1

ESTATSTICA
Para realizar uma pesquisa deve-se:
- Decidir qual a melhor forma de coletar as informaes necessrias e
sua qualidade e quantidade.
- Organizar e resumir os dados obtidos.
- Fazer inferncias sobre populaes de unidades quando apenas uma
parte desta populao (amostra) estudada.
Mtodos utilizados na pesquisa:
Fase 1: Tcnicas de amostragem ou Planejamento de experimentos.
Fase 2: Estatstica Descritiva.
Fase 3: Estatstica Inferencial.
Tipos de variveis geradoras de dados
Categricas Numricas
Nominal
(classificao)
Ordinal
(classificao)
Discreta
(contagem)
Contnua
(mensurao)
Sexo do
comprador,
procedncia
da matria
prima
Nvel de
escolarida
de, classe
social
Nmero de
peas no
conformes
em um lote
Peso, pH,
voltagem,
velocidade
Interao entre estatstica e pesquisa cientfica
Anlise Estatstica
Descritiva
Anlise Inferencial
Concluses
Formulao de novos
objetivos
Objetivos da
pesquisa
Planejamento da
pesquisa
Observaes
Dados
id5147593 pdfMachine by Broadgun Software - a great PDF writer! - a great PDF creator! - http://www.pdfmachine.com http://www.broadgun.com
2
Probabilidade
Origens da probabilidade:
- clssica
- emprica
- subjetiva
n de lotes n de dias
5 3
6 6
7 9
8 7
10 1
Espao amostral (O) o conjunto de todos os possveis
resultados de um experimento.
Evento qualquer subconjunto do espao amostral.
Dois eventos so mutuamente excludentes se no
tiverem elementos comuns, isto , se no puderem
ocorrer simultaneamente.
Dois ou mais eventos dizem-se independentes se o
conhecimento prvio da ocorrncia ou no ocorrncia de
um dos eventos no auxiliar a predizer a ocorrncia dos
demais.
Dois ou mais eventos so dependentes se o
conhecimento prvio da ocorrncia ou no ocorrncia de
um dos eventos auxiliar a predizer a ocorrncia dos
outros.
0 s P(A) s 1
Se A e B forem mutuamente excludentes,
ento
Generalizando, se A
i
i = 1,2,...,n so eventos
mutuamente excludentes
Se A e B no forem mutuamente excludentes,
ento
) ( ) ( ) ( B P A P B A P + =
) ( ... ) ( ) ( ) ... (
2 1 2 1 n n
A P A P A P A A A P + + + =
) ( ) ( ) ( ) ( B A P B P A P B A P + =
3
P(A B) = P(A)P(BA) = P(B)P(AB)
Se A e B so eventos independentes
ento P(AB) = P(A)
P(BA) = P(B)
) ( ) ( ) ( B P A P B A P =
Eventos coletivamente exaustivos so
eventos cuja unio o espao amostral.
Se F
1
, F
2
, ..., F
k
so k eventos mutuamente
excludentes e coletivamente exaustivos,
ento:
P(A) = P(AF
1
) + P(AF
2
) + ... + P(AF
k
)
ou
P(A) = P(F
1
)P(A|F
1
) + P(F
2
)P(A|F
2
) + ... +
P(F
k
)P(A|F
k
)
Teorema de Bayes
Se F
1
, F
2
, ..., F
k
so eventos mutuamente
excludentes e exaustivos e A for qualquer
evento tal que P(A) > 0 , ento:
) / ( ) (
) / ( ) (
) / (
1
j
k
j
j
i i
i
F A P F P
F A P F P
A F P

=
=
4
Estatstica Descritiva
Tabelas e grficos
Medidas de tendncia central e localizao
Medidas de disperso
Medidas de forma
Variveis aleatrias: fenmenos ou caractersticas
examinadas em cada elemento investigado.
Populao: o conjunto de todos os elementos ou
resultados sobre os quais estamos interessados.
Amostra: qualquer subconjunto da populao.
Distribuio de freqncias: uma tabela resumida
na qual os dados so organizados em grupos de
classes ou categorias convenientemente
estabelecidos e numericamente ordenados, contendo
as suas respectivas contagens, as quais so
denominadas freqncias absolutas ou freqncias.
Dados no agrupados: n de lotes:
0 ; 3 ; 4 ; 2 ; 2 ; 1 ; 2 (n = 7)
Dados agrupados em categorias: n de pedidos: (n = 26)
5 ; 7 ; 8 ; 7 ; 6 ; 7 ; 8 ; 10 ; 6 ; 8 ; 7 ; 8 ; 7 ; 7 ; 8 ; 5 ; 6 ; 8 ; 7 ;
6 ; 7 ; 5 ; 6 ; 8 ; 7 ; 6
X
i
f
i
5 3
6 6
7 9
8 7
10 1
Total 26
5
Na coluna A colocam-se os dados.
Na coluna C copiam-se os dados e os colocam em
ordem crescente.
Na coluna E escrevem-se os valores que apareceram
em ordem crescente.
Na coluna F seleciona-se uma casela a mais aos
valores em ordem crescente (se a verso do Office for
anterior ao 2000) e no espao da funo escreve-se:
=freqncia(1 endereo dos dados:ltimo endereo dos
dados;1 endereo dos valores:ltimo endereo dos
valores)
Aperta-se ao mesmo tempo as teclas: Control , Shift e
Enter
6
Dados agrupados em classes: Peso dos bolos: (n = 125)
266 267 266 268 282 PESO Frequncia
260 272 258 262 283 250 I 255 1
288 270 280 270 282 255 I 260 9
255 266 264 266 272 260 I 265 20
276 274 284 272 276 265 I 270 26
257 280 280 270 272 270 I 275 30
272 280 264 264 284 275 I 280 18
282 268 272 261 275 280 I 285 18
264 270 269 258 260 285 I 290 3
266 257 262 263 265 Total 125
260 263 266 265 258
268 270 274 269 260
278 278 278 278 280
254 272 274 268 265
270 261 255 263 271
258 272 272 280 265
280 272 268 270 265
264 270 278 264 270
260 266 258 270 269
269 274 269 286 268
281 275 283 274 279
281 278 277 274 282
285 275 276 280 275
267 272 276 275 270
262 268 276 274 260
Grficos
Grfico de Colunas ou Barras: Utiliza o plano cartesiano
com os valores da varivel no eixo das abscissas e as
freqncias ou percentagens no eixo das ordenadas.
Em geral usar grfico de barras horizontais para
categorias (variveis qualitativas) e grfico de colunas
para variveis quantitativas.
Diagrama de Pareto: um tipo especial de grfico de
colunas no qual as respostas categorizadas so
representadas em ordem decrescente de classificao
de suas freqncias e combinada com um polgono
acumulado na mesma escala.
Grfico de Disco ou Pizza ou Diagrama Circular:
Consiste em repartir o disco em setores circulares
correspondentes s percentagens de cada valor.
Grfico de Linhas: So grficos em duas dimenses,
baseados na representao cartesiana dos pontos no
plano. Este grfico til para representar sries
cronolgicas.
Histograma: So grficos de barras verticais nos quais
as barras retangulares so construdas nos limites de
cada classe. Os histogramas podem ser de freqncia,
de freqncia relativa ou de percentagem.
Polgono de Freqncias (ou percentagens): Os pontos
do polgono so obtidos por perpendiculares traadas a
partir dos pontos mdios das classes e de altura
proporcional freqncia (percentagem) de cada uma
das classes. O polgono de percentagem muito
utilizado quando da comparao de dois ou mais
conjuntos de dados. Lembrar que se utilizam as classes
fictcias antecedente e sucedente com freqncias zero.
7
n de pedidos:
FREQNCIA DO N DE PEDIDOS
3
6
9
7
1
0
2
4
6
8
10
5 6 7 8 10
n de pedidos
n

d
e
d
ia
s
PORCENTAGEM DO N DE PEDIDOS
POR DIA
11,54
23,08
34,62
26,92
3,85
5
6
7
8
10
N DEPEDIDOS
5
7
8
7
6
7
8
10
6
8
7
8
7 7
8
5
6
8
7
6
7
5
6
8
7
6
0
2
4
6
8
10
12
1 4 7
1
0
1
3
1
6
1
9
2
2
2
5
dia
n

d
e

p
e
d
i
d
o
s
Peso dos bolos
8
MEDIDAS DE TENDNCIA CENTRAL
Dados no agrupados:
Mdia:
Mediana:
- Colocar os dados em ordem crescente
- Determinar o Ponto de Posicionamento =
- Localizar a mediana
Moda: valor (ou valores) que mais aparecem
n
X
X
n
i
i
=
=
1
2
1 + n
Dados no agrupados: n de lotes:
0 ; 3 ; 4 ; 2 ; 2 ; 1 ; 2 (n = 7)
lotes
Dados em ordem crescente: 0 ; 1 ; 2 ; 2 ; 2 ; 3; 4
Ponto de posicionamento = elemento = elemento
= 4 elemento
md = 2 lotes
mo = 2 lotes
0 , 2
7
14 1
= = =

=
n
X
n
i
i

2
1
|
.
|

\
| + n

2
8
|
.
|

\
|
Dados agrupados em categorias
Mdia:
Quartis:
- Determinar as freqncias acumuladas
- Determinar o Ponto de Posicionamento =
( Q
1
j =25 ; Mediana = = Q
2
j = 50 ; Q
3
j = 75 )
- Localizar o quartil
Moda: valor (ou valores) que mais aparecem
n
X f
X
k
i
i i
=
=
1
100
) 1 ( + n j
X
~
9
Dados agrupados em categorias
Mdia = pedidos
Mediana:Ponto de posicionamento = = 13,5 elemento
Mediana = 7 pedidos
Q
1
: Ponto de posicionamento = = 6,75 elemento
Q
1
= 6 pedidos
Q
3
: Ponto de posicionamento = = 20,25 elemento
Q
3
= 8 pedidos
Moda = 7 pedidos
Xi fi fi Xi fi Xi
2
fa
5 3 15 75 3
6 6 36 216 9
7 9 63 441 18
8 7 56 448 25
10 1 10 100 26
Total 26 180 1280
92 , 6
26
180 1
= = =

=
n
X f
X
k
i
i i

100
) 1 ( 50
|
.
|

\
| + n

100
) 1 ( 25
|
.
|

\
| + n

100
) 1 ( 75
|
.
|

\
| + n
Possveis outliers
Distncia interquartis : d
j
= Q
3
Q
1
Possveis outliers: Valores inferiores a LI = Q
1
- 1,5 d
j
Valores superiores a LS = Q
3
+ 1,5 d
j
No exemplo do n de pedidos:
Possveis outliers:
Valores inferiores a LI = Q
1
- 1,5 d
j
= 6 3 = 3
Valores superiores a LS = Q
3
+ 1,5 d
j
= 8 + 3 = 11
No h possveis outliers.
Esquema dos 5 Nmeros: X
menor
Q
1
md Q
3
X
maior
No exemplo, 5 Nmeros: 5 , 6 ,7 , 8, 10
BOX-PLOT
Define-se uma caixa com o nvel superior dado pelo 3 quartil e o nvel
inferior pelo 1 quartil. A mediana representada por um trao no interior
da caixa e segmentos de reta so colocados da caixa at os valores
mximo e mnimo que no sejam observaes discrepantes (possveis
outliers). A representao grfica atravs do Box-Plot informa, entre
outras coisas, a variabilidade e a simetria dos dados.
5
6
7
8
9
10
n

d
e

p
e
d
id
o
s
10
Dados agrupados em classes
Mdia =
Mediana:
Ponto de posicionamento = = 62,5 elemento
Classe mediana = 270 I---- 275
Calcular a mediana por regra de trs: (md 270) 6,5
(275 270) 30
2
i i i i i i i i i i
X f X f X X f X X fac X f Peso

250 I 255 1 252,5 1 18,64 18,64 252,5 63756,25
255 I 260 9 257,5 10 13,64 122,76 2317,5 596756,25
260 I 265 20 262,5 30 8,64 172,8 5250 1378125,00
265 I 270 26 267,5 56 3,64 94,64 6955 1860462,50
270 I 275 30 272,5 86 1,36 40,8 8175 2227687,50
275 I 280 18 277,5 104 6,36 114,48 4995 1386112,50
280 I 285 18 282,5 122 11,36 204,48 5085 1436512,50
285 I 290 3 287,5 125 16,36 49,08 862,5 247968,75
Total 125 817,68 33892,5 9197381,25

100
50
|
.
|

\
| n
g
n
X f
X
k
i
i i
14 , 271
125
5 , 33892 1
= = =

=
Classe modal = 270|--- 275
Moda bruta = ponto mdio da classe modal
= 272,5 g
g
x
X 08 , 271
30
) 270 275 ( 5 , 6
270
~
=

+ =
Outras medidas de posio
Quartis:
Q
1
: Ponto de posicionamento =
Q
3
: Ponto de posicionamento =
Decis:
D
j
: Ponto de posicionamento = j = 1, 2, ...,10
Percentis:
P
j
: Ponto de posicionamento = j = 1, 2, ..., 100

100
25
|
.
|

\
| n

100
75
|
.
|

\
| n

100
|
.
|

\
| n j

100
10
|
.
|

\
| n j
11
Midhinge = Mdia das juntas =
Mdia de Intervalo =
2
3 1
Q Q +
2
min max+
MEDIDAS DE VARIABILIDADE
Dados no agrupados
Varincia amostral:
Varincia populacional (o
2
): Na frmula de s
2
, dividir por n ao invs de
(n 1).
Desvio padro (s) =
Coeficiente de variao:
(
(
(
(
(

|
|
.
|

\
|

=
=
=
n
i
n
i
i
i
n
i
i
n
X
X
n n
X X
s
1
2
1 2
2
1 2
1
1
1
) (
2
var s incia =
% 100 . . .
X
s
V C =
Dados no agrupados: n de lotes:
0 ; 3 ; 4 ; 2 ; 2 ; 1 ; 2 (n = 7)
Varincia =
2
2
1
2
1 2 2
4286 , 1
7
10
7
14
) 16 9 4 4 4 1 0 (
7
1 1
lotes
n
X
X
n
n
i
n
i
i
i
= =
(

+ + + + + + =
(
(
(
(
(

|
|
.
|

\
|
=


=
=
o
lotes 20 , 1 4286 , 1 = = o
% 60 % 100
0 , 2
20 , 1
% 100 . . = = = x x V C

o
12
Dados agrupados em categorias
Varincia amostral:
Varincia populacional (o
2
): Na frmula de s
2
, dividir por n ao invs
de (n 1).
Desvio padro (s) =
Coeficiente de variao: % 100 . . .
X
s
V C =
(
(
(
(
(

|
|
.
|

\
|

=
=
=
k
i
k
i
i i
i i
k
i
i i
n
X f
X f
n n
X X f
s
1
2
1
2 1
2
2
1
1
1
) (
2
var s incia =
Dados agrupados em categorias
=1,3539 pedidos
2
pedidos
Xi fi fi Xi fi Xi
2
fa
5 3 15 75 3
6 6 36 216 9
7 9 63 441 18
8 7 56 448 25
10 1 10 100 26
Total 26 180 1280
(

=
(
(
(
(
(

|
|
.
|

\
|

=


=
=
26
180
1280
25
1
1
1
2
1
2
1 2 2
k
i
k
i
i i
i i
n
X f
X f
n
s
16 , 1 3539 , 1 = = s
% 8 , 16 % 100
92 , 6
16 , 1
% 100 . . = = = x x
X
s
V C
Dados agrupados em classes
2
i i i i i i i i i i
X f X f X X f X X fac X f Peso

250 I 255 1 252,5 1 18,64 18,64 252,5 63756,25
255 I 260 9 257,5 10 13,64 122,76 2317,5 596756,25
260 I 265 20 262,5 30 8,64 172,8 5250 1378125,00
265 I 270 26 267,5 56 3,64 94,64 6955 1860462,50
270 I 275 30 272,5 86 1,36 40,8 8175 2227687,50
275 I 280 18 277,5 104 6,36 114,48 4995 1386112,50
280 I 285 18 282,5 122 11,36 204,48 5085 1436512,50
285 I 290 3 287,5 125 16,36 49,08 862,5 247968,75
Total 125 817,68 33892,5 9197381,25

2
2
1
2
1 2 2
6516 , 62
125
5 , 33892
25 , 9197381
124
1
1
1
g
n
X f
X f
n
s
k
i
k
i
i i
i i
=
(

=
(
(
(
(
(

|
|
.
|

\
|

=


=
=
g s 92 , 7 6516 , 62 = =
% 92 , 2 % 100
14 , 271
92 , 7
% 100 . . = = = x x
X
s
V C
13
Exatido e Preciso
Exatido: o grau de concordncia entre o
resultado da medio e o valor verdadeiro
convencional da grandeza medida.
Quanto menor mais exato
Preciso: o grau de concordncia entre
medies independentes de uma caracterstica
dentro de condies especficas, medida atravs
do desvio padro.
Quanto menor coef. de variao mais preciso
X
Assimetria
Coeficiente de assimetria de Pearson
Se 0 | As | 0,15 temos simetria
Se 0,15 < |As|<1 temos assimetria moderada
Se |As| > 1 temos assimetria forte
No exemplo:
Como 0,15 < |As|<1 tem-se uma assimetria moderada
s
X X
A
s
)
~
( 3
=
2062 , 0
1636 , 1
) 7 92 , 6 ( 3 )
~
( 3
=

=
s
X X
A
s
14
MEDIA (mdia)
MED (mediana)
MODO (moda)
VARP (varincia populacional)
VAR (varincia amostral)
DESVPADP (desvio padro populacional)
DESVPAD (desvio padro amostral)
Outra forma:
Ferramentas Anlise de dados Estatstica descritiva
15
VARIVEIS ALEATRIAS
Varivel Aleatria Discreta: uma funo X,
definida sobre o espao amostral O e que
assume valores num conjunto enumervel de
pontos, com certa probabilidade.
Funo de Probabilidade ou Distribuio de
Probabilidade para uma varivel aleatria
discreta: uma lista mutuamente excludente de
todos os possveis valores assumidos por
aquela varivel aleatria, de modo que uma
determinada probabilidade de ocorrncia esteja
associada a cada um destes valores.
Funo de Distribuio ou Funo Acumulada
de Probabilidade de uma varivel aleatria
discreta X definida, para qualquer nmero real
x pela expresso: F(x) = P(X s x).
16
Dada a varivel aleatria X, assumindo os valores
X
1
, X
2
, ...,X
n
:
Valor mdio ou Esperana de X:
Varincia (o
2
) de uma varivel aleatria discreta:
Com
Desvio Padro (o) :
) ( ) (
1

=
= =
n
i
i i
x P x X E
2 2 2 2
1
2
)] ( [ ) ( )] ( [ ) ( ] ) ( [ ) ( X E X E X E X E X P X E X X V
i
n
i
i i
= = = =

=
o

= ) ( ) (
2 2
X P X X E
2
o o =
Propriedades da esperana
Se a uma constante ento E(a) = a
E(aX) = a E(X)
Se a e b so constantes ento:
E(aX+b) = E(aX) + E(b) = a E(X) + b
Se h(X) uma funo de X , ento:

= ) ( ) ( )] ( [ X P X h X h E
Propriedades da varincia
Se a uma constante ento V(a) = 0
V(aX) = a
2
V(X)
Se a e b so constantes ento:
V(aX+b) = a
2
V(X)
17
Variveis aleatrias bidimensionais
Probabilidade conjunta: P(x,y) = P(X = x ; Y = y)
denota a probabilidade do evento { X = x e Y = y}
Distribuio Conjunta de Probabilidades: a
funo de probabilidade que atribui
probabilidades a cada par das variveis
aleatrias.
Distribuies Marginais: So obtidas facilmente
da tabela de distribuio conjunta de
probabilidades.
Propriedades
Se X e Y so duas variveis aleatrias ento:
E(X+Y) = E(X) + E(Y)
Generalizando:
E(X
1
+X
2
+...+X
n
) = E(X
1
) + E(X
2
) + ...+ E(X
n
)
Se X e Y so duas variveis aleatrias
independentes ento: E(XY) = E(X)E(Y)
Generalizando: Se X
1
, X
2
, ..., X
n
so variveis
aleatrias independentes ento:
E(X
1
X
2
... X
n
) = E(X
1
)E(X
2
)...E(X
n
)
Se X e Y so duas variveis aleatrias
independentes ento V(X + Y) = V(X) + V(Y)
Generalizando: Se X
1
, X
2
, ..., X
n
so variveis
aleatrias independentes ento:
V(X
1
+ X
2
+ ... + X
n
) = V(X
1
) + V(X
2
) + ... + V(X
n
)
Se X e Y so duas variveis aleatrias
independentes ento V(X Y) = V(X) + V(Y)
Sejam X e Y so duas variveis aleatrias. A
covarincia de X e Y definida por:
COV(X,Y) = E(XY) E(X)E(Y)
18
W = aX + bY + c
Se X e Y so variveis aleatrias
independentes, ento:
E(W) = aE(X) + bE(Y) + c
V(W) = a
2
V(X) + b
2
V(Y)
Se X e Y no so variveis aleatrias
independentes, ento:
E(W) = aE(X) + bE(Y) + c
V(W) = a
2
V(X) + b
2
V(Y) + 2abCOV(X,Y)
Coeficiente de Correlao:
-1 s
X,Y
s 1
Y X Y X
Y X
Y X COV
o o o o

) , ( E(X)E(Y) - E(XY)
,
= =
Distribuio Binomial
n observaes independentes
2 possveis resultados (sucesso e fracasso)
sucesso o foco do meu interesse
P(sucesso) = p = constante
X = n total de sucessos nas n observaes 0 X n
Notao: X ~B(n,p)
Calcula-se: E(X) = np
V(X) = np(1 p)
x n x
p p
x
n
x X P

|
|
.
|

\
|
= = ) 1 ( ) (
19
Distribuio Hipergeomtrica
Populao: N observaes, sendo k sucessos e (N k)
fracassos
Amostra: n observaes, sendo x sucessos e (n x)
fracassos
Amostragem sem reposio
X = n total de sucessos nas n observaes
Seja p = k/N
Calcula-se: E(X) = np e
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= =
n
N
x n
k N
x
k
x X P ) (
1
) 1 ( ) (

=
N
n N
p np X V
20
Distribuio de Poisson
Existe um processo de Poisson se pudermos observar
eventos discretos em uma rea de oportunidade de
modo que ao encurtarmos tal rea suficientemente:
- A probabilidade de se observar exatamente um
sucesso no intervalo estvel.
- A probabilidade de se observar mais de um sucesso no
intervalo zero.
- A ocorrncia de um sucesso em qualquer intervalo
estatisticamente independente da ocorrncia em
qualquer outro intervalo.
Uma varivel aleatria X tem distribuio de Poisson
com parmetro > 0, se sua funo de probabilidade for
dada por:
Notao: X ~ P()
Calcula-se E(X) = e V(X) =
0bservao: a taxa de ocorrncia no tamanho do
contnuo observado. Utilizar unidades consistentes.
!
) (
x
e
x X P
x

= =
21
Exemplo de aplicao da distribuio Binomial
e da distribuio de Poisson:
(normas da ABNT NBR5426)
ANEXO A - Tabela 1 - Codificao de amostragem
S1 S2 S3 S4 I II III
A A A A A A B
A A A A A B C
A A B B B C D
A B B C C D E
B B C C C E F
B B C D D F G
B C D E E G H
B C D E F H J
C C E F G J K
C D E G H K L
C D F G J L M
C D F H K M N
D E G J L N P
D E G J M P Q
D E H K N Q R
Nveis especiais de inspeo Nveis gerais de inspeo
281 a 500
501 a 1200
26 a 50
51 a 90
91 a 150
16 a 25
151 a 280
Acima de 500001
35001 a 150000
150001 a 500000
10001 a 35000
1201 a 3200
3201 a 10000
2 a 8
9 a 15
Tamanho do lote
ABNT- NBR5426 Planosdeamostragemeprocedimentosnainspeoporatributos
QUALIDADEDOLOTE(p, em%defeituosaparaNQA<=10; emdefeitospor 100unidadesparaNQA>10)
Tabela29- CdigoD(n=8) - ValorestabuladosparaCCOdeplanosdeamostragemsimples
Pa 1,5 6,5 10 1,5 6,5 10 15 25 40 x 65 x 100 x 150 x 250 x 400
99,0 0,13 2,00 6,00 0,13 1,86 5,45 10,3 22,3 36,3 43,8 59,6 76,2 93,5 129 157 215 244 355 386
95,0 0,64 4,64 11,1 0,64 4,44 10,2 17,1 32,7 49,8 58,7 77,1 96,1 116 156 186 249 281 399 432
90,0 1,31 6,88 14,7 1,31 6,65 13,8 21,8 39,4 58,2 67,9 87,8 108 129 171 203 268 301 424 458
75,0 3,53 12,1 22,1 3,60 12,0 21,6 31,7 52,7 74,5 85,5 108 130 153 199 234 303 339 468 504
50,0 8,30 20,1 32,1 8,66 21,0 33,4 45,9 70,9 95,9 108 133 158 183 233 271 346 383 521 558
25,0 15,9 30,3 43,3 17,3 33,7 49,0 63,9 92,8 121 135 163 190 218 272 312 392 432 577 617
10,0 25,0 40,6 53,9 28,8 48,6 66,5 83,5 116 147 162 193 222 252 309 352 437 478 631 672
5,0 31,2 47,1 59,9 37,5 59,3 78,7 96,9 131 164 180 212 243 274 334 378 465 509 665 707
1,0 43,8 58,8 70,7 57,6 83,0 105 126 164 200 218 252 285 318 382 429 522 568 732 776
2,5 10 x 2,5 10 15 25 40 x 65 x 100 x 150 x 250 x 400 x
Nota: Valoresbaseadosnadistribuiobinomial para%defeituosaenadePoissonpara"defeitospor 100unidades".
CdigoD , n=8 , NQA=1,5 , Ac=0 Re=1 CdigoD , n=8 , NQA=6,5 , Ac=1 Re=2
NQA(Inspeonormal)
p(%defeituosa) p(defeitospor 100unidades)
NQA(Inspeosevera)
0 8
) 1 (
0
8
) ( p p Ac P
|
|
.
|

\
|
=
.
% 90 89988 , 0 ) 0131 , 0 1 ( ) 1 ( % 31 , 1
% 95 94993 , 0 ) 0064 , 0 1 ( ) 1 ( % 64 , 0
% 99 98965 , 0 ) 0013 , 0 1 ( ) 1 ( % 13 , 0
8 8
8 8
8 8
~ = = =
~ = = =
~ = = =
p p
p p
p p
1 7 0 8
) 1 (
1
8
) 1 (
0
8
) ( p p p p Ac P
|
|
.
|

\
|
+
|
|
.
|

\
|
=
.
. % 90 89956 , 0 0688 , 0 9312 , 0 8 9312 , 0 % 88 , 6
% 95 94998 , 0 0464 , 0 9536 , 0 8 9536 , 0 % 64 , 4
% 99 98966 , 0 0200 , 0 9800 , 0 8 9800 , 0 % 00 , 2
7 8
7 8
7 8
~ = + =
~ = + =
~ = + =
x x p
x x p
x x p
22
Cdigo D , n = 8 , NQA = 1,5 , Ac = 0 Re = 1
p = 0,0013 = 8 x 0,0013 = 0,0104
Cdigo D , n = 8 , NQA = 6,5 , Ac = 1 Re = 2
p = 0,0186 = 8 x 0,0186 = 0,1488
% 99 98997 , 0 ) 1488 , 0 1 ( ) (
1488 , 0
~ = + =

e Ac P
) 1 (
! 1 !
) (
1 0

+ = + =


e
e
o
e
Ac P

= = e
o
e
Ac P
!
) (
0
% 99 98965 , 0 ) (
0104 , 0
~ = =

e Ac P
Varivel Aleatria Contnua
uma varivel aleatria X, tal que R
x
, o contra domnio
de X, seja um intervalo ou uma coleo de intervalos.
}
= s s
b
a
dx x f b X a P ) ( ) (
}

= dx x f x X E ) ( ) (
Funo de Distribuio Acumulada da varivel aleatria
contnua X, definida como:
F(x) = P(X s x) =
}

x
dx x f ) (
23
Distribuio Uniforme
Uma varivel aleatria X tem distribuio uniforme contnua
no intervalo [a,b], a < b, se sua funo de densidade de
probabilidade for dada por:
Notao: X ~U[a,b]
2
b a +
=

s s

=
contrrio caso
b x a
a b
x f
0
1
) (
12
) (
2
2
a b
= o
Distribuio Exponencial
Uma varivel aleatria contnua X, assumindo valores
no negativos, segue o modelo exponencial, com
parmetro > 0, se X for igual distncia entre
contagens sucessivas de um processo de Poisson, com
mdia >0.
A funo densidade de probabilidade de X :
f(x) = e
x
para x > 0
F(x) = 1 e
x
para x > 0
Notao: X ~ EXP()
Propriedade da falta de memria:
P(X > x + t | X > x) = P(X > t)

1
=
2
1
) (

= X V
24
Distribuio Normal
Dizemos que uma varivel aleatria contnua X tem
distribuio Normal, com parmetros e o
2
, se sua
funo densidade for dada por:
para x
E(X) =
V(X) = o
2
Notao: X ~N( ; o
2
)
2
2
2
) (
2
1
) (
o

o t

=
x
e x f
Propriedades:
f(x) simtrica
f(x) 0 quando x
O valor mximo de f(x) ocorre quando x =
Se X ~N( ; o
2
) e ento Z ~N(0 ; 1)
o

=
X
Z
25
26
Grfico de Probabilidade Normal
C1
P
e
r
c
e
n
t
28,0 27,5 27,0 26,5 26,0
99
95
90
80
70
60
50
40
30
20
10
5
1
Mean 26,99
StDev 0,4520
N 50
AD 0,222
P-Value 0,821
Probability Plot of C1
Normal
Seja Y = a + b
1
X
1
+ b
2
X
2
.
Se X
1
~ N (
1
;o
1
2
) e X
2
~ N (
2
;o
2
2
) e X
1
e X
2
so v.a.
independentes, ento: Y ~ N(
y
; o
y
2
), com

Y
= a + b
1

1
+ b
2

2
e o
y
2
= b
1
2
o
1
2
+b
2
2
o
2
2
Seja X
i
~ N( ; o
2
) e S = X
1
+ X
2
+ ... + X
n
com as v. a. X
i
independentes, ento: S ~N(
S
;o
S
2
) com

S
= + + ... + = n e o
S
2
= o
2
+ o
2
+ ... + o
2
= no
2
Populao: {1 , 3 , 5}
Todas as amostras de tamanho 2:
{1;1} {1;3} {1;5} {3;1} {3;3} {3;5} {5;1} {5;3} {5;5}
Populao das mdias das amostras de tamanho 2
{1 ; 2 ; 2 ; 3 ; 3 ; 3 ; 4 ; 4 ; 5}
3
3
5 3 1
=
+ +
= ( )
3
8
3
) 5 3 1 (
5 3 1
3
1
2
2 2 2 2
=
(

+ +
+ + = o
1 1 1
0
0,5
1
1 3 5
f req
3
9
5 4 4 3 3 3 2 2 1
=
+ + + + + + + +
=
X

( )
3
4
9
) 5 ... 2 2 1 (
5 ... 2 2 1
9
1
2
2 2 2 2 2
=
(

+ + + +
+ + + + =
X
o
1
2
3
2
1
0
1
2
3
1 2 3 4 5
f req
27
Teorema do Limite Central
Se a varivel aleatria X tiver distribuio normal:
Para qualquer n moderadamente grande (n > 30), e para
qualquer distribuio de probabilidades da varivel
aleatria X ter sempre uma distribuio aproximadamente
normal:
) ; ( ~
2
n
N X
o

) ; ( ~
2
n
N X
o

Distribuies amostrais
DISTRIBUIO QUIQUADRADO:
A varivel chamada de uma varivel aleatria
quiquadrado com n graus de liberdade se
com Z
i
~ N(0 ; 1). Calcula-se e
Tem-se e , ento:
A estatstica s
2
se distribui conforme uma distribuio
com (n 1) graus de liberdade.
2
n
_
2 2
2
2
1
2
...
n n
Z Z Z + + + = _
( ) n E
n
=
2
_ ( ) n V
n
2
2
= _
2
1 2
1
2
~
) (

n
n
i
i
X X
_
o 1
) (
1
2
2

=

=
n
X X
s
n
i
i
2
_
( )
2
2
2
1
2
2
) 1 (
1 1
) ( o
o
_
o
=

=

n
n
E
n
s E
n
DISTRIBUIO t de STUDENT:
Seja Z ~ N(0 ; 1) e Y ~ , com Z e Y independentes.
Ento, tem distribuio t de Student com n graus de
liberdade. Se n for grande t Z (se aproxima de Z).
Tem-se: pois: ;
Calcula-se E(t) = 0 e
2
n
_
n
Y
Z
t =
1
~

=
n
t
n
s
X
t

Z
n
X
~
o

2
1 2
2
~
) 1 (

n
s n
_
o
2
) (

=
n
n
t V
n
s
X
s
n
X
n
s n
n
X

o
o

o
o

) 1 (
) 1 (
2
2
28
DISTRIBUIO F:
Se X e Y so variveis aleatrias com distribuio
quiquadrado com m e n graus de liberdade,
respectivamente, ento se diz que a varivel aleatria
tem distribuio F com m e n graus de liberdade.
Se h duas variveis aleatrias com distribuies normais
com mesma varincia, ento: pois
n
Y
m
X
F =
1 ; 1 2
2
2
1
2 1
~
n n
F
s
s
1 ; 1
2
2
1
1
2
1
2
1
2
2
2
1
1
2
2
2
2
1
2 1
2
1
2
1
) 1 (
) 1 (
) 1 (
) 1 (

=
(

=
n n
n
n
n
n
F
n
n
n
n
s
s
_
_
_
o
_
o
Relaes entre as distribuies:
Se n ento t Z

2
uma soma de Z
2
independentes
2
2
2
1
2
2
2
1
2
1
1 ; 1
) 1 ( ) 1 (
1
2 2
2
t
n
z
n
F
n n
n
=

_ _
_
Amostragem
Populao: o conjunto de todos os elementos
sobre os quais estamos a procura de informaes
Amostra: qualquer subconjunto da populao
29
Porque amostrar?
Acesso a toda populao difcil ou impossvel.
Alto custo ou tempo excessivo.
Destruio do elemento pesquisado.
Alguns tipos de amostragem
Amostragem casual simples
Amostragem sistemtica
Amostragem estratificada
Amostragem por conglomerado
30
Estimao
Parmetros: So as quantidades da populao,
em geral desconhecidas e sobre as quais temos
interesse.
Notao: Em geral, uso de letras gregas.
Estatstica: qualquer funo das observaes
em uma amostra aleatria.
Distribuio amostral: a distribuio de
probabilidades de uma estatstica.
Estimador: o valor numrico de uma estatstica
amostral que selecionado para representar o
parmetro, isto , a combinao dos elementos
da amostra, construda com a finalidade de
representar ou estimar um parmetro de interesse
na populao.
Notao: Em geral, uso das letras gregas com
acento circunflexo.
Estimador No Viciado ou No Tendencioso:
um estimador que no tende a superestimar ou
subestimar o valor do parmetro, isto , seu valor
esperado coincide com o parmetro de interesse.
Estimador no tendencioso de varincia
mnima (ENTVM): o estimador com a menor
varincia se considerarmos todos os estimadores
no tendenciosos de um parmetro.
Estimador Consistente: um estimador que
medida que o tamanho da amostra aumenta, seu
valor esperado converge para o parmetro de
interesse e sua varincia converge para zero.
Dados dois estimadores e no viciados para
um parmetro , dizemos que mais eficiente
que se V( ) < V( ).
Estimativa por Ponto: Consiste em uma nica
estatstica amostral que utilizada para calcular
o valor real de um parmetro da populao.
1

u
2

u
u
1

u
2

u
2

u
1

u
31
Erro padro de um estimador: o seu desvio
padro. Se o erro padro envolver parmetros
desconhecidos que possam ser estimados, ento
as substituies daqueles valores produziro um
erro padro estimado.
Erro quadrtico mdio de um estimador
do parmetro :
EQM( ) = E( )
2
= V( ) + (tendncia)
2
u
u

u
Estimativa por Intervalo: Leva em conta a
distribuio das amostras da estimativa pontual.
O intervalo construdo ter uma determinada
confiana ou probabilidade de estar estimando
corretamente o valor real do parmetro da
populao. usual se referir a semi-amplitude
do intervalo como erro envolvido na estimao
ou preciso do estimador. O nmero tabelado
obtido utilizando-se a tabela da distribuio de
probabilidades da estimativa pontual, levando
em conta a confiana desejada no intervalo e o
tamanho da amostra quando pertinente.
Intervalo de Confiana para a mdia com
varincia populacional conhecida
Populao infinita: I.C. =
Populao finita: I.C. =
Com n = tamanho da amostra
N = tamanho da populao
(

n
z X
o
(

1 N
n N
n
z X
o
32
Intervalo de Confiana para a mdia com
varincia populacional desconhecida
Populao infinita: I.C. =
Populao finita: I.C. =
Estas frmulas so vlidas se:
X ~ N ou se n 30
(

n
s
t X
n 1
(

1
1
N
n N
n
s
t X
n
Dimensionamento da amostra para
estimarmos , com conhecido
Populao infinita:
Populao finita:
Aproximar n SEMPRE para cima!!!
2
|
.
|

\
|
>
e
z
n
o
2 2 2
2 2
) 1 ( o
o
z N e
N z
n
+
>
Dimensionamento da amostra para
estimarmos , com desconhecido
Se n < 30 : utilizar tentativa e erro
Se n 30:
Populao infinita:
Populao finita:
Estimar s usando amostra piloto ou pesquisa
semelhante j realizada
2
|
.
|

\
|
>
e
zs
n
2 2 2
2 2
) 1 ( s z N e
N s z
n
+
>
33
Intervalo de Confiana para a proporo
Populao infinita: I.C. =
Populao finita: I.C. =
(

n
p p
z p
) 1 (

1
) 1 (

N
n N
n
p p
z p
Dimensionamento da amostra para
estimarmos p
Populao infinita:
Populao finita:
Estimar p usando amostra piloto,pesquisa
semelhante j realizada ou utilizar 5 , 0 = p
2
2
) 1 (
e
p p z
n

>
) 1 ( ) 1 (
) 1 (
2 2
2
p p z N e
N p p z
n
+

>
34
Intervalo de Confiana para a varincia
Vimos que: se X ~ N ento:
2
1 2
2
~
) 1 (

n
s n
_
o
( ) ( )
o
_
o
_
o o
=
|
|
|
.
|

\
|

s s

1
1 1
2
1 ;
2
1
2
2
2
1 ;
2
2
n n
s n s n
P
(
(

=

2
2 / 1 ; ) 1 (
2
2
2 / ; ) 1 (
2
) 1 (
;
) 1 (
. .
o o
_ _
n n
s n s n
C I
Teste de hiptese
Hiptese estatstica: a afirmao sobre um parmetro
ou forma de uma distribuio de valores observados.
Teste de uma hiptese estatstica: um procedimento
que permite decidir com base em informaes
experimentais pela rejeio ou no rejeio de uma
hiptese estatstica.
Hiptese nula (H
0
): a hiptese que sempre testada e
sempre contm um sinal de igualdade com relao ao
valor do parmetro especificado. Quando no se rejeita
a hiptese nula, s possvel concluir que no existem
evidncias suficientes para garantir a sua rejeio.
Valor Crtico: o valor da estatstica a partir do qual se
rejeita a hiptese a ser testada.
Denomina-se Regio Crtica (R.C.) de um teste aos
possveis valores da estimativa que levam a rejeio da
hiptese a ser testada (H
0
).
Erro Tipo I: Ocorre se a hiptese nula H
0
for rejeitada
quando de fato verdadeira e no deveria ser rejeitada.
Nvel de Significncia o: a probabilidade de se cometer
o erro tipo I.
Erro Tipo II: Ocorre se a hiptese nula H
0
no for rejeitada
quando de fato falsa e deveria ser rejeitada.
|: a probabilidade de se cometer o erro tipo II.
Poder do teste ou eficcia do teste: igual a (1 |), isto
, a probabilidade de se rejeitar a hiptese nula quando
ela de fato falsa e deveria ser rejeitada.
35
Situao
real
desconhecida
Deciso
tomada com
base em evidncias
experimentais



H0 verdadeira



H0 falsa

No rejeitar H0

Deciso correta
P(deciso correta) = 1 o
Erro tipo II
P(erro tipo II) = |

Rejeitar H0
Erro tipo I
P(erro tipo I) = o
o = nvel de significncia
Deciso correta
P(deciso correta) = 1 |
1 | = poder do teste

Total


1,00

1,00

Exemplo
Em uma amostra de 583 medies encontrou-se
um valor mdio de emisso para uma varivel
poluente igual a 38,21 e um desvio padro igual
a 14,7780.
Deseja-se testar ao nvel de significncia de 5%
se o valor mdio da varivel medida superior a
37 (valor mximo da varivel segundo a
legislao vigente).
H
0
: s 37
H
1
: > 37
Lembre-se que H
0
sempre contm a igualdade.
Tem-se:
R.C. = { | 38,007}
|
|
|
|
.
|

\
|

>

= = > = =
583
7780 , 14
37
583
7780 , 14
37
) 37 / ( 05 , 0
cr
cr
x X
P x X P o
007 , 38
583
7780 , 14
37
6449 , 1 =

=
cr
cr
x
x
X X
36
Se na realidade o verdadeiro valor mdio
de emisso for 39, tem-se:
0526 , 0 ) 62 , 1 (
583
7780 , 14
39 007 , 38
583
7780 , 14
39
) 39 / 007 , 38 ( = < =
|
|
|
|
.
|

\
|

<

= = < = Z P
X
P X P |
Tem-se:
R.C. = { | 38,424} X X
|
|
|
|
.
|

\
|

> = = > = =
583
7780 , 14
37
) 37 / ( 01 , 0
cr
cr
x
Z P x X P o
583
7780 , 14
37
3263 , 2

=
cr x
Se na realidade o verdadeiro valor mdio
de emisso for 39, tem-se:
1736 , 0 ) 94 , 0 (
583
7780 , 14
39 424 , 38
583
7780 , 14
39
) 39 / 424 , 38 ( = < =
|
|
|
|
.
|

\
|

<

= = < = Z P
X
P X P |
37
A nica forma de se diminuir o e | ao mesmo
tempo aumentando o tamanho da amostra.
Nvel Descritivo do teste p: a probabilidade de
se obter uma estatstica de teste igual ou mais
extrema que o resultado, a partir dos dados da
amostra, dado que a hiptese nula H
0
, seja
realmente verdadeira.
P = nvel descritivo do teste
Se P < , rejeita-se H
0
0,0239 < 0,05 rejeita-se H
0
0,0239 > 0,01 no se rejeitaH
0
0239 , 0 9761 , 0 0 , 1 ) 98 , 1 (
583
7780 , 14
37 21 , 38
) 37 / 21 , 38 ( = = > =
|
|
|
|
.
|

\
|

> = = > = Z P Z P X P P
DESAFIO AOS DEUSES a fascinante histria do risco
Peter L. Bernstein (p. 207)
Sob condies de incerteza, a escolha no entre
rejeitar uma hiptese ou aceita-la, mas entre a rejeio e
a no- rejeio. Voc pode decidir que a probabilidade
de estar errado to pequena que voc no deveria
rejeitar a hiptese. Voc pode decidir que a
probabilidade de estar errado to grande que voc
deveria rejeitar a hiptese. Mas com qualquer
probabilidade diferente de zero de estar errado certeza
em vez de incerteza voc no pode aceitar uma
hiptese.
Esta noo poderosa distingue a maior parte da
pesquisa cientfica vlida da tolice. Para serem vlidas,
as hipteses devem estar sujeitas falsificao ou
seja, elas devem ser testveis de modo que a alternativa
entre rejeitar e no rejeitar seja clara e especfica e as
probabilidades sejam mensurveis
38
Teste de hiptese para mdia , com
varincia conhecida
H
0
: =
0
H
1
:
0
R.C. = { Z | Z z
1- o/2
ou Z z
1- o/2
}
Estatstica de teste :
Com , para populao infinita e
, para populao finita
1

=
N
n N
n
X
o
o
n
X
o
o =
X
X
Z
o

0

=
H
0
:
0
H
1
: >
0
R.C. = { Z | Z z
1- o
}
H
0
:
0
H
1
: <
0
R.C. = { Z | Z z
1- o
}
Teste de hiptese para mdia , com
varincia desconhecida
H
0
: =
0
H
1
:
0
R.C. = { T | T t
n 1; o/2
ou T t
n 1 ; o/2
}
Estatstica de teste :
Com , para populao infinita e
, para populao finita
X
X
T
o

=
n
s
X
= o
1

=
N
n N
n
s
X
o
39
H
0
:
0
H
1
: >
0
R.C. = { T | T t
n 1 ; o
}
H
0
:
0
H
1
: <
0
R.C. = { T | T t
n 1 ; o
}
Teste de hiptese para a proporo
H
0
: p = p
0
H
1
: p p
0
R.C. = { Z | Z z
1- o/2
ou Z z
1- o/2
}
Estatstica de teste :
Com , para populao infinita e
, para populao finita
p
p p
Z
o
0

=
n
p p
p
) 1 (
0 0

= o
1
) 1 (
0 0

=
N
n N
n
p p
p
o
H
0
: p p
0
H
1
: p > p
0
R.C. = { Z | Z z
1- o
}
H
0
: p p
0
H
1
: p < p
0
R.C. = { Z | Z z
1- o
}
40
Teste de hiptese para a varincia
Vimos que:
H
0
:
2
=
2
0
H
1
:
2

2
0
R.C. = { | ou }
Estatstica de teste :
2
_
2
2 / 1 ; 1
2
o
_ _

<
n
2
1 2
2
~
) 1 (

n
s n
_
o
2
2 / ; 1
2
o
_ _

>
n
2
0
2
2
) 1 (
o
_
s n
=
H
0
:
2

2
0
H
1
:
2
>
2
0
R.C. = { | }
H
0
:
2

2
0
H
1
:
2
<
2
0
R.C. = { | }
2
_
2
_
2
1 ; 1
2
o
_ _

<
n
2
; 1
2
o
_ _

>
n
Teste de hiptese para diferena entre
duas mdias populacionais sendo as
varincias conhecidas
H
0
:
1
=
2
H
1
:
1
=
2
R.C = {Z | Z < z
1- o/2
ou Z > z
1- o/2
}
Estatstica de teste:
Com d
0
=
1

2
(geralmente igual a zero)
X
d X
Z
A
A
=
o
0
41
e
H
0
:
1

2
H
1
:
1
>
2
R.C = {Z | Z > z
1- o
}
H
0
:
1

2
H
1
:
1
<
2
R.C = {Z | Z < z
1- o
}
2 1
X X X = A
2
2
2
1
2
1
n n
X
o o
o + =
A
Teste de hiptese para diferena entre
duas mdias populacionais sendo as
varincias desconhecidas
H
0
:
1
=
2
H
1
:
1
=
2
R.C = {T | T < ou }
Estatstica de teste:
Com d
0
=
1

2
(geralmente igual a zero)
X
d X
T
A
A
=
o
0
2
; 2
2 1
o
+

n n
t
2
; 2
2 1
o
+n n
t
com
H
0
:
1

2
H
1
:
1
>
2
R.C = {T | T > }
H
0
:
1

2
H
1
:
1
<
2
R.C = {T | T < }
2 1
X X X = A
2 1
1 1

n n
s
c X
+ =
A
o
2
) 1 ( ) 1 (
2 1
2
2 2
2
1 1 2
+
+
=
n n
s n s n
s
c
o ; 2
2 1
+n n
t
o ; 2
2 1
+n n
t
42
Teste de hiptese para diferena entre
duas mdias populacionais quando as
observaes mas duas populaes de
interesse so coletadas pareadas
H dependncia entre as medidas dos dois
grupos. Neste caso trabalha-se com a
diferena dos pares e o teste se torna um
teste para a mdia destas diferenas.
utilizado preferencialmente quando as
unidades experimentais forem as mesmas
para ambos os tratamentos
Teste de hiptese para diferena de
propores
H
0
: p
1
= p
2
H
1
: p
1
= p
2
R.C = {Z | Z < z
1- o/2
ou Z > z
1- o/2
}
Estatstica de teste:
Com d
0
= p
1
p
2
(geralmente igual a zero)
p
d p
Z
A
A
=
o
0
com
H
0
: p
1
p
2
H
1
: p
1
> p
2
R.C = {Z | Z > z
1- o
}
H
0
: p
1
p
2
H
1
: p
1
< p
2
R.C = {Z | Z < z
1- o
}
2 1
p p p = A
|
|
.
|

\
|
+ =
A
2 1
1 1
) 1 (
n n
p p
p
o
2 1
2 2 1 1

n n
p n p n
p
+
+
=
43
Teste de hiptese para diferena de
varincias
Supor X
1
~ N e X
2
~ N com mesma varincia e
que as amostras so independentes.
H
0
: =
H
1
: =
R.C = {F | F < ou F > }
Estatstica de teste:
2
1
o
2
1
o
2
2
o
2
2
o
2 / 1 ; 1 ; 1
2 1
o n n
F
2 / ; 1 ; 1
2 1
o n n
F
2
2
2
1
s
s
F =
Lembrar que:
H
0
:
H
1
: >
R.C = {F | F > }
H
0
:
H
1
: <
R.C = {F | F < }
2
1
o
2
2
o
2
1
o
2
2
o
2
1
o
2
1
o
2
2
o
2
2
o
o ; 1 ; 1
2 1
n n
F
o
o
; 1 ; 1
1 ; 1 ; 1
1 2
2 1
1


=
n n
n n
F
F
o ; 1 ; 1
1 2
1
n n
F
Referncias
BACH, Ricardo ; BARIBOLDI, Victor G. Probabilidad y estadistica.
Buenos Aires: Ediciones Cientificas y Tcnicas, 1979.
LEVINE, David ; BERENSON, Mark L. ; STEPHAN, David. Estatstica:
teoria e aplicaes : Utilizando Microsoft Excel Portugus. 1 ed. Rio
de Janeiro: LTC, 2000.
MAGALHES, Marcos N. ; LIMA, Antonio Carlos P. Noes de
probabilidade e estatstica. 6 ed. So Paulo: Edusp, 2004.
MONTGOMERY, Douglas C. ; RUNGER, George C. Estatstica
aplicada e probabilidade para engenheiros. 2 ed. Rio de Janeiro: LTC,
2003.
MONTGOMERY, Douglas C. Introduo ao controle estatstico da
qualidade. 4 ed. Rio de Janeiro: LTC, 2004.
PERES, Clovis A. Oficina: estatstica na sade. In: SIMPSIO
NACIONAL DE PROBABILIDADE E ESTATSTICA, 17., 2006,
Caxambu. Anais eletrnicos... Caxambu: ABE, 2006. 1 CD-ROM.