode levar muito tempo e/ou necessitar de
recursos financeiros muito altos.

Assim, uma possvel soluo, seria estimar o resultado da caracterstica de interesse da populao
(com um nvel (1-) de certeza), extraindo uma amostra de tamanho n, e, utilizando o desvio-padro
da populao na estimao. A figura abaixo ilustra o procedimento proposto.


91

REQUISITOS PARA O TESTE:
A amostra uma amostra aleatria simples;
O valor do desvio-padro populacional CONhecido;
Pelo menos uma das condies seguintes verdadeira:
o A populao normalmente distribuda;
o O tamanho da amostra superior a 30, ou seja, n>30. (TCL)
O procedimento para a realizao desse teste de hipteses pode ser resumido nos seguintes passos:

1. Enunciar as hipteses:

( )
( )
( )
0 0
0
1 0
0
:
( ) Teste Bilateral
2
: ( ) Teste Unilateral
( ) Teste Unilateral
H
a
H b
c

>
<

Em que o verdadeiro valor de
0
.
2. Determinar a distribuio de X , e, a estatstica de teste.
2
2
~ , ~ (0,1)
X
X N Z N
n
n

| |
=
|
\

A estatstica de teste uma estatstica amostral, usada para tomar uma deciso em relao
hiptese nula.

92
3. Fixar o nvel de significncia
. (normalmente utilizado = 5%).

4. Determinar a Regio de Aceitao e a Regio de Rejeio atravs da tabela Z
Normal-Padro. ( necessrio ter fixado o valor de ).

5. Calcular a varivel do teste
cal
X
Z
n
=

6. Concluses
1. Se Z
/2
< Z
Calc
< Z
/2
, no rejeita H
0
Teste Bilateral
2. Se Z
Calc
> Z
, rejeita-se H
0
Teste Unilateral
3. Se Z
Calc
< Z
, rejeita-se H
0
Teste Unilateral

Exemplo 3.8: Em indivduos sadios, a taxa de fsforo no sangue tem distribuio aproximadamente
normal com mdia = 3 mg/100cc e desvio-padro = 0,6mg/100cc. Com o objetivo de saber se
no artritismo essa taxa mdia aumentou, um pesquisador tomou uma amostra de 36 doentes e testou
sua hiptese ao nvel de 5% de signicncia. Observou-se na amostra a mdia X = 3,12mg/100cc.
Soluo:
As hipteses sero as seguintes
H
0
: = 3,0
H
1
: > 3,0 (teste unilateral)
OU
H
0
: A taxa de fsforo no sangue de pessoas com artritismo igual a 3,0mg/100cc.
H
1
: A taxa de fsforo no sangue de pessoas com artritismo maior que 3,0mg/100cc.
Usaremos = 0, 05. A estatstica a ser utilizada ser:

2
3,12 3, 0 0,12
1, 2
0, 6
0,1
36
Calc
X
Z
n

= = = =


93
Aps termos calculado a estatstica do teste, vamos agora encontrar a probabilidade na tabela de
distribuio Normal-Padro (Tabela do ANEXO A). Lembre-se que como o teste unilateral, o
valor de ser igual a 5%, e no a 2,5%.
Logo, como a tabela da distribuio normal nos d de 0 at + (50% da rea total, ou probabilidade
igual a 0,5), temos que:

50% - = 50% - 5% = 45% = 0,45 Z = 1,645.

Como na tabela no encontramos um valor exato de 0,45. O mais prximo dessa probabilidade so
dois valores de P(Z < 1,64) = 0,4495 e P(Z < 1,65) = 0,4505. Repare que para Z=1,64 e Z=1,65, um
menor e outro maior, respectivamente, que 0,45 na mesma proporo. Assim, faz-se necessrio
realizar uma interpolao apenas realizando uma mdia aritmtica de ambos os valores de Z, tendo
assim: P(Z < 1,645) 0,445.

( ) ( )
1, 64 1, 65
0, 45 1, 645 1, 645 0, 45.
2
P Z x x P Z
+
< = = = <

Concluso: Como Z
Calc
Z
, ou seja, 1,2
rejeitaremos a hiptese nula de que a taxa de fsforo no sangue de pessoas com artritismo seja igual
a 3,0mg/100cc.

Exerccio 3.3: Em indivduos normais, o consumo renal mdio de oxignio de 12 cm
desvio-padro de 2,3 cm
3
/min. Um pesquisador interessado em s
selecionou uma amostra de 28 pessoas sadias e obteve um consumo renal mdio de oxignio de
13,45 cm
3
/min. Teste a um nvel de 5% se realmente ocorre o que o pesquisador averiguou
as hipteses e interprete.

, ou seja, 1,2 1,645. Ento, a um nvel de significncia de 5%, no
hiptese nula de que a taxa de fsforo no sangue de pessoas com artritismo seja igual
Em indivduos normais, o consumo renal mdio de oxignio de 12 cm
/min. Um pesquisador interessado em saber se isso realmente ocorre,
Teste a um nvel de 5% se realmente ocorre o que o pesquisador averiguou

94

o, a um nvel de significncia de 5%, no
hiptese nula de que a taxa de fsforo no sangue de pessoas com artritismo seja igual
Em indivduos normais, o consumo renal mdio de oxignio de 12 cm
3
/min com
aber se isso realmente ocorre,
Teste a um nvel de 5% se realmente ocorre o que o pesquisador averiguou. Defina


do desvio-padro da populao, teremos como base para a estatstica do teste a distribuio normal.
No entanto, quando desconhecemos o desvio
tomamos como base a distribuio
a) A amostra uma amostra aleatria simples;
b) O valor do desvio-padro populacional
c) Pelo menos uma das condies seguintes verdadeira:
a. A populao normalmente distribuda;
b. O tamanho da amostra superior a 30, ou seja, n>30. (TCL)

Neste caso, como no conhecemos
Para a construo das hipteses a serem analisadas, a regio de rejeio ser baseada numa
estatstica de teste com base na distribuio

Assim, para realizar o teste, devemos seguir os seguintes procedimentos:

Teste para a Mdia quando
2
desconhecido
padro da populao, teremos como base para a estatstica do teste a distribuio normal.
uando desconhecemos o desvio-padro populacional, que o que ocorre na prtica,
tomamos como base a distribuio t de Student.

A amostra uma amostra aleatria simples;
padro populacional DESconhecido;
Pelo menos uma das condies seguintes verdadeira:
A populao normalmente distribuda;
O tamanho da amostra superior a 30, ou seja, n>30. (TCL)
Neste caso, como no conhecemos
2
, precisamos calcular a estimativa S
2
a partir de uma amostra.
construo das hipteses a serem analisadas, a regio de rejeio ser baseada numa
estatstica de teste com base na distribuio t de Student:
1
2
~ ~
n
X
T t
S
n

Assim, para realizar o teste, devemos seguir os seguintes procedimentos:

95
padro da populao, teremos como base para a estatstica do teste a distribuio normal.
padro populacional, que o que ocorre na prtica,

a partir de uma amostra.
construo das hipteses a serem analisadas, a regio de rejeio ser baseada numa

96
a) Enunciar as hipteses:

( )
( )
( )
0 0
0
1 0
0
:
( ) Teste Bilateral
2
: ( ) Teste Unilateral
( ) Teste Unilateral
H
a
H b
c

>
<

b) Fixar o nvel de significncia
. Admitindo
2
desconhecida, a varivel do teste ser
( ) 1 n
t
.
c) Determinar RA e RC atravs da tabela t.
d) Calcular a varivel do teste
/
cal
X
T
S n

=

e) Concluses
4. Se t
/2
< T
Calc
< t
/2
, no rejeita H
0
Teste Bilateral
5. Se T
Calc
> t
, rejeita-se H
0
Teste Unilateral
6. Se T
Calc
< t
, rejeita-se H
0
Teste Unilateral

Exemplo 3.9: A tolerncia de dieta diria de zinco recomendada entre homens com mais de 50 anos
15mg/dia. O artigo Nutrient Intakes and Dietary Patterns of Older Americans: A National
Study (J. Gerontology, 1992, pg. 145-150) relata sobre ingesto uma mdia de 17,3 mg/dia e
desvio-padro de 6,43 mg/dia para uma amostra de 88 homens com mais de 50 anos.
Esses dados, a um nvel de 5% de significncia, indicam que a ingesto de zinco diria mdia na
populao dos homens com mais de 50 anos est na tolerncia permitida? Defina as hipteses e
interprete.

Soluo:

As hipteses sero as seguintes

H
0
: = 15 mg/dia
H
1
: 15 mg/dia (teste bilateral)

97
OU

H
0
: Os homens com + de 50 anos esto com a tolerncia de dieta diria de zinco recomendada.
H
1
: Os homens com + de 50 anos NO esto com a tolerncia de dieta diria de zinco recomendada.

Usaremos = 0, 05. A estatstica a ser utilizada ser:

2
15 17, 3 2, 3
3, 3557
6, 43
0, 6854
88
Calc
X
T
S
n

= = = =

Os graus de liberdade (g.l.) para o teste t de Student sero obtidos da seguinte forma:

g.l. = n 1 = 88 1 = 87

Aps termos calculado a estatstica do teste e o nmero de g.l., vamos agora encontrar a
probabilidade na tabela de distribuio t-Studentl (Tabela do ANEXO B). Como usar esta tabela?

- Localizar o valor correspondente de (lembrando que se for um teste bilateral, ento
ser /2); Logo, para =5%, devemos procurar nesse exemplo, o valor 2,5% na tabela;

- Localizar o valor correspondente de (g.l. = n - 1); Nesse caso temos que g.l.=88-1=87;

- No cruzamento da linha com ( = 87) com a coluna ( = 2,5%), por ser um teste
bilateral, ento /2, est o nmero 1,9876.


81
82
83
84
85

86
87
88
89
90
Concluso: Como T
Calc
-t
/2
, ou seja,
5%, rejeitaremos a hiptese nula, assim,
tolerncia de dieta diria de zinco recomendada.
25% 10% 5% 2,5%
0,6775 1,2921 1,6639 1,9897
0,6775 1,2920 1,6636 1,9893
0,6775 1,2918 1,6634 1,9890
0,6774 1,2917 1,6632 1,9886
0,6774 1,2916 1,6630 1,9883

0,6774 1,2915 1,6628 1,9879
0,6773 1,2914 1,6626 1,9876
0,6773 1,2912 1,6624 1,9873
0,6773 1,2911 1,6622 1,9870
0,6772 1,2910 1,6620 1,9867

, ou seja, -3,3557 < -1,9876. Ento, a um nvel de
nula, assim, os homens com + de 50 anos
tolerncia de dieta diria de zinco recomendada.

98

. Ento, a um nvel de significncia de
os homens com + de 50 anos NO esto com a

99
Exerccio 3.4: Uma companhia de produtos para o consumidor est formulando um xampu novo e
est interessado na altura (em milmetros) da espuma. A altura da espuma tem distribuio
aproximadamente normal com S = 20 mm. A companhia analisou 10 frascos de xampu e obteve
uma altura mdia de 175 mm, diferente da esperada pelos engenheiros, de 179 mm. Usando esses
resultados, a companhia pode assumir que seu xampu alcana a altura mdia menor que a estimada
pelos engenheiros? Faa um teste de hipteses para comprovar sua teoria.

4.3.3 - Teste para Propores

1. Enunciar as hipteses:

<
>
=
) (
) (
) (
:
:
0
0
0
1
0 0
c p p
b p p
a p p
H
p p H

2. Fixar o nvel de significncia
. A varivel escolhida Z, normal padro.

3. Determinar RA e RC atravs da tabela da distribuio normal padro.

Calcular a varivel do teste
0
0 0
/
cal
p p
Z
p q n
=

4. Concluses
a) Se Z
/2
< Z
Calc
< Z
/2
, no rejeita H
0

b) Se Z
Calc
> Z
/2
, rejeita-se H
0

c) Se Z
Calc
< -Z
/2
, rejeita-se H
0

Exemplo 3.10: Um pesquisador afirma que a frao de circuitos integrados defeituosos produzidos
em um processo de fotolitografia (tcnica utilizada na confeco de circuitos integrados) igual a
5%. Uma amostra de 300 circuitos testada, encontrando 13 defeituosos. Teste ao nvel de
significncia de 1%, se o pesquisador est correto. Defina as hipteses e Interprete.

Soluo:
0
0, 05 p = , 300 n = , k = 13, 0, 05 = e 13/ 300 0,04 p = =

1. Enunciar as hipteses
0
1
: 0, 05
: 0, 05
H p
H p
=

2. 05 . 0 =
Varivel:
(
5% 2,5%
2 2
Z Z Z
= = =
4. Calcular a estatstica do teste:

0
0 0
/
cal
p p
Z
p q n
= = = =
4. Determinar RA e RC:

5. Concluso:
Como -Z
Tab
< Z
Cal
< +Z
Tab
1,96 <
significncia, conclu-se que a frao d
processo de fotolitografia igual a 5%.
) 2,5%
1, 96 = = =
.
Calcular a estatstica do teste:
( )( )
0, 04 0, 05 0, 01
0, 0125
/
0, 05 0, 95 / 300
p q n

= = = =

1,96 < -0,8 < 1,96; NO rejeita H
0
, ou seja, com 5% de
se que a frao de circuitos integrados defeituosos produzidos em um
processo de fotolitografia igual a 5%.

100
0, 04 0, 05 0, 01
0, 8
0, 0125
= = = =

, ou seja, com 5% de
e circuitos integrados defeituosos produzidos em um

101
Exerccio 3.5: Uma mquina foi regulada para fabricar placas de 5 mm de espessura. No entanto,
aps uma inspeo de rotina, o tcnico informou ao seu dono que ela est produzindo 4% das placas
com defeitos. Assim, foi retirada uma amostra de 40 placas, identificando apenas 2 com defeito.
Teste a um nvel de 99% de confiana se a mquina est produzindo um percentual de peas com
defeito acima do que o tcnico informou. Defina as hipteses e interprete.

4.3.4 - Valor-P

A seo anterior sobre teste de hipteses mostrou que se pode rejeitar ou no uma hiptese usando
um nvel de significncia , um valor crtico e uma correspondente regio de rejeio, que a
abordagem clssica. A seguir, ser apresentada uma outra maneira equivalente, bastante comum e
abordada na maioria dos softwares estatsticos e na literatura cientfica, de se obter o mesmo
resultado final.

Definio: O valor-p a chance de encontrar o valor observado na amostra ou valores mais
extremos, assumindo que a hiptese nula, H
0
, verdadeira.

Observao 1: No caso do uso do valor-p, no precisamos mais calcular uma estatstica do teste e
compar-la com um valor tabela da distribuio de referncia (normal, t-student, F, qui-quadrado,
etc). Basta compararmos o resultado do valor-p diretamente com o nvel de significncia .

Observao 2: Quanto menor for o valor-p, mais forte ser a evidncia fornecida pela amostra
contra H
0
. Por outro lado, quanto maior for o valor-p, menor ser a evidncia contra H
0
.

Relao entre valor-p e
a) Se valor-p rejeita-se H
0
e os dados SO estatisticamente significantes.
b) Se valor-p > no se rejeita H
0
e os dados NO SO estatisticamente significantes.


102
Exemplo 3.11: Um pesquisador deseja determinar o efeito da taxa de escoamento de C
2
F
6
sobre a
uniformidade do ataque qumico em uma pastilha de silicone usada na fabricao de um circuito
integrado. Trs taxas de escoamento so usadas no experimento e a uniformidade (em porcentagem)
resultante, para seis pastilhas de silicone para cada taxa de escoamento. O experimento foi
completamente aleatorizado.
HIPTESES TESTADAS:
H
0
: No h diferena na resposta entre as taxas de escoamento de C
2
F
6
;
H
1
: H diferena na resposta entre pelo menos duas das taxas de escoamento de C
2
F
6
.
Para uma valor-P = 0,0533, rejeita-se H
0
(=5%)?
Soluo:
No rejeita H
0
, pois Valor-p > .

Exemplo 3.12: Um pesquisador deseja testar a resistncia do concreto compresso. Ele deseja
investigar quatro tcnicas diferentes de mistura. O experimento foi completamente aleatorizado.
HIPTESES TESTADAS:
H
0
: No h diferena na resposta entre as diferentes tcnicas de mistura;
H
1
: H diferena na resposta entre pelo menos duas das diferentes tcnicas de mistura.
a) Para uma valor-P = 0,000488, rejeita-se H
0
(=5%)?
Soluo:
Rejeita H
0
, pois Valor-p < .
b) E se fosse testar com =1%? Rejeita H
0
?
Soluo:
Rejeita H
0
, pois Valor-p < 0,0488% < 1%.
c) Nesse caso, os dados so ESTATISTICAMENTE SIGNIFICANTES? Justifique.
Soluo:
So! Porque rejeitou H
0
.(Hiptese Nula)


103
Exemplo 3.13: Um experimento foi feito para determinar se quatro temperaturas especficas de
queima afetam a densidade de um certo tipo de tijolo. Utilizando 4 tijolos para cada temperatura
especfica, foi determinada a densidade para o tipo de tijolo de acordo com a variao das
temperaturas. O experimento foi completamente aleatorizado.
HIPTESES TESTADAS:
H
0
: No h diferena na densidade do tipo de tijolo variando as temperaturas;
H
1
:H diferena na densidade do tipo de tijolo em pelo menos duas das temperaturas.
a) Para um valor-P = 0,0000125, rejeita-se H
0
(=1%)?
Soluo:
Rejeita H0, pois Valor-p < .
b) E se fosse testar com =5%? Rejeita H0 ?
Soluo:
Rejeita H
0
, pois Valor-p < 0,0488% < 1%.
c) Nesse caso, os dados so ESTATISTICAMENTE SIGNIFICANTES? Justifique.
Soluo:
So! Porque rejeitou H
0
.(Hiptese Nula)


104
REFERNCIAS

1. AZEVEDO, P. R. M. Introduo Estatstica. Rio Grande do Norte: EDUFRN, 2005.

2. BUSSAB, W. O. e MORETIN, P. A. Estatstica Bsica. 5. ed. So Paulo: Atual, 2006.

3. VIEIRA, S. Introduo Bioestatstica. 3. Ed. Rio de Janeiro: Campus, 1980.

4. DANTAS, C. A. B. Probabilidade: um curso introdutrio. 2. ed. 1. reimpresso - So
Paulo: Editora da Universidade de So Paulo, 2004.

5. MEYER, P. L. Probabilidade: aplicaes estatstica. 2. ed. - Rio de Janeiro: Livros tcnicos
e cientficos editora S. A., 1983.

6. MONTGOMERY, D.C. e RUNGER, G. C. Estatstica Aplicada e Probabilidade para
Engenheiros. 4. ed. Rio de Janeiro: LTC, 2009.

7. MORETTIN, P. A. & BUSSAB, W. de O. Estatstica Bsica. 5. Ed. So Paulo: SARAIVA,
2002.

8. PINHO, A. L. S. & SPYRIDES, M. H. C. Mtodos Estatsticos I. Natal: UFRN, 2011.
(Notas de Aula).

9. SILVA, Francisco de Assis Medeiros da. Estatstica Aplicada Administrao. Natal: UFRN,
2004. (Notas de Aula).

10. TRIOLA, M. F. Introduo Estatstica. 10.ed. LTC, 2008.

11. WERKEMA, M. C. C. Como estabelecer concluses com confiana: entendendo inferncia
estatstica. Srie Ferramentas de Qualidade.

105

ANEXOS

TABELA A - DISTRIBUIO NORMAL PADRO

TABELA B DISTRIBUIO T DE STUDENT


ANEXO A - Distribuio Normal Padr

z
c
0,00 0,01 0,02
0,0 0,0000 0,0040 0,0080
0,1 0,0398 0,0438 0,0478
0,2 0,0793 0,0832 0,0871
0,3 0,1179 0,1217 0,1255
0,4 0,1554 0,1591 0,1628

0,5 0,1915 0,1950 0,1985
0,6 0,2257 0,2291 0,2324
0,7 0,2580 0,2611 0,2642
0,8 0,2881 0,2910 0,2939
0,9 0,3159 0,3186 0,3212

1,0 0,3413 0,3438 0,3461
1,1 0,3643 0,3665 0,3686
1,2 0,3849 0,3869 0,3888
1,3 0,4032 0,4049 0,4066
1,4 0,4192 0,4207 0,4222

1,5 0,4332 0,4345 0,4357
1,6 0,4452 0,4463 0,4474
1,7 0,4554 0,4564 0,4573
1,8 0,4641 0,4649 0,4656
1,9 0,4713 0,4719 0,4726

2,0 0,4772 0,4778 0,4783
2,1 0,4821 0,4826 0,4830
2,2 0,4861 0,4864 0,4868
2,3 0,4893 0,4896 0,4898
2,4 0,4918 0,4920 0,4922

2,5 0,4938 0,4940 0,4941
2,6 0,4953 0,4955 0,4956
2,7 0,4965 0,4966 0,4967
2,8 0,4974 0,4975 0,4976
2,9 0,4981 0,4982 0,4982

3,0 0,4987 0,4987 0,4987

3,10 ou + 0,4999

NOTA: Para valores de Z acima de 3,09, use 0,4999 como
rea.

* Use esses valores comuns resultantes
Escore z rea
1,645 0,4500
2,575 0,4950
Distribuio Normal Padro Z~N(0,1)

P(0 Z z
c
)
0,02 0,03 0,04 0,05 0,06 0,07
0,0080 0,0120 0,0160 0,0199 0,0239 0,0279
0,0478 0,0517 0,0557 0,0596 0,0636 0,0675
0,0871 0,0910 0,0948 0,0987 0,1026 0,1064
0,1255 0,1293 0,1331 0,1368 0,1406 0,1443
0,1628 0,1664 0,1700 0,1736 0,1772 0,1808

0,1985 0,2019 0,2054 0,2088 0,2123 0,2157
0,2324 0,2357 0,2389 0,2422 0,2454 0,2486
0,2642 0,2673 0,2704 0,2734 0,2764 0,2794
0,2939 0,2967 0,2995 0,3023 0,3051 0,3078
0,3212 0,3238 0,3264 0,3289 0,3315 0,3340

0,3461 0,3485 0,3508 0,3531 0,3554 0,3577
0,3686 0,3708 0,3729 0,3749 0,3770 0,3790
0,3888 0,3907 0,3925 0,3944 0,3962 0,3980
0,4066 0,4082 0,4099 0,4115 0,4131 0,4147
0,4222 0,4236 0,4251 0,4265 0,4279 0,4292

0,4357 0,4370 0,4382 0,4394 0,4406 0,4418
0,4474 0,4484 0,4495 *0,4505 0,4515 0,4525
0,4573 0,4582 0,4591 0,4599 0,4608 0,4616
0,4656 0,4664 0,4671 0,4678 0,4686 0,4693
0,4726 0,4732 0,4738 0,4744 0,4750 0,4756

0,4783 0,4788 0,4793 0,4798 0,4803 0,4808
0,4830 0,4834 0,4838 0,4842 0,4846 0,4850
0,4868 0,4871 0,4875 0,4878 0,4881 0,4884
0,4898 0,4901 0,4904 0,4906 0,4909 0,4911
0,4922 0,4925 0,4927 0,4929 0,4931 0,4932

0,4941 0,4943 0,4945 0,4946 0,4948 0,4949
0,4956 0,4957 0,4959 0,4960 0,4961 0,4962
0,4967 0,4968 0,4969 0,4970 0,4971 0,4972
0,4976 0,4977 0,4977 0,4978 0,4979 0,4979
0,4982 0,4983 0,4984 0,4984 0,4985 0,4985

0,4987 0,4988 0,4988 0,4989 0,4989 0,4989

NOTA: Para valores de Z acima de 3,09, use 0,4999 como
* Use esses valores comuns resultantes de interpolao:

106
0,08 0,09
0,0319 0,0359
0,0714 0,0753
0,1103 0,1141
0,1480 0,1517
0,1844 0,1879

0,2190 0,2224
0,2517 0,2549
0,2823 0,2852
0,3106 0,3133
0,3365 0,3389

0,3599 0,3621
0,3810 0,3830
0,3997 0,4015
0,4162 0,4177
0,4306 0,4319

0,4429 0,4441
0,4535 0,4545
0,4625 0,4633
0,4699 0,4706
0,4761 0,4767

0,4812 0,4817
0,4854 0,4857
0,4887 0,4890
0,4913 0,4916
0,4934 0,4936

*0,4951 0,4952
0,4963 0,4964
0,4973 0,4974
0,4980 0,4981
0,4986 0,4986

0,4990 0,4990


TABELA B - Distribuio t de Student (Unicaudal e Bicaudal)

25% 10% 5% 2,5%

1 1,0000 3,0777 6,3138 12,7062
2 0,8165 1,8856 2,9200 4,3027
3 0,7649 1,6377 2,3534 3,1824
4 0,7407 1,5332 2,1318 2,7764
5 0,7267 1,4759 2,0150 2,5706

6 0,7176 1,4398 1,9432 2,4469
7 0,7111 1,4149 1,8946 2,3646
8 0,7064 1,3968 1,8595 2,3060
9 0,7027 1,3830 1,8331 2,2622
10 0,6998 1,3722 1,8125 2,2281

11 0,6974 1,3634 1,7959 2,2010
12 0,6955 1,3562 1,7823 2,1788
13 0,6938 1,3502 1,7709 2,1604
14 0,6924 1,3450 1,7613 2,1448
15 0,6912 1,3406 1,7531 2,1315

16 0,6901 1,3368 1,7459 2,1199
17 0,6892 1,3334 1,7396 2,1098
18 0,6884 1,3304 1,7341 2,1009
19 0,6876 1,3277 1,7291 2,0930
20 0,6870 1,3253 1,7247 2,0860

21 0,6864 1,3232 1,7207 2,0796
22 0,6858 1,3212 1,7171 2,0739
23 0,6853 1,3195 1,7139 2,0687
24 0,6848 1,3178 1,7109 2,0639
25 0,6844 1,3163 1,7081 2,0595

26 0,6840 1,3150 1,7056 2,0555
27 0,6837 1,3137 1,7033 2,0518
28 0,6834 1,3125 1,7011 2,0484
29 0,6830 1,3114 1,6991 2,0452
30 0,6828 1,3104 1,6973 2,0423

31 0,6825 1,3095 1,6955 2,0395
32 0,6822 1,3086 1,6939 2,0369
33 0,6820 1,3077 1,6924 2,0345
34 0,6818 1,3070 1,6909 2,0322
35 0,6816 1,3062 1,6896 2,0301

36 0,6814 1,3055 1,6883 2,0281
37 0,6812 1,3049 1,6871 2,0262
38 0,6810 1,3042 1,6860 2,0244
39 0,6808 1,3036 1,6849 2,0227
40 0,6807 1,3031 1,6839 2,0211

41 0,6805 1,3025 1,6829 2,0195
42 0,6804 1,3020 1,6820 2,0181
43 0,6802 1,3016 1,6811 2,0167
44 0,6801 1,3011 1,6802 2,0154
45 0,6800 1,3006 1,6794 2,0141

Distribuio t de Student (Unicaudal e Bicaudal)

= graus de liberdade

1% 0,5%

25% 10% 5% 2,5%

31,8207 63,6574 46 0,6799 1,3002 1,6787 2,0129
6,9646 9,9248 47 0,6797 1,2998 1,6779 2,0117
4,5407 5,8409 48 0,6796 1,2994 1,6772 2,0106
3,7469 4,6041 49 0,6795 1,2991 1,6766 2,0096
3,3649 4,0322 50 0,6794 1,2987 1,6759 2,0086

3,1427 3,7074 51 0,6793 1,2984 1,6753 2,0076
2,9980 3,4995 52 0,6792 1,2980 1,6747 2,0066
2,8965 3,3554 53 0,6791 1,2977 1,6741 2,00
2,8214 3,2498 54 0,6791 1,2974 1,6736 2,0049
2,7638 3,1693 55 0,6790 1,2971 1,6730 2,0040

2,7181 3,1058 56 0,6789 1,2969 1,6725 2,0032
2,6810 3,0545 57 0,6788 1,2966 1,6720 2,0025
2,6503 3,0123 58 0,6787 1,2963 1,6716 2,0017
2,6245 2,9768 59 0,6787 1,2961 1,6711 2,0010
2,6025 2,9467 60 0,6786 1,2958 1,6706 2,0003

2,5835 2,9208 61 0,6785 1,2956 1,6702 1,9996
2,5669 2,8982 62 0,6785 1,2954 1,6698 1,9990
2,5524 2,8784 63 0,6784 1,2951 1,6694 1,9983
2,5395 2,8609 64 0,6783 1,2949 1,6690 1,9977
2,5280 2,8453 65 0,6783 1,2947 1,6686 1,9971

2,5177 2,8314 66 0,6782 1,2945 1,6683 1,9966
2,5083 2,8188 67 0,6782 1,2943 1,6679 1,9960
2,4999 2,8073 68 0,6781 1,2941 1,6676 1,9955
2,4922 2,7969 69 0,6781 1,2939 1,6672 1,9949
2,4851 2,7874 70 0,6780 1,2938 1,6669 1,9944

2,4786 2,7787 71 0,6780 1,2936 1,6666 1,9939
2,4727 2,7707 72 0,6779 1,2934 1,6663 1,9935
2,4671 2,7633 73 0,6779 1,2933 1,6660 1,9930
2,4620 2,7564 74 0,6778 1,2931 1,6657 1,9925
2,4573 2,7500 75 0,6778 1,2929 1,6654 1,9921

2,4528 2,7440 76 0,6777 1,2928 1,6652 1,9917
2,4487 2,7385 77 0,6777 1,2926 1,6649 1,9913
2,4448 2,7333 78 0,6776 1,2925 1,6646 1,9908
2,4411 2,7284 79 0,6776 1,2924 1,6644 1,9905
2,4377 2,7238 80 0,6776 1,2922 1,6641 1,9901

2,4345 2,7195 81 0,6775 1,2921 1,6639 1,9897
2,4314 2,7154 82 0,6775 1,2920 1,6636 1,9893
2,4286 2,7116 83 0,6775 1,2918 1,6634 1,9890
2,4258 2,7079 84 0,6774 1,2917 1,6632 1,9886
2,4233 2,7045 85 0,6774 1,2916 1,6630 1,9883

2,4208 2,7012 86 0,6774 1,2915 1,6628 1,9879
2,4185 2,6981 87 0,6773 1,2914 1,6626 1,9876
2,4163 2,6951 88 0,6773 1,2912 1,6624 1,9873
2,4141 2,6923 89 0,6773 1,2911 1,6622 1,9870
2,4121 2,6896 90 0,6772 1,2910 1,6620 1,9867

100 0,677 1,290 1,660 1,984
120 0,677 1,289 1,658 1,980
0,674 1,282 1,645 1,960

107

2,5% 1% 0,5%

2,0129 2,4102 2,6870
2,0117 2,4083 2,6846
2,0106 2,4066 2,6822
2,0096 2,4049 2,6800
2,0086 2,4033 2,6778

2,0076 2,4017 2,6757
2,0066 2,4002 2,6737
2,0057 2,3988 2,6718
2,0049 2,3974 2,6700
2,0040 2,3961 2,6682

2,0032 2,3948 2,6665
2,0025 2,3936 2,6649
2,0017 2,3924 2,6633
2,0010 2,3912 2,6618
2,0003 2,3901 2,6603

1,9996 2,3890 2,6589
1,9990 2,3880 2,6575
1,9983 2,3870 2,6561
1,9977 2,3860 2,6549
1,9971 2,3851 2,6536

1,9966 2,3842 2,6524
1,9960 2,3833 2,6512
1,9955 2,3824 2,6501
1,9949 2,3816 2,6490
1,9944 2,3808 2,6479

1,9939 2,3800 2,6469
1,9935 2,3793 2,6459
1,9930 2,3785 2,6449
1,9925 2,3778 2,6439
1,9921 2,3771 2,6430

,9917 2,3764 2,6421
1,9913 2,3758 2,6412
1,9908 2,3751 2,6403
1,9905 2,3745 2,6395
1,9901 2,3739 2,6387

1,9897 2,3733 2,6379
1,9893 2,3727 2,6371
1,9890 2,3721 2,6364
1,9886 2,3716 2,6356
1,9883 2,3710 2,6349

1,9879 2,3705 2,6342
1,9876 2,3700 2,6335
1,9873 2,3695 2,6329
1,9870 2,3690 2,6322
1,9867 2,3685 2,6316

1,984 2,364 2,626
1,980 2,358 2,617
1,960 2,326 2,576

(Apostila) Estatística Aplicada A Engenharia I

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

(Apostila) Estatística Aplicada A Engenharia I

Uploaded by

Copyright:

Available Formats

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

CENTRO DE CINCIAS EXATAS E DA TERRA

), um n real, X(). Ver Figura abaixo.

so obtidos localizando o nmero adequado de graus de

possvel construir um intervalo

, e exigir que a probabilidade do intervalo seja de

atravs do intervalo de confiana; as

, X (mdia amostral), tem distribuio de

com base na amostra, S.

, mas aumentando o tamanho da amostra o vis tende a

pode ser construdo.

, em geral, usa-se: 0,05; 0,01 ou 0,001;

. (normalmente utilizado = 5%).

. A varivel escolhida Z, normal padro.

You might also like