You are on page 1of 185

ESTATÍSTICA

O presente material foi elaborado com o objetivo de facilitar as atividades em sala de
aula, seguindo a bibliografia apresentada no final do texto. Esclarece-se que o material, não
substitui a bibliografia apresentada, portanto, é necessário consultar os livros recomendados.

Profa. Sachiko Araki Lira
.

2º. SEMESTRE DE 2016

SUMÁRIO

ESTATÍSTICA DESCRITIVA ........................................................................................................ 1
1.1 Variável Aleatória ................................................................................................................ 2
1.2 Tipos de Escalas e Variáveis............................................................................................... 4
1.3 Tabelas ............................................................................................................................... 5
1.3.1 Elementos essenciais de uma tabela ............................................................................... 5
1.3.2 Tabelas de distribuição de frequências............................................................................. 6
1.3.2.1 Variável Discreta ........................................................................................................... 6
1.3.2.2 Variável Contínua .......................................................................................................... 8
1.4 Gráficos ............................................................................................................................... 9
1.4.1 Representação Gráfica ..................................................................................................... 9
1.4.2 Histograma de Frequências.............................................................................................. 9
1.4.3 Diagrama de Ramo e Folhas (Stem and Leaf Plot) ........................................................ 10
1.4.4 Gráfico de Boxplot ou da Caixa ...................................................................................... 11
1.4.5 Gráfico de Linhas ........................................................................................................... 12
1.5 Medidas de Localização, Variabilidade e Forma da Distribuição ....................................... 12
1.5.1 Tendência Central .......................................................................................................... 13
1.5.1.1 Esperança matemática ou média aritmética ................................................................ 13
1.5.1.2 Mediana ...................................................................................................................... 15
1.5.1.3 Moda ........................................................................................................................... 18
1.5.2 Medidas de Posição (ou Separatrizes) ........................................................................... 20
1.5.2.1 Quartil.......................................................................................................................... 20
1.5.3 Medidas de Dispersão .................................................................................................... 22
1.5.3.1 Amplitude Total ........................................................................................................... 22
1.5.3.2 Amplitude Interquartil................................................................................................... 23
1.5.3.3 Desvio Médio............................................................................................................... 23
1.5.3.4 Variância e Desvio Padrão .......................................................................................... 24
1.5.3.5 Coeficiente de Variação............................................................................................... 27
1.5.4 Forma da Distribuição .................................................................................................... 27
1.5.4.1 Coeficiente do momento de assimetria ........................................................................ 27
1.5.4.2 Coeficiente do momento de curtose ............................................................................ 28
Lista de Exercícios no. 1 – Estatística Descritiva ..................................................................... 31
ELEMENTOS DE PROBABILIDADES ....................................................................................... 34
2.1 Experimento Aleatório (E) ................................................................................................ 34
2.2 Espaço Amostral (S) ......................................................................................................... 34
2.3 Evento ............................................................................................................................... 34
2.3.1 Evento Complementar .................................................................................................... 35
2.3.2 Eventos Independentes .................................................................................................. 35
2.3.3 Eventos Mutuamente Exclusivos .................................................................................... 36
2.4 Definição Clássica de Probabilidade ................................................................................. 37
2.5 Definição Axiomática de Probabilidade ............................................................................. 37
2.6 Probabilidade Condicional ................................................................................................. 37
2.7 Teorema da Probabilidade Total ....................................................................................... 38
2.8 Teorema de Bayes ............................................................................................................ 39
Lista de Exercícios no. 2 - Probabilidades ............................................................................... 40
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADES .............. 43
3.1 Definições ......................................................................................................................... 43
3.2 Distribuições de Probabilidades Discretas ......................................................................... 46
3.2.1 Distribuição binomial ...................................................................................................... 46
3.2.2 Distribuição de Poisson .................................................................................................. 48
3.2.3 Distribuição Hipergeométrica .......................................................................................... 50
ii
SUMÁRIO

Lista de Exercícios no. 3 – Distribuições de Probabilidades Discretas .................................... 52
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADES .............. 54
4.1 Definições ......................................................................................................................... 54
4.2 Distribuições de Probabilidades Continuas ........................................................................ 56
4.2.1 Distribuição Exponencial ................................................................................................ 56
4.2.2 Distribuição normal ou Gaussiana .................................................................................. 57
4.3.2.1 Distribuição normal padronizada ou reduzida .............................................................. 59
4.3.3 Distribuição  2 ( qui-quadrado)...................................................................................... 61
4.3.4 Distribuição “ t ” de Student ............................................................................................ 62
4.3.5 Distribuição F de Snedecor ............................................................................................ 63
Lista de Exercícios no. 4 – Distribuições de Probabilidades Contínuas ................................... 64
NOÇÕES DE AMOSTRAGEM E DISTRIBUIÇÕES AMOSTRAIS.............................................. 66
5.1 Introdução ......................................................................................................................... 66
5.2 Amostragem Probabilística ................................................................................................ 66
5.2.1 Amostragem Aleatória Simples (AAS) ............................................................................ 66
5.2.2 Amostragem Sistemática ................................................................................................ 67
5.2.3 Amostragem Estratificada............................................................................................... 68
5.3 Distribuições Amostrais ..................................................................................................... 68
5.3.1 Distribuição Amostral de Médias .................................................................................... 68
5.3.2 Distribuição Amostral de Proporções .............................................................................. 72
5.3.3 Distribuição Amostral da Variância ................................................................................. 72
ESTIMAÇÃO DE PARÂMETROS .............................................................................................. 74
6.1 Introdução ......................................................................................................................... 74
6.2 Estimador e Estimativa ...................................................................................................... 74
6.3 Qualidades de um Estimador ............................................................................................ 74
6.4 Estimação por Pontos ....................................................................................................... 75
6.4.1 Estimador da Média Populacional .................................................................................. 75
6.4.2 Estimador da Variância Populacional ............................................................................. 75
6.4.3 Estimador do Desvio Padrão Populacional ..................................................................... 76
6.4.4 Estimador da Proporção Populacional ............................................................................ 76
6.5 Estimação por Intervalo ..................................................................................................... 76
6.5.1 Intervalo de Confiança para Média populacional ............................................................ 76
6.5.2 Intervalo de Confiança para Diferença entre Duas Médias Populacionais  1 e  2 ......... 80
6.5.3 Intervalo de Confiança para a Variância Populacional .................................................... 84
6.5.4 Intervalo de Confiança para o Desvio Padrão Populacional ........................................... 85
6.5.5 Intervalo de Confiança para Proporção Populacional ..................................................... 86
6.6 Dimensionamento da Amostra .......................................................................................... 87
6.6.1 Estimação da Média Populacional .................................................................................. 87
6.6.2 Estimação da Proporção Populacional ........................................................................... 88
Lista de Exercícios no. 5 - Intervalos de Confiança ................................................................ 89
TESTES DE HIPÓTESES .......................................................................................................... 92
7.1 Etapas para Testes de Hipóteses ...................................................................................... 92
7.1.1 Nível de Significância ..................................................................................................... 92
7.1.2 Erro Estatístico ............................................................................................................... 93
7.2 Testes Estatísticos Paramétricos ...................................................................................... 93
7.2.1 Teste para a Média Populacional ................................................................................... 93
7.2.1.1 Quando a variância populacional  2 é Conhecida ...................................................... 93
7.2.1.2 Quando a variância populacional  2 é desconhecida ................................................. 95
7.2.2 Teste para a Proporção Populacional ............................................................................. 96
7.2.3 Teste para a Variância Populacional .............................................................................. 98
7.2.4 Teste para a Diferença entre Duas Médias Populacionais............................................ 100
7.2.4.1 Quando as variâncias populacionais  12 e  22 são Conhecidas ................................ 100
7.2.4.2 Quando as variâncias populacionais  12 e  22 são Desconhecidas .......................... 102
7.2.5 Duas Amostras Emparelhadas ..................................................................................... 106
7.2.6 Teste para Igualdade de Duas Variâncias .................................................................... 107
iii
SACHIKO ARAKI LIRA

Lista de Exercícios no. 6 – Testes de Hipóteses ................................................................... 110
TESTES DE ADERÊNCIA ....................................................................................................... 113
8.1 Teste Qui-quadrado de Aderência ................................................................................... 113
8.2 Teste de Lilliefors ............................................................................................................ 117
Lista de Exercícios no. 7 – Testes de Aderência ................................................................... 119
ANÁLISE DA VARIÂNCIA ........................................................................................................ 121
9.1 Fundamentos da ANOVA ................................................................................................ 121
9.2 Análise da Variância a um Critério de Classificação ........................................................ 123
9.3 Comparações Múltiplas entre Médias .............................................................................. 128
9.3.1 Teste de Scheffé .......................................................................................................... 128
Lista de Exercícios no. 8 – Análise da Variância ................................................................... 131
ANÁLISE DE CORRELAÇÃO E REGRESSÃO SIMPLES ....................................................... 133
10.1 Introdução ..................................................................................................................... 133
10.2 Diagrama de Dispersão ................................................................................................. 133
10.3 Análise de Correlação ................................................................................................... 134
10.3.1 Coeficiente de Correlação Linear de Pearson ............................................................ 134
10.3.1.1 Teste de Hipóteses para Coeficiente de Correlação ................................................ 136
10.4 Análise de Regressão Linear Simples ........................................................................... 137
10.4.1 Estimação dos Parâmetros......................................................................................... 138
10.4.2 Testes de Hipóteses na Regressão Linear ................................................................ 141
10.4.2.1Teste t ..................................................................................................................... 141
10.4.2.2 Análise da Variância ................................................................................................ 141
10.4.3 Coeficiente de Determinação ou Explicação............................................................... 144
10.5 Ajuste de Curva Geométrica (ou Função Potência) ....................................................... 147
10.5.1 Estimativa dos Coeficientes........................................................................................ 148
10.5.2 Testes de Hipóteses ................................................................................................... 149
10.5.2.1 Análise da Variância ................................................................................................ 149
10.5.3 Coeficiente de Determinação ou Explicação............................................................... 149
10.6 Ajuste de Função Exponencial ...................................................................................... 152
10.6.1 Estimativa dos Coeficientes........................................................................................ 153
10.6.2 Testes de Hipóteses ................................................................................................... 154
10.6.2.1 Análise da Variância ................................................................................................ 154
10.6.3. Coeficiente de Determinação ou Explicação .............................................................. 154
Lista de Exercícios no. 9 – Análise de Correlação e Regressão ............................................ 158
ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA ..................................................................... 160
11.1 Regressão Linear com 2 Variáveis Independentes ........................................................ 160
11.1.1 Estimativas dos Coeficientes de Regressão ............................................................... 161
1.1.2 Teste para Verificar a Existência de Regressão ........................................................... 161
11.1.3 Cálculo do Coeficiente de Determinação ou Explicação ............................................. 161
Lista de Exercícios no. 10 – Análise de regressão Linear Múltipla ........................................ 166
BIBLIOGRAFIA ........................................................................................................................ 168
TABELA A1.1 – ÁREAS SOB A CURVA NORMAL ............................................................... 169
TABELA A1.2 – ÁREAS SOB A CURVA NORMAL ............................................................... 170
TABELA A2 - DISTRIBUIÇÃO ‘ t ’ DE STUDENT .................................................................. 171
TABELA A3 - DISTRIBUIÇÃO DE  2 .................................................................................. 172
TABELA A4 - DISTRIBUIÇÃO ‘F’ DE SNEDECOR (Nível de Significância 1%) .................... 173
TABELA A5 - DISTRIBUIÇÃO ‘F’ DE SNEDECOR (Nível de Significância de 5%) ............... 174
TABELA A6 - DISTRIBUIÇÃO ‘F’ DE SNEDECOR (Nível de Significância de 10%) ............. 175
TABELA A7 - VALORES CRÍTICOS ( dc ) PARA TESTE DE LILLIERFORS ....................... 176

iv
SUMÁRIO

ESTATÍSTICA DESCRITIVA

INTRODUÇÃO

Estatística é a ciência que trata da coleta, organização, descrição, análise e interpretação dos
dados experimentais. A FIGURA 1, a seguir, mostra o contexto em que se situa o estudo
completo da Estatística, aqui subdividido em Estatística Descritiva e Estatística Indutiva (ou
Inferência Estatística).

FIGURA 1 - ESQUEMA GERAL DA ESTATÍSTICA

Estatística Amostragem Cálculo das
Descritiva Probabilidade
s

Estatística
Indutiva

FONTE: COSTA NETO (1994, p.4).

A Estatística Descritiva é a parte que trata da organização e descrição de dados, através dos
cálculos de médias, variâncias, estudo de gráficos, tabelas etc.
A Teoria das Probabilidades permite-nos modelar os fenômenos aleatórios, ou seja, aqueles em
que está presente a incerteza. É uma ferramenta fundamental para a inferência estatística.
A Estatística Indutiva compreende um conjunto de técnicas baseadas em probabilidades, que a
partir de dados amostrais, permite-nos tirar conclusões sobre a população de interesse.
A Amostragem é o ponto de partida para um estudo estatístico. O estudo de qualquer
fenômeno, seja ele natural, social, econômico ou biológico, exige a coleta e a análise de dados
estatísticos. A coleta de dados é, pois, a fase inicial de qualquer pesquisa.
A População é o conjunto de todas as observações potenciais sobre determinado fenômeno. O
conjunto de dados efetivamente observados, ou extraídos, constitui uma amostra da população.
É a partir do dado amostral, que se desenvolvem os estudos, com o objetivo de se fazer
inferências sobre a população.

1
SACHIKO ARAKI LIRA

1 ESTATÍSTICA DESCRITIVA
O objetivo da estatística descritiva é organizar os dados e apresentá-los de forma a possibilitar a
visualização das informações subjacentes (que não são observáveis). As técnicas estatísticas e
gráficas, disponíveis para a análise exploratória de dados, podem ser aplicadas a qualquer
conjunto de dados, sejam para dados populacionais ou amostrais.

O parâmetro é uma medida numérica que descreve de forma reduzida alguma característica de
uma população ou universo. É habitualmente representado por letras gregas. Por exemplo: μ
(média), σ (desvio padrão), ρ (coeficiente de correlação). O parâmetro normalmente é
desconhecido e, deseja-se estimar através de dados amostrais.
Estatística ou medida amostral é uma medida numérica que descreve alguma característica de
uma amostra. É habitualmente representada por letras latinas. Por exemplo: X (média), S
(desvio padrão), r (coeficiente de correlação).
Em resumo, a análise exploratória de dados permite organizar os dados através de tabelas,
gráficos e medidas de localização e dispersão, procurando mostrar um padrão ou
comportamento de um conjunto de dados.

1.1 VARIÁVEL ALEATÓRIA

Variável aleatória é aquela cujo valor numérico não é conhecido antes da sua observação. Esta
tem uma distribuição de probabilidades associada, o que permite calcular a probabilidade de
ocorrência de certos valores.
Geralmente, utilizam-se letras maiúsculas (X, Y, Z...) para designar as variáveis aleatórias, e
minúsculas (x, y, z...) para indicar particulares valores dessas variáveis. O comportamento de
uma variável aleatória é descrito por sua distribuição de probabilidade.

Exemplo: Suponha que em um lote de 10 parafusos, 2 são defeituosos. A variável aleatória
X=número de parafusos defeituosos, na escolha de 3 parafusos com reposição, pode assumir os
seguintes valores:
0 , se s  PPP

1, se s  DPP ou s  PDP ou s  PPD
X(s)  
 2, se s  DDP ou s  DPD ou s  PDD
 3, se s  DDD

sendo P=perfeito e D=defeituoso.

A distribuição de probabilidades é apresentada no QUADRO1.

QUADRO 1 - DISTRIBUIÇÃO DE PROBABILIDADES
DA VARIÁVEL ALEATÓRIA X
Xx P( X  x )

0 (8 10 ) 3  0,512
1 3  (8 10 ) 2  (2 10 )  0,384
2 3  (8 10 )  (2 10 ) 2  0,096
3 (2 / 10 ) 3  0,008

2
ESTATÍSTICA DESCRITIVA

5253 ficará 12. 3 ou 4. 4.58. haverá duas formas: a) como regra geral. aumenta-se de uma unidade o último algarismo a permanecer. ou seja. é definida como sendo a probabilidade de X assumir um valor menor ou igual a x. 7. 8 ou 9. Exemplo: 12. 4.23.5673 ficará 179. b) se ao 5 só seguirem zeros.76. QUADRO 2 .384 2 0. 1. fica inalterado o último número que permanecer.1.A função de repartição ou função de distribuição acumulada da v.53. Quando o primeiro algarismo a ser abandonado for 5.56. o último algarismo a ser conservado só será aumentado se for ímpar. ao arredondar para 2 casas decimais ficará 48.992 3 (2 / 10 )  0. Quando o primeiro algarismo a ser abandonado for 6.096 2 0. a X é definida por FX ( x )  PX ( X  x ) .5650 ficará 4. Como exemplo tem-se o QUADRO 2. aumenta-se de uma unidade o último algarismo a permanecer.512 1 3  (8 10 )  (2 10 )  0. 179.57. 3.57. Quando o primeiro algarismo a ser abandonado for 0. ao arredondar para 2 casas decimais ficará 23. x  R .512 3 0.44.7750 passa a ser 24.4931 ficará 87. 2.008 3 1. Exemplos: arredondar os números dados para 2 casa decimais.08.FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA DA VARIÁVEL ALEATÓRIA X Xx P( X  x ) FX ( x) 0 (8 10 )  0.896 2 3  (8 10 )  (2 10 )  0.7650 passa a ser 24. Exemplo: 24.1 ARREDONDAMENTO DE NÚMEROS 1. 17. Exemplo: seja o número 48.5652 ficará 4.78 24.000 1. Exemplo: o número 23. 87.231.575 ficará 4. 3 SACHIKO ARAKI LIRA .077. 4.44452 ficará 17. 2.49.

a variável pode ser classificada em qualitativa ou quantitativa. e a última de medições. Exemplo: Seja X a variável que indica a qualidade de um determinado produto.2 TIPOS DE ESCALAS E VARIÁVEIS Uma variável pode se apresentar das seguintes formas. estado de uma peça de automóvel.4 14 16. ou seja.4. Quando assume mais de duas categorias é denominada politômica. seja X. pois a partir desta pode-se transformar em escala intervalar. sendo a primeira resultante de contagem. Quando houver parcelas e total. Tem-se então: A (indicando melhor qualidade).o Escala nominal: é aquela que permite o agrupamento da unidade de observação (unidade da pesquisa) de acordo com uma classificação qualitativa em categorias definidas. e ocorrer diferença no arredondamento. quanto aos valores assumidos: 1. apenas a contagem. As escalas para medir temperaturas como a Fahrenheit e a Centígrada são exemplos de escalas de intervalo. enquanto a quantitativa é aquela em que o nível de mensuração é intervalar ou de razão. embora se possa dizer que a diferença entre 20 graus e 40 graus é a mesma que entre 75 graus e 95 graus. sendo denominada dicotômica. 3. A escala ordinal fornece informações sobre a ordenação das categorias. é preferível utilizar a medida de escala de razão. a variável X assume as categorias “perfeita” e “defeituosa”. não se faz cálculos. B (qualidade intermediária) e C (pior qualidade). De acordo com o nível de mensuração. Por exemplo. deve ser mutuamente excludente.9 32 1. Não se pode afirmar que 40 graus é duas vezes mais quente que uma temperatura de 20 graus.º Escala intervalar: é uma escala ordinal em que a distância entre as categorias é sempre a mesma. a variável. ordinal ou nominal.4 para 2 13. é chamada escala de razão. 2. consiste simplesmente em nomear ou rotular.º Escala de razão: quando uma escala tem todas as características de uma escala intervalar e o zero absoluto representa o ponto de origem. não ocorrendo o inverso. não sendo possível estabelecer graduação ou ordenamento. Neste caso. ---- 31. assumindo somente valores inteiros. assumindo qualquer 4 ESTATÍSTICA DESCRITIVA . Sempre que possível. Exemplo: 2. Ao se trabalhar com essa escala. isto é. cada unidade de observação deve ser classificada em uma e somente uma categoria. Não tem significado aritmético ou de quantificação.o Escala ordinal: permite o agrupamento da unidade de observação de acordo com uma ordem de classificação. A variável quantitativa pode ser ainda discreta ou contínua. mas não indica a grandeza das diferenças entre os valores. 4.1 16 ----. deve-se fazer correção na parcela (ou parcelas) onde o erro relativo for menor. Variável qualitativa é aquela cujo nível de mensuração é nominal ou ordinal.

os conceitos de variáveis quantitativas discretas e contínuas. oferecendo uma visão geral do comportamento do fenômeno analisado. ou 3ª.1 ELEMENTOS ESSENCIAIS DE UMA TABELA Uma tabela deve apresentar os dados de forma resumida. A FIGURA 2 apresenta os tipos de variáveis de forma resumida. Apresentam-se.valor no campo dos números reais.3 TABELAS 1. Uma tabela é constituída dos seguintes elementos: 5 SACHIKO ARAKI LIRA . a seguir.3.. É possível ter as seguintes situações conforme QUADRO 3: QUADRO 3 – CLASSIFICAÇÃO DAS VARIÁVEIS SEGUNDO TIPO VARIÁVEIS TIPO Estado: Conforme ou Não-conforme Qualitativa Nominal Qualidade: 1ª. Variável aleatória contínua: a variável aleatória X é chamada de contínua quando o seu contradomínio é um conjunto infinito. 2ª. FIGURA 2 .TIPOS DE VARIÁVEIS Nominal Qualitativa Ordinal Variável Discreta Quantitativa Contínua FONTE: A autora Exemplo de aplicação: Seja uma população de peças produzidas em um determinado processo. Variável aleatória discreta: uma variável aleatória X é discreta se o conjunto de valores possíveis de X for finito ou infinito numerável. categoria Qualitativa Ordinal Número de peças conformes Quantitativa Discreta Comprimento das peças Quantitativa Contínua FONTE: A autora 1.

O número de unidades não- conformes são: 4 . Exemplo: Os dados que seguem apresentam os resultados da inspeção diária de todas as unidades de computadores produzidos durante os últimos 10 dias.Fonte: é a indicação da entidade responsável pelo levantamento dos dados.Cabeçalho: é a parte superior da tabela que especifica o conteúdo das colunas.5 .4 .7 6 ESTATÍSTICA DESCRITIVA .1 .Título: é a indicação que precede a tabela e contém a identificação de três fatores do fenômeno. Para obter mais informações consultar o manual de normalização de documentos científicos de acordo com as normas da ABNT (AMADEU.3.  Dados brutos: É o conjunto de dados numéricos obtidos e que ainda não foram organizados.1 VARIÁVEL DISCRETA Quando uma variável quantitativa discreta assume poucos valores. pode-se considerar que cada valor seja uma classe e que existe uma ordem natural nessas classes. 2015) 1.7 .  Frequência absoluta ( fi ): É o número de vezes que um elemento aparece no conjunto de dados: k  fi  n onde n é o número total de observações e k é o número de valores diferentes i1 observados.5 .8 .  Rol: É o arranjo dos dados brutos em ordem crescente (ou decrescente).  Amplitude (At): É a diferença entre o maior e o menor dos valores observados.8 . a) A data a qual se refere. 3 .2.3.  Frequência Relativa ( fr ): fi k fr  e  fri  1 n i1  Frequência Absoluta Acumulada ( fac ): É a soma da frequência absoluta do valor i assumida pela variável com todas as frequências absolutas anteriores. 2 .6 . 4 . c) o fenômeno que é descrito. 1.Corpo da tabela: é o espaço que contém as informações sobre o fenômeno observado.6 .2 TABELAS DE DISTRIBUIÇÃO DE FREQUÊNCIAS Serão apresentados alguns conceitos importantes para a construção de tabelas de frequências. b) o local onde ocorreu o evento. et al.

a construção da tabela de frequências e de gráficos considerando cada valor como uma categoria fica inviável. vale lembrar que. então o número de classes é aproximadamente a raiz quadrada positiva de n. k = 5 Para n > 25. Assim. e ao contrário.DISTRIBUIÇÃO DE FREQUÊNCIAS DO NÚMERO DE UNIDADES NÃO CONFORMES DE COMPUTADORES PRODUZIDOS DURANTE 10 DIAS NÚMERO DE DEFEITOS NÚMERO DE DIAS (Freq.3  log ( n ) . Ou seja: Para n  25. D. a escolha dos intervalos dependerá do conhecimento que o pesquisador tem sobre os dados. At Ou seja: h  k 7 SACHIKO ARAKI LIRA . TABELA 1 . Mas.) 4 2 5 2 6 2 7 2 8 2 FONTE: MONTEGOMERY. quando se utiliza um pequeno número de intervalos pode-se perder informações. com um grande número de intervalos pode-se prejudicar o resumo dos dados. A t  X máx  X min  Amplitude dos intervalos ou das classes (h): É a divisão da amplitude total (At) pelo número de intervalos (k).  Número de Classes (k) Quando se tratar de uma variável quantitativa discreta que pode assumir um grande número de valores distintos. NOTA: A produção diária é de 100 computadores. Existem duas soluções para a definição do número de intervalos bastante utilizadas que são: 1) Se o número de elementos (n) for menor ou igual a 25 então o número de classes (k) é igual a 5.  Amplitude total ou “range” (At): É a diferença entre o maior e o menor valor observados no conjunto de dados. se n for maior que 25. A solução é agrupar os valores em classes ao elaborar a tabela. C. a definição do número de intervalos ou classes é arbitrária. Segundo Bussab e Morettin. k = n 2) Fórmula de Sturges para número de classes: k  1  3.

132.139.1 . Construir a tabela de distribuição de frequências em classes.138.132.115.152.5 .50 h   9.37 .2 . na construção das tabelas de frequências.40 .45 .144.8 |--.125. 102.9 .58 .1 .4 .108.145.3  10 k 5 TABELA 2 .4 .00 FONTE: Elaborada pela autora. Exemplo 2: O tempo necessário para se realizar certa operação industrial foi cronometrado (em segundos).3 .41 .8 |--.15 3 112.122.34 .2 VARIÁVEL CONTÍNUA Quando a variável quantitativa em estudo é contínua.48 .110.7 .57 .51 .4 .44 .7 135.144.2.115.9 .8  46.136.0 .39 .2 . o agrupamento dos dados em classes será sempre necessário.59 . Exemplo 1: A tabela abaixo apresenta as medidas de uma dimensão de uma peça produzida por um processo de usinagem.46 .7 135.144.DISTRIBUIÇÃO DE FREQUÊNCIAS DAS MEDIDAS DE UMA DIMENSÃO DAS PEÇAS PRODUZIDAS POR UM PROCESSO DE USINAGEM INTERVALO DE fi fr fac CLASSES 102.142.57 .8 5 0.3  102.8 3 0.129.43 .31 .2 .20 10 132.58 .1 .138.138.5 .50 k5 A t 46.136.4 .129.149.6 .118.125.35 .3.120.46 .7 .132.145.4 ROL: 102.2 .45 .8 |--.9 .6 .112.144.3 .8 |--.8 4 0.6 .3 .8 3 0.125.110.125.38 .39 .8 |--.45 41 .6 .0 – 108.35 8 ESTATÍSTICA DESCRITIVA .49 .138.25 15 142. sendo feita 30 determinações: 45 .25 20 TOTAL 20 1.139.7 .1 .36 . que assume muitos valores distintos.8 .145.9 .3 A t  X máx  X min  149 .149.145.53 .15 6 122.4 .8 .8 .1.8 5 0.8 .7 – 120.57 .118.

7  5 k 6 TABELA 3 .20 10 41 |---.46 .49 .1 REPRESENTAÇÃO GRÁFICA O objetivo do gráfico é passar para o leitor uma visão clara do comportamento do fenômeno em estudo.44 . 1. 1. A representação gráfica de um fenômeno deve obedecer a certos requisitos fundamentais: a) Simplicidade: O gráfico deve ser destituído de detalhes de importância secundária.41 -41 .DISTRIBUIÇÃO DE FREQUÊNCIAS DO TEMPO NECESSÁRIO PARA REALIZAÇAO DE CERTA OPERAÇÃO INDUSTRIAL INTERVALO DE fi fr fac CLASSES 31 |---.56 2 0.20 30 TOTAL 30 1.61 6 0.39 .39 . uma vez que os gráficos transmitem informação mais imediata do que uma tabela.43 .51 4 0.48 .2 HISTOGRAMA DE FREQUÊNCIAS Este é um gráfico usado para apresentar dados organizados em intervalos de classes. utilizado principalmente para representar a distribuição de variáveis contínuas.34 .35 .37 .4 GRÁFICOS 1. 9 SACHIKO ARAKI LIRA . c) Veracidade: o gráfico deve ser a verdadeira expressão do fenômeno em estudo.46 8 0.35 .36 4 0.53 .45 .3 log( 30 )  5. ROL: 31 .4.07 24 56 |---.13 22 51 |---.45 .36 .27 18 46 |---.87  6 (fórmula de Sturges) A t 28 h   4.0 k  1  3.4.00 FONTE: Elaborada pela autora.38 .58 .46 .45 45 .51 .57.41 6 0.40 .58 – 59 A t  Xmáx  Xmin  59  31  28. b) Clareza: o gráfico deve possibilitar uma correta interpretação dos valores representativos do fenômeno em estudo.57 .57 .13 4 36 |---.

3.4 .110. deixar em branco.3 DIAGRAMA DE RAMO E FOLHAS (STEM AND LEAF PLOT) Este diagrama é muito útil para uma primeira análise dos dados.6 . 1. não colocar nada. 4. a partir dai colocam-se os valores na folha .132.144. GRÁFICO 1 – HISTOGRAMA DE FREQUÊNCIAS DA VARIÁVEL HISTOGRAMA ALEATÓRIA DE X FREQUÊNCIAS Freq.7 135.7 .9 . Passos para construir um diagrama de ramo e folhas: 1.120. escrever as unidades para o ramo e folhas no gráfico.144.4. dividir cada número x i em duas partes: um ramo. listar os valores do ramo em uma coluna vertical.138. significa que há informação e que é um número inteiro.5 . 10 9 8 7 6 5 4 3 2 1 0 76 105 134 163 192 221 250 Classes FONTE: Elaborado pela autora. 10 28 2 11 058 3 12 0559 4 13 256889 6 14 44559 5 FONTE: Elaborado pela autora. 10 ESTATÍSTICA DESCRITIVA .1 .118.139. Já.3 GRÁFICO 2 – DIAGRAMA DE RAMO E FOLHAS DE MEDI- DAS DE UMA DIMENSÃO DAS PEÇAS RAMO FOLHA FREQ.3 . ordenar os valores para encontrar o valor mínimo e máximo dos dados.115.0 .4 .8 .7 .6 . e uma folha. consistindo em um ou mais dígitos iniciais. 2. consistindo nos dígitos restantes . 5.129.2 . 102. Considerando os dados do exemplo 1: Os dados referem-se às medidas de uma dimensão de uma peça produzida por um processo de usinagem.125. O valor zero.145. quando naquele valor inteiro não existe observações.2 .145.138.1 .149.8 .125.108.4 .9 .136.

48 .39 .4.36 .41 -41 . 1. Os traços horizontais ao final das linhas verticais são traçados sobre o último ponto (de um lado ou de outro) que não é considerado um outlier.46 .45 .51 . respectivamente.45 45 . 11 SACHIKO ARAKI LIRA .39 .57 .44 .58 – 59 GRÁFICO 3 – DIAGRAMA DE RAMO E FOLHAS DO TEMPO PARA REALIZAÇÃO DE CERTA OPERAÇÃO INDUSTRIAL RAMO FOLHA FREQ.34 . Logo.46 . tem-se: O tempo necessário para se realizar certa operação industrial foi cronometrado (em segundos): 31 . a altura deste retângulo é chamada de amplitude interquartílica (IQ).49 .53 .38 .Considerando os dados do exemplo 2.35 .45 .57.40 .Q1 A linha central do retângulo (“caixa”) representa a mediana da distribuição.4 GRÁFICO DE BOXPLOT OU DA CAIXA Comprimento da caixa = amplitude interquartílica = Q 3 .57 . 3 145567899 9 4 0113455556689 13 5 13777889 8 FONTE: Elaborado pela autora.35 .58 . As bordas superior e inferior do retângulo representam os quartis 1 e 3.37 .43 .

000 73. Ao analisarmos a distribuição de frequências de uma variável quantitativa.995 73. de 25 amostras de tamanho n=5 (GRÁFICO 4).990 LIC=73. um exemplo de gráfico de média (Gráfico de X ) das medidas dos diâmetros internos (mm) de anéis de pistão de motores de automóveis. Este tipo de gráfico é importante para a análise do controle de processo de produção e de séries temporais. GRÁFICO 4 – GRÁFICO DE CONTROLE DE MÉDIAS GRÁFICO DE CONTROLE DE MÉDIA Médias amostrais 74.99 1 3 5 7 9 11 13 15 17 19 21 23 25 Amostras 1. 12 ESTATÍSTICA DESCRITIVA . A seguir.5 vezes a IQ ou os pontos abaixo do valor do 1º quartil diminuído de 1. proveniente de uma amostra.5 vezes a IQ.Não há um consenso sobre a definição de um outlier. verificar basicamente três características:  Localização.015 LSC=74.005 _ _ X=LC=74.4. no caso do boxplot em geral.010 74. 1.5 MEDIDAS DE LOCALIZAÇÃO.00 74. ou seja. pois depende dos elementos selecionados para compor a amostra. Porém.01 74. a maior parte das definições considera que pontos acima do valor do 3º quartil somado a 1.5 GRÁFICO DE LINHAS O gráfico de linhas é indicado para representar séries temporais ou sequência temporal. deve-se. VARIABILIDADE E FORMA DA DISTRIBUIÇÃO Estimador ou estatística é uma função dos valores da amostra. que é um conjunto de dados em que as observações são registradas na ordem em que elas ocorrem.  Variabilidade ou Dispersão.  Forma. são considerados outliers. é uma variável aleatória.

Então: E ( X  Y )  E ( X)  E( Y ) 4. das chamadas medidas de localização. a) Para dados simples A esperança matemática ou média aritmética populacional é dada pela expressão: 1N E( X )     xi N i1 A média aritmética amostral é obtida através da seguinte expressão: 1n X  xi n i1 b) Para dados agrupados em classes k  x i fi E( X )    i 1 (população) N onde: k é o número de classes.K )  k E ( X) 3.1 TENDÊNCIA CENTRAL As medidas de tendência central fazem parte.1 ESPERANÇA MATEMÁTICA OU MÉDIA ARITMÉTICA A esperança matemática ou média aritmética de uma variável aleatória X é o centro de gravidade do conjunto de dados. x i é o ponto médio das classes. E( Y ) 13 SACHIKO ARAKI LIRA . Propriedades da Esperança Matemática 1.1.a. Sejam X e Y variáveis aleatórias independentes.1.5. e indicam onde se concentra a maioria dos dados. k  x i fi i 1 X (amostra) n onde: k é o número de classes. juntamente com as de posição. Sejam X e Y variáveis aleatórias.5. sendo k=constante e X v.Y )  E ( X) . 1. E ( X . 2. x i é o ponto médio das classes. e é definida como a soma de todos os valores da variável dividida pelo número de observações. E ( X  K )  E ( X)  K . Então: E ( X .

13.5 134.0 TOTAL 30 1365.13 4 36 |---.13.56 2 0.00 FONTE: Elaborada pela autora.4  12.5 231.0 56 |---.41 6 38.9  13.36 4 33.07 24 56 |---.DISTRIBUIÇÃO DE FREQUENCIAS DO TEMPO NECESSÁRIO PARA REALIZAÇÃO DE CERTA OPERAÇÃO INDUSTRIAL INTERVALO DE fi fr fac CLASSES 31 |---.6 .6 .51 4 48.61 6 58.6  13.0 14 ESTATÍSTICA DESCRITIVA .51 4 0. Calcular o tempo médio necessário para realizar a operação industrial. 5.0 libras-força 8 8 2) Considere a seguinte distribuição: TABELA 4 . ela é fortemente influenciada pelos valores extremos.5 351.20 10 41 |---.6  13. deve-se fazer uma análise cuidadosa dos dados. Solução: INTERVALO DE fi xi x i fi CLASSES 31 |---.3  13.13. mas está inseguro acerca do efeito dessa decisão na força da remoção do conector.46 8 43.5 107.13 22 51 |---. A média da força de remoção será: 1n X  xi n i1 X 1 12. O engenheiro estabelece como especificação do projeto uma espessura de 3/32 polegadas.27 18 46 |---.6 .12.41 6 0.20 30 TOTAL 30 1.1.61 6 0.5 194.0 46 |---. Por esta razão.6  12. E ( X  X)  0 v.1  104  13.3 .13. Exemplos de aplicação: 1) Suponha que um engenheiro esteja projetando um conector de náilon para ser usado em uma aplicação automotiva.a.5 .0 36 |---.0 51 |---.4 . centrada A média e os valores extremos: a média apresenta um grave problema.56 2 53.12.5  12.46 8 0.0 41 |---.12.9 .36 4 0. Oito unidades do protótipo são produzidas e suas forças de remoção são medidas (em libras- força): 12.5 348.

8 |--.2 132.122.8 |--.8 |--.0 142. TABELA 5 – DISTRIBUIÇÃO DE FREQUÊNCIAS DE MEDI – DAS DE UMA DIMENSÃO DE PEÇAS INTERVALO DE fi fr fac CLASSES 102. dividindo o conjunto em duas partes iguais.0 k  x i fi 2616 i 1 X   130.122.8 5 137.15 3 112.8 3 107.8 511.8 |--.8 689.8 353. Calcular a média das medidas da dimensão das peças.132.152.25 20 TOTAL 20 1.8 3 117.8 4 127.8 5 0.8 739.8 323.2 MEDIANA A mediana é o valor que ocupa a posição central do conjunto de observações de uma variável.8 5 147.8 n 20 1.5.152.8 4 0. sendo que 50% dos dados tomam valores menores ou iguais ao valor da mediana e os 50% restantes.8 |--.8 5 0. acima do seu valor.8 |--.8 3 0.4 122. k  x i fi 1365 i 1 X   45. INTERVALO DE fi xi x i fi CLASSES 102.8 |--.142.15 6 122. 15 SACHIKO ARAKI LIRA .8 |--.8 3 0.00 FONTE: Elaborada pela autora.20 10 132.4 112.0 TOTAL 20 2616.8 |--.50 n 30 3) Seja a distribuição de frequências a seguir.112.8 |--.25 15 142.142.1.132.112.

6 .13.6 . o valor da mediana é o valor da variável que ocupa o lugar PosM e .9 .13.3 .9  13.13.4 .3 .0 2 2) Os dados que seguem são os resultados da inspeção diária de todas as unidades de computadores produzidos durante os últimos 10 dias. o lugar ou posição que a mediana ocupa é: (n  1) PosM e  2  1 4 3.1 Me   13.8 .12.7 .9 . Exemplo de aplicação: 1) Considerando-se as forças de remoção.4 .5 . mas não é comum e pode atrapalhar na hora de calcular as medidas de posição) 2. A mediana é independente dos valores extremos.12.13.a) Para dados simples Etapas para a obtenção da mediana: 1.5 . Rol: 12.6 .5 4 66 Me  6 2 b) Dados agrupados em classes ( n 2 )  fac Me  L i  h fi 16 ESTATÍSTICA DESCRITIVA .6 .8 (10  1) PosMe  2   1  5.13.5 4 A mediana é a média aritmética dos valores que ocupam a posição 4 e 5.1 . ordenar os dados em ordem crescente (pode ser também na ordem decrescente.6 (8  1) PosMe  2   1  4. medidas em uma amostra de oito unidades do protótipo (em libras-força): 12.12.13.12. porque ela só leva em consideração os valores de posição central.12.6 .13.7 .5 . 12.6 .12.5 .13. O número de unidades não-conformes são: 4-7-5-8-6-6-4-5-8-7 Calcular a mediana.6 .4 . Logo.1. Rol: 4 .

152.8 |--.8 |--.8 3 3 112.142.8 |--.8 3 6 122.8 3 112.112. 1) Seja a distribuição de frequências a seguir. 2 2 2) Calcular as frequências acumuladas ( fac ). h é o intervalo ou amplitude da classe que contém a mediana.onde: L i é o limite inferior da classe que contém a mediana.132.8 |--.8 |--.8 |--.142.8 5 15 142.122.152. Calcular a mediana das medidas da dimensão das peças.8 4 10 132.8 |--. INTERVALO DE fi fac CLASSES 102.8 3 122.122.8 |--.8 4 132.8 |--.112. TABELA 6 – DISTRIBUIÇÃO DE FREQUÊNCIAS DAS MEDIDAS DE UMA DIMENSÃO DAS PEÇAS INTERVALO DE CLASSES fi 102. fi é a frequência simples da classe que contém a mediana.132. ' fac é a frequência acumulada da classe anterior a que contém a mediana. n é o número de elementos do conjunto de dados.8 5 142.8 5 TOTAL 20 Solução: n 20 1) O passo inicial é calcular   10 .8 5 20 TOTAL 20 ( n 2 )  fac Me  L i  h fi 17 SACHIKO ARAKI LIRA .8 |--.

36 4 36 |---. principalmente quando a variável assume muitos valores.56 2 56 |---.41 8 18 41 |---. ter somente um valor (unimodal) ou pode ter dois ou mais (bimodal ou multimodal).56 6 30 56 |---.61 TOTAL 30 n 30   15 2 2 ( n 2 )  fac Me  Li  h fi (15 )  10 Me  41   5  44.51 4 51 |---. Ela pode não existir (distribuição amodal).8 4 2) Considerando a distribuição a seguir.51 2 14 51 |---. representada por Mo . calcular a mediana.46 4 22 46 |---. ( 20 2 )  6 Me  122.36 6 10 36 |---.125 8 1.1.3 MODA a) Para dados simples A moda. é o valor que apresenta maior frequência.5. TABELA 7 – DISTRIBUIÇÃO DE FREQUÊNCIAS DO TEMPO GASTO PARA REALIZAÇÃO DA OPERAÇÃO INDUSTRIAL INTERVALO DE fi CLASSES 31 |---. Exemplo: 18 ESTATÍSTICA DESCRITIVA .41 6 41 |---.8   10  132.61 6 TOTAL 30 Solução: INTERVALO DE fi fac CLASSES 4 4 31 |---.46 8 46 |---.

b) Dados agrupados em classes Mo  3Me  2X ( moda de Pearson) onde: Me é a mediana da distribuição de dados.125  2  45.6 .8 3 112.6 . TABELA 9 – DISTRIBUIÇÃO DE FREQUÊNCIAS DAS MEDIDAS DE UMA DIMENSÃO DAS PEÇAS INTERVALO DE CLASSES fi 102.375 2) Seja a distribuição de frequências a seguir.12.50  41. respectivamente: X  45. 1) Dada a distribuição de frequências a seguir.13.6 libras-força.125 Logo.13.5 .61 6 TOTAL 30 Solução: Tem-se que a média e a mediana da distribuição são.46 8 46 |---.1.13.12.6 .36 4 36 |---.1) Considerando-se as forças de remoção.8 |--.9 .122.13.8 5 TOTAL 20 19 SACHIKO ARAKI LIRA . a moda será: Mo  3Me  2 X  3  44.51 4 51 |---.8 3 122.12. X é a média da distribuição de dados.4 .8 |--.8 |--.3 .56 2 56 |---. Calcular a moda das medidas da dimensão das peças. TABELA 8 – DISTRIBUIÇÃO DE FREQUÊNCIAS DO TEMPO GASTO PARA REALIZAÇÃO DA OPERAÇÃO INDUSTRIAL INTERVALO DE fi CLASSES 31 |---.152.132.142. medidas em uma amostra de oito unidades do protótipo (em libras-força): 12.112.50 Me  44.8 |--. Para o exemplo tem-se que a moda é igual a 12.8 5 142.8 4 132.41 6 41 |---. calcular a moda.8 |--.

0 (7º elemento).1 4 (9  1) PosQ3  3   1  7.8 .1 .7 20 ESTATÍSTICA DESCRITIVA . respectivamente: X  130.120.129.6 4 (9  1) PosQ2  2   1  5.6 .9 .12. 2. Os quartis dividem o conjunto de dados em quatro partes iguais e os percentis.125.12. A cada quartil correspondem 25% do conjunto de dados e a percentil. 1%.12.6 .Solução: Tem-se que a média e a mediana da distribuição são. i  1.8  136.2 MEDIDAS DE POSIÇÃO (OU SEPARATRIZES) As separatrizes mais conhecidas são os quartis e os percentis.3 .5 .3 . 1.115. 102.2 . logo Q1  12. logo Q 2  13.4 . (9  1) PosQ1  1  1  3. 3 4 Exemplo 1: Os dados a seguir são diâmetros (em cm) de peças de automóveis: 12.15.108.7 .8   10  132. para dados ordenados em ordem crescente.118.0 (3º elemento).6 .8 ( 20 2 )  6 Me  122.4 .125.132. Q 2 e Q 3 ) que dividem o conjunto de dados em 4 partes iguais.5.1 .5 .9 .5.8 4 Mo  3Me  2 X  3  132. sendo que a cada quartil correspondem 25% dos dados. a) Para dados simples (n  1) PosQi  i   1.9 .1 QUARTIL São três medidas ( Q1 .5 4 Exemplo 2: Os dados abaixo são as medidas de uma dimensão de uma peça produzida por um processo de usinagem.13.110. as posições das separatrizes.8  2  130 .13.0 Calcular os quartis.8 1. logo Q 3  13.0 (5º elemento).2.13.13. em cem partes iguais. Da mesma forma que para a mediana.

139. 2. Q 2  132.152.85 (20  1) PosQ3  3   1  15. h é o intervalo ou amplitude da classe que contém a mediana.8 4 10 132.8 .80 b) Para dados agrupados em classes n PosQi  i  .145. Q1  118.6 .6  (144.145.7 .138.25 (15. 4 Logo. 4 Logo.8 |--.149. TABELA 10 – DISTRIBUIÇÃO DE FREQUÊNCIAS DAS MEDIDAS DE UMA DIMENSÃO DAS PEÇAS INTERVALO DE fac CLASSES fi 102.5  (120.5  133.136.0  132.25  140.8 5 15 142.6 .4 .112. ' fac é a freqüência acumulada da classe anterior a que contém o quartil.8 3 3 112.132.75º elemento). i  1.2 . Q 3  139.75 (5.8 |--.144. 3 4 ( PosQi )  fac Qi  L i  h fi onde: n é o número de elementos do conjunto de dados.138.8 |--.25º elemento).4  139.4 .5 (10.0 .2 e 3.7  (135 . Exemplos: 1) Seja a distribuição de frequências a seguir. L i é o limite inferior da classe que contém o quartil. Calcular os quartis 1. 4 Logo.4  118.142.1 .6) * 0.5º elemento).75  119.2 e 3) .8 |--.135.144.3 Calcular os quartis (1.8 5 20 TOTAL 20 21 SACHIKO ARAKI LIRA .5) * 0.8 3 6 122. das medidas da dimensão das peças.7) * 0. (20  1) PosQ1  1  1  5.8 |--.925 (20  1) PosQ2  2   1  10.122. fi é a freqüência simples da classe que contém o quartil.

5.46 8 46 |---. o quanto eles são dispersos.51 4 51 |---. As medidas de dispersão medem o grau de variabilidade ou dispersão dos dados.36 4 36 |---. 1.41 6 41 |---.3. Somente a informação sobre a tendência central de um conjunto de dados não consegue representá-lo adequadamente.3 MEDIDAS DE DISPERSÃO Para descrever adequadamente a distribuição de frequências de uma variável quantitativa.8   10  132.Solução: 20 a) PosQ1  1 5 4 53 Q1  112.80 4 20 PosQ3  3   15 4 15  10 Q 3  132.5.56 2 56 |---.1 AMPLITUDE TOTAL A amplitude total mede a distância entre o valor máximo e mínimo. pois embora forneça uma noção de dispersão. ou seja. calcular os quartis 1.61 6 TOTAL 30 1. TABELA 11 – DISTRIBUIÇÃO DE FREQUÊN- CIAS DO TEMPO PARA REALI- ZAÇÃO DA OPERAÇÃO INDUS- TRIAL INTERVALO DE CLASSES fi 31 |---.80 5 2) Dada a distribuição de freqüências a seguir.8   10  119.2 e 3.47 3 20 PosQ2  2   10 4 10  6 Q2  122. A t  Xmáx  Xmin Exemplo de aplicação: 22 ESTATÍSTICA DESCRITIVA . não diz qual é sua natureza. é necessário dizer também o quanto estes valores variam.8   10  142. Ela é uma estatística rudimentar. além da informação do valor representativo da variável (tendência central).

4 .13. logo Q1  12. I Q  Q 3  Q1 Exemplo: considerando os dados referentes aos diâmetros (em cm) de peças de automóveis e os quartis correspondentes.0 Tem-se que: A t  X máx  X min  15.3.7 1.5.5  12.2 AMPLITUDE INTERQUARTIL A amplitude interquartil. É calculada através da expressão: n  xi  X i 1 DM  n Exemplo de aplicação: Os dados a seguir são diâmetros (em cm) de peças de automóveis: 12.13.6 .9 . calcular a amplitude interquartil.5  1.4 .6  0.15. logo Q 3  13.3 DESVIO MÉDIO a) Para dados simples O desvio médio é a média dos valores absolutos dos desvios.5 .0.0.12.12. já calculados anteriormente.13.Exemplo 1: Os dados a seguir são diâmetros (em cm) de peças de automóveis: 12. É muito útil para detectar valores extremos. (9  1) PosQ1  1  1  3.13.12.13.12.0 (7º elemento). Tem-se que: X  13.9  11.22 23 SACHIKO ARAKI LIRA . tem-se: lim ite inf erior  Q1  1.6 .0 (3º elemento).3 .1 . e é usado no diagrama de boxplot.13.15. ou comprimento da caixa.3  2.12. é a distância entre o primeiro e terceiro quartil.6 .25 lim ite sup erior  13. que é 15.9 .6 .5  0.13.9 Para a construção do gráfico boxplot.3.6 .5  IQ lim ite sup erior  Q 3  1.85 Existe um valor outlier superior.12.5  IQ Para o exemplo em questão: lim ite inf erior  12.1 .13.5 4 IQ  13.6  1.5 .6 .6 4 (9  1) PosQ3  3   1  7.3 .0  12.5  0.9  14. 1.5.

28 13.5 2.46 8 43. Propriedades da Variância 24 ESTATÍSTICA DESCRITIVA .1 0.22 i 1 DM    0.58 n 9 b) Para dados agrupados em classes k  x i  X fi i 1 DM  n Dada a distribuição de frequências a seguir.61 6 58.6 0.5 13.9 0.5 0.5 3. tem-se o desvio padrão.22 n  xi  X 5.0 1.56 2 53. calcular o desvio médio.92 12.07 n 30 1.3.36 4 33. Quando se extrai a raiz quadrada da variância.0 16 46 |---.32 13.51 4 48.5.0 48 36 |---.5 8. QUADRO 4 .12 13.0 12 51 |---. INTERVALO DE fi xi xi  X x i  X fi CLASSES 31 |---.0667  7.VALORES DA VARIÁVEL X E DES- VIOS ABSOLUTOS EM RELAÇÃO À MÉDIA xi xi  X 12.4 0. é obtida elevando-se os desvios em relação à média ao quadrado.0 42 41 |---.0 16 56 |---.6 0.78  5.3 0.50 .38 15.5 7. representada por V( X) ou  2 .4 VARIÂNCIA E DESVIO PADRÃO A variância da variável aleatória. Sabe-se que X  45.6 0.41 6 38.62 12.5 12.18 13.62 12.0 78 TOTAL 30 212 k  x i  X fi 212 i 1 DM    7.

Então: V ( X  Y )  V( X)  V( Y )  2COV ( X. Então: V ( X  Y )  V( X)  V( Y ) 4.38 0.0324 13.4 0. onde k=constante 2.32 0.1556 S2  1 n   xi  X n  1 i1  2  5.1024 13.a.12 0.3 -0. independentes.6 -0.8464 12. V (kX)  k 2 V ( X) .9 -0. não independentes (ou dependentes).3844 12.1556 9 1  0. Sejam X e Y v.6 0. onde k=constante e X v.1. Y ) V ( X  Y )  V( X)  V( Y )  2COV( X.1684  5.0 1. V (k )  0 .VALORES DA VARIÁVEL X E DESVIOS SIMPLES E QUADRÁTICOS EM RELA- ÇÃO À MÉDIA Xi xi  X x i  X 2 12.92 0.0784 13. Sejam X e Y v.62 0.3844 12.a.78 3.5 0.6445 S  0. Y )  E( XY )  E( X)E( Y ) (covariância) a) Para dados simples A variância e o desvio padrão populacional são obtidas pelas expressões:  x i   1 N 2  2 (variância) N i1   2 (desvio padrão) A variância e o desvio padrão amostral são obtidas pelas expressões: S2  1 n   xi  X n  1 i1 2  (variância) S  S2 (desvio padrão) Exemplo de aplicação: Considerando o exemplo tem-se: QUADRO 5 .a.1 -0.28 0.6 -0. 3.80 b) Para dados agrupados em classes 25 SACHIKO ARAKI LIRA .1444 15.62 0.18 0.0144 13. Y ) onde: COV ( X.

36 4 36 |---.8 5 147.8 |--.8 |--.51 4 51 |---.0 132.8 3 117.0 TOTAL 20 3820.0 122.61 6 TOTAL 30 26 ESTATÍSTICA DESCRITIVA .122.152.0526 n 1 20  1 S  14.8 |--. INTERVALO DE fi xi ( x i  X ) 2 fi CLASSES 102.46 8 46 |---.18 Exercício: Dada a distribuição de frequências a seguir.8 k   x i  X fi i 1  2 3820 S2    201.41 6 41 |---.8 4 127.8 36.112.8 |--. calcular a variância e o desvio padrão.8 |--.0 Dados: X  130. Calcular a variância e o desvio padrão.8 5 137.142.0 142.8 507. A variância e o desvio padrão populacional são obtidas pelas expressões:  x i    fi  x i    fi k k 2 2 2  i1 k  i1 (variância) N  fi i1   2 (desvio padrão) A variância e o desvio padrão amostral são obtidas pelas expressões: k   x i  X fi i1 2 k   x i  X fi i1  2 S  2  (variância) k n 1  fi  1 i1 S  S2 (desvio padrão) Exemplo: Seja a distribuição de frequências a seguir.0 112.56 2 56 |---.132.8 1587. INTERVALO DE fi CLASSES 31 |---.8 245.8 1445.8 3 107.

 assimetria negativa. e ela não é afetada pelas unidades de medida da variável.8 1.5 COEFICIENTE DE VARIAÇÃO É uma medida de dispersão relativa. a assimetria de uma distribuição pode ocorrer de duas formas:  assimetria positiva.1.18 Logo.1 COEFICIENTE DO MOMENTO DE ASSIMETRIA 1 k  ( x i  X ) fi 3 n i 1 a3  32 1 k 2    ( x i  X ) fi   n i 1  Uma distribuição é classificada como: 27 SACHIKO ARAKI LIRA . CV   100  10. neste caso faz-se necessário utilizar uma medida de dispersão relativa. A distribuição é simétrica. Neste caso. Ou ainda.5. É definido como o quociente entre o desvio padrão e a média. 1. que são gráficos específicos para distribuições de frequências. S  14. apenas o conhecimento da forma da distribuição de frequências de uma variável já nos fornece uma boa informação sobre o comportamento dessa variável.18 14.  CV   100 coeficiente de variação populacional  S CV   100 coeficiente de variação amostral X Exemplo de aplicação: Para o exemplo tem-se: Dados: X  130. Em algumas situações é desejável comparar o grau de dispersão de dois conjuntos de dados com unidades de medidas diferentes. deve-se usar o coeficiente de variação (CV).5. que é uma medida de dispersão relativa. quando as médias dos dois conjuntos de dados são muito distintas. para expressar porcentagem. multiplicado por 100. Já. apresentadas através de histogramas e suas respectivas ogivas. quando as observações estão igualmente distribuídas em torno de um valor mais frequente (metade acima e metade abaixo).8 . Em alguns casos.4.84% 130.3. mas existem três formas básicas.4 FORMA DA DISTRIBUIÇÃO A distribuição de frequências de uma variável pode ter várias formas.5.

a distribuição é mesocúrtica e os dados estão razoavelmente concentrados em torno de seu centro. Se a 4  3 . Simétrica: a 3  0 e tem-se que média=mediana=moda Assimétrica negativa: a 3  0 e tem-se que média  mediana  moda Assimétrica positiva: a 3  0 e tem-se que moda  mediana  média Graficamente: Assimetria positiva Simétrica Assimetria negativa FIGURA 3: CLASSIFICAÇÃO DAS DISTRIBUIÇÕES QUANTO A ASSIMETRIA 1. com os dados fracamente concentrados em torno de seu centro.5. A curtose ou achatamento é mais uma medida com a finalidade de complementar a caracterização da dispersão em uma distribuição.2 COEFICIENTE DO MOMENTO DE CURTOSE A medida de curtose é o grau de achatamento da distribuição. O coeficiente momento de curtose é definido como sendo: 1 k 4  ( x i  X ) fi n i 1 a4  2 1 k 2    ( x i  X ) fi   i 1 n  Se a 4  3 . com os dados fortemente concentrados em torno de seu centro. a distribuição é leptocúrtica e esta apresenta uma curva de frequência bastante fechada. Se a 4  3 . Esta medida quantifica a concentração ou dispersão dos valores de um conjunto de dados em relação às medidas de tendência central em uma distribuição de frequências. a distribuição é platicúrtica e esta apresenta uma curva de frequência mais aberta. Uma distribuição é classificada quanto ao grau de achatamento como: 28 ESTATÍSTICA DESCRITIVA .4. é um indicador da forma desta distribuição.

calcular os coeficientes de assimetria e curtose.565 417.8 |--.8 |--.142.683 122.8 5 137. FONTE: COSTA NETO (1994) Exemplo 1: Para a distribuição de frequências das medidas da dimensão das peças apresentadas a seguir e as estatísticas já calculadas anteriormente.605 TOTAL 20 0 3.820 2  n i 1    A distribuição apresenta assimetria levemente negativa.523 112.8 4 132.8 17 85 1.8 |--.8 |--.112.355.122.8 |--.8 3 117.8 5 TOTAL 20 Solução: INTERVALO DE fi xi ( xi  X ) ( x i  X ) fi ( x i  X ) 2 fi ( x i  X ) 3 fi ( x i  X ) 4 fi CLASSES 102.8 7 35 245 1.112.152.8 5 147.152.8 4 127.820 -16.8 5 142.132.122.8 3 107.8 |--.132.140 1 k 1  ( x i  X ) fi 3  ( 16.8 -13 -39 507 -6.8 |--.005 142.587 -3.8 -3 -12 36 -108 324 132.8 |--.8 |--.8 3 112.591 85.8 -23 -69 1. 29 SACHIKO ARAKI LIRA .3205 32 1 k   1    ( x i  X ) fi   20  3.715 12.920 1.920) n i 1 a3   20 32  -0.8 3 122.8 |--. INTERVALO DE fi CLASSES 102.445 24.142.6501 839.

192 56 |---.36 4 33.56 2 56 |---.360 n i1 30 a4  2  2  1.360 1 k 1  ( x i  X ) 3 fi  (5. Exemplo 2: Dada a distribuição de frequências a seguir.014 13.5 -7 -42 294 -2.5 13 78 1.406 41 |---.46 8 43.41 6 38.8573 1 k 2   1    ( x i  X ) fi   20  3.36 4 36 |---.140 n i 1 20 a4  2  2  1.080  n i1    A distribuição é platicúrtica.61 6 TOTAL 30 Solução: INTERVALO DE fi xi ( xi  X ) ( x i  X ) fi ( x i  X ) 2 fi ( x i  X ) 3 fi ( x i  X ) 4 fi CLASSES 31 |---.820  n i 1    A distribuição é platicúrtica.5 3 12 36 108 324 51 |---.5 8 16 128 1.912 82. 1 k 1  ( x i  X ) fi 4  1.366 TOTAL 30 0 2.080 5. 1 k 1  ( x i  X ) 4 fi  277. INTERVALO DE fi CLASSES 31 |---.5 -12 -48 576 -6.5 -2 -16 32 -64 128 46 |---.355.024 8. 30 ESTATÍSTICA DESCRITIVA .41 6 41 |---. calcular a assimetria e curtose.182 171.280 277.61 6 58.280) n i1 30 a3   32  0.080 2 n  i1    A distribuição apresenta assimetria levemente positiva.51 4 48.56 2 53.058 14.51 4 51 |---.944 36 |---.3049 32 1 k   1    ( x i  X ) fi   30  2.46 8 46 |---.9230 1 k 2   1    ( x i  X ) fi   30  2.

7 .8 . o desvio médio. Os dados (em mm) são: 74.01 . sendo feita 40 determinações: 45 .81.003 .68.65.9 . 5. o desvio padrão e o coeficiente de variação da amostra.000 .49.96 .33.33 .59.16 .44 38 .8 a) construir a distribuição de frequências em classes.1 .31 .7.45 . 42.89.59 .8.48 .46 .12.4.74. desvio padrão e coeficiente de variação e comente os resultados obtidos.57 .15 .4 .75 - 32.29.57 .74.7 .67. f) Variável aleatória contínua e exemplifique. 2. mediana.9 .67.7 .7.8 .7.0 .73.35 . a moda.15 .005 .91 . 4.72.06 . b) calcular as frequências relativa e acumulada.39 .0 .54.18 Faça uma análise estatística dos dados e comente.57.19 . Em seguida são apresentadas 30 medidas de sólidos suspensos de um certo lago.55.4 .74.74.36 .1 .56.31. Conceitue: a) População ou Universo. Calcule a média.3 .27 .44 .31 .3 .16 .42.6.4.005 . O pH de uma solução é medido oito vezes por uma operadora que usa o mesmo instrumento.0. O tempo necessário para se realizar certa operação industrial foi cronometrado (em segundos).48 .45 – 34 . quartil 3.85 .6 .45.58.1.9 .015 .37 . b) Amostra. Os tempos de esgotamento de um fluído isolante entre eletrodos a 34 kV.7.52 .43 .49 .3. c) Parâmetro.7. c) construir o histograma de frequências.57.21 .3 .18 .20 -7. c) construir o histograma de frequências. em minutos são: 0.54.41 .8. Ela obteve os seguintes dados: 7.53 . 6.7.35 41 .8 .001 .36.78 . quartil 1.71 .39 .40 .3 .47 .38 . Foram obtidas oito medidas do diâmetro interno de anéis de pistão forjados de um motor de um automóvel.65.59. 3.49 a) construir a distribuição de frequências em classes.002 .004 Calcule a média.56 .69. e) Variável aleatória discreta e exemplifique. 1 – ESTATÍSTICA DESCRITIVA 1.35 .2 .46 .4.58 .2.3 .7.0.20 .LISTA DE EXERCÍCIOS NO.52.9 56.43.7 .44 .67 .3 .42.62.45 .19 .78 .45 . d) Estatística ou medida amostral.51 .50 . a mediana.43 .4 .3 .80. b) calcular as frequências relativa e acumulada.1 .74. 31 SACHIKO ARAKI LIRA .74.66.59. Uma importante característica de qualidade da água é a concentração de material sólido suspenso.58 .57 .74.0 .

39 . o desvio padrão e o coeficiente de variação da amostra. Prevenir a propagação de trinca de fadiga em estruturas de aviões é um importante elemento de segurança em aeronaves.3 .1.913 .5 .3 .6 .983 . Q2 (quartil 2) e Q3 (quartil 3).2. 0.91. 10.1 . A propagação de trincas por fadiga em diversas peças de aeronaves tem sido objeto de muitos estudos.354 Calcular a média.89.39 .007 1.90.45 .1 Faça uma análise estatística dos dados (calcule também as medidas de assimetria e curtose).90.94.3 .1.13 . Um estudo de engenharia para investigar a trinca de fadiga em n=9 asas reportou os seguintes comprimentos (em mm) de trinca: 2. b) calcule o desvio médio.3.348 .5 .88. os quartis (1.60 Calcule a média.91.02 .4 .0.38 .46 . sendo feita 20 determinações: 45 .1 .011 .84.91.86.337 .1. O tempo necessário para se realizar certa operação industrial foi cronometrado (em segundos). sendo feita 12 medições: 45 – 37 – 39 – 48 – 51 – 40 .8 .9 98.92.937 .46 .2 . c) qual é a conclusão sobre a forma da distribuição (assimetria e curtose)? 12.6 .47 .863 . de várias misturas de gasolina foram obtidas: 88. As taxas de octanagem de combustível para motor.93. O tempo necessário para se realizar certa operação industrial foi cronometrado (em segundos).1.2 e 3).1.360 .15 .329 .87.2.53 .351 .04 . 11.253 .0 .0. desvio padrão e o coeficiente de variação.7.7 . 9.915 .1. 32 ESTATÍSTICA DESCRITIVA . b) construir o gráfico boxplot.0 .41 .51 .7 . variância.37 .45 – 34 .89.45 – 43 a) calcular Q1 (quartil 1).37 .8 . desvio padrão e coeficiente de variação. Uma amostra de 7 corpos de prova de concreto forneceu as seguintes resistências à ruptura ( kg / cm 2 ): 340 .7 .49 .40 .153 .82 .1.0.0.394 a) calcule e compare os valores da média e mediana amostrais.96.1.132 .53 – 49 – 39 – 41.58 Faça uma análise estatística dos dados construindo a distribuição de frequências em classes (calcule também as medidas de assimetria e curtose).96 .90.35 .91.90. Comente os resultados obtidos.064 .2 .0.140 . 8.89. Os dados a seguir consistem dos tempos de propagação (horas de vôo) para atingir um determinado tamanho de trinca em furos de fixadores propostos para uso em aeronaves militares.2.90.2. moda.45 .4 .109 -1. Comente os resultados obtidos.736 . mediana.865 .1.43 .0.1.48 .

6 . 33 SACHIKO ARAKI LIRA .90.94. b) construir o gráfico boxplot.89.7 – 80.89.5 .13.0 .1 .89.5 .90. Q2 (quartil 2) e Q3 (quartil 3). As taxas de octanagem de combustível para motor.91. de várias misturas de gasolina foram obtidas: 88.8 .91.9 a) calcular Q1 (quartil 1).0 .0 .3 .90.

50 %  x  90 %  2. n). apresentam resultados imprevisíveis. ELEMENTOS DE PROBABILIDADES DEFINIÇÕES 2. c ).1 EXPERIMENTO ALEATÓRIO (E) Definição 1: É o fenômeno que. (n. S   defeituosa . c ). Exemplos: Sejam os experimentos aleatórios e os respectivos espaços amostrais: a) Inspecionar uma peça de automóvel.(n.3 EVENTO Definição 3: É um subconjunto do espaço amostral S de um experimento aleatório.(c. n). O resultado final depende do acaso. c ). 2.(n. 34 ELEMENTOS DE PROBABILIDADES . S   x R. b) Tomar uma válvula eletrônica e verificar o tempo de vida útil. c ). S   conforme . não  defeituosa . A S Exemplo: Seja o espaço amostral S  (c. c) Inspecionar uma lâmpada. n). Suponha que A seja o subconjunto de resultados para os quais. Então o evento A será: A  (c. mesmo repetidos várias vezes sob condições semelhantes. não  conforme  . d) Medir o conteúdo de cobre no latão. no mínimo uma peça seja conforme. S   x R . x  0 . sendo c=peça conforme e n=peça não conforme. resultado do experimento de seleção de duas peças.2 ESPAÇO AMOSTRAL (S) Definição 2: É o conjunto formado por todos os resultados possíveis em qualquer experimento aleatório.(c.

6  2.1 EVENTO COMPLEMENTAR O evento complementar do evento A. O evento complementar A será: A  1.Por serem subconjuntos.3. 2 . é aquele que ocorre somente se A deixar de ocorrer. 4 no dado 1 )  1 6 P (2 )  P(no. 5 .3 .3. Exemplos: 1) No lançamento de dois dados qual é a probabilidade de obter o nº 4 no primeiro dado e o nº 3 no segundo dado ? P (1)  P(no. é possível realizar a operação de união (U) entre conjuntos. 3 no dado 2 )  1 6 P ( 1  2 )  P (1 E 2)  P ( 1)  P ( 2 )  1 6  1 6  1 36 35 SACHIKO ARAKI LIRA . A União de eventos => A  B B A B Interseção de eventos => A  B A B 2. representado por A . A intersecção de eventos representa a ocorrência de um E de outro. A União de Eventos representa a ocorrência de um evento OU de outro. Outra operação que pode ser feita sobre Eventos é a intersecção (∩).2 EVENTOS INDEPENDENTES Quando a realização ou não realização de um dos eventos não afeta a probabilidade da realização do outro e vice-versa. E tem-se que: AA  AA S => P ( A  A )  1 AA  AA  Ø => P ( A  A )  0 Seja o evento A. obter número 4 na face superior no lançamento de um dado A   4 .

Duas peças são selecionadas. ao se realizar um deles.3 EVENTOS MUTUAMENTE EXCLUSIVOS Dois ou mais eventos são mutuamente exclusivos quando a realização de um exclui a possibilidade de realização do(s) outro(s). Assim. 3 )  P (no.35% 850 850 2. sendo que a primeira peça é reposta antes da segunda ser selecionada. no lançamento de uma moeda.15 100 10 P(não  conforme )   0.2) Suponha que numa produção diária de 850 peças fabricadas contenha 50 peças que não satisfaçam as exigências dos consumidores. Qual é a probabilidade das duas peças serem defeituosas? 50 50 P( D e D)    0. Qual é a probabilidade do parafuso selecionado ser: a) Perfeito ou apresentar pequeno defeito? b) Apresentar pequeno defeito ou não-conforme? Solução: 15 P(pequeno defeito)   0.0035  0. o outro não se realiza.10 100 36 ELEMENTOS DE PROBABILIDADES . 4 )  1 6  1 6  1 3 2) Um parafuso é selecionado aleatoriamente de um lote de 100 parafusos. sendo que 15 apresentam pequenos defeitos e 10 são não-conformes (não aceitáveis). a probabilidade de que um ou outro se realize é igual à soma das probabilidades de que cada um deles se realize: P ( A  B )  P ( A OU B)  P ( A )  P (B ) Exemplos: 1) No lançamento de um dado qual a probabilidade de se tirar o nº 3 ou o nº 4 ? Os dois eventos são mutuamente exclusivos então: P ( A  B )  P ( A OU B)  P ( no. já que. o evento "tirar cara" e o evento "tirar coroa" são mutuamente exclusivos.3. A B S Se dois eventos são mutuamente exclusivos.

25 100 100 2. A cada evento A  S associa-se um número real representado por P ( A ) . 75 P(perfeito)   0. P (A ou B )  P ( A )  P (B) 2. chamado de probabilidade de A .6 PROBABILIDADE CONDICIONAL Definição 4: Sejam A e B eventos de um experimento E. a medida da probabilidade de ocorrência do evento A é dada por: número de elementos em A n ( A ) P (A)   número de elementos em S n ( S ) 2.4 DEFINIÇÃO CLÁSSICA DE PROBABILIDADE Seja A um subconjunto do espaço amostral S. Então. a probabilidade do evento certo é igual a 1 ) 3) sejam A e B dois eventos mutuamente exclusivos. satisfazendo as propriedades: 1) 0  P ( A )  1 2) P (S)  1 (ou seja. AE P (B ) Exemplo: O quadro a seguir fornece um exemplo de 400 itens classificados por falhas na superfície e como defeituosos (funcionalmente).5 DEFINIÇÃO AXIOMÁTICA DE PROBABILIDADE Seja o espaço amostral S associado a um certo experimento. com P(B)  0 . A probabilidade de ocorrência de A ou B é igual à soma das probabilidades individuais. Então a probabilidade condicional do evento A dado que B tenha ocorrido é: P (A  B ) P ( A | B)  .75 100 75 15 a) P(perfeito ou pequeno defeito)    0. se todos os resultados elementares de S são equiprováveis. FALHAS NA SUPERFÍCIE DEFEITUOSO Sim Não TOTAL Sim 10 18 28 Não 30 342 372 TOTAL 40 360 400 37 SACHIKO ARAKI LIRA .90 100 100 15 10 b) P( pequeno defeito ou não  conforme )    0.

a probabilidade de falha durante o período de garantia será de 5%. numericamente controlada.P ( B | A i ) i Exemplos: 1) A probabilidade de que um conector elétrico que seja mantido seco falhe durante o período de garantia de um computador portátil é 1%. Dado que o primeiro estágio atende às especificações.90..  S ) . Então: P ( B )   P ( A i ). qual é a probabilidade dos conectores falharem durante o período da garantia? Solução: 38 ELEMENTOS DE PROBABILIDADES . Falhas são devido a variações no metal.855 2. A 2 . alinhamento de acessórios. condições da lâmina de corte. ou de forma equivalente.95  0. Se 90% dos conectores forem mantidos secos e 10% forem mantidos molhados.. Se o conector for molhado. de usinagem para pistões com alta rpm atenda às especificações é igual a 0. vibração e condições ambientais.95. dado que apresenta falhas na superfície? b) Qual é a probabilidade de ter falhas na superfície dado que é defeituoso? Solução: A Probabilidade Condicional pode assumir a forma abaixo.90  0. A k sejam k conjuntos mutuamente exclusivos e exaustivos ( A1  A 2   A k . a probabilidade de que o segundo estágio de usinagem atenda à especificações é de 0.7 TEOREMA DA PROBABILIDADE TOTAL Suponha que eventos aleatórios A1 .a) Qual é a probabilidade do item ser defeituoso.. Qual a probabilidade de ambos os estágios atenderem as especificações? P ( A  B )  P ( B | A )  P ( A )  0. P ( A  B )  P ( B | A )  P ( A ) Exemplo: A probabilidade de que o primeiro estágio de uma operação.. chamada algumas vezes de teorema da multiplicação de probabilidades: P ( A  B )  P ( A | B)  P ( B ) .

Uma peça é retirada ao acaso do depósito e se verifica que é defeituosa. P ( A i ). Todas as peças são colocadas num depósito. 1. que expressa uma probabilidade condicional em termos de outras probabilidades condicionais.10 de que um chip que esteja sujeito a altos níveis de contaminação durante a fabricação cause uma falha no produto.8 TEOREMA DE BAYES Uma das relações mais importantes envolvendo probabilidades condicionais é dada pelo teorema de Bayes. Sabe-se que a fábrica 1 produz o dobro de peças que 2.005 de que um chip que não esteja sujeito a altos níveis de contaminação durante a fabricação cause uma falha no produto.P ( B | A i ) P ( A i | B)  k  P ( A j ). Qual a probabilidade de que tenha sido produzida na fábrica 1? Definição dos eventos: B={ a peça é defeituosa} A1={ a peça é da fábrica 1} A2{ a peça é da fábrica 2} A3={ a peça é da fábrica 3} P(B | A1 )  0. Qual a probabilidade de um produto usando um desses chips vir a falhar? Solução: 2. 20% dos chips estão sujeitos a altos níveis de contaminação. e 2 e 3 produziram o mesmo número de peças durante um período de produção especificado.2) Suponha que na fabricação de semicondutores. 2 e 3. A probabilidade é de 0.02 1 P( A 1 )  2 39 SACHIKO ARAKI LIRA . enquanto 4% daquelas produzidas por 3 são defeituosas. Em um dado instante da produção. a probabilidade seja de 0.P ( B | A j ) j1 Exemplo: Uma determinada peça é produzida por três fábricas. Sabe-se também que 2% das peças produzidas por 1 e por 2 são defeituosas.

2.98. De um lote de 15 válvulas 10 são boas.02 1 P( A 2 )  4 P(B | A 3 )  0.P ( B | A i ) P ( A i | B)  k  P ( A j ).02  1 4  0. sem reposição. A probabilidade de que numa medição o erro ultrapasse o admitido é 0.P ( B | A 1 )  P ( A 2 ). Uma caixa contém 20 peças das quais 5 são defeituosas.55 a um controlador e com a probabilidade 0. Dois aparelhos de alarme independentes funcionam.P ( B | A 3 ) 1 2  0. 3.90 e 0.02  1 4  0. b) nenhuma peça boa. sem reposição.02 P ( A 1 | B)   0.P(B | A 2 )  0. Extraem-se duas ao acaso. 5.P ( B | A 1 ) P ( A 1 | B)  P ( A 1 ). 2 . 40 ELEMENTOS DE PROBABILIDADES .90. segundo o controlador.45 a um outro. Qual a probabilidade de: a) ambas serem boas? b) ambas serem defeituosas? c) uma boa e outra defeituosa? 4. De uma caixa contendo 100 peças entre as quais 10 são defeituosas se extraem quatro peças ao acaso.04 1 P( A 3 )  4 P ( A i ). Encontrar a probabilidade de que entre estas não ocorra: a) nenhuma peça defeituosa. com a probabilidade 0. A probabilidade de passar no exame é.P ( B | A j ) j1 P ( A 1 ). respectivamente igual a 0. respectivamente.04 2) Cada objeto manufaturado é submetido para exame com a probabilidade 0. sem reposição. Achar a probabilidade de que em apenas uma medição de uma série de três o erro ultrapasse o admitido. Achar a probabilidade de que numa avaria funcione apenas um dos aparelhos.4. no caso de avaria. Encontrar a probabilidade de que de 3 válvulas extraídas ao acaso. LISTA DE EXERCÍCIOS NO. Achar a probabilidade de que um objeto aceito tenha sido examinado pelo segundo controlador.95 e 0.PROBABILIDADES 1.40 1 2  0. 2 sejam boas.P ( B | A 2 )  P ( A 3 ).

60 e 84 por cento das peças fornecidas por duas máquinas automáticas. Os subsistemas são um sistema eletrônico. dispõem-se em série. 8. são de alta qualidade.95 b 9. Achar a probabilidade de que não haja corrente no circuito. dado que é de qualidade aceitável? b) de ser aceitável. achar a probabilidade de que provenha da primeira máquina (teorema de Bayes).95.70. Um dispositivo de freio de automóvel consiste de três subsistemas. Tendo-se constatado que uma peça escolhida ao acaso é de alta qualidade. qual a probabilidade: a) de provir do fabricante A. os freios falham somente quando todos os circuitos falham. Calcular a probabilidade de que tal peça se encontre: a) no máximo em três caixas. 10. Um relatório de controle de qualidade de transistores acusa os seguintes resultados por fabricante e por qualidade: QUALIDADE FABRI- CANTE Aceitável Marginal Inaceitável TOTAL A 128 10 2 140 B 97 5 3 105 C 110 5 5 120 Escolhido um transistor ao acaso. Estime a confiabilidade do sistema. a produtividade da primeira sendo o dobro da segunda. cada um com 0. conforme ilustração abaixo. 0. supondo que os circuitos atuem independentemente. admitindo que os subsistemas funcionem independentemente. A probabilidade de que uma peça do tipo exigido se ache em cada uma de quatro caixas é igual. p 3  0.95 0. Respectivamente. Um circuito elétrico é constituído de três elementos ligados em série que deixam de funcionar com probabilidade p 1  0.96 0. ou paralelos.90.6. a 0. Os automóveis são equipados com circuitos redundantes de frenagem. B (hidráulico) e C (ativador mecânico). dado que provém do fabricante C? c) de provir do fabricante B. respectivamente. dado que apresenta qualidade marginal? 41 SACHIKO ARAKI LIRA .95 de confiabilidade (probabilidade de sucesso). 0. respectivamente. respectivamente. Ao frear. onde os subsistemas A (eletrônico). um sistema hidráulico e um ativador mecânico. que devem funcionar simultaneamente para que o freio funcione.10 .80 e 0. Considera-se a trajetória a-b como a trajetória do sucesso. 11. Consideremos o caso de dois circuitos redundantes. 0.20 . a probabilidade de sucesso dessas unidades é de 0. b) pelo menos em duas caixas. p 2  0.15 .95 e 0. 7.60. Determine a confiabilidade do sistema. A B C a 0.96. Comentário: Sistemas deste tipo podem ser representados graficamente.

médio ou baixo nível de contaminação durante a fabricação. 20% dos chips estão sujeitos a altos níveis de contaminação. cause uma falha no produto sejam respectivamente iguais a 0. Em um experimento particular da produção.10. sujeito a alto. as probabilidades de que um chip.01 e 0. Qual a probabilidade de um produto falhar ao usar um desses chips? 42 ELEMENTOS DE PROBABILIDADES . 30% a níveis médios de contaminação e 50% a baixos níveis de contaminação.001. 0.12) Suponha que na fabricação de semicondutores.

KC. que fornece a probabilidade para cada valor da variável aleatória.DP. Ela é frequentemente expressa na forma de um gráfico. Então. A função de probabilidade. KK (C=cara e K=coroa). VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADES 3. a cada possível resultado x i . Variável aleatória unidimensional é uma função X.1 DEFINIÇÕES Definição 1: Seja E um experimento e S o espaço amostral associado ao experimento. RX S X X( s ) s Exemplo: Uma caixa contém 4 válvulas.DD} Seja a variável aleatória X=número de válvulas defeituosas. Tem-se que: 0  P( X  x i )  1  P( X  x i )  1 xS Uma distribuição de probabilidade é uma descrição. a variável aleatória número de caras. tem-se que os possíveis resultados são: CC.1. Ck. Duas válvulas são retiradas aleatoriamente da caixa e testadas (sendo representadas por D se a peça é defeituosa e P se a peça é perfeita). que associa a cada elemento s  S . Os valores possíveis da variável aleatória X. sendo duas perfeitas e duas defeituosas. Exemplo1: No lançamento de duas moedas ao ar.PD. chamado de probabilidade de x i . serão: R X  { 0 . X poderá assumir os valores: 43 SACHIKO ARAKI LIRA . associa um número real P( X  x i) . de uma tabela ou uma fórmula. um número real X ( s) . 2 } Definição 2: Seja X uma variável aleatória discreta. Seja X. O espaço amostral associado a este evento é: S={PP.

p)  3  (0.80  0. f ) ou P(p.512 Xx P( X  x ) 0 0. f .80  0. se s  KK  X (s)  1. p. f .008 P( x  1)  P(p. é definida por: 44 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADES . Suponha que a probabilidade de uma pastilha passar no teste seja de 0. se s  CC  A distribuição de probabilidade da variável aleatória X é: Xx P( X  x ) 0 1/4 1 1/2 2 1/4 Exemplo 2: Em um processo de fabricação de semicondutores.20 )  3  0. tem-se F( x )   P( x i ) xi  x Esperança O valor esperado.80  0.  0 . f.128  0.512 Definição 3: Seja X uma variável aleatória.384 3 0. p. f. p)  3  (0. se s  CK ou s  KC 2 .20  0. Cada pastilha é classificada como “passa” ou “falha”. p)  0.384 P( x  3)  P(p. f )  (1  0. de uma variável aleatória discreta X.8 3  0. que é a média da distribuição. A distribuição de probabilidade de X será: P( x  0)  P(f. Seja X a variável número de pastilhas de um lote que passam no teste.096 2 0.008 1 0.20 )  3  0. p) ou P( f . 3 pastilhas de um lote são testadas. A função de distribuição acumulada ou de repartição de X é definida como F( x )  P( X  x ) Se X for variável discreta.096 P( x  2)  P(p. f ) ou P( f .8 e que as pastilhas sejam independentes. p.8)3  0. expectância ou a esperança matemática E(X).23  0. p. f ) ou P( f .032  0.

6) 2  0.1 Calcular: E ( X ) e V ( X )  a) E( X)   x iP( x i ) i1 E( X)  2  0.7997 Exemplo 2: O tempo T. obtém-se a seguinte distribuição de probabilidade: xi 0 1 2 3 4 5 p (xi ) 0.2  6  0.6) 2  0.2048  (3  1) 2  0.1 0.2  7  0.04 45 SACHIKO ARAKI LIRA .2  (7  4.  E( X)   x iP( x i ) i1 Variância A variância da variável aleatória discreta X. em minutos.3  (5  4.3277 0.  V( X)  E X  E( X)   x i  E( X) P( x i ) 2 2 i1 V( X)  (0  1) 2  0.0512 0.2048 0. é definida por:  V( X)  E X  E( X)   x i  E( X) P( x i ) 2 2 i1 Exemplo 1: Seja X uma variável aleatória discreta que representa o número de peças defeituosas em cada 5 peças inspecionadas.0512   ( 4  1) 2  0.0064  5  0.1 0.3  5  0.3277  1  0.1 V( X)  2.6) 2  0.0003 V( X)  0.2  (6  4. representada por V( X) .1  3  0. em cada 5 peças inspecionadas.0512  4  0.0064 0. Sabendo-se que a probabilidade de uma peça ser defeituosa é de 20%.2 0. necessário para um operário processar certa peça é uma variável aleatória com a seguinte distribuição de probabilidade: t 2 3 4 5 6 7 P(t) 0.0064  (5  1) 2  0.0003 i1 E( X)  1 Portanto.1  4  0. o número esperado de peça defeituosa é 1.6) 2  0.4096  (2  1) 2  0.6) 2  0.6  b) V( X)   x i  E( X)2 P( x i ) i1 V( X)  (2  4.1  ( 4  4.1  (3  4.2 0.2048  3  0.4096 0.0003 Qual o valor esperado de X ( E( X) ) e a variância ( V( X)) ?  E( X)   x iP( x i )  0  0.6) 2  0.4096  2  0.3277  (1  1) 2  0.1  4.3 0.

tem distribuição binomial. Se a probabilidade desta maquina produzir uma peça não conforme é de 15%. 2 .Definição 4: Seja E um experimento com espaço amostral S. Sejam X  X(s) e Y  Y(s) duas funções. que conta o número de sucessos em n provas independentes. pede-se: a) a probabilidade de nenhuma peça ser não conforme.Y) é uma Variável Aleatória Bidimensional. se 0  x  n k 0 k     1. 3. cada uma associando um número real a cada resultado s  S . que apresentam os resultados sucesso ( p ) ou fracasso ( q  1  p ) . tem-se neste caso duas variáveis aleatórias X e Y.2 DISTRIBUIÇÕES DE PROBABILIDADES DISCRETAS 3.a. Solução: a) n  5 46 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADES . se x  0    x n F( x )  P( X  x )      p k qnk . R XY S s   X(s) s  Y(s) Seja o experimento: retirar uma barra de ferro de um lote e observar a dimensão (largura e o comprimento).1.1 DISTRIBUIÇÃO BINOMIAL Uma variável aleatória discreta X. c) obter a distribuição de probabilidade e o gráfico. que indica o número de peças não conformes (não segue a especificação definida no projeto de qualidade) produzidas pela máquina “Z”. b) a probabilidade de todas as peças serem de acordo com especificação do projeto de qualidade. se x  n Os parâmetros da distribuição são: Média E( X)  n p Variância V( X)  n p q Exemplo 1: Seja X uma v. Sua função de probabilidade é dada por: n P ( X  x )    p x qn  x . Tem-se então que (X.. n e 0  p  1 x A função de distribuição acumulada é dada por: 0 .2. x  0 . ao selecionar aleatoriamente 5 peças.

85 x0 (peça ser conforme) 5 P( X  0)    (0.4437 0 b) P( todas de acordo com as especifica ção)  P( X  0)  0.4437 1 0. o gráfico da função de distribuição acumulada.0244 4 0.85 ) 50  0.4437 c) Distribuição de Probabilidade DISTRIBUIÇÃO DE PROBABILIDADE DE X x P( X  x ) 0 0.15 ) 0 (0.0022 5 0.1382 3 0.0001 Gráficamente: A seguir. 47 SACHIKO ARAKI LIRA .15 q  0.3915 2 0. p  0.

95  2 P ( X  2)   (0. e uma variância de 2.4 (parafusos defeituosos)2. e   0 (probabilidade de sucesso) x! A função de distribuição acumulada é dada por:  0 . Suponha que o número de partículas emitidas.05 ) 2 (0. Uma v.0025  0. Se a probabilidade desta maquina produzir um parafuso defeituoso é de 5%. Solução: e 2 2 0 e 2 21 e 2 2 2 a) P( X  3)  P( X  0)  P( X  1)  P( X  2)    0! 1! 2! P( X  3)  0.05 1 p = probabilidade de ser perfeito=1-0.1353  0. construir a distribuição de probabilidade. se x  0   F( x )  P( X  x )   x e  k  .2 DISTRIBUIÇÃO DE POISSON A distribuição de Poisson pode ser aplicada a muitos casos práticos nos quais interessa o número de vezes que um determinado evento pode ocorrer durante um intervalo de tempo ou distância.2707  0. 2 . 3. ao selecionar aleatoriamente dois parafusos. área ou outra unidade de medida análoga.25 %  2 Ao selecionar 50 parafusos produzidos por esta máquina.5 parafusos defeituosos. x  0 .95 ) 22  0.Exemplo 2: Seja X uma v. Pede-se: a) qual é a probabilidade de que menos de 3 partículas sejam emitidas? b) supondo que 10 contagens são realizadas.05=0.a.2. durante cada intervalo de 5 segundos.a. qual a probabilidade de ambos serem defeituosos? p =probabilidade de ser defeituoso=0. tenha uma distribuição de Poisson com parâmetro 2.6767 48 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADES .1. espera-se uma média de 2. que indica o número de parafusos defeituosos produzidos pela máquina “A”. discreta X tem distribuição de Poisson se sua função de probabilidade é dada por: e  x P ( X  x)  . se x  0 k 0 k ! Os parâmetros da distribuição são: Média: E( X)   Variância: V( X)   Exemplo 1: São contados os números de partículas radioativas emitidas em cada intervalo de 5 segundos.0.2707  0.

0120 7 0.1804 4 0.050  5% 0! 49 SACHIKO ARAKI LIRA . DISTRIBUIÇÃO DE PROBABILIDADE DE X X P( X  x ) 0 0.0000 Gráficamente: A função de distribuição acumulada: Exemplo 2: Seja X o número de acidentes mensais ocorridos numa determinada indústria.0002 10 0. Se o número médio de acidentes por mês é 3.2707 3 0.0902 5 0.2707 2 0.0009 9 0.0361 6 0.1353 1 0. qual a probabilidade de não ocorrer nenhum acidente no próximo mês? e 3 3 0 P ( X  0)   e  3  0.0034 8 0.

um inspetor seleciona ao acaso 3 destes motores para inspeção.a. q  1 .3 (número de casos desfavoráveis na amostra) A probabilidade de que a inspeção seja necessária é igual a P( X  1)  P( X  2)  P( X  3) ou P( X  1)  1  P( X  0) 50 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADES . Antes que uma remessa seja aprovada. se 0  x  j  j  0  N      n   1 .3 DISTRIBUIÇÃO HIPERGEOMÉTRICA Suponha que em um lote de N peças. Se nenhum dos motores inspecionados for defeituoso.3. k são defeituosas e (N-k) são perfeitas e escolhem-se ao acaso.2. Qual é a probabilidade de que a inspeção de todo o lote seja necessária? N=30 (número de casos total na população) k=2 (número de casos favoráveis na população) n=3 (tamanho da amostra) x=1. Uma v. Pode-se estar interessado na probabilidade de selecionar x peças dos k rotulados como defeituosos e (n-x) perfeitas dos (N-k) rotulados como perfeitas. onde p  . 2 motores defeituosos no lote. é dada por:  k  N  k      xn  x  P( X  x )   N   n A função de distribuição acumulada é dada por: 0 . N 1 N N Exemplo 1: Pequenos motores elétricos são expedidos em lotes de 30 unidades. n peças desse lote ( n  N ) . se x  j     k  N  k   k  j   n  j      F( x )  P( X  x )    . Esse experimento é chamado hipergeométrico. o lote é aprovado.2. se x  j Os parâmetros da distribuição são: Média: E( X)  n p Nn k k Variância: V( X)  npq . Se um ou mais dos motores verificados forem defeituosos. de fato. o lote todo é inspecionado. discreta X tem distribuição hipergeométrica se sua f. Suponha que existam.p.

0069 3 0.31 %  30   30      3 3 DISTRIBUIÇÃO DE PROBABILIDADE DE X x p(x) 0 0.  2   30  2   2   28            0 3  0  0  3  P( X  1)  1  P( X  0)  1   1 1  0.0000 Gráficamente: A função de distribuição acumulada: Exemplo 2: Uma empresa adquiriu diversas caixas.1862 2 0. Ela decidiu fazer uma inspeção por amostragem sem reposição.8069  0.8069 1 0. A caixa será aceita caso encontre no máximo duas defeituosas. Qual a probabilidade de aceitar uma caixa sabendo que a qualidade do produto é definida por 20% de defeituosos? N=15 n=5 51 SACHIKO ARAKI LIRA . analisando 5 lâmpadas de uma caixa. cada uma contendo 15 lâmpadas.1931  19.

80% 15  15  15  3.x2 k  0.20 0.20 * 15  3 P( X  2)  P( X  0)  P( X  1)  P( X  2)  3  15  3   3  15  3   3  15  3              0  5  0   1  5  1   2   5  2  792  1. A função de probabilidade é dada por: x 4 6 8 p(x) 0.5 0.3 0.15 0. 3 – DISTRIBUIÇÕES DE PROBABILIDADES DISCRETAS 1.937 P( X  2)      0. através de uma rede de computadores. pede-se: a) qual a probabilidade de ao menos cinco delas durarem mais de três meses? b) qual o número médio de lâmpadas que deverão ser substituídas em três meses? 4. tem a seguinte distribuição: x = número de 10 11 12 13 14 15 mensagens p(x) 0.9780  97.08 0. Um produto eletrônico contém 40 circuitos integrados. A probabilidade de que qualquer circuito integrado seja defeituoso é de 0. Qual é a probabilidade de que o produto opere? 52 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADES .2 a) calcular E( X) b) calcular V( X) c) calcular  3. Supondo que cada lâmpada tenha 0.003       5 5 5 LISTA DE EXERCÍCIOS NO. Seja X=o número de cilindros do motor do próximo carro a ser regulado em certa oficina. Repete-se um experimento 5 vezes. O produto opera somente se não houver circuitos integrados defeituosos.01.485  660 2. O número de mensagens enviadas por hora.30 0. 2.003 3.07 Calcular: E(X).20 0.75.20 de probabilidade de funcionar por mais de três meses. Os circuitos integrados são independentes. Supondo que a probabilidade de sucesso em uma prova seja 0. Um proprietário acaba de instalar 20 lâmpadas em uma nova casa. e admitindo a independência dos resultados das provas: a) qual a probabilidade de todas as cinco provas resultarem em sucesso? b) qual o número esperado de sucesso? 5. V(X).

Considere que o número de molas não-conformes em uma batelada. Entre 10 lanternas selecionadas aleatoriamente. Um lote contém 140 cartões e 20 são selecionados sem reposição para o teste funcional. Pede-se: a) qual é a probabilidade do número de molas não-conformes em uma batelada seja menor ou igual a 2? b) qual é a probabilidade do número de molas não-conformes em uma batelada seja maior ou igual a 49? 8. Qual a probabilidade de que em uma hora selecionada aleatoriamente sejam recebidas: a) Exatamente três chamadas? b) Menos que três chamadas? 7. qual será a probabilidade de 1 cartão defeituoso aparecer na amostra? 11. Num lote de 20 pneus enviadas a um fornecedor sabe-se que há 5 defeituosos. Calcular: a) P( x  2) b) P( x  8) c) P(5  x  8) 10.6. denotado por X. e ela só funciona se as duas pilhas tiverem voltagem aceitável. tenham voltagens aceitáveis. Suponha que 90% de todas as pilhas do tipo D. Um departamento de conserto de máquinas recebe uma média de 5 chamadas por hora. provenientes de um processo de produção são verificadas com respeito à conformidade em relação aos requerimentos dos consumidores. Bateladas que consistem em 50 molas helicoidais. a) se 20 cartões forem defeituosos. Um determinado tipo de lanterna necessita de 2 pilhas tipo D. Seja X o número de falhas na superfície de uma caldeira de um determinado tipo selecionado aleatoriamente. O número médio de molas não-conformes em uma batelada é igual 5. seja uma variável aleatória binomial. Um cliente vai a esse fornecedor comprar 4 pneus. com distribuição de Poisson de parâmetro   5 . qual é a probabilidade de: a) pelo menos 9 funcionarem? b) no máximo 2 funcionarem? 9. Qual a probabilidade de levar 1 defeituoso? 53 SACHIKO ARAKI LIRA . de certo fabricante. Cartões de circuito integrado são verificados em um teste funcional depois de serem preenchidos com chips semicondutores. qual será a probabilidade de no mínimo 1 cartão defeituoso estar na amostra? b) se 5 cartões forem defeituosos.

2x6 16 f ( x )  0 . que representa a área sob a curva da função densidade de probabilidade. então: P(a  X  b)  P(a  X  b)  P(a  X  b)  P(a  X  b) Definição 2: Seja X uma variável aleatória. A função densidade de probabilidade é: 2 1 Para x  2  f (2)   16 8 4 2 Para x  4  f (4)   16 8 6 3 Para x  6  f (6)   16 8  A condição  f ( x )d( x )  1 . indica que a área total limitada pela curva que representa f ( x ) e  o eixo das abcissas é igual a 1. Seja o intervalo [a. para qualquer outros valores. A função de distribuição acumulada ou de repartição de X é definida como F( x )  P( X  x ) 54 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADES . A probabilidade de um valor de X pertencer a esse intervalo b será dada por: P(a  X  b)  a f ( x )dx .1 DEFINIÇÕES Definição 1: Seja X uma variável aleatória continua. as probabilidades são interpretadas como áreas. A função densidade de probabilidade f ( x ) . a probabilidade em um ponto é nula. Sendo X uma variável aleatória continua. Para variáveis aleatórias contínuas. VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADES 4.b] de R X . é uma função que satisfaz as seguintes condições: f ( x )  0 para todo x R X   f ( x)d( x)  1.  Exemplo: Seja X uma variável contínua com função densidade de probabilidade dada por: x f (x)  .

Se X for variável aleatória continua. com função densidade de probabilidade f ( x ) . 2x6 16 f ( x )  0 . para qualquer outros valores. é definida por:  E( X)   x f ( x )dx  Variância Se X é uma variável aleatória contínua. representada por V( X) é definida por:   x  E( X) f ( x )dx 2 V( X)   As propriedades da variância para variável aleatória contínua são as mesmas das já apresentadas para variável aleatória discreta. A função de distribuição acumulada é dada por:   6 2 6 6x 1  x2  1 2 32 F( x )   f ( x )dx   f ( x )dx  0   dx     6  22  1  2 2 16 16  2  32 32 2 Esperança A esperança matemática E(X).33 2 16 16 2 16   2 3 48   x  E( X) f ( x )dx 2 V( X)   55 SACHIKO ARAKI LIRA . 2x6 16 f ( x)  0 . Exemplo1: Seja X uma variável contínua com função densidade de probabilidade dada por: x f (x)  . de uma variável aleatória continua X. Qual é o valor esperado e a variância de X? 6 1  x3    6 x 1 6 2 1 3 E( X)   x dx   x dx     6  2 3  4. para outros valores. tem-se: x F( x )  P( X  x )   f ( x )dx  Exemplo: Seja X uma variável contínua com função densidade de probabilidade dada por: x f (x)  . a variância.

25    4  02  2 0 0   0 2 2  b) V( X)   x  E( X)2 f ( x )dx   3  4 x2  4  4 4  x 4 V( X)   x  2 0.33 x  4.25 2 E( X)   x 0.25 ( x 2  4x  4) dx  0. tem distribuição exponencial se sua função densidade de probabilidade é dada por: f ( x)  e x . x0 A função de distribuição acumulada é dada por: F( x )  P( X  x )   x0 e x dx  1  e x . 6 x 6 x V ( X )   ( x  4.33 4.7489  32  V( X)    16  4  16  3  16 2   V( X)  1.7489 x 6 1 x4  8.66 2 18.7489  62  22  V( X)        16  4  16  3  16  2  1 1280  8. x  0 Portanto: P( X  x)  e x 56 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADES .33 ) 2 dx   ( x 2  2  4.25     4   4x 0  2   3   2  0  0 0   0  V( X)  1.2.1 DISTRIBUIÇÃO EXPONENCIAL Uma v.25dx  0.66  x 3  18.a.66  6 3  2 3  18.25 .66  208  18. continua X. Solução:  a) E( X)   x f ( x )dx  4 x2    4 4 0.2 DISTRIBUIÇÕES DE PROBABILIDADES CONTINUAS 4.22 Exemplo 2: Suponha que f ( x)  0.7489  x 2  V( X)  (  x  ) dx          2 16 16 16 16  4  16  3  16  2  2 2 2 1  6 4  2 4  8. para 0  x  4 .25dx  0. Determine a média e a variância.33 2 ) dx 2 16 2 16 6 6 6 x 3 8.25 x dx  0.

se x  0 f ( x )   0.002 x 600  0  e 0. Uma v. Exemplo 1: O tempo de vida X (em horas) das lâmpadas elétricas fabricadas por uma empresa é uma variável aleatória.002 Exemplo 2: A vida média de um satélite é 4 anos.a. Os parâmetros da distribuição são: 1 Média: E( X)   1 Variância V( X)  2 Essa distribuição tem papel importante na descrição de uma grande classe de fenômenos.002600  0. Calcule a P( X  4) .002e 0. P( X  4)  e  x  e 4  e 1  0. Solução: 1 1 E( X)   4 . portanto.002 x . particularmente nos assuntos relacionados a teoria da confiabilidade.79 % 4.3679  36.2 DISTRIBUIÇÃO NORMAL OU GAUSSIANA É uma das mais importantes distribuições de probabilidades.    4 1  4 Então. tendo sua função densidade de probabilidade dada por:    0.002    P( X  600)  600 0.3012  1 1 b) E( X)    500 horas  0. sendo aplicada em inúmeros fenômenos e frequentemente utilizada para o desenvolvimento teórico da inferência estatística. Seja X a variável definindo o tempo de vida do satélite.2.002e  0 se x  0 a) qual a probabilidade do tempo de vida de uma lâmpada ser superior a 600 horas? b) qual é o tempo de vida esperado? Solução: a)   0. continua X. tem distribuição normal ou Gaussiana se sua função densidade de probabilidade é dada por: 57 SACHIKO ARAKI LIRA .002 x   e 0. seguindo o modelo exponencial.

sendo b  a . Por exemplo. é obtida da área definida pela função f ( x ) entre os limites a e b . Uma das características importantes é que a partir desses dois parâmetros será possível calcular. que é bastante trabalhoso. A distribuição normal é definida a partir de dois parâmetros. por exemplo. P( a  X  b )  b 1    1 x  2 2  a e dx  2 58 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADES .  R  . x  R. b ) . a curva da distribuição normal f ( x ) para   40 e   10 . a percentagem de valores que deverão estar acima ou abaixo de um determinado valor da variável aleatória. O cálculo é feito integrando-se a função f ( x ) no intervalo ( a. a média  e a variância  2 . menor ou igual a b . A probabilidade P ( a  X  b ) de a variável aleatória contínua X ser igual ou maior que a e.  2 A função de distribuição acumulada é dada por: F( x )  P( X  x )  x  x 1    1 x  2 2   f ( x)d( x)  e dx  2 Os parâmetros da distribuição são: Média: E ( X )   Variância: V ( X )   2 Quando se deseja especificar que a variável aleatória X. ao mesmo tempo. 70). 2 ) . é mostrada no gráfico abaixo.  R . e valores da variável aleatória no intervalo (10. 2 1 x   1    2   f ( x)  e . usa-se a notação: X ~ N ( . ou entre esses dois valores definidos etc. segue distribuição normal com média  e variância 2 .

f (x) tende a zero quando x tende para   (assintótica em relação ao eixo x). 2. O seu posicionamento em relação ao eixo das ordenadas e seu achatamento são determinados pelos parâmetros  e 2 .2.45 % e entre   3 é igual a 99. 4. A área compreendida entre    é igual a 68. 4. f (x) é simétrica em relação a X   . a média é o ponto de referência e o desvio padrão. entre   2 é igual a 95.3.   Tem-se: F( x )  1 x    1 x  2 dx  e 2  2  Utilizando a transformação será: 1 1 z  z 2 F( z)    e 2 dz .73%.27 % . uma medida de afastamento da média. E. que é a função de distribuição acumulada para a variável normal 2 reduzida. Os parâmetros da distribuição são: Média: E ( Z )  0 Variância: V ( Z )  1 59 SACHIKO ARAKI LIRA . então dZ  . Representação Gráfica: É um gráfico em forma de sino. 3. X dX Considere a transformação: Z  .1 DISTRIBUIÇÃO NORMAL PADRONIZADA OU REDUZIDA A variável normal padronizada Z é obtida através de uma transformação linear da variável normal X. respectivamente. f (x) tem dois pontos de inflexão cujas abcissas valem    e    . f (x) possui um ponto de máximo para X   . obtendo-se assim uma escala relativa de valores na qual. ainda   Mo  Md . Propriedades da distribuição normal: 1.

2485  X  0.8 Z  1 => P( Z  1)  0.92% Exemplo 2: O diâmetro de um cabo elétrico é normalmente distribuído com média 0.4)  0.2500  0.2508 polegadas e desvio padrão de 0.8  2  0.2515  0.000 cabos.1587  158. As especificações do eixo são 0.0005 P (0.0005 0.4 0.2508 Z2   1.2485  0.7 60 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADES . espera-se que quantos tenham diâmetro menor que 0.8 mm e variância 0.2485  X  0.0004 mm2.0000  0.9192  91.000  0.0.6  Z  1.0005 P (0.02 n  1. Dentre uma amostra de 1. com média 0.2508   0.02 0.78 mm?   0.2508 Z1   4. Que proporção de eixo obedece às especificações?   0.2515 )  ? 0.9192 . Gráfico da distribuição normal padrão: f(z) z Exemplo 1: O diâmetro de um eixo de um dispositivo ótico de armazenagem é normalmente distribuído.1587 0.6 0.0004 =>   0.0005 polegadas.2515 )  P ( 4.78  0.0015 polegada.

3 DISTRIBUIÇÃO  2 ( QUI-QUADRADO) A função densidade da distribuição “  2 ” com  graus de liberdade é dada por: f x ( 2 )  2 1      2   21  e  2 2 . o valor de  10 2 é o limite inferior da área que compreende 90% da distribuição qui-quadrado. 61 SACHIKO ARAKI LIRA .8652 . O valor é igual a:  32  9. O valor é igual a:  10 2  4. Quando se deseja indicar que uma variável  2 segue uma distribuição qui-quadrado com  graus de liberdade.5%. 2  0 . usa-se a notação: 2 ~ 2 (  ) ou  2 ~  2 .3. Esta distribuição possui numerosas aplicações em inferência estatística. Dentre as aplicações da Distribuição Qui-quadrado cita-se a construção de intervalos de confiança para variâncias e testes de hipóteses.4.900 Neste caso. Utilização da distribuição  2 Determinar os valores de  2 tais que: a) P (0   2   32 )  0. O parâmetro  é chamado de graus de liberdade da distribuição. abaixo dele se encontrem a área correspondente a 97.3484 b) P ( 2  10 2 )  0. 2    2  Os parâmetros da distribuição são: Média E( 2 )   Variância V( 2 )  2  Diz-se que  2 segue uma distribuição qui-quadrado com parâmetro  .975 Deseja-se obter o valor de  32 de maneira que.

usa-se a seguinte notação t ~ t (  ) ou t ~ t  . citam-se os testes de hipóteses e intervalos de confiança para amostras pequenas (n  30 ) e testes de hipóteses para coeficiente de correlação amostral. O único parâmetro  que a define e caracteriza a sua forma é o número de graus de liberdade (número de observações livres para variar). quando  ela tende para uma distribuição normal com média 0 e variância 1 (distribuição normal padronizada).         2 Os parâmetros da distribuição são: Média: E( t )  0  Variância: V(t )  para   2. O valor é igual a: t 8  1.10 Deseja-se obter o valor de t 8 tal que acima dele se encontrem 10% da área da distribuição. O valor é igual a: t 5  2. tais que: a) P ( t  t 5 )  0.4. t R .0150 b) P ( t  t 8 )  0. A distribuição t é simétrica em relação a t  0 .4 DISTRIBUIÇÃO “ t ” DE STUDENT A função densidade da distribuição “t” com  graus de liberdade é dada por:    1  (  1)    2    2   t 2 f (t)  1  .3.3968 62 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADES . Quando se deseja indicar que uma variável aleatória t segue uma distribuição t de Student com  graus de liberdade. Utilização da distribuição t de Student Determinar os valores de t  .05 Deseja-se obter o valor de t 5 tal que abaixo dele se encontrem 5% da área da distribuição. onde o parâmetro  é o número de graus de 2 liberdade da distribuição. sendo que. Dentre as utilizações da Distribuição t.

10 tal que abaixo dele estejam 1% da área da distribuição. Quando se deseja indicar que a variável aleatória F segue uma distribuição F de Snedecor com 1 e  2 graus de liberdade. 2 4 1( 2  2) 2 ( 2  4) A distribuição F de Snedecor depende de dois parâmetros. 5 tal que acima dele estejam 5% da área da distribuição. tais que: a) P  F  F(6.4. F(3.39 b) P  F  F(3. Utilização da distribuição F Determinar os valores de F1 . respectivamente no numerador e denominador. denominados. F(6. usa-se a notação F ~ F(1 . F  0. 2  2 2  2 2 22 (1   2  2) Variância: V( X)  . 1 e  2 . respectivamente. de graus de liberdade do numerador e denominador.3. 10 )   0.5 DISTRIBUIÇÃO F DE SNEDECOR A função densidade da distribuição “F” com 1 e  2 graus de liberdade é dada por: 1     1   2  1 1 1 2    1   2 F 2 f (F)   .01 Deseja-se obter o valor de F6 .4095 63 SACHIKO ARAKI LIRA .       1  2   1  2   2   1   2   2   2  1   2  F  Os parâmetros da distribuição são: 2 Média: E( X)  . 2 Dentre as aplicações da Distribuição F é possível citar a análise de variância (ANOVA) e análise de regressão. 5)   0. 2 . 10 )  5.05 Deseja-se obter o valor de F3 . 5)  5.  2 ) ou F ~ F1 .

Se a especificação estabelece que o diâmetro deve ser maior que 35mm. Qual é a probabilidade de x  0.9 ? 3. a) Qual a probabilidade desse sinal elétrico possuir componentes entre 40 e 70 Hz devido a essas frequências indesejáveis? b) Qual a maior frequência do sinal para que a probabilidade de contaminação por frequências indesejáveis seja de 10%? 8. x  0 . Uma amostra da fibra é randomicamente testada. 4. Admitida a normalidade: a) qual a percentagem das peças defeituosas? b) qual a percentagem de peças perfeitas? 64 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADES . Suponha que as frequências indesejáveis para um determinado sinal elétrico tenham uma variação normal com média 60 Hz e desvio padrão 15 Hz. qual deve ser o prazo de garantia? 9. A vida média de certo aparelho é de oito anos. Determine a probabilidade de que o tempo de reparo exceda duas horas. Qual a probabilidade de um parafuso ter o diâmetro com valor entre 2 e 2. com desvio padrão de 1. As peças com diâmetro que se afaste da média por mais de 0. tem distribuição exponencial com média igual a duas horas. O fabricante substitui os aparelhos que acusam defeito dentro do prazo de garantia.12 2 ) . O tempo (em horas) necessário para reparar uma máquina é uma variável aleatória exponencialmente distribuída com parâmetro   1/ 2 .03” são consideradas defeituosas. Suponha que um componente eletrônico tenha um tempo de vida X (em unidades de 1. qual é a probabilidade de que a peça produzida satisfaça a especificação? 5. Qual é a probabilidade de obtermos P( X  772) ? 7. O tempo de operação de uma máquina de embalagem de frascos sem interrupção para manutenção.00” e desvio padrão de 0.01”. Um processo industrial produz peças com diâmetro médio de 2. Qual a probabilidade dessa máquina conseguir operar mais de uma hora sem interrupção? 2. Seja X a variável aleatória que representa os diâmetros dos parafusos produzidos por certa máquina. Se ele deseja substituir no máximo 5% dos aparelhos que apresentem defeito. Sabe-se que esse diâmetro segue um modelo normal com média 40 mm e desvio padrão 2 mm. Supondo que essa variável tenha distribuição normal com média igual 2 cm e desvio padrão igual a 0.05 cm ? 6. O controle de qualidade na fabricação da fibra exige uma tensão de no mínimo 772 N.LISTA DE EXERCÍCIOS NO.04 cm. 4 – DISTRIBUIÇÕES DE PROBABILIDADES CONTÍNUAS 1.000 horas) que é considerado uma variável aleatória com função densidade de probabilidade f ( x )  e  x . A tensão de ruptura (em newtons) de uma fibra sintética é representada por X e distribuída como N (800. O diâmetro de uma determinada peça é uma característica da qualidade importante.8 ano.

10. Uma empresa usa anualmente milhares de lâmpadas elétricas, que permanecem acesa
continuamente, dia e noite. A vida de uma lâmpada pode ser considerada uma variável aleatória
normal, com média de 50 dias e desvio padrão de 15 dias. Em 1º de janeiro a companhia
instalou 8.000 lâmpadas novas. Aproximadamente quantas deverão ser substituídas em 1º de
fevereiro?

11. O diâmetro do eixo principal de um disco rígido segue a distribuição normal com média
25,08 in. e desvio padrão 0,05 in. Se as especificações para esse eixo são 25,00  0,15 in.
Determine o percentual de unidades produzidas em conformidades com as especificações.

65
SACHIKO ARAKI LIRA

NOÇÕES DE AMOSTRAGEM E
DISTRIBUIÇÕES AMOSTRAIS

5.1 INTRODUÇÃO

 Razão para se trabalhar com amostras:
 menor custo;
 redução do tempo e de mão-de-obra para a realização da coleta de dados;
 maior confiabilidade e qualidade dos dados;
 facilidade na realização dos trabalhos.

 dois tipos de amostragem: a probabilística e a não-probabilística.

 amostragem probabilística  Todos os elementos da população têm probabilidade
conhecida, e diferente de zero, de pertencer à amostra.

 amostragem probabilística  melhor recomendação para garantir a representatividade da
amostra, pois o acaso será o único responsável por eventuais diferenças entre população
e amostra.

 É possivel utilizar as técnicas de Inferência Estatística.

5.2 AMOSTRAGEM PROBABILÍSTICA
Algumas técnicas de amostragem probabilística:

5.2.1 AMOSTRAGEM ALEATÓRIA SIMPLES (AAS)

 é o método mais simples e mais importante para selecionar uma amostra probabilística;
 consiste em listar todas as unidades elementares enumeradas de 1 a N;
 sorteiam-se “n” elementos da população, sendo que todos os elementos têm probabilidade
conhecida e diferente de zero de serem selecionados;
 amostragem com reposição ou sem reposição.

Exemplo: Foram produzidos 500 anéis de pistão em certo processo de produção. Deseja-se
obter uma amostra de 30 anéis de pistão deste processo.

66
NOÇÕES DE AMOSTRAGEM E DISTRIBUIÇÕES AMOSTRAIS

Utilizando processo aleatório simples com reposição:
1) enumerar os anéis de pistão de 1 a 500;
2) todos os anéis terão a mesma probabilidade de compor a amostra, igual a 0,2%;
3) gerar 30 números aleatórios ou selecionar 30 números utilizando tabelas de números
aleatórios;
4) os anéis que comporão a amostra serão aqueles correspondentes aos números aleatórios;

290 271 211 4 456 451 389 487 397 410
473 143 381 217 128 465 457 174 160 157
206 369 155 285 421 239 454 341 424 289
No excel:
ALEATÓRIO()*(b-a)+a onde a=1; b=500

5) a amostra de 30 anéis de pistão será composta pelos anéis com as numerações acima.

5.2.2 AMOSTRAGEM SISTEMÁTICA

 os elementos da população estão ordenados e a retirada das unidades amostrais é feita
sistematicamente;
 a cada dez itens produzidos, em uma linha de produção, retirar um para compor a
amostra da produção diária.

Considerando o exemplo dos anéis de pistão: os anéis estão enumerados de 1 a 500.
n 30 1
f   (fração amostral)
N 500 17

1) gera-se ou seleciona-se um número aleatório entre 1 e 17;
2) O número gerado foi 11. Para obter os demais elementos, soma-se sempre 17, até completar
o tamanho da amostra.

No excel:

ALEATÓRIO()*(b-a)+a onde a=1; b=17

11 28 45 62 79 96 113 130 147 164
181 198 215 232 249 266 283 300 317 334
351 368 385 402 419 436 453 470 487 4

3) a amostra de 30 anéis de pistão será composta pelos anéis com as numerações acima.

67
SACHIKO ARAKI LIRA

 A estratificação é usada principalmente para resolver alguns problemas como a melhoria da precisão das estimativas. porém.00 250 5.  Esse processo pode gerar amostras bastante precisas. chega-se ao seguinte quadro: CARGO POPULAÇÃO PROPORÇÃO AMOSTRA Chefes de seção 500 0.2.500 0. está-se considerando cada valor da amostra como um valor de uma variável aleatória cuja distribuição de probabilidade é a mesma da população. Em consequência do fato de os valores da amostra serem aleatórios. distribuição amostral ou distribuição por amostragem. etc. pode variar de amostra para amostra. no instante da retirada desse elemento para a amostra.000 1. terão alguma distribuição de probabilidade.000 0. As estatísticas. e considerando amostra total de 250 operários. 5. selecionar uma amostra proporcional estratificada de operários para estimar seu salário médio. Exemplo: Dada a população de 5.30 75 Operários não especializados 3. Os parâmetros são valores teóricos correspondentes à população e as estatísticas são funções dos valores amostrais.10 25 Operários especializados 1.000 operários de uma certa indústria automobilística. convém que o sorteio dos elementos da amostra leve em consideração tais estratos.3 AMOSTRAGEM ESTRATIFICADA  A população pode ser dividida em subgrupos (estratos).  Quando a variável em estudo apresenta um comportamento heterogêneo entre os diferentes estratos. também será uma variável aleatória. com uma média.3 DISTRIBUIÇÕES AMOSTRAIS Ao retirar uma amostra aleatória de uma população.60 150 TOTAL 5.  A amostragem estratificada pode ser: proporcional. A distribuição de probabilidade de uma estatística chama-se.1 DISTRIBUIÇÃO AMOSTRAL DE MÉDIAS O parâmetro  é um valor único e desconhecido.3. Usando a variável critério “cargo” para estratificar essa população.5. comumente. sendo variáveis aleatórias. Se forem retiradas diferentes amostras aleatórias 68 NOÇÕES DE AMOSTRAGEM E DISTRIBUIÇÕES AMOSTRAIS . decorre que qualquer quantidade calculada em função dos elementos da amostra. variância. A estatística X é um valor conhecido. uniforme e de Neyman.

de mesmo tamanho. o número de amostras possíveis é igual a 6. da população não sejam conhecidos. cuja média denomina-se média da distribuição amostral e seu desvio padrão. média e desvio padrão. as médias das diferentes amostras não deverão ser iguais. que podem ser retiradas desta população. Embora os parâmetros. então.25   1k 1 17 V( X)  2 k i1 6 6 V( X)  2. AMOS. AMOS. Então. erro padrão. Apesar de a média da população ser a mesma. denominada distribuição amostral. 7 e 10 .0 6.5 6. considera-se para o exemplo a seguir. Seja uma população constituída dos elementos: 2.5 4.50 . como sendo conhecidos.25  6. AMOS.00 e  2  8.5 8. a média da amostra dependerá de cada amostra. Qualquer inferência realizada sobre a média da população utilizando uma única amostra estará sujeita a alguma incerteza.5 Observe que a média da amostra depende de cada amostra extraída. A variância das médias amostrais é dada por:  ( X i  E( X))   6. Tem-se. AMOS. 5. QUADRO 6 – AMOSTRAS POSSÍVEIS DE 2 ELEMENTOS RETIRADAS DESSA POPULAÇÃO SEM REPOSIÇÃO AMOS. Considere as possíveis amostras de 2 elementos ( n  2 ).25  0  0  2.0 7. AMOS- AMOSTRAS TRA 1 TRA 2 TRA 3 TRA 4 TRA 5 TRA 6 X1 2 2 2 5 5 7 X2 5 7 10 7 10 10 Média 3. a primeira conclusão importante: a média das médias amostrais é a própria média da população. sendo N  4 .83 69 SACHIKO ARAKI LIRA .25  2. Com as médias das amostras. é possível construir a distribuição de frequências das médias das amostras. a) Sem reposição n O número de amostras possíveis é dado por k  CN . pois a média de cada amostra pode ser diferente. A média e a variância populacional são:   6. A média das médias amostrais é obtida por: 1k 36 E( X)   Xi  k i1 6 E( X)  6 A média das médias amostrais ou a média da distribuição amostral coincide com a média da população.

AMOS. AMOS. AMOS.  6. AMOS.5 10. AMOS. AMOS- TRAS TRA 1 TRA 2 TRA 3 TRA 4 TRA 5 TRA 6 TRA 7 TRA 8 X1 2 2 2 2 5 5 5 5 X2 2 5 7 10 2 5 7 10 Média 2.0 7. AMOS- TRAS TRA 9 TRA 10 TRA 11 TRA 12 TRA 13 TRA 14 TRA 15 TRA 16 X1 7 7 7 7 10 10 10 10 X2 2 5 7 10 2 5 7 10 Média 4.0 3.5 6.25  16   68 k i1 16 16 V( X)  4.25  . AMOS. AMOS.0 7.5 6. A variância das médias amostrais é igual à variância da população multiplicada pelo 1 Nn fator:  n N 1 Tem-se então que: E( X)   X   (Média da distribuição amostral de médias) 2 Nn V( X)   2X   (Variância da distribuição amostral de médias) n N1 a) Com reposição O número de amostras possíveis é dado por k  Nn .25 A variância das médias amostrais é igual à variância da população multiplicada pelo 1 fator: n Tem-se então que: E( X)   X   (Média da distribuição amostral de médias) 70 NOÇÕES DE AMOSTRAGEM E DISTRIBUIÇÕES AMOSTRAIS .5 8. AMOS.0 A média das médias amostrais é obtida por: 1k 96 E( X)   Xi  k i1 16 E( X)  6 A variância das médias amostrais é dada por: V( X)  1k  ( X i  E( X))  2 1  16  6. AMOS. AMOS. AMOS.5 5.25  2.0 7.0 3.0 6. o número de amostras possíveis é igual a 16.5 6. QUADRO 7 – AMOSTRAS POSSÍVEIS DE 2 ELEMENTOS RETIRADAS DESSA POPULAÇÃO COM REPOSIÇÃO AMOS. Então.5 4... AMOS. AMOS. AMOS.5 AMOS.0 8.

a distribuição da média amostral também será normal. à medida que o tamanho da amostra aumentar. a distribuição da média amostral se aproximará da distribuição normal. Resumindo: a) Amostragem com reposição: E( X)   X   (Média da distribuição amostral de médias) 2 V( X)   X2  (Variância da distribuição amostral de médias) n b) Amostragem sem reposição: E( X)   X   (Média da distribuição amostral de médias) 2 Nn V( X)   X2   (Variância da distribuição amostral de médias) n N1 Nn onde o fator é denominado de fator de população finita. ambas finitas. Seja X a média amostral.d. é possível aplicar o Teorema Central do Limite. Se a distribuição da população não for normal. 2 V( X)   2X  (Variância da distribuição amostral de médias) n De forma geral. 71 SACHIKO ARAKI LIRA . a distribuição das médias de amostras de tamanho suficientemente grande poderá ser considerada como normal.1) .). X n .i.  2 ) . Se a distribuição da população for normal N ( .     2   n A aproximação melhora com o aumento do tamanho da amostra. Será apresentada uma das versões.i. Existem diversas versões do teorema central do limite.d. Evidentemente.. seja qual for a forma da distribuição da população. Então: X X Z  n  ~ N ( 0. seja qual for o tamanho n da amostra. a forma da distribuição amostral depende da forma da distribuição da população. Teorema Central do Limite (versão i. tais que E( X i )   e V ( X i )   2 . em termos da média amostral) Sejam X 1 . De acordo com o teorema central do limite. X 2 . tem-se que: N 1 Nn lim 1 N N 1 TEOREMA CENTRAL DO LIMITE Em situações onde se tem n   . variáveis aleatórias independentes e identicamente distribuídas (i.

seja qual for a forma da distribuição da população. Na prática. A média e o desvio padrão da distribuição amostral de proporções são apresentados a seguir. seja qual for a forma da distribuição da população. n ` O conjunto de frequências relativas calculadas para as amostras constitui a distribuição amostral das proporções ou de frequências relativas. 5.3. Sendo que S 2 é a variância amostral. O teorema central do limite é muito importante. a distribuição amostral das proporções. Para cada amostra de tamanho n . pode-se determinar o número k de k sucesso e como consequência. pois permite utilizar a distribuição normal para realizar inferências da média amostral. dada por: 1 n S2   ( x i  X) 2 n  1 i1 72 NOÇÕES DE AMOSTRAGEM E DISTRIBUIÇÕES AMOSTRAIS .5.  2 ) for retirada uma amostra de tamanho n suficientemente grande. poderá se aproximar de uma distribuição normal de mesma média e mesma variância. a probabilidade de sucesso de certo evento é p e de insucesso é q  1  p . considera-se a amostra grande para n  30 e p próximo de 0. a frequência relativa ou proporção dada por fr  p̂  .3. que segue distribuição binomial.3 DISTRIBUIÇÃO AMOSTRAL DA VARIÂNCIA (n  1) S 2 A estatística  2  .2 DISTRIBUIÇÃO AMOSTRAL DE PROPORÇÕES Seja uma população tal que.  n ) . a distribuição de X será aproximadamente normal N (  . de uma população com parâmetros ( . a) Com reposição  p̂ p (média da distribuição amostral de proporções) pq p̂  (desvio padrão da distribuição amostral de proporções) n b) Sem reposição  p̂ p (média da distribuição amostral de proporções) pq N  n p̂   (desvio padrão da distribuição amostral de proporções) n N 1 Para amostras suficientemente grandes. considerando-se amostras sem e com reposição. 5. Se. segue uma distribuição qui-quadrado com   n  1 graus de 2 liberdade.

com   n  1 graus de liberdade. com n 2 1 (n  1) ou seja. tem-se que: S2  2 2 . Tem-se para a distribuição amostral da variância S 2 que: E ( S2 )   2 2 4 V ( S2 )  n 1 73 SACHIKO ARAKI LIRA . A partir da expressão da expressão de estatística  2 . S 2 segue uma distribuição 2 .

Inferência estatística  divide-se em duas grandes áreas: estimação e teste de hipóteses. com base nos dados amostrais. Método dos mínimos quadrados. Método da máxima verossimilhança. Principais métodos de obtenção de estimadores: Método dos momentos.3 QUALIDADES DE UM ESTIMADOR a) Não tendencioso ou não viesado 74 ESTIMAÇÃO DE PARÂMETROS . Estimativa  valor numérico obtido pelo estimador numa determinada amostra. Distribuição amostral ou distribuição por amostragem  distribuição de probabilidade de uma estatística. que será utilizada no processo de estimação do parâmetro de interesse. tendo como base uma amostra aleatória extraída da população de interesse. 6. ESTIMAÇÃO DE PARÂMETROS 6.2 ESTIMADOR E ESTIMATIVA Estimador  quantidade calculada em função dos elementos amostrais. Estatística  qualquer quantidade calculada em função dos elementos da amostra. 6. Pontual Estimação Inferência Por intervalo Estatística Teste de Hipóteses Estimação  o objetivo é fornecer informações sobre os parâmetros populacionais.1 INTRODUÇÃO Inferência estatística  tem como objetivo fazer generalizações sobre uma população.

4. resume os dados sem perder nenhuma informação sobre o parâmetro  .4 ESTIMAÇÃO POR PONTOS Quando o parâmetro é estimado através de um único valor diz-se que a estimação é por ponto ou pontual. Um estimador ̂ é não tendencioso ou não viesado quando a sua média (ou esperança ou expectância) é o próprio valor do parâmetro populacional  que está se pretendendo estimar. isto é: E( ˆ )   e lim V( ˆ )  0 n  c) Eficiência Dados dois estimadores ̂1 e ̂ 2 de um mesmo parâmetro. S 2 é um estimador pontual da variância populacional 2 . é mais eficiente aquele que apresenta menor variância. quando n tende para  . V ( ˆ 2 ) d) Suficiência Um estimador é suficiente quando permite obter um resumo das informações trazidas pela amostra.4. a eficiência relativa será dado pelo quociente das respectivas variâncias. eficiente e suficiente. consistente. a estimativa é dada por: 75 SACHIKO ARAKI LIRA . ou seja. 6. ou seja: V ( ˆ 1 ) . 6. Ainda.1 ESTIMADOR DA MÉDIA POPULACIONAL O estimador utilizado é a média aritmética amostral X .2 ESTIMADOR DA VARIÂNCIA POPULACIONAL O estimador utilizado é a variância amostral S 2 . se ̂1 e ̂ 2 forem ambos não tendenciosos. Quando a média populacional  for conhecida. ou seja: Se V ( ˆ 1 )  V ( ˆ 2 ) então ̂1 é mais eficiente que ̂ 2 . sendo um estimador não viesado. ou seja: E( ˆ )   b) Consistência Um estimador ̂ é consistente se (além de ser não viesado) sua variância tende para zero. etc. 1 n X   xi n i1 6. As estimativas obtidas pelas expressões apresentadas a seguir são não tendenciosos e consistentes. Por exemplo: X é um estimador pontual da média populacional  .

A tendenciosidade de S tende a zero. de tal forma que ele possua probabilidade conhecida (nível de confiança (1   ) ) de conter o verdadeiro valor do parâmetro.4 ESTIMADOR DA PROPORÇÃO POPULACIONAL k O estimador utilizado é a proporção amostral p̂ . 6. n  ( x i   )2 i1 S2  n E quando a média populacional  for desconhecida. 6. A expressão de p̂ é dada por: p̂  . Então. à medida que aumenta o tamanho da amostra. tal que P ( t 1    t 2 )  1   .4.5 ESTIMAÇÃO POR INTERVALO Consiste em construir um intervalo em torno da estimativa por ponto. 6.) t1 e t 2  são denominados de limites de confiança 1   nível de confiança. n onde k é o número de casos favoráveis.5. Seja o parâmetro  . A escolha do nível de confiança depende do grau de precisão com que se deseja estimar o parâmetro.3 ESTIMADOR DO DESVIO PADRÃO POPULACIONAL Tem-se que S 2 é um estimador não tendencioso da variância populacional 2 . tem-se: t1    t 2  chamado de intervalo de confiança (I. a raiz quadrada de S não é um estimador não tendencioso do desvio padrão populacional  . Evidentemente.C. por: 1 n S2   ( xi  X ) 2 n  1 i1 6.1 INTERVALO DE CONFIANÇA PARA MÉDIA POPULACIONAL 1) Quando a Variância Populacional  2 é Conhecida   P( X  Z 2    X  Z 2 )  1  n n 76 ESTIMAÇÃO DE PARÂMETROS . No 2 entanto.4. É comum utilizar os níveis de 95% e 99%. o aumento no nível de confiança implica no aumento de sua amplitude.

não existe a exigência de que a população seja normalmente distribuída (justificada pelo Teorema Central do Limite). e sendo  desconhecido.onde: X é a média da amostra. n é o tamanho da amostra. A utilização da expressão acima deve atender aos seguintes critérios: Para amostras pequenas ( n  30 ) . Z  2 é o valor de Z da tabela da distribuição “t” para um determinado nível de significância e graus de liberdade    . Construir o I. Solução:  2 n  50 X  25 1    95% .  é o nível de significância adotado. de 95% para o verdadeiro comprimento das peças produzidas por essa máquina. FIGURA 3 – DISTRIBUIÇÃO NORMAL PADRÃO 1   2  2  Z 2 Z 2 Exemplos de aplicação: 1) O desvio padrão dos comprimentos de todas as peças produzidas por certa máquina é 2 mm. Uma amostra de 50 peças produzidas por essa máquina apresenta média igual a 25 mm. pode ser substituído pelo desvio padrão amostral S .96 77 SACHIKO ARAKI LIRA FIGURA 1 – DISTRIBUIÇÃO NORMAL PADRÃO .   5% .  é o desvio padrão da população.C. Z  2  1. Para grandes amostras ( n  30 ) . a população deve ser normalmente distribuída.

t  2 é o valor de t da tabela da distribuição “t” para um determinado nível de significância e   n  1 graus de liberdade.96   95 %  9 9 P 96.96   95 %  50 50  P 24. A distribuição t de Student.45 mm    25. Solução:  2 n9 X  98 1    95% . é chamado de Teoria das Pequenas Amostras.96    98  1.69 psi    99.   5% .96    P X  Z  2    X  Z 2   1   n n  2 2  P 98  1. Z  2  1.31 psi  95 % 2) Quando a Variância Populacional  2 é Desconhecida O estudo que trata de distribuições amostrais ou distribuições de probabilidade de estatísticas. é uma distribuição de probabilidade estatística.55 mm  95 % 2) Experiência passada indicou que a resistência à quebra de um fio usado na fabricação de material moldável é normalmente distribuída e que   2 psi. 78 ESTIMAÇÃO DE PARÂMETROS . Assim.96    25  1. quando o desvio padrão populacional  é desconhecido e trata-se de amostras pequenas (geralmente n<30). Uma amostra aleatória de nove espécimes é testada e a resistência média à quebra é 98 psi. desenvolvida por William Sealy Gosset. Encontre um intervalo bilateral de confiança de 95% para a resistência média à quebra. de pequenas amostras (n<30). o intervalo de confiança será:    P X  Z  2    X  Z 2   1   n n  2 2  P 25  1.  é o nível de significância adotado. Esta distribuição é de fundamental importância para a inferência estatística. O intervalo de confiança é obtida através de: S S P( X  t 2    X  t 2 )  1  n n onde: X é a média da amostra.

S é o desvio padrão da amostra. a população de onde a amostra foi retirada deve ser normalmente distribuída. pois. FIGURA 4 – DISTRIBUIÇÃO t DE STUDENT 1  2 2 t 2 t 2 Exemplos de aplicação 1) Uma amostra de 20 cabos. produzidos por uma indústria. a distribuição t de Student se aproxima de uma distribuição normal padronizada. Para grandes amostras ( n  30 ) .   n  1  19 t 2  2.4 kgf. acima deve obedecer aos seguintes critérios: Para amostras pequenas ( n  30 ) . respectivamente. A utilização do I. C. ele pode substituir o I.4 1    95% . dado pela fórmula em que  é conhecido. n é o tamanho da amostra. foram avaliados e medidas as tensões de rupturas (em kgf). A média e o desvio padrão da amostra são iguais a 762 kgf e 14.09 Assim. no caso de grandes amostras. Solução: n  20 X  762 S  14. C. o intervalo de confiança será dado por:  S S  P X  t  2    X  t 2   1   n n 79 SACHIKO ARAKI LIRA . Deseja-se construir o intervalo de confiança de 95% para a tensão média de ruptura de cabos produzidos pela indústria.   5% .

51   95 % 6.2 INTERVALO DE CONFIANÇA PARA DIFERENÇA ENTRE DUAS MÉDIAS POPULACIONAIS  1 E 2 1) Quando as Variâncias Populacionais 12 e 22 são Conhecidas  12  22 12  22  P ( X1  X 2 )  Z  2   (1   2 )  ( X1  X 2 )  Z  2    1   n1 n 2 n1 n 2   onde: X 1 é a média da amostra 1.5.57 35.  2 1 é a variância da população 1.  14. S  35.92  2.237.33    2.73 kgf   95 % 2) A resistência do concreto à compressão está sendo testada por um engenheiro civil.57  P 2259 .27 kgf    768.09   1   20 20  P 755. Dados: X  2259. X 2 é a média da amostra 2.92  2.20    2259 .4  P 762  2. Ele testa 12 corpos de prova e obtém dados abaixo. Construir um intervalo de 95% para a resistência média.92 . 80 ESTIMAÇÃO DE PARÂMETROS .20   1   12 12  P 2.20  S S  P X  t  2    X  t 2   1   n n   35.09    762  2.282. Z  2 é o valor de Z da tabela da distribuição “t” para um determinado nível de significância e graus de liberdade    .57 Solução: n  12 1    95%   5%   n  1  11 t 2  2.4 14.  é o nível de significância adotado.

X 2 é a média da amostra 2.58 O intervalo de confiança (I. n 2 é o tamanho da amostra 2.52 horas   A   B  138. Construir o intervalo de confiança de 99% para a diferença entre os tempos médios de vida das lâmpadas de marcas A e B.58  40 40 40 40 P 61. respectivamente. será dado por:  2A  B2  2A  B2 ( X A  XB )  Z  2    A   B  ( X A  XB )  Z  2  nA nB nA nB 50 2 80 2 50 2 80 2 (1200  1100 )  2.100 horas.48 horas   99 % 2) Quando as Variâncias Populacionais  12 e  22 são Desconhecidas e Supostamente Iguais  1 1 1 1  P ( X1  X 2 )  t  2 S p2 (  )   1   2  ( X1  X 2 )  t  2 S p2 (  )   1   n1 n 2 n1 n 2  (n1  1) S12  (n 2  1) S 22 sendo que: S p2  n1  n 2  2 X 1 é a média da amostra 1. para A e B. respectivamente. 50 horas e 80 horas. Solução:  A  50  B  80 n  40 X A  1200 XB  1100 1    99% Z  2  2.  A   B .200 horas e 1.C.58    A   B  (1200  1100 )  2. n1 é o tamanho da amostra 1. Exemplo de aplicação: 1) Os desvios padrões das durações das lâmpadas elétricas fabricadas pelas indústrias A e B são. 22 é a variância da população 2.  é o nível de significância adotado. 81 SACHIKO ARAKI LIRA . Foram ensaiadas 40 lâmpadas de cada marca e as durações médias obtidas foram 1.) de (1  )100 % para  A  B . ou seja.

0. com   n1  n 2  2 graus de liberdade.23  1. S 2A  1. apresentou: X B  44.34     A   B  ( 45.17)  2. uma amostra de 6 tubos da fábrica B.17 .40 . n1 é o tamanho da amostra 1.34 n A  nB  2 562  1 1  1 1 ( 45. será dado por: 1 1 1 1 (X A  XB )  t  2 S p2 (  )   A   B  ( X A  XB )  t  2 S p2 (  ) n A nB n A nB onde: (n A  1) S 2A  (n B  1) S B2 (5  1)(1.30 E.26 1. Exemplo de aplicação: Uma amostra de 5 tubos da fábrica A.30)  (6  1)(1.C.23  1.58 P .17)  2.37) S p2    1.81 mm  95 % 82 ESTIMAÇÃO DE PARÂMETROS .37 .40  44.58   A   B  1.34   5 6 5 6 1.26 1.t  2 é o valor de t da tabela da distribuição “t” para um determinado nível de significância e   n1  n 2  2 graus de liberdade.26 O intervalo de confiança (I. de 95% para as diferenças entre os diâmetros médios  A  B . S B2  1.35 mm   A   B  2. apresentou os seguintes resultados quanto aos diâmetros (mm): X A  45.40  44. n 2 é o tamanho da amostra 2.) de (1  )100 % para 1   2 . S12 é a variância da amostra 1. Solução: nA  5 nB  6 1    95 % t  2 . Construir o I. C. S 22 é a variância da amostra 2. logo   9 t 2  2.

X 2 é a média da amostra 2.3) Quando as Variâncias Populacionais  12 e  22 são Desconhecidas e Supostamente Diferentes Para a construção do intervalo de confiança para a diferença entre duas médias populacionais 1 e  2 .17 . S 22 é a variância da amostra 2. de 95% a diferença 1   2 .30 .77 . t  2 é o valor de t da tabela da distribuição “t” para um determinado nível de significância e  graus de liberdade.  é o nível de significância adotado. supondo que as variâncias sejam diferentes. deve-se fazer uma modificação no teste t. S12  7. obtendo: X1  12. denominada correção de Aspin-Welch. X 2  15. 83 SACHIKO ARAKI LIRA . S 22  16.60 .C. n 2  5 Estimar através de um I. n1 é o tamanho da amostra 1. onde w 1  S 12 S2 e w2  2 (método de Aspin-Welch) w 12 w 22 n1 n2  n1  1 n 2  1 onde: X 1 é a média da amostra 1.  S12 S 22 S12 S 22  P ( X1  X 2 )  t  2   1   2  ( X1  X 2 )  t  2    1   n1 n 2 n1 n 2  onde a variável t tem número de graus de liberdade dado por:  w 1  w 2 2 . n 2 é o tamanho da amostra 2. S12 é a variância da amostra 1. desconhecendo-se os desvios padrões populacionais 1 e  2 sendo supostamente diferentes. Exemplo de aplicação: 1) Dois operários mediram o tempo (em min) de certa operação industrial. n1  6 . com base nos dados amostrais. Solução: 1    95% t  2 é o valor de t da tabela da distribuição “t” para um determinado nível de significância e  graus de liberdade.

43  5.77 w1    1. (w 1  w 2 )2 S12 S2 Onde:   .36    1   2  (12.30 n1 6 S 22 16.36  6 5 6 5 -3.77 16.6)  2.30 w2    3.5.3 (12.8.30  3.04   1   2  -3.3 7.6)  2.) de (1  )100 % para 1   2 .26 2  6 1 5 1 O intervalo de confiança (I.77 16.26) 2  7 1.3 INTERVALO DE CONFIANÇA PARA A VARIÂNCIA POPULACIONAL  (n  1) S 2 (n  1) S 2  P   2    1     2 12 2  2 FIGURA 5 – DISTRIBUIÇÃO  2 f ( 2 ) 1   2  2 12 2  2 2 84 ESTIMAÇÃO DE PARÂMETROS .47 min   1   2  1.30 2 3.43  5. onde w 1  e w2  2 w 12 w 22 n1 n2  n1  1 n 2  1 S12 7.26 n2 5 (1.17  15.61 min   95 % 6.17  15.C.04 P . será dado por: S 12 S 22 S 12 S 22 ( X1  X 2 )  t  2    1   2  ( X1  X 2 )  t  2  n1 n2 n1 n2 7.

Solução: Tem-se então que S 2  0.4 INTERVALO DE CONFIANÇA PARA O DESVIO PADRÃO POPULACIONAL Considerando a raiz quadrada positiva do intervalo de confiança da variância populacional.9200 3.02 .02 (12  1) 0.02  2  21.2401   95 % 85 SACHIKO ARAKI LIRA .0100   2  0.02  21. obtendo-se o seguinte resultado: S 2  0.8157 P 0. dado por:  (n  1) S 2 (n  1) S 2  P    1    2 2 12 2  Exemplo de aplicação: Considerando os resultados obtidos nas determinações da densidade de certo metal ( g / cm3 ).5.9200 Logo: (n  1) S 2 (n  1) S 2  2   2 2  12  2 (12  1) 0.8157  P 0. apresentado no exemplo anterior.02 (12  1) 0. Os valores de  2 tabelados serão: 12 2  3. obtém-se o intervalo de confiança de (1  )100 % para  .Exemplo de aplicação: Foram realizadas 12 determinações da densidade de certo metal ( g / cm3 ). estimar o desvio padrão através de um intervalo de confiança de 95%.0577   95 % 6.1002    0. Solução: (n  1) S 2 (n  1) S 2   2 2 12 2 (12  1) 0.8157 2 2  21.9200 3.02 Estimar a variância populacional da densidade através de um intervalo de confiança de 95%.

64 200 200 0. verificou-se que 10 eram defeituosas. tem-se:  p̂  q̂ p̂  q̂  P p̂  Z  2  p  p̂  Z  2   1   n n  x onde p̂  é a proporção amostral (onde x representa o número de casos favoráveis ao evento n estudado). tem-se: 0. acima deve obedecer aos seguintes critérios: a) np  5 e n(1  p)  5 .6.95 0. de 90%.05  0.95 0.05 200 q̂  1  p̂  0. de acordo com a aproximação da distribuição binomial à distribuição normal.47 %  p  7. Estimar a verdadeira proporção de peças defeituosas produzidas por essa máquina.5 INTERVALO DE CONFIANÇA PARA PROPORÇÃO POPULACIONAL Para o cálculo do desvio padrão.64  p  0. utilizando I. tão amplos que não tem nenhum valor prático. exigindo assim que a amostra seja grande. A utilização do I. a amostra será pequena e a construção dos intervalos de confiança exige a utilização de uma tabela especial..C.05  1. utilizando a estimativa pontual p̂ . deve-se estimar a proporção populacional p .05  0.C.5.05  1. C.C. Exemplo de aplicação: Em uma amostra de 200 peças produzidas por certa máquina. Os critérios exigidos estão teoricamente. Solução: n  200 10 p̂   0.53 %  90 % 86 ESTIMAÇÃO DE PARÂMETROS .95 Z 2  1. resultando em I. assim fazendo q̂  1  p̂ . b) Quando as condições do item (a) não são obedecidas.0753 P 2.0247  p  0.64 Substituindo os valores na expressão do I.

58 87 SACHIKO ARAKI LIRA . o erro seja menor do que um valor especificado. E assim. através do I. quando se tratar de extração de amostras sem reposição. 2    n   Z  e o  2  Já. de ( 1   )100 % . ao se estimar o parâmetro. Solução: a) Amostragem com reposição Tem-se as seguintes informações:   10 e0  4 1    99% .6.:  e o  Z 2 .6.1 ESTIMAÇÃO DA MÉDIA POPULACIONAL Suponha que se pretende dimensionar o tamanho da amostra para a estimação da média populacional  . a precisão é dada pela semi-amplitude do I. de maneira que.C. logo   1% e Z  2  2. com confiança de 99% e precisão igual a 4? Supor que a amostragem é obtida: a) com reposição. Em se tratando extração de amostras com reposição. tem-se:  Nn e o  Z 2 n n 1 Z2 2 2N n e 02 (N  1)  Z2 2 2 Exemplo de aplicação: Qual o tamanho mínimo da amostra para se estimar a média de uma população cujo desvio padrão é igual a 10. n quando o desvio padrão populacional  é conhecido. b) sem reposição de uma população com 1000 elementos.C.6 DIMENSIONAMENTO DA AMOSTRA O objetivo do dimensionamento de amostras é o de determinar o tamanho mínimo de amostra que se deve tomar. 6.

000 1    99% .58 88 ESTIMAÇÃO DE PARÂMETROS .10? Solução: p  0. logo   1% e Z  2  2.6. com precisão de 0.08 1    99% .6025  42  4  b) Amostragem sem reposição   10 e0  4 N  1. sabendo que essa proporção não ultrapassa a 0.58    41.C.9792  40 4  (1000  1)  2.10 e0  0.08 e 99% de confiança. n pq n  Z2 2 e02 Exemplo de aplicação: Qual o tamanho de amostra suficiente para estimar a proporção de peças defeituosas fornecidas por certa máquina.: pq e0  Z  2 . logo   1% e Z  2  2. A precisão é dada pela semi- amplitude do I.2 ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL Suponha que se pretende dimensionar o tamanho da amostra para a estimação da proporção populacional p através do I.C. 2    n   Z  e o  2  2  10  n   2. de ( 1   )100 % .58 2  10 2  1000 n  39.58 Z2 2 2N n e 02 (N  1)  Z2 2 2 2.58 2  10 2 2 6.

58 2  0. S  0. construir: a) O I. Construa um intervalo de confiança de 95% para a vida média.001 milímetro. Uma máquina produz bastões metálicos usados em um sistema de suspensão de automóveis. Um engenheiro do setor de pesquisa de um fabricante de pneu está investigando a vida média do pneu em relação a um novo componente de borracha. X  18. uma estimativa pontual da proporção de mancais na 89 SACHIKO ARAKI LIRA .23 . A cronometragem (em segundos).49 . Consequentemente. Sabendo-se que a vida média do pneu é normalmente distribuída. de 95% para a média populacional.139.27 . 2. Em uma amostra aleatória de 85 mancais de eixos de manivelas de motores de automóveis. Supondo que o tempo para a execução da operação industrial seja normalmente distribuído. X  8. Ele fabricou 16 pneus e testou-os até o final da vida em um teste na estrada.7 e 3.10  (1  0. 5 . obtida em uma amostra. forneceu os seguintes resultados: n  11 .INTERVALOS DE CONFIANÇA 1. Uma amostra aleatória de 15 anéis tem um diâmetro médio de 74. Sabe-se que a vida (em horas). Uma amostra aleatória de 20 bulbos tem uma vida média de 1. Os dados (em milímetro) resultantes são mostrados a seguir: n  15 . c) O I.C. de 95% para a variância populacional. b) o desvio padrão do tempo de vida do pneu. pq n  Z 2 2 e 02 2. c) encontre um intervalo de confiança de 95% para o desvio padrão dos bastões. 10 têm um acabamento de superfície que é mais rugoso do que as especificações permitidas.C. 3.94 km. Sabe-se que o diâmetro do anel é distribuído normalmente com   0.03 Sabendo-se que o diâmetro dos bastões é normalmente distribuída: a) encontre um intervalo de confiança de 95% para o diâmetro médio dos bastões. encontre um intervalo de confiança de 95% para: a) a vida média do pneu. 6. 4.C.6056  94 (0. de 95% para o desvio padrão populacional. Uma amostra aleatória de 15 bastões é selecionada e mede-se o diâmetro dos bastões.645. S  2. respectivamente. b) encontre um intervalo de confiança de 95% para a variância dos bastões. de certa operação.036 milímetros.10 ) n  93.08 ) 2 LISTA DE EXERCÍCIOS NO. Um fabricante produz anéis para pistões de um motor de um carro.014 horas. A média e o desvio padrão da amostra são 60. 5. Construa o intervalo de confiança de 99% para o diâmetro dos anéis de pistão. de um bulbo de uma lâmpada de 75 W é distribuída normalmente com   25 horas. b) O I.

Construa um intervalo de confiança de 95% para a proporção de calculadoras defeituosas na população. Uma amostra de 300 circuitos é testada. a média e o desvio padrão do desgaste na amostra são X1  20 miligramas/1000 ciclos e S1  2 miligramas/1000 ciclos. O engenheiro decide criar um intervalo de confiança de 95% para a proporção real de unidades defeituosas naquele momento.12 . Considere normalidade das distribuições. através de um teste. 9. Calcular o intervalo de confiança de 90% para a fração de circuitos defeituosos produzidos pelo processo.5 . supondo que ambas as populações sejam normalmente distribuídas. 12. A resistência à quebra desse plástico é importante. decide-se comparar.40 . o material produzido por cada companhia. Duas amostras aleatórias de tamanhos de n1  15 e n 2  17 são selecionadas e as médias e variâncias das amostras são X1  8. A variância da octanagem na estrada no caso da formulação 1 é 12  1. A partir de uma amostra aleatória de n1  10 e n 2  12 . por no mínimo.6 e X 2  92.68 e S12  0. Está-se estudando a fração de circuitos integrados defeituosos produzidos em um processo.73 . Suponha que 12   22 e que os dados sejam retirados de uma população normal. Calcular o intervalo de confiança de 90% para a diferença na octanagem média (  2  1 ) observada na estrada. X2  8. Diâmetro de bastões de aço. enquanto para companhia 2 são X 2  15 miligramas/1000 ciclos e 90 ESTIMAÇÃO DE PARÂMETROS . sendo encontrada uma porcentagem alta e alarmante de 16% de itens desconformes (ou seja. de modo que um de seus engenheiros de qualidade decide investigar um determinado processo. a menos que sua resistência média à quebra exceda do plástico 2. Duas formulações diferentes de um combustível oxigenado de um motor devem ser testadas com a finalidade de estudar sua octanagem na estrada.5 e X2  155. 13. Assim. A peça será sujeita a um desgaste abrasivo no campo de aplicação. respectivamente. Um fabricante de calculadoras eletrônicas retira uma amostra aleatória de 1200 calculadoras e encontra 80 unidades defeituosas. 8. Dois tipos de plásticos são adequados para uso por um fabricante de componentes eletrônicos. obteve-se X1  162. Uma empresa vem tendo sérios problemas com sucata e retrabalho.2 .0 psi. A companhia não adotará o plástico 1.35 . Para a companhia 1. É sabido que 1   2  1. 10 população que excede a especificação de rugosidade é p̂   0. defeituosos). sendo que as octanagens médias observadas são X1  89. Duas amostras aleatórias de n1  15 e n2  20 são testadas.0 psi. Construa um intervalo de confiança de 98% para a diferença no diâmetro médio dos bastões. 10 psi. 7. fabricadas em duas máquinas extrusoras diferentes. Calcule o intervalo de confiança de 95% para a diferença de médias. Uma amostra aleatória de 150 itens é extraída num determinado dia. Construir o intervalo de 85 confiança de 95% para a proporção populacional.5 e no caso da formulação 2 é  22  1. Vinte e cinco amostras de material de cada companhia são testadas em um teste de abrasão. Qual é o intervalo obtido? 10. 11. está sendo investigado. Duas companhias fabricam um material de borracha para uso em uma aplicação automotiva. sendo a quantidade de desgaste observada depois de 1000 ciclos. S12  0. revelando 13 defeituosos.

com erro de 0. Construa um intervalo de confiança para 95% e 99% para a diferença de média de desgastes. Determinar o número mínimo de elementos de uma amostra.3 Construir um intervalo de confiança de 98% para diferença entre as resistências médias de corte. com confiança de 95% e precisão igual a 3? Supor que a amostragem é obtida sem reposição de uma população com 2000 elementos.250 1. sendo que de uma amostra piloto com 70 elementos obteve-se variância igual a 36.10 17.05. Um experimento realizado para estudar várias características de pinos de ferro resultou em 38 observações sobre a resistência de corte (kip) de pinos de 3/8 polegada de diâmetro e 35 observações sobre a resistência de pinos de 1/2 polegada de diâmetro. supondo normalidade das duas populações e variâncias distintas. se desejamos estimar a média populacional com 95% de confiança e erro amostral de 1. 14. 15. com erro de 0.9 Pino diâmetro 1/2 35 4.03 e 99% de confiança. S 2  8 miligramas/1000 ciclos. Os resultados obtidos foram: PINOS n X S Pino diâmetro 3/8 38 6. sabendo que a proporção não ultrapassa de 0. Um fabricante de peças acredita que aproximadamente 5% de seus produtos são defeituosos se ele deseja estimar a verdadeira porcentagem. considerando que as populações são normalmente distribuídas com variâncias diferentes. com 90% de confiança. Qual o tamanho mínimo de amostra para se estimar a média de uma população cujo desvio padrão é igual a 12. 16.140 0. Qual o tamanho de amostra suficiente para estimarmos a proporção de peças defeituosas fornecidas por certa máquina. Qual deverá ser o tamanho da amostra a ser retirada? 91 SACHIKO ARAKI LIRA . 18.

coletar os dados e calcular o valor da estatística correspondente. 2) Estabelecer a hipótese alternativa H1 . tem-se: H0 : T  T0 T  T0 ( teste unilateral à esquerda )  Figura 1 H1 : T  T0 ( teste unilateral à direita )  Figura 2 T  T0 ( teste bilateral )  Figura 3 R. se é unilateral à esquerda. TESTES DE HIPÓTESES 7.1 ETAPAS PARA TESTES DE HIPÓTESES Etapas básicas para testar a significância estatística: 1) Estabelecer a hipótese nula H0 . Para a definição da região de rejeição de H0 é necessário considerar a hipótese H1 . 6) Rejeitar ou aceitar Ho. unilateral à direita ou bilateral. Figura 3 Os pontos -c e c são os pontos críticos. 92 TESTES DE HIPÓTESES . avaliando se o valor da estatística. Conforme o tipo do teste identifica-se a área de rejeição de H0 . R. localizados nas tabelas das distribuições das estatísticas do teste.1 NÍVEL DE SIGNIFICÂNCIA É a probabilidade máxima com a qual se sujeitaria a correr o risco de um erro tipo I.R.R. 4) Escolher a distribuição de probabilidade adequada ao teste e a partir daí determinar a região de rejeição da hipótese nula H0 . situa-se na área de rejeição ou na região de aceitação.1. considerando-se o nível de significância adotado e o número de graus de liberdade em questão.R. uma vez que é ela que define o tipo do teste. Figura 1 Figura 2 R. 5) Definir o tamanho da amostra. obtida a partir dos dados amostrais. 3) Fixar o nível de significância . 7. Genericamente.

assim.   P (rejeitar H0 / H0 verdadeira ) Erro tipo II – Não rejeitar a hipótese nula quando ela for falsa. a estatística do teste é calculada por: X  0 Z  n onde: X é a média amostral.  é o desvio padrão populacional. As hipóteses estatísticas são: H0 :    0    0 ( teste unilateral à esquerda ) H1 :    0 ( teste unilateral à direita )    0 ( teste bilateral ) Estabelecido o nível de significância  . Obtidos os dados amostrais. Para grandes amostras ( n  30 ) .2. também denominado erro beta (  ). as etapas apresentadas na seção 7.2 TESTES ESTATÍSTICOS PARAMÉTRICOS 7.  0 é o valor a ser testado.1 QUANDO A VARIÂNCIA POPULACIONAL  2 É CONHECIDA Para amostras pequenas ( n  30 ) . não existe a exigência de que a população seja normalmente distribuída (justificada pelo Teorema Central do Limite). também denominado erro alfa (  ). a população deve ser normalmente distribuída. o valor de Z crítico para este nível de significância será obtido em uma tabela da variável normal padronizada e.   P (aceitar H0 / H0 falsa ) 7. Para realizar o teste de hipóteses.1 TESTE PARA A MÉDIA POPULACIONAL 7. 93 SACHIKO ARAKI LIRA .2. definida a região de rejeição de H0 .1.2 ERRO ESTATÍSTICO Dois tipos de erros são possíveis: Erro tipo I – Rejeitar a hipótese nula quando ela for verdadeira.7.1 devem ser seguidas. e o desvio padrão populacional  deve ser conhecido.1.

n é o tamanho da amostra.

Deve-se rejeitar H0 se o valor de Z amostral se situar na região de rejeição ou aceitar
H0 se situar na região de aceitação.

Exemplos de aplicação:

1) Uma peça ao ser fabricada, foi planejada de tal forma que uma de suas dimensões seja igual
a 10 cm. Conhece-se o desvio padrão do processo produtivo, que é igual a 0,8 cm e sabe-se
que a distribuição das dimensões é normal. Uma amostra de 40 peças forneceu uma dimensão
média igual a 10,09 cm. Há interesse em testar se a média populacional é maior que 10 cm, ao
nível de 5% de significância.

Solução:

Dados:   0,8 cm
n  40
X  10,09

As hipóteses estatísticas são: H0 :   10
H 1 :   10

X  0 10,09  10
A estatística do teste é calculada por: Z    0,71
 0,8
n 40

Conclusão: O valor de Z calculado é 0,71 e o tabelado Z 0,05  1,64 . Portanto, aceita-se H0 , logo,
a média populacional é igual a 10 cm.

2) Uma população normalmente distribuída tem desvio padrão conhecido, sendo igual a 5 mm.
Uma amostra de 20 elementos, obtida dessa população, tem média igual a 46 mm. Pode-se
afirmar que a média dessa população é superior a 43mm, ao nível de significância de 1%?

Solução:

a) Dados:
  5 mm
n  20
X  46

As hipóteses estatísticas são:
H0 :   43
H1 :   43

A estatística do teste é calculada por:

94
TESTES DE HIPÓTESES

X  0
Z

n
Conclusão: O valor de Z calculado é 2,68 e o tabelado Z 0,01  2,33 . Portanto, rejeita-se H0 ,
logo, a média populacional é maior que 43 mm.

7.2.1.2 QUANDO A VARIÂNCIA POPULACIONAL  2 É DESCONHECIDA

Deve-se seguir as etapas já apresentadas anteriormente para fazer o teste.

Para amostras pequenas ( n  30 ) , a população de onde a amostra foi retirada deve ser
normalmente distribuída. Se  2 é desconhecida, a estatística do teste é calculada por:

X  0
t
S
n

sendo a distribuição t de Student com n-1 graus de liberdade.

onde:

X é a média amostral;
0 é o valor a ser testado;
S é o desvio padrão amostral;
n é o tamanho da amostra.

As áreas de rejeição e aceitação de H0 devem ser definidos de acordo com o valor
crítico de t, que deve ser obtido em uma tabela da distribuição t de Student, para nível de
significância  e n-1 graus de liberdade. Deve-se rejeitar H0 se o valor de t amostral situar-se
na região de rejeição ou aceitar H0 se situar-se na região de aceitação.

Exemplos de aplicação:

1) Uma amostra de 20 peças, retirada de uma população normalmente distribuída, apresenta
diâmetro médio igual a 10,80 cm e desvio padrão igual a 0,9 cm. Pode-se afirmar que o
diâmetro médio da população é superior a 10 cm, ao nível de significância de 1%?

Solução:
Dados:
S  0,9 cm
n  20
X  10,8
As hipóteses estatísticas são:
H0 :   10

95
SACHIKO ARAKI LIRA

H1 :   10
A estatística do teste é calculada por:
X  0 10,8  10
t   3,98
S 0,9
n 20

Conclusão: O valor de t calculado é 3,98 e o tabelado t 0,01; 19  2,54 . Portanto, rejeita-se H0 ,
logo, a média populacional é maior do que 10 cm.

2) Um fabricante afirma que a tensão média de ruptura dos cabos produzidos por sua
companhia não é inferior a 500 kgf. Uma amostra de 7 cabos foi ensaiada, obtendo-se os
resultados (em Kgf): X  485,14 e S  7,77 . Sabendo-se que a tensão de ruptura é
normalmente distribuída, testar a hipótese de que a média populacional é menor que 500 kgf,
utilizando o nível de significância de 5%.

Solução:

Cálculo das estatísticas a partir da amostra:
S  7,77 cm
n7
X  485,14
As hipóteses estatísticas são: H0 :   500
H1 :   500

X  0
A estatística do teste é calculada por: t 
S
n
485,14  500
t  -5,06
7,77
7
Conclusão: O valor de t calculado é -5,06 e o tabelado t ; 6  1,943 . Portanto, rejeita-se H0 ,
logo, a média populacional é menor que 500 kgf.

7.2.2 TESTE PARA A PROPORÇÃO POPULACIONAL

Utiliza-se o teste para a proporção populacional (p) quando se deseja testar a hipótese
de que p é supostamente igual a um determinado valor.

As hipóteses estatísticas são:

96
TESTES DE HIPÓTESES

Solução: n  100 8 p̂   0. Testar a hipótese de que a proporção de peças defeituosas é superior a 3%. Um comerciante comprou 100 peças e verificou que 8 eram defeituosas. H0 : p  p 0 p  p 0 ( teste unilateral à esquerda ) H1 : p  p 0 ( teste unilateral à direita ) p  p 0 ( teste bilateral ) Os critérios a serem obedecidos é que np  5 e n(1  p)  5 . a estatística do teste é dada por: p̂  p 0 Z p 0  (1  p 0 ) n onde: p̂ é a proporção amostral. utilizando nível de significância de 5%. definida a região de rejeição de H0 . o valor de Z crítico para este nível de significância será obtido em uma tabela da variável normal padronizada e assim. p 0 é o valor a ser testado. Exemplos de aplicação: 1) Um fabricante afirma que no máximo 3% das peças produzidas por sua indústria são defeituosas. exigindo assim que a amostra seja grande.03 A estatística do teste é dada por: p̂  p 0 Z p 0  (1  p 0 ) n 97 SACHIKO ARAKI LIRA .08 100   5% As hipóteses estatísticas são: H0 : p  0. Para amostras suficientemente grandes (na prática. n  30 ). Estabelecido o nível de significância  . n é o tamanho da amostra. Deve-se rejeitar H0 se o valor de Z calculado situar-se na região de rejeição ou aceitar H0 se situar-se na região de aceitação.03 H 1 : p  0.

2. aceita-se a hipótese H0 de que a proporção de tubos que apresentam resultado satisfatório é igual a 95%.01  2.03 ( 1  0.95 H1 : p  0.33 (teste unilateral) Conclusão: O valor de Z calculado é menor que Z tabelado. portanto. rejeita-se a hipótese H0 de que a proporção de defeituosos é igual a 3%.96 200   1% As hipóteses estatísticas são: H0 : p  0. O tratamento é considerado eficiente se mais de 95% dos tubos apresentarem resultado satisfatório. ao nível de significância de 1%? Solução: n  200 192 p̂   0.03 Z  2.05  1. As hipóteses estatísticas são: 98 TESTES DE HIPÓTESES .03 ) 100 Z 0. observou-se que 192 apresentaram resultados satisfatórios.08  0. Qual a conclusão. 2) Deseja-se determinar se um certo tipo de tratamento para evitar a corrosão é eficiente. 0. Em uma amostra de 200 tubos.95 A estatística do teste é dada por: p̂  p 0 Z p 0  (1  p 0 ) n 0.93 0.3 TESTE PARA A VARIÂNCIA POPULACIONAL Para aplicar o teste para a variância é necessário que a população de onde foi extraída a amostra seja normalmente distribuída.645 (teste unilateral) Conclusão: O valor de Z calculado é maior que o Z tabelado. a proporção de defeituosos é maior que 3%.968  0.95 ) 200 Z 0.65 0.95 ( 1  0.95 Z  0. portanto. 7. Logo.

Uma amostra de 30 chapas.0009 mm 2. para nível de significância  e n-1 graus de liberdade.157 mm e variância igual a 0.0009 A estatística do teste é calculada por: (n  1) S 2 2   02 (30  1) 0. apresentaram espessura média de 3.00098   5% As hipóteses estatísticas são: H0 :  2  0.0009 As áreas de rejeição e aceitação de H0 encontram-se no gráfico abaixo: 99 SACHIKO ARAKI LIRA . O que se pode concluir a cerca da especificação da indústria ao nível de 5% de significância sendo que as espessuras das chapas têm distribuição normal? Solução: n  30 X  3.00098 2   31.157 S 2  0. H0 :  2   02  2   02 ( teste unilateral à esquerda) H1 :  2   02 ( teste unilateral à direita )  2   02 ( teste bilateral ) A estatística do teste é calculada por: (n  1) S 2 2   02 As regiões de rejeição e aceitação de H0 serão definidas de acordo com o valor crítico obtido em uma tabela de distribuição  2 . Deve-se rejeitar H0 se o valor de  calculado situar-se na região de rejeição ou aceitar H0 se 2 situar-se na região de aceitação. Exemplos de aplicação: 1) As chapas de aço. têm especificação tal que a variância de suas espessuras (em mm) não deve ser superior a 0.58 0.0009 H1 :  2  0. produzidas por uma indústria.00098 mm 2.

R. 2) Usuários de uma rede de transmissão de energia elétrica têm reclamado da alta variação na tensão (desvio padrão de 12 V).4.2. (  2 =12.2.56 Conclusão: O valor de  2 tabelado é 42.89) 7. Ambas as populações devem ser normais. As hipóteses estatísticas são: H0 : 1   2  d0 1   2  d0 ( teste unilateral à esquerda ) H1 : 1   2  d0 ( teste unilateral à direita ) 1   2  d0 ( teste bilateral ) A estatística do teste é dada por: ( X1  X 2 )  d 0 Z 12  22  n1 n2 100 TESTES DE HIPÓTESES . 2.0009 mm2. Há evidência de redução na variação da tensão? Usar   5% . .1 QUANDO AS VARIÂNCIAS POPULACIONAIS 12 E  22 SÃO CONHECIDAS A aplicação do teste requer as seguintes suposições: 1. A empresa encarregada da transmissão de energia elétrica na região instalou novos transformadores. logo aceita-se H0 . A. A. .56.A. Uma amostra de 30 observações forneceu um desvio padrão de 8V e a distribuição de frequências dos valores da amostra sugere uma distribuição normal. 42.4 TESTE PARA A DIFERENÇA ENTRE DUAS MÉDIAS POPULACIONAIS 7. portanto. As duas populações X1 e X 2 devem ser independentes. conclui-se que 2 não é superior a 0.

 2  5 . n1  30 X 2  35 . o valor de z crítico para este nível de significância será obtido em uma tabela da variável normal padronizada e assim.025  1. definida a região de rejeição de H0 .  12 é a variância da população 1. respectivamente de 40 kgf/mm2 e 35 kgf/ mm2.  22 é a variância da população 2. respectivamente. n1 é o tamanho da amostra 1. as resistências médias das marcas A e B são diferentes.80 12  22 42 62   n1 n2 30 30 Z  / 20. Exemplos de aplicação: 1) Duas amostras de tubos de aço das marcas A e B foram analisadas e obtidas as resistências médias. portanto. Deve-se rejeitar H0 se o valor de z calculado situar-se na região de rejeição ou aceitar H0 se situar-se na região de aceitação.onde: X1 é a média da amostra 1. 1  4 .05 As hipóteses estatísticas são: H0 : 1   2  0 H1 : 1   2  0 A estatística do teste é dada por: ( X1  X 2 ) 40  35 Z   3.80 e valor tabelado é 1. Estabelecido o nível de significância . n 2 é o tamanho da amostra 2. Conhecendo-se os desvios padrão populacionais das resistências. X 2 é a média da amostra 2. e tamanhos de amostras iguais a 30. de 4 kgf/ mm2 e 6 kgf/ mm2 . 101 SACHIKO ARAKI LIRA . Logo. ao nível de significância de 5%? Solução: 1) Dados: X 1  40 .96. qual a conclusão a respeito das diferenças entre as médias. rejeita-se H0 .96 (teste bilateral) Conclusão: O valor de Z calculado é igual a 3. n 2  30   0.

Uma outra amostra de 70 válvulas da Indústria B.2. 7. n 2  70   0. a) Quando as Variâncias Populacionais 12 e  22 são Desconhecidas e Supostamente Iguais As hipóteses estatísticas são: H0 : 1   2  d0 1   2  d0 ( teste unilateral à esquerda ) H1 : 1   2  d0 ( teste unilateral à direita ) 1   2  d0 ( teste bilateral ) 102 TESTES DE HIPÓTESES . sendo  A  100 h . aceita-se H0 .01 As hipóteses estatísticas são: H0 :  A  B  100 H1 :  A  B  100 A estatística do teste é dada por: ( X A  XB )  d0 (1. tem vida média XB  1450 h .450 . Utilizar   0.530 .33 Conclusão: Como o valor de Z calculado é igual a -1.  2  90 .01  2. sendo  B  90 h .33. As populações X1 e X 2 devem ser normalmente distribuídas. Logo. Solução: Dados: X A  1.450 )  100 Z   1. n A  100 X B  1.01. Os tamanhos de amostras ( n 1 e n 2 ) devem ser pequenos (não exceder 40).36  2  2 100 2 90 2 A  B  nA nB 100 70 Z 0.530  1.36 e o valor tabelado é 2.4.  A  100 .2 QUANDO AS VARIÂNCIAS POPULACIONAIS 12 E  22 SÃO DESCONHECIDAS A aplicação do teste requer as seguintes suposições quando 12 e  22 são Desconhecidas: 1.2) Uma amostra de 100 válvulas da Indústria A tem vida média X A  1530 h . 2. a diferença entre as durações médias das válvulas da indústria A e B é igual a 100 h. Testar a hipótese de que as válvulas da indústria A em relação a B tem duração média superior a 100 h.

505 . A determinação da região crítica será com base no valor de t tabelado com   n1  n 2  2 graus de liberdade e nível de significância  . n1  5 X 2  7. Solução: X1  7.505 . S12  0. n1 é o tamanho da amostra 1.011 . onde S p2  1 1 n1  n 2  2 S p2 (  ) n1 n 2 onde: X1 é a média da amostra 1. X 2 é a média da amostra 2. Usar   0.033 . A estatística do teste é dada por: ( X1  X 2 )  d 0 (n1  1) S12  (n 2  1) S 22 t . S 22  0. Deve-se rejeitar H0 se o valor de t calculado situar-se na região de rejeição ou aceitar H0 se situar-se na região de aceitação. n1  5 X 2  7. Exemplo de aplicação: Dois tipos de soluções químicas foram ensaiados para se determinar os pH.05 As hipóteses estatísticas são: H0 : 1   2  0 H1 : 1   2  0 A estatística do teste é dada por: ( X1  X 2 )  d0 (n1  1) S12  (n 2  1) S 22 t . n 2  6   0. n 2 é o tamanho da amostra 2.516 . S 22  0.033 . n 2  6 Testar a hipótese de que não existe diferença entre os pH médios das duas populações. onde S p2  1 1 n1  n 2  2 S p2 (  ) n1 n 2 103 SACHIKO ARAKI LIRA .516 .05 . S 21 é a variância da amostra 1. Os resultados obtidos foram: X1  7. S 22 é a variância da amostra 2.011 . supondo que os desvios padrões populacionais são iguais. S 12  0.

Conclusão: O valor de t calculado é igual 0. logo. Portanto.021 562 ( 7.13.021    5 6 O número de graus de liberdade é dado por:   n1  n2  2  5  6  2  9 . b) Quando as Variâncias Populacionais 12 e  22 são Desconhecidas e Supostamente Diferentes Quando as variâncias das amostras não forem homogêneas. S 22 é a variância da amostra 2. S 21 é a variância da amostra 1. que os pH médios das duas populações são iguais. o valor de t  2 com   9 graus de liberdade é 2.26. onde w  S12 e w  S 22 . (5  1) 0. portanto. As hipóteses a serem testadas são: H0 : 1   2  d0 1   2  d0 ( teste unilateral à esquerda ) H1 : 1   2  d0 ( teste unilateral à direita ) 1   2  d0 ( teste bilateral ) A estatística do teste é dada por: ( X1  X 2 )  d 0 t S12 S 22  n1 n 2 A determinação da região crítica será com base no valor de t tabelado com  w 1  w 2 2 .505)  0 t  0. graus de liberdade e nível de significância  . 104 TESTES DE HIPÓTESES .011 S p2   0.516  7. aceita-se H0 . denominada correção de Aspin-Welch deve ser aplicada. menor que o valor tabelado. n1 é o tamanho da amostra 1. 1 2 w 12 w 22 n1 n2  n1  1 n 2  1 Tem-se que: X1 é a média da amostra 1. Conclui-se. X 2 é a média da amostra 2. uma modificação do teste t.13  1 1 0.033  (6  1) 0.

n 2  5 Testar a hipótese de que não existe diferença entre os resultados obtidos pelos dois instrumentos. S 22  0.46 .40)  0 t  0. graus de liberdade e nível de significância  .473 w1    0. n1  5 Instrumento 2: X 2  100.n 2 é o tamanho da amostra 2.01. Utilizar o nível de significância de 5%. Uma mesma distância foi medida 5 vezes por dois instrumentos (em metros): Instrumento 1: X1  100. Exemplo de aplicação:.40 .05 As hipóteses estatísticas são: H0 : 1   2  0 H1 : 1   2  0 A estatística do teste é dada por: ( X1  X 2 )  d 0 t S12 S 22  n1 n 2 A determinação da região crítica será com base no valor de t tabelado com  w 1  w 2 2 .01  5 5 Cálculo de  (graus de liberdade): S 12 0.0946 n1 5 105 SACHIKO ARAKI LIRA . S12  0. onde w  S12 e w  S 22 .473 0. n 2  5   0. 1 2 w 12 w 22 n1 n2  n1  1 n 2  1 (100.01.46 .19 0.473 . Deve-se rejeitar H0 se o valor de t calculado situar-se na região de rejeição ou aceitar H0 se situar-se na região de aceitação.473 .40 . Solução: X1  100. S12  0.46  100. n1  5 X 2  100. S 22  0.

que utiliza para o seu cálculo. O teste t de Student para grupos dependentes é aplicado para comparação das médias de dois grupos emparelhados.002) 2  4. logo. a média das diferenças ( d ) entre cada um dos pares formados pelas duas amostras. n é o tamanho da amostra.2. Se n  30 (pares). aceita-se H0 : 1   2  0 .0022   n1  1 n 2  1 4 4 Conclusão: O valor de t  2 com   4 graus de liberdade é 2. a suposição explícita de normalidade da população é desnecessária (Teorema Central do Limite).0946  0.01 w2    0.09462 0. 7. Conclui-se que as médias são iguais.002 n2 5  w 1  w 2 2  ( 0. Exemplo de aplicação: Uma amostra de 7 cabos de aço foi analisada antes e depois de sofrer um tratamento para aumentar sua resistência (em kgf/mm2). Os resultados obtidos foram: Antes: 50 54 51 50 55 53 52 Depois: 60 61 57 54 59 58 60 106 TESTES DE HIPÓTESES .16  4 w 12 w 22 0.78.5 DUAS AMOSTRAS EMPARELHADAS Este teste deve ser utilizado quando os dados estão relacionados dois a dois de acordo com algum critério. rejeita-se H0 e se situar na região de aceitação. S 22 0. Se o valor de t calculado situar-se na região de rejeição. d0 é o valor que ser quer testar. aceita-se H0 . As hipóteses a serem testadas: H0 :  d  d0  d  d 0 ( teste unilateral à esquerda) H1 :  d  d 0 ( teste unilateral à direita )  d  d 0 ( teste bilateral ) A estatística do teste é dada por: d  d0 t . Sd n n  di 1 n 2 2 em que: d  i1 e S 2d    di  nd  n n  1  i1  d é a média das diferenças.

20 7 Conclusão: O valor de t  com   7  1  6 graus de liberdade é 1.943. n1 é o tamanho da amostra 1.2. i 1 Assim.29 . em que: d  e S 2d    di  nd  Sd n n n  1  i1  7 Tem-se que  di  44 . para o nível de significância  e 1  n1  1 graus de liberdade no numerador e  2  n 2  1 graus de liberdade no denominador. Testar a hipótese de que o tratamento é eficiente.56 Sd n 2. rejeita-se H0 : d  0 . a estatística ‘t” será : d  d0 6. Solução: As hipóteses a serem testadas: H0 :  d  0 ( o tratamento não é eficiente) H1 :  d  0 ( o tratamento é eficiente) A estatística do teste é dada por: n d  d0  di 1 n 2 2 i 1 t . n 2 é o tamanho da amostra 2. 107 SACHIKO ARAKI LIRA .6 TESTE PARA IGUALDADE DE DUAS VARIÂNCIAS Para aplicar o teste para a variância é necessário que a população de onde foi extraída a amostra seja normalmente distribuída. logo. Tratar os dados como emparelhados. O valor crítico de F é obtido a partir da tabela da distribuição F. logo d  6.29  0 t   7. Conclui-se que o tratamento é eficiente. As hipóteses estatísticas são: H0 : 12   22 12   22 ( teste unilateral à esquerda) H1 :  12   22 ( teste unilateral à direita ) 12   22 ( teste bilateral ) A estatística do teste é calculada por: S12 F S 22 onde: S12 é a variância da amostra 1. S22 é a variância da amostra 2. 7.84 e S d  2. S 2d  4. no nível de significância de 5%.20 .

calcular inicialmente os desvios padrão amostrais: S12  5.A. 4 )  6.39 108 TESTES DE HIPÓTESES .R.000 Marca B: 25.16 6.000 Existe diferença significativa entre as variâncias das durabilidades dos dois pneus.05 . obtendo-se para 5 pneus de cada marca os seguintes resultados: Marca A: 30.000 n2  5  2  n2  1  4 S12 5.000 n1  5 1  n1  1  4 S 22  15. A.37 S 22 15 .000 21.000 F   0.000 A região de rejeição está representada no gráfico: A.800 . 2  F( 0.000 26.39 F 2  F(  2 . portanto. A. Rejeita-se H0 se o valor de F calculado situar-se na região de rejeição ou aceitar H0 se situar-se na região de aceitação.700 .000 30. . Exemplo de aplicação: 1) Foram testadas as durabilidades (em km) dos pneus das marcas A e B. 0.700 .000 20. 4. 1.000 23.000 28.000 31.000 32.R.800 . ao nível de 10% de significância? Solução: As hipóteses estatísticas são: H0 : 12  22 H1 : 12  22 A estatística do teste é calculada por: S12 F S 22 Deve-se.

0.A.480 1. portanto. 1 1 F1 2  F(1 2 . A. calcular inicialmente os desvios padrão amostrais: S2A  770 nA  5  A  nA  1  4 2 SB  17.225 A região de rejeição está representada no gráfico: F 2  F(  2 .16 F(  2  2 . 1. A.15 F(  2 . variâncias das durabilidades dos dois pneus são iguais. Solução: As hipóteses estatísticas são: H0 :  2A  B2 H1 :  2A  B2 A estatística do teste é calculada por: S 2A F S B2 Deve-se.450 1.000 1. 1. portanto.500 1.  2.300 1.180 1.R. 3 )  9. e verificou-se que os tempos de vida (em horas) foram: Marca A: 1.16 6.1 ) 6.59 9. 2) Foram ensaiadas válvulas das marcas A e B.225 nB  4  B  nB  1  3 S 2A 770 F 2   0. 1.04 S B 17 .05 .12 109 SACHIKO ARAKI LIRA . .R. 4.510 Marca B: 1. 2 )    0.15 6. ao nível de significância de 10%.  2 )    0.520 1.39 Conclusão: O valor de F calculado está na área de aceitação de H0 .12 1 1 F1 2  F(1  2 . 2 )  F( 0.59 A. 1 ) 6.39 0.250 Testar a hipótese de igualdade para as variâncias do tempo de vida das válvulas de marcas A e B.11 0.

S  1.05 . as variâncias do tempo de vida das válvulas de marcas A e B são diferentes. Uma fundição produz cabos de aço usados na indústria automotiva. Sabe-se que a distribuição da força de resistência é normal. Utilizar   0. o catalisador 1 está sendo usado atualmente.0 e 15 amostras do cimento misturado 110 TESTES DE HIPÓTESES . produzidas em uma máquina de calibragem.19. Existe alguma diferença entre os rendimentos médios? Usar   0. S1  1. ele poderia ser adotado.05 e supor distribuição normal. n 2  8 8. Dados: X1  92. 4. S 2  1. Deseja-se testar a hipótese de que a fração de itens não-conformes é menor que 10%. usando   0. Níveis reduzidos de cálcio são uma indicação de que o mecanismo de hidratação no cimento está bloqueado. 3. Usar   0.66 .28 . A força média de resistência de uma fibra sintética é uma característica de qualidade de interesse do fabricante. mas o catalisador 2 é aceitável.05 e supor que as populações são normais e as variâncias iguais. Uma amostra aleatória de 500 pinos de hastes de conexão contém 65 unidades não- conformes. Dois catalisadores estão sendo testados para determinar como afetam o rendimento médio de um processo químico. Testar a hipótese de que a verdadeira fração de defeituosos nesse processo é maior que 0. Uma amostra de 16 exemplares de fibra é selecionada e são obtidos os seguintes resultados: X  50. Testar a hipótese de que a fração de não-conformes é diferente de 0. que deseja testar a hipótese de que a força média é maior que 50 psi. n1  8 . Deseja-se testar a hipótese de que o diâmetro médio da haste de liga de alumínio.05 . Uma amostra de 25 hastes apresentou um diâmetro médio de 0. LISTA DE EXERCÍCIOS NO.68 .2535 cm.0 . Considerar o exercício anterior supondo que as variâncias populacionais não são iguais. O desvio padrão populacional da força de resistência é desconhecido.26 . Uma amostra aleatória de 15 rolamentos acusa um diâmetro interno médio de 8. o que permitirá a água atacar vários locais da estrutura de cimento. Testar a hipótese de que o diâmetro interno médio do rolamento é maior que 8. 5. na área de rejeição de H0 . Um teste é realizado em uma fábrica piloto e os resultados são apresentados abaixo. Em uma amostra aleatória de 80 mancais para virabrequins de automóveis. Usar   0. Uma pesquisa apresenta os resultados de uma análise do peso do cálcio no cimento padrão e no cimento misturado com chumbo.5025 in.01 in. é diferente de 0.Conclusão: O valor de F calculado é igual a 0. desde que não alterasse o rendimento do processo.5046 in e desvio padrão de 0. Logo. Dez amostras do cimento padrão acusaram um peso percentual médio de cálcio de X1  90. 7.39 .25 cm. 6.01. portanto. detectou-se que 24 estavam fora das especificações. Em uma amostra aleatória de 250 cabos. 15 apresentam o acabamento de superfície mais áspero do que as especificações permitem.08.04 situando-se. Especificamente. Sabe-se que os diâmetros internos de rolamentos usados no trem de pouso de aviões têm desvio padrão   0. X 2  92. 6 – TESTES DE HIPÓTESES 1. Como o catalisador 2 é mais barato. Usar   0. 2. utilizando nível de significância de 2%. com desvio padrão S1  5.05 . 9.009 cm e normalmente distribuídos.86 .

01 e supondo que ambas as populações são normalmente distribuídos e têm o mesmo desvio padrão. n1  7 . utilizando   0. Testar a hipótese de que não há diferença entre as duas máquinas quanto à força média de resistência. e os tempos gastos (em segundos foram): 111 SACHIKO ARAKI LIRA . Observação: Os dados nesse experimento foram emparelhados para evitar que diferenças entre os espécimes de fibra (que podem ser substanciais) afetem o teste sobre a diferença das máquinas. cujos dados estão apresentados abaixo.73 n1  10 Após a instalação. Dois técnicos de controle de qualidade mediram o acabamento da superfície de uma parte de metal. Usar   0.11 . Dois tipos diferentes de máquina são usados para medir a força de resistência de uma fibra sintética. Dados: X1  1. X 2  1.08 S 22  78.18 .   0. Deseja-se saber se as duas máquinas fornecem os mesmos valores médios da força de resistência. uma amostra aleatória resultou em: X 2  8. Oito espécimes de fibra são aleatoriamente selecionados e uma medida da força é feita sobre cada espécime usando cada uma das máquinas.46 n2  8 É possível concluir que o novo aparelho de purificação reduziu a porcentagem média de impureza? Usar   0. 12. Testar a hipótese de que  1   2 é maior zero. S 2  0. Antes de sua instalação. 10. Um operário realizou uma mesma operação com dois equipamentos diferentes.39 .0 . S 1  0.85 S12  81. n 2  8 11.05 e supor que as populações são normais e variâncias populacionais diferentes.0 . com desvio padrão de S 2  4. com chumbo apresentaram um peso médio de cálcio de X 2  87. ESPÉCIMES MÁQUINA 1 MÁQUINA 2 1 74 78 2 76 79 3 74 75 4 69 66 5 58 63 6 71 70 7 66 66 8 65 67 13.01 e supor variâncias iguais. Uma nova unidade de purificação é instalada em um processo químico. Testar a hipótese de que as medidas médias do acabamento da superfície obtidas pelos dois técnicos são iguais. Suponha que as medidas sejam normalmente distribuídas. uma amostra aleatória forneceu os seguintes dados sobre a porcentagem de impureza: X1  9.12 .05 .

112 TESTES DE HIPÓTESES . Foram testadas válvulas de marca A e verificou-se que os tempos de vida (em horas) foram: 1500 1450 1480 1520 1510. testar a hipótese de que a variância do tempo de vida é menor do que 700. ao nível de 10%? Supor as populações normalmente distribuídas. 14. ao nível de 5% de significância. Sabendo-se que os tempos de vida das válvulas são normalmente distribuídos.Equipamento A: 10 11 10 12 15 Equipamento B: 8 10 15 12 Existe diferença significativa entre as variâncias para os tempos gastos pelos dois equipamentos.

dada uma amostra aleatória de tamanho n. estimados a partir da amostra.  A frequência esperada em cada classe deve ser n  5 . a estatística acima tem distribuição assintótica de Qui- quadrado com k  p  1 graus de liberdade (  2. de forma a obter novas classes que satisfaçam esta condição. etc. embora com moderada confiança. chamada de  2 (qui-quadrado). deseja-se testar: H0 : X tem distibuiçã o f 0 H1 : X não tem distibuiçã o f 0 A estatística de teste. A idéia básica é que. e é dada pela expressão: k (O i  E i ) 2 2   . Quando tal não se verificar. 113 SACHIKO ARAKI LIRA . Sendo verdadeira a hipótese nula. é uma medida de distância entre as frequências observadas e as frequências esperadas de cada categoria. k p1 ). Se esta última condição não prevalecer. n é o número total de observações. TESTES DE ADERÊNCIA INTRODUÇÃO O objetivo do teste de aderência é verificar se os dados de uma amostra comportam-se de acordo com uma distribuição teórica. se não mais de 20% dos valores de Ei forem inferiores a 5 e nenhum for inferior a 1. Poisson. 8. tais como normal. o teste pode ainda ser utilizado.1 TESTE QUI-QUADRADO DE ADERÊNCIA Os testes de aderência servem para testar hipóteses mais gerais sobre a distribuição dos dados. observada de uma variável aleatória X . sendo E i obtida através de: i1 Ei Ei  n  pi onde: O i é o número de observações ou freqüência absoluta observada da classe A i . Para utilizar este teste tem-se as seguintes regras:  A dimensão da amostra deve ser não-inferior a 30 ( n  30 ). binomial. procuram-se agregar classes adjacentes. p i é a probabilidade de obter uma observação na classe A i . onde k representa o número de classes e p o número de parâmetros da distribuição da população.

25 2 9 0.R   c2 Exemplos de aplicação: 1) Supõe-se que o número de defeitos nas placas de circuito impresso segue a distribuição de Poisson. DE DEFEITOS ( x i ) MÁQUINAS p (X  xi ) 0 32 0.00 Tem-se que o número médio de defeitos é dado por: n E( X)   x i p( x i ) i1 114 TESTES DE ADERÊNCIA .A A. Uma amostra de 60 placas impressas foi coletada e observou-se o número de defeitos. aceita-se H0 (Há aderência à distribuição especificada) 2  Se  calc   c2 . Gráficamente: A. FREQUÊNCIA NÚMERO DE DEFEITOS OBSERVADA 0 32 1 15 2 9 3 4 A forma da distribuição de defeitos é Poisson? Usar   0. DE NO.15 3 4 0. Solução: As hipóteses a serem testadas: Ho : a forma da distribuição de defeitos é Poisson H1 : a forma da distribuição de defeitos não é Poisson É possível obter as probabilidades para cada valor de X.05 .53 1 15 0. 2  Se  calc   c2 . rejeita-se H0 (Não há aderência à distribuição especificada). apresentados a seguir.07 TOTAL 60 1. No.

472 0! e 0. Ei  n  p i .  4  1  1  2 O valor de 2 tabelado com 2 graus de liberdade e 5% de significância é 5. Conclusão: Como  calc 2  2. aceita-se a hipótese de que a forma da distribuição de defeitos é Poisson.354 1! e 0. x! Tem-se então que: e 0.472  0. sendo que o número X de peças defeituosas por lote segue distribuição abaixo.l.75 (0.472  28 1 15 60  0. FREQUÊNCIA FREQUÊNCIA NÚMERO DE ESPERADA DEFEITOS OBSERVADA 0 32 60  0.75 ) 0 P ( X  0)   0.75 A função de probabilidade da distribuição de Poisson é dada por: e   x P ( X  x)  . Testar a hipótese de que a distribuição é binomial. 2 g.99.75 (0. 2) Foram inspecionados 100 lotes de 3 peças cada um.74 é menor que  02.15  3  0. As frequências observadas e as esperadas estão apresentadas na tabela abaixo. de defeituosos 0 1 2 3 Total No. Assim tem- se: g.133 )  0.25  2  0.05.041  3 A estatística do teste é: n O  Ei  2 (32  28 ) 2 (15  21) 2 (9  8) 2 ( 4  3) 2        2.07  0.133  8 3 4 60  0. No.354  21 2 9 60  0.01 . E( X)  0  0. onde k representa o número de classes e p o número de parâmetros da distribuição da população estimados a partir da amostra.74 2 i i 1 Ei 28 21 8 3 O número de graus de liberdade é k-p-1.75 ) 2 P ( X  2)   0.354  0.75 (0. ou seja.l.133 2! P ( X  3)  1  P( X  2)  1  (0.53  1 0.041 As frequências esperadas são obtidas pela multiplicação do tamanho da amostra n  60 pelas probabilidades pi  P ( X  x i ) .  5. onde  é a média. de lotes 65 30 4 1 100 115 SACHIKO ARAKI LIRA .75 )1 P ( X  1)   0. utilizando   0.99 .

0533 100x0. portanto.05 i1 Ei 64 31 5 O número de graus de liberdade é k-p-1.64. pois a frequência esperada da última classe é menor do que 1.6361 100x0.0027 Foram agrupadas as duas últimas classes.14) 0 (0.6361 P( X  1)  C13 (0.Solução: O número médio (média ou valor esperado) de válvulas defeituosas observadas é calculada por: 4 E( X)   x ip i .86) 31  0.05 é menor que  02. DE P( X  x ) FREQ.l. OBS. aceita-se a hipótese de que a forma da distribuição de válvulas defeituosas é Binomial.41 .   E( X) .3106 100x0. Então.86) 32  0.1g.  3  1  1  1 O valor de 2 tabelado com 1 grau de liberdade e 1% de significância é 6. As probabilidades.3106=31 30 2 0. E( X)    3p .6361=64 65 1 0. Assim tem- se: g. onde p é a probabilidade de uma válvula ser defeituosa. 116 TESTES DE ADERÊNCIA .86) 30  0.64 . p  0. q  0.  6.41 100 100 100 100 A distribuição binomial é dada por: P( X  x )  Cnx p x qn x .l. logo i1 65 30 4 1 E( X)  0   1  2  3  0.0506 P( X  3)  1  P( X  2)  0.86) 3 x As probabilidades são calculadas através de: P( X  0)  C 03 (0.14) 2 (0.01.14 e consequentemente.86 .0533=5 5 3 (O i  E i ) 2 (65  64 ) 2 (30  31) 2 (5  5) 2 2       0.14) x (0. TEÓRICA FREQ. a distribuição binomial ajustada é: P( X  x )  C 3x (0.14)1(0. ( O I ) DEFEITUOSAS ( Ei ) (x) 0 0. onde k representa o número de classes e p o número de parâmetros da distribuição da população estimados a partir da amostra.3106 P( X  2)  C 32 (0. assim. as frequências teóricas e observadas são: No. Conclusão: Como  calc 2  0. Igualando as duas médias. Tem-se que a média da distribuição binomial é E( X)    np (parâmetro da distribuição binomial). tem-se: 3p  0.

10 0.74 97. especialmente do diâmetro (em mm) dos eixos produzidos.30 100.46 94. sem a especificação de seus parâmetros.70 117 SACHIKO ARAKI LIRA .333 6 97. OBS.83 105.733 12 103.800 13 103.0667 0.10 99.0667 0.667 11 100.29 0.867 14 103.8.467 8 97.0667 0.000 Média 98.46 0.83 0.400 7 97.933 15 105.600 10 99. D. As hipóteses são: H0 : a amostra provém de uma população que segue uma distribuição normal H1 : a amostra não provém de uma população que segue uma distribuição normal Calcula-se a estatística de teste.0667 0.0667 0.07 0. xi RELATIVA S (xi ) 1 93. 93.93 0.067 2 94.2 TESTE DE LILLIEFORS O teste de Lilliefors é utilizado para verificar a aderência dos dados a uma distribuição normal.0667 0.45 0.93 0. F( x i )  S( x i1 )  i Exemplos: 1) Um fabricante de autopeças está para fechar um grande contrato com a montadora.20 Solução: H0 : a amostra provém de uma população que segue uma distribuição normal H1 : a amostra não provém de uma população que segue uma distribuição normal 1. a média e o desvio padrão são calculados a partir da amostra. As valores são apresentados a seguir.60 103.30 0.0667 0. O ponto- chave é a garantia da qualidade de seus produtos.533 9 99. Para realizar o teste.0667 0.07 97.0667 0. que ele supõe seguir uma distribuição normal.73 103.200 4 96.0667 0.133 3 94.93 99.90 Desvio Padrão 3.60 0.0667 0.267 5 96.45 94.68 97.0667 0.20 0.0667 0. ou seja.17 0. para testar as especificações a 5% de significância.0667 1.17 96. S( x) : FREQ.93 96.29 103. a montadora selecionou uma amostra aleatória de 15 eixos.74 0. em termos da amostra em análise:  d  max F( x i )  S( x i ) . Construção da distribuição acumulada da amostra.0667 0.73 0.68 0.

A maior diferença absoluta é igual a 0.68 0.0667 0.93 0. Para Z 1 .68 3.022 0. tem-se: F( X)  P( X  Z1 )  0.66 1.044 12 103.137 9 99.71 3.27 0. Cálculo das diferenças absolutas entre as distribuições acumuladas esperadas e observadas.600 0.05 0.333 -0.75 0.26 0. é possível usar gráfico de controle de média de Shewhart para monitorar o processo? 118 TESTES DE ADERÊNCIA .009 0.089 7 97. F( x i )  S( x i ) e F( x i )  S( x i1 ) .096 8 97.311 0.0667 0.58 0.94 0.733 0.0667 0.60 0.07 0.956 0.044 4.082 13 103.133 -1.371 0. logo.45 0. Os valores são: 0. 2) No controle estatístico de processos.89 0.0667 0.0667 0.0667 0.33 0.70 0.10 0.49 0.83 0.46 0.19 0.48 0.45  Z1   -1.20 0.11 0.31 5. Um engenheiro quer saber se é possível aplicar gráficos de controle de médias a um processo produtivo.058 4 96.522 0.124 11 100.18 1.0667 0.070 0.0667 1.03 9. Construção da função de distribuição acumulada F( x ) .29 0.071 0.057 0.025 15 105.071 0.17 0.0667 0. OBS.004 2 94.99 1.0667 0.47 3.000 1.031 14 103.20 0.400 -0.533 -0.05 0.70 A probabilidade acumulada até cada escore Z é obtida da tabela de áreas sob a curva normal.023 0.0667 0.690 0. 5. e utilizando nível de significância de 1%.85 0.220 .30 0.142 0.029 0.042 0.0708 3.149 0.467 -0. Cada valor de diâmetro x i pode ser transformado em escore padronizado Z i . d  0.85 0.33 0.49 0.898 0.73 0. xi RELATIVA S (xi ) Zi F( x i ) F( x i )  S( x i1 ) F( x i )  S( x i ) 0 1 93.47 0.800 1.031 0. uma suposição fundamental para a utilização de gráficos de controle de média de Shewhart é de que a distribuição das médias possa ser considerada normal.023 0.200 -1.909 0. A distância máxima admissível para n  15 e   5% é dc  0.933 1. aceita-se H0 .23 4.397 0.667 0.93 0. para cada valor de x i .013 0.098 0.52 Com base nos dados apresentados.036 5 96.018 3 94.49 2.66 0.543 0.049 0.2.74 0.115 0.078 10 99.280 0. FREQ. Para tanto.0667 0.067 -1. amostra provém de uma população que segue uma distribuição normal.053 6 97.0667 0. Por exemplo: 93.19 0. Como d  dc . logo.07 0.149 .149.41 0.012 0.267 -0.45  98.882 0.28 0.74 0.867 1.57 0.0667 0. que avaliar a aderência das médias de 25 amostras à distribuição normal.76 5.01 0.63 0.0667 0.231 0.90 x 1  93.

76 0.400 -0.20 0.88 DP 2.074 0.088 0. xi RELATIVA S (xi ) Zi F( x i ) F( x i )  S( x i1 ) F( x i )  S( x i ) 1 0.114 21 3.080 22 4. não é possível utilizar o gráfico de controle de média.960 0.99 0.214 0.Solução: H0 : a amostra provém de uma população que segue uma distribuição normal H1 : a amostra não provém de uma população que segue uma distribuição normal FREQ.232 0.112 4 0.85 0.04 0.048 6 0.52 0.66 0.200 -0.48 0.250 16 1.328 0.261 18 1.720 -0.255 19 2.59 e 3.039 0.960 1.280 -0.32 A distância máxima admissível para n  25 e   5% é dc  0.73 0.04 0.054 0.480 -0.44 0.999 0.85 0.212 0.903 0.350 0.120 -0.680 -0.55 0.080 -0.04 0.640 -0.04 0.800 0.28 0.210 0.060 0.040 0.760 0.312 0.299 0.173 .320 -0. A média e o desvio padrão amostral são 90.000 3.89 0.172 2 0.04 0.04 0.68 0.03 0.04 0.040 -0.04 0.48 0.094 11 0.04 0.04 0.49 0.28 0.063 0.18 0.63 0. Assim.04 0.389 0. LISTA DE EXERCÍCIOS NO.000 25 9.04 0. logo.49 0.49 0.04 0.085 0.054 0. respectivamente.520 -0.014 8 0.021 9 0.209 20 3.04 0.04 0.160 -0.021 0.023 23 5.05 0. amostra não provém de uma população que segue uma distribuição normal.285 0.04 0.152 0.124 0.294 0.68 0.248 0.31 0.126 0.75 0.94 0.440 -0.040 0.880 1.04 0.04 0. 7 – TESTES DE ADERÊNCIA 1.061 10 0.192 14 0. A distribuição de freqüências encontra-se a seguir: 119 SACHIKO ARAKI LIRA .134 3 0.04 0.09 0.56 0. Como d  dc .299 0.920 1. rejeita-se H0 .306 0.045 7 0.66 0.69 0.840 0.128 12 0.04 0.001 média 1.020 24 5.221 0. OBS.75 0.940 0.314 0.019 0.38 0.251 17 1.79 0.560 -0.215 0.240 -0.23 0. As taxas de octanagem de combustível para motor.53 0.600 -0.084 5 0.244 0.80 0.166 13 0.760 0.686 0.04 0.13 0.192 0.54 0.30 0.328 0.50 0.088 0.01 0.18.152 0.04 0.174 0.04 0.419 0.211 0.44 0.19 0.71 0.360 -0.41 0.169 0.465 0.212 0.28 0.04 0. de várias misturas de gasolina foram obtidas.71 0.232 15 0.551 0.53 0.04 1.57 0.

9 21 90. A distribuição de frequências encontra-se a seguir: TEMPO fi (segundos) 32 |--.52 8 52 |--.48 14 48 |--. TAXAS DE fi OCTANAGEM 83.4 |--.05 .85.5 |--.4 9 88. sendo feita 50 determinações.9 |--.36 5 36 |--.44 5 44 |--.90.93. utilizando   0.44.9 3 85. utilizando   0.9 |--.4 1 98.40 7 40 |--.4 |--.9 |--.100.4 15 93. O tempo necessário para se realizar certa operação industrial foi cronometrado (em segundos).32 e 7.9 5 95.56 3 56 |--.95. 2.9 2 TOTAL 56 Verificar se amostra da taxa de octanagem provém de uma distribuição normal.60 8 TOTAL 50 Verificar se a amostra do tempo necessário para realizar a operação provém de uma distribuição normal.01.98.4 |--.88. 120 TESTES DE ADERÊNCIA . A média e o desvio padrão amostral são 46.

ANÁLISE DA VARIÂNCIA

INTRODUÇÃO

O objetivo da análise da variância, conhecida como ANOVA, é comparar k médias
populacionais, sendo k  2 , com base nas amostras provenientes de k populações distintas.
Enquanto no teste para igualdade de duas médias se utiliza as estatísticas Z ou t, conforme os
desvios padrões populacionais sejam conhecidos ou não, na análise da variância, a estatística
utilizada é a estatística F.
A análise da variância é um teste para igualdade de médias que utiliza variâncias para a
tomada de decisões.

9.1 FUNDAMENTOS DA ANOVA
Supondo que se deseja testar a hipótese de igualdade de k ( k  2 ) médias
populacionais, isto é:
H0 : 1   2  ...   k   ,

contra a hipótese alternativa de que, pelo menos uma dessas médias seja diferente das demais,
ou seja:
H1 : pelo menos uma média  i   .

Na aplicação deste método, supõe-se que as populações são normalmente distribuídas e as
variâncias populacionais iguais (homocedasticidade), ou seja:
12  22  ...  k2  2

Sejam as k amostras extraídas das populações, cujas médias serão testadas. A partir
dessas amostras, é possível estimar a variância  2 de três maneiras, conforme apresentados a
seguir.

POPULAÇÃO 1 POPULAÇÃO 2 POPULAÇÃO k
1 2 K
 2
 2
 2

AMOSTRA 1 AMOSTRA 2 AMOSTRA k
n1 n2  nk

121
SACHIKO ARAKI LIRA

1) Variância Total ( S 2t )

Consiste em estimar a variância  2 considerando todas as k amostras reunidas em uma
única amostra, o que é possível em função da suposição de que as variâncias populacionais são
todas iguais a  2 .
Essa variância é estimada através de:

k n
  ( x i j  X )2
j1 i1
S 2t 
N1

Onde:

n é o tamanho de cada amostra;

k é o número de amostras;

x i j é o i-ésimo elemento da j-ésima amostra;

N  k n é o número de elementos em todas as amostras;

k n
  xi j
j1 i1
X é a média do conjunto de todas as amostras;
N

O numerador é denominado de Soma de Quadrados Total (SQT), então tem-se:
k n
SQT    ( x i j  X ) 2
j1 i1

2) Variância entre Amostras ( S2e )

Sendo verdadeira a hipótese H0 , é possível estimar a variância  2 , através de:

k n
 ( Xj  X)
2
j1i1
S 2e 
k 1

Onde:

n
 xi j
i1
Xj  é a média da j-ésima amostra (j=1,2,...,k)
n

n é o tamanho de cada amostra.

Esta variância ( S2e ) é também chamada de Quadrado Médio Entre Amostras (QME).

122
ANÁLISE DA VARIÂNCIA

O numerador é denominado de Soma de Quadrados entre Amostras (SQE), então
tem-se:
k n
SQE    ( X j  X ) 2
j1 i1

3) Variância Residual (ou Variância dentro)

Consiste em estimar as variâncias dentro de cada amostra e em seguida estimar um
único valor para  2 , por meio da combinação dessas k variâncias. Esta variância ( Sr2 ) é
chamada também de Quadrado Médio Residual (QMR).
Para uma amostra qualquer j, a estimativa da variância é dada por:

n
 ( xi j  X j )
2
i1
S 2j 
n 1

Combinando as k variâncias, obtém-se a estimativa de  2 , dada por:

k n
  ( xi j  X j )
2
j1i1
S r2 
Nk

O numerador é denominado de Soma de Quadrados Residual (SQR), logo:

k n
SQR    ( x i j  X j ) 2
j1i1

Onde:

X j é a média da j-ésima amostra (j=1,2,...,k)

A Soma de Quadrados Residual pode também ser obtida através de:

SQR  SQT  SQE

9.2 ANÁLISE DA VARIÂNCIA A UM CRITÉRIO DE CLASSIFICAÇÃO

Neste modelo, os elementos observados são classificados segundo um critério, ou seja,
existe apenas uma característica de interesse a ser testada.

As etapas para a realização da ANOVA:

a) Formulação das hipóteses:
H0 : 1   2  ...   k  

H1 : pelo menos uma média  i   ;

b) Fixar o nível de significância  ;
c) Determinar a região de rejeição (R.R.);
123
SACHIKO ARAKI LIRA

POSTOS DE INDICES DE PRODUÇÃO (%) TRABALHO A 90.5 124 ANÁLISE DA VARIÂNCIA .8 100.7 C 65. aceita-se H0 .ANOVA FONTE DE SOMA DE QUADRADOS G. caso contrário. devido aos postos de trabalho. Analisar se há diferença nos índice de produção. Usar   0. O valor crítico de F será obtido para nível de significância  e ( k  1) e ( N  k ) graus de liberdade.0 81. d) Cálculo da estatística F A estatística F é calculada através de: S 2e F S r2 e) Quadro da Análise da Variância QUADRO DA ANÁLISE DE VARIÂNCIA .9 77.05 .A.L F VARIAÇÃO QUADRADOS MÉDIOS SQE Entre amostras SQE k 1 S 2e  QME  k 1 S 2e QME S r  QMR  2 SQR F  Residual SQR Nk S re QMR Nk Total SQT N 1 f) Conclusão Se F  F ( k  1. R. no numerador e denominador. rejeita-se hipótese H0 . O teste será sempre unilateral. durante certo período.1 B 85. N  k ) .1 68. Exemplos da aplicação: 1) Verificou-se os índices de produção. respectivamente. 1   R.0 73. segundo os postos de trabalho.5 83.R.

63 B 85.50 70.5 83 73.62) 2  3  (70.62 ) 2 SQT  932.78 .78 c) Soma de Quadrados entre Amostras (SQE) k n k SQE    ( X j  X ) 2  n  ( X j  X ) 2 j1i1 j 1 SQE  3  (90.6 X   80.1  80.62 ) 2  (81.5  80.1 68.63  80.8  80.62 ) 2  (100 .73 C 65.62 k n  x i j j1i1 A média do conjunto de todas as amostras será: k n   xi j j1 i1 725.7 242.1  80.9 77.62 N 9 Então.62) 2 SQE  607.50 TOTAL 725.88 d) Cálculo da Soma de Quadrados Residual (SQR) SQR  SQT  SQE SQR  932.5  80. SOMAS POSTOS DE n MÉDIAS INDICES DE PRODUÇÃO (%) ( x i j ) TRABALHO (  xi ) ( Xj) i1 A 90.90 125 SACHIKO ARAKI LIRA . tem-se: SQT  ( 90.62) 2  3  (80. faz-se necessário calcular inicialmente a média do conjunto de todas as amostras (X).60 80.Solução: a) As hipóteses a serem testadas: H0 :  A  B   C   H1 : pelo menos uma média i   b) Cálculo da Soma de Quadrados Total (SQT) Tem-se que a soma de quadrados total é dada por: k n SQT    ( x i j  X ) 2 j1i1 Logo.1 271.20 80.73  80.8 100 81.62 ) 2  (68.88  324.0  80.607.62 ) 2    (77.5 211.90 90.

0 8.4 8.e) Quadro da ANOVA QUADRO DA ANÁLISE DE VARIÂNCIA .15 amostra (residual) 6 SQT  932.3 8.61 SQR  324.4 8.2 8. rejeita-se a hipótese Ho de que os índices médios de produção são iguais segundo os diferentes postos de trabalho.2 8.5 8.88 Entre amostras SQE  607.3 8.L F VARIAÇÃO QUADRADOS 607. Com o objetivo de identificar se existe diferença entre os tempos gastos para executar a operação mencionada.8 8. 2) Em uma indústria.7 8.9 Operário 4: 8.8 8.5 Operário 2: 8.9 26. SOMAS DORES k MÉDIAS TEMPOS ( x i j ) (xj) ( Xj) j1 1 8.0 8.2 2 8.3 8. 2. faz-se necessário calcular inicialmente a média do conjunto de todas as amostras.6 8.4 8.3 150. foram realizadas as seguintes observações desses tempos (em segundos): Operário 1: 8.05.4 k n  x i j j1i1 126 ANÁLISE DA VARIÂNCIA . 6 .4 8.90 F  5.1 8.4 3 8.14 f) Conclusão: Como F  F0.5 41.8 8.8 4 8.8 8. quatro operários executam uma mesma operação.7 8. OPERA.2 8.3 33.2 8.1 8. Solução: a) As hipóteses a serem testadas: H0 :  1   2   3   4   H1 : pelo menos uma média  i   b) Cálculo da Soma de Quadrados Total (SQT) Tem-se que a soma de quadrados total é dada por: k n SQT    ( x i j  X ) 2 j1i1 Logo.1 8.4 8.5 8.4 Verificar se a diferença é significativa ao nível de 1% de significância.4 8.3 8.05.3 8. 2.1 8.4 8.4 49.3 8.88 2 QME   303.0 8.90 6 QMR   54.78 8 Total O valor de F tabelado é: F0.3 Operário 3: 8.ANOVA FONTE DE SOMA DE QUADRADOS MÉDIOS G.94 2 Dentro da 324. 6  5.

3.1  8.  SQE  5  (8.74 d) Cálculo da Soma de Quadrados Residual (SQR) k n SQR    ( x i j  X j ) 2 j1i1 SQR  ( 8.4) 2  (8.01.L F VARIAÇÃO Entre amostras 0.24 F  14.4) 2 SQT  0.3  8.8 X   8.1  8.A média do conjunto de todas as amostras será: k n   xi j j1 i1 150.8  8.4 N 18 Então.2) 2  (8.39 (residual) 14 SQT  0.4) 2    (8.01.ANOVA FONTE DE SOMA DE QUADRADOS QUADRADOS MÉDIOS G.3  8.4) 2  3  (8.2) 2    (8.4) 2  SQE  0.98 c) Soma de Quadrados entre Amostras (SQE) k n SQE    ( X j  X ) 2 j1i1 OBS: Neste caso.24 e) Quadro da ANOVA QUADRO DA ANÁLISE DE VARIÂNCIA .4  8.98 17 Total O valor de F tabelado é F0. 14 .2  8.14  5. 3.4) 2  6  (8. cada ( X j  X ) 2 é multiplicado pelo seu respectivo tamanho de amostra. rejeita-se a hipótese H0 de que os tempos médios gastos para execução da operação segundo diferentes operários são iguais.56 .4  8.74 SQE  0. 127 SACHIKO ARAKI LIRA .4  8.3) 2  (8.24 14 QMR  0.3  8.0  8.3  8. tem-se: SQT  ( 8.74 3 QME  (Tratamentos) 3 Dentro da amostra SQR  0. Conclusão: Como F  F0.3) 2 SQR  0.4 ) 2  (8.4) 2  4  (8.

segundo diferentes postos de trabalho são: POSTOS DE MÉDIAS TRABALHO ( Xj) A 90.  ni nm  Exercícios de aplicação: 1) Para o exemplo dos índices de produção segundo diferentes postos de trabalho.1 TESTE DE SCHEFFÉ A estatística de teste é a distribuição F de Snedecor com ( k  1. porém. duas a duas. Solução: Os índices médios.Nk. O Teste de Scheffé é um teste mais geral.73 C 70. rejeita-se a hipótese nula de que H0 : i  m . não é possível saber.05 n  3 (tamanho da amostra para cada grupo) 128 ANÁLISE DA VARIÂNCIA . quais as médias diferem entre si. A identificação de diferenças entre médias. tomando-as duas a duas. se houver diferenças.50 Utilizando o teste de Scheffé: 1 1     QMR (k  1)  Fk 1.63 B 80. permite usar amostras com dimensões diferentes e é robusto a violações dos pressupostos de normalidade e de igualdade de variâncias.3 COMPARAÇÕES MÚLTIPLAS ENTRE MÉDIAS A análise da variância serve para verificar se existe diferença significativa entre as médias. deve ser feita usando testes de comparações múltiplas entre médias. corrigida por um fator que leva em conta o fato de se comparar k médias. N  k ) graus de liberdade. verificar quais médias são diferentes.9. utilizando   0.Nk.   ni nm  onde: k  3 ( postos de trabalho) Nk  93  6   0.05 . sendo que a estatística   é dada por: 1 1     QMR (k  1)  Fk 1.3.  . através dela. 9. Se Xi  Xm    .

Solução: Os tempos médios gastos para executar determinada operação. 1) 6 F2. pois os tamanhos de amostras são iguais a 3.90 19.23 19.4 3 3 8.50  10.05  5.   ni nm  k4 ( operadores) N  18 N  k  18  4  14   0.13 19. tem-se: POSTOS DE  DIFERENÇA DIFERENÇA DE MÉDIAS TRABALHO SIGNIFICATIVA AeB 90.63  70. segundo operadores: OPERA.05  54.73  70.2 2 4 8.01.3 Utilizando o teste de Scheffé: 1 1  X i  X m     QMR (k  1)  Fk 1. MÉDIAS DORES ni ( Xj) 1 5 8.26 Não Conclui-se portanto que os índices médios de produção dos postos de trabalho A e C são diferentes. 324.73  9.24 ( do exemplo de aplicação no. aplicar o método de Scheffé.90 QMR   54.26 Não AeC 90.26 Sim BeC 80.8 4 6 8. para nível de 5% de significância.63  80. N  k. 2) Para o exemplo de quatro operários que executam uma mesma operação em uma indústria.15 ( do exemplo de aplicação no. 0.26 3 3 Da mesma forma para A e C e B e C. 6 .50  20.01 0.15  2      5.14 Considerando os postos de trabalha A e B. utilizando   0. tem-se:  1 1  0. Portanto. 2) QMR   0.0171 14 129 SACHIKO ARAKI LIRA .14  19.

tem-se: n1  5 n2  4 Substituindo os valores na expressão do teste de Scheffé:  1 1    0.56  0.2 . Tem-se que X1  X 2  0.36 5 4 As médias dos operários 1 e 2 são: X1  8.0171 3      5.34 4 6 Considerando os operários 3 e 4.2 e X 2  8.4 .0171 3      5. tem-se: n1  5 n2  3  1 1    0. logo não há diferença entre as duas médias.32 5 6 Considerando os operários 2 e 3. tem-se: n1  3 130 ANÁLISE DA VARIÂNCIA .0171 3      5.2     0. 14.F3. portanto a diferença é X1  X 2  0.0171 3      5. tem-se: n1  5 n2  6  1 1    0. 0. tem-se: n1  4 n2  6  1 1    0.0171 3      5. Considerando os operários 1 e 3. tem-se: n1  4 n2  3  1 1    0.36 .56 Considerando os operários 1 e 2.56  0.56  0.39 5 3 Considerando os operários 1 e 4.56  0.56  0.01  5.41 4 3 Considerando os operários 2 e 4.

LISTA DE EXERCÍCIOS NO.345 1.38 diferem O tempo médio gasto para a execução do operador número 3 difere do tempo médio do operador 1 e 4.32 Não diferem 2e3 0.n2  6  1 1    0.289 lâmpada B: 1.230 1.10 0.450 1. Encontram-se a seguir. 8 – ANÁLISE DA VARIÂNCIA 1.235 1. B.50 0.60 0.245 1. existe diferença significativa entre as máquinas ao nível de 1% de significância? Aplicar o teste de Scheffé e concluir qual a máquina a ser adquirida.0171 3      5.354 1. e C que satisfazem.56  0.36 Não diferem 1e3 0.320 Existe diferença significativa entre os tempos médios de vida dessas três marcas de lâmpadas. Três máquinas produzem parafusos. 2. Foi realizado um ensaio com as três máquinas em períodos iguais durante 5 dias e as produções resultantes foram: A 120 123 121 125 122 B 119 121 118 120 123 C 125 127 128 127 128 Pergunta-se: com relação ao rendimento. tem-se: OPERADORES Xi  Xm  CONCLUSÃO 1e2 0. os diâmetros correspondentes a uma amostra de 4 parafusos produzidos em cada máquina.189 lâmpada C: 1. 3. Decidiu-se que será comprada a máquina que apresentar melhor rendimento.20 0. ao nível de significância de 1%? Se necessário. Foram testados três tipos de lâmpadas elétricas e os tempos de vida (em horas) obtidos foram: lâmpada A: 1. Uma empresa deseja adquirir certa máquina e verificou que existem no mercado três marcas diferentes: A.10 0.40 0. 131 SACHIKO ARAKI LIRA . ao nível de 1% de significância.367 1.41 Não diferem 2e4 0.38 3 6 Assim.300 1. aplicar o teste de Scheffé.34 Não diferem 3e4 0.39 diferem 1e4 0.

2 14. Os dados encontram-se a seguir. 4) Pesquisadores investigaram três métodos diferentes de preparar o composto supercondutor PbMo 6 S 8 . Tc . 132 ANÁLISE DA VARIÂNCIA .0 14. da supercondução do material. tendo prata como base).4 14.8 14.7 14. Cinco observações de Tc (em K) foram feitas para cada material.6 15. Os métodos de preparação 1 e 2 usam técnicas que são planejadas para eliminar a presença de oxigênio. Eles afirmam que a presença de oxigênio durante o processo de preparação afeta a temperatura de transição. sendo os resultados apresentados a seguir.8 14.8 14. LIGA RESISTÊNCIA DE CONTATO 1 95 87 99 98 2 104 102 102 105 3 119 130 132 136 O tipo de liga afeta a resistência média de contato? Usar   0. MÁQUINAS A B C 8 9 7 7 7 9 9 7 7 7 8 7 Testar se os diâmetros médios são iguais a um nível de significância de 5%. enquanto o método 3 permite a presença de oxigênio.2 11. 5) A resistência de contato de um relé foi estudada para três materiais diferentes (todos eram ligas.4 12.01.8 14.05 . MÉTODO DE TEMPERATURA DE TRANSIÇÃO Tc (K) PREPARAÇÃO 1 14.9 2 14.7 3 14.9 14.7 Há qualquer evidência que confirme a afirmação de que a presença de oxigênio durante a preparação afete a temperatura média de transição? Usar   0.

1 INTRODUÇÃO A análise de correlação mede o grau de associação entre variáveis. y i ). A análise de regressão estuda o relacionamento entre uma variável chamada dependente e outras variáveis chamadas variáveis independentes.DIAGRAMA DE DISPERSÃO ENTRE AS VARIÁ- VEIS X E Y DIAGRAMA DE DISPERSÃO Y 120 100 80 60 40 20 0 2 7 12 17 22 X A visualização do diagrama de dispersão possibilita ter uma boa ideia de como as duas variáveis se correlacionam. ANÁLISE DE CORRELAÇÃO E REGRESSÃ0 SIMPLES 10. No diagrama de dispersão entre duas variáveis. 10. 133 SACHIKO ARAKI LIRA .  Correlação múltipla: mede a “força” ou “grau” de associação entre uma variável e um conjunto de outras variáveis. cada ponto no gráfico é um par ( x i . X e Y. GRÁFICO 5 . Este relacionamento é representado por um modelo matemático.  Modelo de regressão linear múltipla: define uma relação linear entre a variável dependente e duas ou mais variáveis independentes. isto é.2 DIAGRAMA DE DISPERSÃO O diagrama de dispersão é uma representação gráfica da relação entre duas ou mais variáveis.  Modelo de regressão linear simples: define uma relação linear entre a variável dependente e uma variável independente. e pode ser:  Correlação simples: mede a “força” ou “grau” de associação entre duas variáveis. por uma equação que associa a variável dependente com as variáveis independentes.

que existe correlação linear negativa. conforme o gráfico 6. não existe correlação linear entre as variáveis X e Y. ou seja. existe uma tendência de obter maiores valores de Y. isto é. Não há a necessidade de definir as relações de causa e efeito. para maiores valores de X. GRÁFICO 6 – DIAGRAMA DE DISPERSÃO ENTRE AS VARIÁ. GRÁFICO 7 – DIAGRAMA DE DISPERSÃO ENTRE AS VARIÁ- VEIS X E Y VEIS X E Y DIAGRAMA DE DISPERSÃO DIAGRAMA DE DISPERSÃO Y Y 120 70 100 60 50 80 40 60 30 40 20 20 10 0 0 2 7 12 17 2 7 12 17 22 X X O coeficiente de correlação amostral é obtido através da expressão:  X i  XYi  Y  n r i 1  X i  X  Yi  Y  n 2 n 2 i 1 i 1 A interpretação do coeficiente quando r  1 é de que existe correlação linear perfeita entre as variáveis X e Y. diz-se neste caso. indicando como as variáveis variam conjuntamente. ou seja. Quando se tem r  0 .10. envolvendo duas variáveis. Quando para maiores valores de X. diz-se que existe correlação linear positiva.3. fornecendo um número. conforme o gráfico 5. A correlação é linear perfeita positiva quando r  1 e linear perfeita negativa quando r  1 . pode ocorrer o inverso. O coeficiente de correlação pode ser avaliado qualitativamente de acordo com os critérios abaixo: 134 ANÁLISE DE CORRELAÇÃO E REGRESSÃO . X e Y.3 ANÁLISE DE CORRELAÇÃO 10. existem muitos casos em que as variáveis não são correlacionadas linearmente. como apresentado no gráfico 7. Este coeficiente mostra o grau de relacionamento entre as variáveis. Obviamente. existir uma tendência de obter menores valores de Y. Entretanto. apresentado anteriormente. a correlação linear é nula. O caso mais simples e mais conhecido é a correlação linear simples. qual é a variável dependente e a independente.1 COEFICIENTE DE CORRELAÇÃO LINEAR DE PEARSON Diferentes formas de correlação podem existir entre as variáveis.

calcular-se-á o coeficiente de correlação linear de Pearson. O gráfico sugere a existência de uma relação linear entre as duas variáveis. X= quantidade utilizada de metal fundido (em gramas).0 50 9 12.  se 0. qual a tendência de variação conjunta que apresentam. Assim.00 existe correlação linear muito forte.0 10 2 4.30 existe fraca correlação linear.90 existe forte correlação linear.0 65 O diagrama de dispersão é apresentado abaixo: GRÁFICO 8 – DIAGRAMA DE DISPERSÃO ENTRE AS VARIÁVEIS QUANTI- DADE DE METAL FUNDIDO E PORCENTAGEM DE RECOBRI- MENTO Porcentagem de DIAGRAMA DE DISPERSÃO recobrimento (%) 80 70 60 50 40 30 20 10 0 2 4 6 8 10 12 14 Quantidade de metal A visualização do diagrama de dispersão possibilita ter uma boa idéia de como as duas variáveis se relacionam.5 40 7 9.5 45 8 11.  se 0.0 20 4 8. 135 SACHIKO ARAKI LIRA . Y = porcentagem de recobrimento obtida (%). ou seja. se 0  r  0.0 20 5 7.60  r  0.  se 0. TABELA 12 – QUANTIDADE DE METAL FUNDIDO UTI- ZADA E PORCENTAGEM DE RECOBRI- MENTO OBTIDA OBSERVAÇÃO xi yi 1 6.0 60 10 12. Exemplo de aplicação: Seja o processo de recobrimento de uma determinada peça com metal.30  r  0. O recobrimento é feito com metal fundido.90  r  1.0 10 3 6.5 30 6 8.60 existe moderada correlação linear.

73 3.95 -5 4.55 30 106.9560 .75 12.75 0.2 graus de liberdade. O tamanho da amostra exerce papel fundamental na estimativa.45 -25 61.25 6.05 10 10.1. OBS.600 MÉDIA 8.45 -15 6. desta forma.5 40 0.600 Sendo o r  0.45 35 Tem-se que:  X i  XYi  Y  n r  ˆ X. torna-se necessário testar a hipótese de que realmente existe correlação linear entre as variáveis estudadas.25 19.50 12.80 625 3 6 20 -2.20 225 5 7. tem distribuição t com n .5 45 1.25 0.45 -25 111.73 3. 1 r 2 136 ANÁLISE DE CORRELAÇÃO E REGRESSÃO . é uma estimativa da correlação populacional ρ .Y  465  0. 10.1 TESTE DE HIPÓTESES PARA COEFICIENTE DE CORRELAÇÃO O coeficiente de correlação linear r .60 900  84.75 6.3.75 0.Y  i 1  X i  X  Yi  Y  n 2 n 2 i 1 i 1 Substituindo os valores na expressão acima tem-se: r  ˆ X.25 6.50 225 9 12 60 3. ou seja: r n2 t ~ t n2 .50 1.9560 65.00 65. Assim. as hipóteses a serem testadas são: H0 :   0 ( a correlação populacional é igual a zero) H1 :   0 ( a correlação populacional é diferente de zero) A estatística para testar a hipótese H0 :   0 contra H1 :   0 .60 625 10 12 65 3.90 25 6 8.00 625 2 4 10 -4.5 30 -0.05 5 0.00 225 4 8 20 -0. obtida com base em uma amostra de tamanho n. xi yi ( xi  X ) ( yi  Y ) ( x i  X )( y i  Y ) ( x i  X )2 ( y i  Y )2 1 6 10 -2.10 100 8 11 50 2.5 350 465.55 15 38.00 25 7 9.45 -15 36. conclui-se que existe correlação linear muito forte.55 25 88.

31.9560 . GRÁFICO 9 – DIAGRAMA DE DISPERSÃO ENTRE X E Y E A RETA ESTIMADA Y 34 32 30 28 26 24 22 20 20 22 24 26 28 X 30 137 SACHIKO ARAKI LIRA . Testar a hipótese de que a correlação populacional é diferente de zero. O modelo de regressão poderá ser expresso como: Y    X   Um valor de Y é formado pelo componente funcional ou regressão (   X ) . utilizando nível de significância de 5%. Tem-se que o coeficiente de correlação estimado é r  0. a relação entre essas variáveis e assim poder predizer o valor que a variável dependente (Y) irá assumir para um determinado valor da variável independente X. Apresenta-se a seguir.Exemplo de aplicação: Seja o exemplo do processo de recobrimento de uma determinada peça com metal. rejeita-se a hipótese H0 :   0 . As hipóteses são: H0 :   0 ( a correlação populacional é igual a zero) H1 :   0 ( a correlação populacional é diferente de zero) A estatística t é: r n2 0. que representa a influência de outros fatores. onde estão representados os pontos observados e a reta ajustada. um gráfico. que representa a influência da variável independente X sobre o valor de Y e o componente aleatório (  ) .4 ANÁLISE DE REGRESSÃO LINEAR SIMPLES Análise de regressão linear simples é uma técnica de modelagem utilizada para analisar a relação entre uma variável dependente (Y) e uma variável independente X .9560  10  2 t   9.22 1 r 2 1  0. o mais próximo possível.95602 O valor de “t” tabelado para nível de significância e 5% e 8 graus de liberdade é 2. 10. O objetivo dessa técnica é identificar uma função que descreve. bem como os erros de medidas da variável Y. portanto.

ou seja: E ( i )  0 Ao estabelecer o modelo de regressão linear simples. os coeficientes da equação da reta.4. Os parâmetros  e  são estimados através dos dados amostrais e a reta estimada será da forma: Ŷ  a  bX Seja e i a distância da reta ajustada aos pontos amostrais. e essa diferença é o erro (). ou seja: n n n  e i2   ( y i  ŷ i ) 2   ( y i  a  bx i ) 2 i1 i1 i1 Derivando a expressão acima em relação a “ a ” e igualando a zero. tem-se:  n n n n  ( y  a  bx i )2  2 x i y i  2a x i  2b  x i2 0  b i1 i i1 i1 i1 Obtém-se assim o sistema de duas equações: n n  yi  na  b  x i i1 i1 n n n  xiyi  a x i  b  x i2 i1 i1 i1 A solução analítica do sistema de equações fornece os valores de " a" e " b" . o método dos mínimos quadrados minimiza a soma de ei2 . 3)  i é uma variável aleatória com média igual a zero. deve-se pressupor que: 1) os erros (  i ) têm distribuição normal. E (  i )  0 . tem-se:  n n n 0 a  ( y i  a  bx i ) 2  2 y i  2na  2 b  x i i1 i1 i1 Derivando a expressão acima em relação a “ b ” e igualando a zero. Neste método. a soma dos erros quadráticos (isto é. mas supõe-se que em média esses erros tendem a se anular. a  Y  bX 138 ANÁLISE DE CORRELAÇÃO E REGRESSÃO .  e  . 10. Isso pode ser feito a partir da aplicação do Método dos Mínimos Quadrados.1 ESTIMAÇÃO DOS PARÂMETROS Uma vez escolhido o modelo de regressão. deve-se estimar os seus parâmetros. como apresentados a seguir. a soma dos quadrados da distância vertical entre as observações e a reta ajustada) é mínima. isto é. neste caso. Verifica-se no gráfico que nem todos os pontos tocam a reta. 4) A variância de i é igual a 2 para todos os valores de X. 2) os erros (  i ) são independentes.

5 350 65.45 Y  35 139 SACHIKO ARAKI LIRA . n  ( x i  X) y i i1 b n  ( x i  X) 2 i1 Exemplos de aplicação: 1) Seja o processo de recobrimento de uma determinada peça com metal. QUANTIDADE DE METAL FUNDIDO UTILIZADA E PORCENTAGEM DE RECOBRIMENTO OBTIDA xi yi OBSERVAÇÃO 1 6. X= quantidade utilizada de metal fundido (em gramas).725 465.00 4 8 20 -0.5 40 0.45 0.00 Média 8.55 12.80 -44.45 35 X  8.5 40 7 9.05 1.0 20 4 8.00 5 7.5 45 8 11.5 45 1.00 -24.60 230.45 19. O recobrimento é feito com metal fundido.45 6.50 2 4 10 -4.0 20 5 7.95 0.90 -28.0 50 9 12.50 9 12 60 3.75 Total 84.00 10 12 65 3.05 0.5 30 -0.00 -49.10 47.50 3 6 20 -2.0 65 Ajustar um modelo de regressão linear simples aos dados: Solução: Tem-se então que: OBS.25 8 11 50 2.45 6.00 7 9.20 -9.60 213. xi yi ( xi  X ) ( x i  X )2 ( xi  X ) yi 1 6 10 -2.0 60 10 12.0 10 3 6.5 30 6 8.50 127. Y = porcentagem de recobrimento obtida (%).55 6.50 6 8.55 12.00 2.0 10 2 4.

7832 A equação de regressão linear será: Ŷ  24.7832  7.1 O gráfico a seguir.00 i1 n  ( x i  X) y i i1 465. b  n   7.725 i1 n  ( xi  X ) yi  465. xi yi ŷ i 1 6 10 17.00 Logo.7 4 8 20 31. apresenta o diagrama de dispersão e a função linear ajustada.0749 X Tem-se então que: OBS.8 5 7.5 3 6 20 17.4 8 11 50 53.5 45 42.5 30 28. DIAGRAMA DE DISPERSÃO E FUNÇÃO LINEAR AJUSTADA Recobrimento (%) 70 60 50 40 30 20 10 0 0 5 10 15 Quantidade de metal fundido 140 ANÁLISE DE CORRELAÇÃO E REGRESSÃO .1 10 12 65 60.3 6 8.0749 65.725  ( x i  X) 2 i1 a  Y  b X  35  7.5 40 35.45  24.n  ( x i  X )2  65.0 9 12 60 60.4 7 9.0749  8.7 2 4 10 3.

através do comportamento das variações totais.2.4.10. explicadas e residuais. aceita-se H0 e conclui-se que não existe regressão e se t  t 2. rejeita-se H0 e conclui-se que existe regressão. 141 SACHIKO ARAKI LIRA . ou seja.2.2 TESTES DE HIPÓTESES NA REGRESSÃO Uma etapa importante da verificação da adequação de um modelo de regressão linear é a realização de um teste estatístico de hipóteses em relação aos parâmetros do modelo. que é a estimativa de  2 n2 n Onde: S XX   ( x i  X) 2 i1 n S YY   ( y i  Y ) 2 i1 n n n  xi  yi S XY   x i y i  i1 i i1 n A conclusão do teste será: Se t  2  t  t  2 . que segue distribuição t com n-2 graus de liberdade. conhecida como ANOVA. S2 S XX Tem-se que: S YY  bS XY S2  . 10.2 ANÁLISE DA VARIÂNCIA A análise da variância.1TESTE t Lembrando que o modelo é Y    X   . Este teste é resumido no quadro da ANOVA.4. é um teste que permite verificar a existência da regressão. 10. se existe relação entre a variável dependente e independente. deve-se testar as hipóteses: H0 :   0 H1 :   0 A estatística do teste é dada por: b t : .4.

EXPLICADO E RESIDUAL Ŷ  a  bX yi ( y i  Y) ( y i  ŷ i ) Y ( Y  ŷ i ) X A estatística utilizada para o teste é a variável aleatória com distribuição F de Snedecor. rejeita-se H0 e conclui-se que a regressão de Y sobre X é significativa. 142 ANÁLISE DE CORRELAÇÃO E REGRESSÃO . QUADRADO MÉDIO F VARIAÇÃO QUADRADOS Explicada SQE  b  S XY 1 QME  b  S XY S YY  b  S XY Residual SQR  S YY  b  S XY n2 QMR  QME n2 F QMR Total SQT  S YY n 1 Se Fcalculado  F.L. faz-se necessária elaborar a tabela abaixo: FONTE DE SOMA DOS G. com m graus de liberdade no numerador e n graus de liberdade no denominador. GRÁFICO 10 – DESVIOS TOTAL.1. n  2 (tabelado) . As hipóteses são: H 0 : A regressão linear de Y sobre X não é significativa H1 : A regressão linear de Y sobre X é significativa As variações ou somas dos quadrados são obtidos através de : n SQT  Soma de quadrados totais   ( yi  Y )2 i 1 SQE  Soma de quadrados exp licados  b  SXY n onde: S XY   ( x i  X )( y i  Y ) i 1 SQR  Soma de quadrados residuais  SYY  b  SXY n onde: S YY   ( y i  Y ) 2 i 1 Tem-se que: SQT  SQE  SQR . Para a ANOVA.

05 5 0.5 65.5 350 3.25 9 12 60 720.0 -4.5 40 340.422.0 -2.95 -5 0.5 Total 84. através do teste t e da análise da variância.45 -25 6.75 5 7.9 25 4.0 -2.6 625 88. Usar   5% .45 -15 6.0 25 0.0 625 61.0 -0.8 625 111.25 3 6 20 120.600  7.5  350 S XY   x i y i  i1 i  3.21 .5 8 11 50 550.5 45 427.Exemplo de aplicação: 1) Testar o modelo ajustado no exemplo 1.75 10 12 65 780.5 225 38.70 143 SACHIKO ARAKI LIRA .2 225 6.075  0 t   9.422.075  465 S2    38.5 30 225.70 i1 n S YY   ( y i  Y ) 2  3.55 30 12.0 2.5 1.600 465.70 3. 2 38.0 -0.75 6 8.0 3.25 7 9.05 10 1.0 225 36.00 a) Teste “t” H0 :   0 H1 :   0 Tem-se que: S YY  bS XY 3.75 4 8 20 160.45 -25 19.7656 6 8 Calculando inicialmente: n S XX   ( x i  X) 2  65.45 -15 0.55 25 12.0 3.6 900 106. que segue distribuição t com n-2 graus de liberdade.7656 S S XX 65.600 i1 n n  xi  yi n 84.1 100 10. Solução: Para obter as somas dos quadrados faz-se necessário os seguintes cálculos: OBS.55 15 6. xi yi xi yi ( xi  X ) ( yi  Y ) ( x i  X )2 ( y i  Y )2 ( xi  X ) ( yi  Y ) 1 6 10 60.5   465 i1 n 10 A estatística do teste é dada por: b 7.0 0.25 2 4 10 40.

maior é a explicação pelo modelo das variação total.289. logo.L. 8  5. tem-se que: SQE 3.8285  310.1715 QMR   38.38% das variações ocorridas na variável dependente Y.289.600  3289 .9138 SQT 3.85 Total SQT  3. para nível de 5% de significância.289.05 / 2. tem-se que: SQE  b  S XY  7.31.8285 1 QME  3.3 COEFICIENTE DE DETERMINAÇÃO OU EXPLICAÇÃO 2 Um outro indicador utilizado constantemente é o coeficiente de determinação.600. Tem-se que t0.32 .0749 (já calculado) Assim. n sendo que S XY   ( x i  X )( y i  Y )  465 i 1 b  7. rejeita-se H0 e conclui-se que   0 .600. 10.7714 8 F  84. conclui-se que a regressão de Y sobre X é significativa.000 O modelo ajustado explica 91. logo.1715 QUADRO DA ANÁLISE DA VARIÂNCIA FONTE DE SOMA DOS G.05. QUADRADO MÉDIO F VARIAÇÃO QUADRADOS Explicada SQE  3.600 i1 SQE  b  SXY . Quanto mais próximo de 1. que indica quantos por cento a variação explicada pela regressão representa da variação total.000 n 1 9 Tem-se que F0. b) ANOVA n SQT  S YY   ( y i  Y ) 2  3.1.8  2. R .8285 SQR  S YY  b  S XY SQR  S YY  b  S XY  3.4. A expressão de R 2 é dada por: SQE R2  SQT Para o exemplo 1. 144 ANÁLISE DE CORRELAÇÃO E REGRESSÃO .1715 n2  8 310. Este varia entre 0 e 1.8285 Residual SQR  310.829 R2    0.0749  465  3289.

5 Y  7.40 4 6 6.25 -8.35 5 7 7.5 6.2) Foi realizada uma experiência relacionando os alongamentos de uma mola (cm) com as cargas aplicadas (kg).6 6.0 3.25 38. para obter os coeficientes a e b.0 Ajustar um modelo de regressão linear simples aos dados.25 3.8 2.70 i1 n  ( xi  X ) yi 42. testar a hipótese da significância da regressão e calcular o coeficiente de determinação.5 12.7416 A equação de regressão linear será: Ŷ  0.01667 42  ( xi  X)2 i1 a  Y  bX  7.25 24.70 i1 Logo.00 42.5 12.7415  1.5 0.5  0.6 -1.8 -2.7 7.0 1.00 2 4 4.5 2.25 -14.25 -3.9 0.50 8 10 11.01667  6.35  1. Os resultados obtidos foram: Carga (kg) 3 4 5 6 7 8 9 10 Alongamento (cm) 4.5 6.0 -3.7 -0.50 Total 52 58.5 0.25 -12.35 n  ( xi  X )2  52 i1 n  ( xi  X ) yi  42.25 13.50 7 9 9.0 4.5 7.5 2. b  n   1.8 0 42.95 6 8 9.8 11. a carga.35 Tem-se então que: X  6.00 3 5 5. serão necessários os seguintes cálculos: X-> carga Y-> alongamento OBS.8 5.0167 X Tem-se que: 145 SACHIKO ARAKI LIRA . Solução: a) Ajuste do modelo de regressão linear simples Tem-se que a variável dependente Y é o alongamento da mola e a independente X.70 Média 6. xi yi ( xi  X ) ( x i  X )2 ( xi  X ) yi 1 3 4.0 9. Assim.9 9.

xi yi ŷ i 1 3 4.65 12.6 -1.325 5 7 7.8 5 7 7.0 -3. OBS.65 2.8 4 6 6.0025 6.25 6.475 7 9 9.55 0.5 -3.8 -2.35 12.45 6.725 2 4 4.6 5.0 8.275 6 8 9.25 2.7225 2.5 0.5 3.5 2.00 43.9 8 10 11.3225 12. apresenta o diagrama de dispersão e a função linear ajustada. DIAGRAMA DE DISPERSÃO E FUNÇÃO LINEAR AJUSTADA Alongamento 12 10 8 6 4 2 0 0 2 4 6 8 10 12 Carga b) Teste da significância da regressão Para obter as somas dos quadrados faz-se necessário os seguintes cálculos: OBS.8 2.375 3 5 5.8 42.9 6 8 9.3025 0.25 0. xi yi ( xi  X ) ( yi  Y ) ( x i  X )2 ( y i  Y )2 ( x i  X ) (y i  Y) 1 3 4.4225 0.25 11.9 7.7 -0.5 -1.25 6.775 Total 52 58.8 9.35 146 ANÁLISE DE CORRELAÇÃO E REGRESSÃO .70 Média 6.0 3.25 13.8 2 4 4.8 4.55 6.75 2.5 -0.0 3.625 4 6 6.65 0.25 3.5 1.56 42.125 8 10 11.0 10.0 1.9 O gráfico a seguir.5025 6.5 -2.7 6.9 7 9 9.25 0.5 7.0625 2.9 0.2225 11.8 3 5 5.

c) Coeficiente de determinação SQE R2  SQT Para o exemplo 2.99 . tem-se que: SQE 43. tem-se que: SQE  b  SXY  1.56 i1 SQE  b  S XY .5600 n 1 7 Tem-se que F0.01667  42. como se ajusta uma função potência.4117 Residual SQR  0.66% das variações ocorridas na variável dependente Y. yi ) . 6  5.1483 QUADRO DA ANÁLISE DA VARIÂNCIA FONTE DE SOMA DOS G.70  43.4117 1 QME  43.L. QUADRADO MÉDIO F VARIAÇÃO QUADRADOS Explicada SQE  43. A função potência é dada pela expressão a seguir: Y  X  Graficamente. conclui-se que a regressão de Y sobre X é significativa. 1. 10.56 QMR  0.4117 SQR  S YY  b  S XY SQR  S YY  b  S XY  43. n SQT  S YY   ( y i  Y ) 2  43.0247 Total SQT  43.5 AJUSTE DE CURVA GEOMÉTRICA (OU FUNÇÃO POTÊNCIA) Apresenta-se. para nível de 5% de significância .70 i 1 b  1.5600 O modelo ajustado explica 99.56000  43. logo. a um conjunto de pontos ( xi .4117  0. a seguir.1483 n2  6 F  1757.01667 (já calculado) Assim.05. n sendo que S XY   ( x i  X )( y i  Y )  42.9966 SQT 43. tem-se: 147 SACHIKO ARAKI LIRA .4117 R2    0.

logo. a um conjunto de pontos ( xi . considerando Y  0 e X  0 : ˆ  ˆ ln X . yi ) . FUNÇÃO POTÊNCIA Y 85 80 75 70 65 0  1 60 55 50 45 40 140 240 340 440 540 X 10. Tem-se então que:   ln ˆ .  ˆ  e  148 ANÁLISE DE CORRELAÇÃO E REGRESSÃO . que poderá ser escrita da seguinte forma: ln Ŷ  ln  Ẑ    ̂T onde: Ẑ  ln Ŷ   ln ˆ T  ln X Os parâmetros A e  são estimados através dos dados amostrais e a reta estimada será da forma: Ẑ    ̂ T Os valores de  e ̂ serão obtidos a partir das equações apresentadas a seguir.5.1 ESTIMATIVA DOS COEFICIENTES O modelo estimado será dado por: ˆ Ŷ  ˆ X  ˆ Para ajustar uma curva geométrica Ŷ  ˆ X  . pode-se fazer através da seguinte transformação.   Z  ̂ T n  (t i  T) z i ˆ  i1 n  (t i  T)2 i1 Para obter a estimativa do modelo na sua forma original. faz-se a transformação inversa dos coeficientes  e B̂ .

1 ANÁLISE DA VARIÂNCIA A estatística utilizada para o teste é a variável aleatória com distribuição F de Snedecor.2. com m graus de liberdade no numerador e n graus de liberdade no denominador. rejeita-se H0 e conclui-se que a regressão de Y sobre X é significativa. E a função potência estimada será: ˆ Ŷ  ˆ X  10. 10. As hipóteses são: H 0 : A regressão de Y sobre X não é significativa H1 : A regressão de Y sobre X é significativa As variações ou somas dos quadrados são obtidos através de : n SQT   ( z i  Z ) 2 i 1 SQE  ̂ STZ n onde: STZ   ( ti  T )( zi  Z ) i1 SQR  SZZ  ̂STZ n onde: SZZ   ( zi  Z )2 i1 Tem-se que: SQT  SQE  SQR .L.5.2 TESTES DE HIPÓTESES NA REGRESSÃO 10. QUADRADO MÉDIO F VARIAÇÃO QUADRADOS Explicada SQE  ̂ STZ 1 QME  ̂ STZ S ZZ  ˆ S TZ QME Residual SQR  SZZ  ̂STZ n2 QMR  F n2 QMR Total SQT  S ZZ n 1 Se Fcalculado  F.3 COEFICIENTE DE DETERMINAÇÃO OU EXPLICAÇÃO 149 SACHIKO ARAKI LIRA . Para a ANOVA.5. n  2 (tabelado) .1.5. faz-se necessária elaborar a tabela abaixo: FONTE DE SOMA DOS G.

representam o desempenho (medido em km percorridos por litro de gasolina) dos carros em estrada e o deslocamento do pistão no motor.7 3 196 14. R 2 .5 12.5 11.0 13.3 6 348 11. d) calcular o coeficiente de determinação.0 80 130 180 230 280 330 380 Deslocamento do pistão Fazendo as transformações de variáveis necessárias. para uma amostra de 8 carros.1 4 226 12.5 14. Solução: a) Diagrama de dispersão Km/litro de DIAGRAMA DE DISPERSÃO gasolina 15. maior é a explicação pelo modelo das variação total.0 14.5 13.0 12. b) Ajustar uma função geométrica aos dados.0 11.5 10. a seguir. O coeficiente de determinação. Este varia entre 0 e 1.1 8 348 11. tem-se: 150 ANÁLISE DE CORRELAÇÃO E REGRESSÃO .0 10.2 a) construir o diagrama de dispersão. Quanto mais próximo de 1.1 7 226 13.9 5 226 12. A expressão de R 2 é dada por: SQE R2  SQT Exemplo: Os dados apresentados. Sejam as variáveis: X= deslocamento do pistão ( m3 ) e Y= km percorridos em estrada por litro de gasolina. c) testar a existência de regressão. que indica quantos por cento a variação explicada pela regressão representa da variação total. CARROS X Y 1 215 13.2 2 201 13.

8522 0.0448 -0.4880 3 196 14.0142 -0.5 14.5383  (0.0 13.3074 2 201 13.  ˆ  e   e 4.0 12.0048 -0.3674)  5.5096 5.3709  ( ti  T )2 i1 ˆ T  2. CARROS xi yi zi  ln( yi ) ti  ln( xi ) (t i  T) ( t i  T) 2 (t i  T) z i 1 215 13.8522 0.3706 -0.3 2.4205 -0.0 11.1865 0.3033 -0.5802 5.4898 a) Cálculo das estimativas dos parâmetros n  ( t i  T ) zi ˆ  in1  . logo.6174 5.7 2.4205 -0.1781 8 348 11.1 2. DIAGRAMA DE DISPERSÃO E CURVA POTENCIAL AJUSTADA Km/litro de gasolina 14.1314 0.5550  0.1 2.4898  4.0692 0.5550   Z   O modelo ajustado é: Ẑ    ˆ T  4.1068 O modelo ajustado na forma potencial será: ˆ ˆ X  95.0348 -0.2781 -0.6462 5.0048 -0.1770 5 226 12.0692 0.1314 0.2 2.3709 -0.3624 0.2 2.4159 5.5 12.4069 5.0692 0.1191 0.5 11.5726 5.5 13.1068 X 0.1737 6 348 11.0 10.4205 -0.5 10.5600 4 226 12.1362  -0.8724 7 226 13.1 2.2116 0.9 2.3674 0.5383 5.3674 Ŷ   O gráfico a seguir apresenta o diagrama de dispersão e a função potencial ajustada.5550  95.5572 5.0.3624 0.25 2.0 80 130 180 230 280 330 380 Deslocamento do pistão b) Utilizando a ANOVA para testar a significância da regressão: 151 SACHIKO ARAKI LIRA .0048 -0.8756 SOMA 0.1362 MÉDIA 248.3674 T Mas tem-se que:   ln  ˆ .

0692 -0. CARROS xi yi t i ln( xi ) (t i  T) ( t i  T) ( z i  Z ) zi  ln( yi ) ( z i  Z ) ( zi  Z)2 1 215 13.0543 -0.6 AJUSTE DE FUNÇÃO EXPONENCIAL Apresenta-se. o ajuste de uma função exponencial Y   X .05 . 6  5. 10.5726 5.0500 R2    0.1313 0.3624 -0. calcular-se-á o coeficiente de determinação.0443 SOMA 0.1079 0.0024 8 348 11.3624 -0. QUADRADO MÉDIO F VARIAÇÃO QUADRADOS Devido à regressão 0.0018 -0.38 Total 0.6462 5.0043 FONTE DE SOMA DOS G.1191 -0.1362)  0. tem-se: 152 ANÁLISE DE CORRELAÇÃO E REGRESSÃO .0420 0.1.L.1223 0.0692 -0.0500 SQR  SQT  SQE  0. para analisar o grau de explicação do modelo.0013 5 226 12.0063 -0.0020 6 348 11.0543 O modelo ajustado explica 92. ao nível de 5% de significância.0043 6 0. 6  5.38  F0.1 2.3033 0.0190 0.0172 0.4069 5. a um conjunto de pontos ( xi .4205 0.99 .1362 i1 SQE  ˆ S TZ  0.2781 0.99 .14% das variações ocorridas na variável Y.3674  ( 0.0500  0.1 2.0150 0.9214 SQT 0. Finalmente.1 2.5383 5.0228 4 226 12.3706 0.7 2.2 2.0116 -0.5802 5.0543 i 1 SQE  ̂ S TZ n onde: S TZ   ( t i  T )( z i  Z )  -0.0543  0.0148 3 196 14.0543 7 Tem-se que F0.0004 -0.0500 1 0. conclui-se que a regressão de Y sobre X é significativa.1865 -0.3 2.1362 MÉDIA 248.0012 -0. yi ) . a seguir.0008 -0.1.25 2.5572 5.4898 As variações ou somas dos quadrados são obtidos através de: n SQT   ( z i  Z ) 2  0.0476 7 226 13.4159 5.0007 70.0500 Residuo 0.0692 0.4205 0. Como F  70.9 2. Graficamente.05 .0050 2 201 13.8522 -0.2116 -0.0791 0.0344 0.2 2.5096 5.8522 -0. SQE 0.0287 0.6174 5.4205 -0.

6. reduz-se ao problema de ajuste de uma reta aos pontos ( x i . Os parâmetros A e B são estimados através dos dados amostrais e a reta estimada será da forma: Ẑ    B̂ X Os valores de  e B̂ serão obtidos a partir das equações apresentadas a seguir. logo. que poderá ser escrita como sendo: ln Ŷ  ln  Ẑ    B̂X onde: Ẑ  ln Ŷ   ln ˆ B̂  ln ˆ Assim.1 ESTIMATIVA DOS COEFICIENTES O modelo estimado é: ˆ ˆ X Ŷ   Fazendo a transformação logarítmica: ˆ  X ln ˆ . faz-se a transformação inversa dos coeficientes  e B̂ . z i ) . logo.  ˆ  e  B̂  ln ˆ . onde z i  ln y i . Tem-se então que:   ln ˆ .   Z  B̂ X n  ( x i  X) z i i 1 B̂  n  ( x i  X) 2 i 1 Para obter a estimativa do modelo na sua forma original. ˆ  e B̂ E o modelo exponencial estimado será: ˆ ˆ X Ŷ   153 SACHIKO ARAKI LIRA . FUNÇÃO EXPONENCIAL Y 200 180 160 140 120 100 80 60 40  1 20 0 0 5 10 15 X 10.

1 ANÁLISE DA VARIÂNCIA A estatística utilizada para o teste é a variável aleatória com distribuição F de Snedecor.6. com 1 grau de liberdade no numerador e n-2 graus de liberdade no denominador.10. maior é a explicação pelo modelo da variação total. QUADRADO MÉDIO F VARIAÇÃO QUADRADOS Explicada SQE  B̂ S XZ 1 QME  B̂ S XZ S ZZ  B̂ S XZ Residual SQR  S ZZ  B̂ S XZ n2 QMR  QME n2 F QMR Total SQT  S ZZ n 1 Se Fcalculado  F.6. 10. faz-se necessária elaborar a tabela abaixo: FONTE DE SOMA DOS G.6.3. Este varia entre 0 e 1. Para a ANOVA. rejeita-se H0 e conclui-se que a regressão de Y sobre X é significativa. que indica quantos por cento a variação explicada pela regressão representa da variação total. 1. R 2 .2 TESTES DE HIPÓTESES NA REGRESSÃO 10. A expressão de R 2 é dada por: SQE R2  SQT 154 ANÁLISE DE CORRELAÇÃO E REGRESSÃO . As hipóteses são: H 0 : A regressão de Y sobre X não é significativa H1 : A regressão de Y sobre X é significativa As variações ou somas dos quadrados são obtidos através de : n SQT  Soma de quadrados totais   ( z i  Z ) 2 i1 SQE  Soma de quadrados exp licados  B̂ S XZ n onde: S XZ   ( x i  X )( z i  Z ) i1 SQR  Soma de quadrados residuais  S ZZ  B̂S XZ n onde: S ZZ   ( z i  Z ) 2 i1 Tem-se que: SQT  SQE  SQR . COEFICIENTE DE DETERMINAÇÃO OU EXPLICAÇÃO O coeficiente de determinação. n  2 ( tabelado ) . Quanto mais próximo de 1.L.2.

5349 10 12.0 10 2 4. QUANTIDADE DE METAL FUNDIDO UTILIZADA E PORCENTAGEM DE RECOBRIMENTO OBTIDA xi yi OBSERVAÇÃO 1 6.Exemplo: 1) Seja o processo de recobrimento de uma determinada peça com metal.9120 2.05 0.55 12.45 35 3.8191 SOMA 84.45 6.4012 -0.95 0.2389 65.0 60 4.45 6.00 -7.80 -10.5 30 3.7045 MÉDIA 8.60 14.1744 3.1) Cálculo do coeficiente B̂ : n  ( x i  X) z i 15.0 20 4 8. b) testar a existência de regressão utilizando nível de significância de 5%.0 50 3. O recobrimento é feito com metal fundido.0943 3.55 12.73  ( x i  X) 2 i 1 a.45 0.0 20 2.3395 4 8.9957 -2.3481 5 7.5 40 3.0 60 10 12.2) Cálculo do coeficiente  155 SACHIKO ARAKI LIRA .0 65 4.90 -3.0 65 a) ajustar uma função exponencial aos dados. Y = porcentagem de recobrimento obtida (%).20 -1.5 350 65.9957 -0. c) calcular o coeficiente de determinação.00 0.9757 9 12.2465 3 6.73 15.0 20 2.5 30 6 8.2311 6 8.6889 0.10 3.5 45 8 11.1844 7 9.9970 8 11. X= quantidade utilizada de metal fundido (em gramas).00 -5.45 19.3026 -4.0 10 3 6.3026 -2.0 10 2.0 20 5 7.0 10 2.5 45 3. Solução: a) ajuste da função exponencial OBS.3674 a.8067 1.55 6. xi yi z i  ln( y i ) ( xi  X ) ( x i  X )2 ( xi  X ) zi 1 6.7045 i 1 B̂  n   0.6413 2 4.50 9.05 1.60 14.0 50 9 12.5 40 7 9.

2699 X Ŷ   Assim.0 50 53.12 6 8. o modelo ajustado na forma linear será: Ẑ    B̂X  1.0 60 67.16 4 8.3) O modelo ajustado na forma exponencial é: ˆ ˆ X  3.36 7 9. logo. tem-se que: OBS.3674  (0.76 10 12.2389 X Mas tem-se que:   ln  ˆ .36 9 12.3487 Assim.5 45 37.5 40 29. B̂  ln  ˆ  eB̂  e0.02 3 6.05 5 7.0 10 16.45)  1.2389  1. logo.3487  3. xi yi ŷ i 1 6.29 8 11.16 2 4.2699 a.76 O gráfico a seguir apresenta o diagrama de dispersão e a função exponencial ajustada: DIAGRAMA DE DISPERSÃO E FUNÇÃO EXPONENCIAL Recobrimento AJUSTADA (%) 80 70 60 50 40 30 20 10 0 2 4 6 8 10 12 14 Quantidade de metal fundido b) Teste para verificar a significância da regressão 156 ANÁLISE DE CORRELAÇÃO E REGRESSÃO . ˆ  e   e1.5 30 23.0 65 67.0 20 16.3487  0.2389  8.   Z  B̂ X  3.8524  1.8524 ˆ .0 10 10.0 20 26.

SQE 3.1338 4.55 0. 8  5.45 -1.3215 0.7045 MÉDIA 8.11  F0.8067 1. para analisar o grau de explicação do modelo.5 30 3.1338 2.0648 1.0 20 2. 157 SACHIKO ARAKI LIRA .7525 53.0 10 2.7525 1 3.4012 -0.05.32 .3888 9 12.7525  0.5807 10 12.0 60 4.0011 -0.3177  3.1673 5 7.45 -0.0338 0.7045  3. OBS.11 Residual 0.5284 2.4612 8 11.8070 0.7269 0.6088 2 4.1930 0.45 -0.0 65 4.0 50 3.3026 -4.05 .6889 0.9957 -2.3026 -2.3717 0.3177 9 Tem-se que F0.8648 SOMA 84.7384 3 6. c) Cálculo do coeficiente de determinação Finalmente.8691 SQT 4.91% das variações ocorridas na variável Y.7525 SQR  SQT  SQR  4.3177 O modelo ajustado explica 86.55 0.0648 1.5652 Quadro da ANOVA FONTE DE SOMA DE GRAUS DE QUADRADO VARIAÇÃO QUADRADOS LIBERDADE MÉDIO F Explicada 3.05 0.0943 3.9106 4 8.1381 0. ao nível de 5% de significância.1744 3.5 40 3.0 20 2.55 0. xi yi z i  ln( y i ) ( xi  X ) (z i  Z ) ( zi  Z)2 ( x i  X ) (z i  Z ) 1 6.3717 0.9957 -0.6512 2.5652 8 0.7525 R2    0.5446 0.0161 7 9.3177 15.7045 i1 SQE  B̂S XZ  0. calcular-se-á o coeficiente de determinação.5 45 3. Como F  53.2966 1.0706 Total 4. conclui-se que a regressão de Y sobre X é significativa.1. 8  5.45 -1.1381 0.05 0.3177 i 1 SQE  B̂S XZ n onde: S XZ   ( x i  X )( z i  Z )  15.1033 0.4393 0.9120 2.1.2389  15.3674 Calculando-se a soma dos quadrados tem-se: n SQT   ( z i  Z ) 2  4.0 10 2.5 350 4.45 35 3.0321 6 8.95 0.32 .

do 8 8 9 9 10 10 11 11 12 Cabo (m) Taxa de 2.LISTA DE EXERCÍCIOS NO. 2. b) Ajustar a função linear e testar a existência de regressão. 3.1 4. 9 – ANÁLISE DE CORRELAÇÃO E REGRESSÃO 1. 4. os quais designaremos por 1.0 2. 50. 5 e 6.1 3.8 Falha Comp.9 9. A seguir relaciona os pesos (em centenas de kg) e as taxas de rendimento de combustível em rodovia (km/litro). Qual é o coeficiente de explicação da função potencial? d) Ajustar a função exponencial e testar a existência de regressão.000 lotes de dados transmitidos (taxa de falha). adotando   0. Os resultados foram: Comp.05 . adotando   0.4 28. b) Ajustar a função linear e testar a existência de regressão.1 19. numa amostra de 10 carros de passeio novos.05 . Pede-se: 158 ANÁLISE DE CORRELAÇÃO E REGRESSÃO . Foram realizados 6 ensaios com níveis de temperatura equidistantes.9 4. Qual é o coeficiente de explicação da função linear? c) Ajustar a função potencial e testar a existência de regressão.05 .5 6. 60. do 12 13 13 14 14 15 Cabo (m) Taxa de 8.2 2.2 Falha Pede-se: a) Calcular o coeficiente linear de Pearson e testar a significância ao nível de 5%. Qual é o coeficiente de explicação da função potencial? d) Ajustar a função exponencial e testar a existência de regressão. 42. medida através do número de falhas em 100. Os valores obtidos de resistência mecânica (MPa) foram: 41. 54. Qual é o coeficiente de explicação da função exponencial? e) Qual das três funções ajustadas é a melhor? Comente? 2) Um estudo foi desenvolvido para verificar o quanto o comprimento de um cabo da porta serial de microcomputadores influencia na qualidade da transmissão de dados. Peso 12 13 14 14 16 18 19 22 24 26 Rendimento 16 14 14 13 11 12 09 09 08 06 Pede-se: a) Calcular o coeficiente linear de Pearson e testar a significância ao nível de 5%. adotando   0.05 .2 5.7 12. adotando   0. 3) No processo de queima de massa cerâmica. Qual é o coeficiente de explicação da função linear? c) Ajustar a função potencial e testar a existência de regressão.3 17. adotando   0. avaliou-se o efeito da temperatura do forno (X) sobre a resistência mecânica da massa queimada (Y). respectivamente.5 13.05 . Qual é o coeficiente de explicação da função exponencial? e) Qual das três funções ajustadas é a melhor? Comente. 53.05 . adotando   0.

159 SACHIKO ARAKI LIRA . Qual é o coeficiente de explicação da função exponencial? d) Qual das três funções ajustadas é a melhor? Comente.05 . adotando   0. Qual é o coeficiente de explicação da função potencial? c) Ajustar a função exponencial e testar a existência de regressão. Qual é o coeficiente de explicação da função linear? b) Ajustar a função potencial e testar a existência de regressão. adotando   0.05 . adotando   0.a) Ajustar a função linear e testar a existência de regressão.05 .

podem ser calculadas pelo método dos mínimos quadrados... X 2 .. são obtidas através de: b  ( XX) 1 X Y b 0   Y1  1 X 11 X 12 .1 REGRESSÃO LINEAR COM 2 VARIÁVEIS INDEPENDENTES O modelo de regressão com 2 variáveis independentes é dado por: Y   0  1 X 1   2 X 2   A estimativa dessa equação é expressa por: 160 ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA .. Adotando-se a forma matricial. 1 ... será dado por: Y  0  1X1  2 X2    k Xk   Na forma matricial: Y  X    Y1  1 X11 X12 .  2 .. X k .. X n k  11... Y   2 . as estimativas dos coeficientes.  k .. as k ( k  1) variáveis independentes X1 . sendo Y a variável dependente e. X 2 k   1   2   Y2    21                       Yn  1 X n1 Xn 2 . ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA 11 INTRODUÇÃO O modelo estatístico de uma regressão linear múltipla.. b k dos coeficientes  . b1 . X n k   k   n  A estimativa dessa equação de regressão será dada pelo modelo a seguir: Ŷ  b0  b1X1  b 2 X2    bk Xk As estimativas b 0 . partindo de hipóteses análogas àquelas adotadas para regressão linear simples.. X 2 k  Onde: b   1 .. X1 k   0   1    1 X X 22  . b 2 . X 1 k        b Y 1 X 21 X 22 . X                   b k   Yn  1 X n 1 Xn 2 .

Quanto mais próximo de 1.1. que é a covariância entre Y e X 1 i1 n  n  n    y i    x 2i  S YX 2   ( y i x 2 i )   n i1   i1  . que é a covariância entre Y e X2 i1 n Se Fcalc  F. 11. Este varia entre 0 e 1. utilizando o quadro da ANOVA.1 ESTIMATIVAS DOS COEFICIENTES DE REGRESSÃO As estimativas dos coeficientes o .1. maior é a explicação pelo modelo da variação total. n3 . X           b 2       Yn  1 X n1 X n2  1. 2.L. 161 SACHIKO ARAKI LIRA . Ŷ  b0  b1X1  b 2 X 2 11.1. i1 n  n  n    y i    x 1i  S YX1   ( y i x 1i )   n i1   i1  .2 TESTE PARA VERIFICAR A SIGNIFICÂNCIA DA REGRESSÃO O teste para verificar a significância da regressão é feito através da estatística F.3 CÁLCULO DO COEFICIENTE DE DETERMINAÇÃO OU EXPLICAÇÃO O coeficiente de determinação R 2 . QUADRADO MÉDIO F VARIAÇÃO SQE Explicada SQE  b1S YX1  b 2S YX2 2 QME  2 SQR QME Residual SQR  S YY  b1S YX1  b 2S YX2 n3 QMR  F n2 QMR Total SQT  S YY n 1 2 n    yi    yi   n 2 i1  onde: S YY . Y 1 X 21 X 22  Y   2 . FONTE DE SOMA DOS QUADRADOS G. conclui-se que a regressão de Y sobre X1 e X2 é significativa. indica quantos por cento a variação explicada pela regressão representa da variação total. sendo a variância de Y. 1 e 2 podem ser obtidas através de: b  ( XX) 1 X Y  Y1  1 X11 X12  b 0      Onde: b  b1  .

9 820  240   1 1 1 1 1 1 1 1 1 1    X    1.0 13.0 43. testar a significância da regressão ao nível de 5% de significância e calcular o coeficiente de determinação.0 40.0 8.0 834      1 11.0 11.0 33. e sua relação com X1=viscosidade do óleo e X2=carga.0 845  256  1 8.0 35.6 851 230 15.0 1115 190  1 35.0 918      256  1 13.5 816  172  1 22.5 816 172 22 1058 91 43 1201 58 33 1357 125 40 1115 190 35 918 256 13 834 256 11 845 240 8.5 22.9 820 Ajustar um modelo de regressão linear múltipla. Y.0 1058      91  1 43.6 851  230    1 15. Solução: 243    1 1.9  851 816 1058 1021 1357 1115 918 834 845 820 162 ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA .0 1357 Y  X  125  1 40. Os seguintes dados foram obtidos: yi x 1i x 2i 243 1.6 15.0 1021  58  1 33. A expressão de R 2 é dada por: b1S YX1  b 2 S YX2 SQE R2   S YY SQT Exemplos: 1) Um estudo foi realizado sobre o desgaste de um mancal.

0003  0.6 ( X X)   0.706 3.961.8 .0001 0.343.2114   .575 .  -121.0127 0.704.0 181.5 i1 n 5 SQE  b1S YX 1  b 2 S YX 2  1.793 59.815   4.5 816 3.494.0167 0.0.136.9 820 2.0 1115 5.0 9.914.0.625 7 190 35.0.0007 0.584 4 91 43.100 8 256 13.3011  O modelo estimado é: Ŷ  508.320 65.0043  0.689 9 SQR  S YY  b1S YX 1  b 2 S YX 2  47 .291 8.242.784.536 10 240 8.3 981.0020  0.5640 0.0 187.600 SOMA 1861 223.0001 9.0 78.8612 S YY   yi  2  393.0141 0.0001 0.0 174.8 206.3011  -121.865 393.9 i1 n 10 SQT  S YY  47.0102  0.536 9 256 11.0 1201 3.242.  -8.0123 0.0.0 845 2.0 1357 1.364 6 125 40.420 36.0002  0.874.5 i1 n 10  n  n    y i    x 2 i  n  i1   i1  1.800 57.0060 0.0010  0.0.706.2114  (-8.815 S YX2   (y i x 2i )   1.0006 0.859.504 65.3594 0.680 52.3378  0.0 109.02 237.0014  0.5  46.494.815 33.0 834 3.005.2114X1  0.0441 .328.049 2 230 15.6 851 388.0 139.0055   1   X X   223 6.0441 0.575 MÉDIA 186.242.0004  0.913.650.0 216.865 .704. x 1i x 2i y i x1i y i x 2i yi y i2 1 243 1.0055 .1.816.565.861 223 S YX1   ( y i x 1i )   33.8 1.5 2 n    y i  n  i1  1.0209  0.9  n  n    y i    x 1i  n  i1   i1  1.343.0002 508.4056    ( XX)1X   0.005.  47.900 3 172 22.5 )  0.815 237.6899  899.0883 0.2102 163 SACHIKO ARAKI LIRA .  10 223 9.1 22.6320  1.5086 0.6320 1   b  ( XX) X  Y   .0 1058 3.6 9.0051  0.5122 0.000.281 5 58 33.0.1394 1.3011X 2 OBS.0013 .0000   .2057  1.0006  0.201 .976 29.7187  0.9  46 .375 15.874.0 213.0 918 6.0036  0.0 196.706.861 9.

durante 5 meses.9000 O modelo ajustado explica 98.6899 R2     0.7  4. 2.9 9 Tem-se que: F0. em kg. Conhecendo-se o consumo total de matéria-prima (Y). X  1 215 92  . ANOVA para verificar a significância da regressão: FONTE DE QUADRADO SOMA DOS QUADRADOS G. 2.74 .84 Residual SQR  899.242. b) verificar a significância da regressão. pede-se: a) ajustar um modelo de regressão linear múltipla.10% das variações ocorridas em Y.3171.  X  151 221 215 247 243     229 1 247 122  70 91 92 122 79  195  1 243 79    164 ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA . Cálculo de coeficiente de determinação: b1S YX1  b 2 S YX2 SQE 46. F VARIAÇÃO MÉDIO Explicada SQE  46. c) calcular o coeficiente de determinação.38 e é maior que F0.242. conclui-se que a regressão é significativa.6899 2 QME  2.74 Conclusão: Como F calculado é igual a 180.343.05 .05 .38 Total SQT  47. 2) Uma indústria fabrica um produto em dois tamanhos (pequeno e grande).9810 S YY SQT 47.343.4586 F  180.L.2102 7 QMR  128. ao nível de significância de 10%. e as respectivas produções mensais do tipo pequeno (X1) e do tipo grande (X2).7  4. ao nível de 5% de significância. yi x 1i x 2i 145 151 70 210 221 91 193 215 92 229 247 122 195 243 79 Solução: a) Cálculo das estimativas dos coeficientes Tem-se que: b  ( XX) 1 X Y 145  1 151 70      210 1 221 91   1 1 1 1 1    Y  193  .

3758  0.405 38.0.0112 0.4 215.0209   1   X X  1077 237925 99792 . 1 145 151 70 21.0004  454 99792 42770 .410 19.0234  0.495 17.4821 0.0.0.0.895 10.0006  0.5239 SQR  S YY  b1S YX 1  b 2 S YX 2  3833 .2000  3.0026 0.748 90.678.359 192.4 90.4957  4.8 Cálculo das somas de quadrados: 2 n    y i  2   yi     192.4  3.4957X1  0.0128   0.100 3 193 215 92 41.0010  0.359 .  4.5239  204.883.678.249 4 229 247 122 56.379 .4 i1 n 5 SQE  b1S YX 1  b 2 S YX 2  0.883.748 .6761 165 SACHIKO ARAKI LIRA .0292 .2  n  n    y i    x 1i  n  i1   i1  972  1077 S YX1   ( y i x 1i )   213.883.0016  0.0322 0.025 SOMA 972 1077 454 213.3600 1   ( XX) X   0.0015 0.5239  204.2 i1 n 5  n  n    y i    x 2 i  n  i1   i1  972  454 S YX2   (y i x 2i )   90.0242 22.6761 OU SQR  SQT  SQE  3.0292 0.150 21.7175  2.379.2  0.840 MÉDIA 194.563 27.  5 1077 454   8.7175X 2 yi x 1i x 2i y i x1i y i x 2i y i2 OBS.7175  O modelo estimado é: Ŷ  22.0019 0.0.938 52.00115  2.  2.025 2 210 221 91 46.0003 .3935 .101.840 .0.441 5 195 243 79 47.1866  1.5170 0.972  3.101.110 44.2 n 2 i1 S YY i1 n 5 SQT  S YY  3.0209 .756 37.4957   0.385 15.0004 0.2  3678 .4821 1   b  ( XX) X Y   0. ( XX)  .

14 2.L.833.350 X2 6 7 6 7 6 8 8 7 8 Y 80 95 101 85 92 87 96 106 108 Ajustar o modelo de regressão linear múltipla e testar a significância da regressão.300 1.300 1. adotando   0.5239 2 QME  1839.262 Residual SQR  204.10 .2 5 4. 10 – ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA 1) Uma investigação sobre um processo de fundição gerou os dados a seguir sobre X1 = temperatura da fornalha. ao nível de 10% de significância.10 .250 1. Qual é o coeficiente de explicação do modelo? 2) Um estudo realizado para investigar a relação entre a variável resposta relativa a quedas de pressão em uma coluna de bolhas de uma chapa térmica e os previsores X1 = velocidade do fluído superficial e X 2 = viscosidade do líquido.678.97 Total SQT  3.678.9 2 4. LISTA DE EXERCÍCIOS NO.1 3 8.7 6 8.350 1.2000 4 Tem-se que : F0.9473 S YY SQT 3.300 1. conclui-se que a regressão é significativa.63 15. 2.00 .00 22. VELOCIDADE VISCOSIDADE RESPOSTA 1 2.05 .2  Conclusão: Como F calculado é igual a 17.2 O modelo ajustado explica 94.338 F  17. X 2 = tempo de moldagem da matriz e Y = diferença de temperatura na superfície de moldagem da matriz. gerou os dados a seguir.8 4 2.73% das variações ocorridas em Y.15 10.250 1.00 28.15 2.833.5239 R2     0. 2.b) ANOVA para verificar a significância da regressão: FONTE DE QUADRADO SOMA DOS QUADRADOS G.14 10.00 26.14 10. X1 1.6761 2 QMR  102.250 1. F VARIAÇÃO MÉDIO Explicada SQE  3.97 e é maior que F0.2  9.63 18. OBS.63 24.13 2.3 Continua 166 ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA .350 1. c) Cálculo de coeficiente de determinação b1S YX1  b 2S YX2 SQE 3.

Conclusão 7 5.60 10.10 12.63 15.8 16 4.30 2. Qual é o coeficiente de explicação do modelo? 167 SACHIKO ARAKI LIRA .2 18 5.8 12 4.01.60 10.0 11 5.25 18.14 112.10 19.8 15 2.14 112.60 10.1 9 4.10 18.10 15.10 18.60 10.4 10 5. adotando   0.00 41.60 10.30 2.1 8 4.10 19.60 1.00 48.6 13 2.40 10.60 10.30 10.4 19 5.10 13.10 22.6 17 5.2 14 5.0 Ajustar o modelo de regressão linear múltipla e testar a significância da regressão.63 19.

2. UFPR.. Rio de Janeiro: Livros Técnicos e Científicos. L. COSTA NETO. 3. BORNIA. C. O. RYAN. MEYER. Editora Saraiva. M. A. 2009. Manual de normalização de documentos científicos de acordo com as normas da ABNT. P. C. 2010. L. Curitiba: Ed. 2006. 2009. 2002.. DEVORE. rev. 6. U. Curitiba: Domínio do Saber. A. BIBLIOGRAFIA 1. 2 ed. A. BUSSAB. et. S. AMADEU. 7. MONTGOMERY.. 5ª Edição.. BARBETTA. G. A. M. J. P. São Paulo: Edgard Blücher. D. S. J.. M. Estatística. M. M. W. C.. Estatística Moderna para Engenharia. REIS. Estatística Básica. RUNGER. Aplicações à Estatística.O. Rio de Janeiro: LTC. 1994. M. Probabilidade e estatística para engenharia e ciências. Probabilidade. P. 8. 168 BIBLIOGRAFIA . T. Estatística Básica para os Cursos de Engenharia. São Paulo: Pioneira Thomson Learning. ed. 9. P. 3a. São Paulo: Ed. 4 ed. Rio de Janeiro: Elsevier. 1978. al. MARQUES. Atlas S. 2015. A. MORETTIN.. MARQUES. L. Estatística para cursos de engenharia e infomática. 5. Estatística Aplicada e Probabilidade para Engenheiros. 4. 2009.

0066 0.2643 0.0158 0.0002 0.2236 0.0853 0.6 0.0039 0.0004 0.0202 0.0001 0.0099 0.0001 0.1 0.0034 0.1230 0.0089 0.4483 0.0013 0.3015 0.2266 0.0002 -3.1711 0.0150 0.0418 0.0004 0.0212 0.0885 0.0516 0.0655 0.0003 0.04 0.9 0.5 0.4562 0.9 0.3264 0.2296 0.0020 0.0281 0.0049 0.0004 0.8 0.0007 0.0006 0.0007 0.1 – ÁREAS SOB A CURVA NORMAL Z 0.0174 0.0014 -3.0222 0.3 0.0071 0.2206 0.0006 0.2 0.1 0.3745 0.0001 0.0003 0.1841 0.0013 0.0985 -1.0016 0.0392 0.0764 0.3372 0.0026 0.0681 -1.4129 0.1492 0.0038 0.0002 0.1056 0.0485 0.0104 0.7 0.1 0.0582 0.0006 0.4602 0.0001 0.0022 0.0014 0.3669 0.0694 0.0010 0.0375 0.0023 0.0192 0.1562 0.0918 0. TABELAS TABELA A1.0001 0.4404 0.0000 0.2327 0.1788 0.0000 0.0002 0.0002 0.0043 0.0031 0.0749 0.9 0.0526 0.0154 0.0060 0.0000 169 SACHIKO ARAKI LIRA .2358 0.0951 0.3557 0.1401 0.0116 0.0001 0.0021 0.0048 -2.1587 0.5 0.3 0.1685 0.0119 0.0708 0.0005 0.8 0.0000 0.0207 0.2033 0.0015 0.0002 0.2 0.0064 -2.1635 0.1292 0.0010 0.0075 0.0139 0.0002 0.3936 0.0001 -3.2 0.0068 0.3228 0.0475 0.0548 0.3783 0.0465 0.0146 0.0122 0.0233 -2.0436 0.0004 0.1446 0.0082 0.2776 -0.0023 0.2177 0.0287 0.1660 0.3707 0.3300 0.4 0.0059 0.01 0.0132 0.0018 0.0307 0.3594 0.02 0.0301 0.7 0.0003 -3.0001 0.0016 0.1151 0.0001 -3.5 0.4960 0.4761 0.1170 -1.2514 0.0505 0.0001 0.0170 0.0000 0.0007 0.0968 0.0015 0.1814 0.1949 0.0125 0.0618 0.0384 0.0901 0.0359 0.0001 0.0003 0.0162 0.0094 0.06 0.0228 0.0594 0.0217 0.2148 -0.0001 0.0002 -3.2676 0.6 0.0559 -1.0009 0.0 0.0107 0.0012 0.0005 0.0778 0.0007 -3.3 0.1894 0.0 0.0721 0.0129 0.7 0.1038 0.0057 0.0035 0.0012 0.0002 0.6 0.8 0.0455 -1.0002 0.03 0.0 0.0000 0.1611 -1.0793 0.0005 0.1131 0.2061 0.0000 0.1112 0.0021 0.4168 0.0571 0.0001 0.0668 0.0823 -1.3446 0.4920 0.3156 0.8 0.1003 0.4443 0.3085 0.08 0.1762 0.4641 -0.05 0.0002 0.4880 0.4247 -0.0047 0.0024 0.0643 0.0244 0.0268 0.00 0.4 0.0001 0.1210 0.0427 0.5 0.0010 -3.0401 0.3821 0.4052 0.0001 0.3050 0.2451 -0.3483 -0.4013 0.4325 0.0096 0.0011 0.0036 -2.2611 0.4286 0.0003 0.3897 0.0000 0.09 -0.0019 -2.0037 0.0054 0.0032 0.0274 0.0002 0.0197 0.3 0.0000 0.0003 0.0250 0.0606 0.0026 -2.0001 0.0087 0.0367 -1.0030 0.4 0.0179 0.0000 0.0808 0.2578 0.1190 0.0344 0.0018 0.4840 0.0069 0.3192 0.0 0.0239 0.0143 -2.0735 0.0004 0.0166 0.2 0.1515 0.0001 0.0045 0.0003 0.1867 -0.0073 0.2483 0.1335 0.0080 0.1093 0.0029 0.2090 0.4522 0.0008 0.0113 0.0013 0.0040 0.0044 0.0006 0.0294 -1.0062 0.0001 0.0008 0.0078 0.1977 0.1469 0.0003 0.0017 0.2389 0.3121 -0.2877 0.1379 -1.1020 0.1271 0.0052 0.0001 0.0336 0.0869 0.2843 0.0011 0.4721 0.0055 0.1736 0.2810 0.1357 0.0934 0.2005 0.4207 0.0001 0.6 0.0001 0.1423 0.0446 0.2546 0.9 0.0256 0.0183 -2.0329 0.0001 0.0630 0.0002 0.0051 0.2946 0.0001 0.0011 0.0091 0.3632 0.0003 0.2981 0.1922 0.7 0.0009 0.0351 0.07 0.2709 0.0005 0.0009 0.0006 0.0025 0.0001 0.0322 0.4364 0.3520 0.0001 0.0001 -3.4801 0.3409 0.0008 0.0005 0.0041 0.0136 0.2743 0.2119 0.4 0.0019 0.1251 0.0409 0.0102 0.4090 0.0004 0.1314 0.1 0.3859 -0.1075 0.0314 0.0262 0.3336 0.0005 -3.0008 0.4681 0.1539 0.0003 0.5000 0.0001 0.0084 -2.0001 0.0537 0.0188 0.2912 0.0838 0.2420 0.3974 0.0110 -2.0495 0.0033 0.0028 0.0027 0.

7389 0.9 0.6950 0.8643 0.9961 0.5987 0.7995 0.0000 1.9993 0.9495 0.9985 0.0000 1.9965 0.6736 0.8 0.9861 0.0000 1.9998 0.5948 0.9830 0.7019 0.6 0.9999 0.9996 0.7190 0.9857 2.9049 0.00 0.9999 0.9222 0.7967 0.7734 0.9994 0.5239 0.9719 0.9974 2.9996 0.05 0.9162 0.9505 0.6517 0.6554 0.8869 0.9972 0.9850 0.9998 0.5 0.9656 0.9875 0.0 0.07 0.9756 0.8159 0.9846 0.9998 0.9826 0.2 0.9319 1.5279 0.9345 0.9996 0.9975 0.9989 0.5 0.5080 0.6915 0.9964 2.9788 0.9979 0.7291 0.8238 0.1 0.9988 0.9599 0.7549 0.9998 0.5832 0.5120 0.9913 0.9997 0.8770 0.9803 0.7054 0.4 0.9998 0.9952 2.9993 3.9940 0.4 0.6664 0.7642 0.8413 0.9974 0.9959 0.9999 0.9984 0.8980 0.9744 0.5160 0.9999 0.7 0.9997 3.9996 0.2 0.8133 0.9842 0.9177 1.9931 0.5199 0.9783 0.9838 0.8599 0.9713 0.9608 0.9 0.9999 0.7580 0.9812 0.9990 0.9887 0.9909 0.9985 0.9986 0.7823 0.8340 0.9878 0.8962 0.9798 0.9484 0.9929 0.8944 0.9761 0.08 0.5000 0.9625 0.9678 0.9922 0.0000 1.9988 0.7486 0.8554 0.9987 0.9726 0.8907 0.8365 0.6808 0.6879 0.9474 0.9115 0.9990 3.8289 0.8997 0.8438 0.9452 0.9998 3.9999 3.8106 0.7157 0.9997 0.8023 0.9980 0.0000 1.9998 0.9999 0.6591 0.09 0.9983 0.1 0.9357 0.9265 0.9967 0.9997 0.04 0.9406 0.8888 0.9884 0.9441 1.9932 0.0000 1.8461 0.6700 0.9834 0.7324 0.9664 0.3 0.9998 0.7224 0.8389 1.1 0.9251 0.9949 0.9871 0.9 0.9973 0.06 0.9999 3.5359 0.9990 0.7088 0.7910 0.9995 0.9976 0.9999 0.6844 0.9808 0.8051 0.9564 0.9904 0.9968 0.4 0.9573 0.9938 0.5675 0.9981 2.9778 0.8849 0.9864 0.8925 0.9099 0.3 0.7422 0.9997 0.9999 0.9616 0.9906 0.9370 0.01 0.5478 0.2 – ÁREAS SOB A CURVA NORMAL Z 0.9995 0.7881 0.2 0.9015 1.9981 0.9999 0.9998 0.9699 0.9641 0.9332 0.5 0.6 0.0000 1.5398 0.8577 0.9969 0.9963 0.8 0.9893 0.5793 0.9998 0.9821 0.9817 2.7852 0.9918 0.9207 0.9591 0.7123 0.9920 0.9 1.6985 0.0 0.9995 3.7764 0.9971 0.9951 0.9977 0.9999 0.9987 0.5438 0.9934 0.9941 0.6064 0.6179 0.9999 0.0 0.9955 0.9890 2.9306 0.9948 0.9992 0.9732 0.9992 0.7517 0.9192 0.9066 0.9946 0.9999 3.0000 1.8749 0.2 0.9649 0.7794 0.9999 0.9927 0.02 0.9999 0.8 0.8078 0.6255 0.8264 0.9693 0.9995 0.9970 0.9999 0.9996 0.9989 0.6480 0.5596 0.9738 0.5040 0.9032 0.6 0.9986 3.9994 0.9999 0.9962 0.9854 0.8790 0.6331 0.7257 0.9987 0.9147 0.9418 0.7673 0.9999 0.9989 0.9997 0.9999 0.9082 0.9999 0.9984 0.9979 0.9991 0.03 0.9943 0.8508 0.9945 0.9966 0.9995 0.9999 0.7 0.9978 0.9998 0.9999 0.9868 0.9911 0.0000 170 TABELAS .7704 0.8621 1.7454 0.9999 0.5517 0.9960 0.9750 0.9898 0.7 0.8 0.9936 2.9997 0.5910 0.7611 0.6026 0.9998 0.9525 0.0 0.9994 0.6103 0.1 0.9999 0.9992 0.9292 0.8212 0.9992 0.9991 0.8686 0.9996 0.8485 0.9236 0.9999 0.9131 0.9706 1.9535 0.8315 0.9991 0.6406 0.9671 0.9982 0.5319 0.4 0.5 0.7 0.9772 0.5714 0.9993 0.6141 0.9993 0.9896 0.9953 0.3 0.8531 0.6293 0.9582 0.9767 2.6628 0.6368 0.5557 0.8708 0.8665 0.9545 1.9793 0.9995 0.8830 1.9997 0.TABELA A1.0000 1.9997 0.9977 0.9633 1.9279 0.8810 0.9463 0.9394 0.7939 0.6443 0.9956 0.9957 0.6 0.9916 2.8729 0.9998 3.5636 0.9901 0.5871 0.5753 0.9999 0.9686 0.9554 0.6772 0.9994 0.9382 0.9881 0.3 0.6217 0.7357 0.9999 0.9925 0.9994 0.9429 0.9982 0.9997 0.8186 0.9515 0.

500 0.088 1.526 0.142 0.055 1.842 1.921 17 0.256 0.061 1.567 2.129 0.074 2.050 1.374 2.649 1.043 1.553 0.684 2.254 0.708 2.389 0.675 0.889 1.725 2.950 0.701 2.533 0.182 4.721 2.294 1.684 0.047 1.256 0.843 1.127 0.119 1.683 0.873 1.552 2.284 1.821 3.130 0.356 1.128 0.256 0.128 0.746 2.960 2.355 9 0.559 0.868 1.994 2.128 0.895 2.648 80 0.066 1.101 2.009 2.584 2.160 2.860 2.526 0.886 2.253 0.625 2.128 0.423 2.843 1.734 2.063 1.056 1.126 0.686 0.831 22 0.386 1.861 20 0.127 0.571 3.386 0.387 0.856 1.657 2 0.537 0.179 2.600 0.402 0.879 1.258 0.857 1.318 1.977 15 0.846 1.131 2.337 1.386 0.134 0.462 2.403 2.632 100 0.688 0.100 0.387 0.819 23 0.325 1.080 1.539 0.527 0.254 0.660 70 0.263 0.782 2.388 0.076 1.862 1.855 1.525 0.845 1.576 P 0.678 60 0.476 2.440 1.546 0.965 9.127 0.706 31.055 1.861 1.303 1.044 1.296 1.676 0.257 0.126 0.326 2.531 0.653 1.717 2.132 0.859 1.110 2.870 1.067 1.200 0.676 2.690 0.851 1.321 1.530 0.821 63.080 2.390 0.847 1.941 1.341 1.639 90 0.525 0.314 12.897 3.900 0.376 1.060 2.391 0.424 0.039 1.763 29 0.134 1.697 0.257 0.906 1.584 0.282 1.254 0.393 0.706 0.771 2.534 0.069 2.032 6 0.617 0.678 0.980 0.845 21 0.645 1.052 2.518 2.671 2.036 1.256 0.258 0.127 0.394 0.078 6.255 0.592 400 0.943 2.530 0.677 0.255 0.683 0.787 26 0.689 0.127 0.127 0.750 40 0.817 1.262 0.990 0.381 2.527 0.415 1.990 2.878 19 0.678 0.069 1.684 0.314 1.201 2.064 1.127 0.291 1.393 0.529 0.686 0.747 4.525 0.021 2.703 2.408 0.898 18 0.533 2.391 0.400 0.127 0.038 1.995  1 0.127 0.387 0.697 2.126 0.126 0.345 2.046 1.257 0.447 3.544 0.143 3.156 1.300 0.984 2.807 24 0.015 2.603 2.445 0.126 0.265 0.131 0.130 0.765 0.854 1.761 2.532 0.061 1.538 0.705 50 0.779 27 0.863 1.896 1.677 0.706 2.190 1.920 4.679 0.372 1.813 2.883 1.259 0.120 2.688 0.086 2.256 0.756 30 0.369 2.534 0.126 0.711 2.549 0.750 0.257 0.389 0.398 0.126 0.860 1.729 2.397 1.841 4 0.533 0.093 2.256 0.604 5 0.650 1.258 0.776 3.290 1.299 1.323 1.727 1.260 0.532 0.303 6.389 0.256 0.038 1.386 0.531 0.325 0.128 0.387 0.383 1.771 28 0.390 2.365 4.042 1.310 1.660 1.692 0.414 0.467 2.339 2.540 0.540 2.600 0.963 3.271 0.800 0.550 0.286 1.059 1.064 2.353 3.390 0.145 2.479 2.311 1.060 1.727 0.925 3 0.800 0.395 0.261 0.833 2.684 0.528 0.306 2.169 11 0.365 2.508 2.457 2.074 1.998 3.127 0.254 0.856 1.535 0.045 2.876 1.048 2.388 0.330 1.350 1.TABELA A2 .685 0.000 1.855 1.500 8 0.390 0.320 1.714 2.966 2.685 0.056 2.687 0.093 1.510 0.126 0.764 3.843 1.100 1.664 1.228 2.650 3.473 2.681 0.127 0.057 1.132 2.675 0.950 0.679 0.920 1.528 2.626 200 0.071 1.126 0.392 0.390 0.741 0.255 0.055 13 0.979 1.694 0.500 2.336 2.601 300 0.675 0.858 1.588  0.524 0.316 1.531 0.569 0.363 1.542 0.262 2.108 1.106 12 0.700 0.650 0.389 0.392 0.527 0.975 0.392 0.796 2.691 0.740 2.854 1.042 1.127 0.699 2.536 0.972 2.797 25 0.328 1.345 1.058 1.127 0.396 0.042 2.667 1.485 2.277 0.259 0.260 0.711 0.683 0.947 16 0.333 1.541 5.292 1.083 1.850 0.718 0.000 2.254 0.530 0.289 0.533 0.058 1.127 0.866 1.391 0.390 0.284 1.012 14 0.DISTRIBUIÇÃO ‘ t ’ DE STUDENT TESTE UNILATERAL P 0.250 1.990 TESTE BILATERAL 171 SACHIKO ARAKI LIRA .638 2.257 0.254 0.700 0.386 0.313 1.858 1.700 0.256 0.681 3.364 2.718 3.865 1.400 0.256 0.846 1.315 1.267 0.707 7 0.492 2.385 0.848 1.404 0.900 0.987 2.158 0.250 10 0.968 2.696 0.254 0.849 1.531 0.137 0.703 0.397 0.126 0.753 2.129 0.129 0.128 0.662 1.

290 27 11.404 5.490 55 31.597 3 0.818 85.240 26.488 30.601 5.195 46.209 25.294 66.261 8.752 123.119 29.285 79.042 9.735 2.625 98.054 59.690 2.796 23 9.848 18.940 4.051 33.215 75 47.204 3.102 1.992 7.141 31.037 12.984 19.886 10.219 13.067 16.647 69.526 34.204 30.812 6.939 22.203 57.589 10 2.749 68.802 53.928 18.540 57.312 11.805 55.757 12 3.689 13.554 0.520 11.397 79.013 18.711 1.549 15.569 22.236 11.088 42.750 6 0.250 0.647 2.543 10.475 52.885 41.949 172 TABELAS .697 6.564 8.329 116.291 80.471 99.795 66.880 106.769 27.206 49.196 61.792 91.443 15.535 37.311 25.599 24.345 12.684 16.278 71.461 13.267 17 5.321 85 55.900 0.973 84.899 11.987 18.567 33.433 26.086 16.358 90.828 28.985 57.064 23.145 118.023 21.791 18.079 107.300 13 3.611 61.542 26.153 60.100 0.260 9.026 23.226 6.548 7 0.645 12.563 38.561 135.759 59.292 20.257 16.675 6.275 19.626 9.385 7.722 49.608 129.074 3.004 0.039 30.000 0.196 11.812 18.615 32.892 7.779 9.852 36.958 42.707 22.549 21.813 33.060 47.733 3.725 26.392 64.660 45.172 53.425 104.711 39.024 6.565 113.490 5.297 0.912 19.528 36.839 106.942 56.642 48.833 15.277 14.587 30.364 42.165 17.611 16.645 28 12.483 23.718 27.610 2.334 63.229 6.458 82.170 57.247 100 67.180 2.858 91.389 14.735 33.434 8.289 42.342 60.DISTRIBUIÇÃO DE  2 P 0.103 0.629 6.660 5.638 44.989 28.461 48.821 89.741 40.191 38.352 0.643 9.114 21.754 65.304 8.478 34.962 9.901 28.156 2.042 17.337 26.275 40 20.452 23.842 5.498 124.676 0.348 11.278 8 1.659 19.872 1.000 0.007 35.547 11.278 50.312 77.657 32.088 2.121 14.383 41.167 67.393 110.781 40.444 44.879 14.575 2.037 28.749 60 35.223 46.130 96.860 5 0.990 72.010 0.412 31.787 14.844 15.920 24.001 0.845 18.412 0.800 40.307 20.336 30 13.009 5.379 17.917 147.075 4.666 23.749 31.105 70 43.210 10.995  1 0.856 12.851 12.422 98.801 16 5.170 110 75.633 8.408 7.930 82.982 12.485 40.236 122.299 15.990 0.082 83.307 24.342 129.672 10.020 0.883 56.591 10.812 22.250 65.071 12.298 88.000 34.908 7.582 20 7.952 65 39.170 37.037 18.005 0.584 1.369 23.459 52.796 73.329 61.255 9.700 3.831 1.435 35.465 24.919 19.578 32.975 0.391 10.562 22.275 45.239 1.207 0.410 69.591 13.925 73.023 100.157 19 6.141 32.939 29.773 46.520 77.164 24.247 3.211 0.414 151.592 14.107 5.168 5.151 18.379 91.378 9.054 3.973 134.881 93.957 73.339 34.160 12.493 20.647 44.091 14.531 95.296 28.672 35 17.736 27.955 9 1.820 14 4.867 86.222 77.291 50.167 2.085 12.950 0.605 5.577 85.338 14.898 69.323 2.833 4.213 4.507 17.117 11.524 13.621 37.217 28.145 88.420 76.989 1.688 29.473 19.996 27.076 41.475 20.689 42.758 51.509 20.231 9.115 0.192 18.054 40.616 51.141 118.737 12.892 53.844 7.634 61.308 16.342 63.137 27.038 118.245 22.603 3.764 37.108 6.393 118.550 78.675 21.993 29 13.963 49.072 0.488 11.398 38.858 129.034 8.571 36.605 25.455 7.090 21.401 22 8.136 124.251 7.TABELA A3 .707 32.350 38.191 33.154 79.381 82.841 10.143 13.578 101.653 40.385 135.979 50.344 1.480 140.394 102.062 96.265 7.924 36.299 95 63.991 29.566 39.665 68.790 10.071 10.382 37.479 38.899 113.292 85.166 50 27.997 21 8.565 15.982 74.325 4.816 4.698 77.708 19.808 12.344 24.557 45.797 29.217 100.869 31.671 35.907 10.325 90 59.656 65.015 8.942 56.133 109.376 103.240 16.415 39.565 4.256 43.535 20.366 30.484 0.865 13.450 50.047 17.916 41.328 70.286 80 51.675 21.357 34.237 1.527 90.571 7.337 44.573 16.865 6.116 128.016 0.838 4 0.635 2.603 47.807 140.923 45.449 16.928 26 11.064 1.241 33.362 24.389 64.923 5.980 45.409 35.196 36.177 94.578 7.691 66.025 0.173 38.509 29.575 5.612 33.935 29.650 107.843 30.314 46.932 41.805 37.362 15.815 9.126 73.489 24.401 13.120 14.017 14.750 0.438 14.768 23.410 34.142 5.051 0.777 75.954 16.845 32.262 7.719 18 6.559 25 10.584 13.188 46.283 11.059 49.629 112.442 48.188 11 2.773 4.706 3.666 119.879 2 0.685 26.181 24 9.505 71.065 74.635 7.260 10.117 21.766 45 24.848 15.739 55.417 82.113 43.482 43.146 1.198 13.701 17.505 61.144 32.651 14.216 0.558 3.571 4.010 0.319 15 4.897 10.792 20.522 112.588 52.050 0.

67 10.01 4.31 23 7.50 3 34.43 3.00 3.53 4.59 3.858.46 3.51 2.72 4.12 30.50 3.65 7.90 2.55 8.39 4.98 4.56 8.47 2.73 3.98 14.04 7.75 3.50 4.49 2.39 10.80 3.23 2.34 4.31 3.13 4 21.33 6.86 9 10.DISTRIBUIÇÃO ‘F’ DE SNEDECOR Nível de significância de 1% 1 1 2 3 4 5 6 7 8 12 24  2 1 4.40 4.41 5.68 5.42 4.11 4.36 13 9.56 5.99 3.71 28.60 12 9.00 2.29 2.14 3.22 3.20 5.70 5.02 3.79 1.89 3.96 3.50 2.97 10.43 4.17 2.78 9.81 3.82 4.04 3.10 7.50 5.91 27.052.01 5.07 4.07 2.25 4.46 10.64 3.67 27.51 3.37 13.70 3.55 2.13 3.57 4.54 3.01 40 7.79 3.67 3.36 5.92 9.93 3.42 6.21 14.92 2.69 15.04 4.02 3.67 4.86 6.37 6.63 4.14 4.01 3.99 2.11 5.47 6.67 5.20 18.18 4.64 5.26 3.60 26.21 6.77 3.06 4.65 3.76 3.19 6.36 99.79 3.17 99.32 6.06 11.55 3.46 4.99 6.79 2.60 5.53 3.64 4.86 3.93 2.TABELA A4 .32 2.75 2.48 3.22 5.20 4.68 4.36 5.32 3.95 1.39 5.66 2.71 3.65 5.61 4.14 3.30 2.25 9.06 4.67 5.33 3.403.999.85 7.10 3.94 3.26 13.10 28 7.36 3.07 3.80 2.106.77 4.83 2 98.01 173 SACHIKO ARAKI LIRA .71 4.02 6 13.66 2.60 120 6.981.62 2.99 6.31 3.234.41 3.56 5.96 2.03 5.59 3.58 5.03 3.30 99.58 4.78 3.46 5 16.28 4.03 30 7.72 7.18 6.38  6.01 6.12 2.32 5.29 4.42 3.26 8.33 99.61 5.84 6.63 3.37 4.40 6.54 4.76 4.50 99.02 2.61 3.33 3.37 99.89 4.34 1.70 3.17 26 7.82 29.58 2.26 2.72 5.07 6.95 3.49 20 8.21 4.51 5.87 4.70 2.09 4.42 99.05 26.29 3.27 12.17 3.82 5.624.12 1.99 2.42 21 8.07 5.86 4.49 4.93 13.17 2.80 5.75 17 8.52 2.10 5.47 5.28 4.64 4.08 4.71 3.87 16 8.85 4.74 5.15 8.63 3.31 5.95 5.94 4.29 9.23 5.84 3.66 2.51 4.66 4.49 27.46 99.20 2.47 8.17 2.06 29 7.67 3.12 2.75 10.10 3.17 14 8.00 16.70 4.23 2.95 2.26 24 7.44 4.80 14.18 5.80 2.46 7.93 5.98 15.34 3.24 27.46 28.06 5.928.50 4.59 3.82 2.21 25 7.65 8 11.00 15 8.82 3.63 6.45 3.16 3.64 2.84 2.57 4.31 6.00 99.87 3.02 6.87 2.18 1.62 4.68 6.47 3.75 8.25 99.65 18 8.77 5.37 3.88 7 12.91 11 9.18 2.56 4.26 8.78 3.65 7.32 4.29 6.94 3.45 4.74 4.64 5.57 19 8.73 4.82 4.763.56 6.42 4.30 3.50 3.99 5.35 5.30 3.53 6.93 5.85 4.72 4.95 5.78 4.44 4.03 2.02 5.55 5.56 3.12 2.88 5.89 4.04 3.13 27 7.89 9.07 6.56 3.36 3.78 3.36 22 7.99 5.60 4.51 3.83 3.29 1.45 7.19 4.31 10 10.18 4.80 60 7.365.08 2.46 3.86 2.96 2.18 3.52 15.59 7.29 2.63 6.47 9.90 3.11 3.39 3.

76 2.16 6.84 3.19 1.00 1.63 3.00 2.79 1.76 2.91 5.20 3.33 2.17 3.47 2.42 2.25 19.25 2.63 2.09 6.00 3.87 2.10 2.50 3 10.59 4.27 2.35 4.09 2.53 2.79 2.39 4.16 19.91 2.60 2.11 3.69 27 4.59 2.51 2.07 2.16 1.98 2.51 2.10 1.77 5.37 3.21 3.48 3.29 2.30 3.26 3.37 2.11 2.61 2.59 3.58 2.39 2.90 1.44 3.45 199.49 2.83 1.63 5 6.71 3.96 2.46 4.84 2.40 2.40 2.92 2.16 233.29 3.84 3.53 4.26 6.54 2.76 2.09 3.42 2.70 2.50 3.35 2.49 2.93 1.54 3.01 1.55 2.18 3.94 8.33 3.77 238.71 26 4.55 3.01 2.34 2.57 2.30 19.74 8.88 4.67 3.96 18 4.96 2.13 15 4.92 19 4.25  3.67 7 5.66 2.70 2.35 3.86 3.56 2.11 1.41 3.99 236.40 3.94 1.18 2.09 1.10 1.88 243.81 22 4.32 4.07 16 4.01 2.71 2.17 2.07 2.45 2.90 2.54 11 4.70 1.07 2.39 6.44 3.85 2.05 4.25 2.57 3.39 2.37 2.95 2.01 2.81 2.42 2.89 3.05 254.84 21 4.92 3.45 2.84 2.78 23 4.12 9.13 9.73 3.45 3.61 2.61 2.64 2.30 13 4.61 2.68 2.13 1.31 2.61 5.45 2.03 1.07 2.24 3.73 2.64 8.55 2.31 2 18.35 2.77 2.79 3.95 2.49 3.74 2.85 8.92 1.05 1.71 2.51 60 4.33 2.99 5.00 19.52 3.01 1.98 1.75 3.41 5.03 2.38 2.18 1.40 12 4.48 3.43 2.69 2.70 2.99 2.TABELA A5 .37 19.08 3.90 2.10 2.37 6 5.71 10 4.36 2.42 3.26 3.20 2.23 3.89 1.62 2.12 1.34 2.04 5.02 1.55 9.28 4.91 1.62 40 4.22 3.45 19.28 9.39 120 3.75 1.36 2.91 249.29 2.21 2.80 2.92 2.60 2.51 2.47 3.18 2.15 1.23 2.01 17 4.36 3.98 3.15 4.18 3.12 3.87 3.58 230.74 3.74 2.84 3.34 3.90 2.76 24 4.32 2.08 1.48 2.68 4.14 4.21 14 4.71 6.73 25 4.12 2.34 2.37 2.31 2.77 2.64 30 4.53 2.23 8 5.48 2.58 3.21 4.45 2.95 4.53 2.23 2.06 2.65 29 4.89 8.74 4.57 2.28 3.96 4.24 2.DISTRIBUIÇÃO ‘F’ DE SNEDECOR Nível de significância de 5% 1 GRAUS DE LIBERDADE DO NUMERADOR 1 2 3 4 5 6 7 8 12 24  2 1 161.76 4.59 6.85 2.81 3.37 2.69 3.66 2.83 2.82 2.95 1.41 19.42 2.88 20 4.51 2.74 2.74 2.66 2.15 1.35 19.12 4.34 2.96 2.28 2.68 3.60 3.78 2.50 215.14 3.07 3.93 2.00 2.41 3.96 1.93 2.79 5.38 3.71 224.03 2.63 3.52 1.00 3.53 4 7.93 9 5.59 3.24 3.20 3.28 2.49 3.82 4.85 2.01 174 TABELAS .51 19.05 2.13 2.41 3.46 2.61 1.53 4.26 3.37 2.23 3.91 2.94 6.59 2.60 2.49 3.33 19.46 2.79 2.69 2.25 2.10 3.84 3.32 2.55 2.64 2.19 5.01 8.16 2.32 3.15 2.35 2.68 2.29 2.29 3.53 2.71 2.42 2.20 2.28 3.44 2.67 28 4.97 3.

28 2.05 1.55 24 2.87 1.61 2.05 1.06 2.76 5 4.66 1.09 1.90 13 3.30 2.09 2.77 1.04 2.91 1.61 2.36 2.82 1.33 2.22 5.53 9.07 2.06 2.90 3.95 1.60 1.01 3.81 2.46 3.81 1.68 1.13 2.DISTRIBUIÇÃO ‘F’ DE SNEDECOR Nível de significância de 10% 1 GRAUS DE LIBERDADE DO NUMERADOR 1 2 3 4 5 6 7 8 12 24  2 1 39.05 4.59 22 2.45 1.10 2.99 2.20 58.85 14 3.01 1.88 2.93 2.86 49.47 2.71 2.11 3.90 2.76 16 3.50 53.18 2.71 1.04 1.54 4.82 2.43 2.46 5.26 3.82 1.07 2.67 2.50 2.04 1.32 4.15 2.90 1.13 2.78 2.06 2.06 3.98 1.75 2.59 2.41 2.04 1.93 1.27 2.52 3.47 30 2.66 1.93 1.99 1.39 5.77 1.77 1.09 2.76 2.82 1.17 2.24 9.72 1.19  2.00 1.98 1.79 1.39 2.79 2.49 28 2.89 1.28 2.56 2.20 2.15 2.71 62.97 1.38 1.15 2.89 2.55 1.57 23 2.38 2.07 2.24 2.01 2.13 1.28 2.33 9.87 1.99 1.95 1.55 2.61 2.24 58.29 2.96 2.57 1.05 3.62 3.28 2.92 2.31 2.40 2.94 1.98 1.11 2.80 1.01 2.08 2.06 1.34 5.01 175 SACHIKO ARAKI LIRA .35 2.22 2.94 2.54 5.73 2.66 2.52 26 2.46 3.33 2.53 2.61 21 2.08 2.36 3.97 2.31 2.23 2.89 1.72 1.23 2.TABELA A6 .08 1.94 1.30 2.97 1.96 1.67 2.46 2.27 3.95 1.62 2.28 2.45 3.67 1.00 1.35 9.69 2.14 2.98 2.42 2.57 2.29 2.00 1.78 1.16 9.99 1.61 2.30 2.50 27 2.87 1.72 7 3.20 2.40 2.96 1.03 2.19 4.14 2.52 2.56 2.98 3.38 2.96 2.46 2.27 5.89 2.67 1.12 2.69 18 3.67 2.83 1.00 1.64 1.52 2.28 2.81 1.16 10 3.73 2.63 20 2.62 2.18 2.65 1.85 1.16 2.37 9.06 11 3.19 3.37 3.79 1.85 1.81 2.88 1.31 5.23 2.48 29 2.83 57.35 2.92 1.38 60 2.95 2.02 1.69 1.50 2.11 4.18 3.45 9.06 1.86 2.78 3.51 2.46 40 2.54 2.70 1.33 2 8.34 2.18 2.18 5.44 2.48 2.18 2.91 59.02 1.90 1.75 2.80 15 3.23 2.17 2.72 1.92 2.99 1.36 2.77 1.93 1.11 2.16 2.94 1.50 2.92 2.18 2.75 1.84 1.13 4 4.35 2.32 2.90 1.83 1.97 12 3.98 1.10 2.39 2.24 2.19 2.58 2.39 2.10 2.10 1.02 1.29 120 2.01 2.24 2.19 2.33 2.93 1.91 1.21 2.21 2.88 1.49 3 5.34 3.91 2.83 2.02 1.00 63.52 2.38 2.45 2.59 2.73 1.47 8 3.66 19 2.15 2.44 60.93 1.78 3.04 1.53 25 2.05 1.25 5.88 2.08 2.13 2.77 1.22 2.18 2.59 55.51 2.00 9.54 2.10 1.25 2.11 6 3.11 2.21 2.09 2.16 2.31 2.28 5.94 1.59 3.70 2.39 2.41 9.90 2.29 9.29 9 3.29 3.49 2.64 2.95 3.73 2.44 2.84 2.27 2.83 3.72 17 3.86 1.34 2.14 2.49 2.29 2.81 2.55 2.40 3.01 1.51 1.05 2.

249 0.364 7 0.213 0.179 0.311 10 0.200 30 0.405 6 0.294 11 0.031 n  30 dc  dc  n n 176 TABELAS .161 0.275 13 0.337 0.284 12 0.206 0.187 0.417 5 0.886 1.235 20 0.258 0.173 0.331 9 0.268 14 0.300 0.190 0.220 0.261 15 0.257 16 0.285 0.348 8 0.231 25 0.242 0.234 0. TABELA A7 .227 0.271 0.239 19 0.381 0.200 0.245 18 0.VALORES CRÍTICOS ( dc ) PARA TESTE DE LILLIERFORS n   5%   1% 4 0.250 17 0.319 0.

00 6. X  1.76% b) P( X  2)  1  0. Q3  48.99 .26% c) P(1 peça boa e 1 peça defeituosa )  P(b e d)  P( d e b)  0.0063% 5.0001 ou 0.48  6 A t  X máx  X min  81. a) Q1  39.5 .17 LISTA DE EXERCÍCIOS NO.71 .45% 3. S2  115.9572 177 SACHIKO ARAKI LIRA . a) P( b e b )  0.75 .15 .4320 ou 43. a) k  n  30  5. X  74. DM  0. Q1  4. p.15 Existem dois valores outliers: 80. CV  111. P( x  2 b)  0.90 . Mo  74. CV  3. a 4  2.68 .4945 ou 49.13 . S  0.01 .36 . X  2.85 .25 . X  7. a) P( X  3)  0.20 7. a) P(p.98 . IQ  8.005 . S  17. p.71.84 .01 .00 Não existem valores outliers.185 . M e  9. S  10. Q 2  44. d)  0.0207 . Q1  1. a 3  0.60 8.18 .4 .00 . CV  15. M e  2.004 .0030 . CV  0. 2 1.66 .28% . Me  90.82 . LI  27.5 . a 3  0.01% 2.6516 ou 65. Q 3  2. CV  12.3684 .0660 12.58 . a 4  3. CV  0.26% b) P( d e d )  0. LI  87.20% 6. 1 2. X  90.3948 ou 39.0526 ou 5. SOLUÇÕES DAS LISTAS DE EXERCÍCIOS LISTA DE EXERCÍCIOS NO. S  0. X  345.75 . P (apenas um funcione )  0.60 .1400 ou 14. IQ  1.5526 ou 55. S  2.40% .17 . Q2  90. M e  0. a) Q1  89.8400 11. LS  93. d. CV  3.48% 4.33 10. X  44.57 .3  29.00 e 94.0035 .29 % .0047 . Q1  7. Q 3  27.5 h9 3.32  7 A t  X máx  X min  59  31  28 h4 4.8  51.5 . CV  30. a 4  2. S  5.18 . M e  7. 13. a 3  0. Me  74.16 % .00% 5. S  0.6976 ou 69.00 .5820 . P( x  1)  0. Q3  90. a) k  n  40  6.0428  0.00 . p)  0. (agrupando os dados em classes) X  15. Q 3  7.18 . S  0.62 .15 . LS  61. Me  44.11% . d.1838 .16% b) P(d. Mo  a mod al 9.

04% b) P( X  3)  0.47% b) P( x  8)  0.53% c) P(5  x  8)  0.17 % b) P( X  49 )  4.4 b) V( X)  2.96 % LISTA DE EXERCÍCIOS NO.73% b)   3.35 % LISTA DE EXERCÍCIOS NO.51 x10 48 8. R  0.6065 2. a) P( A / qualidadea ceitável )  0.1117  11. P ( X  1)  0.0235  2. 3 1.1247  12.90% 6.44 % b) P( X  1)  0. P ( A 1 | Q)  0.30% 8.5882 ou 58.6690 ou 66.00% 12.3880 ou 38.562 3.44  1. a) P( x  2)0.2500 ou 25.44 c)   2. a) E( X)  5. P( X  0.37 b) média=4 funcionarão mais de 3 meses 20  4  16 lâmpadas deverão ser substituídas 4.68 % b) P( x  2)  0.0001  0.0653  6.5 V( X)  1. a) P( X  5)  0.9167 ou 91.4914  49.5934 178 SOLUÇÕES DAS LISTAS DE EXERCÍCIOS .9975 ou 10.82% 11.9644  96.3821  38.1247  12. 4 1.8664 ou 86. R  0.75 4.7.14% 10. P( X  0)  0.4696  46. P(B)  0.67% c) P(B | qualidade m arg inal )  0.2373 ou 23.9)  0. P(não haja corrente )  0. a) P( X  1)  0.47 % 7. E( X)  12.4068  40.85 2.3940  39. P( X  1)  0. a) P( X  2)  0. a) P( X  5)  0.1404  14. a) P( X  3)  0.01% 9.64% 9.40 % 11.21 % b) P(qualidade aceitável | C)  0. a) P( x  9)  0.

29    5.9938 5.06  9. a) 58197.15 )  0. x  5.08  8.06  p  0.0353    74.3944 6. P( X  772 )  0. 1003 . a) 8.02  p  0. a) P16.03 9.7399    4. P( X  2)  0.57  14.60    19. 0.642.3677   95 % 2. 74. P(2  X  2. a) 1.693.  2.62  1  2  8.213    8.247  b) ( 0.0367  3.48  1   2  0.66  1   2  8.0022 ) c) ( 0.02    0. n  60 16.08  b) ( 2.24   2  1  3. a) P( X  1.9902 7. P( X  35 )  0.9973 10.0005  2  0.10  p  0.9192 LISTA DE EXERCÍCIOS NO.19  7.0027 b) Perfeitas  1  0. 0.0269   2  19.80 8.   0.96  4. 0.04    1024 .52  15.22  10. 0. n=816 11. P( 24.05 )  0.26  1  2  2.34  11.85  X  25.03 )  0. a) P( 40  X  70 )  0.97 ) ou P( X  2.43  1   2  9.58  13.05 ) 6.  6.38  b)  0. n  664 179 SACHIKO ARAKI LIRA .94   95 %  b) P 3.56  12. 1.0949   95 % c) P  1. 5 1.0027  0.6568 b) x  40.3679 4.05  p  0.3.85 ) 5.33    62082.

 calc 2  4. Teste de Scheffé: O método 3 difere dos métodos 1 e 2.52 11. F  45.6208 X . a) r  0.2034 2) d  0.05 3.41 .42 12.13 7. t calc  2. 5.07 4. Teste de Scheffé: O rendimento da máquina C difere dos de A e B.06 6. F  20.87% 180 SOLUÇÕES DAS LISTAS DE EXERCÍCIOS .25  0. Z calc  0. n  52 LISTA DE EXERCÍCIOS NO. t calc  0. 7 1) d  0.46 13. F  5. Z calc  4.9585 .51 b) Ŷ  22.40 LISTA DE EXERCÍCIOS NO. Z calc  1. 8 1. t calc  1.63 9.4821 14. Fcalc  90. LISTA DE EXERCÍCIOS NO. Teste de Scheffé: O tipo de liga 3 difere dos tipos 1 e 2. 9 1.88 3. t calc  -1.63 8. t calc  0. F  4. t calc  1. n  139 18.1440 LISTA DE EXERCÍCIOS NO. 6 1.09 4.58 . t calc  9.52 2.69 .75 . Z calc  0. R 2  91.17. F  0. 2. t calc  3. Fcalc  0.66 10. t calc  0.21 5.

R 2  99.31 .1296X .9414 X . R 2  91.06 . a) Ŷ  36. R 2  86. a) r  0.00X 2 .24 % LISTA DE EXERCÍCIOS NO. Ŷ  19.0013 . t calc  9.6492 X 1. R 2  99.758  1.17 b) Ŷ  -25.1557 X 0.2409X 2 .4409 X . Fcalc  319 . c) Ŷ  236. R 2  94.70 .43 .21X13. R 2  95. Fcalc  568 . Fcalc  51. 10 1. Fcalc  37.01% b) Ŷ  39.56  0.60  3.07% 2. Fcalc  90.3540X1  0.08 .0807 X . Fcalc  28.9306 .40 .25 . R 2  98.1122  1. Fcalc  2524 .04% 181 SACHIKO ARAKI LIRA .2146 .60 % c) Ŷ  0.37 % c) Ŷ  37. Fcalc  106 .8286 X .10 .99 % 2. R2  78. R 2  92.9336  3.0005 X 4. Ŷ  199.2422  0.55 .86% d) Ŷ  31.68 % 3. Fcalc  65. Fcalc  76.10 .086 . R 2  90.61 % d) Ŷ  0.5264  0.