APOSTILA EstatisticaII-Paulo Simas

CQE 2011- ASQ - USIMINAS
APOSTILA
1
DE ESTATSTICA II
Tpicos do programa para certificao em Engenharia da Qualidade da ASQC:
VI MTODOS QUANTITATIVOS (53 QUESTES):
D Deciso estatstica:
1- Estimao Pontual e Intervalar (estimadores eficientes e
tendenciosos, erros padres, intervalos de tolerncia, intervalos de
confiana);
2- Testes de Hiptese:
Testes para Mdias, Varincias e Propores;
Nvel de Significncia, poder, erros tipo I e tipo II;
Significncia Estatstica versus Prtica;
3- Comparao Emparelhada;
4- Testes de Ajuste;
5- Anlise de Varincia (ANOVA);
6- Tabelas de Contingncia.
E Medindo e Modelando Relacionamento entre Variveis:
1- Regresso Linear Simples e Mltipla atravs dos Mnimos
Quadrados (isto , calcular e usar o modelo de regresso para estimao e
inferncia, interpretar estatsticas de regresso);
2- Correlao Linear Simples (isto , calcular e interpretar o
coeficiente de correlao, realizar teste de hiptese e calcular o intervalo
de confiana para o coeficiente de correlao);
3- Anlise Temporal Bsica (isto , media aritmtica mvel,
suavizao, estimao de tendncias, variaes sazonais, variaes
cclicas, grficos de sries temporais).
1
Referncias:
Jurans Quality Control Handbook - Fourth Edition - Section 44 (44.41 a 44.81, 44.88 a 44.108)
Estatstica Aplicada Administrao - William J. Stevenson - Ed. Harbra Ltda., 1986.
Estatstica - Pedro Luiz de Oliveira Costa Neto - Ed. Edgard Blcher Ltda., 1991.
Pg.:1
MTODOS QUATITATIVOS
DECISES ESTATSTICAS
Ao induzir, estaremos sujeitos a erro. A estatstica indutiva ir nos dizer at que ponto
poderemos estar errando e com que probabilidade.
ESTIMAO PONTUAL E INTERVALAR
Exemplo: Em uma amostra aleatria de 100 itens de uma populao existem 15 itens
defeituosos:
15 , 0
100
15
= p
uma estimativa pontual da proporo de defeituosos do lote
(populao);
o intervalo de confiana de 95% para p: 0,08 a 0,22;
o intervalo de tolerncia de 95% para 99% da populao: 0,05 a 0,25.
Pg.:2
E s t i m a o d e P a r m e t r o s T e s t e d e H i p t e s e s
E S T A T S T I C A I N D U T I V A :
O b j e t i v o :
T i r a r c o n c l u s e s p r o b a b i l s t i c a s s o b r e o s a s p e c t o s d a s p o p u l a e s ,
c o m b a s e n a o b s e r v a o d e a m o s t r a s e x t r a d a s d e s s a s p o p u l a e s .
M d i a
A m o s t r a s g r a n d e s ( n > = 3 0 )
A m o s t r a s p e q u e n a s ( n < 3 0 )
D e s v i o p a d r o
M d i a d a p o p u l a o c o n h e c i d a
M d i a d a p o p u l a o d e s c o n h e c i d a
V a r i n c i a
P r o p o r o
P o r P o n t o
D e s v i o p a d r o p o p u l a c i o n a l c o n h e c i d o
D e s v i o p a d r o p o p u l a c i o n a l d e s c o n h e c i d o
M d i a
V a r i n c i a
D e s v i o p a d r o
P r o p o r o
I n t e r v a l o d e C o n f i a n a :
C o n t m o p a r m e t r o
I n t e r v a l o d e T o l e r n c i a
C o n t m u m a % d a p o p u l a o
P o r I n t e r v a l o
E s t i m a o d e P a r m e t r o s P o p u l a c i o n a i s
1.1. CONCEITOS:
Estimador: uma quantidade, calculada em funo dos elementos da amostra, que
ser usada no processo de estimao do parmetro desejado. O estimador uma
estatstica.
Estimativa: cada valor assumido por um estimador.
parmetro a ser estimado;
T um estimador de ;
t uma dada estimativa.
1.2. PROPRIEDADES DOS ESTIMADORES:
justeza ou no tendenciosidade : a mdia dos estimadores igual ao parmetro.
) T (
consistncia : se aumentarmos n, diminumos o erro da estimao, ou seja,
amostras suficientemente grandes tornam o erro de estimao to pequeno quanto
se queira.
eficincia : se T
1
e T
2
so dois estimadores de um parmetro, para um mesmo
tamanho de amostra, se:
( ) [ ] ( ) [ ]
2
2
2
1 T T
<
, dizemos que T
1
mais
eficiente que T
2
para estimar , ou seja, a varincia de T
1
menor do que a
varincia de T
2
.
suficincia : o estimador ser suficiente se contiver o mximo possvel de
informao com referncia ao parmetro por ele estimado.
ESTIMAO POR PONTO
ESTIMAO POR PONTO DA MDIA DA POPULAO:
O melhor estimador para a mdia da populao ( ) a mdia da amostra. ( x )
Obs.: a mediana da amostra tem uma eficincia de aproximadamente 64%.
Pg.:3
1.2.1. ESTIMAO POR PONTO DA VARINCIA DA
POPULAO:
O melhor estimador da varincia da populao (
2
) a varincia da amostra (s
2
).
1.2.1.1. QUANDO A MDIA DA POPULAO
CONHECIDA:
( )
2
n
1 i
2
i
n
1 i
2
i
2
n
x
n
x
s

1.2.1.2. QUANDO A MDIA DA POPULAO
DESCONHECIDA:
Neste caso usamos a mdia da amostra ( x ) como estimador de . O estimador s
2
estar viciado (tendencioso) em relao a
2
. Para corrigir, devemos multiplicar o
estimador por
,
_
1 n
n
, assim:
( )
1 n
n / x x
1 n
x x
2
n
1 i
i
n
1 i
2
i
n
1 i
2
i
2
s

,
_
1.2.2. ESTIMAO POR PONTO DO DESVIO PADRO ( ) DA

POPULAO:
O desvio padro da amostra (s) um estimador viciado do desvio padro da
populao.
1.2.2.1. PARA AMOSTRAS GRANDES ( n 25):
Neste caso o vcio tende a zero, logo
2
s s o desvio padro da amostra um
bom estimador do desvio padro da populao.
1.2.2.2. PARA AMOSTRAS PEQUENAS ( n < 25):
Neste caso conveniente corrigir o vcio do estimador s mediante um coeficiente,
designado por c
2
, obtendo-se a estatstica:
( )
n
x x
c
1
s
2
n
1 i
i
2
x
Pg.:4
n c
2
n c
2
n c
2
n c
2
2 0.564 5 0.841 8 0.903 12 0.936
3 0.724 6 0.869 9 0.914 15 0.949
4 0.798 7 0.888 10 0.923 20 0.962
c
2 :
Costa Neto, pag. 68
1.2.3. ESTIMAO POR PONTO DE UMA PROPORO
POPULACIONAL:
A proporo da amostra p, a melhor estimativa para a proporo populacional
p.
1.3. ESTIMAO POR INTERVALO:
1.3.1. INTERVALO DE CONFIANA
1.3.1.1. INTERVALO DE CONFIANA PARA A MDIA:

/2 Intervalo de confiana (1 - ) /2

E
estimativa por ponto

Grau de confiana: a probabilidade (1 - ) de que o intervalo contenha o valor do
parmetro que estamos estimando. a probabilidade de erro na estimao.
1.3.1.1.1. INTERVALO DE CONFIANA PARA A MDIA
DA POPULAO QUANDO CONHECIDO:
populao infinita distribuio de x normal:
Pg.:5
Queremos construir um intervalo x t e
o
, com uma probabilidade conhecida (1 - )
de conter o valor real do parmetro, ou seja,
( ) + 1 e x e x P
0 0
. Portanto, os
limites do intervalo de confiana so x - e
o
, x
+
e
o
, ou x t e
o
.
Como a populao infinita e o conhecido, podemos usar a distribuio normal.
Assim, o intervalo de confiana para a mdia com um nvel de confiana (1 - ),
ser:
n
. z x
2

t

Exemplo: Uma amostra de 100 elementos, com mdia 35,6, foi extrada de uma
populao com desvio padro igual a 2,0. Construir o intervalo de 95 % e 99 % de
confiana para a mdia desta populao.
x = 35,6 ; = 2,0 ; n = 100.
x t e
o
=
n
. z x
2

t
; na tabela normal: z
/2
= z
0,975
= 1,96 ((1-0,025) = 0,975).
Pg.:6
Logo:
392 , 0
100
2
. 96 , 1 e
0

392 , 0 6 , 35 e x
0
t t
, com probabilidade de 95% de
conter .
95 , 0 ) 992 , 35 200 , 35 ( P
.
intervalo para 99% de confiana, seria:
z
/2
= z
0,995
= 2,575 ((1-0,005) = 0,995),
logo:
515 , 0 6 , 35
100
2
. 575 , 2 6 , 35
n
z x e x
2 / 0
t t
t t
.
1.3.1.1.2. INTERVALO DE CONFIANA PARA A MDIA
QUANDO DESCONHECIDO:
o mais comum de ocorrer. Se no conhecemos , o primeiro passo ser estim-lo
com base na amostra. Mas s no um estimador justo; a correo feita usando-se
t de Student, ao invs de z.
n
s
. t x e x
2 / ; 1 n 0
t t
Exemplo: Uma amostra de 4 elementos, extrada de uma populao normal, forneceu
mdia 8,20 e desvio padro 0,40. Construir o intervalo de 99% de confiana para a
mdia desta populao.
n = 4 ; = x 8,20 ; s = 0,40 ; (1 - ) = 0,99.
Pg.:7
Pela tabela t
3; 0,005
= 5,841.
168 , 1 20 , 8
4
40 , 0
. 841 , 5 20 , 8
n
s
. t x
n
s
. t x
005 , 0 ; 3 2 / ; 1 n
t t t t

(7,032 a 9,368)
0,99 = 9,368) P(7,032
Usando-se z ao invs de t, o intervalo seria:
515 , 0 20 , 8
4
40 , 0
. 575 , 2 20 , 8
n
z x e x
2 / 0
t t
t t
(7,685 a 8,715).
O intervalo menor do que quando usamos t.
Portanto, usando-se z ao invs de t o intervalo de confiana diminui aumenta
o erro .
Pg.:8
1.3.1.2. INTERVALO DE CONFIANA PARA A VARINCIA
DA POPULAO:
2
2 / 1 ; 1 n
2 2 2
2 / ; 1 n
2
s ). 1 n ( s ). 1 n (

Exemplo: Uma amostra de 11 elementos extrada de uma populao normal, forneceu
varincia s
2
= 7,08. Construir um intervalo de 90% para a varincia dessa populao.
Soluo: da tabela de
2
, temos:
307 , 18
940 , 3
2
05 , 0 ; 10
2
2 / ; 1 n
2
95 , 0 ; 10
2
2 / 1 ; 1 n

usando a frmula acima:

00 , 18 3,87 940 , 3 / 08 , 7 ). 1 11 ( 307 , 18 / 08 , 7 ). 1 11 (
2 2

significando que: P(3,87
2
18,00) = 0,90.
obs.: o intervalo no simtrico.
1.3.1.3. INTERVALO DE CONFIANA PARA O DESVIO
PADRO DA POPULAO:
2
2 / 1 ; 1 n
2 2
2 / ; 1 n
2
s ). 1 n ( s ). 1 n (

1.3.1.4. INTERVALO DE CONFIANA PARA UMA
PROPORO POPULACIONAL:
Pg.:9
n / ) p 1 ( p z p
/2
t

onde:
n
f
p
a proporo amostral
n ) p 1 ( p z e
2 / 0

) 1 ( ) e p p e p ( P
0 0
+
Exemplo: Retirada uma amostra de 1000 peas da produo de uma mquina,
verificou-se que 35 eram defeituosas. Qual o intervalo de confiana ao nvel de 95%
para a proporo de defeituosas fornecidas pela mquina?
Soluo:
0114 , 0 1000 ) 035 , 0 1 ( 035 , 0 . 96 , 1
96 , 1
95 , 0 ) 1 (
035 , 0
1000
35
1000
0
025 , 0 2 /

e
z z
n
f
p
n
logo, o intervalo de confiana : 0,035 t 0,0114.

1.3.2. INTERVALO DE TOLERNCIA
Intervalo de tolerncia o intervalo que contm uma determinada proporo da
populao com uma probabilidade especificada.
Os pontos extremos do intervalo so chamados de limites de tolerncia.
Os intervalos de tolerncia so da forma:
s . K x t ,
com K determinado de forma que o intervalo contenha uma proporo P da
populao com confiana . (valores de K: Pyzdek - bible - tabela 11 do
apndice).
Exemplo: Se numa amostra de 20 elementos, x = 1,00287 e s = 0,00034, o intervalo
de tolerncia de 95%, para 99% da populao, ser:
1,00287 t 3,615 (0,00034) = 1,00164 a 1,00410.
(Obs.: ver tambm a tabela 44.25 da pgina 44.48 do Juran).
Pg.:10
1.3.2.1. TEOREMA DE CHEBYSHEV (TCHEBYSHEFF):
Para qualquer distribuio contnua, a probabilidade de se ter um valor que desvia da
mdia por mais do que k desvios padro (k 1), menor ou igual a
2
k
1
.
2
k
1
) k ) x ( P
ou
)
k
1
1 ( ) k x k ( P
2
+
1.4. TAMANHO DA AMOSTRA:
Desejvel: alto nvel de confiana com intervalos de pequena amplitude estimativa
com pequena probabilidade de erro e grande preciso.
1.4.1. TAMANHO DA AMOSTRA PARA ESTIMAO DA
MDIA COM O CONHECIDO:
n / . z e
2 / 0

2
0 2 /
) e / . z ( n

1.4.2. TAMANHO DA AMOSTRA PARA ESTIMAO DA
MDIA COM DESCONHECIDO:
Se ainda no retiramos a amostra, no conhecemos o s. A soluo tirarmos uma
amostra piloto no n elementos e, com base nela, estimarmos o s; a
2
0 2 / ; 1 n
) e s . t ( n

se n n , a amostra piloto ser suficiente.

Pg.:11
1.4.3. TAMANHO DA AMOSTRA PARA A ESTIMAO DA
PROPORO POPULACIONAL:
1.4.3.1. QUANDO P CONHECIDO:
) p 1 .( p . ) e z ( n
2
0 2 /

1.4.3.2. QUANDO P DESCONHECIDO:
O grfico p versus p.(1-p), uma parbola com o mximo em p.(1-p) = 1/4.
logo, se tomarmos o valor mximo de p.(1-p), seguramente o valor de n obtido
ser suficiente para a estimao; assim:
2
0 2 /
2
0 2 /
) e . 2 z ( 4 1 . ) e / z ( n

Pg.:12
TESTE DE HIPTESES
feita uma afirmao sobre uma populao (geralmente sobre algum parmetro da
populao).
O teste de hipteses a validao da afirmao, com base na anlise dos dados de
uma amostra da populao.
Etapas:
formulao de uma hiptese sobre a populao;
obteno de uma amostra dessa populao;
manipulao dos dados da amostra;
concluso (rejeio ou no da hiptese), com base num critrio de aceitao.
Exemplo: um comprador de parafusos especifica um LR = 50 kg/mm
2
. Tendo
recebido um lote de 100.000 peas, deseja saber se o mesmo atende a especificao.
testar todos os parafusos
retirar uma amostra e com base
nos resultados dos testes concluir
com certo grau de confiana .
Assim, teramos a hiptese: a mdia do lote = 50 kg/mm
2
.
O teste pode ser feito de 3 maneiras:
< 50;
> 50;
50.
Pg.:13
M d i a V a r i n c i a P r o p o r o
T e s t e d e H i p t e s e s
Conceitos:
Hiptese nula H
0
: a hiptese existente, isto , a hiptese a ser testada. uma
afirmao que diz que o parmetro populacional tal como especificado.
Hiptese alternativa H
1
: a hiptese contrria a H
0
, ou seja, ela complementar a
H
0
.
Teste de hiptese o processo estatstico que nos leva, com uma probabilidade
conhecida de erro,a rejeitar ou no H
0
.
Obs.: o que testamos H
0
; portanto, o que rejeitamos ou no ser tambm H
0
. O
resultado do teste ser sempre em funo de H
0
.

No exemplo anterior, temos:
n = 100.000 parafusos;
= 50 kg/mm
2

As hipteses so:
H
0
= 50 kg/mm
2
<50 kg/mm
2
H
1
>50 kg/mm
2
50 kg/mm
2
Soluo: calculamos o intervalo de confiana (1- ) para , e verificamos se a mdia
da amostra est dentro ou fora do intervalo.
Se a mdia da amostra cair dentro do intervalo de confiana, no se rejeita H
0
:, caso
contrrio, rejeita-se.
Pg.:14
Casos possveis:
Primeiro caso:
H
0
: = 50 kg/mm
2
H
1
: < 50 kg/mm
2
Segundo caso:
H
0
: = 50 kg/mm
2
H
1
: > 50 kg/mm
2
Terceiro caso:
H
0
: = 50 kg/mm
2
H
1
: 50 kg/mm
2
Pg.:15
1.5. TESTE DE UMA MDIA
1.5.1. TESTE DE UMA MDIA POPULACIONAL COM
CONHECIDO:
Distribuio amostral para a mdia norma reduzida (z).
Testes possveis:
1
o
caso : 2
o
caso : 3
o
caso :
H
0
: =
0
H
0
: =
0
H
0
:
=
0
H
1
: <
0
H
1
: >
0
H
1
:

0
1.5.1.1. 1 CASO:
H
0
: =
0
H
1
: <
0
Ou seja, qualquer valor encontrado na amostra que seja maior ou igual ao limite
inferior do grau de significncia do nosso teste nos levar a no rejeitar H
0
(aceitar o
lote)
portanto, x
1
ser o valor crtico:
n . z e x
0 0 0 1

.
Se a mdia da amostra for menor que 1 x , a hiptese H
0
rejeitada soluo grfica.
Soluo matemtica:
Rejeita-se H
0
se:
n
. z x
0

<
ou
<

z
n
) x (
0
como: . calc
0
z
n
) x (

, rejeita-se H
0
se: z
calc.
< -z
.
Pg.:16
1.5.1.2. 2 CASO:
H
0
: =
0
H
1
: <
0
O limite ser:
n . z x
0 2
+

Conseqentemente, se:
2
x x >
, rejeita-se H
0
soluo grfica.
ou
>z z
. calc , rejeita-se H
0
soluo matemtica.
1.5.1.3. 3 CASO:
H
0
: =
0
H
1
:
0
Os limites sero:
n . z x
2 / 0 1

e
n . z x
/2) (1 0 2
+
.
Rejeita-se H
0
, se:
1
x x <
ou 2
x x >
soluo grfica.
/2 calc.
z z <
ou /2) (1 calc.
z z

>
2 / . calc
z z

>
soluo matemtica.
Pg.:17
Resumindo, para o teste de uma mdia populacional com conhecido:
Hiptese Rejeita-se H
0
se:
H
0
: =
0
z
calc.
< -z

H
1
: <
0
H
0
: =
0
z
calc.
> z
(1- )

H
1
: >
0
H
0
: =
0
2 / . calc
z z

>
H
1
:
0
Exemplo: o desvio padro de uma populao igual a 22. Se uma amostra de 100
elementos, retirada da populao, forneceu uma mdia de 115,8, podemos afirmar que
a mdia desta populao inferior a 120, ao nvel de 5% de significncia?
n = 100 ; = 22 ; x = 115,8 ; = 0,05.
Teste: H
0
: = 120
H
1
: <120
38 , 116 62 , 3 120 x
62 , 3 100 22 . 645 , 1 100 22 . z n . z e
1
05 , 0 0

Soluo grfica:
x
= 115,8 caiu dentro da regio crtica rejeita-se H
0
podemos afirmar ao nvel
de 5% de significncia que a mdia da populao menor que 120.
Soluo matemtica:
<

z z
645 , 1 z
91 , 1 ) 100 / 22 /( ) 120 8 , 115 ( z
calc.
05 , 0
. calc
Rejeita-se H
0
.
1.5.2. TESTE DE UMA MDIA POPULACIONAL COM
DESCONHECIDO:
Pg.:18
Distribuio amostral para a mdia t de Student.
Testes possveis:
1
o
caso : 2
o
caso : 3
o
caso :
H
0
: =
0
H
0
: =
0
H
0
: =
0
H
1
: <
0
H
1
: >
0
H
1
:
0
As solues matemticas e grficas so idnticas s do caso anterior, usando-se t ao
invs de z.
0
se:
H
0
: =
0

<
; 1 n calc. 1 n
t t
H
1
: <
0
H
0
: =
0

>
; 1 n calc. 1 n
t t
H
1
: >
0
H
0
: =
0
2 / ; 1 n calc. 1 n
t t

>
H
1
:
0
Exemplo: Em indivduos sadios, o consumo renal de oxignio distribui-se
normalmente em torno de 12 cm
3
/min. Deseja-se investigar, com base em 5
indivduos portadores de certa molstia, se esta tem influncia no consumo renal de
oxignio. Os consumos mdios para 5 pacientes foram: 14,4; 12,9; 15,0; 13,7; 13,5.
Qual a concluso ao nvel de 1% de significncia?
n = 5 ; x = 13,90 ; s
x
= 0,81. Teste: H
0
:
0
= 12 ;
0
12.
Vamos calcular o intervalo:
67 , 1 5 81 , 0 . 604 , 4 5 81 , 0 . t n s . t e
005 , 0 ; 4 2 / ; 1 n 0

Portanto, o intervalo : 12 t 1,67. Logo, rejeita-se H
0
, ou seja, a amostra indica que,
ao nvel de 1% de significncia a molstia tem influncia no consumo renal mdio de
oxignio.
Soluo matemtica:
21 , 5 5 / 81 , 0 /( ) 00 , 12 90 , 13 ( t t
. calc ; 4 . calc ; 1 n

Pg.:19
604 , 4 21 , 5 t t
604 , 4 t
2 / ; 1 n calc ; 1 n
005 , 0 ; 4
> >

Rejeita-se H
0
.
1.6. TESTE DE UMA VARINCIA POPULACIONAL:
Distribuio amostral usada para varincia
2

2
0
2 2
/ s ). 1 n (
Testes possveis:
1
o
caso : 2
o
caso : 3
o
caso :
H
0
:
2
=
2
0
H
0
:
2
=
2
0
H
0
:
2
=
2
0
H
1
:
2
<
2
0
H
1
:
2
>
2
0
H
1
:
2

2
0
A soluo semelhante aos casos anteriores:
0
se:
H
0
:
2
=
2
0
2
1 ; 1 n
2
calc
<
H
1:
2
<
2
0
H
0
:
2
=
2
0
2
; 1 n
2
. calc
>
H
1
:
2
>
2
0
H
0
:
2
=
2
0
2 / 1 ; 1 n
2
. calc
<
ou
H
1
:
2

2
0
2
2 / ; 1 n cal
<
Exemplo: Uma amostra de 10 elementos, extrada de uma populao supostamente
normal, fornece uma varincia igual a 12,4. Este resultado suficiente para concluir,
ao nvel de 5% de significncia, que a vari6ancia desta populao inferior a 25?
n = 10 ; s
2
= 12,4 ; = 0,05 ;
2
0
= 25 ;
2
n-1;1-
=
2
9;0,95
= 3,325.
Teste: H
0
:
2
= 25 ; H
1
:
2
< 25.
464 , 4 25 / ) 4 , 12 x 9 ( / s ). 1 n (
2
0
2 2
. calc

como:
2
95 , 0 ; 9
2
. calc
>
no se rejeita H
0
.
Pg.:20
1.7. TESTE DE UMA PROPORO POPULACIONAL:
Distribuio amostral usada para uma proporo z
n ) p 1 .( p
) p p (
z
0 0
0
. calc
Testes possveis:
1
o
caso : 2
o
caso : 3
o
caso :
H
0
: p = p
0
H
0
: p = p
0
H
0
: p = p
0
H
1
: p < p
0
H
1
: p > p
0
H
1
: p p
0
As condies de deciso so as mesmas da mdia com conhecido.
1.8. TIPOS DE ERRO:
1.8.1. ERRO TIPO I:
Na estimao de parmetros, vimos que a probabilidade do valor encontrado
estar correto e ns afirmarmos que ele no est correto. o risco de estimar, ou seja,
o erro de estimao.
ERRO TIPO I ERRO RISCO DO PRODUTOR
Comete-se um erro Tipo I, rejeitando-se H

0
sendo H
0
verdadeira.
A probabilidade de um erro Tipo I igual ao
nvel de significncia de um teste de hiptese ( ).
O risco do produtor, porque este o risco do produtor ver rejeitado um lote bom
produzido.
Pg.:21
1.8.2. ERRO TIPO II:
Por outro lado, pode ocorrer que o valor encontrado se ache na regio de no rejeio
(1- ), quando na realidade ele maior ou menor do que o valor esperado.
ERRO TIPO II ERRO RISCO DO CONSUMIDOR
Comete-se um erro Tipo II, no rejeitando H

0
sendo H
0
falsa.
risco do consumidor, porque o risco dele aceitar um lote fora da especificao.

Para se determinar a probabilidade de um erro Tipo II, necessrio conhecer a mdia
real da populao.
(Obs.: ver Stevenson, pag. 245: Clculo da probabilidade de um erro tipo II)
Resumindo:
Realidade
H
0
verdadeira H
0
falsa
Deciso
No rejeitar
H
0
deciso
correta
(1- )
erro Tipo II
( )
Rejeitar H
0
erro Tipo I
( )
deciso
correta
(1- )
1.9. NVEL DE SIGNIFICNCIA E INTERVALO:
regio (1): no rejeitamos H
0
em ambos os casos, 5% ou 1%;
regies (2) e (4): no rejeitamos H
0
para 1%, mas rejeitamos para 5%;
regies (3) e (5): rejeitamos H
0
em ambos os casos.
Pg.:22
Portanto, a deciso de rejeitar ou no H
0
, depende do nvel de significncia ( )
escolhido.
INTERVALO
1.10. PODER:
O Poder do Teste em projeto experimental refere-se probabilidade de rejeitar
corretamente a hiptese nula que no h efeito demonstrvel estatisticamente.
(ASQ, p.3-99).
Hiptese Verdadeira
Deciso Hiptese Nula (H
O
) Hiptese Alternativa (H
1
)
No Rejeitar H
O
Deciso Correta
1-
Erro Tipo II
Rejeitar H
O
Erro Tipo I
Deciso Correta
1-
1.11. SIGNIFICNCIA ESTATSTICA VERSUS PRTICA
Em um teste de hipteses, grandes amostras podem levar a rejeitar uma hiptese
nula e concluir que h diferenas estatisticamente significativas. Mas pode ocorrer
que no h diferena prtica significativa.
Exemplo: Um fabricante pode afirmar que o consumo de um automvel de
13Km/l. Testes posteriores, com amostras de 45 carros, resultaram em uma mdia
de (12,8 t 0,1) Km/l com nvel de significncia de 5%. Apesar do teste apontar
em uma diferena estatisticamente significativa, no h diferena prtica que seja
relevante.
Pg.:23
1.12. OUTROS TESTES:
Testes de
Hipteses
Testes
Paramtricos
Se referem aos
parmetros da
Populao
Testes No-
paramtricos
Se referem a
outros aspectos
que no aos
parmetros da
populao
Fonte: Mattar, Fauze N. Pesquisa de Marketing. p.203 - Edio compacta So Paulo: Atlas, 1996.
Pg.:24
COMPARAO EMPARELHADA :
Comparao de duas mdias: Neste caso, temos 2 amostras o que iremos testar
agora so os parmetros equivalentes das populaes envolvidas. Testaremos
hipteses referentes ao valor real da diferena entre duas mdias populacionais:
H
0 1 2
:
normalmente,

1 2 1 2
0
igualdade de 2 mdias.
Temos dois casos a considerar: dados emparelhados e no emparelhados.
1.13. DADOS EMPARELHADOS:
So dados que esto relacionados 2 a 2, segundo algum critrio. Por exemplo: 20
coelhos com pesos diferentes so alimentados com uma rao por um perodo de
tempo. Os coelhos so pesados aps o teste. Queremos saber se houve aumento do
peso mdio dos coelhos.
Se os dados so emparelhados, faz sentido calcular as diferenas d
i
correspondente
a cada par de valores portanto, teremos uma nica amostra com n diferenas.
Neste caso, teremos: H
0
:
1
-
2
= =
d
, contra uma hiptese alternativa H
1
, que
poder corresponder a um teste unilateral ou bilateral igual ao problema de se
fazer o teste de uma nica mdia, j visto usa-se t:
n s
) d (
t
d
. calc

Pg.:25
d = mdia da amostra das diferenas;
= valor testado da mdia das diferenas nas populaes;
s
d
= desvio padro da amostra das diferenas;
n = tamanho da amostra das diferenas.
Exemplo: 10 cobaias foram submetidas ao tratamento com certa rao durante uma
semana. Os animais foram identificados e pesados antes e aps o regime, conforme
dados abaixo. Podemos concluir, ao nvel de 1% de significncia, que o uso da rao
contribuiu para o aumento do peso mdio dos animais?
Cobaia peso antes
(x
i
)
peso aps
(y
i
)
d
i
= x
i
- y
i
1 635 640 -5
2 704 712 -8
3 662 681 -19
4 560 558 2
5 603 610 -7
6 745 740 5
7 698 707 -9
8 575 585 -10
9 633 635 -2
10 669 682 -13
d = -6,6 ; s
2
d
= 49,6 ; s
d
= 7,043.
teste de hiptese ser:
H
0
:
d
= 0
H
1
:
d
< 0
282 , 6 10 / ) 043 , 7 x 821 , 2 ( n / s . t n / s . t e
d 01 , 0 ; 9 d ; 1 n 0
+

282 , 6 282 , 6 0 e 0 x
0 1

logo, rejeitamos H
0
ao nvel de 1%, portanto conclumos que o uso da rao
contribuiu para o aumento do peso mdio.
Pg.:26
Soluo matemtica:
821 , 2 t t t
96 , 2
10 043 , 7
6 , 6
n / s
) d (
t
01 , 0 ; 9 ; 1 n . crit
d
. calc

como: t
calc
. < -t
crit
. rejeita-se H
0
.
1.14. DADOS NO EMPARELHADOS:
No temos correlao entre os dados antes e aps (populaes no correlacionadas).
Se os dados no so emparelhados, no faz sentido calcular a diferena entre os
valores das amostras. O teste dever ser baseado na diferena ( 2 1 x x ) entre as
mdias das duas amostras.
1.14.1. QUANDO OS DESVIOS PADRO SO CONHECIDOS (1
CASO):
Sendo teste de hiptese de mdia com desvio padro conhecido, a distribuio a ser
usada a normal reduzida z.
2
2
2 1
2
1
2 1
. calc
n n
) x x (
z
+

n
1
e n
2
so os tamanhos das duas amostras; podem ou no serem diferentes.
Quando
1
=
2
:
2 1
2 1
. calc
n 1 n 1 .
) x x (
z
+

Exemplo: Uma mquina enche latas com base no peso lquido e tem um desvio
padro de 5g. Duas amostras retiradas em dois perodos, com n1 = 10 latas e n2 = 20
latas, forneceram pesos lquidos mdios de 184,6g e 188,9g. Desconfia-se que a
regulagem da mquina quanto ao peso mdio fornecido possa ter sido modificada
entre a coleta das amostras. Qual a concluso ao nvel de 5 e 1% de significncia?
H
0
:
1
-
2
= 0
H
1
:
1
-
2
0
Dos dados: n
1
= 10 ;
6 , 184 x1
; n
2
= 20 ;
9 , 188 x2
.
= 0,05 ( /2 = 0,025)
Pg.:27
22 , 2
20 1 10 1 . 5
0 ) 9 , 188 8 , 184 (
n 1 n 1 .
) x x (
z
96 , 1 z z
2 1
2 1
. calc
025 , 0 2 /

+

2 / . calc
z z

>
logo, a nvel de 5%, rejeitamos H
0
.
= 0,01 ( /2 = 0,005)
z
calc
= mesmo anterior.
z
0,005
= 2,576
Portanto, a nvel de 1% de significncia no rejeitamos H
0
.
Concluso: a desconfiana foi verificada ao nvel de 5%, porm no podemos rejeitar
H
0
ao nvel de 1% de significncia.
1.14.2. QUANDO OS DESVIOS PADRO DAS POPULAES SO
DESCONHECIDOS MAS PODEM SER SUPOSTOS IGUAIS (2
CASO):
1
=
2
=
sendo teste de hiptese de mdia com desvio padro desconhecido, usamos a
distribuio t.
Como
2
desconhecido, devemos substitu-lo por sua estimativa:
2 n n
s ). 1 n ( s ). 1 n (
s
2 1
2
2 2
2
1 1 2
p
+
+
que uma varincia ponderada.

como no clculo usamos 2 estimativas (s
1
e s
2
), o n de graus de liberdade desta
estatstica (n
1
+ n
2
- 2).
2 1 p
2 1
2 n2- + n1
n 1 n 1 . s
) x x (
t
+

Pg.:28
Exemplo: Os dados abaixo se referem a 5 determinaes da resistncia de dois tipos
de concreto. Ao nvel de 5% de significncia, h evidncia de que o concreto 1 mais
resistente que o concreto 2.
Concreto 1 Concreto 2
54 50
55 54
58 56
51 52
57 53
5 , 7 s
73 , 2 s
55 x
2
1
1
1

0 , 5 s
23 , 2 s
53 x
2
2
2
2
5 , 2 s 25 , 6
2 n n
s ). 1 n ( s ). 1 n (
s
p
2 1
2
2
2
1 2
p

+
+
Testaremos as hipteses: H
0
:
1
=
2

1
-
2
= 0
H
1
:
1
>
2

1
-
2
> 0
26 , 1
5 1 5 1 . 5 , 2
) 53 55 (
n 1 n 1 . s
0 ) x x (
t
86 , 1 t t
2 1 p
2 1
. calc
05 , 0 ; 8 05 , 0 ; 2 2 n 1 n

+
+
<
; 2 2 n 1 n . calc
t t
Logo, no rejeitamos H
o
, ao nvel de 5% de significncia, e dizemos que no h
evidncias que o concreto 1 seja mais resistente que o concreto 2.
1.14.3. OS DESVIOS PADRO DAS POPULAES SO
DESCONHECIDOS E NO PODEM SER SUPOSTOS IGUAIS
(3 CASO):
Comparao das mdias com desvio padro desconhecidos usa-se t de Student.
2
2
2
1
2
1
2 1
. calc
n
s
n
s
) x x (
t
+

Pg.:29
Faz-se a correo do grau de liberdade do valor crtico pela frmula:
2
) 1 n (
w
) 1 n (
w
) w w (
2
2
2
1
2
1
2
2 1
+
+
+
+

onde
2
2
2
2
1
2
1
1
n
s
w
n
s
w
/2 ; ; . crit
ou t t t

Exemplo: Deseja-se saber se duas mquinas de empacotar esto fornecendo o mesmo

peso mdio por pacote. As amostras disponveis esto abaixo, em quilos por pacote:
Mquina 1 0,82 0,83 0,79 0,81 0,81 0,80 nova
Mquina 2 0,79 0,82 0,73 0,74 0,80 0,77 0,75 0,84 0,78 velha
Qual a concluso ao nvel de 5% de significncia?
As mdias e as varincias das duas mquinas so:
6 n
0020 , 0 s
81 , 0 x
1
2
1
1

9 n
00135 , 0 s
78 , 0 x
2
2
2
2

Testaremos as hipteses:
0 : H
0 : H
2 1 2 1 1
2 1 2 1 0

12 95 , 11 2
10 ).
10
15
7
33 , 3
(
10 . ) 15 33 , 3 (
2
1 n
w
1 n
w
) w w (
10
2 2
10 2
2
2
2
1
2
1
2
2 1

+
+

+
+
+
+

5
2
2
2 2
5
1
2
1 1
10 x 15 9 00135 , 0 n s w
10 x 33 , 3 6 0020 , 0 n s w

179 , 2 t t
025 , 0 ; 12 . crit

216 , 2
n s n s
x x
t
2
2
2 1
2
1
2 1
. calc

+
rejeitamos H
0
e afirmamos que, com =0,05, as
mdias so diferentes.
Pg.:30
1.15. COMPARAO DE DUAS VARINCIAS:
Usa-se a distribuio F:
0
F
calc.
H
0
:
2
1
=
2
2

>
1 ; 1 n ; 1 n . calc
2 1
F F
2
2
2
1 . calc
s s F
H
1
:
2
1
<
2
2
H
0
:
2
1
=
2
2

>
; 1 n ; 1 n . calc
2 1
F F
2
2
2
1 . calc
s s F
H
1
:
2
1
>
2
2
H
0
:
2
1
=
2
2
2 / ; 1 n ; 1 n . calc
2 1
F F

>
2
2
2
1 . calc
s s F < >
H
1
:
2
1

2
2
Exemplo: Duas amostras com 10 e 15 elementos, extradas de populaes normais,
forneceram varincias respectivamente iguais a 6,34 e 18,7. Ao nvel de 5% de
significncia, devemos aceitar que as populaes tenham o mesmo grau de disperso?
Teste: H
0
:
2
1
=
2
2
H
1
:
2
1

2
2
Dados:
18,7 = s 34 , 6 s
15 n 10 n
2
2
2
1
2 1
3,87 e 3,77 entre F F F

95 , 2
34 , 6
7 , 18
s
s
F
025 , 0 ; 9 ; 14 2 / ; 1 n ; 1 n crit
2
1
2
2
. calc
1 2

como: F
calc.
< F
crtico
no se rejeita a hiptese H
0
Pg.:31
1.16. COMPARAO DE DUAS PROPORES
POPULACIONAIS:
Usa-se a normal reduzida z (grandes amostras - n > 20):
0
H
0
: p
1
- p
2
= z
calc.
< -z
H
1
: p
1
< p
2
H
0
: p
1
- p
2
= z
calc.
> z
H
1
: p
1
> p
2
H
0
: p
1
- p
2
= |z
calc.
|> z
/2
H
1
: p
1
p
2
onde:
2
2 2
1
1 1
2 1
. calc
n
) p 1 ( p
n
) p 1 ( p
) p p (
z

+

TESTE DE AJUSTE ( GOODNESS-OF-FIT):

Os testes de ajuste so no paramtricos:
Teste de aderncia (teste de aderncia pelo
2
);
Teste de independncia.
1.17. TESTE DE ADERNCIA:
No teste de aderncia, a hiptese testada refere-se forma da distribuio da
populao.
Admitimos por hiptese que a distribuio da varivel de interesse na populao
de determinado modelo (binomial, hipergeomtrica, etc.), e testamos esse modelo.
Ou seja, verificamos a boa ou m aderncia dos dados da amostra ao modelo.
A rejeio da hiptese a um dado nvel de significncia, indica que o modelo
testado inadequado para representar a populao.
A no rejeio da hiptese, a um dado nvel de significncia, indica que o modelo
testado adequado.
Pg.:32
1.17.1. TESTE DE ADERNCIA PELO 2:
Este teste baseia-se na estatstica:

k
1 i
k
1 i i
2
i
i
2
i i 2
n
E
O
E
) E O (
onde:
a estatstica do teste, com graus de liberdade;

O
i
a freqncia observada de uma determinada classe;
E
i
a freqncia esperada desta classe, segundo o modelo testado = n
i
p
i
;
n o nmero de elementos da amostra;
k nmero de classes ou valores considerados;
pi probabilidade de se obter um valor da varivel na classe esperada, segundo o
modelo.
Observao:
Se os E
i
< 5, devero ser juntados para que Ei 5;
= k-1-m, onde m o nmero de parmetros do modelo estimados
independentemente a partir da amostra.
H
0
ser rejeitada se:
2
; ;
2
calc ;
>
no adere ao modelo.
Exemplo: o nmero de defeitos por unidade observados em uma amostra de 100
aparelhos de TV, apresentou a seguinte distribuio de frequncia:
n de
defeitos
0 1 2 3 4 5 6 7
n de
aparelhos
25 35 18 13 4 2 2 1
Verificar se o nmero de defeitos por unidade segue, razoavelmente, uma distribuio
de Poisson com nvel de 5% de significncia.
H
0
: a distribuio do nmero de defeitos por unidade Poisson;
H
1
: a distribuio no Poisson.
Pg.:33
Poisson:
! r
e
) r x ( p
r
, = mdia da distribuio. Portanto, Poisson fica bem

definido conhecendo-se . Como no conhecemos o da populao vamos estim-
lo pela amostra.
55 , 1
100
) 7 ... 36 35 0 (
n
f . x
x
i i
+ + + +

Calculemos agora os p
i
por Poisson.
Calcula-se o
2
:

i
i i
calc
E
E O
2
2
.
) (
x
i
f
i
= O
i
p
i
E
i
= p
i
. n (O
i
-E
i
)
2
/E
i
0 25 0,212 21,2 0,681
1 35 0,329 32,9 0,134
2 18 0,255 25,5 2,206
3 13 0,132 13,2 0,003
4 4 0,051 5,1
5 2 9 0,016 1,6 7,2 0,450
6 2 0,004 0,4
7 1 0,001 0,1
n =
100

2
calc.
= 3,474
Clculo do
2
crit.
: = (k-1-m); k n de parcelas somadas para o clculo do
2
=
5;
m n de parmetros do modelo (no caso Poisson) estimados a partir da amostra = 1
(apenas );
portanto: = 5-1-1 = 3 .
815 , 7
2
05 , 0 ; 3

2
. crit
2
. calc
<
no rejeitamos H
0
a varivel adere razoavelmente bem ao modelo de
Poisson.
Pg.:34
1.18. TESTE DE INDEPENDNCIA:
Os testes de independncia so realizados atravs de Tabelas de Contingncia que
sero tratados posteriormente.
ANLISE DE VARINCIA (ANOVA)

1.19. INTRODUO
A anlise de varincia uma tcnica que pode ser usada para determinar se as mdias
de duas ou mais populaes so iguais.
1.19.1. FUNDAMENTOS LGICOS DA ANOVA
O exame das varincias revela a igualdade ou no das mdias populacionais,
dentro das suposies bsicas estabelecidas. Se quer saber se as diferenas
observadas entre as mdias devido somente variabilidade inerente das
observaes ou se causada por essa variabilidade mais uma real diferena entre as
mdias das populaes de onde as amostras foram retiradas. A anlise se d pela
utilizao de dois processos diferentes para estimar a varincia de uma populao
baseado num grupo de amostras.
Se as duas estimativas so aproximadamente iguais no se rejeita a hiptese
nula, ou seja as amostras podem ser da mesma populao. Conclumos ento, que
as mdias amostrais, a no ser por diferenas introduzidas por causas aleatrias, so
iguais.
Se uma das estimativas muito maior que a outra rejeita-se a hiptese nula, ou
seja, as amostras devem pertencer a populaes diferentes. Existe algo, alm da
aleatoriedade, que causa a diferena entre as mdias.
1.19.2. SUPOSIES
H 3 suposies bsicas para se aplicar a anlise de varincia:
- as amostras devem ser aleatrias e independentes;
- as amostras devem ser extradas de populaes normais;
- as populaes devem ter varincias iguais (condio de homocedasticidade).
Pg.:35
Porm o mtodo robusto, isto , mesmo para situaes em que ocorre o afastamento
das hipteses bsicas (como por exemplo, amostras de distribuies desviadas da
normalidade, varincias um pouco diferente,...), ainda assim leva a resultados vlidos
com razovel aproximao.
1.20. COMO TESTAR AS VARINCIAS?
1) Uma forma de estimar a varincia populacional tomar a mdia das varincias
amostrais, que em geral a melhor estimativa em virtude do maior nmero de
observaes. Como cada varincia amostral reflete apenas a variao dentro de cada
amostra, ela conhecida como estimativa da varincia dentro:
1
]
1
+ + +
+ + + +

n
1 i
n
1 i
n
1 i
2
k
i
2
2
i
2
1
i
2
k
2
3
2
2
2
1 2
w
) x x ( ... ) x x ( ) x x (
) 1 n .( k
1
k
s ... s s s
s
onde: s
i
= varincia da amostra i;
k = nmero de amostras;
n = nmero de amostras em cada classe.
Essa estimativa da varincia dentro das amostras serve como padro de comparao
para a estimativa da varincia entre amostras.
2) Calcula-se a varincia entre as amostras. Isso feito atravs de uma distribuio
amostral de mdias. A distribuio amostral de mdias de uma populao normal, tem
distribuio normal com mdia igual a mdia da populao e desvio padro igual a
n
:
2
x
2
x
2
x 2
x
x
x
n
n n

como no conhecemos
2
x
, ser necessrio estim-lo:
1
1
]
1
k
1
2
j
2
x
b
2
x
k
1 j
k
1
j
2
j
2
x
2
x
2
x
2
x 2
x
1 k
) x x (
. n s . n s s
k
x
x onde
1 k
) x x (
s
s ns
n
s
s
Pg.:36
A comparao entre varincias feita atravs do teste de F que compara a razo
entre varincias:
2
w
2
b
s
s
F
o valor resultante da estatstica comparado a um valor tabelado, que indica o valor
mximo da estatstica no caso de H0 ser verdadeira, a um determinado nvel de
significncia.
1.20.1. A TABELA ANOVA
Amostras
1 2 3 ... k
x
11
x
12
x
13
... x
1k
x
21
x
22
x
23
... x
2k
Observaes x
31
x
32
x
33
... x
3k
... ... ... ... ...
x
n1
x
n2
x
n3
... x
nk
Somatrio = x x
1
x
2
x
3
x
k
n dados amostra
n
1
n
2
n
3
... n
k
Mdias amostrais x
1
x
2
x
3
... x
k
x
2
= somatrio dos
quadrados
x
2
x
2
x
2
...
x
2
k . n
T
= C
x T
2
k
1 i
n
1 j
ij

onde C um fator de correo.

Pg.:37
1.20.1.1. TABELA ANOVA PARA AMOSTRAS DE
TAMANHOS IGUAIS:
Fonte de
variao
Soma dos
quadrados
Graus de
liberdade
Quadrado mdio
(varincia)
Fcalc Fcrit
(tabelado)
Entre
amostras

C
n
T
SSB
2
i
(k - 1)
) 1 k (
SSB
s MSB
2
b

MSW
MSB
); 1 n .( k ); 1 k (
F
Dentro das
amostras
SSB TSS SSW
k . (n -1)
) 1 n .( k
SSW
s MSW
2
w

- -
Total
C x TSS
2

(n.k - 1) - - -
Para amostras de tamanhos diferentes, a soma dos quadrados entre amostras
calculada como:
k
2
k
2
2
2
1
2
1
n
T
...
n
T
n
T
SSB + + +
e o nmero de graus de liberdade para o clculo da varincia dentro das amostras :
k ) n (
i

TABELAS DE CONTINGNCIAS
a representao tabular das freqncias observadas.
Exemplo: 100 pessoas foram entrevistadas sobre um projeto de lei; o resultado
colocado em forma de uma tabela de contingncia:
Opinio
Sexo Favorvel Desfavorvel Indiferente Totais
Homens 33 12 15 60
Mulheres 7 20 13 40
Totais 40 32 28 100
Pg.:38
Temos a tabela de contingncia 2 x 3. A varivel sexo tem duas classificaes
possveis e a varivel opinio 3 classificaes possveis.
Queremos testar se as variveis envolvidas so ou no independentes.
O teste de independncia:
H
0
: as variveis so independentes;
H
1
: as variveis no so independentes.
O teste ser feito usando 2, semelhante ao teste de aderncia.

r
1 i
s
1 j ij
2
ij ij 2
E
) E O (
= a estatstica do teste, com graus de liberdade;

r = nmero de linhas;
s = nmero de colunas;
Oij = freqncia observada na interseo da linha i com a coluna j;
Eij = freqncia esperada na interseo da linha i com a coluna j;
n = nmero de elementos da amostra.
(o livro do Costa Neto explica a frmula na pg. 137)
Rejeita-se H
0
se
2
calc
>
2
crt
.
Vamos realizar o teste de independncia para a tabela acima, ao nvel de 1% de
significncia.
Monta-se a tabela:
33 12 15 60 = tL1
7 20 13 40 = tL2
40 = tc1 32 = tc2 28 = tc3 100 = t
Clculo do
2
:
Oij Eij = tLi . tcj / t

2
33 60 . 40 / 100 = 24,0 3,375
12 60 . 32 / 100 = 19,2 2,700
15 60 . 28 / 100 = 16,8 0,193
7 40 . 40 / 100 = 16,0 5,063
20 40 . 32 / 100 = 12,8 4,050
13 40 . 28 / 100 = 11.2 0,289
=
2
calc
=
15,670
Pg.:39
2
crt.
=
2
;
=
2
;0,01
.
macete para clculo do : na tabela anterior, risque uma linha e uma coluna:

33 12 15
7 20 13
conte o que sobrou, = 2; ou: = (L-1).(c-1).
2
crt.
=
2
;
=
2
;0,01
=
2
2;0,01
= 9,21.
Como:
2
calc
>
2
crt
rejeita-se H
0
.
Portanto, a hiptese de independncia entre opinio e sexo rejeitada, ao nvel de 1%.
Pg.:40
E. MEDINDO E MODELANDO O RELACIONAMENTO ENTR
VARIVEIS
1. REGRESO LINEAR DE MNIMOS QUADRADOS SIMPLES E
MLTIPLA
Na anlise de regresso, buscamos o relacionamento funcional entre duas ou mais
variveis causa e efeito; predio.
Funo que exprime o relacionamento linha de regresso.
A linha de regresso explica grande parte da variao da varivel predita. A
variao que permanece sem ser explicada e justificada ao acaso variao
residual.
Regresso linear:
Temos uma varivel aleatria dependente (varivel y) e uma (no caso de regresso
simples) ou vrias (no caso de regresso mltipla) variveis no aleatrias
independentes (variveis x suposta sem erro).
Varivel aleatria apresenta uma parcela de variao residual que responsvel
pela disperso dos pontos experimentais em relao linha de regresso.
Praticamente, temos muitos casos em que a varivel x pode ser medida com
preciso muito maior do que y e, alm disso, em muitos casos os valores de x so pr-
escolhidos pelo experimentador.
J os valores de y, sendo aleatrios, no podem ser exatamente previstos e sero
determinados experimentalmente.
Portanto, os valores de x independem de y; j os valores de y dependem dos valores
de x.
Pg.:41
S i m p l e s M l t i p l a
L i n e a r N o - L i n e a r
R e g r e s s o
A regresso visa obter uma equao para prever os valores da varivel dependente y
em funo da(s) varivel(is) independente(s) x.
Temos uma equao da forma: y = (x) + ,
onde: denota a funo de regresso;
a componente aleatria da variao de y.
1.1. CLCULO E USO DO MODELO DE REGRESSO
MTODO DOS MNIMOS QUADRADOS:
x
y
Devemos procurar a reta para a qual se consiga minimizar
n
1 i
2
i
d
onde d
i
so as distncias indicadas acima, isto , a variao residual em torno da reta
estimativa.
[ ] [ ]

n
1 i
2
i
2
i i
2
i
) x . b a y ( min ) y y ( min d min
Os valores de a e b que minimizam a expresso acima so os que anulam as
derivadas parciais desta expresso em relao a a e b , respectivamente.
n
x . b y
a
) x ( ) x .( n
) y ).( x ( ) y . x .( n
b
2 2

Pg.:42
Exemplo: os seguintes dados foram obtidos experimentalmente:
x 1 2 3 4 5 6 7 8
y 0,5 0,6 0,9 0,8 1,2 1,5 1,7 2,0
Obter a equao da reta de mnimos quadrados e calcular o coeficiente de correlao
linear.
0
0,5
1
1,5
2
0 5 10
x y x.y x2 y2
1 0,5 0,5 1 0,25
2 0,6 1,2 4 0,36
3 0,9 2,7 9 0,81
4 0,8 3,2 16 0,64
5 1,2 6,0 25 1,44
6 1,5 9,0 36 2,25
7 1,7 11,9 49 2,89
8 2,0 16,0 64 4.00
36 9,2 50,5 204 12,64

174 , 0
n
x . b y
a
217 , 0
) x ( ) x .( n
) y ).( x ( ) y . x .( n
b
2 2

Portanto: y = 0,174 + 0,217 .x
Pg.:43
978 , 0
) y ( ) y .( n . ) x ( ) x .( n
) y )( x ( ) y . x .( n
r
2 2 2 2

Obs.:
os valores preditos so valores mdios;
a extrapolao dos resultados arriscada;
a reta de regresso passa sempre pelo ponto
) y , x (
1.2. ESTIMAO E INFERNCIA EM REGRESSO LINEAR:
Por que existe disperso? porque no existe um relacionamento perfeito entre as
duas variveis na populao h outras variveis que influenciam os valores da
varivel dependente em geral um ou dois fatores respondem por quase toda a
variao da varivel dependente.
Premissas da anlise de regresso:
a varivel dependente aleatria;
para cada valor de x h uma distribuio condicional de ys que normal;
os desvios padro de todas as distribuies condicionais so iguais
(homoscedasticidade).
Pg.:44
IMPORTANTE:
- O erro padro da estimativa:
Disperso na populao: quanto maior a disperso, menor a preciso das estimativas.
A quantidade de disperso na populao pode ser estimada com base na disperso das
observaes amostrais em relao reta de regresso:
2 n
y . x . b y . a y
2 n
) y y (
s
2 2
i i
e

s
e
= desvio padro da distribuio de pontos em torno da reta de regresso;
(n-2) = nmero de graus de liberdade perdemos dois g.l. ao calcular a e b.
- Inferncias sobre b:
indicaes de relacionamento nos dados amostrais quando no existe
relacionamento na populao, devido a fatores aleatrios na amostragem.
Questo: as variveis so relacionadas?
No coeficiente angular = 0.
Sim coeficiente angular 0.
Teste de hipteses:
H
0
: = 0
H
1
: 0
Como o desvio padro da populao desconhecido, usamos t de Student,com (n-2)
graus de liberdade.
b b
s
b
s
0 b
o a
~
padr desvio
esperado) (valor - amostral) valor (
t

s
b
desvio padro da distribuio amostral do coeficiente angular.
[ ]
b b
b
2 2 e b
s . t b t.s - b
t.s b : para confiana de intervalo
n / ) x ( x
1
. s s
+
t

Pg.:45
indica o intervalo provvel que pode estar;
pode ser usado para testar a significncia de um coeficiente angular amostral.
Exemplo: verificar se no exemplo anterior, podemos suspeitar do no relacionamento
das variveis a um nvel de significncia de 1%.
H
0
: = 0
H
1
: 0
[ ]
crit 005 , 0 ; 6 2 / ); 2 n (
b
calc
2 2
e b
2
e
t 707 , 3 t t
12 , 12
s
b
t
0179 , 0
n / ) x ( x
1
. s s
116 , 0
2 n
y . x . b y . a y
s

Como t
calc
> t
crit
rejeitamos a hiptese H
0
Intervalo de confiana para : b t t.s
b
0,217 t 0,067 0,15 0,284.
O coeficiente de determinao r
2

O coeficiente de determinao, r
2
, exprime a proporo da variao total de y que
explicada pela reta de regresso.
variao total: variao dos pontos em torno de
y
:

2
i
) y y (
variao no explicada: desvios verticais dos yis em relao a reta de regresso
no podem ser explicados somente pelo valor de x:
(RES) SS ) y y (
2
i i

variao explicada: quantidade de desvio explicada pela reta de regresso a

diferena entre a variao total e a no explicada:
(REG) SS ) y y ( ) y y (
2
i i
2
i

Pg.:46
SS(RES) + (REG) SS
(REG) SS
) y y (
) y y ( ) y y (
total variao
explicada variao
r
2
i
2
i i
2
i 2

Para clculo:
[ ]
2 n
n / ) y ( y . n
s
s
s
1
s
s s
r
2 2
2
y
2
y
2
e
2
y
2
e
2
y 2

0 r
2
1;
r
2
= 1 no haveria variao residual e todos os pontos estariam alinhados;
r = t 0,7 teramos r
2
= 0,49, significando que a curva de regresso no consegue
explicar nem a metade da variao de y. razovel supor que outras variveis, no
includas no estudo, sejam importantes;
r 0,9 ter bastante utilidade o traado da curva de regresso, pois ela
explica mais de 80% da variao total de y.
- ANOVA para regresso simples:
Fonte de variao
Soma dos
Quadrados
(SS)
Graus de
liberdade
(df)
Quadrado
Mdio
(MS)
F
Devido
regresso

2
i
) y y (
1
1
(REG) SS
= (REG) MS
(RES) MS
(REG) MS
Resduo
2
i i
) y y (

(n-2)
2 - n
(RES) SS
= (RES) MS
Total
2
i
) y y (
(n-1)
Para o exemplo anterior:
Fonte de variao SS df MS F
Devido regresso 1,9793 1 1,9793 147,15
Resduo 0,0807 6 0,01345
Total 2,06 7
Pg.:47
Obs.: note que o valor de F igual ao quadrado do valor de t no teste de
significncia; no mera coincidncia teste F com 1 d.f. no numerador teste
t.
- Regresso linear mltipla:
Uma varivel dependente (y) e duas ou mais variveis independentes (x
i
):
+ + + + +
k k 2 2 1 1 0
x . ... x . x . y
Obteno da equao de predio: k k 2 2 1 1 0
x . b ... x . b x . b b y + + + +
a imposio do
critrio dos mnimos quadrados leva a um sistema de equaes, cuja soluo fornece
os b
i
s.
- Funes linearizveis:
Certas funes, mediante transformaes convenientes, linearizam-se, o que torna
simples a soluo do problema de regresso.
Por exemplo:
x . B A z
log = B ; log = A ; y log = z fazendo log . x log y log
. y
x
+
+

(outros exemplos: tabela III.4, pg. 272, bible - Pyzdek).
Obs.: quando o processo de linearizao envolve transformaes na varivel
dependente y, as premissas feitas na anlise de regresso podem deixar de valer;
neste caso, fica prejudicada a aplicao dos testes estatsticos.
Pg.:48
2. CORRELAO LINEAR SIMPLES :
Anlise de dados amostrais para saber se e como duas ou mais variveis esto
relacionadas uma com a outra numa populao.
Anlise de correlao mede a fora ou grau de relacionamento entre duas
variveis til no trabalho exploratrio.
Anlise de regresso descreve o relacionamento em termos matemticos
(equao).
importante, inicialmente, fazer um grfico de disperso das variveis
visualizao de como as variveis se correlacionam (qual a tendncia de variao
conjunta).
2.1. TIPOS DE CORRELAO LINEAR:
A correlao considera a variao conjunta de duas medies, nenhuma delas
restringida pelo experimento, e que a distribuio de freqncia conjunta seja normal
(normal bivariada). Tanto x como y so variveis aleatrias contnuas.
No h dependncia funcional entre as variveis; a anlise de correlao fornece
um valor (coeficiente de correlao), que quantifica o grau de correlao.
Correlao linear positiva quando observado que para maiores valores de x
temos a tendncia de obtermos maiores valores de y e vice-versa.
Pg.:49
Correlao linear negativa para maiores valores de x a tendncia se observar
menores valores de y e vice-versa.
Correlao linear nula quando, intermediariamente, temos os casos de variveis no
correlacionadas.
Correlao no linear so outros tipos de correlao que podem existir mas que no
so lineares.
Pg.:50
2.2. CLCULO E INTERPRETAO DO COEFICIENTE DE
CORRELAO
Coeficiente r de Pearson:
Propriedades:
sinal (+ ou -) indica qual a tendncia de variao conjunta das duas variveis;
magnitude indica a perfeio do relacionamento (quo prximos da reta esto
os pontos individuais).
O coeficiente r de Pearson pode ser escrito como;

n
1 i
i
n
1 i
2
i
n
1 i
i i
) y y ( . ) x x (
) y y ).( x x (
r
para clculo manual, a frmula mais prtica a seguinte:

2 2 2 2
) y ( ) y .( n . ) x ( ) x .( n
) y )( x ( ) y . x .( n
r
(ver Correlao Momento-Produto: Conceituao - Stevenson, pg.370).
r uma estimativa do coeficiente de correlao populacional r uma
estatstica;
adimensional seu valor no afetado pelas unidades das variveis;
varia de -1 a +1 facilita a interpretao;
r = -1 correlao linear negativa perfeita;
r = +1 correlao linear positiva perfeita;
r = 0 ausncia de relacionamento.
Obs.: um alto valor de r, embora estatisticamente significativo, pode no implicar
qualquer relao de causa e efeito, mas simplesmente a tendncia que as variveis
apresentam quanto sua variao conjunta.
Pg.:51
2.3. TESTE DE HIPTESE DE r :
se a amostra tem apenas 2 pontos r = 1 isto no quer dizer que temos uma
correlao linear perfeita, mas apenas que a amostra pequena para se tirar
concluso.
Algumas vezes, de interesse saber se o valor calculado de r , aliado com o
respectivo tamanho da amostra, permite concluir, a um dado nvel de significncia ,
se existe uma correlao linear entre as variveis devemos ento, testar as
hipteses:
H
0
: = 0
H
1
: 0 ou > 0 ou < 0.
O teste feito com t de Student:
2
calc 2 n
r 1
2 n
. r ) t (
;
0 para t t
0 > ou 0 < para t t
2 / ; 2 n crit.
; 2 n . crit

Exemplo: verificar se podemos, ao nvel de 5% de significncia, concluir pela
existncia de correlao positiva entre altura e peso das pessoas, conforme tabela
abaixo:
Pessoa 1 2 3 4 5 6 7 8 9 10
Altura
(cm)
174 161 170 180 182 164 156 168 176 175
Peso (kg) 73 66 64 94 79 72 62 64 90 81
0
20
40
60
80
100
150 160 170 180 190
H
W
Pg.:52
Clculo de r:
772 , 0 r
127753 y . x
56643 y 745 y
291678 x 1706 x
2
2

Teste de hipteses:
H
0
: = 0
H
1
: > 0
0 crit calc.
05 , 0 ; 8 . crit
2
calc 2 n
H se - rejeita t t como
860 , 1 t t
44 , 3
) 772 , 0 ( 1
2 10
. 772 , 0 ) t (
>

Podemos concluir pela existncia de correlao positiva, ao nvel de 5% de

significncia.
2.4. INTERVALO DE CONFIANA PARA COEFICIENTE DE
CORRELAO:
Para uma amostra moderadamente grande (n 25), o intervalo de confiana para
dado por:
onde:
r: coeficiente de correlao estimado;
ln: logaritmo neperiano;
tanh: tangente hiperblica , tanh= (e
x
- e
-x
)/(e
x
+e
-x
);
Z
/2
: obtido da tabela de distribuio normalizada.
Pg.:53
1
]
1
,
_
+

1
]
1
,
_
+

3 n
Z
r 1
r 1
ln
2
1
tanh
3 n
Z
r 1
r 1
ln
2
1
tanh
2 / 2 /
Exemplo: Uma amostra de tamanho n=30 foi retirada para verificar tempo de falha de
um componente eletrnico e a temperatura na qual o componente usada. O
coeficiente de correlao entre o tempo de falha e a temperatura encontrado foi
r=0,32. Construa um intervalo com 95% de confiana para o coeficiente de correlao
verdadeiro .
Concluso: uma vez que o intervalo contm o valor zero, temos evidncia para
concluirmos que a correlao entre tempo de falha e temperatura de uso no
significativamente diferente de zero no nvel 95% de confiana.
Pg.:54
1
]
1
+
,
_
+

1
]
1

,
_
+
3 30
96 , 1
32 , 0 1
0,32 1
ln
2
1
tanh
3 30
96 , 1
32 , 0 1
0,32 1
ln
2
1
tanh
[ ] [ ] 3372 , 0 3316 , 0 tanh 3372 , 0 3316 , 0 tanh +
7088 , 0 0456 , 0
3. ANLISE DE SREIS TEMPORARIS BSCIAS :

2

3.1. DEFINIO:
Uma srie temporal um conjunto de dados estatsticos que so coletados, registrados
e observados em sucessivos incrementos de tempos determinados, comumente em
intervalos iguais. A anlise dos dados de uma srie temporal tem por objetivo
determinar se eles apresentam algum padro no-aleatrio. Os padres no-aleatrios
podem ser usados para predies quanto ao futuro. O grande potencial do estudo de
sries temporais reside na possibilidade de predio de um valor desconhecido da
srie.
Exemplo: A tabela a seguir apresenta o crdito aos consumidores no Brasil, em
percentagem do PIB, segundo dados do Banco Central.
3.2. COMPONENTES DE UMA SRIE TEMPORAL
3.2.1. TENDNCIA (T)
(Tendncia - Movimentos a longo prazo ou seculares)
Direo geral segundo o qual parece que o grfico se desenvolve em um longo
intervalo de tempo indicado pela curva de tendncia.
2
Bibliografia usada: MILONE, Giuseppe & ANGELINI, Flvio. Estatstica Aplicada. So Paulo. Editora Atlas. 1995.
Pg.:55
Crdito ao Consumidor
Ano
US$ Bilhes % do PIB
80 12,8 3,6
81 9,8 2,9
82 13,3 3,9
83 7,2 2,2
84 7,3 2,1
85 8,2 2,2
86 6,8 1,7
87 3,7 0,9
88 2,9 0,7
89 2,6 0,6
90 1,6 0,4
91 2,1 0,5
92 3,3 0,8
Crdito ao Consumidor
0
2
4
6
8
10
12
14
80 82 84 86 88 90 92
Ano
US$ Bilhes % do PIB
Finalidades de se isolar a componente de tendncia:
a base do processo decisrio (estimativa de demanda futura);
Remover a tendncia de modo a permitir a anlise de outras componentes;
Identificar a tendncia de modo a permitir lev-la em conta ao planejar decises.
3.2.1.1. MTODOS PARA ISOLAR A TENDNCIA:

3.2.1.1.1. ANLISE DE TENDNCIA:
o melhor processo. A tendncia dos dados dada pela curva de ajustamento.
Quando a anlise de regresso usada em dados de sries temporais (como em dados
financeiros), freqentemente ocorre autocorrelacionamento dos resduos
Quando existe autocorrelacionamento dos resduos, a anlise de regresso no conduz
a bons resultados
A presena de autocorrelao dos resduos freqentemente indica que uma ou mais
varveis importantes no foram consideradas no modelo.
Teste para verificao se existe autocorrelao dos resduos teste de Durbin-
Watson.
Mtodos de anlise quando existe autocorrelao dos resduos mtodo das
primeiras diferenas (o mais simples).
3.2.1.1.2. MDIAS MVEIS:

"Este processo, que objetiva suavizar as variaes na varivel estudada tem a grande
vantagem de no exigir a determinao de nenhuma curva a qual a tendncia deva se
adaptar. O ajustamento feito com base nas "mdias mveis de ordem k", que
consiste no conjunto das mdias dos ltimos k valores da srie de dados (quanto
maior a ordem das mdias maior a "suavizao" obtida). Embora o mtodo seja
bastante flexvel e de aplicao simples, filtrando facilmente as variaes cclicas,
estacionais ou aleatrias, tem diversas desvantagens. Uma delas que reduz o
tamanho da srie original; outra a de no ser aplicvel para o estudo que acontece
fora do intervalo considerado; outra mais e que pode gerar movimentos cclicos
inexistentes nos dados originais; e, por fim; como toda a mdia, afetada por valores
extremos, podendo gerar algumas distores.
Pg.:56
A escolha da ordem das mdias mveis depende do perodo do ciclo. Os efeitos
cclicos (mais os sazonais e os aleatrios) de uma srie temporal sero eliminados
tomando-se mdias mveis de ordem igual ao perodo do ciclo.
O efeito de utilizao de uma mdia mvel remover as variaes sazonais, cclicas e
irregulares, o que resta considerado tendncia.
Limitao: quase impossvel remover completamente variaes cclicas e
irregulares.
Ideal: mdias com perodos de tempo longo.
Problema: quanto mais dados, menos sensvel a mdia se torna a observaes recentes
(s vezes necessrio ponderao)
0
5
10
15
20
25
0 5 10 15 20
MM de 5 perodos
Linear (Seqncia1)
3.2.2. CCLICO (C)
(Movimentos ou variaes cclicas)
3 So oscilaes a longo prazo ou desvios em torno da reta ou curva de tendncia.
Podem ser ou no peridicos.
Pg.:57
3 Pode ser obtida de uma das seguintes expresses:
ou
onde:
A a amplitude da onda;
T o ciclo do perodo;
u a fase.
3.2.3. SAZONAL (S)
(Movimentos ou variaes por estaes ou sazonais)
So variaes cclicas a prazo relativamente curto.
So padres idnticos, ou quase, que uma srie temporal parece obedecer durante
os mesmos meses de anos sucessivos. So resultantes de eventos peridicos.
3 Ocorrem regularmente dentro do perodo de um ano.
Finalidades de se isolar a componente sazonal:
remover o padro sazonal para se estudar a variao cclica;
identificar os fatores sazonais para lev-los em conta na tomada de decises.
3 Mtodos para isolamento:
Porcentagem da Mdia;
Porcentagem da Tendncia;
Porcentagem das Mdias Mveis;
Srie de Elos Relativos;
Tcnica mais usada para anlise da variao sazonal mtodo da razo-para-a-
mdia-mvel (ratio-to-moving-average method)
(ver Stenvenson, pag.425).
Pg.:58
1
]
1

T
u t
A y
) (
2 sen
1
]
1

T
u t
A y
) (
2 cos
3.2.4. IRREGULAR (I)
(Movimentos irregulares ou aleatrios).
So deslocamentos espordicos das sries temporais, provocados por eventos casuais.
Ordinariamente so analisadas conjuntamente.
Para isolar variaes cclicas, deve-se remover as outras variaes (tendncia e
sazonal) depende do modelo adotado para a srie.
Remoo das variaes sazonais: dados anuais ou mdia mvel de 12 meses (dados
mensais)
Remoo da tendncia: regresso ou mdia mvel de longo prazo.
3.3. MODELOS DE SRIES TEMPORAIS:
O modelo de uma srie a especificao de foras que contribuem para o
movimento das sries e uma forma de se analisar o modo como essas foras interagem
influenciando tanto a direo quanto a magnitude da srie.
Multiplicativo: Y = T x C x S x I
Aditivo: Y = T + C + S + I
Misto: Y = T x C + S x I
Y = T x C x S + I
Pg.:59
O mtodo clssico da anlise de sries temporais procura selecionar as componentes
tendncia, variao cclica, variaes sazonais e variaes irregulares dos dados, a fim
de analisar cada componente individualmente.
3.4. ANLISES DE PADRO
Na anlise de um modelo importante a avaliao dos resduos.
Resduos que apresentem padres seqenciais no aleatrios (patterns) ou outliers so
evidncias de modelos inadequados.
Existem 4 maneiras de se plotar os resduos:
global;
em ordem cronolgica;
contra a varivel predita (varivel resposta);
contra a(s) varivel(is) independentes.
Se as suposies feitas no desenvolvimento do modelo forem corretas, esperado que
os resduos apresentem uma distribuio aproximadamente normal com mdia zero
histograma de resduos padronizados nos d uma idia da distribuio dos resduos.
Os padres seqenciais so avaliados pelas outras 3 maneiras de se plotar os resduos.
Pg.:60
DISTRIBUIO NORMAL
rea da cauda direita sob distribuio Normal
Obs.: Tabela melhor para se pegar valor de /2 para problemas de INTERVALO DE CONFIANA.
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2518 0.2549
0.7 0.2580 0.2612 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4986 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
3.1 0.4990 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
3.3 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997
3.4 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998 0.4998
3.5 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.7 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.5000 0.5000 0.5000
3.9 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000
Pg.:61
Mdia z

APOSTILA EstatisticaII-Paulo Simas

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

APOSTILA EstatisticaII-Paulo Simas

Uploaded by

Copyright:

Available Formats

CQE 2011- ASQ - USIMINAS

1.2.2. ESTIMAO POR PONTO DO DESVIO PADRO ( ) DA

logo, o intervalo de confiana : 0,035 t 0,0114.

se n n , a amostra piloto ser suficiente.

Comete-se um erro Tipo I, rejeitando-se H

Comete-se um erro Tipo II, no rejeitando H

risco do consumidor, porque o risco dele aceitar um lote fora da especificao.

que uma varincia ponderada.

Exemplo: Deseja-se saber se duas mquinas de empacotar esto fornecendo o mesmo

3,87 e 3,77 entre F F F

TESTE DE AJUSTE ( GOODNESS-OF-FIT):

a estatstica do teste, com graus de liberdade;

, = mdia da distribuio. Portanto, Poisson fica bem

onde C um fator de correo.

= a estatstica do teste, com graus de liberdade;

36 9,2 50,5 204 12,64

variao explicada: quantidade de desvio explicada pela reta de regresso a

Podemos concluir pela existncia de correlao positiva, ao nvel de 5% de

You might also like