E Statistic A

SACHIKO ARAKI LIRA
ESTATSTICA

SUMRIO
ii
SUMRIO

ESTATSTICA DESCRITIVA ........................................................................................................ 1
1.1 Varivel Aleatria ................................................................................................................ 2
1.2 Tipos de Escalas e Variveis............................................................................................... 4
1.3 Tabelas ............................................................................................................................... 5
1.3.1 Normas para apresentao de tabelas ............................................................................. 5
1.3.2 Tabelas de distribuio de frequncias............................................................................. 6
1.3.2.1 Varivel Discreta ........................................................................................................... 6
1.3.2.2 Varivel Contnua .......................................................................................................... 8
1.4 Grficos ............................................................................................................................... 9
1.4.1 Representao Grfica ..................................................................................................... 9
1.4.2 Histograma de Frequncias.............................................................................................. 9
1.4.3 Diagrama de Ramo e Folhas (Stem and Leaf Plot) ........................................................ 10
1.4.4 Grfico de Boxplot ou da Caixa ...................................................................................... 11
1.4.5 Grfico de Linhas ........................................................................................................... 12
1.5 Medidas de Localizao, Variabilidade e Forma da Distribuio ....................................... 12
1.5.1 Tendncia Central .......................................................................................................... 13
1.5.1.1 Esperana matemtica ou mdia aritmtica ................................................................ 13
1.5.1.2 Mediana ...................................................................................................................... 15
1.5.1.3 Moda ........................................................................................................................... 18
1.5.2 Medidas de Posio (ou Separatrizes) ........................................................................... 20
1.5.2.1 Quartil.......................................................................................................................... 20
1.5.3 Medidas de Disperso .................................................................................................... 22
1.5.3.1 Amplitude Total ........................................................................................................... 22
1.5.3.2 Amplitude Interquartil ................................................................................................... 23
1.5.3.3 Desvio Mdio ............................................................................................................... 23
1.5.3.4 Varincia e Desvio Padro .......................................................................................... 24
1.5.3.5 Coeficiente de Variao............................................................................................... 27
1.5.4 Forma da Distribuio .................................................................................................... 27
1.5.4.1 Coeficiente do momento de assimetria ........................................................................ 27
1.5.4.2 Coeficiente do momento de curtose ............................................................................ 28
Lista de Exerccios no. 1 Estatstica Descritiva ..................................................................... 31
ELEMENTOS DE PROBABILIDADES ....................................................................................... 34
2.1 Experimento Aleatrio (E) ................................................................................................ 34
2.2 Espao 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 Definio Clssica de Probabilidade ................................................................................. 37
2.5 Definio Axiomtica de Probabilidade ............................................................................. 37
2.6 Probabilidade Condicional ................................................................................................. 37
2.7 Teorema da Probabilidade Total ....................................................................................... 38
2.8 Teorema de Bayes ............................................................................................................ 39
Lista de Exerccios no. 2 - Probabilidades ............................................................................... 40
VARIVEIS ALEATRIAS E DISTRIBUIES DISCRETAS DE PROBABILIDADES .............. 43
3.1 Definies ......................................................................................................................... 43
3.2 Distribuies de Probabilidades Discretas ......................................................................... 46
3.2.1 Distribuio binomial ...................................................................................................... 46
3.2.2 Distribuio de Poisson .................................................................................................. 48
3.2.3 Distribuio Hipergeomtrica .......................................................................................... 50

SACHIKO ARAKI LIRA
iii
Lista de Exerccios no. 3 Distribuies de Probabilidades Discretas .................................... 52
VARIVEIS ALEATRIAS E DISTRIBUIES CONTNUAS DE PROBABILIDADES .............. 54
4.1 Definies ......................................................................................................................... 54
4.2 Distribuies de Probabilidades Continuas ........................................................................ 56
4.2.1 Distribuio Exponencial ................................................................................................ 56
4.2.2 Distribuio normal ou Gaussiana .................................................................................. 57
4.3.2.1 Distribuio normal padronizada ou reduzida .............................................................. 59
4.3.3 Distribuio
2
_ ( qui-quadrado)...................................................................................... 61
4.3.4 Distribuio t de Student ............................................................................................ 62
4.3.5 Distribuio F de Snedecor ............................................................................................ 63
Lista de Exerccios no. 4 Distribuies de Probabilidades Contnuas ................................... 64
NOES DE AMOSTRAGEM E DISTRIBUIES AMOSTRAIS.............................................. 66
5.1 Introduo ......................................................................................................................... 66
5.2 Amostragem Probabilstica ................................................................................................ 66
5.2.1 Amostragem Aleatria Simples (AAS) ............................................................................ 66
5.2.2 Amostragem Sistemtica ................................................................................................ 67
5.2.3 Amostragem Estratificada............................................................................................... 68
5.3 Distribuies Amostrais ..................................................................................................... 68
5.3.1 Distribuio Amostral de Mdias .................................................................................... 68
5.3.2 Distribuio Amostral de Propores .............................................................................. 72
5.3.3 Distribuio Amostral da Varincia ................................................................................. 72
ESTIMAO DE PARMETROS .............................................................................................. 74
6.1 Introduo ......................................................................................................................... 74
6.2 Estimador e Estimativa ...................................................................................................... 74
6.3 Qualidades de um Estimador ............................................................................................ 74
6.4 Estimao por Pontos ....................................................................................................... 75
6.4.1 Estimador da Mdia Populacional .................................................................................. 75
6.4.2 Estimador da Varincia Populacional ............................................................................. 75
6.4.3 Estimador do Desvio Padro Populacional ..................................................................... 76
6.4.4 Estimador da Proporo Populacional ............................................................................ 76
6.5 Estimao por Intervalo ..................................................................................................... 76
6.5.1 Intervalo de Confiana para Mdia populacional ............................................................ 76
6.5.2 Intervalo de Confiana para Diferena entre Duas Mdias Populacionais
1
e
2
......... 80
6.5.3 Intervalo de Confiana para a Varincia Populacional .................................................... 84
6.5.4 Intervalo de Confiana para o Desvio Padro Populacional ........................................... 85
6.5.5 Intervalo de Confiana para Proporo Populacional ..................................................... 86
6.6 Dimensionamento da Amostra .......................................................................................... 87
6.6.1 Estimao da Mdia Populacional .................................................................................. 87
6.6.2 Estimao da Proporo Populacional ........................................................................... 88
Lista de Exerccios no. 5 - Intervalos de Confiana ................................................................ 89
TESTES DE HIPTESES .......................................................................................................... 92
7.1 Etapas para Testes de Hipteses ...................................................................................... 92
7.1.1 Nvel de Significncia ..................................................................................................... 92
7.1.2 Erro Estatstico ............................................................................................................... 93
7.2 Testes Estatsticos Paramtricos ...................................................................................... 93
7.2.1 Teste para a Mdia Populacional ................................................................................... 93
7.2.1.1 Quando a varincia populacional
2
o Conhecida ...................................................... 93
7.2.1.2 Quando a varincia populacional
2
o desconhecida ................................................. 95
7.2.2 Teste para a Proporo Populacional ............................................................................. 96
7.2.3 Teste para a Varincia Populacional .............................................................................. 98
7.2.4 Teste para a Diferena entre Duas Mdias Populacionais............................................ 100
7.2.4.1 Quando as varincias populacionais
2
1
o e
2
2
o so Conhecidas ................................ 100
7.2.4.2 Quando as varincias populacionais
2
1
o e
2
2
o so Desconhecidas .......................... 102
7.2.5 Duas Amostras Emparelhadas ..................................................................................... 106
7.2.6 Teste para Igualdade de Duas Varincias .................................................................... 107

SUMRIO
iv
Lista de Exerccios no. 6 Testes de Hipteses ................................................................... 110
TESTES DE ADERNCIA ....................................................................................................... 113
8.1 Teste Qui-quadrado de Aderncia ................................................................................... 113
8.2 Teste de Lilliefors ............................................................................................................ 117
Lista de Exerccios no. 7 Testes de Aderncia ................................................................... 119
ANLISE DA VARINCIA ........................................................................................................ 121
9.1 Fundamentos da ANOVA ................................................................................................ 121
9.2 Anlise da Varincia a um Critrio de Classificao ........................................................ 123
9.3 Comparaes Mltiplas entre Mdias .............................................................................. 128
9.3.1 Teste de Scheff .......................................................................................................... 128
Lista de Exerccios no. 8 Anlise da Varincia ................................................................... 131
ANLISE DE CORRELAO E REGRESS0 SIMPLES ........................................................ 133
10.1 Introduo ..................................................................................................................... 133
10.2 Diagrama de Disperso ................................................................................................. 133
10.3 Anlise de Correlao ................................................................................................... 134
10.3.1 Coeficiente de Correlao Linear de Pearson ............................................................ 134
10.3.1.1 Teste de Hipteses para Coeficiente de Correlao ................................................ 136
10.4 Anlise de Regresso Linear Simples ........................................................................... 137
10.4.1 Estimao dos Parmetros ......................................................................................... 138
10.4.2 Testes de Hipteses na Regresso Linear ................................................................ 141
10.4.2.1Teste t ..................................................................................................................... 141
10.4.2.2 Anlise da Varincia ................................................................................................ 141
10.4.3 Coeficiente de Determinao ou Explicao............................................................... 144
10.5 Ajuste de Curva Geomtrica (ou Funo Potncia) ....................................................... 147
10.5.1 Estimativa dos Coeficientes ........................................................................................ 148
10.5.2 Testes de Hipteses ................................................................................................... 149
10.5.3 Coeficiente de Determinao ou Explicao............................................................... 150
10.6 Ajuste de Funo Exponencial ...................................................................................... 152
10.6.1 Estimativa dos Coeficientes ........................................................................................ 153
10.6.2 Testes de Hipteses ................................................................................................... 154
10.6.3. Coeficiente de Determinao ou Explicao .............................................................. 154
Lista de Exerccios no. 9 Anlise de Correlao e Regresso ............................................ 158
ANLISE DE REGRESSO LINEAR MLTIPLA ..................................................................... 160
11.1 Regresso Linear com 2 Variveis Independentes ........................................................ 160
11.1.1 Estimativas dos Coeficientes de Regresso ............................................................... 161
1.1.2 Teste para Verificar a Existncia de Regresso ........................................................... 161
11.1.3 Clculo do Coeficiente de Determinao ou Explicao ............................................. 161
Lista de Exerccios no. 10 Anlise de regresso Linear Mltipla ........................................ 166
BIBLIOGRAFIA ........................................................................................................................ 168
TABELA A1.1 REAS SOB A CURVA NORMAL ............................................................... 169
TABELA A1.2 REAS SOB A CURVA NORMAL ............................................................... 170
TABELA A2 - DISTRIBUIO t DE STUDENT .................................................................. 171
TABELA A3 - DISTRIBUIO DE
2
_ .................................................................................. 172
TABELA A4 - DISTRIBUIO F DE SNEDECOR (Nvel de Significncia 1%) .................... 173
TABELA A5 - DISTRIBUIO F DE SNEDECOR (Nvel de Significncia de 5%) ............... 174
TABELA A6 - DISTRIBUIO F DE SNEDECOR (Nvel de Significncia de 10%) ............. 175
TABELA A7 - VALORES CRTICOS )
c
d ( PARA TESTE DE LILLIERFORS ....................... 176

SACHIKO ARAKI LIRA
1
ESTATSTICA DESCRITIVA
INTRODUO
Estatstica a cincia que trata da coleta, organizao, descrio, anlise e interpretao dos
dados experimentais. O diagrama abaixo mostra o contexto em que se situa o estudo completo
da Estatstica, aqui subdividido em Estatstica Descritiva e Estatstica Indutiva (ou Inferncia
Estatstica).

FIGURA 1 - ESQUEMA GERAL DA ESTATSTICA
FONTE: COSTA NETO (1994), p. 04.

A Estatstica Descritiva a parte que trata da organizao e descrio de dados, atravs dos
clculos de mdias, varincias, estudo de grficos, tabelas etc.
A Teoria das Probabilidades permite-nos modelar os fenmenos aleatrios, ou seja, aqueles em
que est presente a incerteza. uma ferramenta fundamental para a inferncia estatstica.
A Estatstica Indutiva compreende um conjunto de tcnicas baseadas em probabilidades, que a
partir de dados amostrais, permite-nos tirar concluses sobre a populao de interesse.
A Amostragem o ponto de partida para um estudo estatstico. O estudo de qualquer
fenmeno, seja ele natural, social, econmico ou biolgico, exige a coleta e a anlise de dados
estatsticos. A coleta de dados , pois, a fase inicial de qualquer pesquisa.
A Populao o conjunto de todas as observaes potenciais sobre determinado fenmeno. O
conjunto de dados efetivamente observados, ou extrados, constitui uma amostra da populao.
a partir do dado amostral, que se desenvolvem os estudos, com o objetivo de se fazer
inferncias sobre a populao.

Estatstica
Descritiva
Amostragem Clculo das
Probabilidade
s
Estatstica
Indutiva

2
1 ESTATSTICA DESCRITIVA
O objetivo da estatstica descritiva organizar os dados e apresent-los de forma a possibilitar a
visualizao das informaes subjacentes (que no so observveis). As tcnicas estatsticas e
grficas, disponveis para a anlise exploratria de dados, podem ser aplicadas a qualquer
conjunto de dados, sejam para dados populacionais ou amostrais.
O parmetro uma medida numrica que descreve de forma reduzida alguma caracterstica de
uma populao ou universo. habitualmente representado por letras gregas. Por exemplo:
(mdia), (desvio padro), (coeficiente de correlao). O parmetro normalmente
desconhecido e, deseja-se estimar atravs de dados amostrais.
Estatstica ou medida amostral uma medida numrica que descreve alguma caracterstica de
uma amostra. habitualmente representada por letras latinas. Por exemplo: X (mdia), S
(desvio padro), r (coeficiente de correlao).
Em resumo, a anlise exploratria de dados permite organizar os dados atravs de tabelas,
grficos e medidas de localizao e disperso, procurando mostrar um padro ou
comportamento de um conjunto de dados.
1.1 VARIVEL ALEATRIA
Varivel aleatria aquela cujo valor numrico no conhecido antes da sua observao. Esta
tem uma distribuio de probabilidades associada, o que permite calcular a probabilidade de
ocorrncia de certos valores.
Geralmente, utilizam-se letras maisculas (X, Y, Z...) para designar as variveis aleatrias, e
minsculas (x, y, z...) para indicar particulares valores dessas variveis. O comportamento de
uma varivel aleatria descrito por sua distribuio de probabilidade.
Exemplo: Suponha que em um lote de 10 parafusos, 2 so defeituosos. A varivel aleatria
X=nmero de parafusos defeituosos, na escolha de 3 parafusos com reposio, pode assumir os
seguintes valores:
=
= = =
= = =
=
=
DDD s se , 3
PDD s ou DPD s ou DDP s se , 2
PPD s ou PDP s ou DPP s se , 1
PPP s se , 0
) s ( X
sendo P=perfeito e D=defeituoso.

DISTRIBUIO DE PROBABILIDADES DA
VARIVEL ALEATRIA X
x X =
) x X ( P =

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

SACHIKO ARAKI LIRA
3
A funo de distribuio ou funo de distribuio acumulada da v. a X definida por
R x , ) x X ( P ) x ( F
X X
e s = , ou seja, definida como sendo a probabilidade de X assumir um valor
menor ou igual a x. Para o exemplo tem-se:

FUNO DE DISTRIBUIO ACUMULADA DA VARIVEL
ALEATRIA X
x X =
) x X ( P =

) x ( F
X

0 512 , 0 ) 10 8 (
3
= 0,512
1 384 , 0 ) 10 2 ( ) 10 8 ( 3
2
= 0,896
2 096 , 0 ) 10 2 ( ) 10 8 ( 3
2
= 0,992
3 008 , 0 ) 10 / 2 (
3
= 1,000
1.1.1 ARREDONDAMENTO DE NMEROS
1. Quando o primeiro algarismo a ser abandonado for 0, 1, 2, 3 ou 4, fica inalterado o ltimo
nmero que permanecer.
Exemplo: seja o nmero 48,231, ao arredondar para 2 casas decimais ficar 48,23.
2. Quando o primeiro algarismo a ser abandonado for 6, 7, 8 ou 9, aumenta-se de uma unidade
o ltimo algarismo a permanecer.
Exemplo: o nmero 23,077, ao arredondar para 2 casas decimais ficar 23,08.
3. Quando o primeiro algarismo a ser abandonado for 5, haver duas formas:
a) como regra geral, aumenta-se de uma unidade o ltimo algarismo a permanecer.
Exemplo: 12,5253 ficar 12,53.
b) se ao 5 s seguirem zeros, o ltimo algarismo a ser conservado s ser aumentado se for
mpar.
Exemplo: 24,7750 passa a ser 24,78
24,7650 passa a ser 24,76.

Exemplos: arredondar os nmeros dados para 2 casa decimais.
17,44452 ficar 17,44;
179,5673 ficar 179,57;
87,4931 ficar 87,49;
4,5652 ficar 4,57;
4,5650 ficar 4,56;
4,575 ficar 4,58.

4
4. Quando houver parcelas e total, e ocorrer diferena no arredondamento, deve-se fazer
correo na parcela (ou parcelas) onde o erro relativo for menor.
Exemplo:
2,4 para 2
13,4 14
16,1 16
----- ----
31,9 32
1.2 TIPOS DE ESCALAS E VARIVEIS
Uma varivel pode se apresentar das seguintes formas, quanto aos valores assumidos:
1.
o
Escala nominal: aquela que permite o agrupamento da unidade de observao (unidade da
pesquisa) de acordo com uma classificao qualitativa em categorias definidas, ou seja, consiste
simplesmente em nomear ou rotular, no sendo possvel estabelecer graduao ou ordenamento.
Ao se trabalhar com essa escala, cada unidade de observao deve ser classificada em uma e
somente uma categoria, isto , deve ser mutuamente excludente.
Por exemplo, seja X, a varivel, estado de uma pea de automvel. Neste caso, a varivel X
assume as categorias perfeita e defeituosa, sendo denominada dicotmica. Quando assume
mais de duas categorias denominada politmica. No tem significado aritmtico ou de
quantificao, no se faz clculos, apenas a contagem.
2.
o
Escala ordinal: permite o agrupamento da unidade de observao de acordo com uma ordem
de classificao. A escala ordinal fornece informaes sobre a ordenao das categorias, mas
no indica a grandeza das diferenas entre os valores.
Exemplo: Seja X a varivel que indica a qualidade de um determinado produto. Tem-se ento: A
(indicando melhor qualidade), B (qualidade intermediria) e C (pior qualidade).
3. Escala intervalar: uma escala ordinal em que a distncia entre as categorias sempre a
mesma. As escalas para medir temperaturas como a Fahrenheit e a Centgrada so exemplos de
escalas de intervalo. No se pode afirmar que 40 graus duas vezes mais quente que uma
temperatura de 20 graus, embora se possa dizer que a diferena entre 20 graus e 40 graus a
mesma que entre 75 graus e 95 graus.
4. Escala de razo: quando uma escala tem todas as caractersticas de uma escala intervalar e
o zero absoluto representa o ponto de origem, chamada escala de razo. Sempre que possvel,
prefervel utilizar a medida de escala de razo, pois a partir desta pode-se transformar em
escala intervalar, ordinal ou nominal, no ocorrendo o inverso.
De acordo com o nvel de mensurao, a varivel pode ser classificada em qualitativa ou
quantitativa. Varivel qualitativa aquela cujo nvel de mensurao nominal ou ordinal,
enquanto a quantitativa aquela em que o nvel de mensurao intervalar ou de razo.

SACHIKO ARAKI LIRA
5
A varivel quantitativa pode ser ainda discreta ou contnua, sendo a primeira resultante de
contagem, assumindo somente valores inteiros, e a ltima de medies, assumindo qualquer
valor no campo dos nmeros reais. Apresentam-se, a seguir, os conceitos de variveis
quantitativas discretas e contnuas.

Varivel aleatria discreta: uma varivel aleatria X discreta se o conjunto de valores
possveis de X for finito ou infinito numervel.
Varivel aleatria contnua: a varivel aleatria X chamada de contnua quando o seu
contradomnio um conjunto infinito.

Varivel
Qualitativa
Quantitativa
Nominal
Ordinal
Discreta
Contnua

FIGURA 2 - TIPOS DE VARIVEIS
Exemplo de aplicao: Seja uma populao de peas produzidas em um determinado
processo. possvel ter as seguintes situaes:

VARIVEL TIPO
Estado: Conforme ou No-conforme Qualitativa Nominal
Qualidade: 1., 2. ou 3. categoria Qualitativa Ordinal
Nmero de peas conformes Quantitativa Discreta
Comprimento das peas Quantitativa Contnua
1.3 TABELAS
1.3.1 NORMAS PARA APRESENTAO DE TABELAS
Uma tabela deve apresentar os dados de forma resumida, oferecendo uma viso geral do
comportamento do fenmeno analisado.
Uma tabela constituda dos seguintes elementos:
1 - Ttulo: a indicao que precede a tabela e contm a identificao de trs fatores do
fenmeno.
a) A data a qual se refere;

6
b) o local onde ocorreu o evento;
c) o fenmeno que descrito.
2 - Cabealho: a parte superior da tabela que especifica o contedo das colunas.
3 - Corpo da tabela: o espao que contm as informaes sobre o fenmeno observado.
4 - Fonte: a indicao da entidade responsvel pelo levantamento dos dados.
1.3.2 TABELAS DE DISTRIBUIO DE FREQUNCIAS
Sero apresentados alguns conceitos importantes para a construo de tabelas de frequncias.
- Dados brutos: o conjunto de dados numricos obtidos e que ainda no foram
organizados.
- Rol: o arranjo dos dados brutos em ordem crescente (ou decrescente).
- Amplitude (At): a diferena entre o maior e o menor dos valores observados.
- Frequncia absoluta (
i
f ): o nmero de vezes que um elemento aparece no conjunto de
dados:
=
=
k
1 i
i
n f onde n o nmero total de observaes e k o nmero de valores diferentes
observados.
- Frequncia Relativa (
r
f ):
n
f
f
i
r
= e 1 f
k
1 i
r
=
=

- Frequncia Absoluta Acumulada (
ac
f ): a soma da frequncia absoluta do valor i assumida
pela varivel com todas as frequncias absolutas anteriores.
1.3.2.1 VARIVEL DISCRETA
Quando uma varivel quantitativa discreta assume poucos valores, pode-se considerar que cada
valor seja uma classe e que existe uma ordem natural nessas classes.
Exemplo: Os dados que seguem apresentam os resultados da inspeo diria de todas as
unidades de computadores produzidos durante os ltimos 10 dias. O nmero de unidades no-
conformes so: 4 - 7 - 5 - 8 - 6 - 6 - 4 - 5 - 8 - 7

SACHIKO ARAKI LIRA
7
TABELA DE DISTRIBUIO DE FREQUNCIAS DO NMERO
DE UNIDADES NO CONFORMES DE COMPUTADORES
PRODUZIDOS DURANTE 10 DIAS
NMERO DE DEFEITOS FREQUNCIA
4 2
5 2
6 2
7 2
8 2
FONTE: MONTEGOMERY, D. C.
NOTA: A produo diria de 100 computadores.

- Nmero de Classes (k)
Quando se tratar de uma varivel quantitativa discreta que pode assumir um grande nmero de
valores distintos, a construo da tabela de frequncias e de grficos considerando cada valor
como uma categoria fica invivel. A soluo agrupar os valores em classes ao elaborar a
tabela.
Segundo Bussab e Morettin, a escolha dos intervalos depender do conhecimento que o
pesquisador tem sobre os dados. Assim, a definio do nmero de intervalos ou classes
arbitrria. Mas, vale lembrar que, quando se utiliza um pequeno nmero de intervalos pode-se
perder informaes, e ao contrrio, com um grande nmero de intervalos pode-se prejudicar o
resumo dos dados.
Existem duas solues para a definio do nmero de intervalos bastante utillizadas, que so:
1) Se o nmero de elementos (n) for menor que 25 ento o nmero de classes (k) igual a 5; se
n for maior que 25, ento o nmero de classes aproximadamente a raiz quadrada positiva de
n. Ou seja:
Para n s 25, k = 5
Para n > 25, k = n
2) Frmula de Sturges para nmero de classes: ) n ( log 3 , 3 1 k + ~ .
Amplitude total ou range (At): a diferena entre o maior e o menor valor observados no
conjunto de dados.
min mx t
X X A =
Amplitude dos intervalos ou das classes (h): a diviso da amplitude total (At) pelo nmero
de intervalos (k).
Ou seja: h ~
k
At

8
1.3.2.2 VARIVEL CONTNUA
Quando a varivel quantitativa em estudo contnua, que assume muitos valores distintos, o
agrupamento dos dados em classes ser sempre necessrio, na construo das tabelas de
frequncias.

Exemplo 1: A tabela abaixo apresenta as medidas de uma dimenso de uma pea produzida por
um processo de usinagem. Construir a tabela de distribuio de frequncias em classes.
102,8 - 136,4 - 110,1 - 115,9 - 118,5 - 149,3 - 125,3 - 144,8 - 129,7 - 132,7
135,0 108,2 - 138,1 - 138,6 - 139,6 - 144,4 - 125,9 - 145,2 - 145,7 120,4
ROL:
102,8 - 108,2 - 110,1 - 115,9 - 118,5 - 120,4 - 125,3 - 125,9 - 129,7 - 132,7
135,0 - 136,4 - 138,1 - 138,6 - 139,6 - 144,4 - 144,8 - 145,2 - 145,7 - 149,3
50 , 46 8 , 102 3 , 149 X X A
min mx t
= = =
5 k =
10 3 , 9
5
50 , 46
k
A
h
t
~ = = =

TABELA DE DISTRIBUIO DE FREQUENCIAS DAS
MEDIDAS DE UMA DIMENSO DE UMA PEA PRODUZIDA
POR UM PROCESSO DE USINAGEM
INTERVALO DE
CLASSES
i
f
r
f
fac
102,8 |--- 112,8 3 0,15 3
112,8 |--- 122,8 3 0,15 6
122,8 |--- 132,8 4 0,20 10
132,8 |--- 142,8 5 0,25 15
142,8 |--- 152,8 5 0,25 20
TOTAL 20 1,00
FONTE: Elaborada pelo autor.

Exemplo 2: O tempo necessrio para se realizar certa operao industrial foi cronometrado (em
segundos), sendo feita 30 determinaes:
45 - 37 - 39 - 48 - 51 - 40 - 53 - 49 - 39 - 41 - 45 - 43 - 45 - 34 - 45
41 - 57 - 38 - 46 - 46 - 58 - 57 - 36 - 58 - 35 - 31 - 59 - 44 - 57 - 35

SACHIKO ARAKI LIRA
9
ROL:
31 - 34 - 35 - 35 - 36 - 37 - 38 - 39 - 39 - 40 - 41 -41 - 43 - 44 - 45
45 - 45 - 45 - 46 - 46 - 48 - 49 - 51 - 53 - 57- 57 - 57 - 58 - 58 59
28,0 31 59 X X A
min mx t
= = =
6 5,87 ) 30 log( 3 , 3 1 k ~ = + = (frmula de Sturges)
5 4,7
6
28
k
A
h
t
~ = = =

TABELA DE DISTRIBUIO DE FREQUENCIAS DO TEMPO
NECESSRIO PARA SE REALIZAR CERTA OPERAO
INDUSTRIAL
INTERVALO DE
CLASSES
i
f
r
f
fac
31 |---- 36 4 0,13 4
36 |---- 41 6 0,20 10
41 |---- 46 8 0,27 18
46 |---- 51 4 0,13 22
51 |---- 56 2 0,07 24
56 |---- 61 6 0,20 30
TOTAL 30 1,00
1.4 GRFICOS
1.4.1 REPRESENTAO GRFICA
O objetivo do grfico passar para o leitor uma viso clara do comportamento do fenmeno em
estudo, uma vez que os grficos transmitem informao mais imediata do que uma tabela.
A representao grfica de um fenmeno deve obedecer a certos requisitos fundamentais:
a) Simplicidade: O grfico deve ser destitudo de detalhes de importncia secundria.
b) Clareza: o grfico deve possibilitar uma correta interpretao dos valores representativos do
fenmeno em estudo.
c) Veracidade: o grfico deve ser a verdadeira expresso do fenmeno em estudo.
1.4.2 HISTOGRAMA DE FREQUNCIAS
Este um grfico usado para apresentar dados organizados em intervalos de classes, utilizado
principalmente para representar a distribuio de variveis contnuas.

10

1.4.3 DIAGRAMA DE RAMO E FOLHAS (STEM AND LEAF PLOT)
Este diagrama muito til para uma primeira anlise dos dados.
Passos para construir um diagrama de ramo e folha:
1. ordenar os valores para encontrar o valor mnimo e mximo dos dados;
2. dividir cada nmero
i
x em duas partes: um ramo, consistindo em um ou mais dgitos iniciais, e
uma folha, consistindo nos dgitos restantes ;
3. listar os valores do ramo em uma coluna vertical;
4. a partir dai colocam-se os valores na folha . O valor zero, significa que h informao e que
um nmero inteiro. J, quando naquele valor inteiro no existe observaes, no colocar nada,
deixar em branco;
5. escrever as unidades para o ramo e folhas no grfico.
Considerando os dados do exemplo 1: Os dados referem-se s medidas de uma dimenso de
uma pea produzida por um processo de usinagem.
102,8 - 108,2 - 110,1 - 115,9 - 118,5 - 120,4 - 125,3 - 125,9 - 129,7 - 132,7
135,0 - 136,4 - 138,1 - 138,6 - 139,6 - 144,4 - 144,8 - 145,2 - 145,7 - 149,3

RAMO FOLHA FREQ.
10 2 8 2
11 0 5 8 3
12 0 5 5 9 4
13 2 5 6 8 8 9 6
14 4 4 5 5 9 5

HISTOGRAMA DE FREQUNCIAS
0
1
2
3
4
5
6
7
8
9
10
Classes
Freq.
76 105 134 163 221 192 250

SACHIKO ARAKI LIRA
11
Considerando os dados do exemplo 2, tem-se: O tempo necessrio para se realizar certa
operao industrial foi cronometrado (em segundos):

31 - 34 - 35 - 35 - 36 - 37 - 38 - 39 - 39 - 40 - 41 -41 - 43 - 44 - 45
45 - 45 - 45 - 46 - 46 - 48 - 49 - 51 - 53 - 57- 57 - 57 - 58 - 58 59

RAMO FOLHA FREQ.
3 1 4 5 5 6 7 8 9 9 9
4 0 1 1 3 4 5 5 5 5 6 6 8 9 13
5 1 3 7 7 7 8 8 9 8

1.4.4 GRFICO DE BOXPLOT OU DA CAIXA

* Valores extremos: valores maiores que 3 compri-
mentos da caixa, a partir do Quartil 3
O Outliers: valores maiores que 1,5 comprimentos da
caixa, a partir do Quartil 3

O

Outliers: valores menores que 1,5 comprimentos da
caixa, a partir do Quartil 1
* Valores extremos: valores menores que 3 compri-
mentos da caixa, a partir do Quartil 1

Comprimento da caixa = amplitude interquartlica = Q
3
- Q
1
A linha central do retngulo (caixa) representa a mediana da distribuio. As bordas superior e
inferior do retngulo representam os quartis 1 e 3, respectivamente. Logo, a altura deste
retngulo chamada de amplitude interquartlica (IQ). Os traos horizontais ao final das linhas
verticais so traados sobre o ltimo ponto (de um lado ou de outro) que no considerado um
outlier.
No h um consenso sobre a definio de um outlier. Porm, no caso do boxplot em geral, a
maior parte das definies considera que pontos acima do valor do 3 quartil somado a 1,5 vezes
Quartil 2 = mediana
Quartil 1
Quartil 3
Menor valor que no outlier

Maior valor que no outlier

12
a IQ ou os pontos abaixo do valor do 1 quartil diminudo de 1,5 vezes a IQ, so considerados
outliers.
1.4.5 GRFICO DE LINHAS
O grfico de linhas indicado para representar sries temporais ou sequncia temporal, que
um conjunto de dados em que as observaes so registradas na ordem em que elas ocorrem.
Este tipo de grfico importante para a anlise do controle de processo de produo e de
sries temporais.
A seguir, o grfico de controle de mdia das medidas dos dimetros internos (mm) de anis de
pisto de motores de automveis, de 25 amostras, cujos tamanhos de amostras variam entre 3
e 5.

1.5 MEDIDAS DE LOCALIZAO, VARIABILIDADE E FORMA DA
DISTRIBUIO
Estimador ou estatstica uma funo dos valores da amostra, ou seja, uma varivel aleatria,
pois depende dos elementos selecionados para compor a amostra.
Ao analisarmos a distribuio de frequncias de uma varivel quantitativa, proveniente de uma
amostra, deve-se, verificar basicamente trs caractersticas:
Localizao;
Variabilidade ou Disperso;
Forma.

SACHIKO ARAKI LIRA
13
1.5.1 TENDNCIA CENTRAL
As medidas de tendncia central fazem parte, juntamente com as de posio, das chamadas
medidas de localizao, e indicam onde se concentra a maioria dos dados.
1.5.1.1 ESPERANA MATEMTICA OU MDIA ARITMTICA
A esperana matemtica ou mdia aritmtica de uma varivel aleatria X o centro de
gravidade do conjunto de dados, e definida como a soma de todos os valores da varivel
dividida pelo nmero de observaes.
a) Para dados simples
A esperana matemtica ou mdia aritmtica populacional dada pela expresso:
=
= =
N
1 i
i
x
N
1
) X ( E
A mdia aritmtica amostral obtida atravs da seguinte expresso:
=
=
n
1 i
i
x
n
1
X
b) Para dados agrupados em classes
N
f x
) X ( E
k
1 i
i i
=
= = (populao)
onde: k o nmero de classes;

i
x o ponto mdio das classes.
n
f x
X
k
1 i
i i
=
= (amostra)
onde: k o nmero de classes;

i
x o ponto mdio das classes.
Propriedades da Esperana Matemtica
1. K ) X ( E ) K X ( E = , sendo k=constante e X v.a.
2. ) X ( E k ) K . X ( E =
3. Sejam X e Y variveis aleatrias. Ento:
) Y ( E ) X ( E ) Y X ( E =
4. Sejam X e Y variveis aleatrias independentes. Ento:
) Y ( E . ) X ( E ) Y . X ( E =

14
5. 0 ) X X ( E = v.a. centrada
A mdia e os valores extremos: a mdia apresenta um grave problema, ela fortemente
influenciada pelos valores extremos. Por esta razo, deve-se fazer uma anlise cuidadosa dos
dados.
Exemplos de aplicao:
1) Suponha que um engenheiro esteja projetando um conector de nilon para ser usado em uma
aplicao automotiva. O engenheiro estabelece como especificao do projeto uma espessura
de 3/32 polegadas, mas est inseguro acerca do efeito dessa deciso na fora da remoo do
conector.
Oito unidades do prottipo so produzidas e suas foras de remoo so medidas (em libras-p):
12,6 - 12,9 - 13,4 - 12,3 - 13,6 - 13,5 - 12,6 - 13,1. A mdia da fora de remoo ser:
=
=
n
1 i
i
x
n
1
X
| | 0 , 13
8
104
1 , 13 6 , 12 5 , 13 6 , 13 3 , 12 4 , 13 9 , 12 6 , 12
8
1
X = = + + + + + + + = libras-fora
2) Considere a seguinte distribuio:
TABELA DE DISTRIBUIO DE FREQUENCIAS DO TEMPO
NECESSRIO PARA SE REALIZAR CERTA OPERAO
INDUSTRIAL
INTERVALO DE
CLASSES
i
f
r
f fac
31 |---- 36 4 0,13 4
36 |---- 41 6 0,20 10
41 |---- 46 8 0,27 18
46 |---- 51 4 0,13 22
51 |---- 56 2 0,07 24
56 |---- 61 6 0,20 30
TOTAL 30 1,00
Calcular o tempo mdio necessrio para realizar a operao industrial.
Soluo:
INTERVALO DE
CLASSES
i
f
i
x
i i
f x
31 |---- 36 4 33,5 134,0
36 |---- 41 6 38,5 231,0
41 |---- 46 8 43,5 348,0
46 |---- 51 4 48,5 194,0
51 |---- 56 2 53,5 107,0
56 |---- 61 6 58,5 351,0
TOTAL 30 1365,0

SACHIKO ARAKI LIRA
15
45,50
30
1365
n
f x
X
k
1 i
i i
= = =

=

3) Seja a distribuio de frequncias a seguir. Calcular a mdia das medidas da dimenso das
peas.
TABELA DE DISTRIBUIO DE FREQUENCIAS DAS
MEDIDAS DE UMA DIMENSO DE UMA PEA PRODUZIDA
POR UM PROCESSO DE USINAGEM
INTERVALO DE
CLASSES
i
f
r
f fac
102,8 |--- 112,8 3 0,15 3
112,8 |--- 122,8 3 0,15 6
122,8 |--- 132,8 4 0,20 10
132,8 |--- 142,8 5 0,25 15
142,8 |--- 152,8 5 0,25 20
TOTAL 20 1,00

INTERVALO DE
CLASSES
i
f
i
x
i i
f x
102,8 |--- 112,8 3
107,8 323,4
112,8 |--- 122,8 3
117,8 353,4
122,8 |--- 132,8 4
127,8 511,2
132,8 |--- 142,8 5
137,8 689,0
142,8 |--- 152,8 5
147,8 739,0
TOTAL 20 2616,0
130,8
20
2616
n
f x
X
k
1 i
i i
= = =

=

1.5.1.2 MEDIANA
A mediana o valor que ocupa a posio central do conjunto de observaes de uma varivel,
dividindo o conjunto em duas partes iguais, sendo que 50% dos dados tomam valores menores
ou iguais ao valor da mediana e os 50% restantes, acima do seu valor.

16
Etapas para a obteno da mediana:
1. ordenar os dados em ordem crescente (pode ser tambm na ordem decrescente, mas no
comum e pode atrapalhar na hora de calcular as medidas de posio)
2. o lugar ou posio que a mediana ocupa :
1
4
) 1 n (
2 PosM
e
+
=
3. o valor da mediana o valor da varivel que ocupa o lugar
e
PosM .

A mediana independente dos valores extremos, porque ela s leva em considerao os
valores de posio central.
Exemplo de aplicao:
1) Considerando-se as foras de remoo, medidas em uma amostra de oito unidades do prottipo
(em libras-fora): 12,6 - 12,9 - 13,4 - 12,3 - 13,6 - 13,5 - 12,6 - 13,1.
Rol: 12,3 - 12,6 - 12,6 - 12,9 - 13,1 - 13,4 - 13,5 - 13,6
5 , 4 1
4
) 1 8 (
2 PosM
e
= +
=
A mediana a mdia aritmtica dos valores que ocupam a posio 4 e 5. Logo,
13,0
2
1 , 13 9 , 12
M
e
=
+
=
2) Os dados que seguem so os resultados da inspeo diria de todas as unidades de
computadores produzidos durante os ltimos 10 dias. O nmero de unidades no-conformes so:
4 - 7 - 5 - 8 - 6 - 6 - 4 - 5 - 8 - 7
Calcular a mediana.
Rol: 4 - 4 - 5 - 5 - 6 - 6 - 7 - 7 - 8 - 8
5,5 1
4
) 1 10 (
2 PosM
e
= +
=
6
2
6 6
M
e
=
+
=
b) Dados agrupados em classes
h
f
fac ) 2 n (
L M
i
i e

'
+ =

SACHIKO ARAKI LIRA
17
onde:
i
L o limite inferior da classe que contm a mediana;
n o nmero de elementos do conjunto de dados;
fac ' a freqncia acumulada da classe anterior a que contm a mediana;
i
f a freqncia simples da classe que contm a mediana;
h o intervalo ou amplitude da classe que contm a mediana.

1) Seja a distribuio de frequncias a seguir. Calcular a mediana das medidas da dimenso
das peas.

INTERVALO DE
CLASSES
i
f
102,8 |--- 112,8 3
112,8 |--- 122,8 3
122,8 |--- 132,8 4
132,8 |--- 142,8 5
142,8 |--- 152,8 5
TOTAL 20

Soluo:
1) O passo inicial calcular 10
2
20
2
n
= = ;
2) Calcular as frequncias acumuladas (
ac
f ).

INTERVALO DE
CLASSES
i
f
ac
f
102,8 |--- 112,8 3 3
112,8 |--- 122,8 3 6
122,8 |--- 132,8 4 10
132,8 |--- 142,8 5 15
142,8 |--- 152,8 5 20
TOTAL 20
h
f
fac ) 2 n (
L M
i
i e

'
+ =
132,8 10
4
6 ) 2 20 (
8 , 122 M
e
=
+ =

18
2) Considerando a distribuio a seguir, calcular a mediana.
INTERVALO DE
CLASSES
i
f
31 |---- 36 4
36 |---- 41 6
41 |---- 46 8
46 |---- 51 4
51 |---- 56 2
56 |---- 61 6
TOTAL 30
Soluo:
INTERVALO DE
CLASSES
i
f
ac
f
31 |---- 36
4 4
36 |---- 41
6 10
41 |---- 46
8 18
46 |---- 51
4 22
51 |---- 56
2 14
56 |---- 61
6 30
TOTAL 30

15
2
30
2
n
= =
h
f
fac ) 2 n (
L M
i
i e

'
+ =
44,125 5
8
10 ) 15 (
41 M
e
=
+ =
1.5.1.3 MODA
A moda, representada por
o
M , o valor que apresenta maior frequncia. Ela pode no existir
(distribuio amodal), ter somente um valor (unimodal) ou pode ter dois ou mais (bimodal ou
multimodal), principalmente quando a varivel assume muitos valores.
Exemplo:
1) Considerando-se as foras de remoo, medidas em uma amostra de oito unidades do prottipo
(em libras-fora): 12,6 - 12,9 - 13,4 - 12,3 - 13,6 - 13,5 - 12,6 - 13,1.
Para o exemplo tem-se que a moda igual a 12,6 libras-fora.

SACHIKO ARAKI LIRA
19
b) Dados agrupados em classes
X 2 M 3 M
e o
= ( moda de Pearson)
onde:
e
M a mediana da distribuio de dados;
X a mdia da distribuio de dados.
1) Dada a distribuio de freqncias a seguir, calcular a moda.

INTERVALO DE
CLASSES
i
f
31 |---- 36 4
36 |---- 41 6
41 |---- 46 8
46 |---- 51 4
51 |---- 56 2
56 |---- 61 6
TOTAL 30

Soluo:
Tem-se que a mdia e a mediana da distribuio so, respectivamente:
45,50 X =
44,125 M
e
=
Logo, a moda ser: 41,375 50 , 45 2 125 , 44 3 X 2 M 3 M
e o
= = =

2) Seja a distribuio de frequncias a seguir. Calcular a moda das medidas da dimenso das
peas.

INTERVALO DE
CLASSES
i
f
102,8 |--- 112,8 3
112,8 |--- 122,8 3
122,8 |--- 132,8 4
132,8 |--- 142,8 5
142,8 |--- 152,8 5
TOTAL 20

Soluo:
Tem-se que a mdia e a mediana da distribuio so, respectivamente:

20
130,8 X =
132,8 10
4
6 ) 2 20 (
8 , 122 M
e
=
+ =
136,8 8 , 130 2 8 , 132 3 X 2 M 3 M
e o
= = =
1.5.2 MEDIDAS DE POSIO (OU SEPARATRIZES)
As separatrizes mais conhecidas so os quartis e os percentis. Os quartis dividem o conjunto de
dados em quatro partes iguais e os percentis, em cem partes iguais. A cada quartil
correspondem 25% do conjunto de dados e a percentil, 1%.
Da mesma forma que para a mediana, as posies das separatrizes, para dados ordenados em
ordem crescente.

1.5.2.1 QUARTIL

So trs medidas ) Q e Q , Q (
3 2 1
que dividem o conjunto de dados em 4 partes iguais, sendo
que a cada quartil correspondem 25% dos dados.
1
4
) 1 n (
i PosQ
i
+
= , 3 , 2 , 1 i =

Exemplo 1: Os dados a seguir so dimetros (em cm) de peas de automveis:
12,3 - 12,6 - 12,6 - 12,9 - 13,1 - 13,4 - 13,5 - 13,6 - 15,0
Calcular os quartis.
3,0 1
4
) 1 9 (
1 PosQ
1
= +
= (3
elemento) , logo 6 , 12 Q
1
=
5,0 1
4
) 1 9 (
2 PosQ
2
= +
= (5
2
=
7,0 1
4
) 1 9 (
3 PosQ
3
= +
= (7
3
=
Exemplo 2: Os dados abaixo so as medidas de uma dimenso de uma pea produzida por um
processo de usinagem.
102,8 - 108,2 - 110,1 - 115,9 - 118,5 - 120,4 - 125,3 - 125,9 - 129,7 - 132,7
135,0 - 136,4 - 138,1 - 138,6 - 139,6 - 144,4 - 144,8 - 145,2 - 145,7 - 149,3

Calcular os quartis (1,2 e 3) .

SACHIKO ARAKI LIRA
21
5,75 1
4
) 1 20 (
1 PosQ
1
= +
= (5,75
elemento) ,
logo 119,925 75 , 0 * ) 5 , 118 4 , 120 ( 5 , 118 Q
1
= + =
10,5 1
4
) 1 20 (
2 PosQ
2
= +
= (10,5
elemento) ,
logo 133,85 5 , 0 * ) 7 , 132 0 , 135 ( 7 , 132 Q
2
= + =
15,25 1
4
) 1 20 (
3 PosQ
3
= +
= (15,25
elemento) ,
logo 140,80 25 , 0 * ) 6 , 139 4 , 144 ( 6 , 139 Q
3
= + =
4
n
i PosQ
i
= , 3 , 2 , 1 i =
h
f
fac ) PosQ (
L Q
i
i
i i

'
+ =
onde:
n o nmero de elementos do conjunto de dados;
i
L o limite inferior da classe que contm o quartil;
fac ' a freqncia acumulada da classe anterior a que contm o quartil;
i
f a freqncia simples da classe que contm o quartil;
h o intervalo ou amplitude da classe que contm a mediana.
Exemplos:

1) Seja a distribuio de frequncias a seguir. Calcular os quartis 1,2 e 3, das medidas da
dimenso das peas.

INTERVALO DE
CLASSES
i
f
ac
f
102,8 |--- 112,8 3 3
112,8 |--- 122,8 3 6
122,8 |--- 132,8 4 10
132,8 |--- 142,8 5 15
142,8 |--- 152,8 5 20
TOTAL 20
Soluo:
a) 5
4
20
1 PosQ
1
= =

22
119,47 10
3
3 5
8 , 112 1 Q =
+ =
10
4
20
2 PosQ
2
= =
132,80 10
4
6 10
8 , 122 2 Q =
+ =
15
4
20
3 PosQ
3
= =
142,80 10
5
10 15
8 , 132 Q
3
=
+ =
2) Dada a distribuio de freqncias a seguir, calcular os quartis 1,2 e 3.

INTERVALO DE
CLASSES
i
f
31 |---- 36 4
36 |---- 41 6
41 |---- 46 8
46 |---- 51 4
51 |---- 56 2
56 |---- 61 6
TOTAL 30
1.5.3 MEDIDAS DE DISPERSO
Para descrever adequadamente a distribuio de freqncias de uma varivel quantitativa, alm
da informao do valor representativo da varivel (tendncia central), necessrio dizer tambm
o quanto estes valores variam, ou seja, o quanto eles so dispersos. Somente a informao
sobre a tendncia central de um conjunto de dados no consegue represent-lo
adequadamente. As medidas de disperso medem o grau de variabilidade ou disperso dos
dados.
1.5.3.1 AMPLITUDE TOTAL
A amplitude total mede a distncia entre o valor mximo e mnimo. Ela uma estatstica
rudimentar, pois embora fornea uma noo de disperso, no diz qual sua natureza.

min mx t
X X A =
Exemplo de aplicao:
Exemplo 1: Os dados a seguir so dimetros (em cm) de peas de automveis:
12,3 - 12,6 - 12,6 - 12,9 - 13,1 - 13,4 - 13,5 - 13,6 - 15,0
Tem-se que:

SACHIKO ARAKI LIRA
23
7 , 2 3 , 12 0 , 15 X X A
min mx t
= = =
1.5.3.2 AMPLITUDE INTERQUARTIL
A amplitude interquartil, ou comprimento da caixa, a distncia entre o primeiro e terceiro
quartil. muito til para detectar valores extremos, e usado no diagrama de Boxplot.
1 3
Q Q Q I =
Exemplo: considerando o dados referentes aos dimetros (em cm) de peas de automveis e os
quartis correspondentes, j calculados anteriormente, calcular a amplitude interquartil.
3,0 1
4
) 1 9 (
1 PosQ
1
= +
= (3
1
=
7,0 1
4
) 1 9 (
3 PosQ
3
= +
= (7
3
=
9 , 0 6 , 12 5 , 13 IQ = =

Para a construo do grfico Box plot, tem-se:
IQ 5 , 1 Q erior inf ite lim
1
=
IQ 5 , 1 Q erior sup ite lim
3
+ =
Para o exemplo em questo:
25 , 11 9 , 0 5 , 1 6 , 12 erior inf ite lim = =
85 , 14 9 , 0 5 , 1 5 , 13 erior sup ite lim = + =
Existe um valor outlier, que 15,0.
1.5.3.3 DESVIO MDIO


O desvio mdio a mdia dos valores absolutos dos desvios. calculada atravs da
expresso:
n
X x
DM
n
1 i
i
=

=

Exemplo de aplicao:
Os dados a seguir so dimetros (em cm) de peas de automveis:
12,3 - 12,6 - 12,6 - 12,9 - 13,1 - 13,4 - 13,5 - 13,6 - 15,0. Tem-se que: 22 , 13 X =

24
QUADRO 3 - VALORES DA VARIVEL X E
DESVIOS ABSOLUTOS EM
RELAO MDIA
i
x
X x
i

12,3 0,92
12,6 0,62
12,6 0,62
12,9 0,32
13,1 0,12
13,4 0,18
13,5 0,28
13,6 0,38
15,0 1,78

5,22

58 , 0
9
22 , 5
n
X x
DM
n
1 i
i
= =
=

=


n
f X x
DM
k
1 i
i i
=

=

Dada a distribuio de freqncias a seguir, calcular o desvio mdio. Sabe-se que
50 , 45 X = .

INTERVALO DE
CLASSES
i
f
i
x X x
i

i i
f X x
31 |---- 36 4 33,5 12,0
48
36 |---- 41 6 38,5 7,0
42
41 |---- 46 8 43,5 2,0
16
46 |---- 51 4 48,5 3,0
12
51 |---- 56 2 53,5 8,0
16
56 |---- 61 6 58,5 13,0
78
TOTAL 30 212

07 , 7 0667 , 7
30
212
n
f X x
DM
k
1 i
i i
~ = =
=

=

1.5.3.4 VARINCIA E DESVIO PADRO

A varincia da varivel aleatria, representada por ) X ( V ou
2
o , obtida elevando-se os desvios
em relao media ao quadrado. Quando se extrai a raiz quadrada da varincia, tem-se o
desvio padro.
Propriedades da Varincia
1. 0 ) k ( V = , onde k=constante

SACHIKO ARAKI LIRA
25
2. ) X ( V k ) kX ( V
2
= , onde k=constante e X v.a.
3. Sejam X e Y v.a. independentes. Ento:
) Y ( V ) X ( V ) Y X ( V + =
4. Sejam X e Y v.a. no independentes (ou dependentes). Ento:
) Y , X ( COV 2 ) Y ( V ) X ( V ) Y X ( V + + = +
) Y , X ( COV 2 ) Y ( V ) X ( V ) Y X ( V + =
onde: ) Y ( E ) X ( E ) XY ( E ) Y , X ( COV = (covarincia)
A varincia e o desvio padro populacional so obtidas pelas expresses:
( )
o
=
=
N
1 i
2 2
i
x
N
1
(varincia)

2
o = o (desvio padro)
A varincia e o desvio padro amostral so obtidas pelas expresses:
( )
=
n
1 i
2
2
X x
1 n
1
S
i
(varincia)

2
S S = (desvio padro)

Exemplo de aplicao: Considerando o exemplo tem-se:

QUADRO 4 - VALORES DA VARIVEL X E DESVIOS
SIMPLES E QUADRTICOS EM
RELAO MDIA
i
X
X x
i
( )
2
X x
i

12,3 -0,92 0,8464
12,6 -0,62 0,3844
12,6 -0,62 0,3844
12,9 -0,32 0,1024
13,1 -0,12 0,0144
13,4 0,18 0,0324
13,5 0,28 0,0784
13,6 0,38 0,1444
15,0 1,78 3,1684

5,1556

( ) 0,6445
1 9
1556 , 5
X x
1 n
1
S
n
1 i
i
2
2
=
=

=

0,80 S =

A varincia e o desvio padro populacional so obtidas pelas expresses:

26

( ) ( )
N
f x
f
f x
k
1 i
2
i
k
1 i
k
1 i
2
i
2
i
i
i

o
=
=
=

=
= (varincia)

2
o = o (desvio padro)
A varincia e o desvio padro amostral so obtidas pelas expresses:

( ) ( )
1 n
f X x
1 f
f X x
S
k
1 i
2
i
k
1 i
k
1 i
2
i
2
i
i
i
=
=
=
(varincia)

2
S S = (desvio padro)

Exemplo:
Seja a distribuio de frequncias a seguir. Calcular varincia e o desvio padro.

INTERVALO DE
CLASSES
i
f
i
x i
f ) X x (
2
i

102,8 |--- 112,8 3 107,8 1587,0
112,8 |--- 122,8 3 117,8 507,0
122,8 |--- 132,8 4 127,8 36,0
132,8 |--- 142,8 5 137,8 245,0
142,8 |--- 152,8 5 147,8 1445,0
TOTAL 20 3820,0

Dados: 130,8 X =
( )
0526 , 201
1 20
3820
1 n
f X x
S
k
1 i
2
i
2
i
=
=

=

18 , 14 S =
Exerccio: Dada a distribuio de freqncias a seguir, calcular a varincia e o desvio padro.

INTERVALO DE
CLASSES
i
f
31 |---- 36 4
36 |---- 41 6
41 |---- 46 8
46 |---- 51 4
51 |---- 56 2
56 |---- 61 6
TOTAL 30

SACHIKO ARAKI LIRA
27
1.5.3.5 COEFICIENTE DE VARIAO
uma medida de disperso relativa. definido como o quociente entre o desvio padro e a
mdia, multiplicado por 100, para expressar porcentagem.
Em algumas situaes desejvel comparar o grau de disperso de dois conjuntos de dados
com unidades de medidas diferentes. Neste caso, deve-se usar o coeficiente de variao (CV),
que uma medida de disperso relativa, e ela no afetada pelas unidades de medida da
varivel. Ou ainda, quando as mdias dos dois conjuntos de dados so muito distintas, neste
caso faz-se necessrio utilizar uma medida de disperso relativa.
100 CV =
o
coeficiente de variao populacional
100
X
S
CV = coeficiente de variao amostral
Exemplo de aplicao: Para o exemplo tem-se:
Dados: 130,8 X = ; 18 , 14 S =
Logo, % 84 , 10 100
8 , 130
18 , 14
CV = =
1.5.4 FORMA DA DISTRIBUIO
A distribuio de freqncias de uma varivel pode ter vrias formas, mas existem trs formas
bsicas, apresentadas atravs de histogramas e suas respectivas ogivas, que so grficos
especficos para distribuies de frequncias.
A distribuio simtrica, quando as observaes esto igualmente distribudas em torno de um
valor mais frequente (metade acima e metade abaixo). J, a assimetria de uma distribuio pode
ocorrer de duas formas:
assimetria positiva;
assimetria negativa.
Em alguns casos, apenas o conhecimento da forma da distribuio de freqncias de uma
varivel j nos fornece uma boa informao sobre o comportamento dessa varivel.
1.5.4.1 COEFICIENTE DO MOMENTO DE ASSIMETRIA

2 3
i
2
i
3
i
k
1 i
i
k
1 i
3
f ) X x (
n
1
f ) X x (
n
1
a
(
=
=

Uma distribuio classificada como:

28
Simtrica: 0 A
s
= e tem-se que mdia=mediana=moda
Assimtrica negativa: 0 A
s
< e tem-se que mdias medianas moda
Assimtrica positiva: 0 A
s
> e tem-se que modas medianas mdia
Graficamente:

FIGURA 3: CLASSIFICAO DAS DISTRIBUIES QUANTO A ASSIMETRIA
1.5.4.2 COEFICIENTE DO MOMENTO DE CURTOSE
A medida de curtose o grau de achatamento da distribuio, um indicador da forma desta
distribuio. O coeficiente momento de curtose definido como sendo:

2
k
1 i
2
k
1 i
4
4
i i
i i
f ) X x (
n
1
f ) X x (
n
1
a
(
=
=

Se 3 a
4
< , a distribuio platicrtica e esta apresenta uma curva de freqncia mais
aberta, com os dados fracamente concentrados em torno de seu centro.

Se 3 a
4
= , a distribuio mesocrtica e os dados esto razoavelmente concentrados em
torno de seu centro.
Se 3 a
4
> , a distribuio leptocrtica e esta apresenta uma curva de freqncia bastante
fechada, com os dados fortemente concentrados em torno de seu centro.

A curtose ou achatamento mais uma medida com a finalidade de complementar a
caracterizao da disperso em uma distribuio. Esta medida quantifica a concentrao ou
disperso dos valores de um conjunto de dados em relao s medidas de tendncia central em
uma distribuio de freqncias. Uma distribuio classificada quanto ao grau de achatamento
como:

Assimetria positiva Simtrica Assimetria negativa

SACHIKO ARAKI LIRA
29

Exemplo 1: Para a distribuio de frequncias das medidas da dimenso das peas
apresentadas a seguir e as estatsticas j calculadas anteriormente, calcular os coeficientes de
assimetria e curtose.

INTERVALO DE
CLASSES
i
f
102,8 |--- 112,8 3
112,8 |--- 122,8 3
122,8 |--- 132,8 4
132,8 |--- 142,8 5
142,8 |--- 152,8 5
TOTAL 20

Soluo:

INTERVALO DE
CLASSES
i
f
i
x ) X x (
i

i i
f ) X x (
i
2
i
f ) X x (
i
3
i
f ) X x (
i
4
i
f ) X x (
102,8 |--- 112,8 3 107,8 -23 -69 1.587 -3.6501 839.523
112,8 |--- 122,8 3 117,8 -13 -39 507 -6.591 85.683
122,8 |--- 132,8 4 127,8 -3 -12 36 -108 324
132,8 |--- 142,8 5 137,8 7 35 245 1.715 12.005
142,8 |--- 152,8 5 147,8 17 85 1.445 24.565 417.605
TOTAL 20 0 3.820 -16.920 1.355.140

-0,3205
820 . 3
20
1
) 920 . 16 (
20
1
f ) X x (
n
1
f ) X x (
n
1
a
2 3
2
3
2 3
i
k
1 i
i
k
1 i
i i
3
=
(

=
(
=
=

A distribuio apresenta assimetria negativa.

Leptocrtica Mesocrtica Platicrtica

30
1,8573
820 . 3
20
1
140 . 355 . 1
20
1
f ) X x (
n
1
f ) X x (
n
1
a
2 2
i
2
i
i
4
i
k
1 i
k
1 i
4
=
(
=
(
=
=

A distribuio platicrtica.

Exemplo 2: Dada a distribuio de freqncias a seguir, calcular a assimetria e curtose.

INTERVALO DE
CLASSES
i
f
31 |---- 36 4
36 |---- 41 6
41 |---- 46 8
46 |---- 51 4
51 |---- 56 2
56 |---- 61 6
TOTAL 30
Soluo:
INTERVALO DE
CLASSES
i
f
i
x ) X x (
i

i i
f ) X x (
i
2
i
f ) X x (
i
3
i
f ) X x (
i
4
i
f ) X x (
31 |---- 36 4
33,5 -12 -48 576 -6.912 82.944
36 |---- 41 6
38,5 -7 -42 294 -2.058 14.406
41 |---- 46 8
43,5 -2 -16 32 -64 128
46 |---- 51 4
48,5 3 12 36 108 324
51 |---- 56 2
53,5 8 16 128 1.024 8.192
56 |---- 61 6
58,5 13 78 1.014 13.182 171.366
TOTAL 20
0 2.080 5.280 277.360

0,2489
080 . 2
20
1
) 280 . 5 (
20
1
f ) X x (
n
1
f ) X x (
n
1
a
2 3
2
3
2 3
i
k
1 i
i
k
1 i
i i
3
=
(
=
(
=
=

A distribuio apresenta assimetria ligeiramente positiva.

1,2822
080 . 2
20
1
360 . 277
20
1
f ) X x (
n
1
f ) X x (
n
1
a
2 2
i
2
i
i
4
i
k
1 i
k
1 i
4
=
(
=
(
=
=

A distribuio platicrtica.

SACHIKO ARAKI LIRA
31
LISTA DE EXERCCIOS NO. 1 ESTATSTICA DESCRITIVA

1. Conceitue:
a) Populao ou Universo;
b) Amostra;
c) Parmetro;
d) Estatstica ou medida amostral;
e) Varivel aleatria discreta e exemplifique;
f) Varivel aleatria contnua e exemplifique.

2. Uma importante caracterstica de qualidade da gua a concentrao de material slido
suspenso. Em seguida so apresentadas 30 medidas de slidos suspensos de um certo lago.
42,4 - 65,7 - 29,8 - 58,7 - 52,1 - 55,8 - 57,0 - 68,7 - 67,3 - 67,3 - 54,3 - 54,0 - 73,1 - 81,3 - 59,9
56,9 - 62,2 - 69,9 - 66,9 - 59,0 - 56,3 - 43,3 - 57,4 - 45,3 - 80,1 - 49,7 - 42,8 - 42,4 - 59,6 - 65,8
a) construir a distribuio de freqncias em classes;
b) calcular as freqncias relativa e acumulada;
c) construir o histograma de freqncias.

3. O tempo necessrio para se realizar certa operao industrial foi cronometrado (em
45 - 37 - 39 - 48 - 51 - 40 - 53 - 49 - 39 - 41 - 45 - 43 - 45 34 - 45 - 35
41 - 57 - 38 - 46 - 46 - 58 - 57 - 36 - 58 - 35 - 31 - 59 - 44 - 57 - 45 - 44
38 - 43 - 33 - 56 - 47 - 48 - 44 - 49
a) construir a distribuio de freqncias em classes;
b) calcular as freqncias relativa e acumulada;
c) construir o histograma de freqncias.

4. Foram obtidos oito medidas do dimetro interno de anis de pisto forjados de um motor de
um automvel. Os dados (em mm) so:
74,001 - 74,003 - 74,015 - 74,000 - 74,005 - 74,002 - 74,005 - 74,004
Calcule a mdia, a mediana, a moda, o desvio mdio , o desvio padro e o coeficiente de
variao da amostra.

5. Os tempos de esgotamento de um fludo isolante entre eletrodos a 34 kV, em minutos so:
0,19 - 0,78 - 0,96 - 1,31 - 2,78 - 3,16 - 4,15 - 4,67 - 4,85 - 6,50 - 7,35 - 8,01 - 8,27 - 12,06 - 31,75 -
32,52 - 33,91 - 36,71 - 72,89.
Calcule a mdia, mediana, quartil 1, quartil 3, desvio padro e coeficiente de variao ecomente
os resultados obtidos.

6. O pH de uma soluo medido oito vezes por uma operadora que usa o mesmo instrumento.
Ela obteve os seguintes dados:
7,15 - 7,20 - 7,18 - 7,19 - 7,21 - 7,20 -7,16 - 7,18
Faa uma anlise estatstica dos dados e comente.

32

7. Prevenir a propagao de trinca de fadiga em estruturas de avies um importante
elemento de segurana em aeronaves. Um estudo de engenharia para investigar a trinca de
fadiga em n=9 asas reportou os seguintes comprimentos (em mm) de trinca:
2,13 - 2,96 - 3,02 - 1,82 - 1,15 - 1,37 - 2,04 - 2,47 - 2,60
Calcule a mdia, os quartis (1,2 e 3), o desvio padro e o coeficiente de variao da
amostra. Comente os resultados obtidos.

8. Uma amostra de 7 corpos de prova de concreto forneceu as seguintes resistncias ruptura
(
2
cm / kg ) :
340 - 329 - 337 - 348 - 351 - 360 - 354
Calcular a mdia, mediana, moda, varincia, desvio padro e coeficiente de variao. Comente
os resultados obtidos.

45 - 37 - 39 - 48 - 51 - 40 - 53 - 49 - 39 - 41 - 45 - 43 - 45 34 - 45 - 35 - 38 - 46 - 46 - 58
Faa uma anlise estatstica dos dados construindo a distribuio de freqncias em
classes(calcule tambm as medidas de assimetria e curtose).

10. As taxas de octanagem de combustvel para motor, de vrias misturas de gasolina foram
obtidas:
88,5 - 94,7 - 84,3 - 90,1 - 89,0 - 89,8 - 91,6 - 90,3 - 90,0 - 91,5 - 89,9
98,8 - 88,3 - 90,4 - 91,2 - 90,6 - 92,2 - 87,7 - 91,1 - 86,7 - 93,4 - 96,1
Faa uma anlise estatstica dos dados (calcule tambm as medidas de assimetria e curtose).
11. A propagao de trincas por fadiga em diversas peas de aeronaves tem sido objeto de
muitos estudos. Os dados a seguir consistem dos tempos de propagao (horas de vo/104)
para atingir um determinado tamanho de trinca em furos de fixadores propostos para uso em
aeronaves militares.
0,736 - 0,863 - 0,865 - 0,913 - 0,915 - 0,937 - 0,983 - 1,007
1,011 - 1,064 - 1,109 -1,132 - 1,140 - 1,153 - 1,253 - 1,394
a) Calcule e compare os valores da mdia e mediana amostrais;
b) calcule o desvio mdio, desvio padro e o coeficiente de variao;
c) qual a concluso sobre a forma da distribuio (assimetria e curtose)?
segundos), sendo feita 12 medies:
45 37 39 48 51 40 - 53 49 39 41- 45 43
a) calcular Q1 (quartil 1), Q2 (quartil 2) e Q3 (quartil 3);
b) construir o grfico Boxplot.

SACHIKO ARAKI LIRA
33
obtidas:
88,5 - 94,7 80,0 - 90,1 - 89,0 - 89,8 - 91,6 - 90,3 - 90,0 - 91,5 - 89,9
a) calcular Q1 (quartil 1), Q2 (quartil 2) e Q3 (quartil 3);
b) construir o grfico Boxplot.

ELEMENTOS DE PROBABILIDADES
34
DEFINIES
2.1 EXPERIMENTO ALEATRIO (E)
Definio 1: o fenmeno que, mesmo repetidos vrias vezes sob condies semelhantes,
apresentam resultados imprevisveis. O resultado final depende do acaso.
2.2 ESPAO AMOSTRAL (S)
Definio 2: o conjunto formado por todos os resultados possveis em qualquer experimento
aleatrio.
Exemplos:
a) Inspecionar de uma pea de automvel. { } conforme no , conforme S = ;
b) Tomar uma vlvula eletrnica e verificar o tempo de vida. { } 0 x , R x S > e = ;
c) Inspeionar uma lmpada. { } defeituosa no , defeituosa S = ;
d) Medir o contedo de cobre no lato. { } % 90 x % 50 , R x S s s e =
2.3 EVENTO
Definio 3: um subconjunto do espao amostral S de um experimento aleatrio.

Exemplo:
Seja o espao amostral { } ) n , n ( ), c , n ( ), n , c ( ), c , c ( S = , resultado do experimento de seleo de
duas peas, sendo c=pea conforme e n=pea no conforme.
Suponha que A seja o subconjunto de resultados para os quais, no mnimo uma pea seja
conforme. Ento o evento A ser: { } ) c , n ( , ) n , c ( ), c , c ( A = .

S
A

SACHIKO ARAKI LIRA
35
Por serem subconjuntos, possvel realizar a operao de unio (U) entre conjuntos. A Unio
de Eventos representa a ocorrncia de um evento OU de outro. Outra operao que pode ser
feita sobre Eventos a interseco (). A interseco de eventos representa a ocorrncia de
um E de outro.

Unio de eventos => B A

Interseo de eventos => B A

2.3.1 EVENTO COMPLEMENTAR
O evento complementar do evento A, representado por A , aquele que ocorre somente
se A deixar de ocorrer. E tem-se que:
S A A A A = + = => 1 ) A A ( P = +
= = A A A A => 0 ) A A ( P =
Seja o evento A, obter nmero 4 na face superior no lanamento de um dado { } 4 A = . O
evento complementar A ser: { } 6 , 5 , 3 , 2 , 1 A =
2.3.2 EVENTOS INDEPENDENTES
Quando a realizao ou no realizao de um dos eventos no afeta a probabilidade da
realizao do outro e vice-versa.
Exemplos:
1) No lanamento de dois dados qual a probabilidade de obter o n 4 no primeiro dado e o n
3 no segundo dado ?
6 1 ) 1 dado no 4 . no ( P ) 1 ( P = =
6 1 ) 2 dado no 3 . no ( P ) 2 ( P = =
36 1 6 1 6 1 ) 2 ( P ) 1 ( P ) 2 E 1 ( P ) 2 1 ( P = = = =

A
B

A
B
B A

36
2) Suponha que numa produo diria de 850 peas fabricadas contenha 50 peas que no
satisfaam as exigncias dos consumidores. Duas peas so selecionadas, sendo que a
primeira pea reposta antes da segunda ser selecionada. Qual a probabilidade das duas
peas serem defeituosas?
% 35 , 0 0035 , 0
850
50
850
50
) D e D ( P ~ = =
2.3.3 EVENTOS MUTUAMENTE EXCLUSIVOS
Dois ou mais eventos so mutuamente exclusivos quando a realizao de um exclui a
realizao do(s) outro(s). Assim, no lanamento de uma moeda, o evento "tirar cara" e o evento
"tirar coroa" so mutuamente exclusivos, j que, ao se realizar um deles, o outro no se realiza.

Se dois eventos so mutuamente exclusivos, a probabilidade de que um ou outro se
realize igual soma das probabilidades de que cada um deles se realize:
) B ( P ) A ( P ) B OU A ( P ) B A ( P + = =
Exemplos:
1) No lanamento de um dado qual a probabilidade de se tirar o n 3 ou o n 4 ?
Os dois eventos so mutuamente exclusivos ento:
3 1 6 1 6 1 ) 4 . no ( P ) 3 . no ( P ) B OU A ( P ) B A ( P = + = + = =

2) Um parafuso selecionado aleatoriamente de um lote de 100 parafusos, sendo que 15
apresentam pequenos defeitos e 10 so no-conformes (no aceitveis). Qual a probabilidade
do parafuso selecionado ser:
a) Perfeito ou apresentar pequeno defeito?
b) Apresentar pequeno defeito ou no-conforme?
Soluo:
15 , 0
100
15
) defei to pequeno ( P = =
10 , 0
100
10
) conforme no ( P = =

A
B
S

SACHIKO ARAKI LIRA
37
75 , 0
100
75
) perfei to ( P = =
a) 90 , 0
100
15
100
75
) defei to pequeno ou perfei to ( P = + =
b) 25 , 0
100
10
100
15
) conforme no ou defei to pequeno ( P = + =
2.4 DEFINIO CLSSICA DE PROBABILIDADE
Seja A um subconjunto do espao amostral S. Ento, se todos os resultados elementares de S
so equiprovveis, a medida da probabilidade de ocorrncia do evento A dada por:
) S ( n
) A ( n
S em el ementos de nmero
A em el ementos de nmero
) A ( P = =
2.5 DEFINIO AXIOMTICA DE PROBABILIDADE
Seja o espao amostral S associado a um certo experimento. A cada evento S Ae
associa-se um nmero real representado por ) A ( P , chamado de probabilidade de A ,
satisfazendo as propriedades:
1) 1 ) A ( P 0 s s
2) 1 ) S ( P = (ou seja, a probabilidade do evento certo igual a 1 )
3) sejam A e B dois eventos mutuamente exclusivos. A probabilidade de ocorrncia de A ou B
igual soma das probabilidades individuais.
) B ( P ) A ( P ) B ou A ( P + =
2.6 PROBABILIDADE CONDICIONAL
Definio 4: Sejam A e B eventos de um experimento E, com 0 ) B ( P > . Ento a probabilidade
condicional do evento A dado que B tenha ocorrido :
) B ( P
) B A ( P
) B | A ( P

= , E Ae
Exemplo: A tabela a seguir fornece um exemplo de 400 itens classificados por falhas na
superfcie e como defeituosos (funcionalmente).
DEFEITUOSO
FALHAS NA SUPERFCIE
Sim No TOTAL
Sim 10 18 28
No 30 342 372
TOTAL 40 360 400

38

a) Qual a probabilidade do item ser defeituoso, dado que apresenta falhas na superfcie?
b) Qual a probabilidade de ter falhas na superfcie dado que defeituoso?
Soluo:

A Probabilidade Condicional pode assumir a forma abaixo, chamada algumas vezes de
teorema da multiplicao de probabilidades:
) B ( P ) B | A ( P ) B A ( P = , ou de forma equivalente, ) A ( P ) A | B ( P ) B A ( P =
Exemplo: A probabilidade de que o primeiro estgio de uma operao,numericamente
controlada, de usinagem para pistes com alta rpm atenda s especificaes igual a 0,90.
Falhas so devido a variaes no metal, alinhamento de acessrios, condies da lmina de
corte, vibrao e condies ambientais. Dado que o primeiro estgio atende s especificaes, a
probabilidade de que o segundo estgio de usinagem atenda especificaes de 0,95. Qual a
probabilidade de ambos os estgios atenderem as especificaes?
855 , 0 90 , 0 95 , 0 ) A ( P ) A | B ( P ) B A ( P = = =
2.7 TEOREMA DA PROBABILIDADE TOTAL
Suponha que eventos aleatrios
k 2 1
A , , A , A sejam k conjuntos mutuamente
exclusivos e exaustivos ) S ... , A A A (
k 2 1
= . Ento:

=
i
i i
) A | B ( P ). A ( P ) B ( P
Exemplos:
1) A probabilidade de que um conector eltrico que seja mantido seco falhe durante o perodo de
garantia de um computador porttil 1%. Se o conector for molhado, a probabilidade de falha
durante o perodo de garantia ser de 5%. Se 90% dos conectores forem mantidos secos e 10%
forem mantidos molhados, qual a probabilidade dos conectores falharem durante o perodo da
garantia?
Soluo:

SACHIKO ARAKI LIRA
39
2) Suponha que na fabricao de semicondutores, a probabilidade seja de 0,10 de que um chip
que esteja sujeito a altos nveis de contaminao durante a fabricao cause uma falha no
produto. A probabilidade de 0,005 de que um chip que no esteja sujeito a altos nvei s de
contaminao durante a fabricao cause uma falha no produto. Em um dado instante da
produo, 20% dos chips esto sujeitos a altos nveis de contaminao. Qual a probabilidade de
um produto usando um desses chips vir a falhar?
Soluo:

2.8 TEOREMA DE BAYES
Uma das relaes mais importantes envolvendo probabilidades condicionais dada pelo
teorema de Bayes, que expressa uma probabilidade condicional em termos de outras
probabilidades condicionais.
=
=
k
1 j
j j
i i
i
) A | B ( P ). A ( P
) A | B ( P ). A ( P
) B | A ( P

Exemplo: Uma determinada pea produzida por trs fbricas, A, B e C. Sabe-se que a fbrica
1 produz o dobro de peas que 2, e 2 e 3 produziram o mesmo nmero de peas durante um
perodo de produo especificado. Sabe-se tambm que 2% das peas produzidas por 1 e por 2
so defeituosas, enquanto 4% daquelas produzidas por 3 so defeituosas. Todas as peas so
colocadas num depsito. Uma pea retirada ao acaso do depsito e se verifica que
defeituosa. Qual a probabilidade de que tenha sido produzida na fbrica 1?

Definio dos eventos:
B={ a pea defeituosa}
A1={ a pea da fbrica 1}
A2{ a pea da fbrica 2}
A3={ a pea da fbrica 3}
02 , 0 ) A | B ( P
1
=
2
1
) A ( P
1
=

40
02 , 0 ) A | B ( P
2
=
4
1
) A ( P
2
=
04 , 0 ) A | B ( P
3
=
4
1
) A ( P
3
=
=
=
k
1 j
j j
i i
i
) A | B ( P ). A ( P
) A | B ( P ). A ( P
) B | A ( P
) A | B ( P ). A ( P ) A | B ( P ). A ( P ) A | B ( P ). A ( P
) A | B ( P ). A ( P
) B | A ( P
3 3 2 2 1 1
1 1
1
+ +
=
40 , 0
04 , 0 4 1 02 , 0 4 1 02 , 0 2 1
02 , 0 2 1
) B | A ( P
1
=
+ +

=
2) Cada objeto manufaturado submetido para exame com a probabilidade 0,55 a um
controlador e com a probabilidade 0,45 a um outro. A probabilidade de passar no exame ,
segundo o controlador, respectivamente igual a 0,90 e 0,98. Achar a probabilidade de que um
objeto aceito tenha sido examinado pelo segundo controlador.

LISTA DE EXERCCIOS NO. 2 - PROBABILIDADES
1. De uma caixa contendo 100 peas entre as quais 10 so defeituosas se extraem quatro peas
ao acaso, sem reposio. Encontrar a probabilidade de que entre estas no ocorra:
a) nenhuma pea defeituosa;
b) nenhuma pea boa.
2. De um lote de 15 vlvulas 10 so boas. Encontrar a probabilidade de que de 3 vlvulas
extradas ao acaso, sem reposio, 2 sejam boas.
3. Uma caixa contm 20 peas das quais 5 so defeituosas. Extraem-se duas ao acaso, sem
reposio. Qual a probabilidade de:
a) ambas serem boas?
b) ambas serem defeituosas?
c) uma boa e outra defeituosa?
4. Dois aparelhos de alarme independentes funcionam, no caso de avaria, com a probabilidade
0,95 e 0,90, respectivamente. Achar a probabilidade de que numa avaria funcione apenas um
dos aparelhos.
5. A probabilidade de que numa medio o erro ultrapasse o admitido 0,4. Achar a
probabilidade de que em apenas uma medio de uma srie de trs o erro ultrapasse o
admitido.

SACHIKO ARAKI LIRA
41
6. A probabilidade de que uma pea do tipo exigido se ache em cada uma de quatro caixas
igual, respectivamente, a 0,60; 0,70; 0,80 e 0,90. Calcular a probabilidade de que tal pea se
encontre:
a) no mximo em trs caixas;
b) pelo menos em duas caixas.
7. Um circuito eltrico constitudo de trs elementos ligados em srie que deixam de funcionar
com probabilidade 10 , 0 p
1
= ; 15 , 0 p
2
= ; 20 , 0 p
3
= , respectivamente. Achar a probabilidade de que
no haja corrente no circuito.
8. Um dispositivo de freio de automvel consiste de trs subsistemas, que devem funcionar
simultaneamente para que o freio funcione. Os subsistemas so um sistema eletrnico, um
sistema hidrulico e um ativador mecnico. Ao frear, a probabilidade de sucesso dessas
unidades de 0,96, 0,95 e 0,95, respectivamente. Estime a confiabilidade do sistema, admitindo
que os subsistemas funcionem independentemente.
Comentrio: Sistemas deste tipo podem ser representados graficamente, conforme ilustrao
abaixo, onde os subsistemas A (eletrnico), B (hidrulico) e C (ativador mecnico), dispem-se
em srie. Considera-se a trajetria a-b como a trajetria do sucesso.

9. Os automveis so equipados com circuitos redundantes de frenagem; os freios falham
somente quando todos os circuitos falham. Consideremos o caso de dois circuitos redundantes,
ou paralelos, cada um com 0,95 de confiabilidade (probabilidade de sucesso). Determine a
confiabilidade do sistema, supondo que os circuitos atuem independentemente.
10. Respectivamente 60 e 84 por cento das peas fornecidas por duas mquinas automticas, a
produtividade da primeira sendo o dobro da segunda, so de alta qualidade. Tendo-se
constatado que uma pea escolhida ao acaso de alta qualidade, achar a probabilidade de que
provenha da primeira mquina (teorema de Bayes).
11. Um relatrio de controle de qualidade de transistores acusa os seguintes resultados por
fabricante e por qualidade:
FABRI-
CANTE
QUALIDADE
Aceitvel Marginal Inaceitvel TOTAL
A 128 10 2 140
B 97 5 3 105
C 110 5 5 120
Escolhido um transistor ao acaso, qual a probabilidade:
a) de provir do fabricante A e ser de qualidade aceitvel?
b) de ser aceitvel, dado que provm do fabricante C?
c) de provir do fabricante B, dado que apresenta qualidade marginal?

0,96 0,95 0,95
a b
A B C

42
12) Suponha que na fabricao de semicondutores, as probabilidades de que um chip, sujei to a
alto, mdio ou baixo nvel de contaminao durante a fabricao, cause uma falha no produto
sejam respectivamente iguais a 0,10, 0,01 e 0,001. Em um experimento particular da produo,
20% dos chips esto sujeitos a altos nveis de contaminao, 30% a nveis mdios de
contaminao e 50% a baixos nveis de contaminao. Qual a probabilidade de um produto
falhar ao usar um desses chips?

SACHIKO ARAKI LIRA
43
VARIVEIS ALEATRIAS E DISTRIBUIES
DISCRETAS DE PROBABILIDADES
3.1 DEFINIES

Definio 1: Seja E um experimento e S o espao amostral associado ao experimento. Varivel
aleatria unidimensional uma funo X, que associa a cada elemento S se , um nmero real
) s ( X .

Exemplo: Uma caixa contm 4 vlvulas, sendo duas perfeitas e duas defeituosas. Duas vlvulas
so retiradas aleatoriamente da caixa e testadas (sendo representadas por D se a pea
defeituosa e P se a pea perfeita). O espao amostral associado a este evento :
S={PP,PD,DP,DD}
Seja a varivel aleatria X=nmero de vlvulas defeituosas. Os valores possveis da
varivel aleatria X, sero:

} 2 , 1 , 0 { R
X
=

Definio 2: Seja X uma varivel aleatria discreta. A funo de probabilidade, associa um
nmero real ) x X ( P i = , chamado de probabilidade de
i
x , a cada possvel resultado
i
x .
Tem-se que:
1 ) x X ( P 0
i
s = s
e
= =
S x
1 ) x X ( P
i

Uma distribuio de probabilidade uma descrio, que fornece a probabilidade para
cada valor da varivel aleatria. Ela frequentemente expressa na forma de um grfico, de uma
tabela ou uma frmula.

Exemplo1: No lanamento de duas moedas ao ar, tem-se que os possveis resultados so: CC,
Ck, KC, KK (C=cara e K=coroa). Seja X, a varivel aleatria nmero de caras. Ento, X poder
assumir os valores:

s
S
X
) s ( X
X
R

VARIVEIS ALEATRIAS E DISTRIBUIES DISCRETAS DE PROBABILIDADES
44
=
= =
=
=
CC s se , 2
KC s ou CK s se , 1
KK s se , 0
) s ( X
A distribuio de probabilidade da varivel aleatria X :
x X =
) x X ( P =

0 1/4
1 1/2
2 1/4

Exemplo 2: Em um processo de fabricao de semicondutores, 3 pastilhas de um lote so
testadas. Cada pastilha classificada como passa ou falha. Suponha que a probabilidade de
uma pastilha passar no teste seja de 0,8 e que as pastilhas sejam independentes. Seja X a
varivel nmero de pastilhas de um lote que passam no teste. A distribuio de probabilidade de
X ser:

008 , 0 2 , 0 ) 8 , 0 1 ( ) f , f , f ( P ) 0 x ( P
3 3
= = = = =
096 , 0 0,032 3 ) 20 , 0 20 , 0 80 , 0 ( 3 ) p , f , f ( P ou ) f , p , f ( P ou ) f , f , p ( P ) 1 x ( P = = = = =
0,384 0,128 3 ) 20 , 0 80 , 0 80 , 0 ( 3 ) p , p , f ( P ou ) p , f , p ( P ou ) f , p , p ( P ) 2 x ( P = = = = =
0,512 8 , 0 ) p , p , p ( P ) 3 x ( P
3
= = = =

x X = ) x X ( P =
0 0,008
1 0,096
2 0,384
3 0,512

Definio 3: Seja X uma varivel aleatria. A funo de distribuio acumulada ou de
repartio de X definida como

) x X ( P ) x ( F s =

Se X for varivel discreta, tem-se
) x ( P ) x ( F
i
x x
i
s
=

Esperana
O valor esperado, expectncia ou a esperana matemtica E(X), de uma varivel
aleatria discreta X, que a mdia da distribuio, definida por:
) x X ( P x ) X ( E
i i
n
1 i
= =

=

SACHIKO ARAKI LIRA
45
Varincia
A varincia da varivel aleatria discreta X, representada por ) X ( V ou
2
o , definida por:
| | | |
=
= = o =
n
1 i
i i
2
) x ( P ) X ( E x ) X ( E X E ) X ( V
2 2

Exemplo 1: Seja X uma varivel aleatria discreta que representa o nmero de peas
defeituosas em cada 5 peas inspecionadas. Sabendo-se que a probabilidade de uma pea ser
defeituosa de 20%, obtm-se a seguinte distribuio de probabilidade:

i
x
0 1 2 3 4 5
) x ( p
i

0,3277 0,4096 0,2048 0,0512 0,0064 0,0003

Qual o valor esperado de X ( ) X ( E ) e a varincia ( )) X ( V ?
0003 , 0 5 0064 , 0 4 0512 , 0 3 2048 , 0 2 4096 , 0 1 3277 , 0 0 ) x ( p x ) X ( E
i i
1 i
+ + + + + = =

=

1 ) X ( E =
Portanto, em cada 5 peas inspecionadas, o nmero esperado de pea defeituosa 1.
| | | |
=
= = o =
n
1 i
i i
2
) x ( P ) X ( E x ) X ( E X E ) X ( V
2 2
+ + + + = 0512 , 0 ) 1 3 ( 2048 , 0 ) 1 2 ( 4096 , 0 ) 1 1 ( 3277 , 0 ) 1 0 ( ) X ( V
2 2 2 2

0003 , 0 ) 1 5 ( 0064 , 0 ) 1 4 (
2 2
+ +
0,7997 ) X ( V =

Exemplo 2: O tempo T, em minutos, necessrio para um operrio processar certa pea uma
varivel aleatria com a seguinte distribuio de probabilidade:

t
2 3 4 5 6 7
P(t)
0,1 0,1 0,3 0,2 0,2 0,1

Calcular: ) X ( E e ) X ( V
a) ) x ( p x ) X ( E
i i
1 i

=
= =
6 , 4 1 , 0 7 2 , 0 6 2 , 0 5 3 , 0 4 1 , 0 3 1 , 0 2 ) X ( E = + + + + + = =
b) | |

=
= o =
n
1 i
i
2
) x ( p x ) X ( V
i
2

1 , 0 ) 6 , 4 7 ( 2 , 0 ) 6 , 4 6 ( 2 , 0 ) 6 , 4 5 ( 3 , 0 ) 6 , 4 4 ( 1 , 0 ) 6 , 4 3 ( 1 , 0 ) 6 , 4 2 ( ) X ( V
2 2 2 2 2 2
+ + + + + =
04 , 2 ) X ( V =

46
Definio 4: Seja E um experimento com espao amostral S. Sejam ) s ( X X = e ) s ( Y Y = duas
funes, cada uma associando um nmero real a cada resultado S s e . Tem-se ento que (X,Y)
uma Varivel Aleatria Bidimensional.

Seja o experimento: retirar uma barra de ferro de um lote e observar a dimenso (largura
e o comprimento); tem-se neste caso duas variveis aleatrias X e Y.
3.2 DISTRIBUIES DE PROBABILIDADES DISCRETAS
3.2.1 DISTRIBUIO BINOMIAL
Uma varivel aleatria discreta X, que conta o nmero de sucessos em n provas
independentes, que apresentam os resultados sucesso ) p ( ou fracasso ) p 1 q ( = , tem
distribuio binomial. Sua funo de probabilidade dada por:

x n x
q p
x
n
) x X ( P

|
|
.
|
\
|
= = , n , , 2 , 1 , 0 x = e 1 p 0 < <
A funo de distribuio dada por:

>
s s
|
|
.
|
\
|
<
= s =

=

n x se , 1
n x 0 se , q p
k
n
0 x se , 0
) x X ( P ) x ( F
x
0 k
k n k

Os parmetros da distribuio so:
Mdia p n ) X ( E =
Varincia q p n ) X ( V =
Exemplo 1: Seja X uma v.a. que indica o nmero de peas no conformes (no segue a
especificao definida no projeto de qualidade) produzidas pela mquina Z. Se a probabilidade
desta maquina produzir uma pea no conforme de 15%, ao selecionar aleatoriamente 5
peas, pede-se:
a) a probabilidade de nenhuma pea ser no conforme;
b) a probabilidade de todas as peas serem de acordo com especificao do projeto de
qualidade;
c) obter a distribuio de probabilidade e o grfico.
Soluo:
a) 5 n =

S
s
s
X(s)
Y(s)
Y X
R

SACHIKO ARAKI LIRA
47
15 , 0 p =
85 , 0 q =
0 x = (pea conforme)
0,4437 ) 85 , 0 ( ) 15 , 0 (
0
5
) 0 X ( P
0 5 0
=
|
|
.
|
\
|
= =

b) 0,4437 ) 0 X ( P ) o especifica as com acordo de todas ( P = = =
c) Distribuio de Probabilidade

DISTRIBUIO DE PROBABILIDADE DE X
x
) x X ( P =
0
0,4437
1
0,3915
2
0,1382
3
0,0244
4
0,0022
5
0,0001

Grficamente:

A seguir, o grfico da funo de distribuio.

48
Exemplo 2: Seja X uma v.a. que indica o nmero de parafusos defeituosos produzidos pela
mquina A. Se a probabilidade desta maquina produzir um parafuso defeituoso de 5%, ao
selecionar aleatoriamente dois parafusos, qual a probabilidade de ambos serem defeituosos?
p=probabilidade de ser defeituoso=0,05
p 1 = probabilidade de ser perfeito=1-0,05=0,95
% 25 , 0 0025 , 0 ) 95 , 0 ( ) 05 , 0 (
2
2
) 2 X ( P
2 2 2
= =
|
|
.
|
\
|
= =

Ao selecionar 50 parafusos produzidos por esta mquina, espera-se uma mdia de 2,5
parafusos defeituosos, e uma varincia de 2,4 (parafusos defeituosos)
2
.
3.2.2 DISTRIBUIO DE POISSON
A distribuio de Poisson pode ser aplicada a muitos casos prticos nos quais interessa
o nmero de vezes que um determinado evento pode ocorrer durante um intervalo de tempo ou
distncia, rea ou outra unidade de medida anloga.
Uma v.a. discreta X tem distribuio de Poisson se sua funo de probabilidade dada
por:

! x
) x X ( P
x
e

= = , , 2 , 1 , 0 x = e 0 > (probabilidade de sucesso)

>
<
= s =
x
0 k
0 x se ,
! k
0 x se , 0
) x X ( P ) x ( F
k
e

Mdia: = ) X ( E
Varincia: = ) X ( V

Exemplo 1: So contados os nmeros de partculas radioativas emitidas em cada intervalo de 5
segundos. Suponha que o nmero de partculas emitidas, durante cada intervalo de 5 segundos,
tenha uma distribuio de Poisson com parmetro 2,0. Pede-se:
a) qual a probabilidade de que menos de 3 partculas sejam emitidas?
b) supondo que 10 contagens so realizadas, construir a distribuio de probabilidade.

Soluo:
a)
! 2
2
! 1
2
! 0
2
) 2 X ( P ) 1 X ( P ) 0 X ( P ) 3 X ( P
2 1 0 2 2 2
e e e

+ + = = + = + = = <
0,6767 2707 , 0 2707 , 0 1353 , 0 ) 3 X ( P = + + = <

SACHIKO ARAKI LIRA
49
DISTRIBUIO DE PROBABILIDADE DE X
X
) x X ( P =
0 0,1353
1 0,2707
2 0,2707
3 0,1804
4 0,0902
5 0,0361
6 0,0120
7 0,0034
8 0,0009
9 0,0002
10 0,0000

Grficamente:

A funo de distribuio:

Exemplo 2: Seja X o nmero de acidentes mensais ocorridos numa determinada indstria. Se o
nmero mdio de acidentes por ms 3, qual a probabilidade de no ocorrer nenhum acidente
no prximo ms?
% 5 050 , 0
! 0
3
) 0 X ( P
3
3
e
e
0
= = = = =

50
3.2.3 DISTRIBUIO HIPERGEOMTRICA
Suponha que em um lote de N peas, k so defeituosas e (N-k) so perfeitas e
escolhem-se ao acaso, n peas desse lote ) N n ( s . Pode-se estar interessado na probabilidade
de selecionar x peas dos k rotulados como defeituosos e (n-x) perfeitas dos (N-k) rotulados
como perfeitas. Esse experimento chamado hipergeomtrico.
Uma v.a. discreta X tem distribuio hipergeomtrica se sua f.p. dada por:

|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
n
N
x n
k N
x
k
) x X ( P

j x 0 se ,
j x se , 1
n
N
j n
k N
j
k
j x se , 0
) x X ( P ) x ( F
k
0 j
s s
>
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
<
= s =

=

Mdia: p n ) X ( E =
Varincia:
1 N
n N
npq ) X ( V
= , onde
N
k
1 q ;
N
k
p = = .
Exemplo 1: Pequenos motores eltricos so expedidos em lotes de 30 unidades. Antes que
uma remessa seja aprovada, um inspetor seleciona ao acaso 3 destes motores para inspeo.
Se nenhum dos motores inspecionados for defeituoso, o lote aprovado. Se um ou mais dos
motores verificados forem defeituosos, o lote todo inspecionado. Suponha que existam, de
fato, 2 motores defeituosos no lote. Qual a probabilidade de que a inspeo de todo o lote seja
necessria?
N=30 (nmero de casos total na populao)
k=2 (nmero de casos favorveis na populao)
n=3 (tamanho da amostra)
x=1,2,3 (nmero de casos desfavorveis na amostra)

A probabilidade de que a inspeo seja necessria igual a
) 3 X ( P ) 2 X ( P ) 1 X ( P = + = + = ou ) 0 X ( P 1 ) 1 X ( P = = >

SACHIKO ARAKI LIRA
51
% 31 , 19 1931 , 0 8069 , 0 1
3
30
3
28
0
2
1
3
30
0 3
2 30
0
2
1 ) 0 X ( P 1 ) 1 X ( P = =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = >

DISTRIBUIO DE PROBABILIDADE DE
X
x

p(x)

0 0,8069
1 0,1862
2 0,0069
3 0,0000

Grficamente:

A funo de distribuio:

Exemplo 2: Uma empresa adquiriu diversas caixas contendo cada uma 15 lmpadas. Ela
decidiu fazer uma inspeo por amostragem sem reposio, analisando 5 lmpadas de uma
caixa. A caixa ser aceita caso encontre no mximo duas defeituosas. Qual a probabilidade de
aceitar uma caixa sabendo que a qualidade do produto definida por 20% de defeituosos?
N=15

52
n=5
2 x s
3 15 * 20 , 0 k = =
) 2 X ( P ) 1 X ( P ) 0 X ( P ) 2 X ( P = + = + = = s
% 80 , 97 9780 , 0
003 . 3
937 . 2
003 . 3
660 485 . 1 792
5
15
2 5
3 15
2
3
5
15
1 5
3 15
1
3
5
15
0 5
3 15
0
3
) 2 X ( P = = =
+ +
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= s

LISTA DE EXERCCIOS NO. 3 DISTRIBUIES DE PROBABILIDADES DISCRETAS
1. O nmero de mensagens enviadas por hora, atravs de uma rede de computadores, tem a
seguinte distribuio:

x = nmero de
mensagens
10 11 12 13 14 15
p(x) 0,08 0,15 0,30 0,20 0,20 0,07
Calcular:
E(X);
V(X).
2. Seja X=o nmero de cilindros do motor do prximo carro a ser regulado em certa oficina. A
funo de probabilidade dada por:

x 4 6 8
p(x) 0,5 0,3 0,2
a) calcular ) X ( E
b) calcular ) X ( V
c) calcular o
3. Suponha que
8
x
) x ( f = , para 5 X 3 < < . Calcular:
a) Funo distribuio acumulada;
b) E(X);
c) V(X).
4. Um proprietrio acaba de instalar 20 lmpadas em uma nova casa. Supondo que cada
lmpada tenha 0,20 de probabilidade de funcionar por mais de trs meses, pede-se:
a) qual a probabilidade de ao menos cinco delas durarem mais de trs meses?
b) qual o nmero mdio de lmpadas que devero ser substitudas em trs meses?
5. Repete-se um experimento 5 vezes. Supondo que a probabilidade de sucesso em uma prova
seja 0,75, e admitindo a independncia dos resultados das provas:
a) qual a probabilidade de todas as cinco provas resultarem em sucesso?
b) qual o nmero esperado de sucesso?

SACHIKO ARAKI LIRA
53
6. Um produto eletrnico contm 40 circuitos integrados. A probabilidade de que qualquer
circuito integrado seja defeituoso de 0,01. Os circuitos integrados so independentes. O
produto opera somente se no houver circuitos integrados defeituosos. Qual a probabilidade
de que o produto opere?
7. Um departamento de conserto de mquinas recebe uma mdia de 5 chamadas por hora.
Qual a probabilidade de que em uma hora selecionada aleatoriamente sejam recebidas:
a) Exatamente trs chamadas?
b) Menos que trs chamadas?
8. Bateladas que consistem em 50 molas helicoidais, provenientes de um processo de produo
so verificadas com respeito conformidade em relao aos requerimentos dos consumidores.
O nmero mdio de molas no-conformes em uma batelada igual 5. Considere que o nmero
de molas no-conformes em uma batelada, denotado por X, seja uma varivel aleatria
binomial. Pede-se:
a) qual a probabilidade do nmero de molas no-conformes em uma batelada seja menor ou
igual a 2?
b) qual a probabilidade do nmero de molas no-conformes em uma batelada seja maior ou
igual a 49?
9. Suponha que 90% de todas as pilhas do tipo D, de certo fabricante, tenham voltagens
aceitveis. Um determinado tipo de lanterna necessita de 2 pilhas tipo D, e ela s funciona se as
duas pilhas tiverem voltagem aceitvel. Entre 10 lanternas selecionadas aleatoriamente, qual a
probabilidade de:
a) pelo menos 9 funcionarem?
b) no mximo 2 funcionarem?
10. Seja X o nmero de falhas na superfcie de uma caldeira de um determinado tipo
selecionado aleatoriamente, com distribuio de Poisson de parmetro 5 = . Calcular:
a) ) 2 x ( P s
b) ) 8 x ( P =
c) ) 8 x 5 ( P s s
11. Cartes de circuito integrado so verificados em um teste funcional depois de serem
preenchidos com chips semicondutores. Um lote contm 140 cartes e 20 so selecionados sem
reposio para o teste funcional.
a) se 20 cartes forem defeituosos, qual ser a probabilidade de no mnimo 1 carto defeituoso
estar na amostra?
b) se 5 cartes forem defeituosos, qual ser a probabilidade de 1 carto defeituoso aparecer na
amostra?
12. Num lote de 20 pneus enviadas a um fornecedor sabe-se que h 5 defeituosos. Um cliente
vai a esse fornecedor comprar 4 pneus. Qual a probabilidade de levar 1 defeituoso?

VARIVEIS ALEATRIAS E DISTRIBUIES CONTNUAS DE PROBABILIDADES
54
VARIVEIS ALEATRIAS E DISTRIBUIES
CONTNUAS DE PROBABILIDADES
4.1 DEFINIES
Definio 1: Seja X uma varivel aleatria continua. A funo densidade de probabilidade
) x ( f , uma funo que satisfaz as seguintes condies:
0 ) x ( f > para todo
X
R xe
1 ) x ( d ) x ( f =
}

.
Exemplo: Seja X uma varivel contnua com funo densidade de probabilidade dada por:
16
x
) x ( f = , 6 x 2 < <
0 ) x ( f = , para qualquer outros valores.

A funo densidade de probabilidade :
Para 2 x =
8
1
16
2
) 2 ( f = =
Para 4 x =
8
2
16
4
) 4 ( f = =
Para 6 x =
8
3
16
6
) 6 ( f = =
A condio 1 ) x ( d ) x ( f =
}

, indica que a rea total limitada pela curva que representa ) x ( f e
o eixo das abcissas igual a 1.
Seja o intervalo [a,b] de
X
R . A probabilidade de um valor de X pertencer a esse intervalo
ser dada por:
}
= s s
b
a
dx ) x ( f ) b X a ( P , que representa a rea sob a curva da funo densidade
de probabilidade.
Para variveis aleatrias contnuas, as probabilidades so interpretadas como reas.
Sendo X uma varivel aleatria continua, a probabilidade em um ponto nula, ento:
) b X a ( P ) b X a ( P ) b X a ( P ) b X a ( P < < = s < = < s = s s
Definio 2: Seja X uma varivel aleatria. A funo de distribuio acumulada ou de
repartio de X definida como

) x X ( P ) x ( F s =

SACHIKO ARAKI LIRA
55
Se X for varivel aleatria continua, tem-se:

}

= s =
x
dx ) x ( f ) x X ( P ) x ( F
Exemplo: Seja X uma varivel contnua com funo densidade de probabilidade dada
por:
16
x
) x ( f = , 6 x 2 < <

A funo de distribuio acumulada dada por:
| | 1
32
32
2 6
32
1
2
x
16
1
dx
16
x
0 dx ) x ( f dx ) x ( f ) x ( F
2 2
6
2
2 6
2
6
2
2
= = =
(
(
= + = + =
} } }

Esperana
A esperana matemtica E(X), de uma varivel aleatria continua X, com funo
densidade de probabilidade ) x ( f , definida por:

}

= = dx ) x ( f x ) X ( E
Varincia
Se X uma varivel aleatria contnua, a varincia, representada por
2 2
X
) X ( V o o = =
definida por:
}
o

= = dx ) x ( f ) x ( ) X ( V
2 2

As propriedades da varincia para varivel aleatria continua so as mesmas das j
apresentadas para varivel aleatria discreta.

Exemplo1: Seja X uma varivel contnua com funo densidade de probabilidade dada por:
16
x
) x ( f = , 6 x 2 < <
Qual o valor esperado e a varincia de X?
| | 33 , 4 2 6
48
1
3
x
16
1
dx x
16
1
dx
16
x
x ) X ( E
3 3
6
2
3
6
2
2
6
2
= =
(
(
= = = =
} }

}
o

= = dx ) x ( f ) x ( ) X ( V
2 2

56
} }
+ - = =
6
2
2 2
6
2
2
dx
16
x
) 33 , 4 x 33 , 4 2 x ( dx
16
x
) 33 , 4 x ( ) X ( V
6
2
2
6
2
3
6
2
4
6
2
2
3
2
x
16
7489 , 18
3
x
16
66 , 8
4
x
16
1
dx )
16
x 7489 , 18
x
16
66 , 8
16
x
( ) X ( V
(
(
+
(
(
(
(
= + =
}

(
(

+
(
(
(
(

=
2
2 6
16
7489 , 18
3
2 6
16
66 , 8
4
2 6
16
1
) X ( V
2 2 3 3 4 4

(
+
(
=
2
32
16
7489 , 18
3
208
16
66 , 8
4
1280
16
1
) X ( V
1,22 ) X ( V =

Exemplo 2: Suponha que 25 , 0 ) x ( f = , para 4 x 0 s s . Determine a mdia e a varincia.
Soluo:
a)
}

= = dx ) x ( f x ) X ( E
| | 2 0 4
2
25 , 0
2
x
25 , 0 dx x 25 , 0 dx 25 , 0 x ) X ( E
2 2
2
4
0
4
0
4
0
= =
(
(
= = = =
} }

b)
}
o

= = dx ) x ( f ) x ( ) X ( V
2 2

| |
} }
o
+
(
(
(
(
= + = = =
4
0
4
0
4
0
4
0
2
4
0
3
2 2 2
x 4
2
x
4
3
x
25 , 0 dx ) 4 x 4 x ( 25 , 0 dx 25 , 0 ) 2 x ( ) X ( V
33 , 1 ) X ( V =

4.2 DISTRIBUIES DE PROBABILIDADES CONTINUAS
4.2.1 DISTRIBUIO EXPONENCIAL
Uma v.a. continua X, tem distribuio exponencial se sua funo densidade de
probabilidade dada por:

x
e ) x ( f

= , 0 x >

x x
e e 1 dx ) x X ( P ) x ( F
x
0

= = s =
}
, 0 x >
Portanto:
x
e ) x X ( P

= >

SACHIKO ARAKI LIRA
57
Mdia:
=
1
) X ( E
Varincia
2
1
) X ( V
=

Essa distribuio tem papel importante na descrio de uma grande classe de
fenmenos, particularmente nos assuntos relacionados a teoria da confiabilidade.

Exemplo 1: O tempo de vida X (em horas) das lmpadas eltricas fabricadas por uma
empresa uma varivel aleatria, tendo sua funo densidade de probabilidade dada por:

<
=
>
0 x se 0
002 , 0
) x ( f
0 x se , x
e
002 , 0

a) qual a probabilidade do tempo de vida de uma lmpada ser superior a 600 horas?
b) qual o tempo de vida esperado?

Soluo:

a) 002 , 0 =
| | 3012 , 0 e 0 002 , 0 ) 600 X ( P
600 002 , 0
600
x 002 , 0 x 002 , 0
e e
600
= + = = = >

b) horas 500
002 , 0
1 1
) X ( E = = =

Exemplo 2: A vida mdia de um satlite 4 anos, seguindo o modelo exponencial. Seja
X a varivel definindo o tempo de vida do satlite. Calcule a ) 4 X ( P > .
Soluo:
4
1
) X ( E = =
, portanto,
4
1
=
Ento, % 79 , 36 3679 , 0 ) 4 X ( P
1
4
4
1
e e e
x
= = = = >

=

4.2.2 DISTRIBUIO NORMAL OU GAUSSIANA
uma das mais importantes distribuies de probabilidades, sendo aplicada em
inmeros fenmenos e frequentemente utilizada para o desenvolvimento terico da inferncia
estatstica.
Uma v.a. continua X, tem distribuio normal ou Gaussiana se sua funo densidade de
probabilidade dada por:

58

2
x
2
1
e
2
1
) x ( f
|
.
|
\
|
o

t o
= ,
+
e e e o R , R , R x ,

( )
dx e
2
1
) x ( d ) x ( f ) x X ( P ) x ( F
2
x
2
1
x x
o
} }
t o
= = s =

Mdia: = ) X ( E
Varincia:
2
) X ( V o =
Quando se deseja especificar que a varivel aleatria X, segue distribuio normal com
mdia e varincia
2
o , usa-se a notao: ) ( N ~ X
2
;o .
A distribuio normal definida a partir de dois parmetros, a mdia e o desvio padro
o da distribuio, por exemplo, a curva da distribuio normal ) x ( f para 40 = , 10 = o e
valores da varivel aleatria no intervalo (10, 70) mostrada no grfico abaixo.

Uma das caractersticas importantes que a partir desses dois parmetros ser possvel
calcular, por exemplo, a percentagem de valores que devero estar acima ou abaixo de um
determinado valor da varivel aleatria, ou entre esses dois valores definidos etc.
A probabilidade ) b X a ( P s s de a varivel aleatria contnua X ser igual ou maior que a
e, ao mesmo tempo, menor ou igual a b, obtida da rea definida pela funo ) x ( f entre os
limites a e b, sendo a b > . O clculo feito integrando-se a funo ) x ( f no intervalo ) b , a ( ,
que bastante trabalhoso.
Portanto,
( )
}
o

t o
= s s
b
a
dx
2
1
) b X a ( P
2
x
2
1
e

SACHIKO ARAKI LIRA
59
Representao Grfica:

um grfico em forma de sino. O seu posicionamento em relao ao eixo das ordenadas
e seu achatamento so determinados pelos parmetros e
2
o , respectivamente.
A rea compreendida entre o igual a % 27 , 68 ; entre o 2 igual a % 45 , 95 e
entre o 3 igual a 99,73%.

Propriedades da distribuio normal:
1. ) x ( f possui um ponto de mximo para = X ;
2. ) x ( f tem dois pontos de inflexo cujas abcissas valem o + e o ;
3. ) x ( f simtrica em relao a = X . E, ainda Md Mo = = ;
4. ) x ( f tende a zero quando x tende para (assinttica em relao ao eixo x);
4.3.2.1 DISTRIBUIO NORMAL PADRONIZADA OU REDUZIDA
A varivel normal padronizada Z obtida atravs de uma transformao linear da
varivel normal X, obtendo-se assim uma escala relativa de valores na qual, a mdia o ponto
de referncia e o desvio padro, uma medida de afastamento da mdia.
Considere a transformao:
o

=
X
Z , ento
o
=
dX
dZ .
Tem-se:
( )
o
}
t

o
=
dx
2
1
) x ( F
x
2
x
2
1
e
Utilizando a transformao ser:
( )
dz
2
1
) z ( F
z
2
z
2
1
e
}
t

= , que a funo de distribuio para a varivel normal reduzida.
Mdia: 0 ) Z ( E =
Varincia: 1 ) Z ( V =

60
Grfico da distribuio normal padro:

Exemplo 1: O dimetro de um eixo de um dispositivo tico de armazenagem normalmente
distribudo, com mdia 0,2508 polegadas e desvio padro de 0,0005 polegadas. As
especificaes do eixo so 0015 , 0 2500 , 0 polegada. Que proporo de eixo obedece s
especificaes?
2508 , 0 =
0005 , 0 = o
? ) 2515 , 0 X 2485 , 0 ( P = s s
6 , 4
0005 , 0
2508 , 0 2485 , 0
Z
1
=
=
4 , 1
0005 , 0
2508 , 0 2515 , 0
Z
2
=
=
91,92% 0,9192 0,0000 - 0,9192 ) 4 , 1 Z 6 , 4 ( P ) 2515 , 0 X 2485 , 0 ( P = = = s s = s s

Exemplo 2: O dimetro de um cabo eltrico normalmente distribudo com mdia 0,8 mm e
varincia 0,0004 mm2. Dentre uma amostra de 1.000 cabos, espera-se que quantos tenham
dimetro menor que 0,78 mm?
8 , 0 =
0004 , 0
2
= o => 02 , 0 = o
1
02 , 0
8 , 0 78 , 0
Z =
= => 1587 , 0 ) 1 Z ( P = s
7 , 158 1587 , 0 000 . 1 n = =

SACHIKO ARAKI LIRA
61
4.3.3 DISTRIBUIO
2
_ ( QUI-QUADRADO)
A funo densidade da distribuio
2
_ com v graus de liberdade dada por:
( )
( )
( )
2
2
2
2
2
e
1 2
x
2
2
1
) ( f
_
v
v
_
v
|
.
|
\
|
I
= _ , 0
2
> _ ,
Mdia v _ = ) ( E
2

Varincia v _ = 2 ) ( V
2

Diz-se que
2
_ segue uma distribuio qui-quadrado com parmetro v . O parmetro v
chamado de graus de liberdade da distribuio.
Quando se deseja indicar que uma varivel
2
_ segue uma distribuio qui-quadrado com
v graus de liberdade, usa-se a notao:
) ( ~
2 2
v _ _ ou
2 2
~
v
_ _ .
Esta distribuio possui numerosas aplicaes em inferncia estatstica. Dentre as
aplicaes da Distribuio Qui-quadrado cita-se a construo de intervalos de confiana para
varincias e testes de hipteses.
Utilizao da distribuio
2
_
Determinar os valores de
2
v
_ tais que:
a) 975 , 0 ) 0 ( P
2
3
2
= _ s _ s
Deseja-se obter o valor de
2
3
_ de maneira que, abaixo dele se encontrem a rea
correspondente a 97,5%.
O valor igual a: 3484 , 9
2
3
= _
b) 900 , 0 ) ( P
2
10
2
= _ > _
Neste caso, o valor de
2
10
_ o limite inferior da rea que compreende 90% da
distribuio qui-quadrado.
O valor igual a:
8652 , 4
2
10
= _
.

62
4.3.4 DISTRIBUIO t DE STUDENT
A funo densidade da distribuio t com v graus de liberdade dada por:
( )
2
) 1 (
2
t
1
2
2
1
) t ( f
+ v
|
|
.
|
\
|
+
|
|
.
|
\
|
(
+
v v
I
v
I
=
t v
, R t e ,
Mdia: 0 ) t ( E =
Varincia:
2
) t ( V
=
v
v
para 2 > v , onde o parmetro v o graus de liberdade da
distribuio.
A distribuio t simtrica em relao a 0 t = , sendo que, quando v ela tende para
uma distribuio normal com mdia 0 e varincia 1 (distribuio normal padronizada). O nico
parmetro v que a define e caracteriza a sua forma o nmero de graus de liberdade
(nmero de observaes livres para variar). Quando se deseja indicar que uma varivel aleatria
t segue uma distribuio t de Student com v graus de liberdade, usa-se a seguinte notao
) ( t ~ t v ou
v
t ~ t .
Dentre as utilizaes da Distribuio t, citam-se os testes de hipteses e intervalos de
confiana para amostras pequenas ) 30 n ( < e testes de hipteses para coeficiente de correlao
amostral.

Utilizao da distribuio t de Student

v
t , tais que:
a) 05 , 0 ) t t ( P
5
= <
5
t tal que abaixo dele se encontrem 5% da rea da
distribuio.
O valor igual a: 0150 , 2 t
5
=

b) 10 , 0 ) t t ( P
8
= >
8
t tal que acima dele se encontrem 10% da rea da
distribuio.
O valor igual a: 1,3968 t
8
=

SACHIKO ARAKI LIRA
63
4.3.5 DISTRIBUIO F DE SNEDECOR
A funo densidade da distribuio F com
2 1
e v v graus de liberdade dada por:
( )
|
.
|
\
|
v
v + v
v
(
|
|
.
|
\
|
|
|
.
|
\
|
I
|
|
.
|
\
|
I
(
+ I
=
v
v
v
v
v v
v v
2
2 1
1
2
1
1
2
1
2 1
2 1
F 1
F
2 2
2
1
) F ( f
2
1
2
, 0 F > ,
Mdia:
2
) X ( E
2
2
=
v
v
, 2
2
> v
Varincia:
) 4 ( ) 2 (
) 2 ( 2
) X ( V
2
2
2 1
2 1
2
2

+
=
v v v
v v v
, 4
2
> v
A distribuio F de Snedecor depende de dois parmetros,
2 1
e v v , denominados,
respectivamente, de graus de liberdade do numerador e denominador.
Quando se deseja indicar que a varivel aleatria F segue uma distribuio F de
Snedecor com
2 1
e v v graus de liberdade , respectivamente no numerador e denominador,
usa-se a notao
) , ( F ~ F
2 1
v v ou
2 1
,
F ~ F
v v

Dentre as aplicaes da Distribuio F possvel citar a anlise de varincia (ANOVA) e
anlise de regresso.
Utilizao da distribuio F
2 1
,
F
v v
, tais que:
a) | | 01 , 0 ) 10 , 6 ( F F P = <
10 , 6
F tal que abaixo dele estejam 1% da rea da distribuio.
39 , 5 ) 10 , 6 ( F =
b) | | 05 , 0 ) 5 , 3 ( F F P = >
5 , 3
F tal que acima dele estejam 5% da rea da distribuio.
5,4095 ) 5 , 3 ( F =

64
LISTA DE EXERCCIOS NO. 4 DISTRIBUIES DE PROBABILIDADES CONTNUAS
1. O tempo de operao de uma mquina de embalagem de frascos sem interrupo para
manuteno, tem distribuio exponencial com mdia igual a duas horas. Qual a probabilidade
dessa mquina conseguir operar mais de uma hora sem interrupo?
2. Suponha que um componente eletrnico tenha um tempo de vida X (em unidades de 1.000
horas) que considerado uma varivel aleatria com funo densidade de probabilidade
0 x , ) x ( f
x
e > =

. Qual a probabilidade de 9 , 0 x s ?
3. O tempo (em horas) necessrio para reparar uma mquina uma varivel aleatria
exponencialmente distribuda com parmetro 2 / 1 = . Determine a probabilidade de que o
tempo de reparo exceda duas horas.
4. O dimetro de uma determinada pea uma caracterstica da qualidade importante. Sabe-se
que esse dimetro segue um modelo normal com mdia 40 mm e desvio padro 2 mm. Se a
especificao estabelece que o dimetro deve ser maior que 35mm, qual probabilidade que a
pea produzida satisfaa a especificao?
5. Seja X a varivel aleatria que representa os dimetros dos parafusos produzidos por certa
mquina. Supondo que essa varivel tenha distribuio normal com mdia igual 2 cm e desvio
padro igual a 0,04 cm. Qual a probabilidade de um parafuso ter o dimetro com valor entre 2 e
2,05 cm ?
6. A tenso de ruptura (em newtons) de uma fibra sinttica representada por X e distribuda
como ) 12 , 800 ( N
2
. O controle de qualidade na fabricao da fibra exige uma tenso de no
mnimo 772 N. Uma amostra da fibra randomicamente testada. Qual a probabilidade de
obtermos ) 772 X ( P > ?
7. Suponha que as freqncias indesejveis para um determinado sinal eltrico tenham uma
variao normal com mdia 60 Hz e desvio padro 15 Hz.
a) Qual a probabilidade desse sinal eltrico possuir componentes entre 40 e 70 Hz devido a
essas freqncias indesejveis?
b) Qual a maior freqncia do sinal para que a probabilidade de contaminao por freqncias
indesejveis seja de 10%?
8. A vida mdia de certo aparelho de oito anos, com d.p. de 1,8 ano. O fabricante substitui os
aparelhos que acusam defeito dentro do prazo de garantia. Se ele deseja substituir no mximo
5% dos aparelhos que apresentem defeito, qual deve ser o prazo de garantia?
9. Um processo industrial produz peas com dimetro mdio de 2,00 e d.p. de 0,01. As peas
com dimetro que se afaste da mdia por mais de 0,03 so consideradas defeituosas. Admitida
a normalidade:
a) qual a percentagem das peas defeituosas?
b) qual a percentagem de peas perfeitas?

SACHIKO ARAKI LIRA
65
10. Uma empresa usa anualmente milhares de lmpadas eltricas, que permanecem acesa
continuamente, dia e noite. A vida de uma lmpada pode ser considerada uma varivel aleatria
normal, com mdia de 50 dias e desvio padro de 15 dias. Em 1 de janeiro a companhia
instalou 8.000 lmpadas novas. Aproximadamente quantas devero ser substitudas em 1 de
fevereiro?
11. O dimetro do eixo principal de um disco rgido segue a distribuio normal com mdia
25,08 in. e desvio padro 0,05 in. Se as especificaes para esse eixo so 15 , 0 00 , 25 in.
Determine o percentual de unidadesproduzidas em conformidades com as especificaes.

NOES DE AMOSTRAGEM E DISTRIBUIES AMOSTRAIS
66
NOES DE AMOSTRAGEM E
DISTRIBUIES AMOSTRAIS
5.1 INTRODUO

Razo para se trabalhar com amostras:
menor custo;
reduo do tempo e de mo-de-obra para a realizao da coleta de dados;
maior confiabilidade e qualidade dos dados;
facilidade na realizao dos trabalhos.

dois tipos de amostragem: a probabilstica e a no-probabilstica.

amostragem probabilstica Todos os elementos da populao tm probabilidade
conhecida, e diferente de zero, de pertencer amostra.

amostragem probabilstica melhor recomendao para garantir a representatividade da
amostra, pois o acaso ser o nico responsvel por eventuais diferenas entre populao
e amostra.

possivel utilizar as tcnicas de Inferncia Estatstica.
5.2 AMOSTRAGEM PROBABILSTICA
Algumas tcnicas de amostragem probabilstica:
5.2.1 AMOSTRAGEM ALEATRIA SIMPLES (AAS)

mtodo mais simples e mais importante para selecionar uma amostra probabilstica;
listar todas as unidades elementares enumeradas de 1 a N;
sorteiam-se n elementos da populao, sendo que todos os elementos tm a mesma proba-
bilidade de serem selecionados;
com reposio ou sem reposio.

Exemplo: Foram produzidos 500 anis de pisto em certo processo de produo. Deseja-se
obter uma amostra de 30 anis de pisto deste processo.

SACHIKO ARAKI LIRA
67
Utilizando processo aleatrio simples com reposio:
1) enumerar os anis de pisto de 1 a 500;
2) todos os anis tero a mesma probabilidade de compor a amostra, igual a 0,2%;
3) gerar 30 nmeros aleatrios ou selecionar 30 nmeros utilizando tabelas de nmeros
aleatrios;
4) os anis que comporo a amostra sero aqueles correspondentes aos nmeros aleatrios;

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:
ALEATRIO()*(b-a)+a onde a=1; b=500

5) a amostra de 30 anis de pisto ser composta pelos anis com as numeraes acima.

5.2.2 AMOSTRAGEM SISTEMTICA

os elementos da populao esto ordenados e a retirada das unidades amostrais feita
sistematicamente;
a cada dez itens produzidos, em uma linha de produo, retirar um para compor a
amostra da produo diria.

Considerando o exemplo dos anis de pisto: os anis esto enumerados de 1 a 500.
17
1
500
30
N
n
f = = = (frao amostral)

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

No excel:
ALEATRIO()*(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 anis de pisto ser composta pelos anis com as numeraes acima.

68
5.2.3 AMOSTRAGEM ESTRATIFICADA

A populao pode ser dividida em subgrupos (estratos);
esse processo pode gerar amostras bastante precisas;
a estratificao usada principalmente para resolver alguns problemas como a melhoria da
preciso das estimativas.
quando a varivel em estudo apresenta um comportamento heterogneo entre os
diferentes estratos, convm que o sorteio dos elementos da amostra leve em considerao
tais estratos.

Exemplo:
Dada a populao de 5.000 operrios de uma certa industria automobilstica, selecionar
uma amostra proporcional estratificada de operrios para estimar seu salrio mdio. Usando a
varivel critrio cargo para estratificar essa populao, e considerando amostra total de 250
operrios, chega-se ao seguinte quadro:

CARGO POPULAO PROPORO AMOSTRA
Chefes de seo 500 0,10 25
Operrios especializados 1.500 0,30 75
Operrios no especializados 3.000 0,60 150
TOTAL 5.000 1,00 250

5.3 DISTRIBUIES AMOSTRAIS
Ao retirar uma amostra aleatria de uma populao, est-se considerando cada valor da
amostra como um valor de uma varivel aleatria cuja distribuio de probabilidade a mesma
da populao, no instante da retirada desse elemento para a amostra.
Em conseqncia do fato de os valores da amostra serem aleatrios, decorre que
qualquer quantidade calculada em funo dos elementos da amostra, tambm ser uma varivel
aleatria.
Os parmetros so valores tericos correspondentes populao e as estatsticas so
funes dos valores amostrais.
As estatsticas, sendo variveis aleatrias, tero alguma distribuio de probabilidade,
com uma mdia, varincia, etc. A distribuio de probabilidade de uma estatstica chama-se,
comumente, distribuio amostral ou distribuio por amostragem.

5.3.1 DISTRIBUIO AMOSTRAL DE MDIAS
O parmetro um valor nico e desconhecido. A estatstica X um valor conhecido,
porm, pode variar de amostra para amostra. Se forem retiradas diferentes amostras aleatrias

SACHIKO ARAKI LIRA
69
de mesmo tamanho, as mdias das diferentes amostras no devero ser iguais. Apesar de a
mdia da populao ser a mesma, a mdia da amostra depender de cada amostra.
Com as mdias das amostras, possvel construir a distribuio de freqncias das
mdias das amostras, denominada distribuio amostral, cuja mdia denomina-se mdia da
distribuio amostral e seu desvio padro, erro padro.
Embora os parmetros, mdia e desvio padro, da populao no sejam conhecidos,
considera-se para o exemplo a seguir, como sendo conhecidos.
Seja uma populao constituda dos elementos: 10 e 7 , 5 , 2 , sendo 4 N= . A mdia e a
varincia populacional so: 00 , 6 = e 50 , 8
2
= o .
Considere as possveis amostras de 2 elementos ( 2 n = ), que podem ser retiradas desta
populao.

a) Sem reposio
O nmero de amostras possveis dado por
n
N
C k = . Ento, o nmero de amostras
possveis igual a 6.

QUADRO 1 - AMOSTRAS POSSVEIS RETIRADAS DE UMA POPULAO

AMOSTRAS
AMOS-
TRA 1
AMOS-
TRA 2
AMOS-
TRA 3
AMOS-
TRA 4
AMOS-
TRA 5
AMOS-
TRA 6
1
X
2 2 2 5 5 7
2
X
5 7 10 7 10 10
Mdia 3,5 4,5 6,0 6,0 7,5 8,5

Observe que a mdia da amostra depende de cada amostra extrada. Qualquer
inferncia realizada sobre a mdia da populao utilizando uma nica amostra estar sujeita a
alguma incerteza, pois a mdia de cada amostra pode ser diferente.
A mdia das mdias amostrais obtida por:
6
36
X
k
1
) X ( E
k
1 i
i
= =

=

6 ) X ( E =

A mdia das mdias amostrais ou a mdia da distribuio amostral coincide com a mdia da
populao. Tem-se, ento, a primeira concluso importante: a mdia das mdias amostrais
a prpria mdia da populao.
A varincia das mdias amostrais dada por:
| |
6
17
25 , 6 25 , 2 0 0 25 , 2 25 , 6
6
1
)) X ( E X (
k
1
) X ( V
k
1 i
2
i = + + + + + = =

=

83 , 2 ) X ( V =

70
A varincia das mdias amostrais igual varincia da populao multiplicada pelo
fator:
1 N
n N
n
1

Tem-se ento que:
= =
X
) X ( E (Mdia da distribuio amostral de mdias)
1 N
n N
n
) X ( V
2
2
X

= =
o
o (Varincia da distribuio amostral de mdias)

a) Com reposio
O nmero de amostras possveis dado por
n
N k = . Ento, o nmero de amostras
possveis igual a 16.

AMOS-
TRAS
AMOS-
TRA 1
AMOS-
TRA 2
AMOS-
TRA 3
AMOS-
TRA 4
AMOS-
TRA 5
AMOS-
TRA 6
AMOS-
TRA 7
AMOS-
TRA 8
1
X
2 2 2 2 5 5 5 5
2
X
2 5 7 10 2 5 7 10
Mdia 2,0 3,5 4,5 6,0 3,5 5,0 6,0 7,5
AMOS-
TRAS
AMOS-
TRA 9
AMOS-
TRA 10
AMOS-
TRA 11
AMOS-
TRA 12
AMOS-
TRA 13
AMOS-
TRA 14
AMOS-
TRA 15
AMOS-
TRA 16
1
X
7 7 7 7 10 10 10 10
2
X
2 5 7 10 2 5 7 10
Mdia 4,5 6,0 7,0 8,5 6,0 7,5 8,5 10,0

A mdia das mdias amostrais obtida por:
16
96
X
k
1
) X ( E
k
1 i
i
= =

=

6 ) X ( E =

A varincia das mdias amostrais dada por:
| |
16
68
16 25 , 6 ... 25 , 2 25 , 6 16
16
1
)) X ( E X (
k
1
) X ( V
k
1 i
2
i = + + + + + = =

=

25 , 4 ) X ( V =
A varincia das mdias amostrais igual varincia da populao multiplicada pelo
fator:
n
1

Tem-se ento que:
= =
X

SACHIKO ARAKI LIRA
71
n
) X ( V
2
2
X
o
o = = (Varincia da distribuio amostral de mdias)
De forma geral, a forma da distribuio amostral depende da forma da distribuio da
populao. Se a distribuio da populao for normal N(, o), a distribuio da mdia amostral
tambm ser normal, seja qual for o tamanho n da amostra. Se a distribuio da populao no
for normal, medida que o tamanho da amostra aumentar, a distribuio da mdia amostral se
aproximar da distribuio normal.
De acordo com o teorema central do limite, a distribuio das mdias de amostras de
tamanho suficientemente grande poder ser considerada como normal, seja qual for a forma da
distribuio da populao.

Resumindo:
a) Amostragem com reposio:
= =
X
n
) X ( V
2
2
X
o
o = = (Varincia da distribuio amostral de mdias)
b) Amostragem sem reposio:
= =
X
1 N
n N
n
) X ( V
2
2
X

= =
o
o (Varincia da distribuio amostral de mdias)
onde o fator
1 N
n N
denominado de fator de populao finita. Evidentemente, tem-se que:

1
1 N
n N
lim
N
=

TEOREMA CENTRAL DO LIMITE
Em situaes onde se tem n , possvel aplicar o Teorema Central do Limite.
Existem diversas verses do teorema central do limite. Ser apresentada uma das verses.
Teorema Central do Limite (verso i.i.d. em termos da mdia amostral)
Sejam
n 2 1
X X , X
, ,
, variveis aleatrias independentes e identicamente distribudas
(i.i.d.), tais que = ) X ( E
i
e
2
i
) X ( V o = , ambas finitas. Seja X a mdia amostral. Ento:
) 1 , 0 ( N ~
X
n
n
X
Z
2
|
|
.
|
\
|

=
=
o
.
A aproximao melhora com o aumento do tamanho da amostra.

72
Se, de uma populao com parmetros ) , (
2
o for retirada uma amostra de tamanho n
suficientemente grande, a distribuio de X ser aproximadamente normal ) n , ( N o , seja
qual for a forma da distribuio da populao.
O teorema central do limite muito importante, pois permite utilizar a distribuio normal
para realizar inferncias da mdia amostral, seja qual for a forma da distribuio da populao.
5.3.2 DISTRIBUIO AMOSTRAL DE PROPORES
Seja uma populao tal que, a probabilidade de sucesso de certo evento p e de
insucesso p 1 q = . Para cada amostra de tamanho n, pode-se determinar o nmero k de
sucesso e como conseqncia, a freqncia relativa ou proporo dada por
n
k
p
f
r
= = .
` O conjunto de freqncias relativas calculadas para as amostras constitui a distribuio
amostral das propores ou de freqncias relativas.
A mdia e o desvio padro da distribuio amostral de propores so apresentados a
seguir, considerando-se amostras sem e com reposio.
a) Com reposio
p
p
= (mdia da distribuio amostral de propores)
n
q p
p

= o ( desvio padro da distribuio amostral de propores)
b) Sem reposio
p
p
= (mdia da distribuio amostral de propores)
1 N
n N
n
pq
p
= o ( desvio padro da distribuio amostral de propores)

Para amostras suficientemente grandes, a distribuio amostral das propores, que
segue distribuio binomial, poder se aproximar de uma distribuio normal de mesma mdia e
mesma varincia. Na prtica, considera-se a amostra grande para 30 n > e p prximo de 0,5.
5.3.3 DISTRIBUIO AMOSTRAL DA VARINCIA
A estatstica
2
2
2
S ) 1 n (
o
_

= , segue uma distribuio qui-quadrado com 1 n = v graus de
liberdade. Sendo que
2
S a varincia amostral, dada por:

=

=
n
1 i
2
i
2
) X x (
1 n
1
S

SACHIKO ARAKI LIRA
73
A partir da expresso da expresso de estatstica
2
_ , tem-se que:

2
2
2
) 1 n (
S _
o
= , com
2
1 n
_
ou seja,
2
S segue uma distribuio
2
_ , com 1 n = v graus de liberdade.
Tem-se para a distribuio amostral da varincia
2
S que:
2 2
) S ( E o =

1 n
) S ( V
4
2
2
=
o

ESTIMAO DE PARMETROS
74
6.1 INTRODUO

Inferncia estatstica tem como objetivo fazer generalizaes sobre uma populao, com
base nos dados amostrais.
Inferncia estatstica divide-se em duas grandes reas: estimao e teste de hipteses.
Pontual
Estimao
Inferncia Por intervalo
Estatstica
Teste de Hipteses

Estimao o objetivo fornecer informaes sobre os parmetros populacionais, tendo
como base uma amostra aleatria extrada da populao de interesse.
Estatstica qualquer quantidade calculada em funo dos elementos da amostra.
Distribuio amostral ou distribuio por amostragem distribuio de probabilidade de
uma estatstica.
6.2 ESTIMADOR E ESTIMATIVA
Estimador quantidade calculada em funo dos elementos amostrais, que ser utilizada no
processo de estimao do parmetro de interesse.
Principais mtodos de obteno de estimadores:
Mtodo dos momentos;
Mtodo da mxima verossimilhana;
Mtodo dos mnimos quadrados;
Estimativa valor numrico obtido pelo estimador numa determinada amostra.
6.3 QUALIDADES DE UM ESTIMADOR
a) No tendenciosidade ou no viesado

SACHIKO ARAKI LIRA
75
Um estimador u
no tendencioso ou no viesado quando a sua mdia (ou esperana

ou expectncia) o prprio valor do parmetro populacional u que est se pretendendo
estimar, ou seja: u u = ) ( E

b) Consistncia
Um estimador u
consistente se (alm de ser no viesado) sua varincia tende para

zero, quando n tende para , isto :
u u = ) ( E
e 0 ) ( V
lim
n
= u

c) Eficincia
Dados dois estimadores
1
u e
2
u de um mesmo parmetro, mais eficiente aquele que

apresenta menor varincia, ou seja:
Se ) ( V ) ( V
2 1

u u < ento
1
u mais eficiente que

2
u .
Ainda, se
1
u e
2
u forem ambos no tendenciosos, a eficincia relativa ser dado pelo

quociente das respectivas varincias, ou seja:

) ( V
) ( V
2
1
u
u
.
d) Suficincia
Um estimador suficiente quando permite obter um resumo das informaes trazidas
pela amostra, ou seja, resume os dados sem perder nenhuma informao sobre o parmetro u .
6.4 ESTIMAO POR PONTOS
Quando o parmetro estimado atravs de um nico valor diz-se que a estimao por
ponto ou pontual. Por exemplo: X um estimador pontual da mdia populacional ;
2
S um
estimador pontual da varincia populacional
2
o ; etc.
6.4.1 ESTIMADOR DA MDIA POPULACIONAL
O estimador utilizado a mdia aritmtica amostral X , sendo um estimador no viesado,
consistente, eficiente e suficiente.

=
=
n
1 i
i
x
n
1
X
6.4.2 ESTIMADOR DA VARINCIA POPULACIONAL
O estimador utilizado a varincia amostral
2
S . As estimativas obtidas pelas
expresses apresentadas a seguir so no tendenciosos e consistentes.
Quando a mdia populacional for conhecida, a estimativa dada por:

76

n
) x (
S
n
1 i
2
i
2

=

=
E quando a mdia populacional for desconhecida, por:

=
n
1 i
2
i
2
) X x (
1 n
1
S
6.4.3 ESTIMADOR DO DESVIO PADRO POPULACIONAL
Tem-se que
2
S um estimador no tendencioso da varincia populacional
2
o . No
entanto, a raiz quadrada de
2
S no um estimador no tendencioso do desvio padro
populacional o.
A tendenciosidade de S tende a zero, medida que aumenta o tamanho da amostra.
6.4.4 ESTIMADOR DA PROPORO POPULACIONAL
O estimador utilizado a proporo amostral p
. A expresso de p
dada por:
n
k
p
= ,
onde k o nmero de casos favorveis.
6.5 ESTIMAO POR INTERVALO
Consiste em construir um intervalo em torno da estimativa por ponto, de tal forma que ele
possua probabilidade conhecida (nvel de confiana ) 1 ( o ) de conter o verdadeiro valor do
parmetro.
Seja o parmetro u , tal que o u = s s 1 ) t t ( P
2 1
. Ento, tem-se:
2 1
t t s s u chamado de intervalo de confiana (I.C.)

2 1
t e t so denominados de limites de confiana
o 1 nvel de confiana.

A escolha do nvel de confiana depende do grau de preciso com que se deseja estimar
o parmetro. comum utilizar os nveis de 95% e 99%. Evidentemente, o aumento no nvel de
confiana implica no aumento de sua amplitude.
6.5.1 INTERVALO DE CONFIANA PARA MDIA POPULACIONAL
1) Quando a Varincia Populacional
2
o Conhecida

o = + s s
o
o
o o
1 )
n
Z X
n
Z X ( P
2 2

SACHIKO ARAKI LIRA
77
onde:
X a mdia da amostra;
o o nvel de significncia adotado;
2
Z
o
o valor de Z da tabela da distribuio t para um determinado nvel de significncia e
graus de liberdade u ;
o o desvio padro da populao;
n o tamanho da amostra.
A utilizao da expresso acima deve atender aos seguintes critrios:
Para amostras pequenas ) 30 n ( < , a populao deve ser normalmente distribuda;
Para grandes amostras ) 30 n ( > , no existe a exigncia de que a populao seja normalmente
distribuda (justificada pelo Teorema Central do Limite), e sendo o desconhecido, pode ser
substitudo pelo desvio padro amostral S .

FIGURA 1 DISTRIBUIO NORMAL PADRO
1) O desvio padro dos comprimentos de todas as peas produzidas por certa mquina 2 mm.
Uma amostra de 50 peas produzidas por essa mquina apresenta mdia igual a 25 mm.
Construir o I.C. de 95% para o verdadeiro comprimento das peas produzidas por essa
mquina.
Soluo:
2 = o
50 n =
25 X =
% 95 1 = o ; % 5 = o ; 96 , 1 Z
2
=
o

o 1

2
Z
o

2
Z
o

2 o
2 o

FIGURA 1 DISTRIBUIO NORMAL
PADRO

78
Assim, o intervalo de confiana ser:
o =
(
+ s s
o
o
o o
1
n
Z X
n
Z X P
2 2

% 95
50
2
96 , 1 25
50
2
96 , 1 25 P =
(
+ s s
| | % 95 mm 25,55 mm 24,45 P = s s

2) Experincia passada indicou que a resistncia quebra de um fio usado na fabricao de
material moldvel normalmente distribuda e que 2 = o psi. Uma amostra aleatria de nove
espcimes testada e a resistncia mdia quebra 98 psi. Encontre um intervalo bilateral de
confiana de 95% para a resistncia mdia quebra.
Soluo:
2 = o
9 n =
98 X =
% 95 1 = o ; % 5 = o ; 96 , 1 Z
2
=
o

o =
(
+ s s
o
o
o o
1
n
Z X
n
Z X P
2 2

% 95
9
2
96 , 1 98
9
2
96 , 1 98 P =
(
+ s s
| | % 95 si p 99,31 si p 96,69 P = s s
2) Quando a Varincia Populacional
2
o Desconhecida
O estudo que trata de distribuies amostrais ou distribuies de probabilidade de
estatsticas, de pequenas amostras (n<30), chamado de Teoria das Pequenas Amostras.
A distribuio t de Student, desenvolvida por William Sealy Gosset, uma distribuio
de probabilidade estatstica. Esta distribuio de fundamental importncia para a inferncia
estatstica, quando o desvio padro populacional o desconhecido e trata-se de amostras
pequenas (geralmente n<30).
O intervalo de confiana obtida atravs de:
o = + s s
o o
1 )
n
S
t X
n
S
t X ( P
2 2

onde:
X a mdia da amostra;
2
t
o
o valor de t da tabela da distribuio t para um determinado nvel de significncia e
1 n = u graus de liberdade;

SACHIKO ARAKI LIRA
79
S o desvio padro da amostra;
A utilizao do I. C. acima deve obedecer aos seguintes critrios:
Para amostras pequenas ) 30 n ( < , a populao de onde a amostra foi retirada deve ser
normalmente distribuda;
Para grandes amostras ) 30 n ( > , ele pode substituir o I. C. dado pela frmula em que o
conhecido, pois, no caso de grandes amostras, a distribuio t de Student se aproxima de uma
distribuio normal padronizada.

FIGURA 2 DISTRIBUIO t DE STUDENT
Exemplos de aplicao
1) Uma amostra de 20 cabos, produzidos por uma indstria, foram avaliados e medidas as
tenses de rupturas (em kgf). A mdia e o desvio padro da amostra so iguais a 762 kgf e 14,4
kgf, respectivamente. Deseja-se construir o intervalo de confiana de 95% para a tenso mdia
de ruptura de cabos produzidos pela indstria.
Soluo:

20 n =
762 X =
4 , 14 S =
% 95 1 = o ; % 5 = o ; 19 1 n = = u
09 , 2 t
2
=
o

Assim, o intervalo de confiana ser dada por:

o 1
2 t o

2 t o
2 o
2 o

80
o =
(
+ s s
o o
1
n
S
t X
n
S
t X P
2 2

o =
(
+ s s 1
20
4 , 14
09 , 2 762
20
4 , 14
09 , 2 762 P
| | % 95 kgf 768,73 kgf 755,27 P = s s

2) A resistncia do concreto compresso est sendo testada por um engenheiro civil. Ele
testa 12 corpos de prova e obtm dados abaixo. Construir um intervalo de 95% para a
resistncia mdia.
Dados: 92 , 2259 X = ; 57 , 35 S =
Soluo:
12 n =
% 95 1 = o
% 5 = o
11 1 n = = u
20 , 2 t
2
=
o

o =
(
+ s s
o o
1
n
S
t X
n
S
t X P
2 2

o =
(
+ s s 1
12
57 , 35
20 , 2 92 , 2259
12
57 , 35
20 , 2 92 , 2259 P
| | % 95 2.282,51 2.237,33 P = s s

6.5.2 INTERVALO DE CONFIANA PARA DIFERENA ENTRE DUAS MDIAS
POPULACIONAIS
1
E
2

1) Quando as Varincias Populacionais
2
1
o e
2
2
o so Conhecidas
o =
(
(
+ + s s +
o o

o o
o o
1
n n
Z ) X X ( ) (
n n
Z ) X X ( P
2
2
2
1
2
1
2
2 1
2 1
2
2
2
1
2
1
2
2 1
onde:
1
X a mdia da amostra 1;
2

SACHIKO ARAKI LIRA
81
2
Z
o
o valor de Z da tabela da distribuio t para um determinado nvel de significncia e
graus de liberdade u ;
2
1
o a varincia da populao 1;
2
2
1
n o tamanho da amostra 1;
2
n o tamanho da amostra 2.

Exemplo de aplicao:
1) Os desvios padres das duraes das lmpadas eltricas fabricadas pelas indstrias A e B
so, respectivamente, 50 horas e 80 horas. Foram ensaiadas 40 lmpadas de cada marca e
as duraes mdias obtidas foram 1.200 horas e 1.100 horas, para A e B, respectivamente.
Construir o intervalo de confiana de 99% para a diferena entre os tempos mdios de vida
das lmpadas de marcas A e B, ou seja,
B A
.
Soluo:
50
A
= o
80
B
= o
40 n =
1200 XA =
1100 XB =
% 99 1 = o

58 , 2 Z
2
=
o

O intervalo de confiana (I.C.) de % 100 ) 1 ( o para
B A
, ser dado por:

B
2
B
A
2
A
B A
B
2
B
A
2
A
n n
Z ) X X (
n n
Z ) X X (
2
B A
2
B A
o o

o o
+ + s s +
o o

40
80
40
50
58 , 2 ) 1100 1200 (
40
80
40
50
58 , 2 ) 1100 1200 (
2 2
B A
2 2
+ + s s +
| | % 99 horas 138,48 horas 61,52 P
B A
= s s
2
1
o e
2
2
o so Desconhecidas e Supostamente
Iguais
o =
(
(
+ + s s +
o o
1 )
n
1
n
1
( S t ) X X ( )
n
1
n
1
( S t ) X X ( P
2 1
2
p 2 1
2 1
2
p 2
2 1
2
2 1

sendo que:
2 n n
S ) 1 n ( S ) 1 n (
S
2 1
2
2 2
2
1 1 2
p
+
+
=

82
1
2
2
t
o
o valor de t da tabela da distribuio t para um determinado nvel de significncia e
2 n n
2 1
+ = u graus de liberdade;
2
1
S a varincia da amostra 1;
2
2
1
2

Exemplo de aplicao:
Uma amostra de 5 tubos da fbrica A, apresentou os seguintes resultados quanto aos dimetros
(mm): 40 , 45 XA = ; 30 , 1 S
2
A
=
E, uma amostra de 6 tubos da fbrica B, apresentou: 17 , 44 XB = ; 37 , 1 S
2
B
= .
Construir o I. C. de 95% para as diferenas entre os dimetros mdios
B A
.
Soluo:
5 n
A
=
6 n
B
=
% 95 1 = o
2
t
o
, com 2 n n
2 1
+ = u graus de liberdade, logo 9 = u
26 , 2 t
2
=
o

2 1
, ser dado por:
)
n
1
n
1
( S t ) X X ( )
n
1
n
1
( S t ) X X (
B A
2
p B A
B A
2
p
B A
2
B A
2
+ + s s +
o o

onde:
1,34
2 6 5
) 37 , 1 )( 1 6 ( ) 30 , 1 )( 1 5 (
2 n n
S ) 1 n ( S ) 1 n (
S
B A
2
B B
2
A A 2
p
=
+
+
=
+
+
=
)
6
1
5
1
( 34 , 1 26 , 2 ) 17 , 44 40 , 45 ( )
6
1
5
1
( 34 , 1 26 , 2 ) 17 , 44 40 , 45 (
B A
+ s s +
1,58 23 , 1 1,58 23 , 1
B A
+ s s
| | % 95 mm 2,81 mm 0,35 - P
B A
= s s

SACHIKO ARAKI LIRA
83
2
1
o e
2
2
Diferentes

Para a construo do intervalo de confiana para a diferena entre duas mdias
populacionais
1
e
2
, com base nos dados amostrais, desconhecendo-se os desvios padres
populacionais
1
o e
2
o sendo supostamente diferentes, deve-se fazer uma modificao no teste
t, denominada correo de Aspin-Welch.
o =
(
(
+ + s s +
o o
1
n
S
n
S
t ) X X (
n
S
n
S
t ) X X ( P
2
2
2
1
2
1
2 1
2
2
2
1
2
1
2
2 1
2
2 1

onde a varivel t tem nmero de graus de liberdade dada por:

( )
1 n
w
1 n
w
w w
2
2
2
1
2
1
2
2 1
+
= u , onde
1
2
1
1
n
S
w = e
2
2
2
2
n
S
w = (mtodo de Aspin-Welch)
onde:
1
2
2
t
o
o valor de t da tabela da distribuio t para um determinado nvel de significncia e u
graus de liberdade;
2
1
2
2
1
2
Exemplo de aplicao:
1) Dois operrios mediram o tempo (em min) de certa operao industrial, obtendo:
17 , 12 X1 = ; 60 , 15 X2 = ; 77 , 7 S
2
1
= ; 30 , 16 S
2
2
= ; 6 n
1
= ; 5 n
2
=
Estimar atravs de um I.C. de 95% a diferena
2 1
, supondo que as varincias sejam
diferentes.
Soluo:
% 95 1 = o
2
t
o
o valor de t da tabela da distribuio t para um determinado nvel de significncia e u
graus de liberdade.

84
Onde:
1 n
w
1 n
w
) w w (
2
2
2
1
2
1
2
2 1
+
= u , onde
1
2
1
1
n
S
w = e
2
2
2
2
n
S
w =
1,30
6
77 , 7
n
S
w
1
2
1
1
= = =
3,26
5
30 , 16
n
S
w
2
2
2
2
= = =
7
1 5
26 , 3
1 6
30 , 1
) 26 , 3 30 , 1 (
2 2
2
=
+
= u
2 1
, ser dado por:
2
2
2
1
2
1
2 1
2
2
2
1
2
1
n
S
n
S
t ) X X (
n
S
n
S
t ) X X (
2
2 1
2
2 1
+ + s s +
o o

5
3 , 16
6
77 , 7
36 , 2 ) 6 , 15 17 , 12 (
5
3 , 16
6
77 , 7
36 , 2 ) 6 , 15 17 , 12 (
2 1
+ + s s +
5,04 -3,43 5,04 -3,43
2 1
+ s s
| | % 95 min 1,61 min 8,47 - P
2 1
= s s
6.5.3 INTERVALO DE CONFIANA PARA A VARINCIA POPULACIONAL
o =
(
(

s s
o o
_
o
_
1
S ) 1 n ( S ) 1 n (
P
2
2 1
2
2
2
2
2

FIGURA 3 DISTRIBUIO
2
_

o 1
2 o
2 o

2
2 1 o
_
2
2 o
_

) ( f
2
_

SACHIKO ARAKI LIRA
85
Exemplo de aplicao:
Foram realizadas 12 determinaes da densidade de certo metal (
3
cm / g ), obtendo-se o
seguinte resultado: 02 , 0 S
2
=
Estimar a varincia populacional da densidade atravs de um intervalo de confiana de
95%.
Soluo:
Tem-se ento que 02 , 0 S
2
= . Os valores de
2
_ tabelados sero:
3,8157
2
2 1
=
o
_
21,9200
2
2
=
o
_
Logo:
2
2 1
2
2
2
2
2
S ) 1 n ( S ) 1 n (
o o
_
o
_

s s

8157 , 3
02 , 0 ) 1 12 (
9200 , 21
02 , 0 ) 1 12 (
2

s s
o
| | % 95 0577 , 0 0100 , 0 P
2
= s s o
6.5.4 INTERVALO DE CONFIANA PARA O DESVIO PADRO POPULACIONAL
Considerando a raiz quadrada positiva do intervalo de confiana da varincia
populacional, obtm-se o intervalo de confiana de % 100 ) 1 ( o para o , dada por:
o =
(
(

s s
o o
_
o
_
1
S ) 1 n ( S ) 1 n (
P
2
2 1
2
2
2
2

Exemplo de aplicao:
Considerando os resultados obtidos nas determinaes da densidade de certo metal (
3
cm / g ),
apresentado no exemplo anterior, estimar o desvio padro atravs de um intervalo de confiana
de 95%.
Soluo:
2
2 1
2
2
2
2
S ) 1 n ( S ) 1 n (
o o
_
o
_

s s

8157 , 3
02 , 0 ) 1 12 (
9200 , 21
02 , 0 ) 1 12 (
s s
o
| | % 95 0,2401 0,1002 P = s s o

86
6.5.5 INTERVALO DE CONFIANA PARA PROPORO POPULACIONAL
Para o clculo do desvio padro, deve-se estimar a proporo populacional p , utilizando
a estimativa pontual p
, assim fazendo p
1 q
= , tem-se:
o
o o
=
(
(

+ s s
1
n
q
Z p
p
n
q
Z p
P
2 2

onde
n
x
p
= a proporo amostral (onde x representa o nmero de casos favorveis ao evento

estudado).
A utilizao do I. C. acima deve obedecer aos seguintes critrios:
a) 5 np > e 5 ) p 1 ( n > , exigindo assim que a amostra seja grande. Os critrios exigidos esto
teoricamente, de acordo com a aproximao da distribuio binomial distribuio normal;
b) Quando as condies do item (a) no so obedecidas, a amostra ser pequena e a
construo dos intervalos de confiana exige a utilizao de uma tabela especial, resultando
em I.C. to amplos que no tem nenhum valor prtico.
Exemplo de aplicao:
Em uma amostra de 200 peas produzidas por certa mquina, verificou-se que 10 eram
defeituosas. Estimar a verdadeira proporo de peas defeituosas produzidas por essa
mquina, utilizando I.C. de 90%.
Soluo:
200 n =
05 , 0
200
10
p
= =
95 , 0 p
1 q
= =
64 , 1 Z
2
=
o

Substituindo os valores na expresso do I.C., tem-se:
200
95 , 0 05 , 0
64 , 1 05 , 0 p
200
95 , 0 05 , 0
64 , 1 05 , 0

+ s s

0753 , 0 p 0247 , 0 s s
| | % 90 % 53 , 7 p % 47 , 2 P = s s

SACHIKO ARAKI LIRA
87
6.6 DIMENSIONAMENTO DA AMOSTRA
O objetivo do dimensionamento de amostras o de determinar o tamanho mnimo de
amostra que se deve tomar, de maneira que, ao se estimar o parmetro, o erro seja menor do
que um valor especificado.
6.6.1 ESTIMAO DA MDIA POPULACIONAL
Suponha que se pretende dimensionar o tamanho da amostra para a estimao da
mdia populacional , atravs do I.C. de % 100 ) 1 ( o . Em se tratando extrao de amostras
com reposio, a preciso dada pela semi-amplitude do I.C.:

n
Z e
2 o
o
o
= ,
quando o desvio padro populacional o conhecido. E assim,
2
o
2
e
Z n
|
|
.
|
\
|
=
o
o

J, quando se tratar de extrao de amostras sem reposio, tem-se:
1 n
n N
n
Z e
2 o
=
o
o

2 2
2
2
0
2 2
2
Z ) 1 N ( e
N Z
n
o
o
o
o
+
=
Exemplo de aplicao:
Qual o tamanho mnimo da amostra para se estimar a mdia de uma populao cujo desvio
padro igual a 10, com confiana de 99% e preciso igual a 4? Supor que a amostragem
obtida:
a) com reposio;
b) sem reposio de uma populao com 1000 elementos;
Soluo:
a) Amostragem com reposio
Tem-se as seguintes informaes:
10 = o
4 e
0
=
% 99 1 = o , logo % 1 = o e 58 , 2 Z
2
=
o

88
2
o
2
e
Z n
|
|
.
|
\
|
=
o
o

42 41,6025
4
58 , 2 n
2
10
= =
|
|
.
|
\
|
=
b) Amostragem sem reposio
10 = o
4 e
0
=
000 . 1 N=
% 99 1 = o , logo % 1 = o e 58 , 2 Z
2
=
o

2 2
2
2
0
2 2
2
Z ) 1 N ( e
N Z
n
o
o
o
o
+
=
40 39,9792
10 58 , 2 ) 1 1000 ( 4
1000 10 58 , 2
n
2 2 2
2 2
= =
+

=

6.6.2 ESTIMAO DA PROPORO POPULACIONAL
Suponha que se pretende dimensionar o tamanho da amostra para a estimao da
proporo populacional p atravs do I.C. de % 100 ) 1 ( o . A preciso dada pela semi-
amplitude do I.C.:
n
q
Z e
2 0

=
o
,
2
0
2
2
e
q
Z
n

=
o

Exemplo de aplicao:
Qual o tamanho de amostra suficiente para estimar a proporo de peas defeituosas fornecidas
por certa mquina, com preciso de 0,08 e 99% de confiana, sabendo que essa proporo no
ultrapassa a 0,10?
Soluo:
10 , 0 p
=
03 , 0 e
0
=
% 99 1 = o , logo % 1 = o e 58 , 2 Z
2
=
o

SACHIKO ARAKI LIRA
89
2
0
2
2
e
q
Z
n

=
o

94 93,6056
) 08 , 0 (
) 10 , 0 1 ( 10 , 0 58 , 2
n
2
2
= =

=

LISTA DE EXERCCIOS NO. 5 - INTERVALOS DE CONFIANA
1. A cronometragem (em segundos), de certa operao, obtida em uma amostra, forneceu os
seguintes resultados: 11 n = ; 18,27 X = ; 2,49 S = .
Supondo que o tempo para a execuo da operao industrial seja normalmente distribudo,
construir:
a) O I.C. de 95% para a mdia populacional;
b) O I.C. de 95% para a varincia populacional;
c) O I.C. de 95% para o desvio padro populacional;
2. Um fabricante produz anis para pistes de um motor de um carro. Sabe-se que o dimetro
do anel distribudo normalmente com 001 , 0 = o milmetro. Uma amostra aleatria de 15
anis tem um dimetro mdio de 74,036 milmetros. Construa o intervalo de confiana de
99% para o dimetro dos anis de pisto.
3. Sabe-se que a vida (em horas), de um bulbo de uma lmpada de 75 W distribuda
normalmente com 25 = o horas. Uma amostra aleatria de 20 bulbos tem uma vida mdia de
1.014 horas. Construa um intervalo de confiana de 95% para a vida mdia.
4. Um engenheiro do setor de pesquisa de um fabricante de pneu est investigando a vida
mdia do pneu em relao a um novo componente de borracha. Ele fabricou 16 pneus e
testou-os at o final da vida em um teste na estrada. A mdia e o desvio padro da amostra
so 60.139,7 e 3.645,94 km, respectivamente. Sabendo-se que a vida mdia do pneu
normalmente distribuda, encontre um intervalo de confiana de 95% para:
a) a vida mdia do pneu;
b) o desvio padro do tempo de vida do pneu.
5. Uma mquina produz bastes metlicos usados em um sistema de suspenso de
automveis. Uma amostra aleatria de 15 bastes selecionada e mede-se o dimetro dos
bastes. Os dados (em milmetro) resultantes so mostrados a seguir:
15 n = ; 23 , 8 X = ; 03 , 0 S =
Sabendo-se que o dimetro dos bastes distribui-se normalmente:
a) encontre um intervalo de confiana de 95% para o dimetro mdio dos bastes;
b) encontre um intervalo de confiana de 95% para a varincia dos bastes;
c) encontre um intervalo de confiana de 95% para o desvio padro dos bastes;
6. Em uma amostra aleatria de 85 mancais de eixos de manivelas de motores de automveis,
10 tm um acabamento de superfcie que mais rugoso do que as especificaes
permitidas. Consequentemente, uma estimativa pontual da proporo de mancais na

90
populao que excede a especificao de rugosidade 12 , 0
85
10
p
= = . Construir o intervalo de
confiana de 95% para a proporo populacional.
7. Um fabricante de calculadoras eletrnicas retira uma amostra aleatria de 1200 calculadoras
e encontra 80 unidades defeituosas. Construa um intervalo de confiana de 95% para a
proporo de calculadoras defeituosas na populao.
8. Est-se estudando a frao de circuitos integrados defeituosos produzidos em um processo.
Uma amostra de 300 circuitos testada, revelando 13 defeituosos. Calcular o intervalo de
confiana de 90% para a frao de circuitos defeituosos produzidos pelo processo.
9. Um empresa vem tendo srios problemas com sucata e retrabalho, de modo que um de seus
engenheiros de qualidade decide investigar um determinado processo. Uma amostra
aleatria de 150 itens extrada num determinado dia, sendo encontrada uma porcentagem
alta e alarmante de 16% de itens desconformes (ou seja, defeituosos) . O engenheiro decide
criar um intervalo de confiana de 95% para a proporo real de unidades defeituosas
naquele momento. Qual o intervalo obtido?
10. Dois tipos de plsticos so adequados para uso por um fabricante de componentes
eletrnicos. A resistncia quebra desse plstico importante. sabido que 0 , 1
2 1
= = o o psi.
A partir de uma amostra aleatria de 10 n
1
= e 12 n
2
= , obteve-se 5 , 162 X
1
= e 0 , 155 X
2
= psi.
A companhia no adotar o plstico 1, a menos que sua resistncia mdia quebra exceda
do plstico 2, por no mnimo, 10 psi. Calcule o intervalo de confiana de 95% para a
diferena de mdias, supondo que ambas as populaes sejam normalmente distribudas.
11. Duas formulaes diferentes de um combustvel oxigenado de um motor devem ser testadas
com a finalidade de estudar sua octanagem na estrada. A varincia da octanagem na
estrada no caso da formulao 1 5 , 1
2
1
= o e no caso da formulao 2 2 , 1
2
2
= o . Duas
amostras aleatrias de 15 n
1
= e 20 n
2
= so testadas, sendo que as octanagens mdias
observadas so 6 , 89 X
1
= e 5 , 92 X
2
= . Considere normalidade das distribuies. Calcular o
intervalo de confiana de 90% para a diferena na octanagem mdia (
1 2
) observada na
estrada.
12. Dimetro de bastes de ao, fabricadas em duas mquinas extrusoras diferentes, est
sendo investigado. Duas amostras aleatrias de tamanhos de 15 n
1
= e 17 n
2
= so
selecionadas e as mdias e varincias das amostras so 73 , 8 X
1
= , 35 , 0 S
2
1
= , 68 , 8 X
2
= e
40 , 0 S
2
1
= , respectivamente. Suponha que
2
2
2
1
o o = e que os dados sejam retirados de uma
populao normal. Construa um intervalo de confiana de 98% para a diferena no dimetro
mdio dos bastes.
13. Duas companhias fabricam um material de borracha para uso em uma aplicao automotiva.
A pea ser sujeita a um desgaste abrasivo no campo de aplicao. Assim, decide-se
comprar, atravs de um teste, o material produzido por cada companhia. Vinte e cinco
amostras de material de cada companhia so testadas em um teste de abraso, sendo a
quantidade de desgaste observada depois de 1000 ciclos. Para a companhia 1, a mdia e o
desvio padro do desgaste na amostra so 20 X
1
= miligramas/1000 ciclos e 2 S
1
=
miligramas/1000 ciclos, enquanto para companhia 2 so 15 X
2
= miligramas/1000 ciclos e

SACHIKO ARAKI LIRA
91
8 S
2
= miligramas/1000 ciclos. Construa um intervalo de confiana para 95% e 99% para a
diferena de mdia de desgastes, considerando que as populaes so normalmente
distribudas.
14. Um experimento realizado para estudar vrias caractersticas de pinos de ferro resultou em
78 observaes sobre a resistncia de corte (kip) de pinos de 3/8 polegada de dimetro e 88
observaes sobre a resistncia de pinos de 1/2 polegada de dimetro. Os resultados
obtidos foram:
PINOS n X S
Pino dimetro 3/8 38 6,140 0,9
Pino dimetro 1/2 35 4,250 1,3
Construir um intervalo de confiana de 98% para diferena entre as resistncias mdias de
corte, supondo normalidade das duas populaes.
15. Qual o tamanho mnimo de amostra para se estimar a mdia de uma populao cujo desvio
padro igual a 12, com confiana de 95% e preciso igual a 3? Supor que a amostragem
obtida sem reposio de uma populao com 2000 elementos.
16. Qual o tamanho de amostra suficiente para estimarmos a proporo de peas defeituosas
fornecidas por certa mquina, com erro de 0,03 e 99% de confiana, sabendo que a proporo
no ultrapassa de 0,10
17. Determinar o nmero mnimo de elementos de uma amostra, se desejamos estimar a mdia
populacional com 95% de confiana e erro amostral de 1, sendo que de uma amostra piloto com
70 elementos obteve-se varincia igual a 36.
18. Um fabricante de peas acredita que aproximadamente 5% de seus produtos so
defeituosos se ele deseja estimar a verdadeira porcentagem, com erro de 0,05, com 90% de
confiana. Qual dever ser o tamanho da amostra a ser retirada?

TESTES DE HIPTESES
92
TESTES DE HIPTESES
7.1 ETAPAS PARA TESTES DE HIPTESES
Etapas bsicas para testar a significncia estatstica:
1) Estabelecer a hiptese nula
0
H ;
2) Estabelecer a hiptese alternativa
1
H ;
3) Fixar o nvel de significncia o;
4) Escolher a distribuio de probabilidade adequada ao teste e a partir da determinar a regio
de rejeio da hiptese nula
0
H
;

Para a definio da regio de rejeio de
0
H
necessrio considerar a hiptese
1
H
, uma vez
que ela que define o tipo do teste, se unilateral esquerda, unilateral direita ou bilateral.
Conforme o tipo do teste identifica-se a rea de rejeio de
0
H
. Genericamente, tem-se:
0 0
T T : H =
3 Figura ) bilateral teste ( T T
2 Figura ) direita unilateral teste ( T T
1 Figura ) esquerda unilateral teste ( T T
: H
0
0
0
1
=
>
<

Os pontos -c e c so os pontos crticos, localizados nas tabelas das distribuies das estatsticas
do teste, considerando-se o nvel de significncia adotado e o nmero de graus de liberdade em
questo.
5) Definir o tamanho da amostra, coletar os dados e calcular o valor da estatstica
correspondente;
6) Rejeitar ou aceitar H
o
, avaliando se o valor da estatstica, obtida a partir dos dados amostrais,
situa-se na rea de rejeio ou na regio de aceitao.
7.1.1 NVEL DE SIGNIFICNCIA
a probabilidade mxima com a qual se sujeitaria a correr o risco de um erro tipo I.

R.R. Figura 1 Figura 2 R.R.
R.R.
Figura 3

SACHIKO ARAKI LIRA
93
7.1.2 ERRO ESTATSTICO
Dois tipos de erros so possveis:
Erro tipo I Rejeitar a hiptese nula quando ela for verdadeira, tambm denominado
erro alfa ( o).
) verdadeira H / H rejeitar ( P
0 0
= o
Erro tipo II No rejeitar a hiptese nula quando ela for falsa, tambm denominado erro
beta (|).
) falsa H / H aceitar ( P
0 0
= |
7.2 TESTES ESTATSTICOS PARAMTRICOS
7.2.1 TESTE PARA A MDIA POPULACIONAL
7.2.1.1 QUANDO A VARINCIA POPULACIONAL
2
o CONHECIDA
Para amostras pequenas ) 30 n ( < , a populao deve ser normalmente distribuda, e o
desvio padro populacional o deve ser conhecido. Para grandes amostras ) 30 n ( > , no existe
a exigncia de que a populao seja normalmente distribuda (justificada pelo Teorema Central
do Limite).
Para realizar o teste de hipteses, as etapas apresentadas na seo 7.1 devem ser
seguidas.
As hipteses estatsticas so:

0 0
: H =

) bilateral teste (
) direita unilateral teste (
) esquerda unilateral teste (
: H
0
0
0
1

=
>
<

Estabelecido o nvel de significncia o, o valor de Z crtico para este nvel de
significncia ser obtido em uma tabela da varivel normal padronizada e, assim, definida a
regio de rejeio de
0
H . Obtidos os dados amostrais, a estatstica do teste calculada por:

n
X
Z
0
o

=
onde:
X a mdia amostral;
0
o valor a ser testado;
o o desvio padro populacional;

TESTES DE HIPTESES
94

Deve-se rejeitar
0
H se o valor de Z amostral se situar na regio de rejeio ou aceitar
0
H se situar na regio de aceitao.
1) Uma pea ao ser fabricada, foi planejada de tal forma que uma de suas dimenses seja igual
a 10 cm. Conhece-se o desvio padro do processo produtivo, que igual a 0,8 cm e sabe-se
que a distribuio das dimenses normal. Uma amostra de 40 peas forneceu uma dimenso
mdia igual a 10,09 cm. H interesse em testar se a mdia populacional maior que 10 cm, ao
nvel de 5% de significncia.
Soluo:
Dados: 8 , 0 = o cm
40 n =
09 , 10 X =
As hipteses estatsticas so: 10 : H
0
=
10 : H1 >
A estatstica do teste calculada por: 0,71
40
8 , 0
10 09 , 10
n
X
Z
0
=
=
o

Concluso: O valor de Z calculado 0,71 e o tabelado 64 , 1 Z
05 , 0
= . Portanto, aceita-se
0
H , logo,
a mdia populacional igual a 10 cm.
2) Uma populao normalmente distribuda tem desvio padro conhecido, sendo igual a 5 mm.
Uma amostra de 20 elementos, obtida dessa populao, tem mdia igual a 46 mm. Pode-se
afirmar que a mdia dessa populao superior a 43mm, ao nvel de significncia de 1%?
Soluo:
a) Dados:
5 = o cm
20 n =
46 X =
43 : H
0
=
43 : H1 >
A estatstica do teste calculada por:

SACHIKO ARAKI LIRA
95

n
X
Z
0
o

=
Concluso: O valor de Z calculado 2,68 e o tabelado 33 , 2 Z
01 , 0
=
= o
. Portanto, rejeita-se
0
H ,
logo, a mdia populacional maior que 43 mm.
7.2.1.2 QUANDO A VARINCIA POPULACIONAL
2
o DESCONHECIDA
Deve-se seguir as etapas j apresentadas anteriormente para fazer o teste.

Para amostras pequenas ) 30 n ( < , a populao de onde a amostra foi retirada deve ser
normalmente distribuda. Se
2
o desconhecida, a estatstica do teste calculada por:

n
S
X
t
0

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

onde:
X a mdia amostral;
0
o valor a ser testado;
S o desvio padro amostral;
As reas de rejeio e aceitao de
0
H devem ser definidos de acordo com o valor
crtico de t, que deve ser obtido em uma tabela da distribuio t de Student, para nvel de
significncia o e n-1 graus de liberdade. Deve-se rejeitar
0
H se o valor de t amostral situar-se
na regio de rejeio ou aceitar
0
H se situar-se na regio de aceitao.
1) Uma amostra de 20 peas, retirada de uma populao normalmente distribuda, apresenta
dimetro mdio igual a 10,08 cm e desvio padro igual a 0,9 cm. Pode-se afirmar que o
dimetro mdio da populao superior a 10 cm, ao nvel de significncia de 1%?
Soluo:
Dados:
9 , 0 S = cm
20 n =
8 , 10 X =
10 : H
0
=

TESTES DE HIPTESES
96
10 : H1 >
98 , 3
20
9 , 0
10 8 , 10
n
X
t
S
0
=
=

Concluso: O valor de t calculado 3,98 e o tabelado 54 , 2 t
19 ; 01 , 0
= . Portanto, rejeita-se
0
H ,
logo, a mdia populacional maior do que 10 cm.
2) Um fabricante afirma que a tenso mdia de ruptura dos cabos produzidos por sua
companhia no inferior a 500 kgf. Uma amostra de 7 cabos foi ensaiada, obtendo-se os
resultados (em Kgf): 14 , 485 X = e 77 , 7 S = . Sabendo-se que a tenso de ruptura
normalmente distribuda, testar a hiptese de que a mdia populacional menor que 500 kgf,
utilizando o nvel de significncia de 5%.
Soluo:
Clculo das estatsticas a partir da amostra:
77 , 7 S = cm
7 n =
14 , 485 X =
As hipteses estatsticas so: 500 : H
0
=
500 : H1 <
n
X
t
S
0

=
-5,06
7
500 14 , 485
t
77 , 7
=
=
Concluso: O valor de t calculado -5,06 e o tabelado 943 , 1
6 ;
t =
o
. Portanto, rejeita-se
0
H ,
logo, a mdia populacional menor que 500 kgf.
7.2.2 TESTE PARA A PROPORO POPULACIONAL

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

SACHIKO ARAKI LIRA
97

0 0
p p : H =

) bilateral teste ( p p
) direita unilateral teste ( p p
) esquerda unilateral teste ( p p
: H
0
0
0
1
=
>
<

Os critrios a serem obedecidos que 5 np > e 5 ) p 1 ( n > , exigindo assim que a amostra seja
grande. Para amostras suficientemente grandes (na prtica, 30 n > ), a estatstica do teste
dada por:

n
) p 1 ( p
p p
Z
0 0
0

=
onde:
p
a proporo amostral;
0
p o valor a ser testado;

Estabelecido o nvel de significncia o, o valor de Z crtico para este nvel de
significncia ser obtido em uma tabela da varivel normal padronizada e assim, definida a
regio de rejeio de
0
H . Deve-se rejeitar
0
H se o valor de Z calculado situar-se na regio de
rejeio ou aceitar
0
1) Um fabricante afirma que no mximo 3% das peas produzidas por sua indstria so
defeituosas. Um comerciante comprou 50 peas e verificou que 4 eram defeituosas. Testar a
hiptese de que a proporo de peas defeituosas superior a 3%, utilizando nvel de
significncia de 5%.
Soluo:
50 n =
08 , 0 50 / 4 p
= =
% 5 = o

03 , 0 p : H
0
=
03 , 0 p : H1 >
A estatstica do teste dada por:

n
) p 1 ( p
p p
Z
0 0
0

=

TESTES DE HIPTESES
98
07 , 2
50
) 03 , 0 1 ( 03 , 0
03 , 0 08 , 0
Z =

=

645 , 1 Z
05 , 0
=
= o
(teste unilateral)

Concluso: O valor de Z calculado maior que o Z tabelado, portanto, rejeita-se a hiptese
0
H
de que a proporo de defeituosos igual a 3%. Logo, a proporo de defeituosos maior que
3%.
2) Deseja-se determinar se um certo tipo de tratamento para evitar a corroso eficiente. O
tratamento considerado eficiente se mais de 95% dos tubos apresentarem resultado
satisfatrio. Em uma amostra de 50 tubos, observou-se que 48 apresentaram resultados
satisfatrios. Qual a concluso, ao nvel de significncia de 1%?
Soluo:
50 n =
96 , 0 50 / 48 p
= =
% 1 = o


95 , 0 p : H
0
=
95 , 0 p : H1 >

n
) p 1 ( p
p p
Z
0 0
0

=

32 , 0
50
) 95 , 0 1 ( 95 , 0
95 , 0 96 , 0
Z =

=

33 , 2 Z
01 , 0
= (teste unilateral)

Concluso: O valor de Z calculado menor que Z tabelado, portanto, aceita-se a hiptese
0
H
de que a proporo de tubos que apresentam resultado satisfatrio igual a 95%.
7.2.3 TESTE PARA A VARINCIA POPULACIONAL

Para aplicar o teste para a varincia necessrio que a populao de onde foi extrada a
amostra seja normalmente distribuda.

SACHIKO ARAKI LIRA
99

2
0
2
0
: H o o =

) bilateral teste (
: H
2
0
2
2
0
2
2
0
2
1
o o
o o
o o
=
>
<


2
0
2
2
S ) 1 n (
o
_

=

As regies de rejeio e aceitao de
0
H sero definidas de acordo com o valor crtico
obtido em uma tabela de distribuio
2
_ , para nvel de significncia o e n-1 graus de liberdade.
Deve-se rejeitar
0
H se o valor de
2
_ calculado situar-se na regio de rejeio ou aceitar
0
H se
situar-se na regio de aceitao.
1) As chapas de ao, produzidas por uma indstria, tm especificao tal que a varincia de
suas espessuras (em mm) no deve ser superior a 0,0009 mm
2
. Uma amostra de 30 chapas,
apresentaram espessura mdia de 3,157 mm e varincia igual a 0,00098 mm
2.
O

que se pode
concluir a cerca da especificao da indstria ao nvel de 5% de significncia sendo que as
espessuras das chapas tm distribuio normal?
Soluo:
30 n =
157 , 3 X =
00098 , 0 S
2
=
% 5 = o


0009 , 0 : H
2
0
= o
0009 , 0 : H
2
1 > o

2
0
2
2
S ) 1 n (
o
_

=
58 , 31
0009 , 0
00098 , 0 ) 1 30 (
2
=
= _
As reas de rejeio e aceitao de
0
H encontram-se no grfico abaixo:

TESTES DE HIPTESES
100

Concluso: O valor de
2
_ tabelado 42,56, logo aceita-se
0
H , portanto, conclui-se que
2
o
no superior a 0,0009 mm
2
.
2) Usurios de uma rede de transmisso de energia eltrica tm reclamado da alta variao na
tenso (desvio padro de 12 V). A empresa encarregada da transmisso de energia eltrica na
regio instalou novos transformadores. Uma amostra de 30 observaes forneceu um desvio
padro de 8V e a distribuio de freqncias dos valores da amostra sugere uma distribuio
normal. H evidncia de reduo na variao da tenso? Usar % 5 = o . (
2
_ =12,89)
7.2.4 TESTE PARA A DIFERENA ENTRE DUAS MDIAS POPULACIONAIS
7.2.4.1 QUANDO AS VARINCIAS POPULACIONAIS
2
1
o E
2
2
o SO CONHECIDAS
A aplicao do teste requer as seguintes suposies:
1. As duas populaes
1
X e
2
X devem ser independentes;
2. Ambas as populaes devem ser normais.

0 2 1 0
d : H =

) bilateral teste ( d
) direita unilateral teste ( d
) esquerda unilateral teste ( d
: H
0 2 1
0 2 1
0 2 1
1
=
>
<


2
2
2
1
2
1
0
2 1
n n
d ) X X (
Z
o o
+

=

A.R.
.
42,56
A.A.
.

SACHIKO ARAKI LIRA
101
onde:
1
2
2
1
2
2
1
2
Estabelecido o nvel de significncia o, o valor de z crtico para este nvel de
significncia ser obtido em uma tabela da varivel normal padronizada e assim, definida a
regio de rejeio de
0
H . Deve-se rejeitar
0
H se o valor de z calculado situar-se na regio de
rejeio ou aceitar
0
1) Duas amostras de tubos de ao das marcas A e B foram analisadas e obtidas as resistncias
mdias, respectivamente de 40 kgf/mm
2
e 35 kgf/ mm
2
. Conhecendo-se os desvios padro
populacionais das resistncias, de 4 kgf/ mm
2
e 6 kgf/ mm
2
,

respectivamente, e tamanhos de
amostras iguais a 30, qual a concluso a respeito das diferenas entre as mdias, ao nvel de
significncia de 5%?
Soluo:
1) Dados:
40 X
1
= ; 4
1
= o ; 30 n
1
=
35 X
2
= ; 5
2
= o ; 30 n
2
=
05 , 0 = o

0 : H
2 1 0
=
0 : H
2 1
1 =
80 , 3
30
6
30
4
35 40
n n
) X X (
Z
2 2
2
2
2
1
2
1
2 1
=
+
=
+
=
o o

96 , 1 Z
025 , 0 2 /
=
= o
(teste bilateral)
Concluso: O valor de Z calculado igual a 3,80 e valor tabelado 1,96, portanto, rejeita-se
0
H . Logo, as resistncias mdias das marcas A e B so diferentes.

TESTES DE HIPTESES
102
2) Uma amostra de 100 vlvulas da Indstria A tem vida mdia h 1530 X
A
= , sendo h 100
A
= o .
Uma outra amostra de 70 vlvulas da Indstria B, tem vida mdia h 1420 X
B
= , sendo
h 80
B
= o . Testar a hiptese de que as vlvulas da indstria A em relao a B tem durao
mdia superior a 100 h. Utilizar 01 , 0 = o .
Soluo:
Dados:
530 . 1 X
A
= ; 100
A
= o ; 100 n
A
=
450 . 1 X
B
= ; 90
2
= o ; 70 n
2
=
01 , 0 = o

100 : H
B A 0
=
100 : H
B A
1 >
45 , 5
70
90
100
100
450 . 1 530 . 1
n n
) X X (
Z
2 2
B
2
B
A
2
A
B A
=
+
=
+
=
o o

33 , 2 Z
01 , 0
=
Concluso: O valor de Z calculado igual a 5,45 e valor tabelado 2,33, portanto, rejeita-se
0
H . Logo, as vlvulas da indstria A em relao a B tm durao mdia superior a 100 h.
7.2.4.2 QUANDO AS VARINCIAS POPULACIONAIS
2
1
o E
2
2
o SO DESCONHECIDAS
A aplicao do teste requer as seguintes suposies quando
2
1
o e
2
2
o so
Desconhecidas:
1. As populaes
1
X e
2
X devem ser normalmente distribudas;
2. Os tamanhos de amostras (
1
n e
2
n ) devem ser pequenos (no exceder 40).
a) Quando as Varincias Populacionais
2
1
o e
2
2
Iguais

0 2 1 0
d : H =

: H
0 2 1
0 2 1
0 2 1
1
=
>
<

SACHIKO ARAKI LIRA
103

)
n
1
n
1
( S
d ) X X (
t
2 1
2
p
0
2 1
+

= , onde
2 n n
S ) 1 n ( S ) 1 n (
S
2 1
2
2 2
2
1 1 2
p
+
+
=
onde:
1
2
2
1
2
2
1
2
A determinao da regio crtica ser com base no valor de t tabelado com
2 n n
2 1
+ = u graus de liberdade e nvel de significncia o. Deve-se rejeitar
0
H se o valor de t
calculado situar-se na regio de rejeio ou aceitar
0
Exemplo de aplicao:
Dois tipos de solues qumicas foram ensaiados para se determinar os pH. Os resultados
obtidos foram:
516 , 7 X1 = ; 033 , 0 S
2
1
= ; 5 n
1
=
505 , 7 X2 = ; 011 , 0 S
2
2
= ; 6 n
2
=
Testar a hiptese de que no existe diferena entre os pH mdios das duas populaes,
supondo que os desvios padres populacionais so iguais. Usar 05 , 0 = o .
Soluo:
516 , 7 X
1
= ; 033 , 0 S
2
1
= ; 5 n
1
=
505 , 7 X
2
= ; 011 , 0 S
2
2
= ; 6 n
2
=
05 , 0 = o

0 : H
2 1 0
=
0 : H
2 1
1 =


)
n
1
n
1
( S
d ) X X (
t
2 1
2
p
0
2 1
+

= , onde
2 n n
S ) 1 n ( S ) 1 n (
S
2 1
2
2 2
2
1 1 2
p
+
+
=

TESTES DE HIPTESES
104

021 , 0
2 6 5
011 , 0 ) 1 6 ( 033 , 0 ) 1 5 (
S
2
p
=
+
+
=

13 , 0
6
1
5
1
021 , 0
0 ) 505 , 7 516 , 7 (
t =
|
.
|
\
|
+

=

O nmero de graus de liberdade dada por: 9 2 6 5 2 n n
2 1
= + = + = u . Portanto, o
valor de
2
t
o
com 9 = u graus de liberdade 2,26.

Concluso: O valor de t calculado igual 0,13, menor que o valor tabelado, logo, aceita-se
0
H .
Conclui-se, portanto, que os pH mdios das duas populaes so iguais.
b) Quando as Varincias Populacionais
2
1
o e
2
2
Diferentes
Quando as varincias das amostras no forem homogneas, uma modificao do teste t,
denominada correo de Aspin-Welch deve ser aplicada.
As hipteses a serem testadas so:

0 2 1 0
d : H =

: H
0 2 1
0 2 1
0 2 1
1
=
>
<


2
2
2
1
2
1
0
2 1
n
S
n
S
d ) X X (
t
+

=
( )
1 n
w
1 n
w
w w
2
2
2
1
2
1
2
2 1
+
= u , onde
1
2
1
1
n
S
w = e
2
2
2
2
n
S
w = , graus de liberdade e nvel de significncia o.
Tem-se que:
1
2
2
1
2
2
1
2

SACHIKO ARAKI LIRA
105

Deve-se rejeitar
0
H se o valor de t calculado situar-se na regio de rejeio ou aceitar
0
Exemplo de aplicao:.
Uma mesma distncia foi medida 5 vezes por dois instrumentos (em metros):
Instrumento 1: 46 , 100 X
1
= ; 473 , 0 S
2
1
= ; 5 n
1
=
Instrumento 2: 40 , 100 X
2
= ; 01 , 0 S
2
2
= ; 5 n
2
=
Testar a hiptese de que no existe diferena entre os resultados obtidos antes e aps a
calibrao do instrumento. Utilizar o nvel de significncia de 5%.
Soluo:
46 , 100 X
1
= ; 473 , 0 S
2
1
= ; 5 n
1
=
40 , 100 X
2
= ; 01 , 0 S
2
2
= ; 5 n
2
=
05 , 0 = o

0 : H
2 1 0
=
0 : H
2 1
1 =

2
2
2
1
2
1
0
2 1
n
S
n
S
d ) X X (
t
+

=
( )
1 n
w
1 n
w
w w
2
2
2
1
2
1
2
2 1
+
= u , onde
1
2
1
1
n
S
w = e
2
2
2
2
n
S
w = , graus de liberdade e nvel de significncia o.
19 , 0
5
01 , 0
5
473 , 0
0 ) 40 , 100 46 , 100 (
t
2 2
=
+

=

Clculo de u (graus de liberdade):

0946 , 0
5
0473 , 0
n
S
w
1
2
1
1
= = =
002 , 0
5
01 , 0
n
S
w
2
2
2
2
= = =

TESTES DE HIPTESES
106
( )
4 16 , 4
4
002 , 0
4
0946 , 0
) 002 , 0 0946 , 0 (
1 n
w
1 n
w
w w
2 2
2
2
2
2
1
2
1
2
2 1
~ =
+
+
=
+
= u

2
t
o
com 4 = u graus de liberdade 2,78, logo, aceita-se
0 : H
2 1 0
= . Conclui-se que as mdias so iguais.
7.2.5 DUAS AMOSTRAS EMPARELHADAS
Este teste deve ser utilizado quando os dados esto relacionados dois a dois de acordo
com algum critrio.
O teste t de Student para grupos dependentes aplicado para comparao das mdias
de dois grupos emparelhados, que utiliza para o seu clculo, a mdia das diferenas ) d ( entre
cada um dos pares formados pelas duas amostras.
Se > n 30 (pares), a suposio explcita de normalidade da populao desnecessria
(Teorema Central do Limite).
As hipteses a serem testadas:
0 2 1 0
d : H =
: H
0 2 1
0 2 1
0 2 1
1
=
>
<


n S
d d
t
d
0
= ,
em que:
n
d
d
n
1 i
i
=
= e |
.
|
\
|
=

=

n
1 i
2
2
i
2
d
d n d
1 n
1
S
d a media das diferenas;
0
d o valor que ser quer testar;
Se o valor de t calculado situar-se na regio de rejeio, rejeita-se
0
H e se situar na
regio de aceitao, aceita-se
0
H .
Exemplo de aplicao: Uma amostra de 7 cabos de ao foi analisada antes e depois de sofrer
um tratamento para aumentar sua resistncia (em kgf/mm2). Os resultados obtidos foram:
Antes: 50 54 51 50 55 53 52
Depois: 60 61 57 54 59 58 60
Testar a hiptese de que o tratamento eficiente, no nvel de significncia de 5%. Tratar
os dados como emparelhados.

SACHIKO ARAKI LIRA
107
Soluo:
0 d : H
0
= ( o tratamento no eficiente)
0 d : H1 > ( o tratamento eficiente)

n S
d d
t
d
0
= , em que:
n
d
d
n
1 i
i
=
= e
|
.
|
\
|
=

=

n
1 i
2
2
i
2
d
d n d
1 n
1
S
Tem-se que 44 d
7
1 i
i
=
=
, logo 29 , 6 d = , 90 , 4 S
2
d
= e 21 , 2 S = .
Assim, a estatstica t ser :
53 , 7
7
21 , 2
0 29 , 6
n S
d d
t
0
=
=
o
t com 6 1 7 = = u graus de liberdade 1,943, logo, rejeita-se
0 d : H
0
= . Conclui-se que o tratamento eficiente.
7.2.6 TESTE PARA IGUALDADE DE DUAS VARINCIAS
Para aplicar o teste para a varincia necessrio que a populao de onde foi extrada a
amostra seja normalmente distribuda.

2
2
2
1 0
: H o o =

) bilateral teste (
: H
2
2
2
1
2
2
2
1
2
2
2
1
1
o o
o o
o o
=
>
<


2
2
2
1
S
S
F =
onde:
2
1
2
2
1
2
O valor crtico de F obtido a partir da tabela da distribuio F, para o nvel de
significncia o e 1 n
1 1
= v graus de liberdade no numerador e 1 n
2 2
= v graus de liberdade
no denominador.
Rejeita-se
0
H se o valor de F calculado situar-se na regio de rejeio ou aceitar
0
H se
situar-se na regio de aceitao.

TESTES DE HIPTESES
108
Exemplo de aplicao:
1) Foram testadas as durabilidades (em km) dos pneus das marcas A e B, obtendo-se para 5
pneus de cada marca os seguintes resultados:
Marca A: 30.000 32.000 28.000 26.000 31.000
Marca B: 25.000 30.000 20.000 21.000 23.000
Existe diferena significativa entre as varincias das durabilidades dos dois pneus, ao
nvel de 10% de significncia?
Soluo:

2
2
2
1 0
: H o o =

2
2
2
1
1: H o = o

2
2
2
1
S
S
F =
Deve-se, portanto, calcular inicialmente os desvios padro amostrais:
000 . 800 . 5 S
2
1
= 5 n
1
= 4 1 n
1 1
= = v
000 . 700 . 15 S
2
2
= 5 n
2
= 4 1 n
2 2
= = v
37 , 0
000 . 700 . 15
000 . 800 . 5
S
S
F
2
2
2
1
= = =
A regio de rejeio est representada no grfico:

39 , 6 F F F
) 4 ; 4 05 , 0 ( ) 1 ; 2 2 ( 2
; ;
= = =
v v
o o

16 , 0
39 , 6
1
F
1
F F
) 2 ; 1 2 (
) 1 ; 2 2 1 ( 2
;
; 1
= = = =
v v
v v
o
o o

A.R.
A.R.
A.A.
.
6,39 0,16

SACHIKO ARAKI LIRA
109
Concluso: O valor de F calculado est na rea de aceitao de
0
H , portanto, varincias das
durabilidades dos dois pneus so iguais.
2) Foram ensaiadas vlvulas das marcas A e B, e verificou-se que os tempos de vida (em horas)
foram:
Marca A: 1.500 1.450 1.480 1.520 1.510
Marca B: 1.000 1.300 1.180 1.250
Testar a hiptese de igualdade para as varincias do tempo de vida das vlvulas de marcas A e
B, ao nvel de significncia de 10%.
Soluo:

2
B
2
A 0
: H o o =

2
B
2
A
1 : H o = o

2
B
2
A
S
S
F =
Deve-se, portanto, calcular inicialmente os desvios padro amostrais:
770 S
2
A
= 5 n
A
= 4 1 n
A A
= = v
225 . 17 S
2
B
= 4 n
B
= 3 1 n
B B
= = v
04 , 0
225 . 17
770
S
S
F
2
B
2
A
= = =
A regio de rejeio est representada no grfico:
59 , 6 F F F
) 4 ; 3 05 , 0 ( ) 1 ; 2 2 ( 2
; ;
= = =
v v
o o

11 , 0
12 , 9
1
F
1
F F
) 2 ; 1 2 (
) 1 ; 2 2 1 ( 2
;
; 1
= = = =
v v
v v
o
o o

A.R.
A.R.
A.A.
.
6,39 0,16

0,11 6,59

TESTES DE HIPTESES
110

Concluso: O valor de F calculado igual a 0,04 situando-se, portanto, na rea de rejeio de
0
H . Logo, as varincias do tempo de vida das vlvulas de marcas A e B so diferentes.
LISTA DE EXERCCIOS NO. 6 TESTES DE HIPTESES
1. Sabe-se que os dimetros internos de rolamentos usados no trem de pouso de avies tm
desvio padro 009 , 0 = o cm e normalmente distribudos. Uma amostra aleatria de 15 rolamentos
acusa um dimetro interno mdio de 8,2535 cm. Testar a hiptese de que o dimetro interno
mdio do rolamento maior que 8,25 cm. Usar 05 , 0 = o .
2. Deseja-se testar a hiptese de que o dimetro mdio da haste de liga de alumnio, produzidas
em uma mquina de calibragem, diferente de 0,5025 in. Uma amostra de 25 hastes
apresentou um dimetro mdio de 0,5046 in e desvio padro de 0,01 in. Utilizar 05 , 0 = o e supor
distribuio normal.
3. A fora mdia de resistncia de uma fibra sinttica uma caracterstica de qualidade de
interesse do fabricante, que deseja testar a hiptese de que a fora mdia maior que 50 psi,
usando 05 , 0 = o . O desvio padro populacional da fora de resistncia desconhecido. Uma
amostra de 16 exemplares de fibra selecionada e so obtidos os seguintes resultados:
,86 0 5 X = ; 1,66 S = . Sabe-se que a distribuio da fora de resistncia normal.
4. Uma fundio produz cabos de ao usados na indstria automotiva. Deseja-se testar a
hiptese de que a frao de itens no-conformes menor que 10%. Em uma amostra aleatria
de 250 cabos, detectou-se que 24 estavam fora das especificaes. Usar 05 , 0 = o .
5. Em uma amostra aleatria de 80 mancais para virabrequins de automveis, 15 apresentam o
acabamento de superfcie mais spero do que as especificaes permitem. Testar a hiptese de
que a frao de no-conformes diferente de 0,19, utilizando nvel de significncia de 2%.
6. Uma amostra aleatria de 500 pinos de hastes de conexo contm 65 unidades no-
conformes. Testar a hiptese de que a verdadeira frao de defeituosos nesse processo maior
que 0,08. Usar 01 , 0 = o .
7. Dois catalisadores esto sendo testados para determinar como afetam o rendimento mdio de
um processo qumico. Especificamente, o catalisador 1 est sendo usado atualmente, mas o
catalisador 2 aceitvel. Como o catalisador 2 mais barato, ele poderia ser adotado, desde
que no alterasse o rendimento do processo. Um teste realizado em uma fbrica piloto e os
resultados so apresentados abaixo. Existe alguma diferena entre os rendimentos mdios?
Usar 05 , 0 = o e supor que as populaes so normais e as varincias iguais..
Dados: 92,26 X1 = ; 1,39 S
1
= ; 8 n
1
= ; 92,68 X2 = ; 28 , 1 S
2
= ; 8 n
2
=
8. Considerar o exerccio anterior supondo que as varincias populacionais no so iguais.
9. Uma pesquisa apresenta os resultados de uma anlise do peso do clcio no cimento padro e
no cimento misturado com chumbo. Nveis reduzidos de clcio so uma indicao de que o
mecanismo de hidratao no cimento est bloqueado, o que permitir a gua atacar vrios
locais da estrutura de cimento. Dez amostras do cimento padro acusaram um peso percentual

SACHIKO ARAKI LIRA
111
mdio de clcio de 0 , 90 X1 = , com desvio padro 0 , 5 S
1
= e 15 amostras do cimento misturado
com chumbo apresentaram um peso mdio de clcio de 0 , 87 X2 = , com desvio padro de
0 , 4 S
2
= . Testar a hiptese de que
2 1
maior zero, utilizando 01 , 0 = o e supondo que
ambas as populaes so normalmente distribudos e tm o mesmo desvio padro.
10. Dois tcnicos de controle de qualidade mediram o acabamento da superfcie de uma parte de
metal, cujos dados esto apresentados abaixo. Suponha que as medidas sejam normalmente
distribudas. Testar a hiptese de que as medidas mdias do acabamento da superfcie obtidas
pelos dois tcnicos so iguais. Usar 01 , 0 = o e supor varincias iguais.
Dados: 1,39 X1 = ; 0,11 S
1
= ; 7 n
1
= ; 1,18 X2 = ; 12 , 0 S
2
= ; 8 n
2
=
11. Uma nova unidade de purificao instalada em um processo qumico. Antes de sua instalao,
uma amostra aleatria forneceu os seguintes dados sobre a porcentagem de impureza:
85 , 9 X1 =
73 , 81 S
2
1
=
10 n
1
=
Aps a instalao, uma amostra aleatria resultou em:
08 , 8 X2 =
46 , 78 S
2
2
=

8 n
2
=

possvel concluir que o novo aparelho de purificao reduziu a porcentagem mdia de
impureza? Usar 05 , 0 = o e supor que as populaes so normais e varincias populacionais
diferentes.
12. Dois tipos diferentes de mquina so usados para medir a fora de resistncia de uma fibra
sinttica. Deseja-se saber se as duas mquinas fornecem os mesmos valores mdios da
fora de resistncia. Oito espcimes de fibra so aleatoriamente selecionados e uma
medida da fora feita sobre cada espcime usando cada uma das mquinas.
Testar a hiptese de que no h diferena entre as duas mquinas quanto fora mdia de
resistncia, 05 , 0 = o .
Observao: Os dados nesse experimento foram emparelhados para evitar que diferenas entre
os espcimes de fibra (que podem ser substanciais) afetem o teste sobre a diferena das
mquinas.

ESPCIMES MQUINA 1 MQUINA 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

TESTES DE HIPTESES
112
13. Um operrio realizou uma mesma operao com dois equipamentos diferentes, e os tempos
gastos (em segundos foram):
Equipamento A: 10 11 10 12 15
Equipamento B: 8 10 15 12
Existe diferena significativa entre as varincias para os tempos gastos pelos dois
equipamentos, ao nvel de 10%? Supor as populaes normalmente distribudas.

14. Foram testadas vlvulas de marca A e verificou-se que os tempos de vida (em horas) foram:
1500 1450 1480 1520 1510. Sabendo-se que os tempos de vida das vlvulas so
normalmente distribudos, testar a hiptese de que a varincia do tempo de vida menor do que
700, ao nvel de 5% de significncia.

SACHIKO ARAKI LIRA
113
TESTES DE ADERNCIA
INTRODUO

O objetivo do teste de aderncia verificar se os dados de uma amostra comportam-se
de acordo com uma distribuio terica, tais como normal, binomial, Poisson, etc.
8.1 TESTE QUI-QUADRADO DE ADERNCIA
Os testes de aderncia servem para testar hipteses mais gerais sobre a distribuio dos
dados. A idia bsica que, dada uma amostra aleatria de tamanho n, observada de uma
varivel aleatria X , deseja-se testar:
0 0
f : H o distibui tem X
0 1
f : H o distibui tem no X
A estatstica de teste, chamada de
2
_ (qui-quadrado), uma medida de distncia entre
as frequncias observadas e as frequncias esperadas de cada categoria, e dada pela
expresso:
2
k
1 i
i
i i 2
E
E O
_
=
|
|
.
|
\
|
= , sendo
i
E obtida atravs de:
i i
p n E =
onde:
i
O o nmero de observaes ou freqncia absoluta observada da classe
i
A ;
n
o nmero total de observaes;
i
p a probabilidade de obter uma observao na classe
i
A ;
Sendo verdadeira a hiptese nula, a estatstica acima tem distribuio assinttica de Qui -
quadrado com 1 p k graus de liberdade (
2
1 p k ; o
_ ), onde k representa o nmero de classes e
p o nmero de parmetros da distribuio da populao, estimados a partir da amostra.
Para utilizar este teste tem-se as seguintes regras:
- A dimenso da amostra deve ser no-inferior a 30 ( 30 n > ) ;
- A frequncia esperada em cada classe deve ser 5 n > .

Se esta ltima condio no prevalecer, o teste pode ainda ser utilizado, embora com
moderada confiana, se no mais de 20% dos valores de
i
E forem inferiores a 5 e nenhum for
inferior a 1. Quando tal no se verificar, procuram-se agregar classes adjacentes, de forma a
obter novas classes que satisfaam esta condio.

TESTES DE ADERNCIA
114
Se
2
c
2
calc
_ s _ , aceita-se
0
H ( H aderncia distribuio especificada)
Se
2
c
2
calc
_ > _ , rejeita-se
0
H ( No h aderncia distribuio especificada).
Grficamente:

1) Supe-se que o nmero de defeitos nas placas de circuito impresso segue a distribuio de
Poisson. Uma amostra de 60 placas impressas foi coletada e observou-se o nmero de defeitos,
apresentados a seguir.
NMERO DE
DEFEITOS
FREQUNCIA
OBSERVADA
0 32
1 15
2 9
3 4
A forma da distribuio de defeitos Poisson? Usar 05 , 0 = o .
Soluo:
o
H : a forma da distribuio de defeitos Poisson
1
H : a forma da distribuio de defeitos no Poisson
possvel obter as probabilidades para cada valor de X.

No. DE
DEFEITOS (
i
x )
NO. DE
MQUINAS
) x X ( p
i
=
0 32
0,53
1 15
0,25
2 9
0,15
3 4
0,07
TOTAL 60
1,00
Tem-se que o nmero mdio de defeitos dada por:

=
=
n
1 i
i i
) x ( p x ) X ( E

o
2
c
_
A.A
A.R

SACHIKO ARAKI LIRA
115
75 , 0 07 , 0 3 15 , 0 2 25 , 0 1 53 , 0 0 ) X ( E = + + + =
A funo de probabilidade da distribuio de Poisson dada por:

! x
) x X ( P
x
e
= =

, onde a mdia.
Tem-se ento que:
472 , 0
! 0
) 75 , 0 (
) 0 X ( P
0 75 , 0
e
= = =

354 , 0
! 1
) 75 , 0 (
) 1 X ( P
1 75 , 0
e
= = =

133 , 0
! 2
) 75 , 0 (
) 2 X ( P
2 75 , 0
e
= = =

041 , 0 ) 133 , 0 354 , 0 472 , 0 ( 1 ) 2 X ( P 1 ) 3 X ( P = + + = <= = =
As freqncias esperadas so obtidas pela multiplicao do tamanho da amostra 60 n =
pelas probabilidades ) x X ( P p
i i
= = , ou seja,
i i
p n E = . As freqncias observadas e as
esperadas esto apresentadas na tabela abaixo.

NMERO DE
DEFEITOS
FREQUNCIA
OBSERVADA
FREQUNCIA
ESPERADA
0 32
28 472 , 0 60 =
1 15
21 354 , 0 60 =
2 9
8 133 , 0 60 =
3 4
3 041 , 0 60 =
A estatstica do teste :

( )
74 , 2
3
) 3 4 (
8
) 8 9 (
21
) 21 15 (
28
) 28 32 (
E
E O
2 2 2 2
n
1 i
i
2
i i
2
=
=

_
=

O nmero de graus de liberdade k-p-1, onde k representa o nmero de classes e p o
nmero de parmetros da distribuio da populao estimados a partir da amostra. Assim tem-
se: 1 1 1 3 . l . g = =
O valor de
2
_ tabelado com 1 grau de liberdade e 5% de significncia 3,84.
Concluso:
Como 74 , 2
2
calc
= _ menor que 84 , 3 . l . g
2
1 ; 05 , 0
= _ , aceita-se a hiptese de que a forma
da distribuio de defeitos Poisson.

2) Foram inspecionados 100 lotes de 3 peas cada um, sendo que o nmero X de peas
defeituosas por lote segue distribuio abaixo. Testar a hiptese de que a distribuio
binomial, utilizando 01 , 0 = o .

No. de defeituosos 0 1 2 3 Total
No. de lotes 65 30 4 1 100

TESTES DE ADERNCIA
116
Soluo:
O nmero mdio (mdia ou valor esperado) de vlvulas defeituosas observadas
calculada por:
=
=
6
1 i
i i
p x ) X ( E , logo
39 , 0
100
1
3
100
4
2
100
30
1
100
65
0 ) X ( E = + + + =
A distribuio binomial dada por:
x n x x
n
q p C ) x X ( P

= = , onde p a probabilidade de uma vlvula ser defeituosa.
Tem-se que a mdia da distribuio binomial np ) X ( E = = (parmetro da distribuio
binomial), assim, p 3 ) X ( E = = .
Igualando as duas mdias, ) X ( E = , tem-se: 39 , 0 p 3 = , portanto, 13 , 0 p = e
consequentemente, 87 , 0 q = . Ento, a distribuio binomial ajustada :

x 3 x x
3
) 87 , 0 ( ) 13 , 0 ( C ) x X ( P

= =
As probabilidades so calculadas atravs de:
6585 , 0 ) 87 , 0 ( ) 13 , 0 ( C ) 0 X ( P
0 3 0 0
3
= = =

2952 , 0 ) 87 , 0 ( ) 13 , 0 ( C ) 1 X ( P
1 3 1 1
3
= = =

0441 , 0 ) 87 , 0 ( ) 13 , 0 ( C ) 2 X ( P
2 3 2 2
3
= = =

0022 , 0 ) 87 , 0 ( ) 13 , 0 ( C ) 3 X ( P
3 3 3 3
3
= = =

Foram agrupadas as duas ltimas classes, pois a freqncia esperada da ltima classe
menor do que 1.
As probabilidades, as frequncias tericas e observadas so:
No. DE
DEFEITUOSAS
( x )
) x X ( P =
FREQ. TERICA
(
i
E )
FREQ. OBS. (
I
O )
0 0,6585 100x0,6585=66 65
1 0,2952 100x0,2952=29 30
2 > 0,0463 100x0,0463=5 5

( )
05 , 0
5
) 5 5 (
29
) 29 30 (
66
) 66 65 (
E
E O
2 2 2
n
1 i
i
2
i i
2
=
=

_
=

O nmero de graus de liberdade k-p-1, onde k representa o nmero de classes e p o
nmero de parmetros da distribuio da populao estimados a partir da amostra. Assim tem-
se: 1 1 1 3 . l . g = =
O valor de
2
_ tabelado com 1 grau de liberdade e 1% de significncia 6,64.
Concluso:
Como 05 , 0
2
calc
= _ menor que 64 , 6
2
. l . g 1 ; 01 , 0
= _ , aceita-se a hiptese de que a forma da
distribuio de vlvulas defeituosas Binomial.

SACHIKO ARAKI LIRA
117
8.2 TESTE DE LILLIEFORS
O teste de Lilliefors utilizado para verificar a aderncia dos dados a uma distribuio
normal, sem a especificao de seus parmetros, ou seja, a mdia e o desvio padro so
calculados a partir da amostra.
As hipteses so:
0
H : a amostra provm de uma populao que segue uma distribuio normal
1
H : a amostra no provm de uma populao que segue uma distribuio normal
Calcula-se a estatstica de teste, D, em termos da amostra em anlise:
{ } ) x ( S x ( F , ) x ( S x ( F max d
1 i i i i
i

=
Exemplos:
1) Um fabricante de autopeas est para fechar um grande contrato com a montadora. O ponto-
chave a garantia da qualidade de seus produtos, especialmente do dimetro (em mm) dos
eixos produzidos, que ele supe seguir uma distribuio normal. Para realizar o teste, a
montadora selecionou uma amostra aleatria de 15 eixos, para testar as especificaes a 5% de
significncia. Ao valores so apresentados a seguir.

93,45 94,46 94,93 96,17 96,74 97,07 97,68 97,93
99,10 99,30 100,73 103,29 103,60 103,83 105,20
Soluo:
0
1
1. Construo da distribuio acumulada da amostra, ) x ( S :
OBS. i
x
FREQ.
RELATIVA
) x ( S
i

1 93,45 0,0667 0,067
2 94,46 0,0667 0,133
3 94,93 0,0667 0,200
4 96,17 0,0667 0,267
5 96,74 0,0667 0,333
6 97,07 0,0667 0,400
7 97,68 0,0667 0,467
8 97,93 0,0667 0,533
9 99,10 0,0667 0,600
10 99,30 0,0667 0,667
11 100,73 0,0667 0,733
12 103,29 0,0667 0,800
13 103,60 0,0667 0,867
14 103,83 0,0667 0,933
15 105,20 0,0667 1,000
Mdia 98,90
Desvio Padro 3,70

TESTES DE ADERNCIA
118
2. Construo da funo de distribuio acumulada ) x ( F , para cada valor de
i
x . Cada valor de
dimetro
i
x pode ser transformado em escore padronizado
i
Z . Por exemplo:
45 , 93 x
1
= -1,47
3,70
98,90 45 , 93
Z
1
=
=
A probabilidade acumulada at cada escore Z obtida da tabela de reas sob a curva
normal. Para
1
Z , tem-se:
0708 , 0 ) Z X ( P ) X ( F
1
= < =
3. Clculo das diferenas absolutas entre as distribuies acumuladas esperadas e observadas,
) x ( S x ( F
i i
e ) x ( S x ( F
1 i i
.
OBS. i
x
FREQ.
RELATIVA
) x ( S
i

i
Z ) x ( F
i

) x ( S x ( F
1 i i
) x ( S x ( F
i i

0
1 93,45 0,0667 0,067 -1,47 0,071 0,071 0,004
2 94,46 0,0667 0,133 -1,20 0,115 0,049 0,018
3 94,93 0,0667 0,200 -1,07 0,142 0,009 0,058
4 96,17 0,0667 0,267 -0,74 0,231 0,031 0,036
5 96,74 0,0667 0,333 -0,58 0,280 0,013 0,053
6 97,07 0,0667 0,400 -0,49 0,311 0,023 0,089
7 97,68 0,0667 0,467 -0,33 0,371 0,029 0,096
8 97,93 0,0667 0,533 -0,26 0,397 0,070 0,137
9 99,10 0,0667 0,600 0,05 0,522 0,012 0,078
10 99,30 0,0667 0,667 0,11 0,543 0,057 0,124
11 100,73 0,0667 0,733 0,49 0,690
0,023
0,044
12 103,29 0,0667 0,800 1,19 0,882 0,149 0,082
13 103,60 0,0667 0,867 1,27 0,898 0,098 0,031
14 103,83 0,0667 0,933 1,33 0,909 0,042 0,025
15 105,20 0,0667 1,000 1,70 0,956 0,022 0,044

4. A maior diferena absoluta igual a 0,149, logo, 149 , 0 d = .
5. A distncia mxima admissvel para 15 n = e % 5 = o 220 , 0 d
c
= . Como
c
d d < , aceita-se
0
H , logo, amostra provm de uma populao que segue uma distribuio normal.

2) No controle estatstico de processos, uma suposio fundamental para a utilizao de
grficos de controle de mdia de Shewhart de que a distribuio das mdias possa ser
considerada normal. Um engenheiro quer saber se possvel aplicar grficos de controle de
mdias a um processo produtivo. Para tanto, que avaliar a aderncia das mdias de 25
amostras distribuio normal. Os valores so:
0,19 0,57 0,66 1,41 0,28 0,05 0,63 0,75 0,85
0,99 1,68 3,01 0,31 5,48 0,66 0,76 5,94 0,85
0,03 9,49 2,18 1,23 4,89 0,71 3,52

Com base nos dados apresentados, e utilizando nvel de signficncia de 1%, possvel
usar grfico de controle de mdia de Shewhart para monitorar o processo?

SACHIKO ARAKI LIRA
119
Soluo:
0
1

OBS. i
x
FREQ.
RELATIVA
) x ( S
i

i
Z ) x ( F
i

) x ( S x ( F
1 i i
) x ( S x ( F
i i

1
0,03
0,04 0,040 -0,80 0,212 0,212 0,172
2
0,05
0,04 0,080 -0,79 0,214 0,174 0,134
3
0,19
0,04 0,120 -0,73 0,232 0,152 0,112
4
0,28
0,04 0,160 -0,69 0,244 0,124 0,084
5
0,31
0,04 0,200 -0,68 0,248 0,088 0,048
6
0,57
0,04 0,240 -0,56 0,285 0,085 0,045
7
0,63
0,04 0,280 -0,54 0,294 0,054 0,014
8
0,66
0,04 0,320 -0,53 0,299 0,019 0,021
9
0,66
0,04 0,360 -0,53 0,299 0,021 0,061
10
0,71
0,04 0,400 -0,50 0,306 0,054 0,094
11
0,75
0,04 0,440 -0,49 0,312 0,088 0,128
12
0,76
0,04 0,480 -0,48 0,314 0,126 0,166
13
0,85
0,04 0,520 -0,44 0,328 0,152 0,192
14
0,85
0,04 0,560 -0,44 0,328 0,192 0,232
15
0,99
0,04 0,600 -0,38 0,350 0,210 0,250
16
1,23
0,04 0,640 -0,28 0,389 0,211
0,251
17
1,41
0,04 0,680 -0,20 0,419 0,221 0,261
18
1,68
0,04 0,720 -0,09 0,465 0,215 0,255
19
2,18
0,04 0,760 0,13 0,551 0,169 0,209
20
3,01
0,04 0,800 0,49 0,686 0,074 0,114
21
3,52
0,04 0,840 0,71 0,760 0,040 0,080
22
4,89
0,04 0,880 1,30 0,903 0,063 0,023
23
5,48
0,04 0,920 1,55 0,940 0,060 0,020
24
5,94
0,04 0,960 1,75 0,960 0,040 0,000
25
9,49
0,04 1,000 3,28 0,999 0,039 0,001
mdia 1,88
DP 2,32
A distncia mxima admissvel para 15 n = e % 5 = o 0,173 d
c
= . Como
c
d d > ,
rejeita-se
0
H , logo, amostra no provm de uma populao que segue uma distribuio normal.
Assim, no possvel utilizar o grfico de controle de mdia.

LISTA DE EXERCCIOS NO. 7 TESTES DE ADERNCIA
obtidas. A mdia e o desvio padro amostral so 90,59 e 3,18, respectivamente. A distribuio
de freqncias encontra-se a seguir:

TESTES DE ADERNCIA
120

TAXAS DE
OCTANAGEM
fi
83,5 |--- 85,9 3
85,9 |--- 88,4 9
88,4 |--- 90,9 21
90,9 |--- 93,4 15
93,4 |--- 95,9 5
95,9 |--- 98,4 1
98,4 |--- 100,9 2
TOTAL 56

Verificar se amostra da taxa de octanagem provm de uma distribuio normal, utilizando
05 , 0 = o .
segundos), sendo feita 50 determinaes. A mdia e o desvio padro amostral so 46,32 e
7,44. A distribuio de freqncias encontra-se a seguir:

TEMPO
(segundos)
fi
32 |--- 36 5
36 |--- 40 7
40 |--- 44 5
44 |--- 48 14
48 |--- 52 8
52 |--- 56 3
56 |--- 60 8
TOTAL 50
Verificar se a amostra do tempo necessrio para realizar a operao provm de uma distribuio
normal, utilizando 01 , 0 = o .

SACHIKO ARAKI LIRA
121
ANLISE DA VARINCIA
INTRODUO
O objetivo da anlise da varincia, conhecida como ANOVA, comparar k mdias
populacionais, sendo 2 k > , com base nas amostras provenientes de k populaes distintas.
Enquanto no teste para igualdade de duas mdias se utiliza as estatsticas Z ou t, conforme os
desvios padres populacionais sejam conhecidos ou no, na anlise da varincia, a estatstica
utilizada a estatstica F.
A anlise da varincia um teste para igualdade de mdias que utiliza varincias para a
tomada de decises.
9.1 FUNDAMENTOS DA ANOVA
Supondo que se deseja testar a hiptese de igualdade de k ) 2 k ( > mdias
populacionais, isto :
= = = =
k 2 1
... : H
0
,
contra a hiptese alternativa de que, pelo menos uma dessas mdias seja diferente das demais,
ou seja:
: H
1
pelo menos uma mdia =
i
.
Na aplicao deste mtodo, supe-se que as populaes so normalmente distribudas e as
varincias populacionais iguais (homocedasticidade), ou seja:
2 2
k
2
2
2
1
... o o o o = = = =
Sejam as k amostras extradas das populaes, cujas mdias sero testadas. A partir
dessas amostras, possvel estimar a varincia
2
o de trs maneiras, conforme apresentados a
seguir.

POPULAO 1
1

2
o
POPULAO 2
2

2
o

POPULAO k
K

2
o
AMOSTRA 1
1
n

AMOSTRA 2
2
n
AMOSTRA k
k
n

ANLISE DA VARINCIA
122
1) Varincia Total ) S (
2
t

Consiste em estimar a varincia
2
o considerando todas as k amostras reunidas em uma
nica amostra, o que possvel em funo da suposio de que as varincias populacionais so
todas iguais a
2
o .
Essa varincia estimada atravs de:

1 N
) X x (
S
k
1 j
n
1 i
2
j i
2
t
=

= =

Onde:
n o tamanho de cada amostra;
k o nmero de amostras;

j i
x o i-simo elemento da j-sima amostra;
n k N= o nmero de elementos em todas as amostras;

N
x
X
k
1 i
n
1 j
j i
= =
= a mdia do conjunto de todas as amostras;
O numerador denominado de Soma de Quadrados Total (SQT), ento tem-se:

= =
=
k
1 j
n
1 i
2
j i
) X x ( SQT
2) Varincia entre Amostras ) S (
2
e

Sendo verdadeira a hiptese
0
H , possvel estimar a varincia
2
o , atravs de:

1 k
) X X (
S
k
1 j
n
1 i
2
j
2
e
=

= =

Onde:

n
x
X
n
1 i
j i
j
=
= a mdia da j-sima amostra (j=1,2,...,k)
n o tamanho de cada amostra.
Esta varincia ) S (
2
e
tambm chamada de Quadrado Mdio Entre Amostras (QME).

SACHIKO ARAKI LIRA
123
O numerador denominado de Soma de Quadrados entre Amostras (SQE), ento
tem-se:

= =
=
k
1 j
n
1 i
2
j ) X X ( SQE
3) Varincia Residual (ou Varincia dentro)
Consiste em estimar as varincias dentro de cada amostra e em seguida estimar um
nico valor para
2
o , por meio da combinao dessas k varincias. Esta varincia ) S (
2
r

chamada tambm de Quadrado Mdio Residual (QMR).
Para uma amostra qualquer j, a estimativa da varincia dada por:

1 n
) X x (
S
n
1 i
2
j
j i
2
j
=

=

Combinando as k varincias, obtm-se a estimativa de
2
o , dada por:

k N
) X x (
S
k
1 j
n
1 i
2
j
j i
2
r
=

= =

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

= =
=
k
1 j
n
1 i
2
j
j i
) X x ( SQR
Onde:
j X a mdia da j-sima amostra (j=1,2,...,k)
A Soma de Quadrados Residual pode tambm ser obtida atravs de:
SQE SQT SQR =
9.2 ANLISE DA VARINCIA A UM CRITRIO DE CLASSIFICAO
Neste modelo, os elementos observados so classificados segundo um critrio, ou seja,
existe apenas uma caracterstica de interesse a ser testada.
As etapas para a realizao da ANOVA:
a) Formulao das hipteses:
= = = =
k 2 1
... : H
0

: H
1
i
;
b) Fixar o nvel de significncia o;
c) Determinar a regio de rejeio (R.R.);

ANLISE DA VARINCIA
124

O teste ser sempre unilateral. O valor crtico de F ser obtido para nvel de significncia
o e ) 1 k ( e ) k N ( graus de liberdade, no numerador e denominador, respectivamente.
d) Clculo da estatstica F
A estatstica F calculada atravs de:

2
r
2
e
S
S
F =
e) Quadro da Anlise da Varincia

QUADRO DA ANLISE DE VARINCIA - ANOVA
FONTE DE
VARIAO
SOMA DE
QUADRADOS
G.L
QUADRADOS
MDIOS
F
Entre amostras SQE 1 k
1 k
SQE
QME S
2
e
= =

QMR
QME
S
S
F
e
r
2
e
= =
Residual SQR
k N
k N
SQR
QMR S
2
r
= =

Total
SQT 1 N

f) Concluso
Se ) k N , 1 k ( F F >
o
, rejeita-se hiptese
0
H , caso contrrio, aceita-se
0
H .
Exemplos da aplicao:
1) Verificou-se os ndices de produo, segundo os postos de trabalho, durante certo perodo.
Analisar se h diferena nos ndice de produo, devido aos postos de trabalho. Usar 05 , 0 = o .

POSTOS DE
TRABALHO
INDICES DE PRODUO (%)
A 90,8 100,0 81,1
B 85,5 83,0 73,7
C 65,9 77,1 68,5

R.R. o
o 1
R.A.

SACHIKO ARAKI LIRA
125
Soluo:
a) As hipteses a serem testadas:
= = =
C B A
: H
0

: H
1
i

b) Clculo da Soma de Quadrados Total (SQT)
Tem-se que a soma de quadrados total dada por:

= =
=
k
1 j
n
1 i
2
j i
) X x ( SQT
Logo, faz-se necessrio calcular inicialmente a mdia do conjunto de todas as amostras
) X ( .
POSTOS DE
TRABALHO
INDICES DE PRODUO (%) (
j i
x )
SOMAS
) x (
n
1 i
i
=

MDIAS
) X ( j

A 90,8 100 81,1 271,90 90,63
B 85,5 83 73,7 242,20 80,73
C 65,9 77,1 68,5 211,50 70,50
TOTAL
725,60 80,62

A mdia do conjunto de todas as amostras ser:
62 , 80
9
6 , 725
N
x
X
k
1 i
n
1 j
j i
= = =

= =

Ento, tem-se:
2 2 2 2 2
) 62 , 80 5 , 68 ( ) 62 , 80 1 , 77 ( ) 62 , 80 1 , 81 ( ) 62 , 80 0 , 100 ( ) 62 , 80 8 , 90 ( SQT + + + + + =
932,78 SQT =

c) Soma de Quadrados entre Amostras (SQE)

=
= =
= =
k
1 j
2
j
k
1 j
n
1 i
2
j ) X X ( n ) X X ( SQE

2 2
) 62 , 80 5 , 70 ( 3 ) 62 , 80 73 , 80 ( 3 ) 62 , 80 63 , 90 ( 3 SQE
2
+ + =
607,88 SQE=
d) Clculo da Soma de Quadrados Residual (SQR)
SQE SQT SQR =
324,90 607,88 - 932,78 SQR = =
= =
k
1 i
n
1 j
j i
x

ANLISE DA VARINCIA
126
e) Quadro da ANOVA

FONTE DE
VARIAO
SOMA DE
QUADRADOS
G.L
QUADRADOS MDIOS
F
Entre amostras 88 , 607 SQE = 2 94 , 303
2
88 , 607
QME = =

5,61 F =
Dentro da
amostra (residual)
90 , 324 SQR = 6 15 , 54
6
90 , 324
QMR = =

Total
78 , 932 SQT = 8

O valor de F tabelado : 14 , 5 F
6 ; 2 ; 05 , 0
=

f) Concluso: Como
6 ; 2 ; 05 , 0
F F > , rejeita-se a hiptese
o
H de que os ndices mdios de
produo so iguais.

2) Em uma indstria, quatro operrios executam uma mesma operao. Com o objetivo de
identificar se existe diferena entre os tempos gastos para executar a operao mencionada,
foram realizadas as seguintes observaes desses tempos (em segundos):
Operrio 1: 8,1 8,3 8,0 8,1 8,5
Operrio 2: 8,4 8,4 8,5 8,3
Operrio 3: 8,8 8,7 8,9
Operrio 4: 8,3 8,4 8,2 8,2 8,3 8,4
Verificar se a diferena significativa ao nvel de 1% de significncia.
Soluo:
a) As hipteses a serem testadas:
= = = =
4 3 2 1
: H
0

: H
1
i

b) Clculo da Soma de Quadrados Total (SQT)
Tem-se que a soma de quadrados total dada por:

= =
=
k
1 j
n
1 i
2
j i
) X x ( SQT
Logo, faz-se necessrio calcular inicialmente a mdia do conjunto de todas as amostras.
OPERA-
DORES

TEMPOS (
j i
x )
SOMAS
) x (
n
1 i
i
=

MDIAS
) X ( j
1 8,1 8,3 8,0 8,1 8,5 41,0 8,2
2 8,4 8,4 8,5 8,3 33,6 8,4
3
8,8 8,7 8,9 26,4 8,8
4 8,3 8,4 8,2 8,2 8,3 8,4 49,8 8,3

150,8 8,4

= =
k
1 i
n
1 j
j i
x

SACHIKO ARAKI LIRA
127
A mdia do conjunto de todas as amostras ser:
4 , 8
18
8 , 150
N
x
X
k
1 i
n
1 j
j i
= = =

= =

Ento, tem-se:
2 2 2 2
) 4 , 8 4 , 8 ( ) 4 , 8 0 , 8 ( ) 4 , 8 3 , 8 ( ) 4 , 8 1 , 8 ( SQT + + + + =
0,98 SQT =

c) Soma de Quadrados entre Amostras (SQE)
= =
=
k
1 j
n
1 i
2
j ) X X ( SQE
OBS: Neste caso, cada
2
j ) X X ( multiplicado pelo seu respectivo tamanho de amostra.
| |
2 2 2 2
) 4 , 8 3 , 8 ( 8 ) 4 , 8 8 , 8 ( 3 ) 4 , 8 4 , 8 ( 4 ) 4 , 8 2 , 8 ( 5 SQE + + + =
0,74 SQE=

d) Clculo da Soma de Quadrados Residual (SQR)
= =
=
k
1 j
n
1 i
2
j
j i
) X x ( SQR
2 2 2 2
) 3 , 8 4 , 8 ( ) 3 , 8 3 , 8 ( ) 2 , 8 3 , 8 ( ) 2 , 8 1 , 8 ( SQR + + + + =
0,24 SQR=

e) Quadro da ANOVA

FONTE DE
VARIAO
SOMA DE QUADRADOS
G.L
QUADRADOS MDIOS
F
Entre amostras
(Tratamentos)
74 , 0 SQE= 3
3
74 , 0
QME=

39 , 14 F =
Dentro da amostra
(residual)
24 , 0 SQR= 14
14
24 , 0
QMR=

Total
98 , 0 SQT = 17

O valor de F tabelado 56 , 5 F
14 ; 3 ; 01 , 0
= .

Concluso: Como
14 ; 3 ; 01 , 0
F F > , rejeita-se a hiptese
0
H de que as quatro mdias so iguais.

ANLISE DA VARINCIA
128
9.3 COMPARAES MLTIPLAS ENTRE MDIAS
A anlise da varincia serve para verificar se existe diferena significativa entre as
mdias; porm, se houver diferenas, no possvel saber, atravs dela, quais as mdias
diferem entre si. A identificao de diferenas entre mdias, tomando-as duas a duas, deve ser
feita usando testes de comparaes mltiplas entre mdias.
9.3.1 TESTE DE SCHEFF

A estatstica de teste a distribuio F de Snedecor com ) k N , 1 k ( graus de liberdade,
corrigida por um fator que leva em conta o fato de se comparar k mdias, duas a duas.
O Teste de Scheff um teste mais geral, permite usar amostras com dimenses
diferentes e robusto a violaes dos pressupostos de normalidade e de igualdade de
varincias.

Se
o
A > m i X X , rejeita-se a hiptese nula de que
m i 0
: H = , sendo que a
estatstica
o
A dada por:

o o
|
|
.
|
\
|
+ = A
, k N , 1 k
F
n
1
n
1
) 1 k ( QMR
m i
.
Exerccios de aplicao:
1) Para o exemplo dos ndices de produo segundo diferentes postos de trabalho, verificar
quais mdias so diferentes, utilizando 05 , 0 = o .
Soluo:
Os ndices mdios, segundo diferentes postos de trabalho so:
POSTOS DE
TRABALHO
MDIAS
) X ( j
A
90,63
B
80,73
C
70,50

Utilizando o teste de Scheff:

o o
|
|
.
|
\
|
+ = A
, k N , 1 k
F
n
1
n
1
) 1 k ( QMR
m i

onde:
3 k = ( postos de trabalho)
6 3 9 k N = =
05 , 0 = o
3 n = (tamanho da amostra para cada grupo)

SACHIKO ARAKI LIRA
129
15 , 54
6
90 , 324
QMR = = ( do exemplo de aplicao no. 1)
14 , 5 F
05 , 0 ; 6 , 2
=
Considerando os postos de trabalha A e B, tem-se:

26 , 19 14 , 5
3
1
3
1
2 15 , 54
05 , 0
= |
.
|
\
|
+ = A

Da mesma forma para A e C e B e C, pois os tamanhos de amostras so iguais a 3.
Portanto, tem-se:
POSTOS DE
TRABALHO
DIFERENA DE MDIAS
o
A DIFERENA
SIGNIFICATIVA
A e B 90 , 9 73 , 80 63 , 90 = 19,26 No
A e C 20,13 70,50 63 , 90 = 19,26 Sim
B e C 10,23 70,50 73 , 80 = 19,26 No

Conclui-se portanto que as mdias dos postos de trabalho A e C so diferentes, para
nvel de 5% de significncia.
2) Para o exemplo de quatro operrios que executam uma mesma operao em uma indstria,
aplicar o mtodo de Scheff, utilizando 01 , 0 = o .
Soluo:
Os tempos mdios gastos para executar determinada operao, segundo operadores:
OPERA-
DORES
i
n
MDIAS
) X ( j
1 5 8,2
2 4 8,4
3 3 8,8
4 6 8,3

Utilizando o teste de Scheff:

o o
|
|
.
|
\
|
+ = A =
, k N , 1 k
F
n
1
n
1
) 1 k ( QMR X X
m i
m i

4 k = ( operadores)
18 N=
14 4 18 k N = =
01 , 0 = o

0171 , 0
14
0,24
QMR = =
( do exemplo de aplicao no. 2)

ANLISE DA VARINCIA
130
56 , 5 F
01 , 0 ; 14 ; 3
=

Considerando os operrios 1 e 2, tem-se:
5 n
1
=

4 n
2
=

Substituindo os valores na expresso do teste de Scheff:
0,36 56 , 5
4
1
5
1
3 0171 , 0 = |
.
|
\
|
+ = A
o

As mdias dos operrios 1 e 2 so: 2 , 8 X1 =

e

4 , 8 X2 = , portanto a diferena
2 , 0 X X
2 1 = . Tem-se que 0,36 2 , 0 X X
2 1 = A < =
o
, logo no h diferena entre as duas
mdias.
5 n
1
=

3 n
2
=

0,39 56 , 5
3
1
5
1
3 0171 , 0 = |
.
|
\
|
+ = A
o

5 n
1
=

6 n
2
=

32 , 0 56 , 5
6
1
5
1
3 0171 , 0 = |
.
|
\
|
+ = A
o

4 n
1
=

3 n
2
=

41 , 0 56 , 5
3
1
4
1
3 0171 , 0 = |
.
|
\
|
+ = A
o

4 n
1
=

6 n
2
=

34 , 0 56 , 5
6
1
4
1
3 0171 , 0 = |
.
|
\
|
+ = A
o

3 n
1
=

SACHIKO ARAKI LIRA
131
6 n
2
=

38 , 0 56 , 5
6
1
3
1
3 0171 , 0 = |
.
|
\
|
+ = A
o

Assim, tem-se:

OPERADORES
m i X X

o
A

CONCLUSO
1 e 2 0,20 0,36 No diferem
1 e 3 0,60 0,39 diferem
1 e 4 0,10 0,32 No diferem
2 e 3 0,60 0,41 diferem
2 e 4 0,10 0,34 No diferem
3 e 4 0,50 0,38 diferem

A mdia do operador nmero 3 difere dos demais, ao nvel de 1% de significncia.

LISTA DE EXERCCIOS NO. 8 ANLISE DA VARINCIA
1. Uma empresa deseja adquirir certa mquina e verificou que existem no mercado trs marcas
diferentes: A, B, e C que satisfazem. Decidiu-se que ser comprada a mquina que apresentar
melhor rendimento. Foi realizado um ensaio com as trs mquinas em perodos iguais durant e 5
dias e as produes resultantes foram:

A 120 123 121 125 122
B 119 121 118 120 123
C 125 127 128 127 128
Pergunta-se: com relao ao rendimento, existe diferena significativa entre as mquinas ao
nvel de 1% de significncia? Aplicar o teste de Scheff e concluir qual a mquina a ser
adquirida.
2. Foram testados trs tipos de lmpadas eltricas e os tempos de vida (em horas) obtidos
foram:
lmpada A: 1.245 1.354 1.367 1.289
lmpada B: 1.235 1.300 1.230 1.189
lmpada C: 1.345 1.450 1.320
Existe diferena significativa entre os tempos mdios de vida dessas trs marcas de lmpadas,
ao nvel de significncia de 1%? Se necessrio, aplicar o teste de Scheff.
3. Trs mquinas produzem parafusos. Encontram-se a seguir, os dimetros correspondentes a
uma amostra de 4 parafusos produzidos em cada mquina.

ANLISE DA VARINCIA
132

MQUINAS
A B C
8 9 7
7 7 9
9 7 7
7 8 7
Testar se os dimetros mdios so iguais a um nvel de significncia de 5%.
4) Pesquisadores investigaram trs mtodos diferentes de preparar o composto supercondutor
8 6
S PbMo . Eles afirmam que a presena de oxignio durante o processo de preparao afeta a
temperatura de transio,
c
T , da superconduo do material. Os mtodos de preparao 1 e 2
usam tcnicas que so planejadas para eliminar a presena de oxignio, enquanto o mtodo 3
permite a presena de oxignio. Cinco observaes de
c
T (em K) foram feitas para cada
material, sendo os resultados apresentados a seguir.

MTODO DE
PREPARAO
TEMPERATURA DE TRANSIO
c
T (K)
1 14,8 14,8 14,7 14,8 14,9
2 14,6 15,0 14,9 14,8 14,7
3 14,2 14,4 14,4 12,2 11,7
H qualquer evidncia que confirme a afirmao de que a presena de oxignio durante a
preparao afete a temperatura mdia de transio? Usar 05 , 0 = o .
5) A resistncia de contato de um rel foi estudada para trs materiais diferentes (todos eram
ligas, tendo prata como base). Os dados encontram-se a seguir.

LIGA RESISTNCIA DE CONTATO
1 95 87 99 98
2 104 102 102 105
3 119 130 132 136

O tipo de liga afeta a resistncia mdia de contato? Usar 01 , 0 = o .

SACHIKO ARAKI LIRA
133
ANLISE DE CORRELAO E REGRESS0
SIMPLES
10.1 INTRODUO
A anlise de correlao mede o grau de associao entre variveis, e pode ser:
- Correlao simples: mede a fora ou grau de relacionamento entre duas variveis;
- Correlao mltipla: mede a fora ou grau de relacionamento entre uma varivel e um
conjunto de outras variveis.
A anlise de regresso estuda o relacionamento entre uma varivel chamada
dependente e outras variveis chamadas variveis independentes. Este relacionamento
representado por um modelo matemtico, isto , por uma equao que associa a varivel
dependente com as variveis independentes.
- Modelo de regresso linear simples: define uma relao linear entre a varivel dependente e
uma varivel independente;
- Modelo de regresso linear mltipla: define uma relao linear entre a varivel dependente
e duas ou mais variveis independentes.
10.2 DIAGRAMA DE DISPERSO
O diagrama de disperso uma representao grfica da relao entre duas ou mais
variveis. No diagrama de disperso entre duas variveis, X e Y, cada ponto no grfico um par
(
i i
y , x ).

A visualizao do diagrama de disperso possibilita ter uma boa idia de como as duas
variveis se correlacionam.
DIAGRAMA DE DISPERSO
0
20
40
60
80
100
120
2 7 12 17 22
X
Y
GRFICO 1 - DIAGRAMA DE DISPERSO ENTRE AS VARI-
VEIS X E Y

ANLISE DE CORRELAO E REGRESSO
134
10.3 ANLISE DE CORRELAO
10.3.1 COEFICIENTE DE CORRELAO LINEAR DE PEARSON
Diferentes formas de correlao podem existir entre as variveis. O caso mais simples e
mais conhecido a correlao linear simples, envolvendo duas variveis, X e Y.
Este coeficiente mostra o grau de relacionamento entre as variveis, fornecendo um nmero,
indicando como as variveis variam conjuntamente. No h a necessidade de definir as relaes
de causa e efeito, ou seja, qual a varivel dependente e a independente.
Quando para maiores valores de X, existe uma tendncia de obter maiores valores de Y,
diz-se que existe correlao linear positiva, conforme o grfico 1, apresentado anteriormente.
Entretanto, pode ocorrer o inverso, ou seja, para maiores valores de X, existir uma tendncia de
obter menores valores de Y, diz-se neste caso, que existe correlao linear negativa,
conforme o grfico 2. Obviamente, existem muitos casos em que as variveis no so
correlacionadas, isto , a correlao linear nula, como apresentado no grfico 3.

O coeficiente de correlao amostral obtido atravs da expresso:
( )( )
( ) ( )

= =
=

=
n
1 i
2
Y
n
1 i
2
X
n
1 i
Y X
Y X
Y X
r
i i
i i

A interpretao do coeficiente quando 1 r = de que existe correlao linear perfeita
entre as variveis X e Y. A correlao linear perfeita positiva quando 1 r = e linear perfeita
negativa quando 1 r = . Quando se tem 0 r = , no existe correlao linear entre as variveis X e
Y. O coeficiente de correlao pode ser avaliado qualitativamente de acordo com os critrios
abaixo:

0
20
40
60
80
100
120
2 7 12 17 22
X
Y

0
10
20
30
40
50
60
70
2 7 12 17
X
Y

GRFICO 2 DIAGRAMA DE DISPERSO ENTRE AS VARI-
VEIS X E Y

GRFICO 3 DIAGRAMA DE DISPERSO ENTRE AS VARI-
VEIS X E Y

SACHIKO ARAKI LIRA
135
se 30 , 0 r 0 < < existe fraca correlao linear;
se 60 , 0 r 30 , 0 < s existe moderada correlao linear;
se 90 , 0 r 60 , 0 < s existe forte correlao linear;
se 00 , 1 r 90 , 0 < s existe correlao linear muito forte.
Exemplo de aplicao:
Seja o processo de recobrimento de uma determinada pea com metal. O recobrimento
feito com metal fundido.
X= quantidade utilizada de metal fundido (em gramas);
Y = porcentagem de recobrimento obtida (%).

QUANTIDADE DE METAL FUNDIDO UTILIZADA
E PORCENTAGEM DE RECOBRIMENTO
OBTIDA
OBSERVAO
i
x
i
y
1 6,0 10
2 4,0 10
3 6,0 20
4 8,0 20
5 7,5 30
6 8,5 40
7 9,5 45
8 11,0 50
9 12,0 60
10 12,0 65
O diagrama de disperso apresentado abaixo:

A visualizao do diagrama de disperso possibilita ter uma boa idia de como as duas
variveis se relacionam, ou seja, qual a tendncia de variao conjunta que apresentam. O
grfico sugere a existncia de uma relao linear entre as duas variveis. Assim, calcular-se- o
coeficiente de correlao linear de Pearson.
0
10
20
30
40
50
60
70
80
2 4 6 8 10 12 14
Quantidade de metal
Porcentagem de
recobrimento (%)

GRFICO 4 DIAGRAMA DE DISPERSO ENTRE AS VARIVEIS QUANTI-
DADE DE METAL FUNDIDO E PORCENTAGEM DE RECOBRI-
MENTO

136

OBS.
i
x
i
y ) X x (
i
) Y y (
i
) Y y )( X x (
i i

2
i
) X x (
2
i
) Y y (
1 6 10 -2,45 -25 61,25 6,00 625
2 4 10 -4,45 -25 111,25 19,80 625
3 6 20 -2,45 -15 36,75 6,00 225
4 8 20 -0,45 -15 6,75 0,20 225
5 7,5 30 -0,95 -5 4,75 0,90 25
6 8,5 40 0,05 5 0,25 0,00 25
7 9,5 45 1,05 10 10,50 1,10 100
8 11 50 2,55 15 38,25 6,50 225
9 12 60 3,55 25 88,75 12,60 625
10 12 65 3,55 30 106,50 12,60 900

84,5 350 465,00 65,73 3.600
MDIA 8,45 35
Tem-se que:
( )( )
( ) ( )

= =
=

= =
n
1 i
2
i
Y
n
1 i
2
i
X
n
1 i
i
Y
i
X
Y X
Y X
r
Y , X

Substituindo os valores na expresso acima tem-se:
0,9560
3.600 65,73
465
r
Y , X
= = =
Sendo o 9560 , 0 r = , conclui-se que existe correlao linear muito forte.
10.3.1.1 TESTE DE HIPTESES PARA COEFICIENTE DE CORRELAO
O coeficiente de correlao linear r , uma estimativa da correlao populacional ,
obtida com base em uma amostra de tamanho n. O tamanho da amostra exerce papel
fundamental na estimativa, desta forma, torna-se necessrio testar a hiptese de que realmente
existe correlao linear entre as variveis estudadas. Assim, as hipteses a serem testadas so:
0 : H
0
= ( a correlao populacional igual a zero)
0 : H
1
= ( a correlao populacional diferente de zero)
A estatstica para testar a hiptese 0 : H
0
= contra 0 H :
1
= , tem distribuio t com n - 2
graus de liberdade, ou seja:

2
r 1
2 n r
t
= ~
2 n
t

.

SACHIKO ARAKI LIRA
137
Exemplo de aplicao:
Seja o exemplo do processo de recobrimento de uma determinada pea com metal. Tem-se que
o coeficiente de correlao estimado 0,9560 r = . Testar a hiptese de que a correlao
populacional diferente de zero, utilizando nvel de significncia de 5%.
As hipteses so:
0 : H
0
= ( a correlao populacional igual a zero)
0 : H
1
= ( a correlao populacional diferente de zero)
A estatstica t :
9,22
9560 , 0 1
2 10 9560 , 0
r 1
2 n r
t
2 2
=
=
O valor de t tabelado para nvel de significncia e 5% e 8 graus de liberdade 2,31,
portanto, rejeita-se a hiptese 0 : H
0
= .
10.4 ANLISE DE REGRESSO LINEAR SIMPLES
Anlise de regresso linear simples uma tcnica de modelagem utilizada para analisar
a relao entre uma varivel dependente (Y) e uma varivel independente X .
O objetivo dessa tcnica identificar uma funo que descreve, o mais prximo possvel,
a relao entre essas variveis e assim poder predizer o valor que a varivel dependente (Y) i r
assumir para um determinado valor da varivel independente X.
O modelo de regresso poder ser expresso como:
c | o + + = X Y
Um valor de Y formado pelo componente funcional ou regresso ) X ( | o+ , que
representa a influncia da varivel independente X sobre o valor de Y e o componente aleatrio
) ( c , que representa a influncia de outros fatores, bem como os erros de medidas da varivel
Y.
Apresenta-se a seguir, um grfico, onde esto representados os pontos observados e a
reta ajustada.

20
22
24
26
28
30
32
34
20 22 24 26 28 30

138
Verifica-se no grfico que nem todos os pontos tocam a reta, e essa diferena o erro
(c), mas supe-se que em mdia esses erros tendem a se anular, ou seja:
0 ) ( E
i
= c
Ao estabelecer o modelo de regresso linear simples, deve-se pressupor que:
1) os erros )
i
( c tm distribuio normal;
2) os erros )
i
( c so independentes;
2)
i
c uma varivel aleatria com mdia igual a zero, isto , 0 ) ( E
i
= c ;
3) A varincia de
i
c igual a
2
o para todos os valores de X.
10.4.1 ESTIMAO DOS PARMETROS
Uma vez escolhido o modelo de regresso, deve-se estimar os seus parmetros, neste
caso, os coeficientes da equao da reta, o e | . Isso pode ser feito a partir da aplicao do
Mtodo dos Mnimos Quadrados. Neste mtodo, a soma dos erros quadrticos (isto , a soma
dos quadrados da distncia vertical entre as observaes e a reta ajustada) mnima.
Os parmetros o e | so estimados atravs dos dados amostrais e a reta estimada
ser da forma:
bX a Y
+ =

Seja
i
e a distncia da reta ajustada aos pontos amostrais, o mtodo dos mnimos
quadrados minimiza a soma de
2
i
e , ou seja:

2
i
n
1 i
i
n
1 i
2
i i
n
1 i
2
i
) bx a y ( ) y
y ( e = =

= = =

Derivando a expresso acima em relao a a e igualando a zero, tem-se:
0 x b 2 na 2 y 2 ) bx a y (
n
1 i
i
n
1 i
i
2
i
n
1 i
i
a
=

c
c
+ + =
=
= =

Derivando a expresso acima em relao a b e igualando a zero, tem-se:
0 x b 2 x a 2 y x 2 ) bx a y (
n
1 i
2
i
n
1 i
i
n
1 i
i i
2
i
n
1 i
i
b
=

c
c
+ + =
=
= = =

Obtm-se assim o sistema de duas equaes:
+ =
=
=
n
1 i
i
n
1 i
i
x b na y
+ =
=
= =

n
1 i
2
i
n
1 i
i
n
1 i
i i
x b x a y x
A soluo analtica do sistema de equaes fornece os valores de " a " e " b " , como
apresentados a seguir.
X b Y a =

SACHIKO ARAKI LIRA
139

=
=
=
n
1 i
2
i
n
1 i
i i
) X x (
y ) X x (
b
1) Seja o processo de recobrimento de uma determinada pea com metal. O recobrimento

OBTIDA
OBSERVAO
i
x
i
y
1 6,0 10
2 4,0 10
3 6,0 20
4 8,0 20
5 7,5 30
6 8,5 40
7 9,5 45
8 11,0 50
9 12,0 60
10 12,0 65
Ajustar um modelo de regresso linear simples aos dados:
Soluo:
Tem-se ento que:
OBS.
i
x
i
y ) X x (
i

2
i
) X x (
i i
y ) X x (
1 6 10 -2,45 6,00 -24,50
2 4 10 -4,45 19,80 -44,50
3 6 20 -2,45 6,00 -49,00
4 8 20 -0,45 0,20 -9,00
5 7,5 30 -0,95 0,90 -28,50
6 8,5 40 0,05 0,00 2,00
7 9,5 45 1,05 1,10 47,25
8 11 50 2,55 6,50 127,50
9 12 60 3,55 12,60 213,00
10 12 65 3,55 12,60 230,75
Total
84,5 350 65,725 465,00
Mdia
8,45 35

45 , 8 X =
35 Y =

140
725 , 65 ) X x (
n
1 i
2
i
=
=

00 , 465 y ) X x (
n
1 i
i i
=
=

Logo, 7,0749
725 , 65
00 , 465
) X x (
y ) X x (
b
n
1 i
2
i
n
1 i
i i
= =
=
=

-24,7832 45 , 8 0749 , 7 X b Y a 35 = = =
A equao de regresso linear ser:
X 0749 , 7 7832 , 24 Y
+ =
Tem-se ento que:

OBS.
i
x
i
y
i
y

1 6 10 17,7
2 4 10 3,5
3 6 20 17,7
4 8 20 31,8
5 7,5 30 28,3
6 8,5 40 35,4
7 9,5 45 42,4
8 11 50 53,0
9 12 60 60,1
10 12 65 60,1

O grfico a seguir, apresenta o diagrama de disperso e a funo linear ajustada.

DIAGRAMA DE DISPERSO E FUNO LINEAR
AJUSTADA
0
10
20
30
40
50
60
70
0 5 10 15
Quantidade de metal f undido
Recobrimento
(%)

SACHIKO ARAKI LIRA
141
10.4.2 TESTES DE HIPTESES NA REGRESSO
Uma etapa importante da verificao da adequao de um modelo de regresso linear
a realizao de um teste estatstico de hipteses em relao aos parmetros do modelo.
10.4.2.1TESTE t
Lembrando que o modelo c | o + + = X Y , deve-se testar as hipteses:
0 : H
0
= |
0 : H
1
= |
XX
2
S
S
b
: t
|
= , que segue distribuio t com n-2 graus de liberdade.
Tem-se que:
2 n
bS S
S
XY YY 2
= , que a estimativa de
2
o
Onde:
=
=
n
1 i
2
i XX
) X x ( S
=
=
n
1 i
2
i YY
) Y y ( S
n
y x
y x S
n
1 i
n
i
i i
n
1 i
i i XY

=
=
=
A concluso do teste ser:
Se 2 2 t t t o o < < , aceita-se
0
H e conclui-se que no existe regresso e se 2 t t o > ,
rejeita-se
0
H e conclui-se que existe regresso.
10.4.2.2 ANLISE DA VARINCIA
A anlise da varincia, conhecida como ANOVA, um teste que permite verificar a
existncia da regresso, ou seja, se existe relao entre a varivel dependente e independente,
atravs do comportamento das variaes totais, explicadas e residuais. Este teste resumido no
quadro da ANOVA..

142

A estatstica utilizada para o teste a varivel aleatria com distribuio F de Snedecor,
com m graus de liberdade no numerador e n graus de liberdade no denominador. As hipteses
so:
regresso existe No : H
0

regresso Existe : H
1

As variaes ou somas dos quadrados so obtidos atravs de :
=
= =
n
1 i
2
i
) Y y ( totais quadrados de Soma SQT
XY
S b licados exp quadrados de Soma SQE = =
onde: ) Y y ( ) X x ( S
i i
n
1 i
XY
=

=

XY YY
S b S residuais quadrados de Soma SQR = =
onde:
=
=
n
1 i
2
YY
) Y y ( S
i

Tem-se que: SQR SQE SQT + = .
Para a ANOVA, faz-se necessria elaborar a tabela abaixo:
FONTE DE
VARIAO
SOMA DOS
QUADRADOS
G.L. QUADRADO MDIO F
Explicada
XY
S b SQE = 1
XY
S b QME =

QMR
QME
F =
Residual
XY YY
S b S SQR =
2 n
2 n
S b S
QMR
XY YY

=
Total
YY
S SQT =
1 n
Se ) tabelado ( F F
2 n , 1 ; calculado o
> , rejeita-se
0
H e conclui-se que existe a regresso de Y
sobre X .
GRFICO 5 DESVIOS TOTAIS, EXPLICADOS E RESIDUAIS

Y
X
i
y
) y y (
i i

) Y y (
i

) y Y (
i

bX a Y
+ =

SACHIKO ARAKI LIRA
143
Exemplo de aplicao:
1) Testar o modelo ajustado no exemplo 1, atravs do teste t e da anlise da varincia. Usar
% 5 = o .
Soluo:
Para obter as somas dos quadrados faz-se necessrio os seguintes clculos:

OBS.
i
x
i
y
i i
y x
) X x (
i
) Y y (
i

2
i
) X x (
2
i
) Y y ( ) Y y ( ) X x (
i i

1 6 10
60,0
-2,45 -25 6,0 625 61,25
2 4 10
40,0
-4,45 -25 19,8 625 111,25
3 6 20
120,0
-2,45 -15 6,0 225 36,75
4 8 20
160,0
-0,45 -15 0,2 225 6,75
5 7,5 30
225,0
-0,95 -5 0,9 25 4,75
6 8,5 40
340,0
0,05 5 0,0 25 0,25
7 9,5 45
427,5
1,05 10 1,1 100 10,5
8 11 50
550,0
2,55 15 6,5 225 38,25
9 12 60
720,0
3,55 25 12,6 625 88,75
10 12 65
780,0
3,55 30 12,6 900 106,5
Total 84,5 350
3.422,5
65,70 3.600 465,00
a) Teste t
0 : H
0
= |
0 : H
1
= |
Tem-se que:
38,7656
8
465 075 , 7
600 . 3
2 n
bS S
S
XY YY 2
=
=
Calculando inicialmente:
70 , 65 ) X x ( S
n
1 i
2
i XX
= =

=

600 . 3 ) Y y ( S
n
1 i
2
i YY
= =

=

465
10
350 5 , 84
5 , 422 . 3
n
y x
y x S
n
1 i
n
i
i i
n
1 i
i i XY
=
= =

=
=

9,21
70 , 65
7656 , 38
0 075 , 7
S
S
b
t
XX
2
=
=
|
, que segue distribuio t com n-2 graus de liberdade.

144
Tem-se que 31 , 2 8 ; 2 / 05 , 0 t = , logo, rejeita-se
0
H e conclui-se que existes regresso.
b) ANOVA
600 . 3 ) Y y ( S SQT
n
1 i
2
i YY
= = =

=

XY
S b SQE = ,
sendo que 465 ) Y y ( ) X x ( S
i
n
1 i
i XY
= =

=

7,0749 b = (j calculado)
Assim, tem-se que: 3289,8285 465 0749 , 7 S
XY
b SQE = = =

XY YY
S S SQR b =
310,1715 8285 , 3289 600 . 3 S S SQR
XY YY
b = = =
QUADRO DA ANLISE DA VARINCIA
FONTE DE
VARIAO
SOMA DOS
QUADRADOS
Explicada 8285 , 289 . 3 SQE = 1 8285 , 289 . 3 QME=

84,85 F =
Residual 1715 , 310 SQR = 8 2 n =
38,7714
8
1715 , 310
QMR = =
Total 000 , 600 . 3 SQT = 9 1 n =
Tem-se que 32 , 5 F
8 , 1 ; 05 , 0
= , logo, conclui-se que existe regresso.
10.4.3 COEFICIENTE DE DETERMINAO OU EXPLICAO
Um outro indicador utilizado constantemente o coeficiente de determinao,
2
R
, que
indica quantos por cento a variao explicada pela regresso representa da variao total. Este
varia entre 0 e 1. Quanto mais prximo de 1, maior a explicao pelo modelo das variao
total. A expresso de
2
R dada por:
SQT
SQE
R
2
=
Para o exemplo 1, tem-se que:

0,9138
000 , 600 . 3
829 , 289 . 3
SQT
SQE
R
2
= = =

O modelo ajustado explica 91,38% das variaes ocorridas na varivel dependente Y.

2) Foi realizada uma experincia relacionando os alongamentos de uma mola (cm) com as
cargas aplicadas (kg). Os resultados obtidos foram:

SACHIKO ARAKI LIRA
145
Carga (kg) 3 4 5 6 7 8 9 10
Alongamento (cm) 4,0 4,8 5,6 6,7 7,9 9,0 9,8 11,0
Ajustar um modelo de regresso linear simples aos dados, testar a hiptese da existncia
de regresso e calcular o coeficiente de determinao.
Soluo:
a) Ajuste do modelo de regresso linear simples
Tem-se que a varivel dependente Y o alongamento da mola e a independente X, a
carga, Assim, para obter os coeficientes a e b, sero necessrios os seguintes clculos:
X-> carga
Y-> alongamento

OBS.
i
x
i
y ) X x (
i

2
i
) X x (
i i
y ) X x (
1 3 4 -3,5 12,25 -14,00
2 4 4,8 -2,5 6,25 -12,00
3 5 5,6 -1,5 2,25 -8,40
4 6 6,7 -0,5 0,25 -3,35
5 7 7,9 0,5 0,25 3,95
6 8 9 1,5 2,25 13,50
7 9 9,8 2,5 6,25 24,50
8 10 11 3,5 12,25 38,50
Total 52 58,8 0 42,00 42,70
Mdia 6,5 7,35
Tem-se ento que:
5 , 6 X =
35 , 7 Y =
52 ) X x (
n
1 i
2
i
=
=

70 , 42 y ) X x (
n
1 i
i i
=
=

Logo, 1,01667
42
70 , 42
) X x (
y ) X x (
b
n
1 i
2
i
n
1 i
i i
= =
=
=

0,7416 5 , 6 1,01667 35 , 7 X b Y a = = =
A equao de regresso linear ser:
X 0167 , 1 7415 , 0 Y
+ =
Tem-se que:

146

OBS.
i
x
i
y
i
y
1
3 4 3,8
2
4 4,8 4,8
3
5 5,6 5,8
4
6 6,7 6,8
5
7 7,9 7,9
6
8 9 8,9
7
9 9,8 9,9
8
10 11 10,9
O grfico a seguir, apresenta o diagrama de disperso e a funo linear ajustada.

b) Teste da existncia de regresso
Para obter as somas dos quadrados faz-se necessrio os seguintes clculos:

OBS.
i
x
i
y ) X x (
i
) Y y (
i

2
i
) X x (
2
i
) Y y ( ) Y y ( ) X x (
i i

1 3 4 -3,5 -3,35 12,25 11,2225 11,725
2 4 4,8 -2,5 -2,55 6,25 6,5025 6,375
3 5 5,6 -1,5 -1,75 2,25 3,0625 2,625
4 6 6,7 -0,5 -0,65 0,25 0,4225 0,325
5 7 7,9 0,5 0,55 0,25 0,3025 0,275
6 8 9 1,5 1,65 2,25 2,7225 2,475
7 9 9,8 2,5 2,45 6,25 6,0025 6,125
8 10 11 3,5 3,65 12,25 13,3225 12,775
Total 52 58,8 42,00 43,56 42,70
Mdia
6,5 7,35

56 , 43 ) Y y ( S SQT
n
1 i
2
i YY
= = =

=

DIAGRAMA DE DISPERSO E FUNO LINEAR
AJUSTADA
0
2
4
6
8
10
12
0 2 4 6 8 10 12
Carga
Alongamento

SACHIKO ARAKI LIRA
147

XY
S b SQE = ,
sendo que 70 , 42 ) Y y ( ) X x ( S
i i
n
1 i
XY
= =

=

01667 , 1 b = (j calculado)
Assim, tem-se que: 43,4117 70 , 42 01667 , 1 S
XY
b SQE = = =

XY YY
S S SQR b =
0,1483 43,4117 56000 , 43 S S SQR
XY YY
b = = =
QUADRO DA ANLISE DA VARINCIA
FONTE DE
VARIAO
SOMA DOS
QUADRADOS
Explicada 4117 , 43 SQE = 1 43,4117 QME =
1757,56 F = Residual 0,1483 SQR = 6 2 n =
0,0247 QMR =
Total 5600 , 43 SQT =
7 1 n =
Tem-se que 99 , 5 F
6 , 1 ; 05 , 0
= , logo, conclui-se que existe a regresso de Y sobre X .
c) Coeficiente de determinao
SQT
SQE
R
2
=
Para o exemplo 2, tem-se que:

0,9966
5600 , 43
4117 , 43
SQT
SQE
R
2
= = =

O modelo ajustado explica 99,66% das variaes ocorridas na varivel dependente Y.
10.5 AJUSTE DE CURVA GEOMTRICA (OU FUNO POTNCIA)
Apresenta-se, a seguir, como se ajusta uma funo potncia, a um conjunto de pontos
) y , x (
i i
. A funo potncia dada pela expresso a seguir:
|
o = X Y
Graficamente, tem-se:

148

10.5.1 ESTIMATIVA DOS COEFICIENTES
O modelo estimado ser dado por:
|
o =
X Y

Para ajustar uma curva geomtrica
|
o =
X Y
, a um conjunto de pontos ) y , x (
i i
, pode-se
fazer atravs da seguinte transformao, considerando 0 Y > e 0 X > :
X ln ln Y
ln
| o+ = , que poder ser escrita da seguinte forma:

T A
Z

| + =
onde:
Y
ln Z
=
o = ln A

X ln T =
Os parmetros A e | so estimados atravs dos dados amostrais e a reta estimada
ser da forma:
T A
Z

| + =
Os valores de A
e |
sero obtidos a partir das equaes apresentadas a seguir.

T Z A

| =

|
=
=
=
n
1 i
2
i
n
1 i
i i
) T t (
z ) T t (

Para obter a estimativa do modelo na sua forma original, faz-se a transformao inversa
dos coeficientes A
e B
. Tem-se ento que:

o = ln A
, logo,
A
e = o
FUNO POTNCIA
40
45
50
55
60
65
70
75
80
85
140 240 340 440 540
X
Y

1 0 < | <

SACHIKO ARAKI LIRA
149
E a funo potncia estimada ser:
|
o =
X Y

com m graus de liberdade no numerador e n graus de liberdade no denominador. As hipteses
so:
0

regresso Existe : H
1

=
=
n
1 i
2
i
) Z z ( SQT
TZ
S SQE
| =
onde: ) Z z ( ) T t ( S
i i
n
1 i
TZ
=

=

TZ ZZ
S S SQR
| =
onde:
=
=
n
1 i
2
ZZ
) Z z ( S
i


FONTE DE
VARIAO
SOMA DOS
QUADRADOS
Explicada
TZ
S SQE
| = 1
TZ
S QME
| =
QMR
QME
F = Residual
TZ ZZ
S S SQR
| = 2 n
2 n
S S
QMR
TZ
ZZ
=
|

Total
ZZ
S SQT =
1 n
Se ) tabelado ( F F
> , rejeita-se
0
sobre X .

150
10.5.3 COEFICIENTE DE DETERMINAO OU EXPLICAO
O coeficiente de determinao,
2
R , que indica quantos por cento a variao explicada
pela regresso representa da variao total. Este varia entre 0 e 1. Quanto mais prximo de 1,
maior a explicao pelo modelo das variao total. A expresso de
2
R dada por:
SQT
SQE
R
2
=
Exemplo: Os dados apresentados, a seguir, representam o desempenho (medido em km
percorridos por litro de gasolina) dos carros em estrada e o deslocamento do pisto no motor,
para uma amostra de 8 carros.
Sejam as variveis: X= deslocamento do pisto ) m (
3
e Y= km percorridos em estrada
por litro de gasolina.

CARROS X Y
1 215 13,2
2 201 13,7
3 196 14,1
4 226 12,9
5 226 12,3
6 348 11,1
7 226 13,1
8 348 11,2
a) construir o diagrama de disperso;
b) Ajustar uma funo geomtrica aos dados;
c) testar a existncia de regresso;
d) calcular o coeficiente de determinao.
Soluo:
a) Diagrama de disperso

10,0
10,5
11,0
11,5
12,0
12,5
13,0
13,5
14,0
14,5
15,0
80 130 180 230 280 330 380
Deslocamento do pisto
Km/litro de
gasolina

SACHIKO ARAKI LIRA
151
Fazendo as transformaes de variveis necessrias, tem-se:

CARROS
i
x
i
y ) y ln( z
i i
= ) x ln( t
i i
=
) T t (
i

2
i
) T t (
i i
z ) T t (
1 215 13,2 2,5802 5,3706 -0,1191 0,0142 -0,3074
2 201 13,7 2,6174 5,3033 -0,1865 0,0348 -0,4880
3 196 14,1 2,6462 5,2781 -0,2116 0,0448 -0,5600
4 226 12,9 2,5572 5,4205 -0,0692 0,0048 -0,1770
5 226 12,3 2,5096 5,4205 -0,0692 0,0048 -0,1737
6 348 11,1 2,4069 5,8522 0,3624 0,1314 0,8724
7 226 13,1 2,5726 5,4205 -0,0692 0,0048 -0,1781
8 348 11,2 2,4159 5,8522 0,3624 0,1314 0,8756
SOMA

0,3709 -0,1362
MDIA 248,25
2,5383
5,4898
a) Clculo das estimativas dos parmetros
-0,3674
0,3709
0,1362 -
) T t (
z ) T t (
n
1 i
2
i
n
1 i
i i
= =
|
=
=

4,5550 5,4898 ) 3674 , 0 ( 2,5383 T Z A

= = | =
O modelo ajustado :
T 3674 , 0 5550 , 4 T
= | + =
Mas tem-se que:
o = ln A
, logo, 95,1068
5550 , 4 A
e e = = = o
O modelo ajustado na forma potencial ser:
3674 , 0
X 1068 , 95 X Y
|
= = o
O grfico a seguir apresenta o diagrama de disperso e a funo potencial ajustada.

DIAGRAMA DE DISPERSO E CURVA POTENCIAL
AJUSTADA
10,0
10,5
11,0
11,5
12,0
12,5
13,0
13,5
14,0
14,5
80 130 180 230 280 330 380
Deslocamento do pisto
Km/litro de
gasolina

152
b) Utilizando a ANOVA para testar a existncia de regresso:
CARROS
i
x
i
y

) y ln( z
i i
=

) x ln( t
i i
=

) Z z (
i

2
i
) Z z (

) T t (
i

) Z z ( ) T t (
i i

1 215 13,2
2,5802 5,3706 0,0420 0,0018 -0,1191 -0,0050
2 201 13,7
2,6174 5,3033 0,0791 0,0063 -0,1865 -0,0148
3 196 14,1
2,6462 5,2781 0,1079 0,0116 -0,2116 -0,0228
4 226 12,9
2,5572 5,4205 0,0190 0,0004 -0,0692 -0,0013
5 226 12,3
2,5096 5,4205 -0,0287 0,0008 -0,0692 0,0020
6 348 11,1
2,4069 5,8522 -0,1313 0,0172 0,3624 -0,0476
7 226 13,1
2,5726 5,4205 0,0344 0,0012 -0,0692 -0,0024
8 348 11,2
2,4159 5,8522 -0,1223 0,0150 0,3624 -0,0443
SOMA 0,0543 -0,1362
MDIA 248,25
2,5383
5,4898
0,0543 ) Z z ( SQT
n
1 i
2
i
= =

=

TZ
S SQE
| =
onde: -0,1362 ) Z z ( ) T t ( S
i i
n
1 i
TZ
= =

=

0,0500 ) 1362 , 0 ( 3674 , 0 S SQE
TZ
= = = |
0,0043 0500 , 0 0543 , 0 SQE SQT SQR = = =
FONTE DE
VARIAO
SOMA DOS
QUADRADOS
Devido regresso 0500 , 0 1 0500 , 0
70,38 Residuo 0043 , 0 6 0,0007
Total 0543 , 0 7
Tem-se que 99 , 5 F
6 ; 1 ; 05 , 0
= . Como 5,99 F 38 , 70 F
6 ; 1 ; 05 , 0
= > = , conclui-se que existe
regresso, ao nvel de 5% de significncia.
Finalmente, para analisar o grau de explicao do modelo, calcular-se- o coeficiente de
determinao.
0,9214
0543 , 0
0,0500
SQT
SQE
R
2
= = =
O modelo ajustado explica 92,14% das variaes ocorridas na varivel Y.
10.6 AJUSTE DE FUNO EXPONENCIAL
Apresenta-se, a seguir, o ajuste de uma funo exponencial
X
Y o| = , a um conjunto de
pontos ) y , x (
i i
.
Graficamente, tem-se:

SACHIKO ARAKI LIRA
153

10.6.1 ESTIMATIVA DOS COEFICIENTES
O modelo estimado :
X
| o =
Fazendo a transformao logartmica:
| o + =
l n X l n Y
l n , que poder ser escrita como sendo:

X B
+ =
onde:
Y
l n Z
=
o = l n A

| =
l n B

Assim, reduz-se ao problema de ajuste de uma reta aos pontos ) z , x (
i i
, onde
i
y ln z
i
= .
Os parmetros A e B so estimados atravs dos dados amostrais e a reta estimada ser da
forma:
X B
+ =
Os valores de A
e B
sero obtidos a partir das equaes apresentadas a seguir.

X B
Z A
=
=
=
n
1 i
2
i
n
1 i
i i
) X x (
z ) X x (
B

Para obter a estimativa do modelo na sua forma original, faz-se a transformao inversa
dos coeficientes A
e B
. Tem-se ento que:

o = l n A
, logo,
A
e = o
| =
l n B
, logo,
B
= |
E o modelo exponencial estimado ser:
X
| o =
FUNO EXPONENCIAL
0
20
40
60
80
100
120
140
160
180
200
0 5 10 15
X
Y

1 > |

154
com 1 grau de liberdade no numerador e n-2 graus de liberdade no denominador. As hipteses
so:
0

regresso Existe : H
1

=
= =
n
1 i
2
i
) Z z ( totai s quadrados de Soma SQT
XZ
S B
licados exp quadrados de Soma SQE = =

onde: ) Z z ( ) X x ( S
i i
n
1 i
XZ
=

=

XZ ZZ
S B
S residuais quadrados de Soma SQR = =

onde:
=
=
n
1 i
2
ZZ
) Z z ( S
i

FONTE DE
VARIAO
SOMA DOS
QUADRADOS
Explicada
XZ
S B
SQE =
1
XZ
S B
QME=
QMR
QME
F =
Residual
XZ ZZ
S B
S SQR = 2 n
2 n
S B
S
QMR
XZ ZZ
=
Total
ZZ
S SQT =
1 n
Se ) tabelado ( F F
> , rejeita-se
0
sobre X .
10.6.3. COEFICIENTE DE DETERMINAO OU EXPLICAO
O coeficiente de determinao,
2
R , que indica quantos por cento a variao explicada
pela regresso representa da variao total. Este varia entre 0 e 1. Quanto mais prximo de 1,
maior a explicao pelo modelo das variao total. A expresso de
2
R dada por:
SQT
SQE
R
2
=

SACHIKO ARAKI LIRA
155
Exemplo:
1) Seja o processo de recobrimento de uma determinada pea com metal. O recobrimento

OBTIDA
OBSERVAO
i
x
i
y
1 6,0 10
2 4,0 10
3 6,0 20
4 8,0 20
5 7,5 30
6 8,5 40
7 9,5 45
8 11,0 50
9 12,0 60
10 12,0 65
a) ajustar uma funo exponencial aos dados;
b) testar a existncia de regresso utilizando nvel de significncia de 5%;
c) calcular o coeficiente de determinao.
Soluo:
a) ajuste da funo exponencial
OBS.
i
x
i
y ) y ln( z
i i
=
) X x (
i

2
i
) X x (
i i
z ) X x (
1 6,0 10 2,3026 -2,45 6,00 -5,6413
2 4,0 10 2,3026 -4,45 19,80 -10,2465
3 6,0 20 2,9957 -2,45 6,00 -7,3395
4 8,0 20 2,9957 -0,45 0,20 -1,3481
5 7,5 30 3,4012 -0,95 0,90 -3,2311
6 8,5 40 3,6889 0,05 0,00 0,1844
7 9,5 45 3,8067 1,05 1,10 3,9970
8 11,0 50 3,9120 2,55 6,50 9,9757
9 12,0 60 4,0943 3,55 12,60 14,5349
10 12,0 65 4,1744 3,55 12,60 14,8191
SOMA 84,5 350 65,73 15,7045
MDIA 8,45 35 3,3674
a.1) Clculo do coeficiente B
:
0,2389
65,73
15,7045
) X x (
z ) X x (
B
n
1 i
2
i
n
1 i
i i
= =
=
=

a.2) Clculo do coeficiente
A

1,3483 45 , 8 (0,2389) - X B
Z A
3674 , 3 = = =

156
Assim, o modelo ajustado na forma linear ser:
X 2389 , 0 8511 , 3 X B
= + =

Mas tem-se que:
o = l n A
, logo, 3,8511
3483 , 1 A
e e = = = o
| =
l n B
, logo, 2699 , 1
2389 , 0 B
e e = = = |
a.3) O modelo ajustado na forma exponencial :
X
9987 , 0 6271 , 17
X
Y

= = | o

Assim, tem-se que:
OBS.
i
x
i
y
i
y

1
6,0 10 16,15
2 4,0 10 10,02
3 6,0 20 16,15
4
8,0 20 26,05
5
7,5 30 23,11
6
8,5 40 29,35
7
9,5 45 37,27
8 11,0 50 53,34
9 12,0 60 67,74
10 12,0 65 67,74
O grfico a seguir apresenta o diagrama de disperso e a funo exponencial
ajustada:

b) Teste para verificar a existncia de regresso

DIAGRAMA DE DISPERSO E FUNO EXPONENCIAL
AJUSTADA
0
10
20
30
40
50
60
70
80
2 4 6 8 10 12 14
Quantidade de metal f undido
Recobrimento
(%)

SACHIKO ARAKI LIRA
157

OBS.
i
x
i
y ) y ln( z
i i
= ) X x (
i
) Z z (
i

2
) Z z (
i

) Z z ( ) X x (
i i

1 6,0 10
2,3026 -2,45 -1,0648 1,1338 2,6088
2 4,0 10
2,3026 -4,45 -1,0648 1,1338 4,7384
3 6,0 20
2,9957 -2,45 -0,3717 0,1381 0,9106
4 8,0 20
2,9957 -0,45 -0,3717 0,1381 0,1673
5 7,5 30
3,4012 -0,95 0,0338 0,0011 -0,0321
6 8,5 40
3,6889 0,05 0,3215 0,1033 0,0161
7 9,5 45
3,8067 1,05 0,4393 0,1930 0,4612
8 11,0 50
3,9120 2,55 0,5446 0,2966 1,3888
9 12,0 60
4,0943 3,55 0,7269 0,5284 2,5807
10 12,0 65
4,1744 3,55 0,8070 0,6512 2,8648
SOMA 84,5 350 4,3177 15,7045
MDIA 8,45 35
3,3674
Calculando-se a soma dos quadrados tem-se:
3177 , 4 ) Z z ( SQT
n
1 i
2
i
= =

=

XZ
S SQE B
=
onde: 7045 , 15 ) Z z ( ) X x ( S
i i
n
1 i
XZ
= =

=

3,7525 7045 , 15 2389 , 0 S
XZ
B
SQE = = =
0,5652 7525 , 3 3177 , 4 SQR SQT SQR = = =
Quadro da ANOVA
FONTE DE
VARIAO
SOMA DE
QUADRADOS
GRAUS DE
LIBERDADE
QUADRADO
MDIO
F
Explicada 3,7525 1 3,7525
53,11
Residual 0,5652 8 0,0706
Total 4,3177 9
Tem-se que 32 , 5 F
8 ; 1 ; 05 , 0
= . Como 32 , 5 F 11 , 53 F
8 ; 1 ; 05 , 0
= > = , conclui-se que existe
regresso, ao nvel de 5% de significncia.
c) Clculo do coeficiente de determinao
Finalmente, para analisar o grau de explicao do modelo, calcular-se- o coeficiente de
determinao.
0,8691
3177 , 4
7525 , 3
SQT
SQE
R
2
= = =
O modelo ajustado explica 86,91% das variaes ocorridas na varivel Y.

158
LISTA DE EXERCCIOS NO. 9 ANLISE DE CORRELAO E REGRESSO
1. A a seguir relaciona os pesos (em centenas de kg) e as taxas de rendimento de combustvel
em rodovia (km/litro), numa amostra de 10 carros de passeio novos.

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 significncia ao nvel de 5%.
b) Ajustar a funo linear e testar a existncia de regresso, adotando
05 , 0 = o
. Qual o
coeficiente de explicao da funo linear?
c) Ajustar a funo potncial e testar a existncia de regresso, adotando
05 , 0 = o
. Qual o
coeficiente de explicao da funo potencial?
d) Ajustar a funo exponencial e testar a existncia de regresso, adotando
05 , 0 = o
. Qual o
coeficiente de explicao da funo exponencial?
e) Qual das trs funes ajustadas 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 transmisso de dados, medida atravs do
nmero de falhas em 100.000 lotes de dados transmitidos (taxa de falha). Os resultados foram:

Comp. do
Cabo (m)
8 8 9 9 10 10 11 11 12
Taxa de
Falha
2,2 2,1 3,0 2,9 4,1 4,5 6,2 5,9 9,8

Comp. do
Cabo (m)
12 13 13 14 14 15
Taxa de
Falha
8,7 12,5 13,1 19,3 17,4 28,2
Pede-se:
a) Calcular o coeficiente linear de Pearson e testar a significncia ao nvel de 5%.
b) Ajustar a funo linear e testar a existncia de regresso, adotando
05 , 0 = o
. Qual o
c) Ajustar a funo potncial e testar a existncia de regresso, adotando
05 , 0 = o
. Qual o
d) Ajustar a funo exponencial e testar a existncia de regresso, adotando
05 , 0 = o
. Qual o
e) Qual das trs funes ajustadas a melhor? Comente.

3) No processo de queima de massa cermica, avaliou-se o efeito da temperatura do forno (X)
sobre a resistncia mecnica da massa queimada (Y). Foram realizados 6 ensaios com nveis
de temperatura equidistantates, os quais designaremos por 1, 2, 3, 4, 5 e 6. Os valores obtidos
de resistncia mecnica (MPa) foram: 41, 42, 50, 53, 54, 60, respectivamente.
Pede-se:

SACHIKO ARAKI LIRA
159
a) Ajustar a funo linear e testar a existncia de regresso, adotando 05 , 0 = o . Qual o
b) Ajustar a funo potncial e testar a existncia de regresso, adotando 05 , 0 = o . Qual o
c) Ajustar a funo exponencial e testar a existncia de regresso, adotando 05 , 0 = o . Qual o
d) Qual das trs funes ajustadas a melhor? Comente.

ANLISE DE REGRESSO LINEAR MLTIPLA
160
INTRODUAO
O modelo estatstico de uma regresso linear mltipla, sendo Y a varivel dependente e,
as k ( 1 k > ) variveis independentes
k 2 1
X , X , X , ser dado por:
c | | | o + + + + + =
k k 2 2 1 1
X X X Y
Na forma matricial:
c |+ = X Y
(
(
(
(
+
(
(
(
(
(
(
(
(
(
=
(
(
(
(
c
c
c
|
|
|
n
2
1
k
1
0
k n 2 n 1 n
k 2 22 21
k 1 12 11
n
2
1
X ... X X 1
X ... X X 1
X ... X X 1
Y
Y
Y

A estimativa dessa equao de regresso ser dada pelo modelo a seguir:

k k 2 2 1 1
X b X b X b b Y
0
+ + + + =
As estimativas
k 2 1 0
b , , b , b , b dos coeficientes
k 2 1
, , , , | | | o , podem ser calculadas
pelo mtodo dos mnimos quadrados, partindo de hipteses anlogas quelas adotadas para
regresso linear simples.
Adotando-se a forma matricial, as estimativas dos coeficientes, so obtidas atravs de:
Y X ) X X (
1
b ' ' =

Onde:
(
(
(
(
=
k
1
0
b
b
b
b
;
(
(
(
(
=
n
2
1
Y
Y
Y
Y
;
(
(
(
(
(
=
k n 2 n 1 n
k 2 22 21
k 1 12 11
X ... X X 1
X ... X X 1
X ... X X 1
X

11.1 REGRESSO LINEAR COM 2 VARIVEIS INDEPENDENTES
O modelo de regresso com 2 variveis independentes dado por:
c | | o + + + =
2 2 1 1
X X Y

A estimativa dessa equao expressa por:

SACHIKO ARAKI LIRA
161

2 2 1 1
X b X b b Y
0
+ + =
11.1.1 ESTIMATIVAS DOS COEFICIENTES DE REGRESSO
As estimativas dos coeficientes
2 1 o
e , | | | podem ser obtidas atravs de:
Y X ) X X (
1
b ' ' =

Onde:
(
(
(
=
2
1
0
b
b
b
b ;
(
(
(
(
=
n
2
1
Y
Y
Y
Y
;
(
(
(
(
=
2 n 1 n
22 21
12 11
X X 1
X X 1
X X 1
X

1.1.2 TESTE PARA VERIFICAR A EXISTNCIA DE REGRESSO
O teste para verificar a existncia de regresso feito atravs da estatstica F, utilizando
o quadro da ANOVA.

FONTE DE
VARIAO
SOMA DOS QUADRADOS G.L. QUADRADO MDIO F
Explicada
2 1 YX 2 YX 1
S b S b SQE + = 2
2
SQE
QME=
QMR
QME
F = Residual
2 1 YX 2 YX 1 YY
S b S b S SQR = 3 n
2 n
SQR
QMR
=
Total
YY
S SQT =
1 n

onde:
n
y
y S
2
n
1 i
i
n
1 i
2
i YY
|
.
|
\
|
=

=
=
, sendo a varincia de Y.
n
x y
) x y ( S
n
1 i
i 1
n
1 i
i
n
1 i
i 1 i 1 YX
|
.
|
\
|
|
.
|
\
|
=

= =
=
, que a covarincia entre Y e X
1

n
x y
) x y ( S
n
1 i
i 2
n
1 i
i
n
1 i
i 2 i 2 YX
|
.
|
\
|
|
.
|
\
|
=

= =
=
, que a covarincia entre Y e X
2

Se
3 n ; 2 ; calc
F F
o
> , conclui-se que existe regresso de Y sobre X
1
e X
2.

11.1.3 CLCULO DO COEFICIENTE DE DETERMINAO OU EXPLICAO
O coeficiente de determinao
2
R , indica quantos por cento a variao explicada pela
regresso representa da variao total. Este varia entre 0 e 1. Quanto mais prximo de 1, maior
a explicao pelo modelo das variao total.

162
A expresso de
2
R dada por:
SQT
SQE
S
S b S b
R
YY
YX 2 YX 1 2 2 1
=
+
=
Exemplos:
1) Um estudo foi realizado sobre o desgaste de um mancal, Y, e sua relao com
X1=viscosidade do leo e X2=carga. Os seguintes dados foram obtidos:

i
y
i 1
x
i 2
x
243 1,6 851
230 15,5 816
172 22 1058
91 43 1201
58 33 1357
125 40 1115
190 35 918
256 13 834
256 11 845
240 8,9 820

Ajustar um modelo de regresso linear mltipla, testar a hiptese de que existe regresso
ao nvel de 5% de significncia e calcular o coeficiente de determinao.

Soluo:

(
(
(
(
(
(
(
(
(
(
(
(
(
(
=
240
256
256
190
125
58
91
172
230
243
Y
(
(
(
(
(
(
(
(
(
(
(
(
(
(
=
820 9 , 8 1
845 0 , 11 1
834 0 , 13 1
918 0 , 35 1
1115 0 , 40 1
1357 0 , 33 1
1021 0 , 43 1
1058 0 , 22 1
816 5 , 15 1
851 6 , 1 1
X

(
(
(
= '
820 845 834 918 1115 1357 1021 1058 816 851
9 , 8 0 , 11 0 , 13 0 , 35 0 , 40 0 , 33 0 , 43 0 , 22 5 , 15 6 , 1
1 1 1 1 1 1 1 1 1 1
X

SACHIKO ARAKI LIRA
163
(
(
(
= '
9.961.201 237.874,6 9.815
237.874,6 6.859,02 223
9.815 223 10
X X
(
(
(
= '

0,0000 0,0001 - 0,0055 -
0,0001 - 0,0013 0,0441
0,0055 - 0,0441 4,5640
) X X (
1

(
(
(

= ' '

0002 , 0 0002 , 0 0004 , 0 0014 , 0 0003 , 0 0020 , 0 0001 , 0 0006 , 0 0007 , 0 0006 , 0
0051 , 0 0043 , 0 0010 , 0 0209 , 0 0127 , 0 0141 , 0 0102 , 0 0060 , 0 0036 , 0 0167 , 0
4056 , 0 3594 , 0 5086 , 0 0123 , 1 1394 , 0 5122 , 1 2057 , 0 3378 , 0 7187 , 0 0,0883 -
X ) X X (
1
(
(
(
= ' ' =

0,3011 -
1,2114 -
508,6320
Y X ) X X (
1
b
O modelo estimado :
2 1
X 3011 , 0 X 2114 , 1 6320 , 508 Y
=
OBS.
i
y
i 1
x
i 2
x
i 1 i
x y
i 2 i
x y
2
i
y
1 243 1,6 851 388,8 206.793 59.049
2 230 15,5 816 3.565,0 187.680 52.900
3 172 22,0 1058 3.784,0 181.976 29.584
4 91 43,0 1201 3.913,0 109.291 8.281
5 58 33,0 1357 1.914,0 78.706 3.364
6 125 40,0 1115 5.000,0 139.375 15.625
7 190 35,0 918 6.650,0 174.420 36.100
8 256 13,0 834 3.328,0 213.504 65.536
9 256 11,0 845 2.816,0 216.320 65.536
10 240 8,9 820 2.136,0 196.800 57.600
SOMA 1861 223 9.815 33.494,8 1.704.865 393.575
MDIA 186,1 22,3 981,5
47.242,9
10
1.861
- 393.575
n
y
y S
2
2
n
1 i
i
n
1 i
2
i YY
= =
|
|
.
|
\
|
=

=
=

47.242,9 S SQT
YY
= =
-8.005,5
10
223 1.861
- 33.494,8
n
x y
) x y ( S
n
1 i
i 1
n
1 i
i
n
1 i
i 1 i 1 YX
=
=
|
|
.
|
\
|
|
|
.
|
\
|
=

= =
=

-121.706,5
5
9.815 861 . 1
- 1.704.865
n
x y
) x y ( S
n
1 i
i 2
n
1 i
i
n
1 i
i 2 i 2 YX
=
=
|
|
.
|
\
|
|
|
.
|
\
|
=

= =
=

9 46.343,689 -121.706,5 0,3011 ) -8.005,5 ( 2114 , 1 S b S b SQE
2 1 YX 2 YX 1
= = + =
899,2102 6899 , 343 . 46 9 , 242 . 47 S b S b S SQR
2 1 YX 2 YX 1 YY
= = + =

164
ANOVA para verificar a existncia de regresso:
FONTE DE
VARIAO
SOMA DOS QUADRADOS G.L.
QUADRADO
MDIO
F
Explicada 6899 , 343 . 46 SQE= 2 2.3171,84 QME=
180,38 F = Residual 2102 , 899 SQR= 7 128,4586 QMR=
Total 9 , 242 . 47 SQT = 9
Tem-se que : 74 , 4 F
7 , 2 ; 05 , 0
=
Concluso: Como F calculado igual a 180,38 e maior que 74 , 4 F
7 , 2 ; 05 , 0
= , conclui-se
que existe regresso, ao nvel de 5% de significncia.
Clculo de coeficiente de determinao:
0,9810
9000 , 242 . 47
6899 , 343 . 46
SQT
SQE
S
S b S b
R
YY
YX 2 YX 1 2 2 1
= = =
+
=
O modelo ajustado explica 98,10% das variaes ocorridas em Y.

2) Uma indstria fabrica um produto em dois tamanhos (pequeno e grande). Conhecendo-se o
consumo total de matria-prima (Y), em kg, durante 5 meses, e as respectivas produes
mensais do tipo pequeno (X1) e do tipo grande (X2), pede-se:
a) ajustar um modelo de regresso linear mltipla;
b) verificar a existncia de regresso, ao nvel de significncia de 10%;
c) calcular o coeficiente de determinao.

i
y
i 1
x
i 2
x
145 151 70
210 221 91
193 215 92
229 247 122
195 243 79
Soluo:
a) Clculo das estimativas dos coeficientes
Tem-se que: Y X ) X X (
1
b ' ' =

(
(
(
(
(
(
=
195
229
193
210
145
Y ;
(
(
(
(
(
(
=
79 243 1
122 247 1
92 215 1
91 221 1
70 151 1
X ;
(
(
(
= '
79 122 92 91 70
243 247 215 221 151
1 1 1 1 1
X

SACHIKO ARAKI LIRA
165
(
(
(
= '
42770 99792 454
99792 237925 1077
454 1077 5
X X ;
(
(
(
= '

0,00115 0,0004 - 0,0209 -
0,0004 - 0,0003 0,0292 -
0,0209 - 0,0292 - 8,3935
) X X (
1

(
(
(

= ' '

0242 , 0 0234 , 0 0015 , 0 0019 , 0 0010 , 0
0128 , 0 0026 , 0 0006 , 0 0016 , 0 0112 , 0
3600 , 0 3758 , 1 1866 , 0 0322 , 0 5170 , 2
X ) X X (
1

(
(
(
= ' ' =

0,7175
0,4957
22,4821
Y X ) X X (
1
b
O modelo estimado :
2 1
X 7175 , 0 X 4957 , 0 4821 , 22 Y
+ + =

OBS.
i
y
i 1
x
i 2
x
i 1 i
x y
i 2 i
x y
2
i
y
1 145 151 70 21.895 10.150 21.025
2 210 221 91 46.410 19.110 44.100
3 193 215 92 41.495 17.756 37.249
4 229 247 122 56.563 27.938 52.441
5 195 243 79 47.385 15.405 38.025
SOMA 972 1077 454 213.748 90.359 192.840
MDIA 194,4 215,4 90,8

Clculo das somas de quadrados:
3.883,2
5
972
- 192.840
n
y
y S
2
2
n
1 i
i
n
1 i
2
i YY
= =
|
|
.
|
\
|
=

=
=

2 , 883 . 3 S SQT
YY
= =
4.379,2
5
1077 972
- 213.748
n
x y
) x y ( S
n
1 i
i 1
n
1 i
i
n
1 i
i 1 i 1 YX
=
=
|
|
.
|
\
|
|
|
.
|
\
|
=

= =
=

2.101,4
5
454 972
- 90.359
n
x y
) x y ( S
n
1 i
i 2
n
1 i
i
n
1 i
i 2 i 2 YX
=
=
|
|
.
|
\
|
|
|
.
|
\
|
=

= =
=

3.678,5239 4 , 101 . 2 7175 , 0 2 , 379 . 4 4957 , 0 S b S b SQE
2 1 YX 2 YX 1
= + = + =
204,6761 5239 , 3678 2 , 3833 S b S b S SQR
2 1 YX 2 YX 1 YY
= = =
OU 204,6761 5239 , 678 . 3 2000 , 883 . 3 SQE SQT SQR = = =

166
b) ANOVA para verificar a existncia de regresso:
FONTE DE
VARIAO
SOMA DOS QUADRADOS G.L.
QUADRADO
MDIO
F
Explicada 5239 , 678 . 3 SQE= 2 1839,262 QME=
17,97 F = Residual 6761 , 204 SQR= 2 102,338 QMR=
Total 2000 , 833 . 3 SQT = 4
Tem-se que : =
2 , 2 ; 10 , 0
F
Concluso: Como F calculado igual a 17,97 e maior que 00 , 9 F
2 , 2 ; 10 , 0
= , conclui-se que
existe regresso, ao nvel de 10% de significncia.
c) Clculo de coeficiente de determinao
0,9473
2 , 833 . 3
5239 , 678 . 3
SQT
SQE
S
S b S b
R
YY
YX 2 YX 1 2 2 1
= = =
+
=
O modelo ajustado explica 94,73% das variaes ocorridas em Y.
LISTA DE EXERCCIOS NO. 10 ANLISE DE REGRESSO LINEAR MLTIPLA
1) Uma investigao sobre um processo de fundio gerou os dados a seguir sobre
1
X =
temperatura da fornalha,
2
X = tempo de moldagem da matriz e Y = diferena de temperatura na
superfcie de moldagem da matriz.

X1 1.250 1.300 1.350 1.250 1.300 1.250 1.300 1.350 1.350
X2 6 7 6 7 6 8 8 7 8
Y 80 95 101 85 92 87 96 106 108
Ajustar o modelo de regresso linear mltipla e testar a existncia de regresso, adotando
05 , 0 = o . Qual o coeficiente de explicao do modelo?
2) Um estudo realizado para investigar a relao entre a varivel resposta relativa a quedas de
presso em uma coluna de bolhas de uma chapa trmica e os previsores
1
X = velocidade do
fludo superficial e
2
X = viscosidade do lquido, gerou os dados a seguir.
OBS. VELOCIDADE VISCOSIDADE RESPOSTA
1 2,14 10,00 28,9
2 4,14 10,00 26,1
3 8,15 10,00 22,8
4 2,13 2,63 24,2
5 4,14 2,63 15,7
6 8,15 2,63 18,3
Continua

SACHIKO ARAKI LIRA
167
Continuao
7 5,60 1,25 18,1
8 4,30 2,63 19,1
9 4,30 2,63 15,4
10 5,60 10,10 12,0
11 5,60 10,10 19,8
12 4,30 10,10 18,6
13 2,40 10,10 13,2
14 5,60 10,10 22,8
15 2,14 112,00 41,8
16 4,14 112,00 48,6
17 5,60 10,10 19,2
18 5,60 10,10 18,4
19 5,60 10,10 15,0

Ajustar o modelo de regresso linear mltipla e testar a existncia de regresso, adotando
01 , 0 = o . Qual o coeficiente de explicao do modelo?

BIBLIOGRAFIA
168
BIBLIOGRAFIA

1. BARBETTA, Pedro A.; REIS, Marcelo M.; BORNIA, Antonio C. Estatstica para cursos de
Engenharia e Infomtica. 3a. ed. So Paulo: Editora Atlas S. A. , 2010.
2. BUSSAB, W.O. & MORETTIN, P. A. Estatstica Bsica. 5 Edio, Editora Saraiva, 2002.
3. COSTA NETO, Pedro Luiz O. Estatstica. 2 ed rev. So Paulo: Edgard Blcher, 1994.
4. DEVORE, Jay L. Probabilidade e Estatstica para Engenharia e Cincias. So Paulo:
Pioneira Thomson Learning, 2006.
5. MARQUES, Jair M.; MARQUES, Marcos A. M. Estatstica Bsica para os Cursos de
Engenharia. Curitiba: Domnio do Saber. 2009.
6. MEYER, Paul L. Probabilidade. Aplicaes Estatstica. Rio de Janeiro: Livros Tcnicos e
Cientficos, 1978.
7. MONTGOMERY, Douglas C.; RUNGER, George C. Estatstica Aplicada e Probabilidade para
Engenheiros. 4 ed. Rio de Janeiro: LTC, 2009.
8. RYAN, Thomas. Estatstica Moderna para Engenharia. Rio de Janeiro: Elsevier, 2009.
9. Universidade Federal do Paran. Normas para apresentao de documentos cientficos, v.
5. Curitiba: Ed. UFPR,2007.

SACHIKO ARAKI LIRA
169
TABELAS
TABELA A1.1 REAS SOB A CURVA NORMAL
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
-3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

TABELAS
170
TABELA A1.2 REAS SOB A CURVA NORMAL
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

SACHIKO ARAKI LIRA
171
TABELA A2 - DISTRIBUIO t DE STUDENT

TESTE UNILATERAL
P
0,550 0,600 0,650 0,700 0,750 0,800 0,850 0,900 0,950 0,975 0,990 0,995
u
1 0,158 0,325 0,510 0,727 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,657
2 0,142 0,289 0,445 0,617 0,817 1,061 1,386 1,886 2,920 4,303 6,965 9,925
3 0,137 0,277 0,424 0,584 0,765 0,979 1,250 1,638 2,353 3,182 4,541 5,841
4 0,134 0,271 0,414 0,569 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604
5 0,132 0,267 0,408 0,559 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032
6 0,131 0,265 0,404 0,553 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707
7 0,130 0,263 0,402 0,549 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,500
8 0,130 0,262 0,400 0,546 0,706 0,889 1,108 1,397 1,860 2,306 2,897 3,355
9 0,129 0,261 0,398 0,544 0,703 0,883 1,100 1,383 1,833 2,262 2,821 3,250
10 0,129 0,260 0,397 0,542 0,700 0,879 1,093 1,372 1,813 2,228 2,764 3,169
11 0,129 0,260 0,396 0,540 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106
12 0,128 0,259 0,395 0,539 0,696 0,873 1,083 1,356 1,782 2,179 2,681 3,055
13 0,128 0,259 0,394 0,538 0,694 0,870 1,080 1,350 1,771 2,160 2,650 3,012
14 0,128 0,258 0,393 0,537 0,692 0,868 1,076 1,345 1,761 2,145 2,625 2,977
15 0,128 0,258 0,393 0,536 0,691 0,866 1,074 1,341 1,753 2,131 2,603 2,947
16
0,128 0,258 0,392 0,535 0,690 0,865 1,071 1,337 1,746 2,120 2,584 2,921
17
0,128 0,257 0,392 0,534 0,689 0,863 1,069 1,333 1,740 2,110 2,567 2,898
18
0,127 0,257 0,392 0,534 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878
19
0,127 0,257 0,391 0,533 0,688 0,861 1,066 1,328 1,729 2,093 2,540 2,861
20
0,127 0,257 0,391 0,533 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845
21 0,127 0,257 0,391 0,533 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831
22 0,127 0,256 0,390 0,532 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819
23 0,127 0,256 0,390 0,532 0,685 0,858 1,060 1,320 1,714 2,069 2,500 2,807
24 0,127 0,256 0,390 0,531 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,797
25 0,127 0,256 0,390 0,531 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787
26 0,127 0,256 0,390 0,531 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779
27 0,127 0,256 0,389 0,531 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771
28 0,127 0,256 0,389 0,530 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763
29 0,127 0,256 0,389 0,530 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756
30 0,127 0,256 0,389 0,530 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750
40 0,127 0,255 0,388 0,529 0,681 0,851 1,050 1,303 1,684 2,021 2,423 2,705
50 0,126 0,255 0,388 0,528 0,679 0,849 1,047 1,299 1,676 2,009 2,403 2,678
60 0,126 0,255 0,387 0,527 0,679 0,848 1,046 1,296 1,671 2,000 2,390 2,660
70 0,126 0,254 0,387 0,527 0,678 0,847 1,044 1,294 1,667 1,994 2,381 2,648
80 0,126 0,254 0,387 0,527 0,678 0,846 1,043 1,292 1,664 1,990 2,374 2,639
90 0,126 0,254 0,387 0,526 0,677 0,846 1,042 1,291 1,662 1,987 2,369 2,632
100 0,126 0,254 0,386 0,526 0,677 0,845 1,042 1,290 1,660 1,984 2,364 2,626
200 0,126 0,254 0,386 0,525 0,676 0,843 1,039 1,286 1,653 1,972 2,345 2,601
300 0,126 0,254 0,386 0,525 0,675 0,843 1,038 1,284 1,650 1,968 2,339 2,592
400 0,126 0,254 0,386 0,525 0,675 0,843 1,038 1,284 1,649 1,966 2,336 2,588
0,126 0,253 0,385 0,524 0,675 0,842 1,036 1,282 1,645 1,960 2,326 2,576

P
0,100 0,200 0,300 0,400 0,500 0,600 0,700 0,800 0,900 0,950 0,980 0,990
TESTE BILATERAL

TABELAS
172
TABELA A3 - DISTRIBUIO DE
2
_

P
0,005 0,010 0,025 0,050 0,100 0,250 0,750 0,900 0,950 0,975 0,990 0,995
u

1 0,000 0,000 0,001 0,004 0,016 0,102 1,323 2,706 3,842 5,024 6,635 7,879
2 0,010 0,020 0,051 0,103 0,211 0,575 2,773 4,605 5,992 7,378 9,210 10,597
3 0,072 0,115 0,216 0,352 0,584 1,213 4,108 6,251 7,815 9,348 11,345 12,838
4 0,207 0,297 0,484 0,711 1,064 1,923 5,385 7,779 9,488 11,143 13,277 14,860
5 0,412 0,554 0,831 1,146 1,610 2,675 6,626 9,236 11,071 12,833 15,086 16,750
6 0,676 0,872 1,237 1,635 2,204 3,455 7,841 10,645 12,592 14,449 16,812 18,548
7 0,989 1,239 1,690 2,167 2,833 4,255 9,037 12,017 14,067 16,013 18,475 20,278
8 1,344 1,647 2,180 2,733 3,490 5,071 10,219 13,362 15,507 17,535 20,090 21,955
9 1,735 2,088 2,700 3,325 4,168 5,899 11,389 14,684 16,919 19,023 21,666 23,589
10 2,156 2,558 3,247 3,940 4,865 6,737 12,549 15,987 18,307 20,483 23,209 25,188
11 2,603 3,054 3,816 4,575 5,578 7,584 13,701 17,275 19,675 21,920 24,725 26,757
12 3,074 3,571 4,404 5,226 6,304 8,438 14,845 18,549 21,026 23,337 26,217 28,300
13 3,565 4,107 5,009 5,892 7,042 9,299 15,984 19,812 22,362 24,736 27,688 29,820
14 4,075 4,660 5,629 6,571 7,790 10,165 17,117 21,064 23,685 26,119 29,141 31,319
15 4,601 5,229 6,262 7,261 8,547 11,037 18,245 22,307 24,996 27,488 30,578 32,801
16 5,142 5,812 6,908 7,962 9,312 11,912 19,369 23,542 26,296 28,845 32,000 34,267
17 5,697 6,408 7,564 8,672 10,085 12,792 20,489 24,769 27,587 30,191 33,409 35,719
18 6,265 7,015 8,231 9,391 10,865 13,675 21,605 25,989 28,869 31,526 34,805 37,157
19 6,844 7,633 8,907 10,117 11,651 14,562 22,718 27,204 30,144 32,852 36,191 38,582
20 7,434 8,260 9,591 10,851 12,443 15,452 23,828 28,412 31,410 34,170 37,566 39,997
21 8,034 8,897 10,283 11,591 13,240 16,344 24,935 29,615 32,671 35,479 38,932 41,401
22 8,643 9,543 10,982 12,338 14,042 17,240 26,039 30,813 33,924 36,781 40,289 42,796
23 9,260 10,196 11,689 13,091 14,848 18,137 27,141 32,007 35,173 38,076 41,638 44,181
24 9,886 10,856 12,401 13,848 15,659 19,037 28,241 33,196 36,415 39,364 42,980 45,559
25 10,520 11,524 13,120 14,611 16,473 19,939 29,339 34,382 37,653 40,647 44,314 46,928
26 11,160 12,198 13,844 15,379 17,292 20,843 30,435 35,563 38,885 41,923 45,642 48,290
27 11,808 12,879 14,573 16,151 18,114 21,749 31,528 36,741 40,113 43,195 46,963 49,645
28 12,461 13,565 15,308 16,928 18,939 22,657 32,621 37,916 41,337 44,461 48,278 50,993
29 13,121 14,257 16,047 17,708 19,768 23,567 33,711 39,088 42,557 45,722 49,588 52,336
30 13,787 14,954 16,791 18,493 20,599 24,478 34,800 40,256 43,773 46,979 50,892 53,672
35 17,192 18,509 20,569 22,465 24,797 29,054 40,223 46,059 49,802 53,203 57,342 60,275
40 20,707 22,164 24,433 26,509 29,051 33,660 45,616 51,805 55,759 59,342 63,691 66,766
45 24,311 25,901 28,366 30,612 33,350 38,291 50,985 57,505 61,656 65,410 69,957 73,166
50 27,991 29,707 32,357 34,764 37,689 42,942 56,334 63,167 67,505 71,420 76,154 79,490
55 31,735 33,571 36,398 38,958 42,060 47,611 61,665 68,796 73,312 77,381 82,292 85,749
60 35,535 37,485 40,482 43,188 46,459 52,294 66,982 74,397 79,082 83,298 88,379 91,952
65 39,383 41,444 44,603 47,450 50,883 56,990 72,285 79,973 84,821 89,177 94,422 98,105
70 43,275 45,442 48,758 51,739 55,329 61,698 77,577 85,527 90,531 95,023 100,425 104,215
75 47,206 49,475 52,942 56,054 59,795 66,417 82,858 91,062 96,217 100,839 106,393 110,286
80 51,172 53,540 57,153 60,392 64,278 71,145 88,130 96,578 101,880 106,629 112,329 116,321
85 55,170 57,634 61,389 64,749 68,777 75,881 93,394 102,079 107,522 112,393 118,236 122,325
90 59,196 61,754 65,647 69,126 73,291 80,625 98,650 107,565 113,145 118,136 124,116 128,299
95 63,250 65,898 69,925 73,520 77,818 85,376 103,899 113,038 118,752 123,858 129,973 134,247
100 67,328 70,065 74,222 77,930 82,358 90,133 109,141 118,498 124,342 129,561 135,807 140,170
110 75,550 78,458 82,867 86,792 91,471 99,666 119,608 129,385 135,480 140,917 147,414 151,949

SACHIKO ARAKI LIRA
173
TABELA A4 - DISTRIBUIO F DE SNEDECOR

Nvel de significncia de % 1

1
u
1 2 3 4 5 6 7 8 12 24
2
u
1 4.052,18 4.999,50 5.403,35 5.624,58 5.763,65 5.858,99 5.928,36 5.981,07 6.106,32 6.234,63 6.365,83
2 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,42 99,46 99,50
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,05 26,60 26,13
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,37 13,93 13,46
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 9,89 9,47 9,02
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,72 7,31 6,88
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,47 6,07 5,65
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,67 5,28 4,86
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,11 4,73 4,31
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,71 4,33 3,91
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,40 4,02 3,60
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,16 3,78 3,36
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 3,96 3,59 3,17
14 8,86 6,51 5,56 5,04 4,70 4,46 4,28 4,14 3,80 3,43 3,00
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,67 3,29 2,87
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,55 3,18 2,75
17 8,40 6,11 5,19 4,67 4,34 4,10 3,93 3,79 3,46 3,08 2,65
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,37 3,00 2,57
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,30 2,92 2,49
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,23 2,86 2,42
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,17 2,80 2,36
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,12 2,75 2,31
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,07 2,70 2,26
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,03 2,66 2,21
25 7,77 5,57 4,68 4,18 3,86 3,63 3,46 3,32 2,99 2,62 2,17
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 2,96 2,58 2,13
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 2,93 2,55 2,10
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 2,90 2,52 2,06
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 2,87 2,49 2,03
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 2,84 2,47 2,01
40

7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,66 2,29 1,80
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,50 2,12 1,60
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,34 1,95 1,38
6,63 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,18 1,79 1,01

TABELAS
174


1
u
GRAUS DE LIBERDADE DO NUMERADOR
1 2 3 4 5 6 7 8 12 24
2
u
1 161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 243,91 249,05 254,31
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,41 19,45 19,50
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,74 8,64 8,53
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 5,91 5,77 5,63
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,68 4,53 4,37
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,00 3,84 3,67
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,57 3,41 3,23
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,28 3,12 2,93
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,07 2,90 2,71
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 2,91 2,74 2,54
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,79 2,61 2,40
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,69 2,51 2,30
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,60 2,42 2,21
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,53 2,35 2,13
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,48 2,29 2,07
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,42 2,24 2,01
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,38 2,19 1,96
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,34 2,15 1,92
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,31 2,11 1,88
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,28 2,08 1,84
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,25 2,05 1,81
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,23 2,03 1,78
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,20 2,01 1,76
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,18 1,98 1,73
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,16 1,96 1,71
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,15 1,95 1,69
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,13 1,93 1,67
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,12 1,91 1,65
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,10 1,90 1,64
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,09 1,89 1,62
40

4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,00 1,79 1,51
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 1,92 1,70 1,39
120 3,92 3,07 2,68 2,45 2,29 2,18 2,09 2,02 1,83 1,61 1,25
3,84 3,00 2,61 2,37 2,21 2,10 2,01 1,94 1,75 1,52 1,01

SACHIKO ARAKI LIRA
175


1
u
GRAUS DE LIBERDADE DO NUMERADOR
1 2 3 4 5 6 7 8 12 24
2
u
1 39,86 49,50 53,59 55,83 57,24 58,20 58,91 59,44 60,71 62,00 63,33
2 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,41 9,45 9,49
3 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,22 5,18 5,13
4 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,90 3,83 3,76
5 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,27 3,19 3,11
6 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,90 2,82 2,72
7 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,67 2,58 2,47
8 3,46 3,11 2,92 2,81 2,73 2,67 2,62 2,59 2,50 2,40 2,29
9 3,36 3,01 2,81 2,69 2,61 2,55 2,51 2,47 2,38 2,28 2,16
10 3,29 2,92 2,73 2,61 2,52 2,46 2,41 2,38 2,28 2,18 2,06
11 3,23 2,86 2,66 2,54 2,45 2,39 2,34 2,30 2,21 2,10 1,97
12 3,18 2,81 2,61 2,48 2,39 2,33 2,28 2,24 2,15 2,04 1,90
13 3,14 2,76 2,56 2,43 2,35 2,28 2,23 2,20 2,10 1,98 1,85
14 3,10 2,73 2,52 2,39 2,31 2,24 2,19 2,15 2,05 1,94 1,80
15 3,07 2,70 2,49 2,36 2,27 2,21 2,16 2,12 2,02 1,90 1,76
16 3,05 2,67 2,46 2,33 2,24 2,18 2,13 2,09 1,99 1,87 1,72
17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 1,96 1,84 1,69
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 1,93 1,81 1,66
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,91 1,79 1,63
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,89 1,77 1,61
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,88 1,75 1,59
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,97 1,86 1,73 1,57
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,85 1,72 1,55
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,83 1,70 1,53
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,82 1,69 1,52
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,81 1,68 1,50
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,80 1,67 1,49
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,79 1,66 1,48
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,78 1,65 1,47
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,77 1,64 1,46
40

2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,71 1,57 1,38
60 2,79 2,39 2,18 2,04 1,95 1,87 1,82 1,77 1,66 1,51 1,29
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,60 1,45 1,19
2,71 2,30 2,08 1,94 1,85 1,77 1,72 1,67 1,55 1,38 1,01

TABELAS
176
TABELA A7 - VALORES CRTICOS )
c
d ( PARA TESTE DE LILLIERFORS
n % 5 = o % 1 = o
4 0,381 0,417
5 0,337 0,405
6 0,319 0,364
7 0,300 0,348
8 0,285 0,331
9 0,271 0,311
10 0,258 0,294
11 0,249 0,284
12 0,242 0,275
13 0,234 0,268
14 0,227 0,261
15 0,220 0,257
16 0,213 0,250
17 0,206 0,245
18 0,200 0,239
19 0,179 0,235
20 0,190 0,231
25 0,173 0,200
30 0,161 0,187
30 n >
n
886 , 0
c
d =
n
031 , 1
c
d =

E Statistic A

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

E Statistic A

Uploaded by

Copyright:

Available Formats

SACHIKO ARAKI LIRA

denominado de fator de populao finita. Evidentemente, tem-se que:

= o ( desvio padro da distribuio amostral de propores)

no tendencioso ou no viesado quando a sua mdia (ou esperana

consistente se (alm de ser no viesado) sua varincia tende para

u de um mesmo parmetro, mais eficiente aquele que

u mais eficiente que

u forem ambos no tendenciosos, a eficincia relativa ser dado pelo

= a proporo amostral (onde x representa o nmero de casos favorveis ao evento

| o+ = , que poder ser escrita da seguinte forma:

sero obtidos a partir das equaes apresentadas a seguir.

. Tem-se ento que:

l n , que poder ser escrita como sendo:

sero obtidos a partir das equaes apresentadas a seguir.

. Tem-se ento que:

licados exp quadrados de Soma SQE = =

S residuais quadrados de Soma SQR = =

You might also like