ESTATÍSTICA

O presente material foi elaborado com o objetivo de facilitar as atividades em sala de

aula, seguindo a bibliografia apresentada no final do texto. Esclarece-se que o material, não
substitui a bibliografia apresentada, portanto, é necessário consultar os livros recomendados.

Profa. Sachiko Araki Lira

.

1º. SEMESTRE DE 2020

 SUMÁRIO
ESTATÍSTICA DESCRITIVA ........................................................................................................ 1
Introdução .................................................................................................................................... 1
1 Estatística Descritiva ................................................................................................................. 2
1.1 Variável Aleatória ................................................................................................................... 2
1.1.1 Arredondamento de Números .......................................................................................... 3
1.2 Tipos de Escalas e Variáveis ................................................................................................. 4
1.3 Tabelas .................................................................................................................................. 5
1.3.1 Elementos essenciais de uma tabela ............................................................................... 5
1.3.2 Tabelas de distribuição de frequências............................................................................. 6
1.3.2.1 Variável Discreta ........................................................................................................... 6
1.3.2.2 Variável Contínua .......................................................................................................... 8
1.4 Gráficos.................................................................................................................................. 9
1.4.1 Representação Gráfica ..................................................................................................... 9
1.4.2 Histograma de Frequências.............................................................................................. 9
1.4.3 Diagrama de Ramo e Folhas (Stem and Leaf Plot) ........................................................ 10
1.4.4 Gráfico de Boxplot ou da Caixa ...................................................................................... 11
1.4.5 Gráfico de Linhas ........................................................................................................... 11
1.5 Medidas de Localização, Variabilidade e Forma da Distribuição ........................................ 12
1.5.1 Tendência Central .......................................................................................................... 12
1.5.1.1 Esperança matemática ou média aritmética ................................................................ 12
1.5.1.2 Mediana ...................................................................................................................... 15
1.5.1.3 Moda ........................................................................................................................... 17
1.5.2 Medidas de Posição (ou Separatrizes) ........................................................................... 19
1.5.2.1 Quartil.......................................................................................................................... 19
1.5.3 Medidas de Dispersão .................................................................................................... 21
1.5.3.1 Amplitude Total ........................................................................................................... 22
1.5.3.2 Amplitude Interquartil................................................................................................... 22
1.5.3.3 Desvio Médio............................................................................................................... 22
1.5.3.4 Variância e Desvio Padrão .......................................................................................... 24
1.5.3.5 Coeficiente de Variação............................................................................................... 26
1.5.4 Forma da Distribuição .................................................................................................... 26
1.5.4.1 Coeficiente do momento de assimetria ........................................................................ 27
1.5.4.2 Coeficiente do momento de curtose ............................................................................ 27
Lista de Exercícios no. 1 – Estatística Descritiva ..................................................................... 29
ELEMENTOS DE PROBABILIDADES ....................................................................................... 32
Definições .................................................................................................................................. 32
2.1 Experimento Aleatório (E) ................................................................................................... 32
2.2 Espaço Amostral (S) ............................................................................................................ 32

ii
2.3 Evento .................................................................................................................................. 32
2.3.1 Evento Complementar .................................................................................................... 33
2.3.2 Eventos Independentes .................................................................................................. 33
2.3.3 Eventos Mutuamente Exclusivos .................................................................................... 34
2.4 Definição Clássica de Probabilidade .................................................................................... 35
2.5 Definição Axiomática de Probabilidade ................................................................................ 35
2.6 Probabilidade Condicional .................................................................................................... 35
2.7 Teorema da Probabilidade Total .......................................................................................... 36
2.8 Teorema de Bayes ............................................................................................................... 37
Lista de Exercícios no. 2 - Probabilidades ............................................................................... 38
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE DISCRETA ................... 40
3.1 Definições ............................................................................................................................ 40
3.2 Distribuições de Probabilidade Discreta ............................................................................... 42
3.2.1 Distribuição binomial ...................................................................................................... 42
3.2.2 Distribuição de Poisson .................................................................................................. 44
3.2.3 Distribuição Hipergeométrica .......................................................................................... 46
Lista de Exercícios no. 3 – Distribuições de Probabilidade Discreta ........................................ 48
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE CONTÍNUA .................. 51
4.1 Definições ............................................................................................................................ 51
4.2 Distribuições de Probabilidade Continua .............................................................................. 53
4.2.1 Distribuição Exponencial ................................................................................................ 53
4.2.2 Distribuição de Weibull ................................................................................................... 54
4.2.3 Distribuição normal ou Gaussiana .................................................................................. 57
4.2.3.1 Distribuição normal padronizada ou reduzida .............................................................. 59
4.2.4 Distribuição  2 ( qui-quadrado) ..................................................................................... 60
4.2.5 Distribuição “ t ” de Student ............................................................................................ 61
4.2.6 Distribuição F de Snedecor ............................................................................................ 62
Lista de Exercícios no. 4 – Distribuições de Probabilidade Contínua ...................................... 63
NOÇÕES DE AMOSTRAGEM E DISTRIBUIÇÕES AMOSTRAIS.............................................. 65
5.1 Introdução ............................................................................................................................ 65
5.2 Amostragem Probabilística ................................................................................................... 65
5.2.1 Amostragem Aleatória Simples (AAS) ............................................................................ 65
5.2.2 Amostragem Sistemática ................................................................................................ 66
5.2.3 Amostragem Estratificada............................................................................................... 66
5.3 Distribuições Amostrais ........................................................................................................ 67
5.3.1 Distribuição Amostral de Médias .................................................................................... 67
Teorema Central do Limite ......................................................................................................... 70
5.3.2 Distribuição Amostral de Proporções .............................................................................. 70
5.3.3 Distribuição Amostral da Variância ................................................................................. 71
ESTIMAÇÃO DE PARÂMETROS .............................................................................................. 72
6.1 Introdução ............................................................................................................................ 72
6.2 Estimador e Estimativa ......................................................................................................... 72
iii
6.3 Qualidades de um Estimador ............................................................................................... 72
6.4 Estimação por Pontos .......................................................................................................... 73
6.4.1 Estimador da Média Populacional .................................................................................. 73
6.4.2 Estimador da Variância Populacional ............................................................................. 73
6.4.3 Estimador do Desvio Padrão Populacional ..................................................................... 74
6.4.4 Estimador da Proporção Populacional ............................................................................ 74
6.5 Estimação por Intervalo ........................................................................................................ 74
6.5.1 Intervalo de Confiança para Média populacional ............................................................ 74
6.5.2 Intervalo de Confiança para Diferença entre Duas Médias Populacionais  1 e  2 ...... 78
6.5.3 Intervalo de Confiança para a Variância Populacional .................................................... 82
6.5.4 Intervalo de Confiança para o Desvio Padrão Populacional ........................................... 83
6.5.5 Intervalo de Confiança para Proporção Populacional ..................................................... 83
6.6 Dimensionamento da Amostra ............................................................................................. 84
6.6.1 Estimação da Média Populacional .................................................................................. 84
6.6.2 Estimação da Proporção Populacional ........................................................................... 85
Lista de Exercícios no. 5 - Intervalos de Confiança ................................................................ 86
Testes de Hipóteses .................................................................................................................. 89
7.1 Etapas para Testes de Hipóteses......................................................................................... 89
7.1.1 Nível de Significância ..................................................................................................... 89
7.1.2 Erro Estatístico ............................................................................................................... 89
7.2 Testes Estatísticos Paramétricos ......................................................................................... 90
7.2.1 Teste para a Média Populacional ................................................................................... 90
7.2.1.1 Quando a variância populacional  2 é Conhecida ...................................................... 90
7.2.1.2 Quando a variância populacional  2 é desconhecida ................................................. 91
7.2.2 Teste para a Proporção Populacional ............................................................................. 93
7.2.3 Teste para a Variância Populacional .............................................................................. 95
7.2.4 Teste para a Diferença entre Duas Médias Populacionais.............................................. 96
7.2.4.1 Quando as variâncias populacionais 12 e  22 são Conhecidas .................................. 96
7.2.4.2 Quando as variâncias populacionais 12 e  22 são Desconhecidas............................. 98
7.2.5 Duas Amostras Emparelhadas ..................................................................................... 102
7.2.6 Teste para Igualdade de Duas Variâncias .................................................................... 103
Lista de Exercícios no. 6 – Testes de Hipóteses ................................................................... 106
TESTES DE ADERÊNCIA ....................................................................................................... 109
Introdução ................................................................................................................................ 109
8.1 Teste Qui-quadrado de Aderência...................................................................................... 109
8.2 Teste de Lilliefors ............................................................................................................... 113
Lista de Exercícios no. 7 – Testes de Aderência ................................................................... 115
ANÁLISE DA VARIÂNCIA ........................................................................................................ 117
Introdução ................................................................................................................................ 117
9.1 Fundamentos da ANOVA ................................................................................................... 117
9.2 Análise da Variância a um Critério de Classificação ........................................................... 119

iv
9.3 Comparações Múltiplas entre Médias................................................................................. 123
9.3.1 Teste de Scheffé .......................................................................................................... 123
Lista de Exercícios no. 8 – Análise da Variância ................................................................... 127
ANÁLISE DE CORRELAÇÃO E REGRESSÃO SIMPLES ....................................................... 129
10.1 Introdução ........................................................................................................................ 129
10.2 Diagrama de Dispersão .................................................................................................... 129
10.3 Análise de Correlação ...................................................................................................... 129
10.3.1 Coeficiente de Correlação Linear de Pearson ............................................................ 129
10.3.1.1 Teste de Hipóteses para Coeficiente de Correlação ................................................ 132
10.4 Análise de Regressão Linear Simples .............................................................................. 133
10.4.1 Estimação dos Parâmetros......................................................................................... 133
10.4.2 Testes de Hipóteses na Regressão ........................................................................... 136
10.4.2.1Teste t ..................................................................................................................... 136
10.4.2.2 Análise da Variância ................................................................................................ 137
10.4.3 Coeficiente de Determinação ou Explicação............................................................... 140
10.5 Ajuste de Curva Geométrica (ou Função Potência) .......................................................... 143
10.5.1 Estimativa dos Coeficientes........................................................................................ 143
10.5.2 Testes de Hipóteses na Regressão ............................................................................ 144
10.5.2.1 Análise da Variância ................................................................................................ 144
10.5.3 Coeficiente de Determinação ou Explicação............................................................... 145
10.6 Ajuste de Função Exponencial ......................................................................................... 147
10.6.1 Estimativa dos Coeficientes........................................................................................ 148
10.6.2 Testes de Hipóteses na Regressão ............................................................................ 149
10.6.2.1 Análise da Variância ................................................................................................ 149
10.6.3. Coeficiente de Determinação ou Explicação .............................................................. 149
Lista de Exercícios no. 9 – Análise de Correlação e Regressão ............................................ 152
ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA ......................................................................155
11 Introdução ........................................................................................................................... 154
11.1 Regressão Linear com 2 Variáveis Independentes ........................................................... 154
11.1.1 Estimativas dos Coeficientes de Regressão ............................................................... 154
11.1.2 Teste para Verificar a Significância da Regressão ..................................................... 155
11.1.3 Cálculo do Coeficiente de Determinação ou Explicação ............................................. 155
Lista de Exercícios no. 10 – Análise de Regressão Linear Múltipla ....................................... 160
CONTROLE ESTATÍSTICO DO PROCESSO .......................................................................... 161
12 Introdução ........................................................................................................................... 161
12.1 Gráficos de Controle ........................................................................................................ 161
12.2 Gráfico de Controle para Variáveis................................................................................... 162
12.2.1 Gráfico de Controle de X ........................................................................................... 162
12.2.2 Gráfico de Controle de R ............................................................................................ 163
12.3 Gráfico de Controle para Atributos ................................................................................... 167
12.3.1 Gráfico de Controle para Fração de Não Conformes (Gráfico p) ................................ 167
Lista de Exercícios no. 11 – Controle Estatístico do Processo .............................................. 170
v
BIBLIOGRAFIA ........................................................................................................................ 173
TABELAS ................................................................................................................................. 174
TABELA A1.1 – ÁREAS SOB A CURVA NORMAL ............................................................... 174
TABELA A1.2 – ÁREAS SOB A CURVA NORMAL ............................................................... 175
TABELA A2 - DISTRIBUIÇÃO ‘ t ’ DE STUDENT .................................................................. 176
TABELA A3 - DISTRIBUIÇÃO DE 2 ................................................................................... 177
TABELA A4 - DISTRIBUIÇÃO ‘F’ DE SNEDECOR (Nível de significância de 1%) ................ 178
TABELA A5 - DISTRIBUIÇÃO ‘F’ DE SNEDECOR (Nível de significância de 5%) ................ 179
TABELA A6 - DISTRIBUIÇÃO ‘F’ DE SNEDECOR (Nível de significância de 10%) .............. 180
TABELA A7 - VALORES CRÍTICOS ( dc ) PARA TESTE DE LILLIERFORS ....................... 181
SOLUÇÕES DAS LISTAS DE EXERCÍCIOS ........................................................................... 182

vi
 ESTATÍSTICA DESCRITIVA

Introdução

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

FIGURA 1 - ESQUEMA GERAL DA ESTATÍSTICA

Estatística Amostragem Cálculo das

Descritiva Probabilidade
s

Estatística
Indutiva

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

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

A População é o conjunto de todas as observações potenciais sobre determinado fenômeno. O

conjunto de dados efetivamente observados, ou extraídos, constitui uma amostra da população.
É a partir do dado amostral, que se desenvolvem os estudos, com o objetivo de se fazer
inferências sobre a população.

1
1 ESTATÍSTICA DESCRITIVA

O objetivo da estatística descritiva é organizar os dados e apresentá-los de forma a possibilitar a

visualização das informações subjacentes (que não são observáveis). As técnicas estatísticas e
gráficas, disponíveis para a análise exploratória de dados, podem ser aplicadas a qualquer
conjunto de dados, sejam para dados populacionais ou amostrais.
O parâmetro é uma medida numérica que descreve de forma reduzida alguma característica de
uma população ou universo. É habitualmente representado por letras gregas. Por exemplo: μ
(média), σ (desvio padrão), ρ (coeficiente de correlação). O parâmetro normalmente é
desconhecido e, deseja-se estimar através de dados amostrais.
Estatística ou medida amostral é uma medida numérica que descreve alguma característica de
uma amostra. É habitualmente representada por letras latinas. Por exemplo: X (média), S (desvio
padrão), r (coeficiente de correlação).
Em resumo, a análise exploratória de dados permite organizar os dados através de tabelas,
gráficos e medidas de localização e dispersão, procurando mostrar um padrão ou comportamento
de um conjunto de dados.

1.1 VARIÁVEL ALEATÓRIA

Variável aleatória é aquela cujo valor numérico não é conhecido antes da sua observação. Esta
tem uma distribuição de probabilidades associada, o que permite calcular a probabilidade de
ocorrência de certos valores.
Geralmente, utilizam-se letras maiúsculas (X, Y, Z...) para designar as variáveis aleatórias, e
minúsculas (x, y, z...) para indicar particulares valores dessas variáveis. O comportamento de uma
variável aleatória é descrito por sua distribuição de probabilidade.
Exemplo: Suponha que em um lote de 10 parafusos, 2 são defeituosos. A variável aleatória
X=número de parafusos defeituosos, na escolha de 3 parafusos com reposição, pode assumir os
seguintes valores:
0 , se s = PPP

1, se s = DPP ou s = PDP ou s = PPD
X(s) = 
 2, se s = DDP ou s = DPD ou s = PDD
 3, se s = DDD

sendo P=perfeito e D=defeituoso.

A distribuição de probabilidades é apresentada no QUADRO1.

QUADRO 1 - DISTRIBUIÇÃO DE PROBABILIDADES

DA VARIÁVEL ALEATÓRIA X
X=x P( X = x )

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

2
A função de repartição ou função de distribuição acumulada da variável aleatória X é definida
por Fx (x)=Px (X ≤ x),x ∈ R, ou seja, é definida como sendo a probabilidade de X assumir um valor
menor ou igual a x. Como exemplo tem-se o QUADRO 2.

QUADRO 2 - FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA DA

VARIÁVEL ALEATÓRIA X
X=x P( X = x ) FX ( x)
0 (8 10 ) 3 = 0,512 0,512

1 3  (8 10 )  (2 10 ) = 0,384
2
0,896

2 3  (8 10 )  (2 10 ) 2 = 0,096 0,992

3 (2 / 10 ) 3 = 0,008 1,000

1.1.1 ARREDONDAMENTO DE NÚMEROS

1. Quando o primeiro algarismo a ser abandonado for 0, 1, 2, 3 ou 4, fica inalterado o último
número que permanecer.
Exemplo: seja o número 48,231, ao arredondar para 2 casas decimais ficará 48,23.

2. Quando o primeiro algarismo a ser abandonado for 6, 7, 8 ou 9, aumenta-se de uma unidade

o último algarismo a permanecer.
Exemplo: o número 23,077, ao arredondar para 2 casas decimais ficará 23,08.

3. Quando o primeiro algarismo a ser abandonado for 5, haverá duas formas:

a) como regra geral, aumenta-se de uma unidade o último algarismo a permanecer.
Exemplo: 12,5253 ficará 12,53.
b) se ao 5 só seguirem zeros, o último algarismo a ser conservado só será aumentado se for
ímpar.

Exemplo: 24,7750 passa a ser 24,78

24,7650 passa a ser 24,76.

Exemplos: arredondar os números dados para 2 casa decimais.

17,44452 ficará 17,44;
179,5673 ficará 179,57;
87,4931 ficará 87,49;
4,5652 ficará 4,57;
4,5650 ficará 4,56;
4,575 ficará 4,58.

4. Quando houver parcelas e total, e ocorrer diferença no arredondamento, deve-se fazer

correção na parcela (ou parcelas) onde o erro relativo for menor.

3
 Exemplo:
2,4 para 2
13,4 14
16,1 16
----- ----
31,9 32

1.2 TIPOS DE ESCALAS E VARIÁVEIS

Uma variável pode se apresentar das seguintes formas, quanto aos valores assumidos:

1.o Escala nominal: o nível nominal de mensuração é caracterizado por dados que consistem em
nomes, rótulos ou categorias apenas.
Por exemplo, seja X, a variável “cor” dos automóveis vendidos durante um determinado mês.
Neste caso, a variável X assume as categorias “prata”, “branco”, “preto”, etc., sendo denominada
politômica. Quando assume somente duas categorias é denominada dicotômica. Não tem
significado aritmético ou de quantificação, não se faz cálculos, apenas a contagem.

2.o Escala ordinal: no nível ordinal de mensuração os dados podem ser arranjados em alguma
ordem, mas diferenças entre os valores dos dados ou não podem ser determinados ou não são
significativas.
Exemplo: Seja X a variável que indica a qualidade de um determinado produto. Tem-se então: A
(indicando melhor qualidade), B (qualidade intermediária) e C (pior qualidade).
3.º Escala intervalar: o nível intervalar de mensuração é como o nível ordinal, com a propriedade
adicional de que a diferença entre quaisquer dois valores de dados é significativa. No entanto, os
dados nesse nível não têm um ponto inicial zero natural (quando o nada da quantidade está
presente).
Exemplo: As escalas para medir temperaturas como a Fahrenheit e a Celsius são exemplos de
escalas intervalar. Não se pode afirmar que 40oC é duas vezes mais quente que uma temperatura
de 20oC, embora se possa dizer que a diferença entre 20 oC e 40oC é a mesma que entre 75 oC e
95oC. No entanto, não há um ponto inicial natural. O valor 0 oC, pode parecer um ponto inicial, mas
é arbitrário e não significa ausência total de calor.
Outro exemplo: os anos 1000, 2000, 1400, 1900. O tempo não começa no ano 0, de modo que o
ano 0 é arbitrário e não um ponto inicial zero natural que represente nenhum tempo.

4.º Escala de razão: o nível de mensuração de razão é o nível intervalar com a propriedade
adicional de que há também um ponto inicial zero natural (onde o zero indica que nada da
quantidade está presente). Para valores nesse nível, diferenças e razões, são ambas significativas.
Esse nível de mensuração é chamado de nível de razão porque o ponto inicial zero torna as razões
significativas.
Exemplo: diâmetro de cilindros de automóveis, por exemplo.
De acordo com o nível de mensuração, a variável pode ser classificada em qualitativa ou
quantitativa. Variável qualitativa é aquela cujo nível de mensuração é nominal ou ordinal,
enquanto a quantitativa é aquela em que o nível de mensuração é intervalar ou de razão.

A variável quantitativa pode ser ainda discreta ou contínua, sendo a primeira resultante de
contagem, assumindo somente valores inteiros, e a última de medições, assumindo qualquer valor

4
no campo dos números reais. Apresentam-se, a seguir, os conceitos de variáveis quantitativas
discretas e contínuas.
Variável aleatória discreta: uma variável aleatória X é discreta se o conjunto de valores possíveis
de X for finito ou infinito numerável.

Variável aleatória contínua: a variável aleatória X é chamada de contínua quando o seu

contradomínio é um conjunto infinito.

A FIGURA 2 apresenta os tipos de variáveis de forma resumida.

FIGURA 2 - TIPOS DE VARIÁVEIS

Nominal
Qualitativa
Ordinal
Variável

Discreta

Quantitativa
Contínua

FONTE: A autora

Exemplo de aplicação: Seja uma população de peças produzidas em um determinado processo.

É possível ter as seguintes situações conforme QUADRO 3:

QUADRO 3 – CLASSIFICAÇÃO DAS VARIÁVEIS SEGUNDO TIPO

VARIÁVEIS TIPO
Estado: Conforme ou Não-conforme Qualitativa nominal
Qualidade: 1ª., 2ª. ou 3ª. categoria Qualitativa ordinal
Número de peças conformes Quantitativa discreta
Comprimento das peças Quantitativa contínua

FONTE: A autora

1.3 TABELAS

1.3.1 ELEMENTOS ESSENCIAIS DE UMA TABELA

Uma tabela deve apresentar os dados de forma resumida, oferecendo uma visão geral do
comportamento do fenômeno analisado.
Uma tabela é constituída dos seguintes elementos:

1 - Título: é a indicação que precede a tabela e contém a identificação de três fatores do fenômeno.
a) A data a qual se refere;

5
b) o local onde ocorreu o evento;

c) o fenômeno que é descrito.

2 - Cabeçalho: é a parte superior da tabela que especifica o conteúdo das colunas.

3 - Corpo da tabela: é o espaço que contém as informações sobre o fenômeno observado.

4 - Fonte: é a indicação da entidade responsável pelo levantamento dos dados.
Para obter mais informações consultar o manual de normalização de documentos científicos de
acordo com as normas da ABNT (AMADEU, et al. 2015).

1.3.2 TABELAS DE DISTRIBUIÇÃO DE FREQUÊNCIAS

Serão apresentados alguns conceitos importantes para a construção de tabelas de frequências.

• Dados brutos: É o conjunto de dados numéricos obtidos e que ainda não foram organizados.

• Rol: É o arranjo dos dados brutos em ordem crescente (ou decrescente).

• Amplitude (At): É a diferença entre o maior e o menor dos valores observados.

• Frequência absoluta ( fi ): É o número de vezes que um elemento aparece no conjunto de

dados:
k
 fi = n onde n é o número total de observações e k é o número de valores diferentes
i=1

observados.

• Frequência Relativa ( fr ):
fi k
fr = e  fri = 1
n i=1

• Frequência Absoluta Acumulada ( fac ): É a soma da frequência absoluta do valor i assumida

pela variável com todas as frequências absolutas anteriores.

1.3.2.1 VARIÁVEL DISCRETA

Quando uma variável quantitativa discreta assume poucos valores, pode-se considerar que cada
valor seja uma classe e que existe uma ordem natural nessas classes.

Exemplo: Os dados que seguem apresentam os resultados da inspeção diária de todas as

unidades de computadores produzidos durante os últimos 10 dias. O número de unidades não-
conformes são: 4 - 7 - 5 - 8 - 6 - 6 - 4 - 5 - 8 - 7

6
 TABELA 1 - DISTRIBUIÇÃO DE FREQUÊNCIAS DO NÚMERO DE
UNIDADES NÃO CONFORMES DE COMPUTADORES
PRODUZIDOS DURANTE 10 DIAS
NÚMERO DE DEFEITOS NÚMERO DE DIAS (Freq.)
4 2
5 2
6 2
7 2
8 2
FONTE: MONTEGOMERY, D. C.
NOTA: A produção diária é de 100 computadores.

• Número de Classes (k)

Quando se tratar de uma variável quantitativa discreta que pode assumir um grande número de
valores distintos, a construção da tabela de frequências e de gráficos considerando cada valor
como uma categoria fica inviável. A solução é agrupar os valores em classes ao elaborar a tabela.
Segundo Bussab e Morettin (2002), a escolha dos intervalos dependerá do conhecimento que o
pesquisador tem sobre os dados. Assim, a definição do número de intervalos ou classes é
arbitrária. Mas, vale lembrar que, quando se utiliza um pequeno número de intervalos pode-se
perder informações, e ao contrário, com um grande número de intervalos pode-se prejudicar o
resumo dos dados.

Existem duas soluções para a definição do número de intervalos bastante utilizadas que são:

1) Se o número de elementos (n) for menor ou igual a 25 então o número de classes (k) é igual a
5; se n for maior que 25, então o número de classes é aproximadamente a raiz quadrada positiva
de n. Ou seja:
Para n  25, k = 5

Para n > 25, k = n

2) Fórmula de Sturges para número de classes: k  1 + 3,3  log ( n ) .

▪ Amplitude total ou “range” (At): É a diferença entre o maior e o menor valor observados no
conjunto de dados.
A t = X máx − X min

▪ Amplitude dos intervalos ou das classes (h): É a divisão da amplitude total (At) pelo número de
intervalos (k).
At
Ou seja: h 
k

7
1.3.2.2 VARIÁVEL CONTÍNUA

Quando a variável quantitativa em estudo é contínua, que assume muitos valores distintos, o
agrupamento dos dados em classes será sempre necessário, na construção das tabelas de
frequências.

Exemplo 1: A tabela abaixo apresenta as medidas de uma dimensão de uma peça produzida por
um processo de usinagem. Construir a tabela de distribuição de frequências 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
A t = X máx − X min = 149 ,3 − 102,8 = 46,50

k=5
A t 46,50
h= = = 9,3  10
k 5
TABELA 2 - DISTRIBUIÇÃO DE FREQUÊNCIAS DAS MEDIDAS
DE UMA DIMENSÃO DAS PEÇAS PRODUZIDAS
POR UM PROCESSO DE USINAGEM
INTERVALO DE
fi fr fac
CLASSES
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 pela autora.

Exemplo 2: O tempo necessário para se realizar certa operação industrial foi cronometrado (em
segundos), sendo feita 30 determinações:

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
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

A t = Xmáx − Xmin = 59 − 31 = 28,0

k = 1 + 3,3 log( 30 ) = 5,87  6 (fórmula de Sturges)
A t 28
h= = = 4,7  5
k 6

8
 TABELA 3 - DISTRIBUIÇÃO DE FREQUÊNCIAS DO TEMPO
NECESSÁRIO PARA REALIZAÇAO DE CERTA
OPERAÇÃO INDUSTRIAL
INTERVALO DE
CLASSES
fi fr 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
FONTE: Elaborada pela autora.

1.4 GRÁFICOS

1.4.1 REPRESENTAÇÃO GRÁFICA

O objetivo do gráfico é passar para o leitor uma visão clara do comportamento do fenômeno em
estudo, uma vez que os gráficos transmitem informação mais imediata do que uma tabela.
A representação gráfica de um fenômeno deve obedecer a certos requisitos fundamentais:

a) Simplicidade: O gráfico deve ser destituído de detalhes de importância secundária.

b) Clareza: o gráfico deve possibilitar uma correta interpretação dos valores representativos do
fenômeno em estudo.

c) Veracidade: o gráfico deve ser a verdadeira expressão do fenômeno em estudo.

1.4.2 HISTOGRAMA DE FREQUÊNCIAS

Este é um gráfico usado para apresentar dados organizados em intervalos de classes, utilizado
principalmente para representar a distribuição de variáveis contínuas.

GRÁFICO 1 – HISTOGRAMA DE FREQUÊNCIAS DA VARIÁVEL

HISTOGRAMA DE FREQUÊNCIAS
Freq.
ALEATÓRIA X
10
9

8
7
6

5
4
3
2

1
0
76 105 134 163 192 221 250
Classes

FONTE: Elaborado pela autora.

9
1.4.3 DIAGRAMA DE RAMO E FOLHAS (STEM AND LEAF PLOT)

Este diagrama é muito útil para uma primeira análise dos dados.
Passos para construir um diagrama de ramo e folhas:

1. ordenar os valores para encontrar o valor mínimo e máximo dos dados;

2. dividir cada número x i em duas partes: um ramo, consistindo em um ou mais dígitos iniciais, e
uma folha, consistindo nos dígitos restantes;

3. listar os valores do ramo em uma coluna vertical;

4. a partir daí colocam-se os valores na folha. O valor zero, significa que há informação e que é
um número inteiro. Já, quando naquele valor inteiro não existe observações, não colocar nada,
deixar em branco;

5. escrever as unidades para o ramo e folhas no gráfico.

Considerando os dados do exemplo 1: Os dados referem-se às medidas de uma dimensão de
uma peça 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

GRÁFICO 2 – DIAGRAMA DE RAMO E FOLHAS DE MEDI-

DAS DE UMA DIMENSÃO DAS PEÇAS

RAMO FOLHA FREQ.

10 28 2
11 058 3
12 0559 4
13 256889 6
14 44559 5

FONTE: Elaborado pela autora.

Considerando os dados do exemplo 2, tem-se: O tempo necessário para se realizar certa

operação 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

GRÁFICO 3 – DIAGRAMA DE RAMO E FOLHAS DO TEMPO PARA

REALIZAÇÃO DE CERTA OPERAÇÃO INDUSTRIAL

RAMO FOLHA FREQ.

3 145567899 9
4 0113455556689 13
5 13777889 8

FONTE: Elaborado pela autora.

10
1.4.4 GRÁFICO DE BOXPLOT OU DA CAIXA

Comprimento da caixa = amplitude interquartílica = Q 3 - Q1

A linha central do retângulo (“caixa”) representa a mediana da distribuição. As bordas superior e

inferior do retângulo representam os quartis 1 e 3, respectivamente. Logo, a altura deste retângulo
é chamada de amplitude interquartílica (IQ). Os traços horizontais ao final das linhas verticais são
traçados sobre o último ponto (de um lado ou de outro) que não é considerado um outlier.

Não há um consenso sobre a definição de um outlier. Porém, no caso do boxplot em geral, a maior
parte das definições considera que pontos acima do valor do 3º quartil somado a 1,5 vezes a IQ
ou os pontos abaixo do valor do 1º quartil diminuído de 1,5 vezes a IQ, são considerados outliers.

1.4.5 GRÁFICO DE LINHAS

O gráfico de linhas é indicado para representar séries temporais ou sequência temporal, que é
um conjunto de dados em que as observações são registradas na ordem em que elas ocorrem.
Este tipo de gráfico é importante para a análise do controle de processo de produção e de séries
temporais.
A seguir, um exemplo de gráfico de média (Gráfico de X ) das medidas dos diâmetros internos
(mm) de anéis de pistão de motores de automóveis, de 25 amostras de tamanho n=5.

11
 GRÁFICO 4 – GRÁFICO DE CONTROLE DE MÉDIAS

GRÁFICO DE CONTROLE DE MÉDIA

Médias amostrais

74,015 LSC=74,01

74,010

74,005
_
_
X=LC=74,00
74,000

73,995

73,990
LIC=73,99

1 3 5 7 9 11 13 15 17 19 21 23 25
Amostras

1.5 MEDIDAS DE LOCALIZAÇÃO, VARIABILIDADE E FORMA DA DISTRIBUIÇÃO

Estimador ou estatística é uma função dos valores da amostra, ou seja, é uma variável aleatória,
pois depende dos elementos selecionados para compor a amostra.
Ao analisarmos a distribuição de frequências de uma variável quantitativa, proveniente de uma
amostra, deve-se verificar basicamente três características:
▪ Localização;
▪ Variabilidade ou Dispersão;
▪ Forma.

1.5.1 TENDÊNCIA CENTRAL

As medidas de tendência central fazem parte, juntamente com as de posição, das chamadas
medidas de localização, e indicam onde se concentra a maioria dos dados.

1.5.1.1 ESPERANÇA MATEMÁTICA OU MÉDIA ARITMÉTICA

A esperança matemática ou média aritmética de uma variável aleatória X é o centro de gravidade

do conjunto de dados, e é definida como a soma de todos os valores da variável dividida pelo
número de observações.
a) Para dados simples

A esperança matemática ou média aritmética populacional é dada pela expressão:

1 N
E( X ) =  =  xi
N i=1

A média aritmética amostral é obtida através da seguinte expressão:

1n
X=  xi
n i=1

12
b) Para dados agrupados em classes
k
 x i fi
E( X ) =  = i =1
(população)
N

onde: k é o número de classes;

x i é o ponto médio das classes.
k
 x i fi
i =1
X= (amostra)
n

onde: k é o número de classes;

x i é o ponto médio das classes.

Propriedades da Esperança Matemática

1. E ( X  K ) = E ( X)  K , sendo k=constante e X v.a.

2. E ( X .K ) = k E ( X)

3. Sejam X e Y variáveis aleatórias. Então:

E ( X  Y ) = E ( X)  E( Y )

4. Sejam X e Y variáveis aleatórias independentes. Então:

E ( X .Y ) = E ( X) . E( Y )

5. E ( X − X) = 0 v.a. centrada

A média e os valores extremos: a média apresenta um grave problema, ela é fortemente

influenciada pelos valores extremos. Por esta razão, deve-se fazer uma análise cuidadosa dos
dados.
Exemplos de aplicação:

1) Suponha que um engenheiro esteja projetando um conector de náilon para ser usado em uma
aplicação automotiva. O engenheiro estabelece como especificação do projeto uma espessura de
3/32 polegadas, mas está inseguro acerca do efeito dessa decisão na força da remoção do
conector.
Oito unidades do protótipo são produzidas e suas forças de remoção são medidas (em libras-força):
12,6 - 12,9 - 13,4 - 12,3 - 13,6 - 13,5 - 12,6 - 13,1. A média da força de remoção será:
1n
X=  xi
n i=1

X=
1
12,6 + 12,9 + 13,4 + 12,3 + 13,6 + 13,5 + 12,6 + 13,1 = 104 = 13,0 libras-força
8 8

13
2) Considere a seguinte distribuição:
TABELA 4 - DISTRIBUIÇÃO DE FREQUENCIAS DO TEMPO
NECESSÁRIO PARA REALIZAÇÃO DE CERTA
OPERAÇÃO INDUSTRIAL
INTERVALO DE
fi fr fac
CLASSES
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
FONTE: Elaborada pela autora.

Calcular o tempo médio necessário para realizar a operação industrial.

Solução:
INTERVALO DE
fi xi x i fi
CLASSES
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
k
 x i fi 1365
i =1
X= = = 45,50
n 30

3) Seja a distribuição de frequências a seguir. Calcular a média das medidas da dimensão das
peças.

TABELA 5 – DISTRIBUIÇÃO DE FREQUÊNCIAS DE MEDI –

DAS DE UMA DIMENSÃO DE PEÇAS
INTERVALO DE
fi fr fac
CLASSES
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 pela autora.

14
 INTERVALO DE
CLASSES
fi xi x i fi
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
k
 x i fi 2616
i =1
X= = = 130,8
n 20

1.5.1.2 MEDIANA

A mediana é o valor que ocupa a posição central do conjunto de observações de uma variável,
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.

a) Para dados simples

Etapas para a obtenção da mediana:

1. ordenar os dados em ordem crescente (pode ser também na ordem decrescente, mas não é
comum e pode atrapalhar na hora de calcular as medidas de posição)
2. o lugar ou posição que a mediana ocupa é:
(n − 1)
PosM e = 2  +1
4

3. o valor da mediana é o valor da variável que ocupa o lugar PosM e .

A mediana é independente dos valores extremos, porque ela só leva em consideração os valores
de posição central.

Exemplo de aplicação:
1) Considerando-se as forças de remoção, medidas em uma amostra de oito unidades do protótipo
(em libras-força): 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

(8 − 1)
PosMe = 2  + 1 = 4,5
4
A mediana é a média aritmética dos valores que ocupam a posição 4 e 5. Logo,
12,9 + 13,1
Me = = 13,0
2

2) Os dados que seguem são os resultados da inspeção diária de todas as unidades de computadores
produzidos durante os últimos 10 dias. O número de unidades não-conformes são:
4-7-5-8-6-6-4-5-8-7

Calcular a mediana.
15
Rol: 4 - 4 - 5 - 5 - 6 - 6 - 7 - 7 - 8 - 8
(10 − 1)
PosMe = 2  + 1 = 5,5
4
6+6
Me = =6
2

b) Dados agrupados em classes

( n 2 ) − fac
Me = L i + h
fi

onde:
L i é o limite inferior da classe que contém a mediana;
n é o número de elementos do conjunto de dados;
' fac é a frequência acumulada da classe anterior a que contém a mediana;
fi é a frequência simples da classe que contém a mediana;
h é o intervalo ou amplitude da classe que contém a mediana.

1) Seja a distribuição de frequências a seguir. Calcular a mediana das medidas da dimensão das
peças.

TABELA 6 – DISTRIBUIÇÃO DE FREQUÊNCIAS

DAS MEDIDAS DE UMA DIMENSÃO
DAS PEÇAS
INTERVALO DE CLASSES fi
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

Solução:
n 20
1) O passo inicial é calcular = = 10 ;
2 2

2) Calcular as frequências acumuladas ( fac ).

INTERVALO DE fi fac
CLASSES
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

( n 2 ) − fac
Me = L i + h
fi
16
 ( 20 2 ) − 6
Me = 122,8 +  10 = 132,8
4

2) Considerando a distribuição a seguir, calcular a mediana.

TABELA 7 – DISTRIBUIÇÃO DE FREQUÊNCIAS DO
TEMPO GASTO PARA REALIZAÇÃO DA
OPERAÇÃO INDUSTRIAL
INTERVALO DE
fi
CLASSES
31 |---- 36 4
36 |---- 41 6
41 |---- 46 8
46 |---- 51 4
51 |---- 56 2
56 |---- 61 6
TOTAL 30

Solução:
INTERVALO DE fi fac
CLASSES
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

n 30
= = 15
2 2

( n 2 ) − fac
Me = Li + h
fi

(15 ) − 10
Me = 41 +  5 = 44,125
8

1.5.1.3 MODA

a) Para dados simples

A moda, representada por Mo , é o valor que apresenta maior frequência. Ela pode não existir
(distribuição amodal), ter somente um valor (unimodal) ou pode ter dois ou mais (bimodal ou
multimodal), principalmente quando a variável assume muitos valores.
Exemplo:

1) Considerando-se as forças de remoção, medidas em uma amostra de oito unidades do protótipo

(em libras-força): 12,6 - 12,9 - 13,4 - 12,3 - 13,6 - 13,5 - 12,6 - 13,1.

Para o exemplo tem-se que a moda é igual a 12,6 libras-força.

17
b) Dados agrupados em classes

Mo = 3Me − 2X (moda de Pearson)

Onde:
Me é a mediana da distribuição de dados;
X é a média da distribuição de dados.

d1 (moda de Czuber)
Mo = Li + h
d1 + d2

Onde:
L i : é o limite inferior da classe que contém a moda;
d1 : é a diferença entre a frequência da classe que contém a moda e a frequência da classe vizinha
anterior;
d 2 : é a diferença entre a frequência da classe que contém a moda e a frequência da classe vizinha
posterior.
Exemplos:
1) Dada a distribuição de frequências a seguir, calcular a moda.

TABELA 8 – DISTRIBUIÇÃO DE FREQUÊNCIAS DO

TEMPO GASTO PARA REALIZAÇÃO DA
OPERAÇÃO INDUSTRIAL
INTERVALO DE
fi
CLASSES
31 |---- 36 4
36 |---- 41 6
41 |---- 46 8
46 |---- 51 4
51 |---- 56 2
56 |---- 61 6
TOTAL 30

Solução:
Tem-se que a média e a mediana da distribuição são, respectivamente:
X = 45,50

Me = 44,125

Logo, pelo método de Pearson, a moda será: Mo = 3Me − 2 X = 3  44,125 − 2  45,50 = 41,375
Aplicando o método de Czuber tem-se:
d1 2
Mo = Li +  h = 41 +  5 = 42,67
d1 + d2 2+4

2) Seja a distribuição de frequências a seguir. Calcular a moda das medidas da dimensão das
peças.

18
 TABELA 9 – DISTRIBUIÇÃO DE FREQUÊNCIAS
DAS MEDIDAS DE UMA DIMENSÃO
DAS PEÇAS
INTERVALO DE CLASSES fi
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

Solução:

Tem-se que a média e a mediana da distribuição são, respectivamente:

X = 130,8

( 20 2 ) − 6
Me = 122,8 +  10 = 132,8
4

Logo, a moda de Pearson, será: Mo = 3Me − 2X = 3  132,8 − 2  130,8 = 136,8

Aplicando o método de Czuber tem-se:

d1 1
Mo =Li + ×h=132,8+ ×20=136,13
d1 +d2 1+5

1.5.2 MEDIDAS DE POSIÇÃO (OU SEPARATRIZES)

As separatrizes mais conhecidas são 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 posições das separatrizes, para dados ordenados em
ordem crescente.

1.5.2.1 QUARTIL
São três medidas ( Q1 , Q 2 e Q 3 ) que dividem o conjunto de dados em 4 partes iguais, sendo que
a cada quartil correspondem 25% dos dados.

a) Para dados simples

(n − 1)
PosQi = i  + 1, i = 1, 2, 3
4

Exemplo 1: Os dados a seguir são diâmetros (em cm) de peças de automóveis:

12,3 - 12,6 - 12,6 - 12,9 - 13,1 - 13,4 - 13,5 - 13,6 - 15,0

Calcular os quartis.
19
 (9 − 1)
PosQ1 = 1 + 1 = 3,0 (3º elemento), logo Q1 = 12,6
4
(9 − 1)
PosQ2 = 2  + 1 = 5,0 (5º elemento), logo Q 2 = 13,1
4
(9 − 1)
PosQ3 = 3  + 1 = 7,0 (7º elemento), logo Q 3 = 13,5
4

Exemplo 2: Os dados abaixo são as medidas de uma dimensão de uma peça 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) .

(20 − 1)
PosQ1 = 1 + 1 = 5,75 (5,75º elemento),
4
Logo, Q1 = 118,5 + (120,4 − 118,5) * 0,75 = 119,925
(20 − 1)
PosQ2 = 2  + 1 = 10,5 (10,5º elemento),
4
Logo, Q 2 = 132,7 + (135 ,0 − 132,7) * 0,5 = 133,85
(20 − 1)
PosQ3 = 3  + 1 = 15,25 (15,25º elemento),
4
Logo, Q 3 = 139,6 + (144,4 − 139,6) * 0,25 = 140,80

b) Para dados agrupados em classes

n
PosQi = i  , i = 1, 2, 3
4

( PosQi ) − fac
Qi = L i + h
fi
onde:

n é o número de elementos do conjunto de dados;

L i é o limite inferior da classe que contém o quartil;
' fac é a freqüência acumulada da classe anterior a que contém o quartil;
fi é a freqüência simples da classe que contém o quartil;
h é o intervalo ou amplitude da classe que contém o quartil.

Exemplos:

1) Seja a distribuição de frequências a seguir. Calcular os quartis 1,2 e 3, das medidas da

dimensão das peças.

20
 TABELA 10 – DISTRIBUIÇÃO DE FREQUÊNCIAS
DAS MEDIDAS DE UMA DIMENSÃO
DAS PEÇAS
INTERVALO DE fac
CLASSES
fi
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

Solução:

20
a) PosQ1 = 1 =5
4
5−3
Q1 = 112,8 +  10 = 119,47
3
20
PosQ2 = 2  = 10
4
10 − 6
Q2 = 122,8 +  10 = 132,80
4
20
PosQ3 = 3  = 15
4
15 − 10
Q 3 = 132,8 +  10 = 142,80
5

2) Dada a distribuição de freqüências a seguir, calcular os quartis 1,2 e 3.

TABELA 11 – DISTRIBUIÇÃO DE FREQUÊN-

CIAS DO TEMPO PARA REALI-
ZAÇÃO DA OPERAÇÃO INDUS-
TRIAL
INTERVALO DE
CLASSES
fi
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 DISPERSÃO

Para descrever adequadamente a distribuição de frequências de uma variável quantitativa, além
da informação do valor representativo da variável (tendência central), é necessário dizer também
o quanto estes valores variam, ou seja, o quanto eles são dispersos. Somente a informação sobre
a tendência central de um conjunto de dados não consegue representá-lo adequadamente. As
medidas de dispersão medem o grau de variabilidade ou dispersão dos dados.

21
1.5.3.1 AMPLITUDE TOTAL

A amplitude total mede a distância entre o valor máximo e mínimo. Ela é uma estatística
rudimentar, pois embora forneça uma noção de dispersão, não diz qual é sua natureza.
A t = Xmáx − Xmin

Exemplo de aplicação:

Exemplo 1: Os dados a seguir são diâmetros (em cm) de peças de automóveis:

12,3 - 12,6 - 12,6 - 12,9 - 13,1 - 13,4 - 13,5 - 13,6 - 15,0

Tem-se que:

A t = X máx − X min = 15,0 − 12,3 = 2,7

1.5.3.2 AMPLITUDE INTERQUARTIL

A amplitude interquartil, ou comprimento da caixa, é a distância entre o primeiro e terceiro quartil.

É muito útil para detectar valores extremos, e é usado no diagrama de boxplot.
I Q = Q 3 − Q1

Exemplo: considerando os dados referentes aos diâmetros (em cm) de peças de automóveis e
os quartis correspondentes, já calculados anteriormente, calcular a amplitude interquartil.
(9 − 1)
PosQ1 = 1 + 1 = 3,0 (3º elemento), logo Q1 = 12,6
4
(9 − 1)
PosQ3 = 3  + 1 = 7,0 (7º elemento), logo Q 3 = 13,5
4
IQ = 13,5 − 12,6 = 0,9

Para a construção do gráfico boxplot, tem-se:

lim ite inf erior = Q1 − 1,5  IQ

lim ite sup erior = Q 3 + 1,5  IQ

Para o exemplo em questão:

lim ite inf erior = 12,6 − 1,5  0,9 = 11,25

lim ite sup erior = 13,5 + 1,5  0,9 = 14,85

Existe um valor outlier superior, que é 15,0.

1.5.3.3 DESVIO MÉDIO

a) Para dados simples
O desvio médio é a média dos valores absolutos dos desvios. É calculada através da
expressão:
n
 xi − X
i =1
DM =
n

22
Exemplo de aplicação:
Os dados a seguir são diâmetros (em cm) de peças de automóveis:

12,3 - 12,6 - 12,6 - 12,9 - 13,1 - 13,4 - 13,5 - 13,6 - 15,0. Tem-se que: X = 13,22

QUADRO 4 - VALORES DA VARIÁVEL X E DES-

VIOS ABSOLUTOS EM RELAÇÃO À
MÉDIA

xi xi − X
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

n
 xi − X 5,22
i =1
DM = = = 0,58
n 9

b) Para dados agrupados em classes

k
 x i − X fi
i =1
DM =
n

Dada a distribuição de frequências a seguir, calcular o desvio médio. Sabe-se que

X = 45,50 .

INTERVALO DE xi − X x i − X fi
fi xi
CLASSES
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

k
 x i − X fi 212
i =1
DM = = = 7,0667  7,07
n 30

23
1.5.3.4 VARIÂNCIA E DESVIO PADRÃO

A variância da variável aleatória, representada por V( X) ou  2 , é obtida elevando-se os desvios

em relação à média ao quadrado. Quando se extrai a raiz quadrada da variância, tem-se o desvio
padrão.

Propriedades da Variância

1. V (k ) = 0 , onde k=constante

2. V (kX) = k 2 V ( X) , onde k=constante e X v.a.

3. Sejam X e Y v.a. independentes. Então:
V ( X  Y ) = V( X) + V( Y )

4. Sejam X e Y v.a. não independentes (ou dependentes). Então:

V ( X + Y ) = V( X) + V( Y ) + 2COV ( X, Y )

V ( X − Y ) = V( X) + V( Y ) − 2COV( X, Y )

onde: COV ( X, Y ) = E( XY ) − E( X)E( Y ) (covariância)

a) Para dados simples

A variância e o desvio padrão populacional são obtidas pelas expressões:

 (x i − )
1 N
2 = 2
(variância)
N i=1

 = 2 (desvio padrão)

A variância e o desvio padrão amostral são obtidas pelas expressões:

S2 =
1 n
(
 xi − X
n − 1 i=1
2
) (variância)

S = S2 (desvio padrão)

Exemplo de aplicação: Considerando o exemplo tem-se:

QUADRO 5 - VALORES DA VARIÁVEL X E DESVIOS

SIMPLES E QUADRÁTICOS EM RELA-
ÇÃO À MÉDIA
Xi xi − X (x i − X) 2

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

24
 S2 =
1 n
(
 xi − X
n − 1 i=1
)
2
=
5,1556
9 −1
= 0,6445

S = 0,80

b) Para dados agrupados em classes

A variância e o desvio padrão populacional são obtidas pelas expressões:

 (x i −  ) fi  (x i −  ) fi
k k
2 2

2 = i=1
k
= i=1
(variância)
N
 fi
i=1

 = 2 (desvio padrão)

A variância e o desvio padrão amostral são obtidas pelas expressões:

k
(
 x i − X fi
i=1
)
2 k
(
 x i − X fi
i=1
)
2

S2 = = (variância)
k
n −1
 fi − 1
i=1

S = S2 (desvio padrão)

Exemplo:

Seja a distribuição de frequências a seguir. Calcular a variância e o desvio padrão.

INTERVALO DE
fi xi ( x i − X ) 2 fi
CLASSES

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: X = 130,8
k
(
 x i − X fi
i =1
) 2

3820
S2 = = = 201,0526
n −1 20 − 1

S = 14,18

25
Exercício: Dada a distribuição de frequências a seguir, calcular a variância e o desvio padrão.

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

1.5.3.5 COEFICIENTE DE VARIAÇÃO

É uma medida de dispersão relativa. É definido como o quociente entre o desvio padrão e a média,
multiplicado por 100, para expressar porcentagem.
Em algumas situações é desejável comparar o grau de dispersão de dois conjuntos de dados com
unidades de medidas diferentes. Neste caso, deve-se usar o coeficiente de variação (CV), que
é uma medida de dispersão relativa, e ela não é afetada pelas unidades de medida da variável.
Ou ainda, quando as médias dos dois conjuntos de dados são muito distintas, neste caso faz-se
necessário utilizar uma medida de dispersão relativa.

CV =  100 coeficiente de variação populacional

S
CV =  100 coeficiente de variação amostral
X
Exemplo de aplicação: Para o exemplo tem-se:

Dados: X = 130,8 ; S = 14,18

14,18
Logo, CV =  100 = 10,84%
130,8

1.5.4 FORMA DA DISTRIBUIÇÃO

A distribuição de frequências de uma variável pode ter várias formas, mas existem três formas
básicas, apresentadas através de histogramas e suas respectivas ogivas, que são gráficos
específicos para distribuições de frequências.
A distribuição é simétrica, quando as observações estão igualmente distribuídas em torno de um
valor mais frequente (metade acima e metade abaixo). Já, a assimetria de uma distribuição pode
ocorrer de duas formas:
 assimetria positiva;
 assimetria negativa.

26
Em alguns casos, apenas o conhecimento da forma da distribuição de frequências de uma variável
já nos fornece uma boa informação sobre o comportamento dessa variável.

1.5.4.1 COEFICIENTE DO MOMENTO DE ASSIMETRIA

1 k
 ( x i − X ) fi
3

n i =1
a3 = 32
1 k 2 
  ( x i − X ) fi 
 n i =1 

Uma distribuição é classificada como:

Simétrica: a 3 = 0 e tem-se que média=mediana=moda

Assimétrica negativa: a 3  0 e tem-se que média  mediana  moda
Assimétrica positiva: a 3  0 e tem-se que moda  mediana  média
Graficamente:

FIGURA 3 - CLASSIFICAÇÃO DAS DISTRIBUIÇÕES QUANTO A ASSIMETRIA

Assimetria positiva Simétrica Assimetria negativa

1.5.4.2 COEFICIENTE DO MOMENTO DE CURTOSE

A medida de curtose é o grau de achatamento da distribuição, é um indicador da forma desta

distribuição. O coeficiente momento de curtose é definido como sendo:

1 k 4
 ( x i − X ) fi
n i =1
a4 =
2
1 k 2 
  ( x i − X ) fi 
 i =1
n 

Se a 4  3 , a distribuição é platicúrtica e esta apresenta uma curva de frequência mais aberta,

com os dados fracamente concentrados em torno de seu centro.

Se a 4 = 3 , a distribuição é mesocúrtica e os dados estão razoavelmente concentrados em

torno de seu centro.

Se a 4  3 , a distribuição é leptocúrtica e esta apresenta uma curva de frequência bastante

fechada, com os dados fortemente concentrados em torno de seu centro.

27
A curtose ou achatamento é mais uma medida com a finalidade de complementar a caracterização
da dispersão em uma distribuição. Esta medida quantifica a concentração ou dispersão dos
valores de um conjunto de dados em relação às medidas de tendência central em uma distribuição
de frequências. Uma distribuição é classificada quanto ao grau de achatamento como:

FIGURA 4 - CLASSIFICAÇÃO DAS DISTRIBUIÇÕES QUANTO A CURTOSE

FONTE: COSTA NETO (1994)

Exemplo 1: Para a distribuição de frequências das medidas da dimensão das peças

apresentadas a seguir e as estatísticas já calculadas anteriormente, calcular os coeficientes de
assimetria e curtose.

INTERVALO DE
CLASSES
fi
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

Solução:

INTERVALO DE
fi xi ( xi − X ) ( x i − X ) fi ( x i − X ) 2 fi ( x i − X ) 3 fi ( x i − X ) 4 fi
CLASSES
102,8 |--- 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

1 k 1
 ( x i − X ) fi
3
 ( −16.920)
n i =1 20
a3 = = 32
= -0,3205
32
1 k   1 
  ( x i − X ) fi   20  3.820
2

 i =1
n   

A distribuição apresenta assimetria negativa.

28
 1 k 1
 ( x i − X ) fi
4
 1.355.140
n i =1 20
a4 = 2
= 2
= 1,8573
1 k 2   1 
  ( x i − X ) fi   20  3.820
 n i =1   

A distribuição é platicúrtica.

Exemplo 2: Dada a distribuição de frequências a seguir, calcular a assimetria e curtose.

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

Solução:

INTERVALO DE
fi xi ( xi − X ) ( x i − X ) fi ( x i − X ) 2 fi ( x i − X ) 3 fi ( x i − X ) 4 fi
CLASSES
31 |---- 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 30 0 2.080 5.280 277.360

1 k 1
 ( x i − X ) 3 fi  (5.280)
n i=1 30
a3 = = 32
= 0,3049
32
1 k   1 
  ( x i − X ) fi   30  2.080
2

n
 i=1   

A distribuição apresenta assimetria positiva.

1 k 1
 ( x i − X ) 4 fi  277.360
n i=1
a4 = 2
= 30 2
= 1,9230
1 k 2   1 
  ( x i − X ) fi   30  2.080
 n i=1   

A distribuição é platicúrtica.

LISTA DE EXERCÍCIOS NO. 1 – ESTATÍSTICA DESCRITIVA

1. Conceitue:
a) População ou Universo;
b) Amostra;
c) Parâmetro;
29
d) Estatística ou medida amostral;
e) Variável aleatória discreta e exemplifique;
f) Variável aleatória contínua e exemplifique.
2. Uma importante característica de qualidade da água é a concentração de material sólido
suspenso. Em seguida são apresentadas 30 medidas de sólidos 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 distribuição de frequências em classes (usar k=6);
b) calcular as frequências relativa e acumulada;
c) construir o histograma de frequências.

3. O tempo necessário para se realizar certa operação industrial foi cronometrado (em segundos),
sendo feita 40 determinações:

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 distribuição de frequências em classes (usar k=7);
b) calcular as frequências relativa e acumulada;
c) construir o histograma de frequências.
4. Foram obtidas oito medidas do diâmetro interno de anéis de pistão forjados de um motor de um
automóvel. Os dados (em mm) são:
74,001 - 74,003 - 74,015 - 74,000 - 74,005 - 74,002 - 74,005 - 74,004
Calcule a média, a mediana, a moda, o desvio médio, o desvio padrão e o coeficiente de variação
da amostra.
5. Os tempos de esgotamento de um fluído isolante entre eletrodos a 34 kV, em minutos são:
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 média, mediana, quartil 1, quartil 3, desvio padrão e coeficiente de variação e comente
os resultados obtidos. (Usar a fórmula de Sturges para calcular o número de classes).
6. O pH de uma solução é 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
Faça uma análise estatística dos dados e comente.
7. Prevenir a propagação de trinca de fadiga em estruturas de aviões é um importante elemento
de segurança 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 média, os quartis (1,2 e 3), o desvio padrão e o coeficiente de variação da amostra.
Comente os resultados obtidos.

30
8. Uma amostra de 7 corpos de prova de concreto forneceu as seguintes resistências à ruptura
(kg/cm2 ):
340 - 329 - 337 - 348 - 351 - 360 - 354

Calcular a média, mediana, moda, variância, desvio padrão e coeficiente de variação. Comente
os resultados obtidos.

9. O tempo necessário para se realizar certa operação industrial foi cronometrado (em segundos),
sendo feita 20 determinações:
45 - 37 - 39 - 48 - 51 - 40 - 53 - 49 - 39 - 41 - 45 - 43 - 45 – 34 - 45 - 35 - 38 - 46 - 46 - 58

Faça uma análise estatística dos dados construindo a distribuição de frequências em classes
(calcule também as medidas de assimetria e curtose). Usar k=5.

10. As taxas de octanagem de combustível para motor, de várias 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

Faça uma análise estatística dos dados (calcule também as medidas de assimetria e curtose).
Usar k=5.

11. A propagação de trincas por fadiga em diversas peças de aeronaves tem sido objeto de muitos
estudos. Os dados a seguir consistem dos tempos de propagação (horas de vôo) para atingir um
determinado tamanho de trinca em furos de fixadores propostos para uso em aeronaves militares.
Usar k=5.
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 média e mediana amostrais;

b) calcule o desvio médio, desvio padrão e o coeficiente de variação;
c) qual é a conclusão sobre a forma da distribuição (assimetria e curtose)?

12. O tempo necessário para se realizar certa operação industrial foi cronometrado (em
segundos), sendo feita 12 medições:
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 gráfico boxplot.

13. As taxas de octanagem de combustível para motor, de várias misturas de gasolina foram
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 gráfico boxplot.

31
 ELEMENTOS DE PROBABILIDADES

Definições

2.1 EXPERIMENTO ALEATÓRIO (E)

Definição 1: É o fenômeno que, mesmo repetidos várias vezes sob condições semelhantes,
apresentam resultados imprevisíveis. O resultado final depende do acaso.

2.2 ESPAÇO AMOSTRAL (S)

Definição 2: É o conjunto formado por todos os resultados possíveis em qualquer experimento

aleatório.
Exemplos: Sejam os experimentos aleatórios e os respectivos espaços amostrais:

a) Inspecionar uma peça de automóvel. S =  conforme , não − conforme  ;

b) Tomar uma válvula eletrônica e verificar o tempo de vida útil. S =  x R , x  0 ;
c) Inspecionar uma lâmpada. S =  defeituosa , não − defeituosa ;
d) Medir o conteúdo de cobre no latão. S =  x R, 50 %  x  90 % 

2.3 EVENTO

Definição 3: É um subconjunto do espaço amostral S de um experimento aleatório.

A
S

Exemplo:

Seja o espaço amostral S = (c, c ),(c, n),(n, c ),(n, n), resultado do experimento de seleção de duas
peças, sendo c=peça conforme e n=peça não conforme.
Suponha que A seja o subconjunto de resultados para os quais, no mínimo uma peça seja
conforme. Então o evento A será: A = (c, c ),(c, n), (n, c ).

Por serem subconjuntos, é possível realizar a operação de união (U) entre conjuntos. A União de
Eventos representa a ocorrência de um evento OU de outro. Outra operação que pode ser feita
sobre Eventos é a intersecção (∩). A intersecção de eventos representa a ocorrência de um E
de outro.

32
 União de eventos => A  B

A B

Interseção de eventos => A  B

A

2.3.1 EVENTO COMPLEMENTAR

O evento complementar do evento A, representado por A , é aquele que ocorre somente

se A deixar de ocorrer. E tem-se que:

AA = A+A =S => P ( A + A ) = 1

AA = AA = Ø => P ( A  A ) = 0

Seja o evento A, obter número 4 na face superior no lançamento de um dado A =  4 . O

evento complementar A será: A = 1, 2 ,3 , 5 ,6 

2.3.2 EVENTOS INDEPENDENTES

Quando a realização ou não realização de um dos eventos não afeta a probabilidade da

realização do outro e vice-versa.

Exemplos:

1) No lançamento de dois dados qual é a probabilidade de obter o nº 4 no primeiro dado e o nº 3

no segundo dado ?

P (1) = P(no. 4 no dado 1 ) = 1 6

P (2 ) = P(no. 3 no dado 2 ) = 1 6

P ( 1  2 ) = P (1 E 2) = P ( 1)  P ( 2 ) = 1 6  1 6 = 1 36

2) Suponha que numa produção diária de 850 peças fabricadas contenha 50 peças que não
satisfaçam as exigências dos consumidores. Duas peças são selecionadas, sendo que a primeira
peça é reposta antes da segunda ser selecionada. Qual é a probabilidade das duas peças serem
defeituosas?

50 50
P( D e D) =  = 0,0035  0,35%
850 850
33
2.3.3 EVENTOS MUTUAMENTE EXCLUSIVOS

Dois ou mais eventos são mutuamente exclusivos quando a realização de um exclui a

possibilidade de realização do(s) outro(s). Assim, no lançamento de uma moeda, o evento "tirar
cara" e o evento "tirar coroa" são mutuamente exclusivos, já que, ao se realizar um deles, o outro
não se realiza.

A
B
S

Se dois eventos são mutuamente exclusivos, a probabilidade de que um ou outro se realize

é igual à soma das probabilidades de que cada um deles se realize:

P ( A  B ) = P ( A OU B) = P ( A ) + P (B )

Exemplos:

1) No lançamento de um dado qual a probabilidade de se tirar o nº 3 ou o nº 4 ?

Os dois eventos são mutuamente exclusivos então:

P ( A  B ) = P ( A OU B) = P ( no. 3 ) + P (no. 4 ) = 1 6 + 1 6 = 1 3

2) Um parafuso é selecionado aleatoriamente de um lote de 100 parafusos, sendo que 15

apresentam pequenos defeitos e 10 são não-conformes (não aceitáveis). Qual é a probabilidade
do parafuso selecionado ser:
a) Perfeito ou apresentar pequeno defeito?
b) Apresentar pequeno defeito ou não-conforme?

Solução:
15
P(pequeno defeito) = = 0,15
100
10
P(não − conforme ) = = 0,10
100
75
P(perfeito) = = 0,75
100
75 15
a) P(perfeito ou pequeno defeito) = + = 0,90
100 100
15 10
b) P( pequeno defeito ou não − conforme ) = + = 0,25
100 100

34
2.4 DEFINIÇÃO CLÁSSICA DE PROBABILIDADE

Seja A um subconjunto do espaço amostral S. Então, se todos os resultados elementares de S

são equiprováveis, a medida da probabilidade de ocorrência do evento A é dada por:
número de elementos em A n ( A )
P (A) = =
número de elementos em S n ( S )

2.5 DEFINIÇÃO AXIOMÁTICA DE PROBABILIDADE

Seja o espaço amostral S associado a um certo experimento. A cada evento A  S

associa-se um número real representado por P ( A ) , chamado de probabilidade de A ,
satisfazendo as propriedades:

1) 0  P ( A )  1

2) P (S) = 1 (ou seja, a probabilidade do evento certo é igual a 1 )

3) sejam A e B dois eventos mutuamente exclusivos. A probabilidade de ocorrência de A ou B

é igual à soma das probabilidades individuais.

P (A ou B ) = P ( A ) + P (B)

2.6 PROBABILIDADE CONDICIONAL

Definição 4: Sejam A e B eventos de um experimento E, com P(B)  0 . Então a probabilidade

condicional do evento A dado que B tenha ocorrido é:

P (A  B )
P ( A | B) = , AE
P (B )

Exemplo: O quadro a seguir fornece um exemplo de 400 itens classificados por falhas na
superfície e como defeituosos (funcionalmente).
FALHAS NA SUPERFÍCIE
DEFEITUOSO
Sim Não TOTAL
Sim 10 18 28
Não 30 342 372
TOTAL 40 360 400

a) Qual é a probabilidade do item ser defeituoso, dado que apresenta falhas na superfície?
b) Qual é a probabilidade de ter falhas na superfície dado que é defeituoso?

Solução:

35
 A Probabilidade Condicional pode assumir a forma abaixo, chamada algumas vezes de
teorema da multiplicação de probabilidades:

P ( A  B ) = P ( A | B)  P ( B ) , ou de forma equivalente, P ( A  B ) = P ( B | A )  P ( A )

Exemplo: A probabilidade de que o primeiro estágio de uma operação, numericamente controlada,

de usinagem para pistões com alta rpm atenda às especificações é igual a 0,90. Falhas são devido
a variações no metal, alinhamento de acessórios, condições da lâmina de corte, vibração e
condições ambientais. Dado que o primeiro estágio atende às especificações, a probabilidade de
que o segundo estágio de usinagem atenda à especificações é de 0,95. Qual a probabilidade de
ambos os estágios atenderem as especificações?

P ( A  B ) = P ( B | A )  P ( A ) = 0,95  0,90 = 0,855

2.7 TEOREMA DA PROBABILIDADE TOTAL

Suponha que eventos aleatórios A1 , A 2 ,, A k sejam k conjuntos mutuamente exclusivos
e exaustivos ( A1  A 2   A k ,... = S ) . Então:
P ( B ) =  P ( A i ).P ( B | A i )
i

Exemplos:

1) A probabilidade de que um conector elétrico que seja mantido seco falhe durante o período de
garantia de um computador portátil é 1%. Se o conector for molhado, a probabilidade de falha
durante o período de garantia será de 5%. Se 90% dos conectores forem mantidos secos e 10%
forem mantidos molhados, qual é a probabilidade dos conectores falharem durante o período da
garantia?

Solução:

2) Suponha que na fabricação de semicondutores, a probabilidade seja de 0,10 de que um chip

que esteja sujeito a altos níveis de contaminação durante a fabricação cause uma falha no
produto. A probabilidade é de 0,005 de que um chip que não esteja sujeito a altos níveis de
contaminação durante a fabricação cause uma falha no produto. Em um dado instante da
produção, 20% dos chips estão sujeitos a altos níveis de contaminação. Qual a probabilidade de
um produto usando um desses chips vir a falhar?

36
Solução:

2.8 TEOREMA DE BAYES

Uma das relações mais importantes envolvendo probabilidades condicionais é dada pelo
teorema de Bayes, que expressa uma probabilidade condicional em termos de outras
probabilidades condicionais.

P ( A i ).P ( B | A i )
P ( A i | B) = k
 P ( A j ).P ( B | A j )
j=1

Exemplo: Uma determinada peça é produzida por três fábricas, 1, 2 e 3. Sabe-se que a fábrica 1
produz o dobro de peças que 2, e 2 e 3 produziram o mesmo número de peças durante um período
de produção especificado. Sabe-se também que 2% das peças produzidas por 1 e por 2 são
defeituosas, enquanto 4% daquelas produzidas por 3 são defeituosas. Todas as peças são
colocadas num depósito. Uma peça é retirada ao acaso do depósito e se verifica que é defeituosa.
Qual a probabilidade de que tenha sido produzida na fábrica 1?

Definição dos eventos:

B={ a peça é defeituosa}
A1={ a peça é da fábrica 1}
A2{ a peça é da fábrica 2}
A3={ a peça é da fábrica 3}
P(B | A1 ) = 0,02

1
P( A 1 ) =
2
P(B | A 2 ) = 0,02

1
P( A 2 ) =
4
P(B | A 3 ) = 0,04

1
P( A 3 ) =
4

37
 P ( A i ).P ( B | A i )
P ( A i | B) = k
 P ( A j ).P ( B | A j )
j=1

P ( A 1 ).P ( B | A 1 )
P ( A 1 | B) =
P ( A 1 ).P ( B | A 1 ) + P ( A 2 ).P ( B | A 2 ) + P ( A 3 ).P ( B | A 3 )

1 2  0,02
P ( A 1 | B) = = 0,40
1 2  0,02 + 1 4  0,02 + 1 4  0,04

2) Cada objeto manufaturado é 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 é, 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 EXERCÍCIOS NO. 2 - PROBABILIDADES

1. De uma caixa contendo 100 peças entre as quais 10 são defeituosas se extraem quatro peças
ao acaso, sem reposição. Encontrar a probabilidade de que entre estas não ocorra:
a) nenhuma peça defeituosa;
b) nenhuma peça boa.
2. De um lote de 15 válvulas 10 são boas. Encontrar a probabilidade de que de 3 válvulas extraídas
ao acaso, sem reposição, 2 sejam boas.

3. Uma caixa contém 20 peças das quais 5 são defeituosas. Extraem-se duas ao acaso, sem
reposição. 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 medição o erro ultrapasse o admitido é 0,4. Achar a probabilidade
de que em apenas uma medição de uma série de três o erro ultrapasse o admitido.

6. A probabilidade de que uma peça do tipo exigido se ache em cada uma de quatro caixas é
igual, respectivamente, a 0,60; 0,70; 0,80 e 0,90. Calcular a probabilidade de que tal peça se
encontre:
a) no máximo em três caixas;
b) pelo menos em duas caixas.

7. Um circuito elétrico é constituído de três elementos ligados em série que deixam de funcionar
com probabilidade p 1 = 0,10 ; p 2 = 0,15 ; p 3 = 0,20 , respectivamente. Achar a probabilidade de que
não haja corrente no circuito.

38
8. Um dispositivo de freio de automóvel consiste de três subsistemas, que devem funcionar
simultaneamente para que o freio funcione. Os subsistemas são um sistema eletrônico, um
sistema hidráulico e um ativador mecânico. Ao frear, a probabilidade de sucesso dessas unidades
é de 0,96, 0,95 e 0,95, respectivamente. Estime a confiabilidade do sistema, admitindo que os
subsistemas funcionem independentemente.
Comentário: Sistemas deste tipo podem ser representados graficamente, conforme ilustração
abaixo, onde os subsistemas A (eletrônico), B (hidráulico) e C (ativador mecânico), dispõem-se
em série. Considera-se a trajetória A-B como a trajetória do sucesso.

A B C

a 0,96 0,95 0,95 b

9. Os automóveis são 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 peças fornecidas por duas máquinas automáticas, a
produtividade da primeira sendo o dobro da segunda, são de alta qualidade. Tendo-se constatado
que uma peça escolhida ao acaso é de alta qualidade, achar a probabilidade de que provenha da
primeira máquina (teorema de Bayes).
11. Um relatório de controle de qualidade de transistores acusa os seguintes resultados por
fabricante e por qualidade:

FABRI- QUALIDADE
CANTE Aceitável Marginal Inaceitável TOTAL
A 128 10 2 140
B 97 5 3 105
C 110 5 5 120

Escolhido um transistor ao acaso, qual a probabilidade:

a) de provir do fabricante A, dado que é de qualidade aceitável?
b) de ser aceitável, dado que provém do fabricante C?
c) de provir do fabricante B, dado que apresenta qualidade marginal?
12) Suponha que na fabricação de semicondutores, as probabilidades de que um chip, sujeito a
alto, médio ou baixo nível de contaminação durante a fabricação, cause uma falha no produto
sejam respectivamente iguais a 0,10, 0,01 e 0,001. Em um experimento particular da produção,
20% dos chips estão sujeitos a altos níveis de contaminação, 30% a níveis médios de
contaminação e 50% a baixos níveis de contaminação. Qual a probabilidade de um produto falhar
ao usar um desses chips?

39
 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE
PROBABILIDADE DISCRETA

3.1 DEFINIÇÕES

Definição 1: Seja E um experimento e S o espaço amostral associado ao experimento. Variável

aleatória unidimensional é uma função X, que associa a cada elemento s  S , um número real
X ( s) .
RX
S

X X( s )
s

Exemplo: Uma caixa contém 4 válvulas, sendo duas perfeitas e duas defeituosas. Duas válvulas
são retiradas aleatoriamente da caixa e testadas (sendo representadas por D se a peça é
defeituosa e P se a peça é perfeita). O espaço amostral associado a este evento é:
S={PP,PD,DP,DD}
Seja a variável aleatória X=número de válvulas defeituosas. Os valores possíveis da
variável aleatória X, serão:
R X = { 0 ,1, 2 }

Definição 2: Seja X uma variável aleatória discreta. A função de probabilidade, associa um

número real P( X = x i) , chamado de probabilidade de x i , a cada possível resultado x i .

Tem-se que:
0  P( X = x i )  1
 P( X = x i ) = 1
xS

Uma distribuição de probabilidade é uma descrição, que fornece a probabilidade para

cada valor da variável aleatória. Ela é frequentemente expressa na forma de um gráfico, de uma
tabela ou uma fórmula.

Exemplo1: No lançamento de duas moedas ao ar, tem-se que os possíveis resultados são: CC,
Ck, KC, KK (C=cara e K=coroa). Seja X, a variável aleatória número de caras. Então, X poderá
assumir os valores:
 0 , se s = KK

X (s) = 1, se s = CK ou s = KC
2 , se s = CC


A distribuição de probabilidade da variável aleatória X é:

X=x P( X = x )
0 1/4
1 1/2
2 1/4

40
Exemplo 2: Em um processo de fabricação de semicondutores, 3 pastilhas de um lote são
testadas. Cada pastilha é 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 variável
número de pastilhas de um lote que passam no teste. A distribuição de probabilidade de X será:
P( x = 0) = P(f, f, f ) = (1 − 0,8)3 = 0,23 = 0,008
P( x = 1) = P(p, f , f ) ou P( f , p, f ) ou P( f , f , p) = 3  (0,80  0,20  0,20 ) = 3  0,032 = 0,096
P( x = 2) = P(p, p, f ) ou P(p, f , p) ou P( f , p, p) = 3  (0,80  0,80  0,20 ) = 3  0,128 = 0,384
P( x = 3) = P(p, p, p) = 0,8 3 = 0,512

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

Definição 3: Seja X uma variável aleatória. A função de distribuição acumulada ou de

repartição de X é definida como

F( x ) = P( X  x )

Se X for variável discreta, tem-se

F( x ) =  P( x i )
xi  x

Esperança

O valor esperado, expectância ou a esperança matemática E(X), de uma variável

aleatória discreta X, que é a média da distribuição, é definida por:

E( X) =  x iP( x i )
i=1
Variância

A variância da variável aleatória discreta X, representada por V( X) , é definida por:


V( X) = E X − E( X) =  x i − E( X) P( x i )
2 2

i=1

Exemplo 1: Seja X uma variável aleatória discreta que representa o número de peças defeituosas
em cada 5 peças inspecionadas. Sabendo-se que a probabilidade de uma peça ser defeituosa é
de 20%, obtém-se a seguinte distribuição de probabilidade:

xi 0 1 2 3 4 5
p (xi ) 0,3277 0,4096 0,2048 0,0512 0,0064 0,0003

Qual o valor esperado de X ( E( X) ) e a variância ( V( X)) ?


E( X) =  x iP( x i ) = 0  0,3277 + 1  0,4096 + 2  0,2048 + 3  0,0512 + 4  0,0064 + 5  0,0003
i=1

41
E( X) = 1

Portanto, em cada 5 peças inspecionadas, o número esperado de peça defeituosa é 1.


V( X) = E X − E( X) =  x i − E( X) P( x i )
2 2

i=1

V( X) = (0 − 1) 2  0,3277 + (1 − 1) 2  0,4096 + (2 − 1) 2  0,2048 + (3 − 1) 2  0,0512 +

+ ( 4 − 1) 2  0,0064 + (5 − 1) 2  0,0003

V( X) = 0,7997

Exemplo 2: O tempo T, em minutos, necessário para um operário processar certa peça é uma
variável aleatória com a seguinte distribuição de probabilidade:
t 2 3 4 5 6 7
P(t) 0,1 0,1 0,3 0,2 0,2 0,1

Calcular: E ( X ) e V ( X )

a) E( X) =  x iP( x i )
i=1

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


b) V( X) =  x i − E( X)2 P( x i )
i=1

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

V( X) = 2,04

Definição 4: Seja E um experimento com espaço amostral S. Sejam X = X(s) e Y = Y(s) duas
funções, cada uma associando um número real a cada resultado s  S . Tem-se então que (X,Y)
é uma Variável Aleatória Bidimensional.

R XY
S
s   X(s)
s
 Y(s)

Seja o experimento: retirar uma barra de ferro de um lote e observar a dimensão (largura e o
comprimento); tem-se neste caso duas variáveis aleatórias X e Y.

3.2 DISTRIBUIÇÕES DE PROBABILIDADE DISCRETA

3.2.1 DISTRIBUIÇÃO BINOMIAL

Uma variável aleatória discreta X, que conta o número de sucessos em n provas
independentes, que apresentam os resultados sucesso ( p ) ou fracasso ( q = 1 − p ) , tem
distribuição binomial. Sua função de probabilidade é dada por:

42
 n
P ( X = x ) =   p x qn − x , x = 0 ,1, 2 ,, n e 0  p  1
x
A função de distribuição acumulada é dada por:
0 , se x  0


 x n
F( x ) = P( X  x ) =     p k qn−k , se 0  x  n
k =0 k 


 1, se x  n

Os parâmetros da distribuição são:

Média E( X) = n p
Variância V( X) = n p q

Exemplo 1: Seja X uma v.a. que indica o número de peças não conformes (não segue a
especificação definida no projeto de qualidade) produzidas pela máquina “Z”. Se a probabilidade
desta maquina produzir uma peça não conforme é de 15%, ao selecionar aleatoriamente 5 peças,
pede-se:
a) a probabilidade de nenhuma peça ser não conforme;
b) a probabilidade de todas as peças serem de acordo com especificação do projeto de qualidade;
c) obter a distribuição de probabilidade e o gráfico.

Solução:
a) n = 5
p = 0,15
q = 0,85
x=0 (peça não ser conforme)
5
P( X = 0) =   (0,15 ) 0 (0,85 ) 5−0 = 0,4437
0

b) P( todas de acordo com as especifica ção) = P( X = 0) = 0,4437

c) Distribuição de Probabilidade

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

43
 Gráficamente:

A seguir, o gráfico da função de distribuição acumulada.

Exemplo 2: Seja X uma v.a. que indica o número de parafusos defeituosos produzidos pela
máquina “A”. Se a probabilidade desta maquina produzir um parafuso defeituoso é de 5%, ao
selecionar aleatoriamente dois parafusos, qual a probabilidade de ambos serem defeituosos?
p =probabilidade de ser defeituoso=0,05
1− p = probabilidade de ser perfeito=1-0,05=0,95

 2
P ( X = 2) =  (0,05 ) 2 (0,95 ) 2−2 = 0,0025 = 0,25 %
 2
Ao selecionar 50 parafusos produzidos por esta máquina, espera-se uma média de 2,5
parafusos defeituosos, e uma variância de 2,4 (parafusos defeituosos)2.

3.2.2 DISTRIBUIÇÃO DE POISSON

A distribuição de Poisson pode ser aplicada a muitos casos práticos nos quais interessa o
número de vezes que um determinado evento pode ocorrer durante um intervalo de tempo ou
distância, área ou outra unidade de medida análoga.
Uma v.a. discreta X tem distribuição de Poisson se sua função de probabilidade é dada
por:
e − x
P ( X = x) = , x = 0 ,1, 2 , e   0 (probabilidade de sucesso)
x!
44
 A função de distribuição acumulada é dada por:
 0 , se x  0


F( x ) = P( X  x ) = 
x e − k
 , se x  0
k =0 k !

Os parâmetros da distribuição são:

Média: E( X) = 
Variância: V( X) = 

Exemplo 1: São contados os números de partículas radioativas emitidas em cada intervalo de 5

segundos. Suponha que o número de partículas emitidas, durante cada intervalo de 5 segundos,
tenha uma distribuição de Poisson com parâmetro 2,0. Pede-se:
a) qual é a probabilidade de que menos de 3 partículas sejam emitidas?
b) supondo que 10 contagens são realizadas, construir a distribuição de probabilidade.

Solução:
e −2 2 0 e −2 21 e −2 2 2
a) P( X  3) = P( X = 0) + P( X = 1) + P( X = 2) = + +
0! 1! 2!

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

DISTRIBUIÇÃO DE PROBABILIDADE DE X
X P( X = x )
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

Gráficamente:

45
 A função de distribuição acumulada:

Exemplo 2: Seja X o número de acidentes mensais ocorridos numa determinada indústria. Se o

número médio de acidentes por mês é 3, qual a probabilidade de não ocorrer nenhum acidente
no próximo mês?
e −3 3 0
P ( X = 0) = = e − 3 = 0,050 = 5%
0!

3.2.3 DISTRIBUIÇÃO HIPERGEOMÉTRICA

Suponha que em um lote de N peças, k são defeituosas e (N-k) são perfeitas e escolhem-
se ao acaso, n peças desse lote ( n  N ) . Pode-se estar interessado na probabilidade de selecionar
x peças dos k rotulados como defeituosos e (n-x) perfeitas dos (N-k) rotulados como perfeitas.
Esse experimento é chamado hipergeométrico.

Uma v.a. discreta X tem distribuição hipergeométrica se sua f.p. é dada por:

 k  N − k 
   
x n − x 
P( X = x ) =
 N
 
n

A função de distribuição acumulada é dada por:

0 , se x  j


  k  N − k 
 k  j   n − j 
   
F( x ) = P( X  x ) =   , se 0  x  j
 j=0   N
 
  n


1 , se x  j

Os parâmetros da distribuição são:

46
 Média: E( X) = n p
N−n k k
Variância: V( X) = npq , onde p = ; q = 1− .
N −1 N N

Exemplo 1: Pequenos motores elétricos são expedidos em lotes de 30 unidades. Antes que uma
remessa seja aprovada, um inspetor seleciona ao acaso 3 destes motores para inspeção. Se
nenhum dos motores inspecionados for defeituoso, o lote é aprovado. Se um ou mais dos motores
verificados forem defeituosos, o lote todo é inspecionado. Suponha que existam, de fato, 2
motores defeituosos no lote. Qual é a probabilidade de que a inspeção de todo o lote seja
necessária?
N=30 (número de casos total na população)
k=2 (número de casos favoráveis na população)
n=3 (tamanho da amostra)
x=1,2,3 (número de casos desfavoráveis na amostra)

A probabilidade de que a inspeção seja necessária é igual a P( X = 1) + P( X = 2) + P( X = 3)

ou P( X  1) = 1 − P( X = 0)

 2   30 − 2   2   28 
       
0  3 − 0  0  3 
P( X  1) = 1 − P( X = 0) = 1 − = 1− 1 − 0,8069 = 0,1931 = 19,31 %
 30  30 
   
3 3

DISTRIBUIÇÃO DE PROBABILIDADE DE X
x p(x)

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

Gráficamente:

47
 A função de distribuição acumulada:

Exemplo 2: Uma empresa adquiriu diversas caixas, cada uma contendo 15 lâmpadas. Ela decidiu
fazer uma inspeção por amostragem sem reposição, analisando 5 lâmpadas de uma caixa. A
caixa será aceita caso encontre no máximo duas defeituosas. Qual a probabilidade de aceitar uma
caixa sabendo que a qualidade do produto é definida por 20% de defeituosos?
N=15
n=5
x2
k = 0,20 * 15 = 3
P( X  2) = P( X = 0) + P( X = 1) + P( X = 2)

 3  15 − 3   3  15 − 3   3  15 − 3 

           
0  5 − 0   1  5 − 1   2   5 − 2  792 + 1.485 + 660 2.937
P( X  2) = + = = = 0,9780 = 97,80%
15  15  15  3.003 3.003
     
5 5 5

LISTA DE EXERCÍCIOS NO. 3 – DISTRIBUIÇÕES DE PROBABILIDADE DISCRETA

1. O número de mensagens enviadas por hora, através de uma rede de computadores, tem a
seguinte distribuição:

x = número de
10 11 12 13 14 15
mensagens
p(x) 0,08 0,15 0,30 0,20 0,20 0,07

Calcular:
E(X);
V(X).

2. Seja X=o número de cilindros do motor do próximo carro a ser regulado em certa oficina. A
função de probabilidade é dada por:

48
 x 4 6 8
p(x) 0,5 0,3 0,2
a) calcular E( X)
b) calcular V( X)
c) calcular 

3. Um proprietário acaba de instalar 20 lâmpadas em uma nova casa. Supondo que cada lâmpada
tenha 0,20 de probabilidade de funcionar por mais de três meses, pede-se:
a) qual a probabilidade de ao menos cinco delas durarem mais de três meses?
b) qual o número médio de lâmpadas que deverão ser substituídas em três meses?

4. Repete-se um experimento 5 vezes. Supondo que a probabilidade de sucesso em uma prova

seja 0,75, e admitindo a independência dos resultados das provas:
a) qual a probabilidade de todas as cinco provas resultarem em sucesso?
b) qual o número esperado de sucesso?

5. Um produto eletrônico contém 40 circuitos integrados. A probabilidade de que qualquer circuito

integrado seja defeituoso é de 0,01. Os circuitos integrados são independentes. O produto opera
somente se não houver circuitos integrados defeituosos. Qual é a probabilidade de que o produto
opere?

6. Um departamento de conserto de máquinas recebe uma média de 5 chamadas por hora. Qual
a probabilidade de que em uma hora selecionada aleatoriamente sejam recebidas:
a) Exatamente três chamadas?
b) Menos que três chamadas?

7. Bateladas que consistem em 50 molas helicoidais, provenientes de um processo de produção

são verificadas com respeito à conformidade em relação aos requerimentos dos consumidores. O
número médio de molas não-conformes em uma batelada é igual 5. Considere que o número de
molas não-conformes em uma batelada, denotado por X, seja uma variável aleatória binomial.
Pede-se:
a) qual é a probabilidade do número de molas não-conformes em uma batelada seja menor ou
igual a 2?
b) qual é a probabilidade do número de molas não-conformes em uma batelada seja maior ou
igual a 49?
8. Suponha que 90% de todas as pilhas do tipo D, de certo fabricante, tenham voltagens
aceitáveis. Um determinado tipo de lanterna necessita de 2 pilhas tipo D, e ela só funciona se as
duas pilhas tiverem voltagem aceitável. Entre 10 lanternas selecionadas aleatoriamente, qual é a
probabilidade de:
a) pelo menos 9 funcionarem?
b) no máximo 2 funcionarem?
9. Seja X o número de falhas na superfície de uma caldeira de um determinado tipo selecionado
aleatoriamente, com distribuição de Poisson de parâmetro  = 5 . Calcular:
a) P( x  2)
b) P( x = 8)
c) P(5  x  8)
49
10. Cartões de circuito integrado são verificados em um teste funcional depois de serem
preenchidos com chips semicondutores. Um lote contém 140 cartões e 20 são selecionados sem
reposição para o teste funcional.
a) se 20 cartões forem defeituosos, qual será a probabilidade de no mínimo 1 cartão defeituoso
estar na amostra?
b) se 5 cartões forem defeituosos, qual será a probabilidade de 1 cartão defeituoso aparecer na
amostra?

11. Num lote de 20 pneus enviadas a um fornecedor sabe-se que há 5 defeituosos. Um cliente vai
a esse fornecedor comprar 4 pneus. Qual a probabilidade de levar 1 defeituoso?

50
 VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE
PROBABILIDADE CONTÍNUA

4.1 DEFINIÇÕES

Definição 1: Seja X uma variável aleatória continua. A função densidade de probabilidade

f ( x ) , é uma função que satisfaz as seguintes condições:

f ( x )  0 para todo x R X


 f ( x)d( x) = 1.
−

Exemplo: Seja X uma variável contínua com função densidade de probabilidade dada por:
x
f (x) = , 2x6
16
f ( x ) = 0 , para qualquer outros valores.

A função densidade de probabilidade é:

2 1
Para x = 2  f (2) = =
16 8

4 2
Para x = 4  f (4) = =
16 8
6 3
Para x = 6  f (6) = =
16 8

A condição  f ( x )d( x ) = 1 , indica que a área total limitada pela curva que representa f ( x ) e
−
o eixo das abcissas é igual a 1.
Seja o intervalo [a,b] de R X . A probabilidade de um valor de X pertencer a esse intervalo
b
será dada por: P(a  X  b) = a f ( x )dx , que representa a área sob a curva da função densidade
de probabilidade.
Para variáveis aleatórias contínuas, as probabilidades são interpretadas como áreas.
Sendo X uma variável aleatória continua, a probabilidade em um ponto é nula, então:
P(a  X  b) = P(a  X  b) = P(a  X  b) = P(a  X  b)

Definição 2: Seja X uma variável aleatória. A função de distribuição acumulada ou de

repartição de X é definida como

F( x ) = P( X  x )

Se X for variável aleatória continua, tem-se:

x
F( x ) = P( X  x ) =  f ( x )dx
−

51
 Exemplo: Seja X uma variável contínua com função densidade de probabilidade dada por:
x
f (x) = , 2x6
16
f ( x ) = 0 , para outros valores.

A função de distribuição acumulada é dada por:

 
6
2 6 x 6 1  x2  1 2 32
F( x ) =  f ( x )dx +  f ( x )dx = 0 +  dx =   = 6 − 22 = =1
− 2 2 16 16  2  32 32
2

Esperança

A esperança matemática E(X), de uma variável aleatória continua X, com função

densidade de probabilidade f ( x ) , é definida por:


E( X) =  x f ( x )dx
−

Variância

Se X é uma variável aleatória contínua, a variância, representada por V( X) é definida por:


 x − E( X) f ( x )dx
2
V( X) =
−

As propriedades da variância para variável aleatória contínua são as mesmas das já

apresentadas para variável aleatória discreta.

Exemplo1: Seja X uma variável contínua com função densidade de probabilidade dada por:
x
f (x) = , 2x6
16
f ( x ) = 0 , para qualquer outros valores.

Qual é o valor esperado e a variância de X?

6
1  x3 
 
6
x 1 6 2 1 3
E( X) =  x dx =  x dx =   = 6 − 2 3 = 4,33
2 16 16 2 16  3
 2  48

 x − E( X) f ( x )dx
2
V( X) =
−

6 x 6 x
V ( X ) =  ( x − 4,33 ) 2 dx =  ( x 2 − 2  4,33 x + 4,33 2 ) dx
2 16 2 16
6 6 6
6 x 3 8,66 2 18,7489 x 1 x4  8,66  x 3  18,7489  x 2 
V( X) = ( − x + ) dx =   −   +  
2 16 16 16 16  4  16  3  16  2 
2 2 2

52
 1  6 4 − 2 4  8,66  6 3 − 2 3  18,7489  62 − 22 
V( X) =  −  +  
16  4  16  3  16  2 

1 1280  8,66  208  18,7489  32 

V( X) = − +
16  4  16  3  16 2
 

V( X) = 1,22

Exemplo 2: Suponha que f ( x) = 0,25 , para 0  x  4 . Determine a média e a variância.

Solução:

a) E( X) =  x f ( x )dx
−

4
x2 
 
4 4
0,25 2
E( X) =  x 0,25dx = 0,25 x dx = 0,25   = 4 − 02 = 2
0 0   0
2 2


b) V( X) =  x − E( X)2 f ( x )dx
−

 3  4 x2 
4 
4 4
 x 4
V( X) =  x − 2 0,25dx = 0,25 ( x 2 − 4x + 4) dx = 0,25    − 4  + 4x 0 
2

  3   2  0 
0 0
  0 

V( X) = 1,33

4.2 DISTRIBUIÇÕES DE PROBABILIDADE CONTINUA

4.2.1 DISTRIBUIÇÃO EXPONENCIAL

Uma v.a. continua X, tem distribuição exponencial se sua função densidade de

probabilidade é dada por:

f ( x) = e −x , x0

A função de distribuição acumulada é dada por:

F( x ) = P( X  x ) =  x0 e −x dx = 1 − e −x , x  0

Portanto: P( X  x) = e −x

Os parâmetros da distribuição são:

1
Média: E( X) =

1
Variância V( X) =
2

53
 Essa distribuição tem papel importante na descrição de uma grande classe de fenômenos,
particularmente nos assuntos relacionados a teoria da confiabilidade.

Exemplo 1: O tempo de vida X (em horas) das lâmpadas elétricas fabricadas por uma
empresa é uma variável aleatória, tendo sua função densidade de probabilidade dada por:

 − 0,002 x , se x  0
f ( x) =  0,002e

0 se x  0

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

Solução:

a)  = 0,002

  
P( X  600) = 600 0,002e −0,002 x = − e −0,002 x 600 = 0 + e −0,002600 = 0,3012


1 1
b) E( X) = = = 500 horas
 0,002

Exemplo 2: A vida média de um satélite é 4 anos, seguindo o modelo exponencial. Seja X

a variável definindo o tempo de vida do satélite. Calcule a P( X  4) .
Solução:
1 1
E( X) = = 4 , portanto,  =
 4
1
− 4
Então, P( X  4) = e − x = e 4 = e −1 = 0,3679 = 36,79 %

4.2.2 DISTRIBUIÇÃO DE WEIBULL

A distribuição de Weibull é frequentemente usada para descrever o tempo de vida de

produtos industriais. A sua popularidade em aplicações práticas deve-se ao fato dela apresentar
uma grande variedade de formas, todas com uma propriedade básica: a sua função de taxa de
falha é monótona, isto é, ela é estritamente crescente, estritamente decrescente ou constante. Ela
descreve adequadamente a vida de mancais, componentes eletrônicos, cerâmicas, capacitores e
dielétricos.

A função densidade de probabilidade da distribuição de Weibull de três parâmetros é dada

por:

f (x) =
  x −  
−1

e
−( )x− 
− 
, para x
−   −  

em que:   0 ,   0 ,   0 .

54
onde:

x é a variável que define o período de vida útil podendo ser expresso em distância percorrida (km),
em número de ciclos (n) ou em tempo de funcionamento (h);
 : é o parâmetro de forma, conhecido também como inclinação da distribuição de Weibull (é um
número puro, isto é, adimensional)
 : é o parâmetro de escala
 : é o parâmetro de posição ou localização.

A função de distribuição acumulada é dada por:

x-γ β
-( )
F(x)=P(X ≤ x)=1-e η-γ , para x > 𝛾

E,
x-γ β
-( )
P(X ≥ x)=e η-γ

Os parâmetros da distribuição são:

 1
Média: E( X) =  + ( −  )  1 +  (tempo médio até a falha, ou MTTF (mean time to failure))
 
1
Mediana: Tmediana =  + ( −  ) ( ln 2) 

  2

 2    1  
Variância: V( X) = ( −  )   1+  −   1+  
2

        

OBS:
(n + 1) = n ! (para n natural) ou (n) = (n − 1) !
De modo geral: (n + 1) = n (n)
1
( ) = 
2

Exemplo:
De um conjunto de dados sobre o tempo de vida X de certo sistema, os parâmetros de uma
distribuição de Weibull são estimados como  = 4 e  = 0,5 , em que X é medido em milhares de

horas, com  = 0 . Determine o seguinte:

a) tempo médio antes de o sistema falhar;

b) P( X  5) ;

c) P( X  10 )

55
Solução:
 1  1 
a) E( X) =  +   1 +  = 0 + 4  1 +  = 4  (3) = 4  2 ! = 8
   0,5 


 x−  5−0
0,5
−   − 
  
b) P( X  5) = e  =e  4  = e −1,118034 = 0,326922  0,3269


 x−   10 − 0 
0,5
−   − 
 
c) P( X  10) = 1 − e  = 1− e  4  = 1 − e −1,5811 = 1 − 0,2057 = 0,7943  0,7943

Frequentemente, o parâmetro de posição não é utilizado, e o seu valor pode ser

considerado como zero. Quando se tem esse caso, a função densidade de probabilidade se reduz
para distribuição de Weibull de dois parâmetros. Há, também, o caso em que se pode reduzir à
distribuição de Weibull de um parâmetro.

A função densidade de probabilidade da distribuição de Weibull de dois parâmetros é dada

por:

  x 
−1
−  x 
f (x) = e  ,
   

onde: x  0 ,   0 ,   0

 : é o parâmetro de forma, conhecido também como inclinação da distribuição de Weibull (é um

número puro, isto é, adimensional)
 : é o parâmetro de escala

Os parâmetros da distribuição são:

 1
Média: E ( X) =  1 + 
 
2
 2   1 
Variância: V ( X) =  1 +  − 2 1 + 
2
     

Exemplo 1: O tempo de falha (em horas) de um mancal em um eixo mecânico é satisfatoriamente

modelado como uma variável aleatória de Weibull, com  = 1 2 e  = 5000 horas.
a) determine o tempo médio até falhar;
b) determine a probabilidade de um mancal durar no mínimo 6000 horas.
Solução:

a) Tem-se que:
 1  1 
E ( X) =  1 +  = 5000  1 +  = 5000   ( 3 ) = 5000  2 = 10 .000 horas
    1 2 

56
b) P ( X  6.000 ) = 1 − P( X  6.000 ) = 1 − F(6.000 )

 1/ 2 
−
6000 
  
P ( X  6.000) = 1 − 1 − e  5000   = e −1,095 = 0,3340
 
 
Exemplo 2: Suponha que a vida de um mancal de rolamento siga uma distribuição de Weibull
com parâmetros  = 2 e  = 10 .000 horas.
a) determine a probabilidade de um mancal durar no mínimo 8.000 horas;
b) determine o tempo médio até haver uma falha de um mancal;
Solução:
a) P ( X  8.000 ) = 1 − P( X  8.000 ) = 1 − F(8.000 )
P ( X  8.000 ) = 0,5273

 1
b) E ( X) =  1 +  = 10 .000  1 +  = 10 .000   ( ) = 10 .000  0,8862 = 8.862 horas
1 3
   2 2

4.2.3 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

É uma das mais importantes distribuições de probabilidades, sendo aplicada em inúmeros

fenômenos e frequentemente utilizada para o desenvolvimento teórico da inferência estatística.
Uma v.a. continua X, tem distribuição normal ou Gaussiana se sua função densidade de
probabilidade é dada por:

2
1 x − 
1 −  
2  
f ( x) = e , x  R,  R ,  R + ,
 2

A função de distribuição acumulada é dada por:

F( x ) = P( X  x ) = x
= x 1 − ( )
1 x − 2
2 
− f ( x)d( x) − e dx
 2

Os parâmetros da distribuição são:

Média: E ( X ) = 

Variância: V ( X ) =  2

Quando se deseja especificar que a variável aleatória X, segue distribuição normal com
média  e variância 2 , usa-se a notação: X ~ N ( ; 2 ) .

A distribuição normal é definida a partir de dois parâmetros, a média  e a variância  2 .

Por exemplo, a curva da distribuição normal f ( x ) para  = 40 e  = 10 , e valores da variável
aleatória no intervalo (10, 70), é mostrada no gráfico a seguir.

57
 Uma das características importantes é que a partir desses dois parâmetros será possível
calcular, por exemplo, a percentagem de valores que deverão estar acima ou abaixo de um
determinado valor da variável aleatória, ou entre esses dois valores definidos etc.

A probabilidade P ( a  X  b ) de a variável aleatória contínua X ser igual ou maior que a

e, ao mesmo tempo, menor ou igual a b , é obtida da área definida pela função f ( x ) entre os
limites a e b , sendo b  a . O cálculo é feito integrando-se a função f ( x ) no intervalo ( a, b ) , que
é bastante trabalhoso.

P( a  X  b ) = b 1 − ( )
1 x − 2
2 
a e dx
 2

Representação Gráfica:

 − 3  − 2  −    +   + 2  + 3

É um gráfico em forma de sino. O seu posicionamento em relação ao eixo das ordenadas

e seu achatamento são determinados pelos parâmetros  e 2 , respectivamente.
A área compreendida entre    é igual a 68,27 % ; entre   2 é igual a 95,45 % e
entre   3 é igual a 99,73%.

Propriedades da distribuição normal:

1. f ( x ) possui um ponto de máximo para X =  ;

2. f ( x ) tem dois pontos de inflexão cujas abcissas valem  +  e  −  ;

58
 3. f ( x ) é simétrica em relação a X =  . E, ainda  = Mo = Md ;
4. f ( x ) tende a zero quando x tende para   (assintótica em relação ao eixo x);

4.2.3.1 DISTRIBUIÇÃO NORMAL PADRONIZADA OU REDUZIDA

A variável normal padronizada Z é obtida através de uma transformação linear da variável
normal X, obtendo-se assim uma escala relativa de valores na qual, a média é o ponto de
referência e o desvio padrão, uma medida de afastamento da média.
X− dX
Considere a transformação: Z = , então dZ = .
 
Tem-se:

F( x ) =
1 x − ( )
1 x − 2
dx
− e 2 

2 

Utilizando a transformação será:

1
1 z − (z) 2
F( z) = −  e 2 dz , que é a função de distribuição acumulada para a variável normal
2

reduzida.
Os parâmetros da distribuição são:
Média: E ( Z ) = 0
Variância: V ( Z ) = 1
Gráfico da distribuição normal padrão:
f(z)

Exemplo 1: O diâmetro de um eixo de um dispositivo ótico de armazenagem é normalmente

distribuído, com média 0,2508 polegadas e desvio padrão de 0,0005 polegadas. As especificações
do eixo são 0,2500  0,0015 polegada. Que proporção de eixo obedece às especificações?

 = 0,2508

 = 0,0005
P (0,2485  X  0,2515 ) = ?

59
 0,2485 − 0,2508
Z1 = = −4,6
0,0005

0,2515 − 0,2508
Z2 = = 1,4
0,0005

P (0,2485  X  0,2515 ) = P ( −4,6  Z  1,4) = 0,9192 - 0,0000 = 0,9192 = 91,92%

Exemplo 2: O diâmetro de um cabo elétrico é normalmente distribuído com média 0,8 mm e

variância 0,0004 mm2. Dentre uma amostra de 1.000 cabos, espera-se que quantos tenham
diâmetro menor que 0,78 mm?

 = 0,8

 2 = 0,0004 =>  = 0,02

0,78 − 0,8
Z= = −1 => P( Z  −1) = 0,1587
0,02

n = 1.000  0,1587 = 158,7

4.2.4 DISTRIBUIÇÃO  2 ( QUI-QUADRADO)

A função densidade da distribuição “  2 ” com  graus de liberdade é dada por:

f x ( 2 ) = 2
1
  
( )(  2)−1 e 
2 − 2 2
, 2  0 ,
(2)  
 2 

Os parâmetros da distribuição são:

Média E( 2 ) = 
Variância V( 2 ) = 2 

Diz-se que  2 segue uma distribuição qui-quadrado com parâmetro  . O parâmetro  é

chamado de graus de liberdade da distribuição.
Quando se deseja indicar que uma variável  2 segue uma distribuição qui-quadrado com
 graus de liberdade, usa-se a notação:

2 ~ 2 (  ) ou  2 ~  2 .

Esta distribuição possui numerosas aplicações em inferência estatística. Dentre as

aplicações da Distribuição Qui-quadrado cita-se a construção de intervalos de confiança para
variâncias e testes de hipóteses.

Utilização da distribuição  2

Determinar os valores de  2 tais que:

a) P (0   2   32 ) = 0,975

60
 Deseja-se obter o valor de  32 de maneira que, abaixo dele se encontrem a área
correspondente a 97,5%.
O valor é igual a:  32 = 9,3484

b) P ( 2  10
2
) = 0,900

Neste caso, o valor de  10

2
é o limite inferior da área que compreende 90% da distribuição
qui-quadrado.
O valor é igual a:  10
2
= 4,8652 .

4.2.5 DISTRIBUIÇÃO “ t ” DE STUDENT

A função densidade da distribuição “t” com  graus de liberdade é dada por:

 ( + 1)  (  +1)
  −
 2   t 2  2
f (t) = 1+ , t R ,
     
   
 
2

Os parâmetros da distribuição são:

Média: E( t ) = 0

Variância: V(t ) = para   2 , onde o parâmetro  é o número de graus de liberdade
−2
da distribuição.

A distribuição t é simétrica em relação a t = 0 , sendo que, quando → ela tende para
uma distribuição normal com média 0 e variância 1 (distribuição normal padronizada). O único
parâmetro  que a define e caracteriza a sua forma é o número de graus de liberdade (número
de observações livres para variar). Quando se deseja indicar que uma variável aleatória t segue
uma distribuição t de Student com  graus de liberdade, usa-se a seguinte notação t ~ t (  ) ou
t ~ t .

Dentre as utilizações da Distribuição t, citam-se os testes de hipóteses e intervalos de

confiança para amostras pequenas (n  30 ) e testes de hipóteses para coeficiente de correlação
amostral.

Utilização da distribuição t de Student

Determinar os valores de t  , tais que:

a) P ( t  t 5 ) = 0,05

Deseja-se obter o valor de t 5 tal que abaixo dele se encontrem 5% da área da distribuição.

O valor é igual a: t 5 = −2,0150

61
b) P ( t  t 8 ) = 0,10

Deseja-se obter o valor de t 8 tal que acima dele se encontrem 10% da área da distribuição.

O valor é igual a: t 8 = 1,3968

4.2.6 DISTRIBUIÇÃO F DE SNEDECOR

A função densidade da distribuição “F” com 1 e  2 graus de liberdade é dada por:

1 
  ( 1 +  2 ) 1 1
−1
 2    1  2 F 2
f (F) =   , F  0,
      1+  2 
 1  2   2 
 1   2 
 2   2  1 +
 2 
F


Os parâmetros da distribuição são:

ν2
Média: E(F) = , ν2 > 2
ν2 −2

2ν22 (ν1 +ν2 −2)

Variância: V(F) = , ν2 > 4
ν1 (ν2 −2)2 (ν2 −4)

A distribuição F de Snedecor depende de dois parâmetros, 1 e  2 , denominados,

respectivamente, de graus de liberdade do numerador e denominador.
Quando se deseja indicar que a variável aleatória F segue uma distribuição F de Snedecor
com 1 e  2 graus de liberdade, respectivamente no numerador e denominador, usa-se a
notação
F ~ F(1 ,  2 ) ou F ~ F1 , 2

Dentre as aplicações da Distribuição F é possível citar a análise de variância (ANOVA) e

análise de regressão.

Utilização da distribuição F

Determinar os valores de F1 , 2 , tais que:

a) P  F  F(6, 10 )  = 0,01
Deseja-se obter o valor de F6 ,10 tal que abaixo dele estejam 1% da área da distribuição.

F(6, 10 ) = 5,39

b) P  F  F(3, 5)  = 0,05

Deseja-se obter o valor de F3 , 5 tal que acima dele estejam 5% da área da distribuição.

F(3, 5) = 5,4095

62
LISTA DE EXERCÍCIOS NO. 4 – DISTRIBUIÇÕES DE PROBABILIDADE CONTÍNUA

1. O tempo de operação de uma máquina de embalagem de frascos sem interrupção para

manutenção, tem distribuição exponencial com média igual a duas horas. Qual a probabilidade
dessa máquina conseguir operar mais de uma hora sem interrupção?

2. Suponha que um componente eletrônico tenha um tempo de vida X (em unidades de 1.000
horas) que é considerado uma variável aleatória com função densidade de probabilidade
f ( x ) = e − x , x  0 . Qual é a probabilidade de x  0,9 ?

3. O tempo (em horas) necessário para reparar uma máquina é uma variável aleatória
exponencialmente distribuída com parâmetro  = 1/ 2 . Determine a probabilidade de que o tempo
de reparo exceda duas horas.

4. Suponha que uma variável aleatória X seja distribuída como Weibull, com parâmetros  = 250
,  = 0,25 , e parâmetro  = 0 .
a) calcular a média e a variância da variável aleatória X.
b) calcular a probabilidade P(5000  X  7000 ).

5. Suponha que o tempo de vida X (anos) de um amortecedor de carro tenha distribuição de

Weibull, com  = 1 ,  = 0,4 .

a) qual é a vida esperada de tal amortecedor?

b) qual é a probabilidade de que tal amortecedor esteja funcionando depois de 10 anos?

6. O diâmetro de uma determinada peça é uma característica da qualidade importante. Sabe-se

que esse diâmetro segue um modelo normal com média 40 mm e desvio padrão 2 mm. Se a
especificação estabelece que o diâmetro deve ser maior que 35mm, qual é a probabilidade de
que a peça produzida satisfaça a especificação?

7. Seja X a variável aleatória que representa os diâmetros dos parafusos produzidos por certa
máquina. Supondo que essa variável tenha distribuição normal com média igual 2 cm e desvio
padrão igual a 0,04 cm. Qual a probabilidade de um parafuso ter o diâmetro com valor entre 2 e
2,05 cm ?

8. A tensão de ruptura (em newtons) de uma fibra sintética é representada por X e distribuída
como N (800,12 2 ) . O controle de qualidade na fabricação da fibra exige uma tensão de no mínimo
772 N. Uma amostra da fibra é randomicamente testada. Qual é a probabilidade de obtermos
P( X  772) ?

9. Suponha que as frequências indesejáveis para um determinado sinal elétrico tenham uma
variação normal com média 60 Hz e desvio padrão 15 Hz.
a) Qual a probabilidade desse sinal elétrico possuir componentes entre 40 e 70 Hz devido a essas
frequências indesejáveis?
b) Qual a maior frequência do sinal para que a probabilidade de contaminação por frequências
indesejáveis seja de 10%?
63
10. A vida média de certo aparelho é de oito anos, com desvio padrão de 1,8 ano. O fabricante
substitui os aparelhos que acusam defeito dentro do prazo de garantia. Se ele deseja substituir
no máximo 5% dos aparelhos que apresentem defeito, qual deve ser o prazo de garantia?

11. Um processo industrial produz peças com diâmetro médio de 2,00” e desvio padrão de 0,01”.
As peças com diâmetro que se afaste da média por mais de 0,03” são consideradas defeituosas.
Admitida a normalidade:
a) qual a percentagem das peças defeituosas?
b) qual a percentagem de peças perfeitas?
12. Uma empresa usa anualmente milhares de lâmpadas elétricas, que permanecem acesa
continuamente, dia e noite. A vida de uma lâmpada pode ser considerada uma variável aleatória
normal, com média de 50 dias e desvio padrão de 15 dias. Em 1º de janeiro a companhia instalou
8.000 lâmpadas novas. Aproximadamente quantas deverão ser substituídas em 1º de fevereiro?

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

64
 NOÇÕES DE AMOSTRAGEM E DISTRIBUIÇÕES AMOSTRAIS

5.1 INTRODUÇÃO

 Razão para se trabalhar com amostras:

 menor custo;
 redução do tempo e de mão-de-obra para a realização da coleta de dados;
 maior confiabilidade e qualidade dos dados;
 facilidade na realização dos trabalhos.

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

▪ amostragem probabilística  Todos os elementos da população têm probabilidade

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

 É possivel utilizar as técnicas de Inferência Estatística.

5.2 AMOSTRAGEM PROBABILÍSTICA

Algumas técnicas de amostragem probabilística:

5.2.1 AMOSTRAGEM ALEATÓRIA SIMPLES (AAS)

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

Exemplo: Foram produzidos 500 anéis de pistão em certo processo de produção. Deseja-se obter
uma amostra de 30 anéis de pistão deste processo.
Utilizando processo aleatório simples com reposição:
1) enumerar os anéis de pistão de 1 a 500;
2) todos os anéis terão a mesma probabilidade de compor a amostra, igual a 0,2%;
3) gerar 30 números aleatórios ou selecionar 30 números utilizando tabelas de números aleatórios;
4) os anéis que comporão a amostra serão aqueles correspondentes aos números aleatórios;

290 271 211 4 456 451 389 487 397 410

473 143 381 217 128 465 457 174 160 157
206 369 155 285 421 239 454 341 424 289

65
 No excel:

ALEATÓRIO()*(b-a)+a onde a=1; b=500

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

5.2.2 AMOSTRAGEM SISTEMÁTICA

 os elementos da população estão ordenados e a retirada das unidades amostrais é feita

sistematicamente;
 a cada dez itens produzidos, em uma linha de produção, retirar um para compor a amostra
da produção diária.

Considerando o exemplo dos anéis de pistão: os anéis estão enumerados de 1 a 500.

n 30 1
f= = = (fração amostral)
N 500 17

1) gera-se ou seleciona-se um número aleatório entre 1 e 17;

2) O número gerado foi 11. Para obter os demais elementos, soma-se sempre 17, até completar
o tamanho da amostra.

No excel:

ALEATÓRIO()*(b-a)+a onde a=1; b=17

11 28 45 62 79 96 113 130 147 164

181 198 215 232 249 266 283 300 317 334
351 368 385 402 419 436 453 470 487 4

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

5.2.3 AMOSTRAGEM ESTRATIFICADA

 A população pode ser dividida em subgrupos (estratos);

 Esse processo pode gerar amostras bastante precisas;
 A estratificação é usada principalmente para resolver alguns problemas como a melhoria da
precisão das estimativas.
 Quando a variável em estudo apresenta um comportamento heterogêneo entre os diferentes
estratos, convém que o sorteio dos elementos da amostra leve em consideração tais
estratos.
 A amostragem estratificada pode ser: proporcional, uniforme e de Neyman.

Exemplo:

Dada a população de 5.000 operários de uma certa indústria automobilística, selecionar

uma amostra proporcional estratificada de operários para estimar seu salário médio. Usando a

66
variável critério “cargo” para estratificar essa população, e considerando amostra total de 250
operários, chega-se ao seguinte quadro:
QUADRO 6 – POPULAÇÃO TOTAL, PROPORÇÃO E TAMANHO DA AMOSTRA SEGUNDO
CARGO
CARGO POPULAÇÃO PROPORÇÃO AMOSTRA
Chefes de seção 500 0,10 25
Operários especializados 1.500 0,30 75
Operários não especializados 3.000 0,60 150
TOTAL 5.000 1,00 250

5.3 DISTRIBUIÇÕES AMOSTRAIS

Ao retirar uma amostra aleatória de uma população, está-se considerando cada valor da
amostra como um valor de uma variável aleatória cuja distribuição de probabilidade é a mesma
da população, no instante da retirada desse elemento para a amostra.
Em consequência do fato de os valores da amostra serem aleatórios, decorre que qualquer
quantidade calculada em função dos elementos da amostra, também será uma variável aleatória.
Os parâmetros são valores teóricos correspondentes à população e as estatísticas são
funções dos valores amostrais.
As estatísticas, sendo variáveis aleatórias, terão alguma distribuição de probabilidade, com
uma média, variância, etc. A distribuição de probabilidade de uma estatística chama-se,
comumente, distribuição amostral ou distribuição por amostragem.

5.3.1 DISTRIBUIÇÃO AMOSTRAL DE MÉDIAS

O parâmetro  é um valor único e desconhecido. A estatística X é um valor conhecido,
porém, pode variar de amostra para amostra. Se forem retiradas diferentes amostras aleatórias
de mesmo tamanho, as médias das diferentes amostras não deverão ser iguais. Apesar de a
média da população ser a mesma, a média da amostra dependerá de cada amostra.
Com as médias das amostras, é possível construir a distribuição de frequências das
médias das amostras, denominada distribuição amostral, cuja média denomina-se média da
distribuição amostral e seu desvio padrão, erro padrão.
Embora os parâmetros, média e desvio padrão, da população não sejam conhecidos,
considera-se para o exemplo a seguir, como sendo conhecidos.
Seja uma população constituída dos elementos: 2, 5, 7 e 10 , sendo N = 4 . A média e a variância
populacional são:  = 6,00 e  2 = 8,50 .
Considere as possíveis amostras de 2 elementos ( n = 2 ), que podem ser retiradas desta
população.
a) Sem reposição
n
O número de amostras possíveis é dado por k = CN . Então, o número de amostras
possíveis é igual a 6.

67
 QUADRO 7 – AMOSTRAS POSSÍVEIS DE 2 ELEMENTOS RETIRADAS DESSA POPULAÇÃO
SEM REPOSIÇÃO
AMOS- AMOS- AMOS- AMOS- AMOS- AMOS-
AMOSTRAS TRA 1 TRA 2 TRA 3 TRA 4 TRA 5 TRA 6

X1 2 2 2 5 5 7

X2 5 7 10 7 10 10

Média 3,5 4,5 6,0 6,0 7,5 8,5

Observe que a média da amostra depende de cada amostra extraída. Qualquer inferência
realizada sobre a média da população utilizando uma única amostra estará sujeita a alguma
incerteza, pois a média de cada amostra pode ser diferente.

A média das médias amostrais é obtida por:

1k 36
E( X) =  Xi =
k i=1 6

E( X) = 6

A média das médias amostrais ou a média da distribuição amostral coincide com a média da
população. Tem-se, então, a primeira conclusão importante: a média das médias amostrais é a
própria média da população.

A variância das médias amostrais é dada por:

 ( X i − E( X)) =  6,25 + 2,25 + 0 + 0 + 2,25 + 6,25  =

1k 1 17
V( X) = 2
k i=1 6 6

V( X) = 2,83

A variância das médias amostrais é igual à variância da população multiplicada pelo fator:
1 N−n

n N −1

Tem-se então que:

E( X) =  X =  (Média da distribuição amostral de médias)

2 N−n
V( X) =  2X =  (Variância da distribuição amostral de médias)
n N−1

a) Com reposição

O número de amostras possíveis é dado por k = Nn . Então, o número de amostras

possíveis é igual a 16.

68
 QUADRO 8 – AMOSTRAS POSSÍVEIS DE 2 ELEMENTOS RETIRADAS DESSA POPULAÇÃO
COM REPOSIÇÃO
AMOS- AMOS- AMOS- AMOS- AMOS- AMOS- AMOS- AMOS- AMOS-
TRAS TRA 1 TRA 2 TRA 3 TRA 4 TRA 5 TRA 6 TRA 7 TRA 8

X1 2 2 2 2 5 5 5 5

X2 2 5 7 10 2 5 7 10
Média 2,0 3,5 4,5 6,0 3,5 5,0 6,0 7,5
AMOS- AMOS- AMOS- AMOS- AMOS- AMOS- AMOS- AMOS- AMOS-
TRAS TRA 9 TRA 10 TRA 11 TRA 12 TRA 13 TRA 14 TRA 15 TRA 16

X1 7 7 7 7 10 10 10 10

X2
2 5 7 10 2 5 7 10

Média 4,5 6,0 7,0 8,5 6,0 7,5 8,5 10,0

A média das médias amostrais é obtida por:

1k 96
E( X) =  Xi =
k i=1 16

E( X) = 6

A variância das médias amostrais é dada por:

V( X) =
1k
 ( X i − E( X)) =
2 1
 16 + 6,25 + 2,25 + ... + 6,25 + 16  = 68
k i=1 16 16

V( X) = 4,25

A variância das médias amostrais é igual à variância da população multiplicada pelo fator:
1
n

Tem-se então que:

E( X) =  X =  (Média da distribuição amostral de médias)

2
V( X) =  2X = (Variância da distribuição amostral de médias)
n

De forma geral, a forma da distribuição amostral depende da forma da distribuição da

população. Se a distribuição da população for normal N ( ,  2 ) , a distribuição da média amostral
também será normal, seja qual for o tamanho n da amostra. Se a distribuição da população não
for normal, à medida que o tamanho da amostra aumentar, a distribuição da média amostral se
aproximará da distribuição normal.
De acordo com o teorema central do limite, a distribuição das médias de amostras de
tamanho suficientemente grande poderá ser considerada como normal, seja qual for a forma da
distribuição da população.

69
Resumindo:

a) Amostragem com reposição:

E( X) =  X =  (Média da distribuição amostral de médias)

2
V( X) =  X2 = (Variância da distribuição amostral de médias)
n
b) Amostragem sem reposição:
E( X) =  X =  (Média da distribuição amostral de médias)

2 N−n
V( X) =  X2 =  (Variância da distribuição amostral de médias)
n N−1
N−n
onde o fator é denominado de fator de população finita. Evidentemente, tem-se que:
N −1
N−n
lim =1
N→ N −1

TEOREMA CENTRAL DO LIMITE

Em situações onde se tem n →  , é possível aplicar o Teorema Central do Limite. Existem

diversas versões do teorema central do limite. Será apresentada uma das versões.

Teorema Central do Limite (versão i.i.d. em termos da média amostral)

Sejam X 1 , X 2 ,, X n , variáveis aleatórias independentes e identicamente distribuídas (i.i.d.),

tais que E( X i ) =  e V ( X i ) =  2 , ambas finitas. Seja X a média amostral. Então:

X−  X−
Z= = n  ~ N ( 0,1) .
  
2  
n

A aproximação melhora com o aumento do tamanho da amostra.

Se, de uma população com parâmetros ( ,  2 ) for retirada uma amostra de tamanho n
suficientemente grande, a distribuição de X será aproximadamente normal N (  ,  n ) , seja qual
for a forma da distribuição da população.
O teorema central do limite é muito importante, pois permite utilizar a distribuição normal
para realizar inferências da média amostral, seja qual for a forma da distribuição da população.

5.3.2 DISTRIBUIÇÃO AMOSTRAL DE PROPORÇÕES

Seja uma população tal que, a probabilidade de sucesso de certo evento é p e de
insucesso é q = 1 − p . Para cada amostra de tamanho n , pode-se determinar o número k de
k
sucesso e como consequência, a frequência relativa ou proporção dada por fr = p̂ = .
n
O conjunto de frequências relativas calculadas para as amostras constitui a distribuição
amostral das proporções ou de frequências relativas.

70
 A média e o desvio padrão da distribuição amostral de proporções são apresentados a
seguir, considerando-se amostras sem e com reposição.

a) Com reposição

 p̂ =p (média da distribuição amostral de proporções)

pq
p̂ = (desvio padrão da distribuição amostral de proporções)
n

b) Sem reposição

 p̂ =p (média da distribuição amostral de proporções)

pq N − n
p̂ =  (desvio padrão da distribuição amostral de proporções)
n N −1

Para amostras suficientemente grandes, a distribuição amostral das proporções, que

segue distribuição binomial, poderá se aproximar de uma distribuição normal de mesma média e
mesma variância. Na prática, considera-se a amostra grande para n  30 e p próximo de 0,5.

5.3.3 DISTRIBUIÇÃO AMOSTRAL DA VARIÂNCIA

(n − 1) S 2
A estatística  2 = , segue uma distribuição qui-quadrado com  = n −1 graus de
2
liberdade. Sendo que S 2 é a variância amostral, dada por:

1 n
S2 =  ( x i − X)
2
n − 1 i=1

A partir da expressão da expressão de estatística  2 , tem-se que:

S2 =
2 2 , com n−
2
1
(n − 1)

ou seja, S 2 segue uma distribuição 2 , com  = n − 1 graus de liberdade.

Tem-se para a distribuição amostral da variância S 2 que:

E ( S2 ) =  2
2 4
V ( S2 ) =
n −1

71
 ESTIMAÇÃO DE PARÂMETROS

6.1 INTRODUÇÃO

Inferência estatística  tem como objetivo fazer generalizações sobre uma população, com base
nos dados amostrais.

Inferência estatística  divide-se em duas grandes áreas: estimação e teste de hipóteses.

Pontual
Estimação
Inferência Por intervalo
Estatística
Teste de Hipóteses

Estimação  o objetivo é fornecer informações sobre os parâmetros populacionais, tendo como

base uma amostra aleatória extraída da população de interesse.
Estatística  qualquer quantidade calculada em função dos elementos da amostra.

Distribuição amostral ou distribuição por amostragem  distribuição de probabilidade de uma

estatística.

6.2 ESTIMADOR E ESTIMATIVA

Estimador  quantidade calculada em função dos elementos amostrais, que será utilizada no
processo de estimação do parâmetro de interesse.
Principais métodos de obtenção de estimadores:
Método dos momentos;
Método da máxima verossimilhança;
Método dos mínimos quadrados;

Estimativa  valor numérico obtido pelo estimador numa determinada amostra.

6.3 QUALIDADES DE UM ESTIMADOR

a) Não tendencioso ou não viesado

Um estimador ̂ é não tendencioso ou não viesado quando a sua média (ou esperança ou
expectância) é o próprio valor do parâmetro populacional  que está se pretendendo estimar, ou
seja: E( ˆ ) = 

72
b) Consistência

Um estimador ̂ é consistente se (além de ser não viesado) sua variância tende para zero,
quando n tende para  , isto é:
E( ˆ ) =  e lim V( ˆ ) = 0
n→ 

c) Eficiência
Dados dois estimadores ̂1 e ̂ 2 de um mesmo parâmetro, é mais eficiente aquele que
apresenta menor variância, ou seja:
Se V ( ˆ 1 )  V ( ˆ 2 ) então ̂1 é mais eficiente que ̂ 2 .
Ainda, se ̂1 e ̂ 2 forem ambos não tendenciosos, a eficiência relativa será dado pelo
quociente das respectivas variâncias, ou seja:
V ( ˆ 1 )
.
V ( ˆ 2 )

d) Suficiência

Um estimador é suficiente quando permite obter um resumo das informações trazidas pela
amostra, ou seja, resume os dados sem perder nenhuma informação sobre o parâmetro  .

6.4 ESTIMAÇÃO POR PONTOS

Quando o parâmetro é estimado através de um único valor diz-se que a estimação é por
ponto ou pontual. Por exemplo: X é um estimador pontual da média populacional  ; S 2 é um
estimador pontual da variância populacional 2 ; etc.
6.4.1 ESTIMADOR DA MÉDIA POPULACIONAL

O estimador utilizado é a média aritmética amostral X , sendo um estimador não viesado,

consistente, eficiente e suficiente.
1 n
X =  xi
n i=1

6.4.2 ESTIMADOR DA VARIÂNCIA POPULACIONAL

O estimador utilizado é a variância amostral S 2 . As estimativas obtidas pelas expressões

apresentadas a seguir são não tendenciosas e consistentes.
Quando a média populacional  for conhecida, a estimativa é dada por:
n
 ( x i −  )2
i=1
S2 =
n
E quando a média populacional  for desconhecida, por:
1 n
S2 =  ( xi − X )
2
n − 1 i=1

73
6.4.3 ESTIMADOR DO DESVIO PADRÃO POPULACIONAL

Tem-se que S 2 é um estimador não tendencioso da variância populacional 2 . No

2
entanto, a raiz quadrada de S não é um estimador não tendencioso do desvio padrão
populacional  .
A tendenciosidade de S tende a zero, à medida que aumenta o tamanho da amostra.

6.4.4 ESTIMADOR DA PROPORÇÃO POPULACIONAL

k
O estimador utilizado é a proporção amostral p̂ . A expressão de p̂ é dada por: p̂ = ,
n
onde k é o número de casos favoráveis.

6.5 ESTIMAÇÃO POR INTERVALO

Consiste em construir um intervalo em torno da estimativa por ponto, de tal forma que ele
possua probabilidade conhecida (nível de confiança (1 −  ) ) de conter o verdadeiro valor do
parâmetro.

Seja o parâmetro  , tal que P ( t 1    t 2 ) = 1 −  . Então, tem-se:

t1    t 2  chamado de intervalo de confiança (I.C.)

t1 e t 2  são denominados de limites de confiança

1−   nível de confiança.
A escolha do nível de confiança depende do grau de precisão com que se deseja estimar
o parâmetro. É comum utilizar os níveis de 95% e 99%. Evidentemente, o aumento no nível de
confiança implica no aumento de sua amplitude.

6.5.1 INTERVALO DE CONFIANÇA PARA MÉDIA POPULACIONAL

1) Quando a Variância Populacional  2 é Conhecida

 
P( X − Z 2    X + Z 2 ) = 1− 
n n

onde:

X é a média da amostra;
 é o nível de significância adotado;
Z  2 é o valor de Z da tabela da distribuição “t” para um determinado nível de significância e
graus de liberdade  →  ;
 é o desvio padrão da população;
n é o tamanho da amostra.

A utilização da expressão acima deve atender aos seguintes critérios:

Para amostras pequenas ( n  30 ) , a população deve ser normalmente distribuída;

74
Para grandes amostras ( n  30 ) , não existe a exigência de que a população seja normalmente
distribuída (justificada pelo Teorema Central do Limite), e sendo  desconhecido, pode ser
substituído pelo desvio padrão amostral S .

FIGURA 5 – DISTRIBUIÇÃO NORMAL PADRÃO

1− 

 2  2

− Z 2 Z 2

Exemplos de aplicação:

1) O desvio padrão dos comprimentos de todas as peças produzidas por certa máquina é 2 mm.
Uma amostra de 50 peças produzidas por essa máquina apresenta média igual a 25 mm. Construir
o I.C. de 95% para o verdadeiro comprimento das peças produzidas por essa máquina.

Solução:

 =2
n = 50

X = 25

1 −  = 95% ;  = 5% ; Z  2 = 1,96

Assim, o intervalo de confiança será:

  
P X − Z  2    X + Z 2  = 1− 
 n n

 2 2  FIGURA 1 – DISTRIBUIÇÃO NORMAL

P 25 − 1,96    25 + 1,96  = 95 %
 50 50  PADRÃO

P 24,45 mm    25,55 mm = 95 %

2) Experiência passada indicou que a resistência à quebra de um fio usado na fabricação de

material moldável é normalmente distribuída e que  = 2 psi. Uma amostra aleatória de nove
espécimes é testada e a resistência média à quebra é 98 psi. Encontre um intervalo bilateral de
confiança de 95% para a resistência média à quebra.

75
Solução:

 =2
n=9

X = 98
1 −  = 95% ;  = 5% ; Z  2 = 1,96

  
P X − Z  2    X + Z 2  = 1− 
 n n

 2 2 
P 98 − 1,96    98 + 1,96  = 95 %
 9 9

P 96,69 psi    99,31 psi = 95 %

2) Quando a Variância Populacional  2 é Desconhecida

O estudo que trata de distribuições amostrais ou distribuições de probabilidade de

estatísticas, de pequenas amostras (n<30), é chamado de Teoria das Pequenas Amostras.
A distribuição t de Student, desenvolvida por William Sealy Gosset, é uma distribuição
de probabilidade estatística. Esta distribuição é de fundamental importância para a inferência
estatística, quando o desvio padrão populacional  é desconhecido e trata-se de amostras
pequenas (geralmente n<30).
O intervalo de confiança é obtida através de:

S S
P( X − t 2    X + t 2 ) = 1− 
n n

onde:

X é a média da amostra;
 é o nível de significância adotado;
t  2 é o valor de t da tabela da distribuição “t” para um determinado nível de significância e
 = n − 1 graus de liberdade;
S é o desvio padrão da amostra;
n é o tamanho da amostra.

A utilização do I. C. acima deve obedecer aos seguintes critérios:

Para amostras pequenas ( n  30 ) , a população de onde a amostra foi retirada deve ser

normalmente distribuída;
Para grandes amostras ( n  30 ) , ele pode substituir o I. C. dado pela fórmula em que  é
conhecido, pois, no caso de grandes amostras, a distribuição t de Student se aproxima de uma
distribuição normal padronizada.

76
 FIGURA 6 – DISTRIBUIÇÃO t DE STUDENT

1− 

2 2

−t 2 t 2

Exemplos de aplicação

1) Uma amostra de 20 cabos, produzidos por uma indústria, foram avaliados e medidas as tensões
de rupturas (em kgf). A média e o desvio padrão da amostra são iguais a 762 kgf e 14,4 kgf,
respectivamente. Deseja-se construir o intervalo de confiança de 95% para a tensão média de
ruptura de cabos produzidos pela indústria.
Solução:

n = 20

X = 762
S = 14,4
1 −  = 95% ;  = 5% ;  = n − 1 = 19

t 2 = 2,09

Assim, o intervalo de confiança será dado por:

 S S 
P X − t  2    X + t 2  = 1− 
 n n

 14,4 14,4 
P 762 − 2,09    762 + 2,09  = 1− 
 20 20 

P 755,27 kgf    768,73 kgf  = 95 %

2) A resistência do concreto à compressão está sendo testada por um engenheiro civil. Ele testa
12 corpos de prova e obtém dados abaixo. Construir um intervalo de 95% para a resistência
média.
Dados: X = 2259,92 ; S = 35,57

77
Solução:

n = 12
1 −  = 95%

 = 5%
 = n − 1 = 11
t 2 = 2,20

 S S 
P X − t  2    X + t 2  = 1− 
 n n 

 35,57 35,57 
P 2259 ,92 − 2,20    2259 ,92 + 2,20  = 1− 
 12 12 

P 2.237,33    2.282,51  = 95 %

6.5.2 INTERVALO DE CONFIANÇA PARA DIFERENÇA ENTRE DUAS MÉDIAS POPULACIONAIS

1 E  2

1) Quando as Variâncias Populacionais 12 e 22 são Conhecidas

 12  22 12  22 
P ( X1 − X 2 ) − Z  2 +  (1 −  2 )  ( X1 − X 2 ) + Z  2 +  = 1− 
 n1 n 2 n1 n 2 


onde:

X 1 é a média da amostra 1;

X 2 é a média da amostra 2;

 é o nível de significância adotado;

Z  2 é o valor de Z da tabela da distribuição “t” para um determinado nível de significância e
graus de liberdade  →  ;
 12 é a variância da população 1;
 22 é a variância da população 2;
n1 é o tamanho da amostra 1;
n 2 é o tamanho da amostra 2.

Exemplo de aplicação:
1) Os desvios padrões das durações das lâmpadas elétricas fabricadas pelas indústrias A e B
são, respectivamente, 50 horas e 80 horas. Foram ensaiadas 40 lâmpadas de cada marca e
as durações médias obtidas foram 1.200 horas e 1.100 horas, para A e B, respectivamente.
Construir o intervalo de confiança de 99% para a diferença entre os tempos médios de vida
das lâmpadas de marcas A e B, ou seja,  A −  B .

78
Solução:

 A = 50
 B = 80
n = 40
X A = 1200
XB = 1100
1 −  = 99%

Z  2 = 2,58

O intervalo de confiança (I.C.) de (1 − )100 % para  A − B , será dado por:

 2A  B2  2A  B2
( X A − XB ) − Z  2 +   A −  B  ( X A − XB ) + Z  2 +
nA nB nA nB

50 2 80 2 50 2 80 2
(1200 − 1100 ) − 2,58 +   A −  B  (1200 − 1100 ) + 2,58 +
40 40 40 40

P 61,52 horas   A −  B  138,48 horas  = 99 %

2) Quando as Variâncias Populacionais  12 e  22 são Desconhecidas e Supostamente Iguais

 1 1 1 1 
P ( X1 − X 2 ) − t  2 S p2 ( + )   1 −  2  ( X1 − X 2 ) + t  2 S p2 ( + )  = 1− 
 n1 n 2 n1 n 2 

(n1 − 1) S12 + (n 2 − 1) S 22
sendo que: S p2 =
n1 + n 2 − 2

X 1 é a média da amostra 1;

X 2 é a média da amostra 2;

 é o nível de significância adotado;

t  2 é o valor de t da tabela da distribuição “t” para um determinado nível de significância e
 = n1 + n 2 − 2 graus de liberdade;

S12 é a variância da amostra 1;

S 22 é a variância da amostra 2;
n1 é o tamanho da amostra 1;
n 2 é o tamanho da amostra 2.

Exemplo de aplicação:

Uma amostra de 5 tubos da fábrica A, apresentou os seguintes resultados quanto aos diâmetros
(mm): X A = 45,40 ; S 2A = 1,30

79
E, uma amostra de 6 tubos da fábrica B, apresentou: X B = 44,17 ; S B2 = 1,37 .
Construir o I. C. de 95% para as diferenças entre os diâmetros médios  A − B .
Solução:
nA = 5

nB = 6

1 −  = 95 %
t  2 , com  = n1 + n 2 − 2 graus de liberdade, logo  = 9

t 2 = 2,26

O intervalo de confiança (I.C.) de (1 − )100 % para 1 −  2 , será dado por:

1 1 1 1
(X A − XB ) − t  2 S p2 ( + )   A −  B  ( X A − XB ) + t  2 S p2 ( + )
n A nB n A nB

onde:
(n A − 1) S 2A + (n B − 1) S B2 (5 − 1)(1,30) + (6 − 1)(1,37)
S p2 = = = 1,34
n A + nB − 2 5+6−2

 1 1  1 1
( 45,40 − 44,17) − 2,26 1,34 +    A −  B  ( 45,40 − 44,17) + 2,26 1,34 + 
5 6 5 6

1,23 − 1,58   A −  B  1,23 + 1,58

P - 0,35 mm   A −  B  2,81 mm = 95 %

3) Quando as Variâncias Populacionais  12 e  22 são Desconhecidas e Supostamente

Diferentes

Para a construção do intervalo de confiança para a diferença entre duas médias

populacionais 1 e  2 , com base nos dados amostrais, desconhecendo-se os desvios padrões
populacionais 1 e  2 sendo supostamente diferentes, deve-se fazer uma modificação no teste
t, denominada correção de Aspin-Welch.

 S12 S 22 S12 S 22 
P ( X1 − X 2 ) − t  2 +  1 −  2  ( X1 − X 2 ) + t  2 +  = 1− 
 n1 n 2 n1 n 2 

onde a variável t tem número de graus de liberdade dado por:

=
(w 1 + w 2 )2 S 12 S2
2 2
, onde w 1 = e w2 = 2 (método de Aspin-Welch)
w w n1 n2
1
+ 2

n1 − 1 n 2 − 1

onde:
X 1 é a média da amostra 1;

X 2 é a média da amostra 2;

80
 é o nível de significância adotado;
t  2 é o valor de t da tabela da distribuição “t” para um determinado nível de significância e 
graus de liberdade;
S12 é a variância da amostra 1;
S 22 é a variância da amostra 2;
n1 é o tamanho da amostra 1;
n 2 é o tamanho da amostra 2.

Exemplo de aplicação:

1) Dois operários mediram o tempo (em min) de certa operação industrial, obtendo:

X1 = 12,17 ; X 2 = 15,60 ; S12 = 7,77 ; S 22 = 16,30 ; n1 = 6 ; n 2 = 5

Estimar através de um I.C. de 95% a diferença 1 −  2 , supondo que as variâncias sejam
diferentes.

Solução:

1 −  = 95%
t  2 é o valor de t da tabela da distribuição “t” para um determinado nível de significância e 

graus de liberdade.
(w 1 + w 2 )2 S12 S2
Onde:  = , onde w 1 = e w2 = 2
w 12 w 22 n1 n2
+
n1 − 1 n 2 − 1

S12 7,77
w1 = = = 1,30
n1 6

S 22 16,30
w2 = = = 3,26
n2 5

(1,30 + 3,26) 2
= =7
1,30 2 3,26 2
+
6 −1 5 −1

O intervalo de confiança (I.C.) de (1 − )100 % para 1 −  2 , será dado por:

S 12 S 22 S 12 S 22
( X1 − X 2 ) − t  2 +   1 −  2  ( X1 − X 2 ) + t  2 +
n1 n 2 n1 n 2

7,77 16,3 7,77 16,3

(12,17 − 15,6) − 2,36 +   1 −  2  (12,17 − 15,6) + 2,36 +
6 5 6 5

-3,43 − 5,04   1 −  2  -3,43 + 5,04

P - 8,47 min   1 −  2  1,61 min  = 95 %

81
6.5.3 INTERVALO DE CONFIANÇA PARA A VARIÂNCIA POPULACIONAL
 (n − 1) S 2 (n − 1) S 2 
P  2   = 1− 
   2 12− 2 
2

FIGURA 7 – DISTRIBUIÇÃO  2

f ( 2 )

1− 

 2

 2

12− 2  2 2

Exemplo de aplicação:
Foram realizadas 12 determinações da densidade de certo metal ( g / cm3 ), obtendo-se o
seguinte resultado: S 2 = 0,02
Estimar a variância populacional da densidade através de um intervalo de confiança de
95%.

Solução:

Tem-se então que S 2 = 0,02 . Os valores de  2 tabelados serão:

12− 2 = 3,8157

2 2 = 21,9200

Logo:
(n − 1) S 2 (n − 1) S 2
 2 
 2
2  12−  2

(12 − 1) 0,02 (12 − 1) 0,02

 2 
21,9200 3,8157


P 0,0100   2  0,0577  = 95 %

82
6.5.4 INTERVALO DE CONFIANÇA PARA O DESVIO PADRÃO POPULACIONAL

Considerando a raiz quadrada positiva do intervalo de confiança da variância populacional,

obtém-se o intervalo de confiança de (1 − )100 % para  , dado por:

 (n − 1) S 2 (n − 1) S 2 
P   = 1− 
  2 2 12− 2 

Exemplo de aplicação:

Considerando os resultados obtidos nas determinações da densidade de certo metal ( g / cm3 ),

apresentado no exemplo anterior, estimar o desvio padrão através de um intervalo de confiança
de 95%.

Solução:

(n − 1) S 2 (n − 1) S 2

 2 2 12− 2

(12 − 1) 0,02 (12 − 1) 0,02


21,9200 3,8157

P 0,1002    0,2401  = 95 %

6.5.5 INTERVALO DE CONFIANÇA PARA PROPORÇÃO POPULACIONAL

Para o cálculo do desvio padrão, deve-se estimar a proporção populacional p , utilizando

a estimativa pontual p̂ , assim fazendo q̂ = 1 − p̂ , tem-se:

 p̂  q̂ p̂  q̂ 
P p̂ − Z  2  p  p̂ + Z  2  = 1− 
 n n 

x
onde p̂ = é a proporção amostral (onde x representa o número de casos favoráveis ao evento
n
estudado).

A utilização do I. C. acima deve obedecer aos seguintes critérios:

a) np  5 e n(1 − p)  5 , exigindo assim que a amostra seja grande. Os critérios exigidos estão
teoricamente, de acordo com a aproximação da distribuição binomial à distribuição normal;
b) Quando as condições do item (a) não são obedecidas, a amostra será pequena e a construção
dos intervalos de confiança exige a utilização de uma tabela especial, resultando em I.C. tão
amplos que não tem nenhum valor prático.

Exemplo de aplicação:

Em uma amostra de 200 peças produzidas por certa máquina, verificou-se que 10 eram
defeituosas. Estimar a verdadeira proporção de peças defeituosas produzidas por essa máquina,
utilizando I.C. de 90%.

83
Solução:
n = 200

10
p̂ = = 0,05
200
q̂ = 1 − p̂ = 0,95

Z 2 = 1,64

Substituindo os valores na expressão do I.C., tem-se:

0,05  0,95 0,05  0,95

0,05 − 1,64  p  0,05 + 1,64
200 200

0,0247  p  0,0753

P 2,47 %  p  7,53 % = 90 %

6.6 DIMENSIONAMENTO DA AMOSTRA

O objetivo do dimensionamento de amostras é o de determinar o tamanho mínimo de

amostra que se deve tomar, de maneira que, ao se estimar o parâmetro, o erro seja menor do que
um valor especificado.

6.6.1 ESTIMAÇÃO DA MÉDIA POPULACIONAL

Suponha que se pretende dimensionar o tamanho da amostra para a estimação da média

populacional  , através do I.C. de ( 1 −  )100 % . Em se tratando extração de amostras com
reposição, a precisão é dada pela semi-amplitude do I.C.:

e o = Z 2 ,
n

quando o desvio padrão populacional  é conhecido. E assim,

2
  
n =  Z 
e o 
2


Já, quando se tratar de extração de amostras sem reposição, tem-se:

 N−n
e o = Z 2
n n −1

Z2 2 2N
n=
e 02 (N − 1) + Z2 2 2

Exemplo de aplicação:

Qual o tamanho mínimo da amostra para se estimar a média de uma população cujo desvio padrão
é igual a 10, com confiança de 99% e precisão igual a 4? Supor que a amostragem é obtida:

84
a) com reposição;
b) sem reposição de uma população com 1000 elementos;

Solução:

a) Amostragem com reposição

Tem-se as seguintes informações:

 = 10
e0 = 4

1 −  = 99% , logo  = 1% e Z  2 = 2,58

2
  
n =  Z 
e o 
2

2
 10 
n =  2,58   = 41,6025 = 42
 4 

b) Amostragem sem reposição

 = 10
e0 = 4
N = 1.000
1 −  = 99% , logo  = 1% e Z  2 = 2,58

Z2 2 2N
n=
e 02 (N − 1) + Z2 2 2

2,58 2  10 2  1000
n= = 39,9792 = 40
4 2  (1000 − 1) + 2,58 2  10 2

6.6.2 ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL

Suponha que se pretende dimensionar o tamanho da amostra para a estimação da

proporção populacional p através do I.C. de ( 1 −  )100 % . A precisão é dada pela semi-amplitude
do I.C.:

pq
e0 = Z  2 ,
n

pq
n = Z2 2
e02

Exemplo de aplicação:

Qual o tamanho de amostra suficiente para estimar a proporção de peças defeituosas fornecidas
por certa máquina, com precisão de 0,08 e 99% de confiança, sabendo que essa proporção não
ultrapassa a 0,10?

85
Solução:

p = 0,10

e0 = 0,08

1 −  = 99% , logo  = 1% e Z  2 = 2,58

pq
n = Z 2 2
e 02

2,58 2  0,10  (1 − 0,10 )

n= = 93,6056 = 94
(0,08 ) 2

LISTA DE EXERCÍCIOS NO. 5 - INTERVALOS DE CONFIANÇA

1. A cronometragem (em segundos), de certa operação, obtida em uma amostra, forneceu os

seguintes resultados: n = 11 ; X = 18,27 ; S = 2,49 .

Supondo que o tempo para a execução da operação industrial seja normalmente distribuído,
construir:
a) O I.C. de 95% para a média populacional;
b) O I.C. de 95% para a variância populacional;
c) O I.C. de 95% para o desvio padrão populacional;

2. Um fabricante produz anéis para pistões de um motor de um carro. Sabe-se que o diâmetro
do anel é distribuído normalmente com  = 0,001 milímetro. Uma amostra aleatória de 15 anéis
tem um diâmetro médio de 74,036 milímetros. Construa o intervalo de confiança de 99% para
o diâmetro dos anéis de pistão.

3. Sabe-se que a vida (em horas), de um bulbo de uma lâmpada de 75 W é distribuída

normalmente com  = 25 horas. Uma amostra aleatória de 20 bulbos tem uma vida média de
1.014 horas. Construa um intervalo de confiança de 95% para a vida média.
4. Um engenheiro do setor de pesquisa de um fabricante de pneu está investigando a vida média
do pneu em relação a um novo componente de borracha. Ele fabricou 16 pneus e testou-os
até o final da vida em um teste na estrada. A média e o desvio padrão da amostra são 60.139,7
e 3.645,94 km, respectivamente. Sabendo-se que a vida média do pneu é normalmente
distribuída, encontre um intervalo de confiança de 95% para:
a) a vida média do pneu;
b) o desvio padrão do tempo de vida do pneu.
5. Uma máquina produz bastões metálicos usados em um sistema de suspensão de automóveis.
Uma amostra aleatória de 15 bastões é selecionada e mede-se o diâmetro dos bastões. Os
dados (em milímetro) resultantes são mostrados a seguir:

n = 15 ; X = 8,23 ; S = 0,03

Sabendo-se que o diâmetro dos bastões é distribuída normalmente, pede-se:

a) encontre um intervalo de confiança de 95% para o diâmetro médio dos bastões;
b) encontre um intervalo de confiança de 95% para a variância dos bastões;
c) encontre um intervalo de confiança de 95% para o desvio padrão dos bastões;

86
6. Em uma amostra aleatória de 85 mancais de eixos de manivelas de motores de automóveis,
10 têm um acabamento de superfície que é mais rugoso do que as especificações permitidas.
Consequentemente, uma estimativa pontual da proporção de mancais na população que
10
excede a especificação de rugosidade é 𝑝̂ = 85 =0,12. Construir o intervalo de confiança de 95%
para a proporção populacional.

7. Um fabricante de calculadoras eletrônicas retira uma amostra aleatória de 1200 calculadoras e

encontra 80 unidades defeituosas. Construa um intervalo de confiança de 95% para a
proporção de calculadoras defeituosas na população.

8. Está-se estudando a fração de circuitos integrados defeituosos produzidos em um processo.

Uma amostra de 300 circuitos é testada, revelando 13 defeituosos. Calcular o intervalo de
confiança de 90% para a fração de circuitos defeituosos produzidos pelo processo.

9. Uma empresa vem tendo sérios problemas com sucata e retrabalho, de modo que um de seus
engenheiros de qualidade decide investigar um determinado processo. Uma amostra aleatória
de 150 itens é extraída 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 confiança de 95% para a proporção real de unidades defeituosas naquele
momento. Qual é o intervalo obtido?

10. Dois tipos de plásticos são adequados para uso por um fabricante de componentes
eletrônicos. A resistência à quebra desse plástico é importante. É sabido que 1 =  2 = 1,0 psi.
A partir de uma amostra aleatória de n1 = 10 e n 2 = 12 , obteve-se X1 = 162,5 e X2 = 155,0 psi.
A companhia não adotará o plástico 1, a menos que sua resistência média à quebra exceda
do plástico 2, por no mínimo, 10 psi. Calcule o intervalo de confiança de 95% para a diferença
de médias, supondo que ambas as populações sejam normalmente distribuídas.
11. Duas formulações diferentes de um combustível oxigenado de um motor devem ser testadas
com a finalidade de estudar sua octanagem na estrada. A variância da octanagem na estrada
no caso da formulação 1 é 12 = 1,5 e no caso da formulação 2 é  22 = 1,2 . Duas amostras
aleatórias de n1 = 15 e n2 = 20 são testadas, sendo que as octanagens médias observadas
são X1 = 89,6 e X 2 = 92,5 . Considere normalidade das distribuições. Calcular o intervalo de
confiança de 90% para a diferença na octanagem média (  2 − 1 ) observada na estrada.

12. Diâmetro de bastões de aço, fabricadas em duas máquinas extrusoras diferentes, está sendo
investigado. Duas amostras aleatórias de tamanhos de n1 = 15 e n 2 = 17 são selecionadas e
as médias e variâncias das amostras são 𝑋̅1 = 8,73, 𝑠12 = 0,35, 𝑋̅2 = 8,68 e 𝑠22 = 0,40,
respectivamente. Suponha que 12 =  22 e que os dados sejam retirados de uma população
normal. Construa um intervalo de confiança de 98% para a diferença no diâmetro médio dos
bastões.
13. Duas companhias fabricam um material de borracha para uso em uma aplicação automotiva.
A peça será sujeita a um desgaste abrasivo no campo de aplicação. Assim, decide-se
comparar, através de um teste, o material produzido por cada companhia. Vinte e cinco
amostras de material de cada companhia são testadas em um teste de abrasão, sendo a
quantidade de desgaste observada depois de 1000 ciclos. Para a companhia 1, a média e o
desvio padrão do desgaste na amostra são X1 = 20 miligramas/1000 ciclos e S1 = 2
87
 miligramas/1000 ciclos, enquanto para companhia 2 são X 2 = 15 miligramas/1000 ciclos e
S 2 = 8 miligramas/1000 ciclos. Construa um intervalo de confiança para 95% e 99% para a
diferença de média de desgastes, considerando que as populações são normalmente
distribuídas com variâncias diferentes.

14. Um experimento realizado para estudar várias características de pinos de ferro resultou em
38 observações sobre a resistência de corte (kip) de pinos de 3/8 polegada de diâmetro e 35
observações sobre a resistência de pinos de 1/2 polegada de diâmetro. Os resultados obtidos
foram:
PINOS n X S
Pino diâmetro 3/8 38 6,140 0,9
Pino diâmetro 1/2 35 4,250 1,3

Construir um intervalo de confiança de 98% para diferença entre as resistências médias de

corte, supondo normalidade das duas populações e variâncias distintas.

15. Qual o tamanho mínimo de amostra para se estimar a média de uma população cujo desvio
padrão é igual a 12, com confiança de 95% e precisão igual a 3? Supor que a amostragem é
obtida sem reposição de uma população com 2000 elementos.

16. Qual o tamanho de amostra suficiente para estimarmos a proporção de peças defeituosas
fornecidas por certa máquina, com erro de 0,03 e 99% de confiança, sabendo que a proporção
não ultrapassa de 0,10
17. Determinar o número mínimo de elementos de uma amostra, se desejamos estimar a média
populacional com 95% de confiança e erro amostral de 1, sendo que de uma amostra piloto com
70 elementos obteve-se variância igual a 36.
18. Um fabricante de peças acredita que aproximadamente 5% de seus produtos são defeituosos
se ele deseja estimar a verdadeira porcentagem, com erro de 0,05, com 90% de confiança. Qual
deverá ser o tamanho da amostra a ser retirada?

88
 TESTES DE HIPÓTESES

7.1 ETAPAS PARA TESTES DE HIPÓTESES

Etapas básicas para testar a significância estatística:

1) estabelecer a hipótese nula H0 ;
2) estabelecer a hipótese alternativa H1 ;
3) fixar o nível de significância ;
4) escolher a distribuição de probabilidade adequada ao teste e a partir daí determinar a região
de rejeição da hipótese nula H0 ;
Para a definição da região de rejeição de H0 é necessário considerar a hipótese H1 , uma vez que
é ela que define o tipo do teste, se é unilateral à esquerda, unilateral à direita ou bilateral.
Conforme o tipo do teste identifica-se a área de rejeição de H0 . Genericamente, tem-se:
H0 : T = T0
T  T0 ( teste unilateral à esquerda ) − figura 8
H1 : T  T0 ( teste unilateral à direita ) − figura 9
T  T0 ( teste bilateral ) − figura 10

R.R. Figura 8 R.R.

Figura 9 R.R.
Figura 10

Os pontos -c e c são os pontos críticos, localizados nas tabelas das distribuições das estatísticas
do teste, considerando-se o nível de significância adotado e o número de graus de liberdade em
questão.
5) definir o tamanho da amostra, coletar os dados e calcular o valor da estatística correspondente;
6) rejeitar ou aceitar Ho, avaliando se o valor da estatística, obtida a partir dos dados amostrais,
situa-se na área de rejeição ou na região de aceitação.

7.1.1 NÍVEL DE SIGNIFICÂNCIA

É a probabilidade máxima com a qual se sujeitaria a correr o risco de um erro tipo I.

7.1.2 ERRO ESTATÍSTICO

Dois tipos de erros são possíveis:
Erro tipo I – Rejeitar a hipótese nula quando ela for verdadeira, também denominado erro
alfa (  ).

89
  = P (rejeitar H0 / H0 verdadeira )
Erro tipo II – Não rejeitar a hipótese nula quando ela for falsa, também denominado erro
beta (  ).
 = P (aceitar H0 / H0 falsa )

7.2 TESTES ESTATÍSTICOS PARAMÉTRICOS

7.2.1 TESTE PARA A MÉDIA POPULACIONAL

7.2.1.1 QUANDO A VARIÂNCIA POPULACIONAL  É CONHECIDA

2

Para amostras pequenas ( n  30 ) , a população deve ser normalmente distribuída, e o

desvio padrão populacional  deve ser conhecido. Para grandes amostras ( n  30 ) , não existe
a exigência de que a população seja normalmente distribuída (justificada pelo Teorema Central
do Limite).
Para realizar o teste de hipóteses, as etapas apresentadas na seção 7.1 devem ser
seguidas.
As hipóteses estatísticas são:
H0 :  =  0

   0 ( teste unilateral à esquerda )

H1 :    0 ( teste unilateral à direita )
   0 ( teste bilateral )
Estabelecido o nível de significância  , o valor de Z crítico para este nível de significância
será obtido em uma tabela da variável normal padronizada e, assim, definida a região de rejeição
de H0 . Obtidos os dados amostrais, a estatística do teste é calculada por:

X − 0
Z=

n
onde:
X é a média amostral;
 0 é o valor a ser testado;
 é o desvio padrão populacional;
n é o tamanho da amostra.

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

se situar na região de aceitação.

Exemplos de aplicação:

1) Uma peça ao ser fabricada, foi planejada de tal forma que uma de suas dimensões seja igual
a 10 cm. Conhece-se o desvio padrão do processo produtivo, que é igual a 0,8 cm e sabe-se que
a distribuição das dimensões é normal. Uma amostra de 40 peças forneceu uma dimensão média
90
igual a 10,09 cm. Há interesse em testar se a média populacional é maior que 10 cm, ao nível de
5% de significância.

Solução:
Dados:  = 0,8 cm
n = 40
X = 10,09

As hipóteses estatísticas são: H0 :  = 10

H 1 :   10

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

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

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

Solução:
a) Dados:
 = 5 mm
n = 20
X = 46

As hipóteses estatísticas são:

H0 :  = 43
H1 :   43

A estatística do teste é calculada por:

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

7.2.1.2 QUANDO A VARIÂNCIA POPULACIONAL  2 É DESCONHECIDA

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

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

91
 X − 0
t=
S
n

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

onde:

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

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

Exemplos de aplicação:

1) Uma amostra de 20 peças, retirada de uma população normalmente distribuída, apresenta

diâmetro médio igual a 10,80 cm e desvio padrão igual a 0,9 cm. Pode-se afirmar que o diâmetro
médio da população é superior a 10 cm, ao nível de significância de 1%?

Solução:
Dados:
S = 0,9 cm
n = 20
X = 10,8
As hipóteses estatísticas são:
H0 :  = 10
H1 :   10
A estatística do teste é calculada por:
X − 0 10,8 − 10
t= = = 3,98
S 0,9
n 20

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

2) Um fabricante afirma que a tensão média de ruptura dos cabos produzidos por sua companhia
não é inferior a 500 kgf. Uma amostra de 7 cabos foi ensaiada, obtendo-se os resultados (em Kgf):
X = 485,14 e S = 7,77 . Sabendo-se que a tensão de ruptura é normalmente distribuída, testar a
hipótese de que a média populacional é menor que 500 kgf, utilizando o nível de significância de
5%.
92
Solução:

Cálculo das estatísticas a partir da amostra:

S = 7,77 cm
n=7
X = 485,14
As hipóteses estatísticas são: H0 :  = 500
H1 :   500

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

7.2.2 TESTE PARA A PROPORÇÃO POPULACIONAL

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

As hipóteses estatísticas são:

H0 : p = p 0

p  p 0 ( teste unilateral à esquerda )

H1 : p  p 0 ( teste unilateral à direita )
p  p 0 ( teste bilateral )

Os critérios a serem obedecidos é que np  5 e n(1 − p)  5 , exigindo assim que a amostra seja
grande. Para amostras suficientemente grandes (na prática, n  30 ), a estatística do teste é dada
por:
p̂ − p 0
Z=
p 0  (1 − p 0 )
n
onde:

p̂ é a proporção amostral;
p 0 é o valor a ser testado;
n é o tamanho da amostra.

Estabelecido o nível de significância  , o valor de Z crítico para este nível de significância

será obtido em uma tabela da variável normal padronizada e assim, definida a região de rejeição

93
de H0 . Deve-se rejeitar H0 se o valor de Z calculado situar-se na região de rejeição ou aceitar
H0 se situar-se na região de aceitação.

Exemplos de aplicação:

1) Um fabricante afirma que no máximo 3% das peças produzidas por sua indústria são
defeituosas. Um comerciante comprou 100 peças e verificou que 8 eram defeituosas. Testar a
hipótese de que a proporção de peças defeituosas é superior a 3%, utilizando nível de significância
de 5%.

Solução:
n = 100
8
p̂ = = 0,08
100

 = 5%
As hipóteses estatísticas são:
H0 : p = 0,03
H 1 : p  0,03

A estatística do teste é dada por:

p̂ − p 0
Z=
p 0  (1 − p 0 )
n
0,08 − 0,03
Z= = 2,93
0,03 ( 1 − 0,03 )
100

Z =0,05 = 1,645 (teste unilateral)

Conclusão: O valor de Z calculado é maior que o Z tabelado, portanto, rejeita-se a hipótese H0

de que a proporção de defeituosos é igual a 3%. Logo, a proporção de defeituosos é maior que
3%.

2) Deseja-se determinar se um certo tipo de tratamento para evitar a corrosão é eficiente. O

tratamento é considerado eficiente se mais de 95% dos tubos apresentarem resultado satisfatório.
Em uma amostra de 200 tubos, observou-se que 192 apresentaram resultados satisfatórios. Qual
a conclusão, ao nível de significância de 1%?

Solução:
n = 200
192
p̂ = = 0,96
200

 = 1%

As hipóteses estatísticas são:

94
 H0 : p = 0,95
H1 : p  0,95

A estatística do teste é dada por:

p̂ − p 0
Z=
p 0  (1 − p 0 )
n
0,968 − 0,95
Z= = 0,65
0,95 ( 1 − 0,95 )
200
Z 0,01 = 2,33 (teste unilateral)

Conclusão: O valor de Z calculado é menor que Z tabelado, portanto, aceita-se a hipótese H0 de

que a proporção de tubos que apresentam resultado satisfatório é igual a 95%.

7.2.3 TESTE PARA A VARIÂNCIA POPULACIONAL

Para aplicar o teste para a variância é necessário que a população de onde foi extraída a
amostra seja normalmente distribuída.

As hipóteses estatísticas são:

H0 :  2 =  02

 2   02 ( teste unilateral à esquerda)

H1 :  2   02 ( teste unilateral à direita )
 2   02 ( teste bilateral )

A estatística do teste é calculada por:

(n − 1) S 2
2 =
 02
As regiões de rejeição e aceitação de H0 serão definidas de acordo com o valor crítico
obtido em uma tabela de distribuição  2 , para nível de significância  e n-1 graus de liberdade.
Deve-se rejeitar H0 se o valor de  2 calculado situar-se na região de rejeição ou aceitar H0 se
situar-se na região de aceitação.

Exemplos de aplicação:
1) As chapas de aço, produzidas por uma indústria, têm especificação tal que a variância de suas
espessuras (em mm) não deve ser superior a 0,0009 mm 2. Uma amostra de 30 chapas,
apresentaram espessura média de 3,157 mm e variância igual a 0,00098 mm 2. O que se pode
concluir a cerca da especificação da indústria ao nível de 5% de significância sendo que as
espessuras das chapas têm distribuição normal?

Solução:
n = 30
X = 3,157

95
S 2 = 0,00098
 = 5%
As hipóteses estatísticas são:

H0 :  2 = 0,0009
H1 :  2  0,0009

A estatística do teste é calculada por:

(n − 1) S 2
2 =
 02
(30 − 1) 0,00098
2 = = 31,58
0,0009

As áreas de rejeição e aceitação de H0 encontram-se no gráfico abaixo:

A.A.
.
A.R.
.

42,56

Conclusão: O valor de  2 tabelado é 42,56, logo aceita-se H0 , portanto, conclui-se que 2

não é superior a 0,0009 mm 2.

2) Usuários de uma rede de transmissão de energia elétrica têm reclamado da alta variação na
tensão (desvio padrão de 12 V). A empresa encarregada da transmissão de energia elétrica na
região instalou novos transformadores. Uma amostra de 30 observações forneceu um desvio
padrão de 8V e a distribuição de frequências dos valores da amostra sugere uma distribuição
normal. Há evidência de redução na variação da tensão? Usar  = 5% .

7.2.4 TESTE PARA A DIFERENÇA ENTRE DUAS MÉDIAS POPULACIONAIS

7.2.4.1 QUANDO AS VARIÂNCIAS POPULACIONAIS 12 E  22 SÃO CONHECIDAS

A aplicação do teste requer as seguintes suposições:
1. As duas populações X1 e X 2 devem ser independentes;
2. Ambas as populações devem ser normais.

As hipóteses estatísticas são:

96
 H0 : 1 −  2 = d0

1 −  2  d0 ( teste unilateral à esquerda )

H1 : 1 −  2  d0 ( teste unilateral à direita )
1 −  2  d0 ( teste bilateral )

A estatística do teste é dada por:

( X1 − X 2 ) − d 0
Z=
12  22
+
n1 n2

onde:

X1 é a média da amostra 1;
X 2 é a média da amostra 2;
 12 é a variância da população 1;
 22 é a variância da população 2;
n1 é o tamanho da amostra 1;
n 2 é o tamanho da amostra 2.

Estabelecido o nível de significância  , o valor de z crítico para este nível de significância

será obtido em uma tabela da variável normal padronizada e assim, definida a região de rejeição
de H0 . Deve-se rejeitar H0 se o valor de z calculado situar-se na região de rejeição ou aceitar
H0 se situar-se na região de aceitação.

Exemplos de aplicação:

1) Duas amostras de tubos de aço das marcas A e B foram analisadas e obtidas as resistências
médias, respectivamente de 40 kgf/mm 2 e 35 kgf/ mm2. Conhecendo-se os desvios padrão
populacionais das resistências, de 4 kgf/ mm 2 e 6 kgf/ mm2 , respectivamente, e tamanhos de
amostras iguais a 30, qual a conclusão a respeito das diferenças entre as médias, ao nível de
significância de 5%?

Solução:
1) Dados:
X 1 = 40 ; 1 = 4 ; n1 = 30

X 2 = 35 ;  2 = 5 ; n 2 = 30
 = 0,05
As hipóteses estatísticas são:

H0 : 1 −  2 = 0

H1 : 1 −  2  0

A estatística do teste é dada por:

97
 ( X1 − X 2 ) 40 − 35
Z= = = 3,80
 2
 2
42 62
1
+ 2
+
n1 n2 30 30

Z  / 2=0,025 = 1,96 (teste bilateral)

Conclusão: O valor de Z calculado é igual a 3,80 e valor tabelado é 1,96, portanto, rejeita-se H0
. Logo, as resistências médias das marcas A e B são diferentes.

2) Uma amostra de 100 válvulas da Indústria A tem vida média X A = 1530 h , sendo  A = 100 h .
Uma outra amostra de 70 válvulas da Indústria B, tem vida média XB = 1450 h , sendo  B = 90 h .
Testar a hipótese de que as válvulas da indústria A em relação a B tem duração média superior a
100 h. Utilizar  = 0,01.

Solução:
Dados:
X A = 1.530 ;  A = 100 ; n A = 100

X B = 1.450 ;  2 = 90 ; n 2 = 70
 = 0,01
As hipóteses estatísticas são:

H0 :  A − B = 100

H1 :  A − B  100

A estatística do teste é dada por:

( X A − XB ) − d0 (1.530 − 1.450 ) − 100

Z= = = −1,36
 2
 2
100 2 90 2
A
+ B
+
nA nB 100 70

Z 0,01 = 2,33

Conclusão: Como o valor de Z calculado é igual a -1,36 e o valor tabelado é 2,33, aceita-se H0 .
Logo, a diferença entre as durações médias das válvulas da indústria A e B é igual a 100 h.

7.2.4.2 QUANDO AS VARIÂNCIAS POPULACIONAIS 12 E  22 SÃO DESCONHECIDAS

A aplicação do teste requer as seguintes suposições quando 12 e  22 são desconhecidas:

1. As populações X1 e X 2 devem ser normalmente distribuídas;

2. Os tamanhos de amostras ( n 1 e n 2 ) devem ser pequenos (não exceder 30).

98
a) Quando as Variâncias Populacionais 12 e  22 são Desconhecidas e Supostamente Iguais

As hipóteses estatísticas são:

H0 : 1 −  2 = d0

1 −  2  d0 ( teste unilateral à esquerda )

H1 : 1 −  2  d0 ( teste unilateral à direita )
1 −  2  d0 ( teste bilateral )

A estatística do teste é dada por:

( X1 − X 2 ) − d 0 (n1 − 1) S12 + (n 2 − 1) S 22
t= , onde S p2 =
1 1 n1 + n 2 − 2
S p2 ( + )
n1 n 2

onde:

X1 é a média da amostra 1;
X 2 é a média da amostra 2;
S 21 é a variância da amostra 1;
S 22 é a variância da amostra 2;

n1 é o tamanho da amostra 1;
n 2 é o tamanho da amostra 2.
A determinação da região crítica será com base no valor de t tabelado com  = n1 + n 2 − 2
graus de liberdade e nível de significância  . Deve-se rejeitar H0 se o valor de t calculado situar-
se na região de rejeição ou aceitar H0 se situar-se na região de aceitação.

Exemplo de aplicação:

Dois tipos de soluções químicas foram ensaiados para se determinar os pH. Os resultados obtidos
foram:

X1 = 7,516 ; S 12 = 0,033 ; n1 = 5

X 2 = 7,505 ; S 22 = 0,011 ; n 2 = 6

Testar a hipótese de que não existe diferença entre os pH médios das duas populações, supondo
que os desvios padrões populacionais são iguais. Usar  = 0,05 .

Solução:

X1 = 7,516 ; S12 = 0,033 ; n1 = 5

X 2 = 7,505 ; S 22 = 0,011 ; n 2 = 6
 = 0,05

99
 As hipóteses estatísticas são:

H0 : 1 −  2 = 0

H1 : 1 −  2  0

A estatística do teste é dada por:

( X1 − X 2 ) − d0 (n1 − 1) S12 + (n 2 − 1) S 22
t= , onde S p2 =
1 1 n1 + n 2 − 2
S p2 ( + )
n1 n 2

(5 − 1) 0,033 + (6 − 1) 0,011
S p2 = = 0,021
5+6−2

( 7,516 − 7,505) − 0
t= = 0,13
 1 1
0,021  + 
5 6

O número de graus de liberdade é dado por:  = n1 + n2 − 2 = 5 + 6 − 2 = 9 . Portanto, o

valor de t  2 com  = 9 graus de liberdade é 2,26.

Conclusão: O valor de t calculado é igual 0,13, menor que o valor tabelado, logo, aceita-se H0 .
Conclui-se, portanto, que os pH médios das duas populações são iguais.

b) Quando as Variâncias Populacionais 12 e  22 são Desconhecidas e Supostamente

Diferentes

Quando as variâncias das amostras não forem homogêneas, uma modificação do teste t,
denominada correção de Aspin-Welch deve ser aplicada.

As hipóteses a serem testadas são:

H0 : 1 −  2 = d0

1 −  2  d0 ( teste unilateral à esquerda )

H1 : 1 −  2  d0 ( teste unilateral à direita )
1 −  2  d0 ( teste bilateral )

A estatística do teste é dada por:

( X1 − X 2 ) − d 0
t=
S12 S 22
+
n1 n 2

100
 A determinação da região crítica será com base no valor de t tabelado com

=
(w 1 + w 2 )2 , onde w = S12 e w = S 22 , graus de liberdade e nível de significância  .
1 2
w 12 w 22 n1 n2
+
n1 − 1 n 2 − 1

Tem-se que:

X1 é a média da amostra 1;
X 2 é a média da amostra 2;
S 21 é a variância da amostra 1;
S 22 é a variância da amostra 2;

n1 é o tamanho da amostra 1;
n 2 é o tamanho da amostra 2.

Deve-se rejeitar H0 se o valor de t calculado situar-se na região de rejeição ou aceitar H0

se situar-se na região de aceitação.

Exemplo de aplicação:.

Uma mesma distância foi medida 5 vezes por dois instrumentos (em metros):

Instrumento 1: X1 = 100,46 ; S12 = 0,473 ; n1 = 5

Instrumento 2: X 2 = 100,40 ; S 22 = 0,01; n 2 = 5

Testar a hipótese de que não existe diferença entre os resultados obtidos pelos dois instrumentos.
Utilizar o nível de significância de 5%.

Solução:

X1 = 100,46 ; S12 = 0,473 ; n1 = 5

X 2 = 100,40 ; S 22 = 0,01; n 2 = 5
 = 0,05
As hipóteses estatísticas são:

H0 : 1 −  2 = 0

H1 : 1 −  2  0

A estatística do teste é dada por:

( X1 − X 2 ) − d 0
t=
S12 S 22
+
n1 n 2

101
 A determinação da região crítica será com base no valor de t tabelado com

=
(w 1 + w 2 )2 , onde w = S12 e w = S 22 , graus de liberdade e nível de significância  .
1 2
w 12 w 22 n1 n2
+
n1 − 1 n 2 − 1

(100,46 − 100,40) − 0
t= = 0,19
0,473 0,01
+
5 5

Cálculo de  (graus de liberdade):

S 12 0,473
w1 = = = 0,0946
n1 5
S 22 0,01
w2 = = = 0,002
n2 5

=
(w 1 + w 2 )2 =
( 0,0946 + 0,002) 2
= 4,16  4
2 2
w w 0,09462 0,0022
1
+ 2
+
n1 − 1 n 2 − 1 4 4

Conclusão: O valor de t  2 com  = 4 graus de liberdade é 2,78, logo, aceita-se H0 : 1 −  2 = 0

. Conclui-se que as médias são iguais.

7.2.5 DUAS AMOSTRAS EMPARELHADAS

Este teste deve ser utilizado quando os dados estão relacionados dois a dois de acordo
com algum critério.
O teste t de Student para grupos dependentes é aplicado para comparação das médias de
dois grupos emparelhados, que utiliza para o seu cálculo, a média das diferenças ( d ) entre cada
um dos pares formados pelas duas amostras.
Se n  30 (pares), a suposição explícita de normalidade da população é desnecessária
(Teorema Central do Limite).
As hipóteses a serem testadas:
H0 :  d = d0
 d  d 0 ( teste unilateral à esquerda)
H1 :  d  d 0 ( teste unilateral à direita )
 d  d 0 ( teste bilateral )

A estatística do teste é dada por:

d − d0
t= ,
Sd n
n
 di 1 n 2 2
em que: d = i=1
e S 2d =   di − nd 
n n − 1  i=1 

102
d é a média das diferenças;
d0 é o valor que ser quer testar;
n é o tamanho da amostra.

Se o valor de t calculado situar-se na região de rejeição, rejeita-se H0 e se situar na região

de aceitação, aceita-se H0 .

Exemplo de aplicação: Uma amostra de 7 cabos de aço foi analisada antes e depois de sofrer
um tratamento para aumentar sua resistência (em kgf/mm2). Os resultados obtidos foram:
Antes: 50 54 51 50 55 53 52
Depois: 60 61 57 54 59 58 60
Testar a hipótese de que o tratamento é eficiente, no nível de significância de 5%. Tratar
os dados como emparelhados.
Solução:

As hipóteses a serem testadas:

H0 :  d = 0 ( o tratamento não é eficiente)

H1 :  d  0 ( o tratamento é eficiente)

A estatística do teste é dada por:

n

d − d0  di 1 n 2 2
i =1
t= , em que: d = e S 2d =   di − nd 
Sd n n n − 1  i=1 
7
Tem-se que  di = 44 , logo d = 6,29 , S 2d = 4,84 e S d = 2,20 .
i =1

Assim, a estatística ‘t” será :

d − d0 6,29 − 0
t= = = 7,56
Sd n 2,20 7

Conclusão: O valor de t  com  = 7 − 1 = 6 graus de liberdade é 1,943, logo, rejeita-se H0 : d = 0

. Conclui-se que o tratamento é eficiente.

7.2.6 TESTE PARA IGUALDADE DE DUAS VARIÂNCIAS

Para aplicar o teste para a variância é necessário que a população de onde foi extraída a
amostra seja normalmente distribuída.
As hipóteses estatísticas são:
H0 : 12 =  22

12   22 ( teste unilateral à esquerda)

H1 :  12   22 ( teste unilateral à direita )
12   22 ( teste bilateral )
A estatística do teste é calculada por:

103
 S12
F=
S 22
onde:
S12 é a variância da amostra 1;
S22 é a variância da amostra 2;
n1 é o tamanho da amostra 1;
n 2 é o tamanho da amostra 2.
O valor crítico de F é obtido a partir da tabela da distribuição F, para o nível de significância
 e 1 = n1 − 1 graus de liberdade no numerador e  2 = n 2 − 1 graus de liberdade no
denominador.

Rejeita-se H0 se o valor de F calculado situar-se na região de rejeição ou aceitar H0 se

situar-se na região de aceitação.

Exemplo de aplicação:

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 diferença significativa entre as variâncias das durabilidades dos dois pneus, ao nível
de 10% de significância?
Solução:

As hipóteses estatísticas são:

H0 : 12 = 22
H1 : 12  22
A estatística do teste é calculada por:
S12
F=
S 22

Deve-se, portanto, calcular inicialmente os desvios padrão amostrais:

S12 = 5.800 .000 n1 = 5 1 = n1 − 1 = 4

S 22 = 15.700 .000 n2 = 5  2 = n2 − 1 = 4
S12 5.800 .000
F= = = 0,37
S 22 15 .700 .000

A região de rejeição está representada no gráfico:

104
 A.A.
.
A.R.
A.R.

0,16 6,39

F 2 = F(  2 ; 1; 2 = F( 0,05 ; 4; 4 ) = 6,39

1 1
F1− 2 = F(1− 2 ; 1; 2 ) = = = 0,16
F(  2  2 ;1 ) 6,39

Conclusão: O valor de F calculado está na área de aceitação de H0 , portanto, variâncias das

durabilidades dos dois pneus são iguais.

2) Foram ensaiadas válvulas 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 hipótese de igualdade para as variâncias do tempo de vida das válvulas de marcas A e
B, ao nível de significância de 10%.

Solução:

As hipóteses estatísticas são:

H0 :  2A = B2
H1 :  2A  B2
A estatística do teste é calculada por:
S 2A
F=
S B2

Deve-se, portanto, calcular inicialmente os desvios padrão amostrais:

S2A = 770 nA = 5  A = nA − 1 = 4
2
SB = 17.225 nB = 4  B = nB − 1 = 3

S 2A 770
F= 2
= = 0,04
S B
17 .225

105
 A região de rejeição está representada no gráfico:
F 2 = F(  2 ; 1; 2 ) = F( 0,05 ; 4; 3 ) = 9,12

1 1
F1− 2 = F(1−  2 ; 1;  2 ) = = = 0,15
F(  2 ;  2; 1 ) 6,59

A.A.
.
A.R.
A.R.

0,16 6,39
0,11
0,15 6,59
9,12

Conclusão: O valor de F calculado é igual a 0,04 situando-se, portanto, na área de rejeição de

H0 . Logo, as variâncias do tempo de vida das válvulas de marcas A e B são diferentes.

LISTA DE EXERCÍCIOS NO. 6 – TESTES DE HIPÓTESES

1. Sabe-se que os diâmetros internos de rolamentos usados no trem de pouso de aviões têm
desvio padrão  = 0,009 cm e normalmente distribuídos. Uma amostra aleatória de 15 rolamentos
acusa um diâmetro interno médio de 8,2535 cm. Testar a hipótese de que o diâmetro interno
médio do rolamento é maior que 8,25 cm. Usar  = 0,05 .

2. Deseja-se testar a hipótese de que o diâmetro médio da haste de liga de alumínio, produzidas
em uma máquina de calibragem, é diferente de 0,5025 in. Uma amostra de 25 hastes apresentou
um diâmetro médio de 0,5046 in e desvio padrão de 0,01 in. Utilizar  = 0,05 e supor distribuição
normal.
3. A força média de resistência de uma fibra sintética é uma característica de qualidade de
interesse do fabricante, que deseja testar a hipótese de que a força média é maior que 50 psi,
usando  = 0,05 . O desvio padrão populacional da força de resistência é desconhecido. Uma
amostra de 16 exemplares de fibra é selecionada e são obtidos os seguintes resultados: X = 50,86
; S = 1,66 . Sabe-se que a distribuição da força de resistência é normal.

4. Uma fundição produz cabos de aço usados na indústria automotiva. Deseja-se testar a hipótese
de que a fração de itens não-conformes é menor que 10%. Em uma amostra aleatória de 250
cabos, detectou-se que 24 estavam fora das especificações. Usar  = 0,05 .

5. Em uma amostra aleatória de 80 mancais para virabrequins de automóveis, 15 apresentam o

acabamento de superfície mais áspero do que as especificações permitem. Testar a hipótese de
que a fração de não-conformes é diferente de 0,19, utilizando nível de significância de 2%.

106
 6. Uma amostra aleatória de 500 pinos de hastes de conexão contém 65 unidades não-conformes.
Testar a hipótese de que a verdadeira fração de defeituosos nesse processo é maior que 0,08.
 = 0,01
Usar .

7. Dois catalisadores estão sendo testados para determinar como afetam o rendimento médio de
um processo químico. Especificamente, o catalisador 1 está sendo usado atualmente, mas o
catalisador 2 é aceitável. Como o catalisador 2 é mais barato, ele poderia ser adotado, desde que
não alterasse o rendimento do processo. Um teste é realizado em uma fábrica piloto e os
resultados são apresentados abaixo. Existe alguma diferença entre os rendimentos médios? Usar
 = 0,05 e supor que as populações são normais e as variâncias iguais.
Dados: X1 = 92,26 ; S1 = 1,39 ; n1 = 8 ; X 2 = 92,68 ; S 2 = 1,28 ; n 2 = 8

8. Considerar o exercício anterior supondo que as variâncias populacionais não são iguais.

9. Uma pesquisa apresenta os resultados de uma análise do peso do cálcio no cimento padrão e
no cimento misturado com chumbo. Níveis reduzidos de cálcio são uma indicação de que o
mecanismo de hidratação no cimento está bloqueado, o que permitirá a água atacar vários locais
da estrutura de cimento. Dez amostras do cimento padrão acusaram um peso percentual médio
de cálcio de X1 = 90,0 , com desvio padrão S1 = 5,0 e 15 amostras do cimento misturado com
chumbo apresentaram um peso médio de cálcio de X 2 = 87,0 , com desvio padrão de S 2 = 4,0 .
Testar a hipótese de que 1 −  2 é maior zero, utilizando  = 0,01 e supondo que ambas as
populações são normalmente distribuídos e têm o mesmo desvio padrão.

10. Dois técnicos de controle de qualidade mediram o acabamento da superfície de uma parte de
metal, cujos dados estão apresentados abaixo. Suponha que as medidas sejam normalmente
distribuídas. Testar a hipótese de que as medidas médias do acabamento da superfície obtidas
pelos dois técnicos são iguais. Usar  = 0,01 e supor variâncias iguais.
Dados: X1 = 1,39 ; S 1 = 0,11 ; n1 = 7 ; X 2 = 1,18 ; S 2 = 0,12 ; n 2 = 8

11. Uma nova unidade de purificação é instalada em um processo químico. Antes de sua instalação,
uma amostra aleatória forneceu os seguintes dados sobre a porcentagem de impureza:
X1 = 9,85
S12 = 81,73
n1 = 10
Após a instalação, uma amostra aleatória resultou em:
X 2 = 8,08
S 22 = 78,46
n2 = 8
É possível concluir que o novo aparelho de purificação reduziu a porcentagem média de
impureza? Usar  = 0,05 e supor que as populações são normais e variâncias populacionais
diferentes.

12. Dois tipos diferentes de máquina são usados para medir a força de resistência de uma fibra
sintética. Deseja-se saber se as duas máquinas fornecem os mesmos valores médios da força
de resistência. Oito espécimes de fibra são aleatoriamente selecionados e uma medida da
força é feita sobre cada espécime usando cada uma das máquinas.

107
Testar a hipótese de que não há diferença entre as duas máquinas quanto à força média de
 = 0,05
resistência, .

Observação: Os dados nesse experimento foram emparelhados para evitar que diferenças entre
os espécimes de fibra (que podem ser substanciais) afetem o teste sobre a diferença das
máquinas.

ESPÉCIMES MÁQUINA 1 MÁQUINA 2

1 74 78
2 76 79
3 74 75
4 69 66
5 58 63
6 71 70
7 66 66
8 65 67

13. Um operário realizou uma mesma operação 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 diferença significativa entre as variâncias para os tempos gastos pelos dois equipamentos,
ao nível de 10%? Supor as populações normalmente distribuídas.

14. Foram testadas válvulas 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 válvulas são normalmente
distribuídos, testar a hipótese de que a variância do tempo de vida é menor do que 700, ao nível
de 5% de significância.

108
 TESTES DE ADERÊNCIA

INTRODUÇÃO

O objetivo do teste de aderência é verificar se os dados de uma amostra comportam-se de

acordo com uma distribuição teórica, tais como normal, binomial, Poisson, etc.

8.1 TESTE QUI-QUADRADO DE ADERÊNCIA

Os testes de aderência servem para testar hipóteses mais gerais sobre a distribuição dos
dados. A idéia básica é que, dada uma amostra aleatória de tamanho n, observada de uma
variável aleatória X , deseja-se testar:
H0 : X tem distibuiçã o f 0

H1 : X não tem distibuiçã o f 0

A estatística de teste, chamada de  2 (qui-quadrado), é uma medida de distância entre

as frequências observadas e as frequências esperadas de cada categoria, e é dada pela
expressão:
k (O i − E i ) 2
2 =  , sendo E i obtida através de:
i=1 Ei

Ei = n  pi

onde:
O i é o número de observações ou frequência absoluta observada da classe A i ;
n é o número total de observações;

p i é a probabilidade de obter uma observação na classe A i ;

Sendo verdadeira a hipótese nula, a estatística acima tem distribuição assintótica de Qui-
quadrado com k − p − 1 graus de liberdade (  2; k −p−1), onde k representa o número de classes e
p o número de parâmetros da distribuição da população, estimados a partir da amostra.

Para utilizar este teste tem-se as seguintes regras:

• A dimensão da amostra deve ser não-inferior a 30 ( n  30 );
• A frequência esperada em cada classe deve ser n  5 .
Se esta última condição não prevalecer, o teste pode ainda ser utilizado, embora com
moderada confiança, se não mais de 20% dos valores de Ei forem inferiores a 5 e nenhum for
inferior a 1. Quando tal não se verificar, procuram-se agregar classes adjacentes, de forma a obter
novas classes que satisfaçam esta condição.
2
✓ Se  calc   c2 , aceita-se H0 (Há aderência à distribuição especificada)
2
✓ Se  calc   c2 , rejeita-se H0 (Não há aderência à distribuição especificada).

109
 Gráficamente:

A.A

A.R


 c2
Exemplos de aplicação:
1) Supõe-se que o número de defeitos nas placas de circuito impresso segue a distribuição de
Poisson. Uma amostra de 60 placas impressas foi coletada e observou-se o número de defeitos,
apresentados a seguir.

FREQUÊNCIA
NÚMERO DE
DEFEITOS OBSERVADA
0 32
1 15
2 9
3 4

A forma da distribuição de defeitos é Poisson? Usar  = 0,05 .

Solução:

As hipóteses a serem testadas:

Ho : a forma da distribuição de defeitos é Poisson
H1 : a forma da distribuição de defeitos não é Poisson
É possível obter as probabilidades para cada valor de X.

No. DE NO. DE
DEFEITOS ( x i ) MÁQUINAS
p (X = xi )

0 32 0,53
1 15 0,25
2 9 0,15
3 4 0,07
TOTAL 60 1,00

Tem-se que o número médio de defeitos é dado por:

n
E( X) =  x i p( x i )
i=1
E( X) = 0  0,53 + 1 0,25 + 2  0,15 + 3  0,07 = 0,75

110
 A função de probabilidade da distribuição de Poisson é dada por:

e −  x
P ( X = x) = , onde  é a média.
x!

Tem-se então que:

e −0,75 (0,75 ) 0
P ( X = 0) = = 0,472
0!
e −0,75 (0,75 )1
P ( X = 1) = = 0,354
1!
e −0,75 (0,75 ) 2
P ( X = 2) = = 0,133
2!
P ( X = 3) = 1 − P( X = 2) = 1 − (0,472 + 0,354 + 0,133 ) = 0,041

As frequências esperadas são obtidas pela multiplicação do tamanho da amostra n = 60

pelas probabilidades pi = P ( X = x i ) , ou seja, Ei = n  p i . As frequências observadas e as
esperadas estão apresentadas na tabela abaixo.

FREQUÊNCIA FREQUÊNCIA
NÚMERO DE ESPERADA
DEFEITOS OBSERVADA
0 32 60  0,472 = 28
1 15 60  0,354 = 21
2 9 60  0,133 = 8
3 4 60  0,041 = 3

A estatística do teste é:

n (O − Ei )
2
(32 − 28 ) 2 (15 − 21) 2 (9 − 8) 2 ( 4 − 3) 2
2 =  = + + + = 2,74
i

i =1 Ei 28 21 8 3

O número de graus de liberdade é k-p-1, onde k representa o número de classes e p o

número de parâmetros da distribuição da população estimados a partir da amostra. Assim tem-
se: g.l. = 4 − 1 − 1 = 2
O valor de 2 tabelado com 2 graus de liberdade e 5% de significância é 5,99.

Conclusão:
Como  calc
2
= 2,74 é menor que  02,05; 2 g.l. = 5,99 , aceita-se a hipótese de que a forma da
distribuição de defeitos é Poisson.

2) Foram inspecionados 100 lotes de 3 peças cada um, sendo que o número X de peças
defeituosas por lote segue distribuição abaixo. Testar a hipótese de que a distribuição é binomial,
utilizando  = 0,01 .

No. de defeituosos 0 1 2 3 Total

No. de lotes 65 30 4 1 100

Solução:

111
 O número médio (média ou valor esperado) de válvulas defeituosas observadas é
calculada por:
4
E( X) =  x i p i , logo
i=1

65 30 4 1
E( X) = 0  + 1 + 2 + 3 = 0,41
100 100 100 100

A distribuição binomial é dada por:

P( X = x ) = Cnx p x qn− x , onde p é a probabilidade de uma válvula ser defeituosa.

Tem-se que a média da distribuição binomial é E( X) =  = np (parâmetro da distribuição

binomial), assim, E( X) =  = 3p .
Igualando as duas médias,  = E( X) , tem-se: 3p = 0,41 , portanto, p = 0,14 e
consequentemente, q = 0,86 . Então, a distribuição binomial ajustada é:
P( X = x ) = C 3x (0,14) x (0,86) 3− x

As probabilidades são calculadas através de:

P( X = 0) = C 03 (0,14) 0 (0,86) 3−0 = 0,6361

P( X = 1) = C13 (0,14)1(0,86) 3−1 = 0,3106

P( X = 2) = C 32 (0,14) 2 (0,86) 3−2 = 0,0506

P( X = 3) = 1 − P( X  2) = 0,0027

Foram agrupadas as duas últimas classes, pois a frequência esperada da última classe é
menor do que 1.

As probabilidades, as frequências teóricas e observadas são:

No. DE P( X = x ) FREQ. TEÓRICA ( FREQ. OBS. ( O I )
DEFEITUOSAS ( Ei )
x)

0 0,6361 100x0,6361=64 65

1 0,3106 100x0,3106=31 30

2 0,0533 100x0,0533=5 5

3 (O i − E i ) 2 (65 − 64 ) 2 (30 − 31) 2 (5 − 5) 2

2 =  = + + = 0,05
i=1 Ei 64 31 5

O número de graus de liberdade é k-p-1, onde k representa o número de classes e p o

número de parâmetros da distribuição da população estimados a partir da amostra. Assim tem-
se: g.l. = 3 − 1 − 1 = 1
O valor de 2 tabelado com 1 grau de liberdade e 1% de significância é 6,64.

Conclusão:
Como  calc
2
= 0,05 é menor que  02,01;1g.l. = 6,64 , aceita-se a hipótese de que a forma da
distribuição de válvulas defeituosas é Binomial.

112
8.2 TESTE DE LILLIEFORS

O teste de Lilliefors é utilizado para verificar a aderência dos dados a uma distribuição
normal, sem a especificação de seus parâmetros, ou seja, a média e o desvio padrão são
calculados a partir da amostra.

As hipóteses são:
H0 : a amostra provém de uma população que segue uma distribuição normal
H1 : a amostra não provém de uma população que segue uma distribuição normal

Calcula-se a estatística de teste, D, em termos da amostra em análise:


d = max F( x i ) − S( x i ) , F( x i ) − S( x i−1 ) 
i

Exemplos:

1) Um fabricante de autopeças está para fechar um grande contrato com a montadora. O ponto-
chave é a garantia da qualidade de seus produtos, especialmente do diâmetro (em mm) dos eixos
produzidos, que ele supõe seguir uma distribuição normal. Para realizar o teste, a montadora
selecionou uma amostra aleatória de 15 eixos, para testar as especificações a 5% de significância.
Os valores são 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
Solução:
H0 : a amostra provém de uma população que segue uma distribuição normal
H1 : a amostra não provém de uma população que segue uma distribuição normal

1. Construção da distribuição acumulada da amostra, S( x) :

FREQ.
OBS. xi RELATIVA
S (xi )
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
Média 98,90
Desvio Padrão 3,70

113
2. Construção da função de distribuição acumulada F( x ) , para cada valor de x i . Cada valor de
diâmetro x i pode ser transformado em escore padronizado Z i . Por exemplo:

93,45 − 98,90
x 1 = 93,45  Z1 = = -1,47
3,70

A probabilidade acumulada até cada escore Z é obtida da tabela de áreas sob a curva
normal. Para Z 1 , tem-se:
F( X) = P( X  Z1 ) = 0,0708

3. Cálculo das diferenças absolutas entre as distribuições acumuladas esperadas e observadas,

F( x i ) − S( x i ) e F( x i ) − S( x i−1 ) .
FREQ. S (xi ) F( x i ) − S( x i−1 ) F( x i ) − S( x i )
OBS. xi Zi F( x i )
RELATIVA
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 diferença absoluta é igual a 0,149, logo, d = 0,149 .

5. A distância máxima admissível para n = 15 e  = 5% é dc = 0,220 . Como d  dc , aceita-se
H0 , logo, amostra provém de uma população que segue uma distribuição normal.

2) No controle estatístico de processos, uma suposição fundamental para a utilização de gráficos

de controle de média de Shewhart é de que a distribuição das médias possa ser considerada
normal. Um engenheiro quer saber se é possível aplicar gráficos de controle de médias a um
processo produtivo. Para tanto, que avaliar a aderência das médias de 25 amostras à distribuição
normal. Os valores são:

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 nível de significância de 5%, é possível
usar gráfico de controle de média de Shewhart para monitorar o processo?

114
Solução:
H0 : a amostra provém de uma população que segue uma distribuição normal
H1 : a amostra não provém de uma população que segue uma distribuição normal
FREQ.
OBS. xi RELATIVA
S (xi ) Zi F( x i ) F( x i ) − S( x i−1 ) F( x i ) − S( x 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
média 1,88
DP 2,32

A distância máxima admissível para n = 25 e  = 5% é dc = 0,173 . Como d  dc , rejeita-

se H0 , logo, amostra não provém de uma população que segue uma distribuição normal. Assim,
não é possível utilizar o gráfico de controle de média.

LISTA DE EXERCÍCIOS NO. 7 – TESTES DE ADERÊNCIA

1. As taxas de octanagem de combustível para motor, de várias misturas de gasolina foram

obtidas. A média e o desvio padrão amostral são 90,59 e 3,18, respectivamente. A distribuição de
freqüências encontra-se a seguir:

TAXAS DE
fi
OCTANAGEM
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

115
Verificar se amostra da taxa de octanagem provém de uma distribuição normal, utilizando nível de
significância de 5%.
2. O tempo necessário para se realizar certa operação industrial foi cronometrado (em segundos),
sendo feita 50 determinações. A média e o desvio padrão amostral são 46,32 e 7,44. A
distribuição de frequências encontra-se a seguir:

TEMPO
fi
(segundos)
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 necessário para realizar a operação provém de uma distribuição
normal, utilizando  = 0,01.

116
 ANÁLISE DA VARIÂNCIA

Introdução

O objetivo da análise da variância, conhecida como ANOVA, é comparar k médias

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

9.1 FUNDAMENTOS DA ANOVA

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

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

Na aplicação deste método, supõe-se que as populações são normalmente distribuídas e as

variâncias populacionais iguais (homocedasticidade), ou seja:
12 = 22 = ... = k2 = 2

Sejam as k amostras extraídas das populações, cujas médias serão testadas. A partir
dessas amostras, é possível estimar a variância  2 de três maneiras, conforme apresentados a
seguir.
POPULAÇÃO 1 POPULAÇÃO 2 POPULAÇÃO k
1 2 K
 2
 2
 2

AMOSTRA 1 AMOSTRA 2 AMOSTRA k

n1 n2  nk

1) Variância Total ( S 2t )

Consiste em estimar a variância  2 considerando todas as k amostras reunidas em uma

única amostra, o que é possível em função da suposição de que as variâncias populacionais são
todas iguais a  2 .

117
 Essa variância é estimada através de:

k nj
  ( xi j − X )
2
j=1i=1
S 2t =
N −1

Onde:
j é o número de amostras, j = 1, 2,...,k ;

i é o número de elementos de cada amostra, i=1, 2, …, nj ;

x i j é o i-ésimo elemento da j-ésima amostra;
k
N =  n j é o número total de elementos;
j=1

k nj
  xi j
j=1i=1
X= é a média de todas as amostras.
N
O numerador é denominado de Soma de Quadrados Total (SQT), então tem-se:
k nj
SQT =   ( x i j − X ) 2
j=1i=1

2) Variância entre Amostras ( S2e )

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

k nj
 ( Xj − X )
2
j=1i=1
S 2e =
k −1
Onde:
nj
 xi j
i=1
Xj = é a média da j-ésima amostra (j=1,2,...,k)
nj

nj é o tamanho de cada amostra.

Esta variância ( S2e ) é também chamada de Quadrado Médio Entre Amostras (QME).
O numerador é denominado de Soma de Quadrados entre Amostras (SQE), então tem-
se:
k nj
SQE =   ( X j − X ) 2
j=1i=1

3) Variância Residual (ou Variância dentro)

Consiste em estimar as variâncias dentro de cada amostra e em seguida estimar um único

valor para  2 , por meio da combinação dessas k variâncias. Esta variância ( Sr2 ) é chamada
também de Quadrado Médio Residual (QMR).

118
 Para uma amostra qualquer j, a estimativa da variância é dada por:
nj
 ( xi j − X j )
2
i=1
S 2j =
nj −1

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

k nj
  ( xi j − X j )
2
j=1i=1
Sr2 =
N−k
O numerador é denominado de Soma de Quadrados Residual (SQR), logo:
k nj
SQR =   ( x i j − X j ) 2
j=1i=1

Onde:

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

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

SQR = SQT − SQE

9.2 ANÁLISE DA VARIÂNCIA A UM CRITÉRIO DE CLASSIFICAÇÃO

Neste modelo, os elementos observados são classificados segundo um critério, ou seja,

existe apenas uma característica de interesse a ser testada.

As etapas para a realização da ANOVA:

a) Formulação das hipóteses:

H0 : 1 =  2 = ... =  k = 

H1 : pelo menos uma média  i   ;

b) Fixar o nível de significância  ;

c) Determinar a região de rejeição (R.R.);

R.A.

1−   R.R.

119
 O teste será sempre unilateral. O valor crítico de F será obtido para nível de significância
 e ( k − 1) e ( N − k ) graus de liberdade, no numerador e denominador, respectivamente.

d) Cálculo da estatística F

A estatística F é calculada através de:

S 2e
F=
S r2

e) Quadro da Análise da Variância

QUADRO DA ANÁLISE DE VARIÂNCIA - ANOVA

FONTE DE SOMA DE QUADRADOS
G.L F
VARIAÇÃO QUADRADOS MÉDIOS
SQE
Entre amostras SQE k −1 S 2e = QME =
k −1
S 2e QME
S r2 = QMR =
SQR F= =
Residual SQR N−k S re QMR
N−k

Total SQT N −1

f) Conclusão

Se F  F ( k − 1, N − k ) , rejeita-se hipótese H0 , caso contrário, aceita-se H0 .

Exemplos da aplicação:

1) Verificou-se os índices de produção, segundo os postos de trabalho, durante certo período.

Analisar se há diferença nos índice de produção, devido aos postos de trabalho. Usar  = 0,05 .
POSTOS DE INDICES DE PRODUÇÃO (%)
TRABALHO
A 90,8 100,0 81,1
B 85,5 83,0 73,7
C 65,9 77,1 68,5

Solução:

a) As hipóteses a serem testadas:

H0 :  A = B =  C = 
H1 : pelo menos uma média i  
b) Cálculo da Soma de Quadrados Total (SQT)
Tem-se que a soma de quadrados total é dada por:
k nj
SQT =   ( x i j − X ) 2
j=1i=1

120
 Logo, faz-se necessário calcular inicialmente a média do conjunto de todas as amostras
(X) .

SOMAS
POSTOS DE n MÉDIAS
INDICES DE PRODUÇÃO (%) ( x i j )
TRABALHO (  xi ) ( Xj)
i=1
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

k nj
  xi j
j=1i=1
A média do conjunto de todas as amostras será:

k nj
  xi j
j=1i=1 725,6
X= = = 80,62
N 9

Então, tem-se:

SQT = ( 90,8 − 80,62 ) 2 + (100 ,0 − 80,62 ) 2 + (81,1 − 80,62 ) 2 +  + (77,1 − 80,62 ) 2 + (68,5 − 80,62 ) 2

SQT = 932,78

c) Soma de Quadrados entre Amostras (SQE)

k nj
SQE =   ( X j − X ) 2
j=1i=1

SQE = 3  (90,63 − 80,62) 2 + 3  (80,73 − 80,62) 2 + 3  (70,5 − 80,62) 2

SQE = 607,88
d) Cálculo da Soma de Quadrados Residual (SQR)

SQR = SQT − SQE

SQR = 932,78 - 607,88 = 324,90

e) Quadro da ANOVA

QUADRO DA ANÁLISE DE VARIÂNCIA - ANOVA

FONTE DE SOMA DE QUADRADOS MÉDIOS
G.L F
VARIAÇÃO QUADRADOS
607,88
Entre amostras SQE = 607,88 2 QME = = 303,94
2
Dentro da 324,90 F = 5,61
SQR = 324,90 6 QMR = = 54,15
amostra (residual) 6
SQT = 932,78 8
Total

121
 O valor de F tabelado é: F0,05; 2; 6 = 5,14

f) Conclusão: Como F  F0,05; 2; 6 , rejeita-se a hipótese Ho de que os índices médios de produção

são iguais segundo os diferentes postos de trabalho.

2) Em uma indústria, quatro operários executam uma mesma operação. Com o objetivo de
identificar se existe diferença entre os tempos gastos para executar a operação mencionada,
foram realizadas as seguintes observações desses tempos (em segundos):
Operário 1: 8,1 8,3 8,0 8,1 8,5
Operário 2: 8,4 8,4 8,5 8,3
Operário 3: 8,8 8,7 8,9
Operário 4: 8,3 8,4 8,2 8,2 8,3 8,4
Verificar se a diferença é significativa ao nível de 1% de significância.

Solução:

a) As hipóteses a serem testadas:

H0 :  1 =  2 =  3 =  4 = 
H1 : pelo menos uma média  i  

b) Cálculo da Soma de Quadrados Total (SQT)

Tem-se que a soma de quadrados total é dada por:
k nj
SQT =   ( x i j − X ) 2
j=1i=1

Logo, faz-se necessário calcular inicialmente a média do conjunto de todas as amostras.

OPERA- SOMAS MÉDIAS
DORES TEMPOS ( x i j ) k
(xj) ( Xj)
j=1
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 nj
  xi j
j=1i=1
A média do conjunto de todas as amostras será:
k nj
  xi j
j=1i=1 150,8
X= = = 8,4
N 18

Então, tem-se:

SQT = ( 8,1 − 8,4 ) 2 + (8,3 − 8,4) 2 + (8,0 − 8,4) 2 +  + (8,4 − 8,4) 2

122
SQT = 0,98

c) Soma de Quadrados entre Amostras (SQE)

k nj
SQE =   ( X j − X ) 2
j=1i=1
OBS: Neste caso, cada ( X j − X ) 2 é multiplicado pelo seu respectivo tamanho de amostra.


SQE = 5  (8,2 − 8,4) 2 + 4  (8,4 − 8,4) 2 + 3  (8,8 − 8,4) 2 + 6  (8,3 − 8,4) 2 
SQE = 0,74

d) Cálculo da Soma de Quadrados Residual (SQR)

k nj
SQR =   ( x i j − X j ) 2
j=1i=1

SQR = ( 8,1 − 8,2) 2 + (8,3 − 8,2) 2 +  + (8,3 − 8,3) 2 + (8,4 − 8,3) 2

SQR = 0,24

e) Quadro da ANOVA

QUADRO DA ANÁLISE DE VARIÂNCIA - ANOVA

FONTE DE SOMA DE QUADRADOS QUADRADOS MÉDIOS
G.L F
VARIAÇÃO
Entre amostras 0,74
SQE = 0,74 3 QME =
(Tratamentos) 3
Dentro da amostra
SQR = 0,24 14 QMR =
0,24 F = 14,39
(residual) 14
SQT = 0,98 17
Total

O valor de F tabelado é F0,01; 3;14 = 5,56 .

Conclusão: Como F  F0,01; 3; 14 , rejeita-se a hipótese H0 de que os tempos médios gastos para

execução da operação segundo diferentes operários são iguais.

9.3 COMPARAÇÕES MÚLTIPLAS ENTRE MÉDIAS

A análise da variância serve para verificar se existe diferença significativa entre as médias;
porém, se houver diferenças, não é possível saber, através dela, quais as médias diferem entre
si. A identificação de diferenças entre médias, tomando-as duas a duas, deve ser feita usando
testes de comparações múltiplas entre médias.

9.3.1 TESTE DE SCHEFFÉ

A estatística de teste é a distribuição F de Snedecor com ( k − 1, N − k ) graus de liberdade,
corrigida por um fator que leva em conta o fato de se comparar k médias, duas a duas.
123
 O Teste de Scheffé é um teste mais geral, permite usar amostras com dimensões diferentes
e é robusto a violações dos pressupostos de normalidade e de igualdade de variâncias.
Se Xi − Xm    , rejeita-se a hipótese nula de que H0 : i = m , sendo que a estatística
  é dada por:

1 1 
  = QMR (k − 1) + Fk −1,N−k,  .
 i
n n m 

Exercícios de aplicação:

1) Para o exemplo dos índices de produção segundo diferentes postos de trabalho, verificar quais
médias são diferentes, utilizando  = 0,05 .

Solução:

Os índices médios, segundo diferentes postos de trabalho são:

POSTOS DE MÉDIAS
TRABALHO ( Xj)
A 90,63
B 80,73
C 70,50

Utilizando o teste de Scheffé:

1 1 
  = QMR (k − 1) + Fk −1,N−k, 
 i
n n m 

onde:

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

324,90
QMR = = 54,15 ( do exemplo de aplicação no. 1)
6
F2, 6 ; 0,05 = 5,14

Considerando os postos de trabalha A e B, tem-se:

 1 1
 0,05 = 54,15  2   +   5,14 = 19,26
3 3

Da mesma forma para A e C e B e C, pois os tamanhos de amostras são iguais a 3.

Portanto, tem-se:

124
 POSTOS DE  DIFERENÇA
DIFERENÇA DE MÉDIAS
TRABALHO SIGNIFICATIVA
AeB 90,63 − 80,73 = 9,90 19,26 Não
AeC 90,63 − 70,50 = 20,13 19,26 Sim
BeC 80,73 − 70,50 = 10,23 19,26 Não

Conclui-se, portanto, que os índices médios de produção dos postos de trabalho A e C são
diferentes, para nível de 5% de significância.

2) Para o exemplo de quatro operários que executam uma mesma operação em uma indústria,
aplicar o método de Scheffé, utilizando  = 0,01.

Solução:

Os tempos médios gastos para executar determinada operação, segundo operadores:

OPERA- MÉDIAS
DORES ni
( Xj)
1 5 8,2
2 4 8,4
3 3 8,8
4 6 8,3

Utilizando o teste de Scheffé:

1 1 
X i − X m =   = QMR (k − 1) + Fk −1, N − k, 
 ni nm 

k=4 (operadores)
N = 18
N − k = 18 − 4 = 14

 = 0,01

0,24 (do exemplo de aplicação no. 2)

QMR = = 0,0171
14
F3; 14; 0,01 = 5,56

Considerando os operários 1 e 2, tem-se:

n1 = 5

n2 = 4
Substituindo os valores na expressão do teste de Scheffé:

 1 1
  = 0,0171 3   +   5,56 = 0,36
5 4

125
 As médias dos operários 1 e 2 são: X1 = 8,2 e X 2 = 8,4 , portanto a diferença é
X1 − X 2 = 0,2 . Tem-se que X1 − X 2 = 0,2    = 0,36 , logo não há diferença entre as duas médias.

Considerando os operários 1 e 3, tem-se:

n1 = 5

n2 = 3

 1 1
  = 0,0171 3   +   5,56 = 0,39
5 3

Considerando os operários 1 e 4, tem-se:

n1 = 5

n2 = 6

 1 1
  = 0,0171 3   +   5,56 = 0,32
5 6

Considerando os operários 2 e 3, tem-se:

n1 = 4

n2 = 3

 1 1
  = 0,0171 3   +   5,56 = 0,41
4 3

Considerando os operários 2 e 4, tem-se:

n1 = 4

n2 = 6

 1 1
  = 0,0171 3   +   5,56 = 0,34
4 6

Considerando os operários 3 e 4, tem-se:

n1 = 3

n2 = 6

 1 1
  = 0,0171 3   +   5,56 = 0,38
3 6

Assim, tem-se:

126
 OPERADORES Xi − Xm  CONCLUSÃO

1e2 0,20 0,36 Não diferem

1e3 0,60 0,39 diferem
1e4 0,10 0,32 Não diferem
2e3 0,40 0,41 Não diferem
2e4 0,10 0,34 Não diferem
3e4 0,50 0,38 diferem

O tempo médio gasto para a execução do operador número 3 difere do tempo médio do
operador 1 e 4, ao nível de 1% de significância.

LISTA DE EXERCÍCIOS NO. 8 – ANÁLISE DA VARIÂNCIA

1. Uma empresa deseja adquirir certa máquina e verificou que existem no mercado três marcas
diferentes: A, B, e C que satisfazem. Decidiu-se que será comprada a máquina que apresentar
melhor rendimento. Foi realizado um ensaio com as três máquinas em períodos iguais durante 5
dias e as produções resultantes foram:
A 120 123 121 125 122
B 119 121 118 120 123
C 125 127 128 127 128

Pergunta-se: com relação ao rendimento, existe diferença significativa entre as máquinas ao nível
de 1% de significância? Aplicar o teste de Scheffé e concluir qual a máquina a ser adquirida.

2. Foram testados três tipos de lâmpadas elétricas e os tempos de vida (em horas) obtidos foram:
lâmpada A: 1.245 1.354 1.367 1.289
lâmpada B: 1.235 1.300 1.230 1.189
lâmpada C: 1.345 1.450 1.320

Existe diferença significativa entre os tempos médios de vida dessas três marcas de lâmpadas,
ao nível de significância de 1%? Se necessário, aplicar o teste de Scheffé.

3. Três máquinas produzem parafusos. Encontram-se a seguir, os diâmetros correspondentes a

uma amostra de 4 parafusos produzidos em cada máquina.
MÁQUINAS
A B C
8 9 7
7 7 9
9 7 7
7 8 7

Testar se os diâmetros médios são iguais a um nível de significância de 5%.

4) Pesquisadores investigaram três métodos diferentes de preparar o composto supercondutor
PbMo 6 S 8 . Eles afirmam que a presença de oxigênio durante o processo de preparação afeta a
temperatura de transição, Tc , da supercondução do material. Os métodos de preparação 1 e 2
usam técnicas que são planejadas para eliminar a presença de oxigênio, enquanto o método 3
127
permite a presença de oxigênio. Cinco observações de Tc (em K) foram feitas para cada material,
sendo os resultados apresentados a seguir.

MÉTODO DE TEMPERATURA DE TRANSIÇÃO Tc (K)

PREPARAÇÃO
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

Há qualquer evidência que confirme a afirmação de que a presença de oxigênio durante a

preparação afete a temperatura média de transição? Usar  = 0,05 .

5) A resistência de contato de um relé foi estudada para três materiais diferentes (todos eram
ligas, tendo prata como base). Os dados encontram-se a seguir.

LIGA RESISTÊNCIA DE CONTATO

1 95 87 99 98
2 104 102 102 105
3 119 130 132 136

O tipo de liga afeta a resistência média de contato? Usar  = 0,01.

128
 ANÁLISE DE CORRELAÇÃO E REGRESSÃO SIMPLES

10.1 INTRODUÇÃO

A análise de correlação mede o grau de associação entre variáveis, e pode ser:

• Correlação simples: mede a “força” ou “grau” de associação entre duas variáveis;
• Correlação múltipla: mede a “força” ou “grau” de associação entre uma variável e um conjunto
de outras variáveis.
A análise de regressão estuda o relacionamento entre uma variável chamada dependente
e outras variáveis chamadas variáveis independentes. Este relacionamento é representado por
um modelo matemático, isto é, por uma equação que associa a variável dependente com as
variáveis independentes.
• Modelo de regressão linear simples: define uma relação linear entre a variável dependente e
uma variável independente;
• Modelo de regressão linear múltipla: define uma relação linear entre a variável dependente e
duas ou mais variáveis independentes.

10.2 DIAGRAMA DE DISPERSÃO

O diagrama de dispersão é uma representação gráfica da relação entre duas ou mais

variáveis. No diagrama de dispersão entre duas variáveis, X e Y, cada ponto no gráfico é um par
( x i , y i ).
GRÁFICO 5 - DIAGRAMA DE DISPERSÃO ENTRE AS VARIÁ-
VEIS X E Y
DIAGRAMA DE DISPERSÃO
Y
120

100

80

60

40

20

0
2 7 12 17 22

A visualização do diagrama de dispersão possibilita ter uma boa ideia de como as duas
variáveis se correlacionam.

10.3 ANÁLISE DE CORRELAÇÃO

10.3.1 COEFICIENTE DE CORRELAÇÃO LINEAR DE PEARSON

Diferentes formas de correlação podem existir entre as variáveis. O caso mais simples e
mais conhecido é a correlação linear simples, envolvendo duas variáveis, X e Y.

129
Este coeficiente mostra o grau de relacionamento entre as variáveis, fornecendo um número,
indicando como as variáveis variam conjuntamente. Não há a necessidade de definir as relações
de causa e efeito, ou seja, qual é a variável dependente e a independente.
Quando para maiores valores de X, existe uma tendência de obter maiores valores de Y,
diz-se que existe correlação linear positiva, conforme o gráfico 5, apresentado anteriormente.
Entretanto, pode ocorrer o inverso, ou seja, para maiores valores de X, existir uma tendência de
obter menores valores de Y, diz-se neste caso, que existe correlação linear negativa, conforme
o gráfico 6. Obviamente, existem muitos casos em que as variáveis não são correlacionadas
linearmente, isto é, a correlação linear é nula, como apresentado no gráfico 7.

GRÁFICO 6 – DIAGRAMA DE DISPERSÃO ENTRE AS VARIÁ- GRÁFICO 7 – DIAGRAMA DE DISPERSÃO ENTRE AS VARIÁ-
VEIS X E Y VEIS X E Y DE DISPERSÃO
DIAGRAMA
DIAGRAMA DE DISPERSÃO
Y Y
120 70

100 60

50
80

40
60
30
40
20
20
10
0
0
2 7 12 17 22
2 7 12 17
X
X

O coeficiente de correlação amostral é obtido através da expressão:

 (X i − X)(Yi − Y )
n

r= i =1

 (X i − X)  (Yi − Y )
n 2 n 2

i =1 i =1

A interpretação do coeficiente quando r = 1 é de que existe correlação linear perfeita

entre as variáveis X e Y. A correlação é linear perfeita positiva quando r = 1 e linear perfeita
negativa quando r = −1 . Quando se tem r = 0 , não existe correlação linear entre as variáveis X e
Y. O coeficiente de correlação pode ser avaliado qualitativamente de acordo com os critérios
abaixo:

 se 0  r  0,30 existe fraca correlação linear;

 se 0,30  r  0,60 existe moderada correlação linear;
 se 0,60  r  0,90 existe forte correlação linear;
 se 0,90  r  1,00 existe correlação linear muito forte.

Exemplo de aplicação:

Seja o processo de recobrimento de uma determinada peça com metal. O recobrimento é

feito com metal fundido.
130
 X= quantidade utilizada de metal fundido (em gramas);
Y = porcentagem de recobrimento obtida (%).

TABELA 12 – QUANTIDADE DE METAL FUNDIDO UTI-

ZADA E PORCENTAGEM DE RECOBRI-
MENTO OBTIDA
OBSERVAÇÃO xi yi
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 dispersão é apresentado abaixo:

GRÁFICO 8 – DIAGRAMA DE DISPERSÃO ENTRE AS VARIÁVEIS QUANTI-

DADE DE METAL FUNDIDO E PORCENTAGEM DE RECOBRI-
MENTO
Porcentagem de DIAGRAMA DE DISPERSÃO
recobrimento (%)
80

70

60

50

40

30

20

10

0
2 4 6 8 10 12 14
Quantidade de metal

A visualização do diagrama de dispersão possibilita ter uma boa idéia de como as duas
variáveis se relacionam, ou seja, qual a tendência de variação conjunta que apresentam. O gráfico
sugere a existência de uma relação linear entre as duas variáveis. Assim, calcular-se-á o
coeficiente de correlação linear de Pearson.

OBS. xi yi ( xi − X ) ( yi − Y ) ( x i − X )( y i − Y ) ( x i − X )2 ( y i − Y )2
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
MÉDIA 8,45 35

131
 Tem-se que:

 (X i − X)(Yi − Y )
n

r =
ˆ X,Y = i =1

 (X i − X)  (Yi − Y )
n 2 n 2

i =1 i =1

Substituindo os valores na expressão acima tem-se:

r =
ˆ X,Y = 465
= 0,9560
65,73 3.600

Sendo o r = 0,9560 , conclui-se que existe correlação linear muito forte.

10.3.1.1 TESTE DE HIPÓTESES PARA COEFICIENTE DE CORRELAÇÃO

O coeficiente de correlação linear r , é uma estimativa da correlação populacional ρ , obtida
com base em uma amostra de tamanho n. O tamanho da amostra exerce papel fundamental na
estimativa, desta forma, torna-se necessário testar a hipótese de que realmente existe correlação
linear entre as variáveis estudadas. Assim, as hipóteses a serem testadas são:

H0 :  = 0 ( a correlação populacional é igual a zero)

H1 :   0 ( a correlação populacional é diferente de zero)
A estatística para testar a hipótese H0 :  = 0 contra H1 :   0 , tem distribuição t com n - 2
graus de liberdade, ou seja:

r n−2
t= ~ t n−2 .
1− r 2

Exemplo de aplicação:

Seja o exemplo do processo de recobrimento de uma determinada peça com metal. Tem-se que
o coeficiente de correlação estimado é r = 0,9560 . Testar a hipótese de que a correlação
populacional é diferente de zero, utilizando nível de significância de 5%.

As hipóteses são:
H0 :  = 0 (Correlação populacional é igual a zero)
H1 :   0 (Correlação populacional é diferente de zero)

A estatística t é:

r n−2 0,9560  10 − 2
t= = = 9,22
1− r 2
1 − 0,95602

O valor de “t” tabelado para nível de significância e 5% e 8 graus de liberdade é 2,31,

portanto, rejeita-se a hipótese H0 :  = 0 .

132
10.4 ANÁLISE DE REGRESSÃO LINEAR SIMPLES

Análise de regressão linear simples é uma técnica de modelagem utilizada para analisar a
relação entre uma variável dependente (Y) e uma variável independente X .
O objetivo dessa técnica é identificar uma função que descreve, o mais próximo possível,
a relação entre essas variáveis e assim poder predizer o valor que a variável dependente (Y) irá
assumir para um determinado valor da variável independente X.
O modelo de regressão poderá ser expresso como:
Y =  + X + 

Um valor de Y é formado pelo componente funcional ou regressão (  + X ) , que

representa a influência da variável independente X sobre o valor de Y e o componente aleatório
(  ) , que representa a influência de outros fatores, bem como os erros de medidas da variável Y.
Apresenta-se a seguir, um gráfico, onde estão representados os pontos observados e a
reta ajustada.
GRÁFICO 9 – DIAGRAMA DE DISPERSÃO ENTRE X E Y E A RETA
ESTIMADA

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

Verifica-se no gráfico que nem todos os pontos tocam a reta, e essa diferença é o erro (),
mas supõe-se que em média esses erros tendem a se anular, ou seja:
E ( i ) = 0
Ao estabelecer o modelo de regressão linear simples, deve-se pressupor que:
1) os erros (  i ) têm distribuição normal;
2) os erros (  i ) são independentes;
3)  i é uma variável aleatória com média igual a zero, isto é, E (  i ) = 0 ;
4) A variância de i é igual a 2 para todos os valores de X.

10.4.1 ESTIMAÇÃO DOS PARÂMETROS

Uma vez escolhido o modelo de regressão, deve-se estimar os seus parâmetros, neste
caso, os coeficientes da equação da reta,  e  . Isso pode ser feito a partir da aplicação do
Método dos Mínimos Quadrados. Neste método, a soma dos erros quadráticos (isto é, a soma
dos quadrados da distância vertical entre as observações e a reta ajustada) é mínima.

133
 Os parâmetros  e  são estimados através dos dados amostrais e a reta estimada será
da forma:
Ŷ = a + bX

Seja e i a distância da reta ajustada aos pontos amostrais, o método dos mínimos
quadrados minimiza a soma de ei2 , ou seja:
n n n
 e i2 =  ( y i − ŷ i ) 2 =  ( y i − a − bx i ) 2
i=1 i=1 i=1

Derivando a expressão acima em relação a “ a ” e igualando a zero, tem-se:

 n n n
=0
a 
( y i − a − bx i ) 2 = −2 y i + 2na + 2 b  x i
i=1 i=1 i=1

Derivando a expressão acima em relação a “ b ” e igualando a zero, tem-se:

 n n n n
 ( y − a − bx i )2 = −2 x i y i + 2a x i + 2b  x i2 =0
 b i=1 i i=1 i=1 i=1

Obtém-se assim o sistema de duas equações:

n n
 yi = na + b  x i
i=1 i=1
n n n
 xiyi = a x i + b  x i2
i=1 i=1 i=1

A solução analítica do sistema de equações fornece os valores de " a" e " b" , como
apresentados a seguir.
a = Y − bX
n
 ( x i − X) y i
i=1
b=
n
 ( x i − X) 2
i=1

Exemplos de aplicação:
1) Seja o processo de recobrimento de uma determinada peça com metal. O recobrimento é 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
OBSERVAÇÃO xi yi
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

134
 Ajustar um modelo de regressão linear simples aos dados:

Solução:

Tem-se então que:

OBS. xi yi ( xi − X ) ( x i − X )2 ( xi − X ) yi
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
Média 8,45 35

X = 8,45
Y = 35
n
 ( x i − X )2 = 65,725
i=1
n
 ( xi − X ) yi = 465,00
i=1

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

a = Y − b X = 35 − 7,0749  8,45 = −24,7832

A equação de regressão linear será:

Ŷ = −24,7832 + 7,0749 X

Tem-se então que:

OBS. xi yi ŷ i
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

135
 O gráfico a seguir, apresenta o diagrama de dispersão e a função linear ajustada.

DIAGRAMA DE DISPERSÃO E FUNÇÃO LINEAR

AJUSTADA
Recobrimento
(%)
70

60

50

40

30

20

10

0
0 5 10 15
Quantidade de metal fundido

10.4.2 TESTES DE HIPÓTESES NA REGRESSÃO

Uma etapa importante da verificação da adequação de um modelo de regressão linear é a

realização de um teste estatístico de hipóteses em relação aos parâmetros do modelo.

10.4.2.1TESTE t
Lembrando que o modelo é Y =  + X +  , deve-se testar as hipóteses:
H0 :  = 0
H1 :   0

A estatística do teste é dada por:

b−
t := , que segue distribuição t com n-2 graus de liberdade.
S2
S XX

Tem-se que:
S YY − bS XY
S2 = , que é a estimativa de  2
n−2
n
Onde: S XX =  ( x i − X) 2
i=1

n
S YY =  ( y i − Y ) 2
i=1
n n
n
 xi  yi
S XY =  x i y i − i=1 i
i=1 n

A conclusão do teste será:

Se −t  2  t  t  2 , aceita-se H0 e conclui-se que não existe regressão e se t  t 2,

rejeita-se H0 e conclui-se que existe regressão.

136
10.4.2.2 ANÁLISE DA VARIÂNCIA

A análise da variância, conhecida como ANOVA, é um teste que permite verificar a

existência da regressão, ou seja, se existe relação entre a variável dependente e independente,
através do comportamento das variações totais, explicadas e residuais. Este teste é resumido no
quadro da ANOVA.

GRÁFICO 10 – DESVIOS TOTAL, EXPLICADO E RESIDUAL

Ŷ = a + bX

yi

( y i − Y) ( y i − ŷ i )

Y
( Y − ŷ i )

A estatística utilizada para o teste é a variável aleatória com distribuição F de Snedecor,

com m graus de liberdade no numerador e n graus de liberdade no denominador. As hipóteses
são:

H 0 : A regressão linear de Y sobre X não é significativa

H1 : A regressão linear de Y sobre X é significativa

As variações ou somas dos quadrados são obtidos através de:

n
SQT = Soma de quadrados totais =  ( yi − Y )2
i =1

SQE = Soma de quadrados exp licados = b  SXY

n
onde: S XY =  ( x i − X )( y i − Y )
i =1

SQR = Soma de quadrados residuais = SYY − b  SXY

n
onde: S YY =  ( y i − Y ) 2
i =1

Tem-se que: SQT = SQE + SQR .

Para a ANOVA, faz-se necessária elaborar a tabela a seguir:

137
 FONTE DE SOMA DOS
G.L. QUADRADO MÉDIO F
VARIAÇÃO QUADRADOS

Explicada SQE = b  S XY 1 QME = b  S XY

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

Total SQT = S YY n −1

Se Fcalculado  F;1, n − 2 (tabelado) , rejeita-se H0 e conclui-se que a regressão de Y sobre X é

significativa.

Exemplo de aplicação:

1) Testar o modelo ajustado no exemplo 1, através do teste t e da análise da variância. Usar

 = 5% .

Solução:
Para obter as somas dos quadrados faz-se necessário os seguintes cálculos:
OBS. xi yi xi yi ( xi − X ) ( yi − Y ) ( x i − X )2 ( y i − Y )2 ( xi − X ) ( yi − Y )
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”

H0 :  = 0
H1 :   0

Tem-se que:

2 SYY - bSXY 3.600-7,075×465

S = = =38,7656
8 8

Calculando inicialmente as somas de quadrados:

138
 n
S XX =  ( x i − X) 2 = 65,70
i=1
n
S YY =  ( y i − Y ) 2 = 3.600
i=1
n n
 xi  yi
n 84,5  350
S XY =  x i y i − i=1 i
= 3.422,5 − = 465
i=1 n 10

A estatística do teste é dada por:

b− 7,075 − 0
t= = = 9,21 , que segue distribuição t com n-2 graus de liberdade.
S2 38,7656
S XX 65,70

Tem-se que t0,05 / 2;8 = 2,31 , logo, rejeita-se H0 e conclui-se que   0 .

b) ANOVA
n
SQT = S YY =  ( y i − Y ) 2 = 3.600
i=1

SQE = b  SXY ,
n
sendo que: S XY =  ( x i − X )( y i − Y ) = 465
i =1
b = 7,0749 (já calculado)

Assim, tem-se que: SQE = b  S XY = 7,0749  465 = 3289,8285

SQR = S YY − b  S XY

SQR = S YY − b  S XY = 3.600 − 3289 ,8285 = 310,1715

QUADRO DA ANÁLISE DA VARIÂNCIA

FONTE DE SOMA DOS
G.L. QUADRADO MÉDIO F
VARIAÇÃO QUADRADOS

Explicada SQE = 3.289,8285 1 QME = 3.289,8285

Residual SQR = 310,1715 n−2 = 8 310,1715

QMR = = 38,7714
8 F = 84,85
Total SQT = 3.600,000 n −1= 9

Tem-se que F0,05;1, 8 = 5,32 , logo, conclui-se que a regressão de Y sobre X é significativa,

para nível de 5% de significância.

139
10.4.3 COEFICIENTE DE DETERMINAÇÃO OU EXPLICAÇÃO
2
Um outro indicador utilizado constantemente é o coeficiente de determinação, R , que
indica quantos por cento a variação explicada pela regressão representa da variação total. Este
varia entre 0 e 1. Quanto mais próximo de 1, maior é a explicação pelo modelo da variação total.
A expressão de R 2 é dada por:
SQE
R2 =
SQT

Para o exemplo 1, tem-se que:

SQE 3.289,829
R2 = = = 0,9138
SQT 3.600,000

O modelo ajustado explica 91,38% das variações ocorridas na variável dependente Y.

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

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 regressão linear simples aos dados, testar a hipótese da

significância da regressão e calcular o coeficiente de determinação.
Solução:

a) Ajuste do modelo de regressão linear simples

Tem-se que a variável dependente Y é o alongamento da mola e a independente X, a

carga, Assim, para obter os coeficientes a e b, serão necessários os seguintes cálculos:
X-> carga
Y-> alongamento

OBS. xi yi ( xi − X ) ( x i − X )2 ( xi − X ) yi
1 3 4,0 -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 9,0 1,5 2,25 13,50
7 9 9,8 2,5 6,25 24,50
8 10 11,0 3,5 12,25 38,50
Total 52 58,8 0 42,00 42,70
Média 6,5 7,35

Tem-se então que:

140
X = 6,5

Y = 7,35

n
 ( xi − X )2 = 52
i=1

n
 ( xi − X ) yi = 42,70
i=1

n
 ( xi − X ) yi 42,70
i=1
Logo, b = n
= = 1,01667
42
 ( xi − X ) 2
i=1

a = Y − bX = 7,35 − 1,01667  6,5 = 0,7416

A equação de regressão linear será:

Ŷ = 0,7415 + 1,0167 X

Tem-se que:

OBS. xi yi ŷ i
1 3 4,0 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 9,0 8,9
7 9 9,8 9,9
8 10 11,0 10,9

O gráfico a seguir, apresenta o diagrama de dispersão e a função linear ajustada.

DIAGRAMA DE DISPERSÃO E FUNÇÃO LINEAR

AJUSTADA
Alongamento
12

10

0
0 2 4 6 8 10 12
Carga

b) Teste da significância da regressão

Para obter as somas dos quadrados faz-se necessário os seguintes cálculos:

141
 OBS. xi yi ( xi − X ) ( yi − Y ) ( x i − X )2 ( y i − Y )2 ( x i − X ) (y i − Y)
1 3 4,0 -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 9,0 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 11,0 3,5 3,65 12,25 13,3225 12,775
Total 52 58,8 42,00 43,56 42,70
Média 6,5 7,35

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

SQE = b  S XY ,
n
sendo que S XY =  ( x i − X )( y i − Y ) = 42,70
i =1
b = 1,01667 (já calculado)

Assim, tem-se que: SQE = b  SXY = 1,01667  42,70 = 43,4117

SQR = S YY − b  S XY

SQR = S YY − b  S XY = 43,56000 − 43,4117 = 0,1483

QUADRO DA ANÁLISE DA VARIÂNCIA

FONTE DE SOMA DOS G.L. QUADRADO MÉDIO F
VARIAÇÃO QUADRADOS

Explicada SQE = 43,4117 1 QME = 43,4117

Residual SQR = 0,1483 n−2 = 6 F = 1757,56

QMR = 0,0247
Total SQT = 43,5600 n −1= 7

Tem-se que F0,05; 1, 6 = 5,99 , logo, conclui-se que a regressão de Y sobre X é significativa,

para nível de 5% de significância .

c) Coeficiente de determinação

SQE
R2 =
SQT

Para o exemplo 2, tem-se que:

142
 SQE 43,4117
R2 = = = 0,9966
SQT 43,5600

O modelo ajustado explica 99,66% das variações ocorridas na variável dependente Y.

10.5 AJUSTE DE CURVA GEOMÉTRICA (OU FUNÇÃO POTÊNCIA)

Apresenta-se, a seguir, como se ajusta uma função potência, a um conjunto de pontos

( xi , yi ) . A função potência é dada pela expressão a seguir:
Y = X 

Graficamente, tem-se:

FUNÇÃO POTÊNCIA
Y
85
80
75
70
65
60 0  1
55
50
45
40
140 240 340 440 540

10.5.1 ESTIMATIVA DOS COEFICIENTES

O modelo estimado será dado por:

ˆ
Ŷ = ˆ X 
ˆ
Para ajustar uma curva geométrica Ŷ = ˆ X  , a um conjunto de pontos ( xi , yi ) , pode-se
fazer através da seguinte transformação, considerando Y  0 e X  0 :

ˆ + ˆ ln X , que poderá ser escrita da seguinte forma:

ln Ŷ = ln 

Ẑ = Â + ̂T

onde:
Ẑ = ln Ŷ
 = ln ˆ
T = ln X

Os parâmetros A e  são estimados através dos dados amostrais e a reta estimada será
da forma:

143
 Ẑ = Â + ̂ T

Os valores de  e ̂ serão obtidos a partir das equações apresentadas a seguir.

 = Z − ̂ T
n
 (t i − T) z i
ˆ = i=1
n
 (t i − T)2
i=1

Para obter a estimativa do modelo na sua forma original, faz-se a transformação inversa
dos coeficientes  e B̂ . Tem-se então que:
 = ln ˆ , logo, 
ˆ = e Â
E a função potência estimada será:
ˆ
Ŷ = ˆ X 

10.5.2 TESTES DE HIPÓTESES NA REGRESSÃO

10.5.2.1 ANÁLISE DA VARIÂNCIA

A estatística utilizada para o teste é a variável aleatória com distribuição F de Snedecor,

com m graus de liberdade no numerador e n graus de liberdade no denominador. As hipóteses
são:
H 0 : A regressão de Y sobre X não é significativa
H1 : A regressão de Y sobre X é significativa

As variações ou somas dos quadrados são obtidos através de:

n
SQT =  ( z i − Z ) 2
i =1

SQE = ̂ STZ
n
onde: STZ =  ( ti − T )( zi − Z )
i=1

SQR = SZZ − ̂STZ

n
onde: SZZ =  ( zi − Z )2
i=1

Tem-se que: SQT = SQE + SQR .

Para a ANOVA, faz-se necessária elaborar a tabela a seguir:

FONTE DE SOMA DOS
G.L. QUADRADO MÉDIO F
VARIAÇÃO QUADRADOS
Explicada SQE = ̂ STZ 1 QME = ̂ STZ
S ZZ − ˆ S TZ
Residual SQR = SZZ − ̂STZ n−2 QMR = F=
QME
n−2 QMR

Total SQT = S ZZ n −1

144
 Se Fcalculado  F;1, n − 2 (tabelado) , rejeita-se H0 e conclui-se que a regressão de Y sobre X
é significativa.

10.5.3 COEFICIENTE DE DETERMINAÇÃO OU EXPLICAÇÃO

O coeficiente de determinação, R 2 , que indica quantos por cento a variação explicada pela
regressão representa da variação total. Este varia entre 0 e 1. Quanto mais próximo de 1, maior
é a explicação pelo modelo da variação total. A expressão de R 2 é dada por:
SQE
R2 =
SQT

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 pistão no motor,
para uma amostra de 8 carros.

Sejam as variáveis: X= deslocamento do pistão ( m3 ) 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 dispersão;

b) ajustar uma função geométrica aos dados;
c) testar a existência de regressão;
d) calcular o coeficiente de determinação.

Solução:

a) Diagrama de dispersão

Km/litro de DIAGRAMA DE DISPERSÃO

gasolina
15,0
14,5
14,0
13,5
13,0
12,5
12,0
11,5
11,0
10,5
10,0
80 130 180 230 280 330 380
Deslocamento do pistão

145
 Fazendo as transformações de variáveis necessárias, tem-se:

CARROS xi yi zi = ln( yi ) ti = ln( xi ) (t i − T) ( t i − T) 2 (t i − T) z i

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
MÉDIA 248,25 2,5383 5,4898

a) Cálculo das estimativas dos parâmetros

n
 ( ti − T ) zi
ˆ = i=n1 =
- 0,1362
= -0,3674
0,3709
 ( ti − T )2
i=1

ˆ T = 2,5383 − (−0,3674)  5,4898 = 4,5550

 = Z − 

O modelo ajustado é:

Ẑ = Â + ˆ T = 4,5550 − 0,3674 T

Mas tem-se que:

 = ln 
ˆ , logo, 
ˆ = e  = e 4,5550 = 95,1068
O modelo ajustado na forma potencial será:
ˆ
ˆ X = 95,1068 X −0,3674
Ŷ = 

O gráfico a seguir apresenta o diagrama de dispersão e a função potencial ajustada.

DIAGRAMA DE DISPERSÃO E CURVA POTENCIAL

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

146
b) Utilizando a ANOVA para testar a significância da regressão:

CARROS xi yi zi = ln( yi ) t i= ln( xi ) ( z i − Z ) ( zi − Z)2 (t i − T) ( t i − T) ( z i − Z )

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
MÉDIA 248,25 2,5383 5,4898

As variações ou somas dos quadrados são obtidos através de:

n
SQT =  ( z i − Z ) 2 = 0,0543
i =1

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

SQE = ˆ S TZ = −0,3674  ( −0,1362) = 0,0500

SQR = SQT − SQE = 0,0543 − 0,0500 = 0,0043

SOMA DOS
FONTE DE VARIAÇÃO G.L. QUADRADO MÉDIO F
QUADRADOS
Devido à regressão 0,0500 1 0,0500 70,38
Residuo 0,0043 6 0,0007
Total 0,0543 7

Tem-se que F0,05 ;1; 6 = 5,99 . Como F = 70,38  F0,05 ;1; 6 = 5,99 , conclui-se que a regressão de
Y sobre X é significativa, ao nível de 5% de significância.

Finalmente, para analisar o grau de explicação do modelo, calcular-se-á o coeficiente de

determinação.

SQE 0,0500
R2 = = = 0,9214
SQT 0,0543

O modelo ajustado explica 92,14% das variações ocorridas na variável Y.

10.6 AJUSTE DE FUNÇÃO EXPONENCIAL

Apresenta-se, a seguir, o ajuste de uma função exponencial Y =  X , a um conjunto de

pontos ( xi , yi ) .

Graficamente, tem-se:

147
 FUNÇÃO EXPONENCIAL
Y
200
180
160
140
120
100
80
60
40
20
0
0 5 10 15

 1
X

10.6.1 ESTIMATIVA DOS COEFICIENTES

O modelo estimado é:
ˆ ˆ X
Ŷ = 

Fazendo a transformação logarítmica:

ˆ + X ln ˆ , que poderá ser escrita como sendo:
ln Ŷ = ln 
Ẑ = Â + B̂X
onde:

Ẑ = ln Ŷ
 = ln ˆ
B̂ = ln ˆ
Assim, reduz-se ao problema de ajuste de uma reta aos pontos ( x i , z i ) , onde z i = ln y i .
Os parâmetros A e B são estimados através dos dados amostrais e a reta estimada será da
forma:
Ẑ = Â + B̂ X

Os valores de  e B̂ serão obtidos a partir das equações apresentadas a seguir.

 = Z − B̂ X
n
 ( x i − X) z i
i =1
B̂ = n
 ( x i − X)
2

i =1

Para obter a estimativa do modelo na sua forma original, faz-se a transformação inversa
dos coeficientes  e B̂ . Tem-se então que:
 = ln ˆ , logo, 
ˆ = e Â

B̂ = ln ˆ , logo, ˆ = e B̂

E o modelo exponencial estimado será:

ˆ ˆ X
Ŷ = 

148
10.6.2 TESTES DE HIPÓTESES NA REGRESSÃO

10.6.2.1 ANÁLISE DA VARIÂNCIA

A estatística utilizada para o teste é a variável aleatória com distribuição F de Snedecor,

com 1 grau de liberdade no numerador e n-2 graus de liberdade no denominador. As hipóteses
são:
H 0 : A regressão de Y sobre X não é significativa
H1 : A regressão de Y sobre X é significativa

As variações ou somas dos quadrados são obtidos através de :

n
SQT = Soma de quadrados totais =  ( z i − Z ) 2
i=1

SQE = Soma de quadrados exp licados = B̂ S XZ

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

SQR = Soma de quadrados residuais = S ZZ − B̂S XZ

n
onde: S ZZ =  ( z i − Z ) 2
i=1

Tem-se que: SQT = SQE + SQR .

Para a ANOVA, faz-se necessária elaborar a tabela abaixo:

FONTE DE SOMA DOS
G.L. QUADRADO MÉDIO F
VARIAÇÃO QUADRADOS
Explicada SQE = B̂ S XZ 1 QME = B̂ S XZ
S ZZ − B̂ S XZ
Residual SQR = S ZZ − B̂ S XZ n−2 QMR = QME
n−2 F=
QMR
Total SQT = S ZZ n −1

Se Fcalculado  F; 1, n − 2 ( tabelado ) , rejeita-se H0 e conclui-se que a regressão de Y sobre X

é significativa.

10.6.3. COEFICIENTE DE DETERMINAÇÃO OU EXPLICAÇÃO

O coeficiente de determinação, R 2 , que indica quantos por cento a variação explicada pela
regressão representa da variação total. Este varia entre 0 e 1. Quanto mais próximo de 1, maior
é a explicação pelo modelo da variação total. A expressão de R 2 é dada por:

SQE
R2 =
SQT
Exemplo:

1) Seja o processo de recobrimento de uma determinada peça com metal. O recobrimento é feito
com metal fundido.

X= quantidade utilizada de metal fundido (em gramas);

Y = porcentagem de recobrimento obtida (%).
149
 QUANTIDADE DE METAL FUNDIDO UTILIZADA E
PORCENTAGEM DE RECOBRIMENTO OBTIDA
xi yi
OBSERVAÇÃO
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 função exponencial aos dados;

b) testar a existência de regressão utilizando nível de significância de 5%;
c) calcular o coeficiente de determinação.

Solução:

a) ajuste da função exponencial

OBS. xi yi z i = ln( y i ) ( xi − X ) ( x i − X )2 ( xi − X ) zi
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
MÉDIA 8,45 35 3,3674

a.1) Cálculo do coeficiente B̂ :

n
 ( x i − X) z i 15,7045
i =1
B̂ = n
= = 0,2389
65,73
 ( x i − X)
2

i =1

a.2) Cálculo do coeficiente Â

 = Z − B̂ X = 3,3674 − (0,2389  8,45) = 1,3487

Assim, o modelo ajustado na forma linear será:

Ẑ = Â + B̂X = 1,3487 + 0,2389 X

Mas tem-se que:
 = ln 
ˆ, logo, ˆ = e  = e1,3487 = 3,8524
B̂ = ln ˆ , logo, ˆ = eB̂ = e0,2389 = 1,2699

150
a.3) O modelo ajustado na forma exponencial é:

ˆ ˆ X = 3,8524  1,2699X
Ŷ = 

Assim, tem-se que:

OBS. xi yi ŷ i
1 6,0 10 16,16
2 4,0 10 10,02
3 6,0 20 16,16
4 8,0 20 26,05
5 7,5 30 23,12
6 8,5 40 29,36
7 9,5 45 37,29
8 11,0 50 53,36
9 12,0 60 67,76
10 12,0 65 67,76

O gráfico a seguir apresenta o diagrama de dispersão e a função exponencial

ajustada:

DIAGRAMA DE DISPERSÃO E FUNÇÃO EXPONENCIAL

Recobrimento AJUSTADA
(%)
80

70

60

50

40

30

20

10

0
2 4 6 8 10 12 14

Quantidade de metal fundido

b) Teste para verificar a significância da regressão

OBS. xi yi z i = ln( y i ) ( xi − X ) (z i − Z ) ( zi − Z)2 ( x i − X ) (z i − Z )

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
MÉDIA 8,45 35 3,3674

151
 Calculando-se a soma dos quadrados tem-se:

n
SQT =  ( z i − Z ) 2 = 4,3177
i =1

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

SQE = B̂S XZ = 0,2389  15,7045 = 3,7525

SQR = SQT − SQR = 4,3177 − 3,7525 = 0,5652

Quadro da ANOVA
FONTE DE SOMA DE GRAUS DE QUADRADO
VARIAÇÃO QUADRADOS LIBERDADE MÉDIO F
Explicada 3,7525 1 3,7525
53,11
Residual 0,5652 8 0,0706
Total 4,3177 9

Tem-se que F0,05;1; 8 = 5,32 . Como F = 53,11  F0,05 ;1; 8 = 5,32 , conclui-se que a regressão de
Y sobre X é significativa, ao nível de 5% de significância.

c) Cálculo do coeficiente de determinação

Finalmente, para analisar o grau de explicação do modelo, calcular-se-á o coeficiente de

determinação.

SQE 3,7525
R2 = = = 0,8691
SQT 4,3177

O modelo ajustado explica 86,91% das variações ocorridas na variável Y.

LISTA DE EXERCÍCIOS NO. 9 – ANÁLISE DE CORRELAÇÃO E REGRESSÃO

1. A seguir relaciona os pesos (em centenas de kg) e as taxas de rendimento de combustível 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 significância ao nível de 5%.

b) ajustar a função linear e testar a existência de regressão, adotando  = 0,05 . Qual é o
coeficiente de explicação da função linear?
c) ajustar a função potencial e testar a existência de regressão, adotando  = 0,05 . Qual é o
coeficiente de explicação da função potencial?
d) ajustar a função exponencial e testar a existência de regressão, adotando  = 0,05 . Qual é o
coeficiente de explicação da função exponencial?

152
e) Qual das três funções ajustadas é a melhor? Comente?

2) Um estudo foi desenvolvido para verificar o quanto o comprimento de um cabo da porta serial
de microcomputadores influencia na qualidade da transmissão de dados, medida através do
número de falhas em 100.000 lotes de dados transmitidos (taxa de falha). Os resultados foram:

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

Comp. do 12 13 13 14 14 15
Cabo (m)
Taxa de 8,7 12,5 13,1 19,3 17,4 28,2
Falha
Pede-se:
a) calcular o coeficiente linear de Pearson e testar a significância ao nível de 5%.
b) ajustar a função linear e testar a existência de regressão, adotando  = 0,05 . Qual é o
coeficiente de explicação da função linear?
c) ajustar a função potencial e testar a existência de regressão, adotando  = 0,05 . Qual é o
coeficiente de explicação da função potencial?
d) ajustar a função exponencial e testar a existência de regressão, adotando  = 0,05 . Qual é o
coeficiente de explicação da função exponencial?
e) Qual das três funções ajustadas é a melhor? Comente.

3) No processo de queima de massa cerâmica, avaliou-se o efeito da temperatura do forno (X)

sobre a resistência mecânica da massa queimada (Y). Foram realizados 6 ensaios com níveis de
temperatura equidistantes, os quais designaremos por 1, 2, 3, 4, 5 e 6. Os valores obtidos de
resistência mecânica (MPa) foram: 41, 42, 50, 53, 54, 60, respectivamente.
Pede-se:
a) ajustar a função linear e testar a existência de regressão, adotando  = 0,05 . Qual é o
coeficiente de explicação da função linear?
b) ajustar a função potencial e testar a existência de regressão, adotando  = 0,05 . Qual é o
coeficiente de explicação da função potencial?
c) ajustar a função exponencial e testar a existência de regressão, adotando  = 0,05 . Qual é o
coeficiente de explicação da função exponencial?
d) Qual das três funções ajustadas é a melhor? Comente.

153
 ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA

11 INTRODUÇÃO
O modelo estatístico de uma regressão linear múltipla, sendo Y a variável dependente e,
as k ( k  1) variáveis independentes X1 , X 2 , X k , será dado por:

Y = 0 + 1X1 + 2 X2 +  + k Xk + 

Na forma matricial:

Y = X + 

 Y1  1 X11 X12 ... X1 k   0   1 

  1 X X 22

... X 2 k   1   2 
 Y2  =  21  + 
          
      
 Yn  1 X n1 Xn 2 ... X n k   k   n 

A estimativa dessa equação de regressão será dada pelo modelo a seguir:

Ŷ = b0 + b1X1 + b 2 X2 +  + bk Xk

As estimativas b 0 , b1 , b 2 ,, b k dos coeficientes β0, β1, β2, ...,βk , podem ser calculadas pelo
método dos mínimos quadrados, partindo de hipóteses análogas àquelas adotadas para
regressão linear simples.
Adotando-se a forma matricial, as estimativas dos coeficientes, são obtidas através de:

b = ( XX) −1 X Y

b 0   Y1  1 X 11 X 12 ... X 1 k 
     
b Y2  1 X 21 X 22 ... X 2 k 
Onde: b =  1 ; Y=  ; X=
         
     
b k   Yn  1 X n 1 Xn 2 ... X n k 

11.1 REGRESSÃO LINEAR COM 2 VARIÁVEIS INDEPENDENTES

O modelo de regressão com 2 variáveis independentes é dado por:

Y =  0 + 1 X 1 +  2 X 2 + 

A estimativa dessa equação é expressa por:

Ŷ = b0 + b1X1 + b 2 X 2

11.1.1 ESTIMATIVAS DOS COEFICIENTES DE REGRESSÃO

As estimativas dos coeficientes o , 1 e 2 podem ser obtidas através de:

b = ( XX) −1 X Y
154
  Y1  1 X11 X12 
b 0     
Onde: b = b1  ;
Y 1 X 21 X 22 
Y =  2 ; X = 
      
 b 2     
 Yn  1 X n1 X n2 

11.1.2 TESTE PARA VERIFICAR A SIGNIFICÂNCIA DA REGRESSÃO

O teste para verificar a significância da regressão é feito através da estatística F, utilizando

o quadro da ANOVA.

FONTE DE
SOMA DOS QUADRADOS G.L. QUADRADO MÉDIO F
VARIAÇÃO
SQE
Explicada SQE = b1S YX1 + b 2S YX2 2 QME =
2
SQR QME
Residual SQR = S YY − b1S YX1 − b 2S YX2 n−3 QMR = F=
n−2 QMR

Total SQT = S YY n −1

2
n 
  yi 
=  yi − 
n
2 i=1 
onde: S YY , sendo a variância de Y.
i=1 n

 n  n 
  y i    x 1i 
S YX1 =  ( y i x 1i ) − 
n i=1   i=1 
, que é a covariância entre Y e X 1
i=1 n

 n  n 
  y i    x 2i 
S YX 2 =  ( y i x 2 i ) − 
n i=1   i=1 
, que é a covariância entre Y e X 2
i=1 n

Se Fcalc  F; 2; n−3 , conclui-se que a regressão de Y sobre X1 e X2 é significativa.

11.1.3 CÁLCULO DO COEFICIENTE DE DETERMINAÇÃO OU EXPLICAÇÃO

O coeficiente de determinação R 2 , indica quantos por cento a variação explicada pela

regressão representa da variação total. Este varia entre 0 e 1. Quanto mais próximo de 1, maior
é a explicação pelo modelo da variação total.

A expressão de R 2 é dada por:

b1S YX1 + b 2 S YX2 SQE
R2 = =
S YY SQT

Exemplos:

1) Um estudo foi realizado sobre o desgaste de um mancal, Y, e sua relação com X1=viscosidade
do óleo e X2=carga. Os seguintes dados foram obtidos:

155
 yi x 1i x 2i

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 regressão linear múltipla, testar a significância da regressão ao nível

de 5% de significância e calcular o coeficiente de determinação.

Solução:

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

 1 1 1 1 1 1 1 1 1 1 
 
X  =  1,6 15,5 22,0 43,0 33,0 40,0 35,0 13,0 11,0 8,9 
851 816 1058 1021 1357 1115 918 834 845 820

 10 223 9.815   4,5640 0,0441 - 0,0055

  −1  
X X =  223 6.859,02 237.874,6 ( X X) =  0,0441 0,0013 - 0,0001
9.815 237.874,6 9.961.201 - 0,0055 - 0,0001 0,0000 

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

508,6320
−1  
b = ( XX) X  Y =  - 1,2114 
 - 0,3011 

156
 O modelo estimado é: Ŷ = 508,6320 − 1,2114X1 − 0,3011X 2

OBS. yi x 1i x 2i y i x1i y i x 2i y i2
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 223,0 9.815 33.494,8 1.704.865 393.575
MÉDIA 186,1 22,3 981,5

2
n 
  y i 
n
 i=1  1.8612
S YY =  yi −
2
= 393.575 - = 47.242,9
i=1 n 10

SQT = S YY = 47.242,9

 n  n 
  y i    x 1i 
n
 i=1   i=1  1.861 223
S YX1 =  ( y i x 1i ) − = 33.494,8 - = -8.005,5
i=1 n 10

 n  n 
  y i    x 2 i 
n
 i=1   i=1  1.861 9.815
S YX2 =  (y i x 2i ) − = 1.704.865 - = -121.706,5
i=1 n 5

SQE = b1S YX 1 + b 2 S YX 2 = −1,2114  (-8.005,5 ) − 0,3011  -121.706,5 = 46.343,689 9

SQR = S YY − b1S YX 1 + b 2 S YX 2 = 47 .242,9 − 46 .343,6899 = 899,2102

ANOVA para verificar a significância da regressão:

FONTE DE QUADRADO
SOMA DOS QUADRADOS G.L. F
VARIAÇÃO MÉDIO
Explicada SQE = 46.343,6899 2 QME = 2.3171,84

Residual SQR = 899,2102 7 QMR = 128,4586 F = 180,38

Total SQT = 47.242,9 9

Tem-se que: F0,05 ; 2,7 = 4,74

157
 Conclusão: Como F calculado é igual a 180,38 e é maior que F0,05 ; 2,7 = 4,74 , conclui-se
que a regressão é significativa, ao nível de 5% de significância.

Cálculo de coeficiente de determinação:

b1S YX1 + b 2 S YX2 SQE 46.343,6899

R2 = = = = 0,9810
S YY SQT 47.242,9000

O modelo ajustado explica 98,10% das variações ocorridas em Y.

2) Uma indústria fabrica um produto em dois tamanhos (pequeno e grande). Conhecendo-se o

consumo total de matéria-prima (Y), em kg, durante 5 meses, e as respectivas produções mensais
do tipo pequeno (X1) e do tipo grande (X2), pede-se:
a) ajustar um modelo de regressão linear múltipla;
b) verificar a significância da regressão, ao nível de significância de 10%;
c) calcular o coeficiente de determinação.

yi x 1i x 2i
145 151 70
210 221 91
193 215 92
229 247 122
195 243 79

Solução:

a) Cálculo das estimativas dos coeficientes

Tem-se que: b = ( XX) −1 X Y

145  1 151 70 
   
210 1 221 91   1 1 1 1 1 
 
Y = 193  ; X = 1 215 92  ; 
X = 151 221 215 247 243
   
229 1 247 122  70 91 92 122 79 
195  1 243 79 

 5 1077 454   8,3935 - 0,0292 - 0,0209

   
X X = 1077 237925 99792 ; ( XX) −1 = - 0,0292 0,0003 - 0,0004
 454 99792 42770 - 0,0209 - 0,0004 0,00115

 2,5170 0,0322 0,1866 − 1,3758 − 0,3600

−1  
( XX) X = − 0,0112 0,0016 − 0,0006 − 0,0026 0,0128 
 0,0010 − 0,0019 0,0015 0,0234 − 0,0242

22,4821
−1  
b = ( XX) X Y =  0,4957 
 0,7175 

158
 O modelo estimado é: Ŷ = 22,4821+ 0,4957X1 + 0,7175X 2

yi x 1i x 2i y i x1i y i x 2i y i2
OBS.
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
MÉDIA 194,4 215,4 90,8

Cálculo das somas de quadrados:

2
n 
  y i  2
=  yi −   = 192.840 - 972 = 3.883,2
n
2 i=1
S YY
i=1 n 5

SQT = S YY = 3.883,2

 n  n 
  y i    x 1i 
n
 i=1   i=1  972  1077
S YX1 =  ( y i x 1i ) − = 213.748 - = 4.379,2
i=1 n 5

 n  n 
  y i    x 2 i 
n
 i=1   i=1  972  454
S YX2 =  (y i x 2i ) − = 90.359 - = 2.101,4
i=1 n 5

SQE = b1S YX 1 + b 2 S YX 2 = 0,4957  4.379 ,2 + 0,7175  2.101,4 = 3.678,5239

SQR = S YY − b1S YX 1 − b 2 S YX 2 = 3833 ,2 − 3678 ,5239 = 204,6761

OU SQR = SQT − SQE = 3.883,2000 − 3.678,5239 = 204,6761

b) ANOVA para verificar a significância da regressão:

FONTE DE QUADRADO
SOMA DOS QUADRADOS G.L. F
VARIAÇÃO MÉDIO
Explicada SQE = 3.678,5239 2 QME = 1839,262

Residual SQR = 204,6761 2 QMR = 102,338 F = 17,97

Total SQT = 3.833,2000 4

Tem-se que : F0,10 ; 2,2 = 9,00

Conclusão: Como F calculado é igual a 17,97 e é maior que F0,10 ; 2,2 = 9,00 , conclui-se que a
regressão é significativa, ao nível de 10% de significância.

c) Cálculo de coeficiente de determinação

159
 b1S YX1 + b 2S YX2 SQE 3.678,5239
R2 = = = = 0,9473
S YY SQT 3.833,2

O modelo ajustado explica 94,73% das variações ocorridas em Y.

LISTA DE EXERCÍCIOS NO. 10 – ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA

1) Uma investigação sobre um processo de fundição gerou os dados a seguir sobre X1 =

temperatura da fornalha, X 2 = tempo de moldagem da matriz e Y = diferença de temperatura na
superfície 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 regressão linear múltipla e testar a significância da regressão, adotando

 = 0,05 . Qual é o coeficiente de explicação do modelo?

2) Um estudo realizado para investigar a relação entre a variável resposta relativa a quedas de
pressão em uma coluna de bolhas de uma chapa térmica e os previsores X1 = velocidade do fluído
superficial e X 2 = viscosidade do líquido, 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
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 regressão linear múltipla e testar a significância da regressão, adotando

 = 0,01. Qual é o coeficiente de explicação do modelo?

160
 CONTROLE ESTATÍSTICO DO PROCESSO

12 INTRODUÇÃO

Se um produto deve atender as exigências do cliente, em geral, deve ser produzido por um
processo que seja estável ou replicável. Ou melhor, o processo deve ser capaz de operar com
pequena variabilidade em torno das dimensões-alvo ou nominais, das características da qualidade
do produto. O controle estatístico do processo (CEP) é um conjunto de ferramentas poderoso, útil
para obter estabilidade do processo e melhoria da capacidade através da redução da variabilidade.
O CEP pode ser aplicado a qualquer processo.

12.1 GRÁFICOS DE CONTROLE

O objetivo principal dos gráficos de controle é fornecer informações úteis no

aperfeiçoamento do processo. Quando se atinge o controle estatístico do processo tem-se várias
vantagens, tais como:
• Fração de defeituosos permanece constante (na média);
• Custos e índices de qualidade serão previsíveis;
• Produtividade será máxima com o sistema corrente.
Gráfico de Controle: Representação gráfica de uma qualidade medida ou avaliada a partir
de uma amostra, versus o número da amostra ou tempo.
• Contém uma linha central, representando o valor médio ou a média da característica da
qualidade que corresponde ao estado sob controle, ou seja, estão presentes somente as
causas aleatórias.
• São mostradas também, duas linhas horizontais:
Limite superior de controle (LSC)
Limite inferior de controle (LIC)

Um modelo geral para um gráfico de controle:

w: uma estatística amostral que mede alguma característica da qualidade de interesse;
 w : a média de w
 w : desvio padrão de w

Então, a linha central, o limite superior de controle e o limite inferior de controle se tornam:
LSC =  w + L w
LC =  w
LIC =  w − L w

onde L é a distância dos limites de controle à linha central, expressa em unidades de desvio padrão.
Usualmente utiliza-se três-sigma, sendo assim L=3. Os limites três sigmas são comumente
utilizados nos Estados Unidos.

A teoria geral dos gráficos de controle foi proposta, inicialmente pelo Dr. Walter A. Shewhart.
Os gráficos de controle desenvolvidos segundo esses princípios são chamados gráficos de
controle de Shewhart.
161
12.2 GRÁFICO DE CONTROLE PARA VARIÁVEIS

As características de qualidade podem ser expressas em termos de uma medida

quantitativa, numérica. Exemplos: diâmetro dos cilindros de um automóvel; volume de um
recipiente. São chamados de variáveis.

Neste caso, controla-se normalmente, tanto o valor médio como a sua variabilidade, através
de gráficos separados.

12.2.1 GRÁFICO DE CONTROLE DE X

Este gráfico é utilizado para o controle do valor médio do desempenho do processo.

Suponha que a característica de qualidade (variável) que se pretende controlar tenha

distribuição normal com média  e desvio padrão  , ambos desconhecidos.

Estes parâmetros devem ser estimados com base em pelo menos 20 a 25 amostras, sendo
cada uma de tamanho 4 ou 5.
Seja X1, X 2 ,..., Xn elementos de uma amostra aleatória de um processo que está sob
investigação. Então, tem-se:
n
 Xi
i=1 X1 + X 2 + ... + X n
X= =
n n

E, sejam X1, X 2 ,..., X m as médias de cada uma das m amostras. Então, o melhor estimador
de  , a média do processo, é a média geral, isto é:

m
 Xi
j=1 X1 + X 2 + ... + X m
X= = ,
m m

Assim, X deve ser usado como linha central no gráfico X .

Para construir os limites de controle, é necessária uma estimativa do desvio padrão . É

possível estimar  através dos desvios padrão ou das amplitudes amostrais.
Sejam X1, X 2 ,..., Xn elementos de uma amostra aleatória de um processo que está sob
investigação. Então, tem-se que a amplitude R é definida como:
R = Xmáximo − Xmínimo

Sejam R1, R 2 ,...,R m as amplitudes das m amostras. A amplitude média é:

m
 Ri
j=1 R + R 2 + ... + R m
R= = 1
m m

Com base na normalidade, calcula-se os limites de controle três sigmas para o gráfico de
̅.
controle de X
162
LC = ̿X linha central
̿ + A2 R
LSC = X ̅ limite superior de controle
LIC = ̿X - A2 R
̅ limite inferior de controle

Onde:
X̿ é a média das m amostras
̅ é a amplitude média das m amostras
R
A2 é constante tabelado em função do tamanho da amostra n.

12.2.2 GRÁFICO DE CONTROLE DE R

̅
LC=R linha central
̅
LSC=D4 R limite superior de controle
̅
LIC=D3 R limite inferior de controle

Onde:
̅ é a amplitude média das m amostras
R
D3 e D 4 são constantes tabelados em função do tamanho da amostra n.

CONSTANTES EM FUNÇÃO DOS TAMANHOS DA AMOSTRA

CONS- TAMANHOS DA AMOSTRA
TANTE 2 3 4 5 6 7 8 9 10
A2 1,880 1,023 0,729 0,577 0,483 0,419 0,373 0,337 0,308
D3 0 0 0 0 0 0,076 0,136 0,184 0,223
D4 3,267 2,575 2,282 2,115 2,004 1,924 1,864 1,816 1,777

CONS- TAMANHOS DA AMOSTRA

TANTE 11 12 13 14 15 16 17 18 19
A2 0,285 0,266 0,249 0,235 0,223 0,212 0,203 0,194 0,187
D3 0,256 0,283 0,307 0,328 0,347 0,363 0,378 0,391 0,403
D4 1,744 1,717 1,693 1,672 1,653 1,637 1,622 1,608 1,597

Exemplo 1:

A tabela que se segue lista a quantidade de energia elétrica (em kWh) de certa residência.

TABELA 13 – CONSUMO BIMESTRAL DE ENERGIA ELÉTRICA (Kwh)

DE CERTA RESIDÊNCIA
PERÍODO CONSUMO BIMESTRAL (em kWh)
Ano 1: primeira metade 3375 2661 2073
Ano 1: segunda metade 2579 2858 2296
Ano 2: primeira metade 2812 2433 2266
Ano 2: segunda metade 3128 3286 2749
Ano 3: primeira metade 3427 578 3792

Usando subgrupos de tamanho n=3 correspondendo às linhas da tabela, construa os

gráficos de média e amplitude.
163
Solução:

PERIODO 1 2 3 SOMA MÉDIA R

Ano 1: primeira metade 3375 2661 2073 8109 2703,0000 1302
Ano 1: segunda metade 2579 2858 2296 7733 2577,6667 562
Ano 2: primeira metade 2812 2433 2266 7511 2503,6667 546
Ano 2: segunda metade 3128 3286 2749 9163 3054,3333 537
Ano 3; primeira metade 3427 578 3792 7797 2599,0000 3214
SOMA 40313
MÉDIA 2687,5333 2687,5333 1232,20

Gráfico de controle de ̅
X

LC = ̿X = 2687,5333
̿ + A2 R
LSC = X ̅ = 2687,5333+1,023×1232,20=3948,0739

LIC = ̿X - A2 R
̅ = 2687,5333 -1,023×1232,20=1426,9927

Gráfico de controle de R
LC = ̅
R =1232,20
̅ = 2,575×1232,20 = 3172,915
LSC=D4 R
̅ = 0×1232,20=0
LIC=D3 R

164
Exemplo 2:
A tabela a seguir fornece dados sobre medidas de diâmetros de rolamentos de esferas usados nas
rodas de equipamento pesado de construção. Doze amostras, cada uma de tamanho quatro, são
extraídas diretamente da linha de produção. As amostras são provenientes de todos os três turnos,
e nenhuma amostra contém dados de mais de um turno. Use esses dados para construir gráficos
X e R, e para verificar se o processo está estável. Suponha que as medidas dos diâmetros sejam
normalmente distribuídas.

TABELA 14 – MEDIDAS DE DIÂMETROS (mm) DE ROLAMENTOS

DE ESFERAS USADOS NAS RODAS DE EQUIPA-
MENTO PESADO DE CONSTRUÇÃO
OBSERVAÇÕES
AMOSTRA
1 2 3 4
1 15,155 15,195 15,145 15,125
2 15,095 15,162 15,168 15,163
3 15,142 15,150 15,168 15,152
4 15,132 15,168 15,154 15,146
5 15,172 15,188 15,178 15,194
6 15,174 15,166 15,186 15,194
7 15,166 15,178 15,192 15,184
8 15,172 15,187 15,193 15,180
9 15,182 15,198 15,185 15,195
10 15,170 15,150 15,192 15,180
11 15,186 15,194 15,175 15,185
12 15,178 15,192 15,168 15,182

Solução:
X1 + X 2 + ... + X n
X=
n
R=Xmáximo -Xmínimo

OBSERVAÇÕES ̅j
AMOSTRA X Rj
1 2 3 4
1 15,155 15,195 15,145 15,125 15,155 0,070
2 15,095 15,162 15,168 15,163 15,147 0,073
3 15,142 15,150 15,168 15,152 15,153 0,026
4 15,132 15,168 15,154 15,146 15,150 0,036
5 15,172 15,188 15,178 15,194 15,183 0,022
6 15,174 15,166 15,186 15,194 15,180 0,028
7 15,166 15,178 15,192 15,184 15,180 0,026
8 15,172 15,187 15,193 15,180 15,183 0,021
9 15,182 15,198 15,185 15,195 15,190 0,016
10 15,170 15,150 15,192 15,180 15,173 0,042
11 15,186 15,194 15,175 15,185 15,185 0,019
12 15,178 15,192 15,168 15,182 15,180 0,024
SOMA 182,0590 0,4030
MÉDIA 15,1716 0,0336

165
 ∑m
j=1 Xj 182,0590
X= = = 15,171583
m 12
m
R j
j=1 0,4030
R= = = 0,033583
m 12

Gráfico de controle de X

LC = ̿X = 15,171583
̿ + A2 R
LSC = X ̅ = 15,171583 + 0,729×0,033583 = 15,196065

LIC = ̿X - A2 R
̅ = 15,171583 - 0,729×0,033583 = 15,147101

Gráfico de controle de R
LC = ̅
R =0,0336
̅ =2,282×0,0336=0,0767
LSC=D4 R
̅ = 0×0,0336=0
LIC=D3 R

166
Eficiência de R em relação a S

Estudos realizados mostram que o tamanho da amostra é fator preponderante na determinação da

eficiência de R comparada a S.

TABELA 15 - EFICIÊNCIA RELATIVA DE R COM-

PARADA A S, SEGUNDO ALGUNS
MANHOS DE AMOSTRA
TAMANHO DA EFICIÊNCIA
AMOSTRA (n) RELATIVA
2 1,000
3 0,992
4 0,975
5 0,955
6 0,930
10 0,850

12.3 GRÁFICO DE CONTROLE PARA ATRIBUTOS

12.3.1 GRÁFICO DE CONTROLE PARA FRAÇÃO DE NÃO CONFORMES (GRÁFICO P)

Neste caso, considera-se como medida de qualidade a fração de defeituosos produzidos

pelo processo. Entende-se por fração de produtos defeituosos como a razão entre o número de
itens defeituosos e o total de itens.
Os princípios subjacentes ao gráfico de controle para a fração de não conformes baseiam-
se na distribuição binomial.
Quando a fração de não conformes do processo, p, não é conhecida, deve, então, ser
estimada a partir de dados observados. O procedimento usual é a seleção de m amostras
preliminares, cada uma de tamanho n. Como regra geral, m deve ser 20 ou 25.
Então, se há Di unidades não conformes na amostra i , calcula-se a fração de não
conformes na i-ésima amostra através de:
Di
p̂ i = , i = 1, 2,..., m
n
A média p dessas frações de não conformes das amostras individuais é:
m m
 Di  p̂ i
i=1 i=1
p= =
mn m
Os limites de controle e a linha central do gráfico de controle serão definidos através de:

p(1 − p)
LIC = p − 3
n
LC = p
p (1 − p)
LSC = p + 3
n

167
Exemplo 1:

Usa-se um gráfico de controle para a fração de não conformes de uma parte plástica fabricada em
um processo de moldagem por injeção. Dez subgrupos fornecem os seguintes dados:
Estabeleça um gráfico de controle para a fração de não conformes em amostra de n=100.

No. DE NÃO
AMOSTRA
CONFORMES
1 10
2 15
3 31
4 18
5 24
6 12
7 23
8 15
9 8
10 8

Solução:

No. DE NÃO p̂i

AMOSTRA
CONFORMES
1 10 0,100
2 15 0,150
3 31 0,310
4 18 0,180
5 24 0,240
6 12 0,120
7 23 0,230
8 15 0,150
9 8 0,080
10 8 0,080
SOMA 1,640
p̅ 0,164

p = 0,164

LC = p = 0,164
p(1 − p) 0,164 (1 − 0,164 )
LIC = p − 3 = 0,164 − 3
n 100
LIC = 0,0529
p(1 − p) 0,164 (1 − 0,164 )
LSC = p + 3 = 0,164 + 3
n 100
LSC = 0,2751

168
Exemplo 2:
Um processo que produz cárter para mancais é controlado por um gráfico de controle para a fração
de não conformes, usando tamanho de amostra n=100 e uma linha central p = 0,02 .
a) Ache os limites três-sigma para esse gráfico;
b) Analise as dez novas amostras (n=100) mostrada para controle estatístico. Que conclusões
podem ser tiradas sobre o processo?

No. DE NÃO
AMOSTRA
CONFORMES
1 5
2 2
3 3
4 8
5 4
6 1
7 2
8 6
9 3
10 4

Solução:
a) p = 0,02
LC = 0,02

p̅ ×(1 - p̅ ) 0,02×0,98
LIC=p̅ - 3√ =0,02 - 3√ =0,02-3×0,014= - 0,022
n 100

p̅ ×(1 - p̅ ) 0,02×0,98
LSC=p̅ + 3√ =0,02+ 3√ =0,02+3×0,014= 0,062
n 100

169
b)
No. DE NÃO p̂i No. DE NÃO p̂i
AMOSTRA AMOSTRA
CONFORMES CONFORMES
1 5 0,05 7 2 0,02
2 2 0,02 8 6 0,06
3 3 0,03 9 3 0,03
4 8 0,08 10 4 0,04
5 4 0,04 SOMA 0,38
6 1 0,01
p= 0,038

A média de fração de não conformes aumentou, passou de 0,02 para 0,038.

LISTA DE EXERCÍCIOS NO. 11 – CONTROLE ESTATÍSTICO DO PROCESSO

1. A espessura de uma placa de circuito impresso é um parâmetro importante da qualidade. Foram

obtidas as espessuras (em polegadas, in) de 25 amostras, sendo três placas cada amostra.

AMOSTRA x1 x2 x3 AMOSTRA x1 x2 x3
1 0,0629 0,0636 0,0640 14 0,0645 0,0640 0,0631
2 0,0630 0,0631 0,0622 15 0,0619 0,0644 0,0632
3 0,0628 0,0631 0,0633 16 0,0631 0,0627 0,0630
4 0,0634 0,0630 0,0631 17 0,0616 0,0623 0,0631
5 0,0619 0,0628 0,0630 18 0,0630 0,0630 0,0626
6 0,0613 0,0629 0,0634 19 0,0636 0,0631 0,0629
7 0,0630 0,0639 0,0625 20 0,0640 0,0635 0,0629
8 0,0628 0,0627 0,0622 21 0,0628 0,0625 0,0616
9 0,0623 0,0626 0,0633 22 0,0615 0,0625 0,0619
10 0,0631 0,0631 0,0633 23 0,0630 0,0632 0,0630
11 0,0635 0,0630 0,0638 24 0,0635 0,0629 0,0635
12 0,0623 0,0630 0,0630 25 0,0623 0,0629 0,0630
13 0,0635 0,0631 0,0630

Construir os gráficos de controle X e R para esse processo. O processo está sob controle?

2. A tabela apresenta, 20 subgrupos de cinco medidas, de uma dimensão crítica de uma peça
produzida por um processo de usinagem.
AMOS- AMOS-
TRA x1 x2 x3 x4 x5 TRA x1 x2 x3 x4 x5
1 138,1 110,8 138,7 137,4 125,4 11 139,6 127,9 151,1 143,7 110,5
2 149,3 142,1 105,0 134,0 92,3 12 125,3 160,2 130,4 152,4 165,1
3 115,9 235,6 124,2 155,0 117,4 13 145,7 101,8 149,5 113,3 151,8
4 118,5 116,5 130,2 122,6 100,2 14 138,6 139,0 131,9 140,2 141,1
5 108,2 123,8 117,1 142,4 150,9 15 110,1 114,6 165,1 113,8 139,6
6 102,8 112,0 135,0 135,0 145,8 16 145,2 101,0 154,6 120,2 117,3
7 120,4 84,3 112,8 118,5 119,3 17 125,9 135,3 121,5 147,9 105,0
8 132,7 151,1 124,0 123,9 105,1 18 129,7 97,3 130,5 109,0 150,5
9 136,4 126,2 154,7 127,1 173,2 19 123,4 150,0 161,6 148,4 154,2
10 135,0 115,4 149,1 138,3 130,4 20 144,8 138,3 119,6 151,8 142,7

Construir gráficos de controle X e R para esse processo. O processo está sob controle?

170
3. Os dados apresentados a seguir são a média e a amplitude de 24 amostras de tamanho 5
tomadas de um processo de produção de eixos. Calcular os limites de controle para o gráfico da
média e para o gráfico da amplitude.

AMOSTRA Xi R AMOSTRA Xi R AMOSTRA Xi R

1 34,95 0,22 9 35,08 0,37 17 35,00 0,28
2 35,05 0,33 10 35,02 0,09 18 35,04 0,29
3 35,01 0,27 11 34,98 0,33 19 35,0 0,27
4 34,97 0,16 12 34,98 0,23 20 34,81 0,27
5 35,02 0,39 13 35,03 0,15 21 34,96 0,29
6 34,95 0,19 14 35,05 0,29 22 35,05 0,18
7 34,96 0,21 15 35,00 0,31 23 35,02 0,29
8 34,97 0,27 16 34,92 0,18 24 35,03 0,29

4. A tabela abaixo apresenta as medidas dos diâmetros internos (mm) de anéis de pistão de
motores de automóveis.

AMOSTRA X1 X2 X3 X4 X5
1 74,030 74,002 74,019 73,992 74,008
2 73,995 73,992 74,001 74,011 74,004
3 73,988 74,024 74,021 74,005 74,002
4 74,002 73,996 73,993 74,015 74,009
5 73,992 74,007 74,015 73,989 74,014
6 74,009 73,994 73,997 73,985 73,993
7 73,995 74,006 73,994 74,000 74,005
8 73,985 74,003 73,993 74,015 73,988
9 74,008 73,995 74,009 74,005 74,004
10 73,998 74,000 73,990 74,007 73,995
11 73,994 73,998 73,994 73,995 73,990
12 74,004 74,000 74,007 74,000 73,996
13 73,983 74,002 73,998 73,997 74,012
14 74,006 73,967 73,994 74,000 73,984
15 74,012 74,014 73,998 73,999 74,007
16 74,000 73,984 74,005 73,998 73,996
17 73,994 74,012 73,986 74,005 74,007
18 74,006 74,010 74,018 74,003 74,000
19 73,984 74,002 74,003 74,005 73,997
20 74,000 74,010 74,013 74,020 74,003
21 73,982 74,001 74,015 74,005 73,996
22 74,004 73,999 73,990 74,006 74,009
23 74,010 73,989 73,990 74,009 74,014
24 74,015 74,008 73,993 74,000 74,010
25 73,982 73,984 73,995 74,017 74,013
Construir os gráficos de controle de X e de R.
5. Usa-se um gráfico de controle para a fração não conforme de uma parte plástica fabricada em
um processo de moldagem por injeção. Dez amostras fornecem os seguintes dados:

(Continua)
TAMANHO NÚMERO DE
AMOSTRA DA NÃO
AMOSTRA CONFORMES
1 100 10
2 100 15
3 100 31
4 100 18
5 100 24
6 100 12
171
 (Conclusão)
TAMANHO NÚMERO DE
AMOSTRA DA NÃO
AMOSTRA CONFORMES
7 100 23
8 100 15
9 100 8
10 100 8
6. Os dados que seguem apresentam os resultados da inspeção de todas as unidades de
computadores produzidos durante os últimos 10 dias. O processo parece estar sob controle?
UNIDADES UNIDADES
DIA INSPECIONADAS NÃO
( ni ) CONFORMES
1 80 4
2 110 7
3 90 5
4 75 8
5 130 6
6 120 6
7 70 4
8 125 5
9 105 8
10 95 7
Obs: Calcular os limites de controle para cada n i .

7. Um processo produz correias de transmissão de borracha em lotes de tamanho 2500. Inspeção

dos últimos 20 lotes mostram os seguintes dados.

UNIDADES NÃO UNIDADES NÃO

No. LOTE No. LOTE
CONFORMES CONFORMES
1 230 11 456
2 435 12 394
3 221 13 285
4 346 14 331
5 230 15 198
6 327 16 414
7 285 17 131
8 311 18 269
9 342 19 221
10 308 20 407

Calcular os limites de controle para fração de não conformes e construir o gráfico.

8. Um altímetro é considerado defeituoso se não pode ser calibrado ou corrigido para fornecer
leituras precisas (dentro de 20 fit, ou aproximadamente 6,10 metros de altitude real). Uma empresa
produz altímetros em lotes de 100, e cada altímetro é testado e se determina se é aceitável ou
defeituoso. A seguir, estão listados os números de altímetros defeituosos em lotes sucessivos de
100. Construa um gráfico de controle para a proporção p de altímetros defeituosos e determine se
o processo está sob controle estatístico.

LOTES 1 2 3 4 5 6 7 8 9 10 11 12
ALTÍMETROS
DEFEITUOSOS
2 0 1 3 1 2 2 4 3 5 3 7

172
 BIBLIOGRAFIA

1. AMADEU, M. S. U. S. et. al. Manual de normalização de documentos científicos de acordo com

as normas da ABNT. Curitiba: Ed. UFPR, 2015.
2. BARBETTA, P. A.; REIS, M. M.; BORNIA, A. C. Estatística para cursos de engenharia e
infomática. 3a. ed. São Paulo: Ed. Atlas S. A., 2010.
3. BUSSAB, W.O.; MORETTIN, P. A. Estatística Básica. 5ª Edição, Editora Saraiva, 2002.
4. COSTA NETO, P. L. O. Estatística. 2 ed. rev., São Paulo: Edgard Blücher, 1994.
5. DEVORE, J. L. Probabilidade e estatística para engenharia e ciências. São Paulo: Pioneira
Thomson Learning, 2006.
6. GUPTA, B. C; GUTTMAN, I. Estatística e probabilidade com aplicações para engenheiros e
cientistas. Rio de Janeiro: LTC, 2017.
7. MARQUES, J. M.; MARQUES, M. A. M. Estatística Básica para os Cursos de Engenharia.
Curitiba: Domínio do Saber. 2009.
8. MEYER, P. L. Probabilidade. Aplicações à Estatística. Rio de Janeiro: Livros Técnicos e
Científicos, 1978.
9. MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros.
4 ed. Rio de Janeiro: LTC, 2009.
10. RYAN, T. Estatística Moderna para Engenharia. Rio de Janeiro: Elsevier, 2009.

173
 TABELAS

TABELA A1.1 – ÁREAS 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

174
TABELA A1.2 – ÁREAS 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

175
TABELA A2 - DISTRIBUIÇÃO ‘ 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

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

176
TABELA A3 - DISTRIBUIÇÃO 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

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

177
TABELA A4 - DISTRIBUIÇÃO ‘F’ DE SNEDECOR

Nível de significância de 1%

1 1 2 3 4 5 6 7 8 12 24 
2
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

178
TABELA A5 - DISTRIBUIÇÃO ‘F’ DE SNEDECOR

Nível de significância de 5%

1 GRAUS DE LIBERDADE DO NUMERADOR

1 2 3 4 5 6 7 8 12 24 
2
1 161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 243,91 249,05 254,31
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

179
TABELA A6 - DISTRIBUIÇÃO ‘F’ DE SNEDECOR

Nível de significância de 10%

1 GRAUS DE LIBERDADE DO NUMERADOR

1 2 3 4 5 6 7 8 12 24 
2
1 39,86 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

180
TABELA A7 - VALORES CRÍTICOS ( dc ) PARA TESTE DE LILLIERFORS

n  = 5%  = 1%
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
0,886 1,031
n  30 dc = dc =
n n

181
 SOLUÇÕES DAS LISTAS DE EXERCÍCIOS

LISTA DE EXERCÍCIOS NO. 1

2. a) k = n = 30 = 5,48  6
A t = X máx − X min = 81,3 − 29,8 = 51,5
h=9

3. a) k = n = 40 = 6,32  7
A t = X máx − X min = 59 − 31 = 28
h=4
4. X = 74,004 ; Me = 74,0035 ; Mo = 74,005 ; DM = 0,0030 ; S = 0,0047 ; CV = 0,0063%

5. (agrupando os dados em classes)

X = 15,58 ; S = 17,36 ; CV = 111,40% ; M e = 9,01 ; Q1 = 4,60 ; Q 3 = 27,00

6. X = 7,1838 ; S = 0,0207 ; CV = 0,29 % ; M e = 7,185 ; Q1 = 7,18 ; Q 3 = 7,20

7. X = 2,17 ; S = 0,66 ; CV = 30,18 ; M e = 2,13 ; Q1 = 1,82 ; Q 3 = 2,60

8. X = 345,57 ; S2 = 115,62 ; S = 10,75 ; CV = 3,11% ; Mo = a mod al

9. X = 44,5 ; S = 5,71; CV = 12,84 ; Me = 44,71 ; a 3 = 0,18 ; a 4 = 2,33

10. X = 90,85 ; S = 2,98 ; CV = 3,28% ; Me = 90,68 ; a 3 = 0,3684 ; a 4 = 2,8400

11. X = 1,01 ; S = 0,15 ; CV = 15,16 % ; M e = 0,99 ; a 3 = 0,5820 ; a 4 = 3,0660

12. a) Q1 = 39,75 ; Q 2 = 44,00 ; Q3 = 48,25 ; IQ = 8,5 ; LI = 27,00 ; LS = 61,00

Não existem valores outliers.
13. a) Q1 = 89,4 ; Q2 = 90,00 ; Q3 = 90,90 ; IQ = 1,5 ; LI = 87,15 ; LS = 93,15
Existem dois valores outliers: 80,00 e 94,17

LISTA DE EXERCÍCIOS NO. 2

1. a) P(p, p, p, p) = 0,6516 ou 65,16%

b) P(d, d, d, d) = 0,0001 ou 0,01%

2. P( x = 2 b) = 0,4945 ou 49,45%

3. a) P( b e b ) = 0,5526 ou 55,26%
b) P( d e d ) = 0,0526 ou 5,26%
c) P(1 peça boa e 1 peça defeituosa ) = P(b e d) + P( d e b) = 0,3948 ou 39,48%

4. P (apenas um funcione ) = 0,1400 ou 14,00%

5. P( x = 1) = 0,4320 ou 43,20%

6. a) P( X  3) = 0,6976 ou 69,76%
b) P( X  2) = 1 − 0,0428 = 0,9572

7. P(não haja corrente ) = 0,3880 ou 38,30%

8. R = 0,8664 ou 86,64%

182
9. R = 0,9975 ou
10. P ( A 1 | Q) = 0,5882 ou 58,82%
11. a) P( A / qualidadea ceitável ) = 0,3821  38,21 %
b) P(qualidade aceitável | C) = 0,9167 ou 91,67%
c) P(B | qualidade m arg inal ) = 0,2500 ou 25,00%
12. P(B) = 0,0235 = 2,35 %

LISTA DE EXERCÍCIOS NO. 3

1. E( X) = 12,5
V( X) = 1,85
2. a) E( X) = 5,4
b) V( X) = 2,44
c)  = 2,44 = 1,562

3. a) P( X  5) = 0,37
b) média=4 funcionarão mais de 3 meses
20 − 4 = 16 lâmpadas deverão ser substituídas
4. a) P( X = 5) = 0,2373 ou 23,73%
b)  = 3,75
4. P( X = 0) = 0,6690 ou 66,90%
6. a) P( X = 3) = 0,1404 = 14,04%
b) P( X  3) = 0,1247 = 12,47 %
7. a) P( X  2) = 0,1117 = 11,17 %
b) P( X  49 ) = 4,51 x10 −48
8. a) P( x  9) = 0,4068 = 40,68 %
b) P( x  2) = 0,0001 = 0,01%

9. a) P( x  2)0,1247 = 12,47%
b) P( x = 8) = 0,0653 = 6,53%
c) P(5  x  8) = 0,4914 = 49,14%

10. a) P( X  1) = 0,9644 = 96,44 %

b) P( X = 1) = 0,3940 = 39,40 %

11. P ( X = 1) = 0,4696  46,96 %

LISTA DE EXERCÍCIOS NO. 4

1. P( X  1) = 0,6065
2. P( X  0,9) = 0,5934
3. P( X  2) = 0,3679
4. a) E( X) = 6.000
V(X) = 2.518.500
b) P(5000  X  7000 ) = 2,043 %
5. a) E( X) = 3,3234
b) P( X  10 ) = 8,11 %
6. P( X  35 ) = 0,9938
7. P(2  X  2,05 ) = 0,3944

183
8. P( X  772 ) = 0,9902
9. a) P( 40  X  70 ) = 0,6568
b) x = 40,80
10. x  5,03
11. a) P( X  1,97 ) ou P( X  2,03 ) = 0,0027
b) Perfeitas = 1 − 0,0027 = 0,9973
12. n=816
13. P(24,85  X  25,15 ) = 0,9192

LISTA DE EXERCÍCIOS NO. 5

1. a) P16,60    19,94  = 95 %

b) P 3,0269   2  19,0949  = 95 %
c) P  1,7399    4,3677  = 95 %

2. (74,0353    74,0367 )

3. (1003 ,04    1024 ,96 )

4. a) (58197,33    62082,08 )
b) ( 2.693,29    5.642,85 )

5. a) (8,213    8,247 )
b) ( 0,0005  2  0,0022 )
c) ( 0,02    0,05 )
6. (0,05  p  0,19 )

7. (0,06  p  0,08 )
8. (0,02  p  0,06 )
9. (0,10  p  0,22 )
10.  6,66  1 −  2  8,34 
11.  2,24   2 − 1  3,56 
12.  − 0,48  1 −  2  0,58 
13. a) 1,62  1 − 2  8,38 
b)  0,43  1 −  2  9,57 

14. 1,26  1 − 2  2,52 

15. n = 60
16. n = 664
17. n = 139
18. n = 52

LISTA DE EXERCÍCIOS NO. 6

1. Z calc = 1,52

184
2. t calc = 1,05

3. t calc = 2,07

4. Z calc = −0,21

5. Z calc = −0,06

6. Z calc = 4,13

7. t calc = −0,63

8. t calc = −0,63

9. t calc = 1,66

10. t calc = 3,52

11. t calc = 0,42

12. t calc = -1,46

13. Fcalc = 0,4821

14.  calc
2
= 4,40

LISTA DE EXERCÍCIOS NO. 7

1) d = 0,2034

2) d = 0,1440

LISTA DE EXERCÍCIOS NO. 8

1. F = 20,58 ; Teste de Scheffé: O rendimento da máquina C difere dos de A e B.

2. F = 4,88

3. F = 0,09
4. F = 5,69 ; Teste de Scheffé: O método 3 difere dos métodos 1 e 2.
5. F = 45,75 ; Teste de Scheffé: O tipo de liga 3 difere dos tipos 1 e 2.

LISTA DE EXERCÍCIOS NO. 9

1. a) r = −0,9585 ; t calc = −9,51

b) Ŷ = 22,25 − 0,6208 X ; Fcalc = 90,41 ; R 2 = 91,87%
c) Ŷ = 236,6492 X −1,086 ; Fcalc = 90,25 ; R 2 = 91,86%
d) Ŷ = 31,5264  0,9414 X ; Fcalc = 106 ,06 ; R 2 = 92,99 %
2. a) r = 0,9306 ; t calc = 9,17
b) Ŷ = -25,9336 + 3,1296X ; Fcalc = 51,70 ; R 2 = 86,60 %
c) Ŷ = 0,0005 X 4,0013 ; Fcalc = 568 ,10 ; R 2 = 98,61 %
d) Ŷ = 0,1122  1,4409 X ; Fcalc = 2524 ,10 ; R 2 = 99,68 %

185
3. a) Ŷ = 36,60 + 3,8286 X ; Fcalc = 76,08 ; R 2 = 95,01%
b) Ŷ = 39,1557 X 0,2146 ; Fcalc = 37,55 ; R 2 = 90,37 %
c) Ŷ = 37,758  1,0807 X ; Fcalc = 65,40 ; R 2 = 94,24 %

LISTA DE EXERCÍCIOS NO. 10

1. Ŷ = −199,56 + 0,21X1+3,00X 2 ; Fcalc = 319 ,31 ; R 2 = 99,07%

2. Ŷ = 19,2422 − 0,3540X1 + 0,2409X 2 ; Fcalc = 28,43 ; R 2 = 78,04%

186